电动汽车锂离子电池建模及SOC估计方法研究.docx

电动汽车锂离子电池建模及SOC估计方法研究.docx

《电动汽车锂离子电池建模及SOC估计方法研究.docx》由会员分享，可在线阅读，更多相关《电动汽车锂离子电池建模及SOC估计方法研究.docx（12页珍藏版）》请在冰豆网上搜索。

电动汽车锂离子电池建模及SOC估计方法研究

电动汽车锂离子电池建模及SOC估计方法研究

一锂离子电池模型建立

1内阻模型

图1.1.1内阻模型

2戴维南等效电路模型

通过测量锂离子电池对恒流充放电的电压响应曲线建立的戴维南等效电路模型应用场合非常广，等效电路模型结构见图2.1。

图1.2.1戴维南等效电路模型

同样，电池的开路电压U为电池SOC的函数，等效电路其他的电路参数可以通过对电池电压的响应曲线进行非线性最小二乘拟合获取，模型参数获取方便。

GabrialA.Rincon-mora改进了戴维南等效电路模型，增加电容和电流控制电流源来模拟电池容量、开路电压，提高了模型的精度，戴维南等效电路模型结构简单，参数获取容易，目前被广泛应用于电池SOC的估计中。

但是等效电路模型参数固定，适用于电流变化不大的场合，因此在实际工况下，SOC估计的精度不高。

3阻抗谱模型

电化学阻抗谱（ElectrochemicalImpedanceSpectroscopy,EIS）是研究固体电极表面反应过程的重要方法，EIS技术是通过对电化学体系施加一定振幅、不同频率的正弦波交流扰动信号获得频域范围内相应电信号反馈的交流测试方法。

电化学阻抗谱测量频率很宽的阻抗谱来研究锂离子电池。

因而可以获得更多的电池动态特性和阴极、阳极界面的特征，通常情况下，测试频率范围为O.O1Hz-10000Hz。

它可以根据电化学嵌入反应每一步弛豫时间常数的不同，在较宽频率范围内表征电化学嵌入反应的每一步。

因此电化学阻抗谱可以表征铿离子电池的反应过程。

锂离子电池的典型阻抗谱如图3.1所示，其中横坐标表示阻抗的实部，纵坐标表示阻抗的虚部，因为锂离子电池的阻抗谱的虚部总呈现容抗特性，容抗的虚部总为负，为了使阻抗谱图形位于第一象限，因此使用虚部的相反数作为虚轴，这也是阻抗谱的惯例。

从图中可以直观的看出锂离子电池在不同频率段的阻抗特征。

如果能够使用电学元件（如电阻、电容和电感等）组成的电路，使得电路的阻抗谱与实验得到的电化学阻抗谱类似，这样的电学电路为等效电路。

根据锂离子电池的电化学阻抗谱形状构建的阻抗谱等效电路模型可以很好的描述电池电化学嵌入反应过程，同时模型参数代表相应的电化学反应过程，阻抗谱模型可以等效锂离子电化学反应过程，是一种接近机理模型，同时电路形式比较简单的模型。

下面将从锂离子电池电化学阻抗谱实验入手，构建锂离子电池的阻抗谱模型。

图1.3.1锂离子电池阻抗谱

对一个稳定的电极系统施加一个角频率为W的振幅足够小的正弦波电流或者电压信号的扰动，相应地电极系统就会做出同样频率的正弦波响应，在被测电极与参比电极之间就会输出同样频率的电压响应，通过式（3-1）计算，就能得到该频率下的电化学阻抗。

（1-3-1）

测试中，采用的是频率O.O1Hz}10000Hz，振幅为lOmV的正弦波电压。

电化学阻抗谱只能通过图形来定性描述锂离子电池的阻抗特性，为了定量地去分析，根据实验得到的锂离子电池电化学阻抗谱的形状，由常见电路的阻抗谱串联和并联建立的阻抗谱模型结构如图3.2所示。

由于电化学阻抗谱只能测试电池阻抗信息，所以阻抗谱模型中没有电池电动势，电池电动势的模型将在以后的讨论中给出。

图1.3.2锂离了电池的阻抗谱模型

图中的电感L是由电极集流体和导线产生的，R0代表电池的体电阻，表示锂离子通过电解质、多孔隔膜、导线、活性材料颗粒等输运有关的欧姆电阻，Q1/Rct，代表阳极和阴极的电荷传递过程。

