Az elektromos járművek akkumulátora az akkumulátor egészségének megőrzésének kulcsfontosságú eleme. A Battery Management System (BMS) az akkumulátor optimális állapotát az egészségi állapot (SOH) értékelésével tartja fenn. Az SOH pontos azonosítása meghatározhatja az akkumulátorcsere idejét, elkerülheti az akkumulátor meghibásodását, és meghosszabbíthatja annak élettartamát. Ennek a cikknek az a célja, hogy javítsa a BMS teljesítményét az SOH paraméterek azonosításával. A Thevenin akkumulátormodell alapján olyan kulcsparamétereket kapunk, mint az R{{0}}, Rp és Cp. Két adaptív algoritmus, a Coulomb-számlálás és a nyitott áramköri feszültség, használatos a paraméterazonosítás befejezéséhez. A két algoritmus eredményeit a hiba, az átlagos abszolút hiba (MAE), a négyzetes hiba (RMSE) és a végső SOH érték tekintetében összehasonlítjuk. A kutatás a becslési hibaadatok és a megbízható BMS teljesítményinformációk megszerzésére összpontosít. Az eredmények azt mutatják, hogy a Coulomb-számlálási módszer kisebb hibával rendelkezik az SOH becslésében, mint a nyitott áramköri feszültség módszer, 1,770%-os hibával. A végső SOH érték 17,33%, a Thevenin akkumulátormodell modellezési hibája pedig 0,0451%.
1. Bevezetés
Elektromos jármű akkumulátora és akkumulátorkezelő rendszere (BMS):Az elektromos járművekben az akkumulátor az elsődleges energiaforrás, amely energiát ad a motornak és más rendszereknek. A hagyományos autókkal ellentétben az elektromos járművek akkumulátorai viszonylag kis kapacitással és feszültséggel rendelkeznek, és általában akkumulátormodulokba vannak csomagolva. Az akkumulátorrendszer több akkumulátorból áll, amelyeket a BMS kezel. Funkciói közé tartozik az akkumulátor működési rendszerének optimalizálása, két fő paraméterrel: töltöttségi állapot (SOC) és egészségi állapot (SOH). Az SOC a fennmaradó kapacitás és a teljes kapacitás aránya, míg az SOH a jelenlegi teljesítmény és az új akkumulátor teljesítményének összehasonlító értéke, amely közvetlenül nem mérhető, és meg kell becsülni.
Kutatási háttér és kapcsolódó módszerek:Az egészségi állapot (SOH) számszerűsítheti az akkumulátor teljesítményét és élettartamát. Az akkumulátor használata során minőségromlás, a belső ellenállás és a kapacitás paraméterei megváltozhatnak. Az SOH paraméterek azonosítása segít meghatározni az akkumulátor tényleges állapotát, javasolni a csereidőket, és meghosszabbítja az akkumulátor élettartamát. Jelenleg több módszer létezik az egészségi állapot (SOH) vagy a töltöttségi állapot (SOC) becslésére, de kevés olyan módszer létezik, amely egyszerre azonosítja mindkettőt, és megfelelő paramétereket állít elő a BMS számítási terheinek csökkentése érdekében. Az akkumulátorparaméterek figyelésére szolgáló algoritmusnak alkalmazkodnia kell a paraméterváltozásokhoz és meg kell becsülnie az akkumulátor állapotát. A módszerek három kategóriába sorolhatók, beleértve a spektrális impedancia módszert, az áramköri modell egyenlet módszerét és az elektrokémiai impedancia modell módszerét.
A kapcsolódó munkák áttekintése:A korábbi kutatások során több módszert is használtak az akkumulátor paramétereinek azonosítására. A coulombos számlálás (CC) és a nyitott áramköri feszültség (OCV) módszereket széles körben használják az elektromos járművek BMS-ében, mindegyiknek megvannak a maga előnyei és hátrányai. A CC módszer az SOH-t úgy becsüli meg, hogy figyeli az akkumulátor be- és kimeneti kapacitását, figyelembe véve a töltési ciklus alatti teljesítményveszteséget, és a feszültség-visszaállítás révén is releváns információkat szolgáltathat; Az OCV módszer kiegyensúlyozott feszültségnek tekinthető, miután az akkumulátor teljesen pihent, és az egészségi állapot (SOH) becslése a BMS akkumulátor paramétereinek figyelembevételével történik.
