动力电池SOH估计Word文档格式.docx

动力电池SOH估计Word文档格式.docx

《动力电池SOH估计Word文档格式.docx》由会员分享，可在线阅读，更多相关《动力电池SOH估计Word文档格式.docx（6页珍藏版）》请在冰豆网上搜索。

指通过动力电池容量或能量的准确、直接测量，来确定动力电池SOH。

显然，容量和能量的准确测量至少需要两个前提条件：

1保证充放电过程的完整性。

2保证采集精度足够高，这就意味着此方法只能在实验室或其他相对稳定的条件下使用。

对于实车环境而言，则往往需要用到容量在线辨识的方法。

（2）欧姆内阻测量法

指通过实时测量动力电池欧姆内阻来评价动力电池SOH,计算方法如式（4-34）所示，即动力电池电压变化量与电流变化量之比。

相对动力电池容量而言，欧姆内阻更容易测量，在实车过程中突然制动或者加速均会引起较大的动力电池电流与电压的变化。

但是，除了动力电池SOH与温度的影响外，欧姆内阻也会随着SOC的变化而变化，且它受电流、电压采样间隔的影响较为显著，即采样间隔越小，越接近于欧姆内阻真实值。

同时，在计算欧姆内阻时，应限定AiL的

最小绝对值，否则会导致结果的剧烈波动。

Ri二

式中，AUt为动力电池脉冲电压；

△让为动力电池脉冲电

流。

（3）阻抗测量法则需要借助电化学工作站或其他相似功能的交

流电激励设备来测量动力电池EISo图2-32给出了不同老化状态下的动力电池EIS,可以发现动力电池EIS与动力电池老化状态之间存在着明显的关系。

而且在不同频率的激励下，动力电池的反馈也有所不同。

对于高频阶段，动力电池布线与多孔结构的诱导效应占主导地位，即阻抗更多表现为欧姆特性；

而在低频阶段，电容效应则会变得更为显著。

因此，在获取动力电池EIS后，即可通过对动力电池EIS中某些特征参数的提取来标定动力电池SOHo

2.间接分析法

间接分析法是一种典型的多步推导方法，它不会直接计算出动力电池容量或内阻值，而是通过设计或测量某些能反映动力电池容量或内阻衰退的过程参数，来标定动力电池SOH。

通常将这些过程参数称为健康因子，主要包括SEI膜阻

抗、动力电池容量-OCV-SOC响应面、电压响应轨迹或恒压阶段充电时间、增容（IncrementalCapacity,IC）曲线或差分电压（differentialVoltage,DV）曲线、超声波响应特征等。

当然，也可以选取两个及两个以上的健康因子共同评价动力电池S0H。

①动力电池端电压响应直接反映了动力电池内部反应特性，因而可基于控制变量法，分析特定SOC、温度以及电流输入下的电压响应轨迹，从而完成S0H的标定。

这一方法即为电压响应轨迹法。

同时考虑到动力电池放电工况较为复杂、多变，因而这一方法常用相对稳定的充电过程作为分析对象。

目前，最为常见的充电方法为恒流恒压充电，如图2-11所示。

它分为两个阶段，即先采用恒定电流充电至上截止电压（CC阶段）,然后采用恒压充电的方式降电流直至设定的最小阈值（CV阶段）。

对于相同材料的动力电池而言，此充电方法的总体充电时间基本保持不变，而CV阶段的充电时间会随着动力电池的老化而明显增加。

因而，若能获取动力电池完整CV阶段的充电曲线，即能准确计算出动力电池SOH

②容量增量法（icAnalysis,ICA）与差分电压法（DVAnalysis,DVA）指分别利用IC曲线与DV曲线分析动力电池的衰退过程与老化机理，进而实现SOH的标定。

IC曲线与DV曲线均可由恒流充放电数据变换得到，前者是描述的dQ/dV-V的关系，而后者则为dV/dQ-Q的关系。

这两种方法将会在4.2.4节中详细描述。

3.自适应算法自适应算法一般需要借助电化学模型或等效电路模型，它通过对模型参数进行辨识，完成SOH的标定。

这类方法的特点在于闭环控制与反馈，以实现估计结果随动力电池电压的自适应调整，其包括联合估计法、协同估计法以及融合估计法等。

（1）联合估计法

联合估计法需要同时在线估计动力电池的模型参数和SOC,因而所用的自适应算法一般包括两个及其以上的滤波器或观测器，其中模型参数主要包括内阻、阻抗、OCV等鉴于动力电池SOC与容量密切相关，在获取相对准确的SOC值后，可根据SOC估计值来确定动力电池容量，进而完成动力电池SOH的标定。