Q2代表锂离子在活性材料颗粒内部的固体扩散过程。

由上节的叙述可知电化学阻抗谱模型中存在的特殊的电路元件即常相位角元件使得阻抗谱模型难以应用到实际中。

为解决上述问题，引入高阶RC等效电路来拟合电化学阻抗谱，结果表明，高阶RC等效电路可以很好地模拟。

综合模型复杂性和实现难易等因素，选择五阶RC等效电路模型来模拟实验得到的电化学阻抗谱。

这样，图2-13给出了锂离子电池的等效电路模型。

图1.3.3等效电路模型

选取电容上的电压作为状态量，根据基尔霍夫电压定律，列写微分方程如下式所示:

（1-3-2）

最终确定的锂离子电池模型如下：

在等效电路模型中，理想电压源表示电池的开路电压，电感是由电极集流体引起的，Ro代表电池的欧姆内阻，RC等效电路用来模拟电池反应过程中的动态特性。

等效电路模型参数采用非线性最小二乘法对实验得到的阻抗谱拟合的方法获取。

3.1开路电压和SOC的关系

开路电压与SOC关系曲线可以通过间歇放电获得，对充满电的电池恒流放电，初始SOC认为是100%，每次放出额定电量的10%，直至电池容量降到标称容量的10%，每次放电间隙让电池静置1小时来使电池达到平衡状态，完全静置后得电池两端的电压认为是开路电压。

可以用多项式拟合的方法来获取开路电压与SOC的关系式。

使用Matlab的curvefitting工具箱，对上述曲线进行拟合，得到开路电压与SOC的关系如下，SOC用字母z表示。

3.2模型化简

由于电感的数值较小，一般为10的-7次方，只对电化学阻抗谱的高频区域有影响，对于电池的动态特性没有影响，并且电感的存在对于模型转变成状态空间描述造成困难。

因此在转换状态空间描述前，可以将电感忽略掉。

这样，锂离子电池的等效电路模型如图1.3.5所示。

选取第1个RC回路上的电压作为状态量，列写微分方程如:

（1-3-2）

电池SOC的状态方程如下式所示：

电池的输出电压Vb表示成：

由以上可得到锂离子电池的状态空间描述如下所示:

输出方程如下：

二SOC精确估计方案

（1）安时积分法

安时积分法的原理是基于黑箱理论提出的，将电池看做一个黑箱，不关心电池内部的电化学反应及复杂的参数，只关心黑箱与外界的能量交换，通过对进出黑箱的电流积分，计算出消耗的电量，进而可以得到剩余电量。

安时积分法的公式如式（2-1-1）所示。

（2-1-1）

：

额定容量。

I：

电池充放电电流。

：

充放电效率。

SOCo为电池初始荷电状态，通常结合开路电压法估算初始荷电状态。

该方案需要高精度的电流测量芯片测量电流减小误差。

（2）开路电压法

开路电压法（OCV）是通过电池开路电压的值来判断电池SOC的方法。

对于某些类型的电池，如铅酸电池，电池的开路电压与荷电状态之间有近似的线性关系，因此可以通过测量电池的开路电压来预测电池SOC的大小。

但是开路电压法的显著缺点是通用性不够强。

对于磷酸铁埋电池来说，它的充电曲线的中间段的斜率很小，几乎是一条水平线，而动力电池包的正常使用范围正好是在这个比较平坦的区间（SOC在30%-70%之间），所以很难用其开路电压的值来标定电池的SOC。