基于SOC估计值的动力电池容量估计方法将在第4.2.2节详细阐述。

2）协同估计法

协同估计法同样需要实现动力电池模型参数与SOC的同时在线估计，但是这里模型参数相比联合估计法增加了动力电池容量一项，即直接完成了动力电池容量与SOC的同时估计。

从通用的算法基本框架来看，协同估计法与联合估计法的区别主要体现在两个方面：

①对于两类估计算法，新息（输出预测电压误差）序列的使

用模式是不同的。

协同估计法中的两个估计器共用同一个新息序列。

但在联合估计法中，两个估计器的电压误差则是不相关的。

②参数估计与状态估计的关系是不同的。

在协同估计法中，状

态估计与参数估计两部分之间会相互影响，但联合估计法则没有明显的相互作用效应。

协同估计法的详细计算过程将在第4.3节中介绍。

4.基于数据驱动的方法

基于数据驱动的SOH估计方法不依赖精确的数学模型来描述动力电池老化原理与演变过程，它只依赖于历史老化数据，即通过特定的学习算法提取历史数据点的关键老化信息。

①经验/拟合法指通过使用现有老化数据来预测动力电池寿

命，且无须详细了解动力电池的结构与材料特性。

多项式、指

其计

数、幕律、对数、三角函数是常用的经验模型和拟合模型,量通常较小，计算速度较快。

如Arrhenius动力学方程，不仅十分简洁，而且精确描述了化学反应速率的温度依赖性，因而常被用于模拟由温度引起的扩散系数、蠕变率和其他热过程的变化。

Arrhenius动力学方程也可以用于描述动力电池依赖于温度的老化速率，其基本方程为

Ae_T

式中，dC/dn是相对于老化循环的动力电池容量变化率；

A是指数前因子；

Rg是通用气体常数，即8.314J/

（mol•K）；

AE是活化能（J/mol）；

T是以K为单位的

绝对温度；

人和入二AE/Rg是需要校准的两个未知参数。

对式

（4-35）的等号两端进行积分:

式中，Cr为指示动力电池老化的容量降低阈值；

nc为动力电池循环寿命。

取两个不同温度点T1和T2（T1〉T2）,有

）

式中，Anc是寿命偏差，定量描述了温度变化对动力电池寿命影响。

在完成Arrhenius动力学方程中参数的辨识后，即可基于这一方程实现变温度下的动力电池SOH评估。

②样本*商（SampleEntropy,SampEn）可以用于评估时间序列的可预测性，并且还可以量化数据序列的规律性。

因此，可采用样本爛分析动力电池放电电压数据，并指示动力电池SOHo样本炳算法流程见表4-6。

在已有大量离线数据的情况下，可直接采用机器学习算

法，如支持向量机、相关向量机等，学习动力电池SOH与样本爛算法输出的离线映射关系，进而可使用这一离线映射关系完成实车过程中的动力电池SOH实时估计。

各类SOH估计方法的优缺点以及相应的适用范围见表

4-7o

表4-7各类SOH估计方法的优缺点及相应的适用范围

方法

优点

缺点

适用性

操作难度

欧姆内WI测

肚法

简单易实现实时性好

易受不确定性冈索影响•如温度、工况、SoC等

对于采集幡度、采样间采样同步性等均有要求

一般

n

飢扌尤测g法

能直接地反映动力电池的老化状态

包含借息址大

易受不确定性火索彫响.如汕度、

1•况、SoG测址方法与熟练度等爪次测试时间较长

设备成木通常较高

—>

循环周期法

简单易实现

实际应用闲难

差

电压轨迹法

操作简单

易受不确定性因素影响，如温度・工况、S0C等

需大城离线数IK炸

IcA与PVA

辅度高

反映动力电池老

化机理

操作难度髙耗时较长

-股

联合估计法

估计希度髙

算法需箜反复调试对模熨的准的度依赖性谨输出结果波动较人

DCV曲线变化小

jt

协同估计法

估HV度高

篦法需要反复刑试对模型的來确度依檢性強

经驗拟合

估讣励厦菱

淮

易

优化算法

椅度较為结果输出隐定

并法运算肚大

0CV曲线变化大

-it

样本埔

算法塑朵需大la离线数据库

-般

3*