还有一个致命的缺点就是应用电压开路法需要电池长时间静置，以达到电压稳定，电池状态从工作恢复到完全稳定，需要几个小时甚至十几个小时，这给测量造成困难。

因此，单单使用开路电压法来估算SOC是很难达到要求的。

（3）改进的SHEPHERD方程法：

此方法在SHEPHERD方法的基础上进行了改进，避免了SHEPHERD方法中的代数环（algebraicloopproblem）问题。

模型原理参照图3-1所示。

图2-3-1非线性电池模型

图2-3-1中所示的模型是一个可控电压源串联一个内阻，模型中的各个参数可以比较容易从充放电曲线中获取，充放电曲线可以由电池制造厂家所提供，所以使用起来比较方便。

电压值由公式（2.3.1）和（2.3.2）计算得出。

（2.3.1）

（2.3.2）

其中：

E=空载电压（V）

E。

=电池恒压（V）

K=极化电压（V）

Q=电池额定容量（Ah）

=实际充放电容量（Ah）

A=指数阶段系数（V）

B=指数阶段时间常数。

=电池电压（V）

R=内阻（欧姆）

i=电流（A）

该方法有很多使用条件上的假设和限制：

Ø充放电过程中内阻不随电流而改变。

Ø模型中的各个参数是从放电过程中获取的，在充电过程中参数不变。

Ø容量不随电流大小而改变（没有Peukert的影响）。

Ø不考虑电池的温度、自放电和记忆效应。

Ø最小空载电压为0V，最大空载电压无限制。

Ø最小容量为0Ah，最大容量无限制。

即如果电池过充的话，SOC可以大于100%。

（4）神经网络法（略讲）

（5）卡尔曼滤波法

卡尔曼滤波广泛应用于在噪声环境中提取有用信号，是一种较为先进的估计算法，也是目前应用最广泛的SOC估计算法。

卡尔曼滤波法是基于系统的状态空间模型计算的，系统的模型结构如图2-5-1所示。

为了估计得到电池SOC的估计值，SOC必须作为系统的一个状态量，这是使用卡尔曼滤波法估计SOC的前提。

卡尔曼滤波采用预测和校正的思想来估计系统的状态。

首先，根据建立的模型计算出状态的预测值，然后根据预测值计算模型输出值与实际系统输出量的差值来修正预测值，进而得到较为准确的状态估计值。

采用卡尔曼滤波方法估计电池SOC的原理框图如图2-5-2所示。

卡尔曼滤波引入了修正的思想来修正干扰等不确定性因素，从而使状态值更接近于实际的真值。

根据建立的电池状态空间模型和卡尔曼滤波法的原理框图，可以得到卡尔曼滤波法SOC估计的流程图如图2-5-3所示。

图2-5-1系统状态方程

图2-5-2：

卡尔曼滤波法原理

图2-5-3卡尔曼滤波法估算SOC流程图

从理论分析角度来讲，卡尔曼滤波法SOC估计具有很高的精度，但在实际使用时，卡尔曼滤波法具有不可避免的缺陷，具体有以下几个方面:

（1）.初始时刻要求给出状态的估计值和估计误差，也就是知道SOC的

初始值，这是卡尔曼滤波法的基础，递推是在此基础上进行的。

如果初始估计值误差较大，可能出现滤波发散的情况，估计值与真实值相差越来越远。

（2）.算法中噪声的方差和统计特性要求已知，并且是白噪声。

实际工况下，很难获得噪声的统计特性，而且白噪声在实际中是不存在的，因此卡尔曼滤波法估计SOC时就会产生一定偏差，这样估计精度也会受到一定的影响。

（3）.扩展卡尔曼滤波法的收敛性没有证明，实际参数不可能满足理想条件，这样在估计时就会引入相应的误差。

在使用中，非线性系统离散化后可能出现滤波发散的情形。

（4）.卡尔曼滤波法每一次递推都需要五步计算，尤其是在计算卡尔曼增益时，需要求取矩阵的逆，即使现在微处理器的运算能力很强，矩阵求逆也是比较耗时的，而且每一步都要计算矩阵的逆，增加了微处理器的负担。

（6）状态观测器法

状态观测器最早由龙伯格提出的，其实质就是重新构造一个与原系统相同的系统，利用原来系统的可测量的量通过反馈到新的系统，使新的系统与原来系统等价，应用状态观测器方法估计SOC的结构图如图2-6-1所示。

图2-6-1状态观测器估算SOC结构图

SOC同样要作为系统的一个状态，通过构建与原系统一样的系统，利用原系统与新系统的误差反馈到新的系统，进而去估计系统的状态量。

在观测器设计阶段，需要保证闭环系统的稳定性，进而才能设计反馈增益。

因此相比于卡尔曼滤波法，状态观测器法设计阶段需要更多控制理论的知识，在计算阶段，状态观测器法比卡尔曼滤波法的计算量要少很多。