A tanulmány célja a pontos SOH-paraméterek meghatározása az akkumulátor élettartamának meghosszabbítása érdekében. Az SOH paraméterek értékelésére és azonosítására akkumulátormodell-alapú módszert alkalmaznak. A Thevenin akkumulátormodell az R0, Rp és Cp paraméterek azonosítására szolgál adaptív algoritmuson (Recursive Least Squares, RLS) keresztül. Az értékelési eredmények alapján pontos SOH-becsléseket kapunk a számítási terhelés csökkentése érdekében.
Kutatási hozzájárulás:Az akkumulátorparaméterek tesztelésének eredményei ésszerű becsléseket és kis hibaarányt adnak a BMS-rendszer teljesítményének értékeléséhez. A Coulomb-számlálási módszer kényelmes az akkumulátor kapacitásának kiszámításához, és az akkumulátor maximális teljesítménye a töltési és kisütési ciklusok növekedésével csökken. A Thevenin akkumulátormodell relatív hibája kevesebb, mint 2%. Az SOH becslési pontosság szempontjából a CC módszer felülmúlja az RLS-t, és a CC módszerrel az akkumulátor kapocsfeszültségét és az SOC-t, míg az OCV módszerrel csak az akkumulátor paramétereit lehet becsülni.
2. Akkumulátor menedzsment rendszer
Akkumulátor alkatrészek (a BMS funkciói és összetétele):A BMS szabályozza a több száz vagy több ezer akkumulátorból álló akkumulátorrendszert az elektromos járművekben, és olyan fontos funkciókkal rendelkezik, mint a monitorozás, a paraméterek becslése, a védelem, a jelentéskészítés és az akkumulátorok kiegyensúlyozása. Fő funkciói közé tartozik az akkumulátor védelme a sérülésektől, az akkumulátor megfelelő feszültség- és hőmérséklet-tartományon belüli működtetése, valamint az akkumulátor olyan paramétereken való működésének fenntartása, amelyek megfelelnek a rendszerkövetelményeknek, például SOC, SOH és SOF. A BMS érzékelőkből, aktuátorokból és vezérlőkből áll, bemenetekkel, beleértve az érzékelőjeleket, például áramot, feszültséget, hőmérsékletet és pedálokat, valamint a kimeneteket, beleértve a hőkezelést, egyensúlyt, biztonságkezelést, töltésjelzést, hibariasztást és kommunikációt. A BMS szoftver több funkcionális modult tartalmaz, mint például az akkumulátor paramétereinek észlelése, becslése és hibadiagnosztika. Az akkumulátorfeszültség mérése, a paraméterbecslés, a kiegyensúlyozás és a hibadiagnosztika a BMS fő kérdései, amelyek között az akkumulátor feszültségmérés olyan nehézségekkel szembesül, mint az akkumulátor soros csatlakoztatása okozta feszültségkülönbségek és a nagy pontosságú követelmények.
Akkumulátor modellezés:Ez a cikk meghatározza az egészségi állapot (SOH) paramétereit akkumulátormodellezéssel, és a bemeneti akkumulátorfeszültség, áram és hőmérséklet paramétereit SOH-ra konvertálja a pontos becslések érdekében. A Thevenin akkumulátormodell segítségével az akkumulátor polarizációs folyamatának feszültségtranziens reakcióját az akkumulátor belső ellenállásának és kapacitásának paramétereinek kiválasztásával írjuk le. Az akkumulátormodell matematikai egyenletei és a kapcsolódó paraméterek (Voc, R0, Rp és Cp) számítási módszerei megtalálhatók, amelyeket az RLS algoritmuson keresztül kapunk, és alkalmazunk a Thevenin akkumulátormodellre.
3. Határozza meg az egészségi állapot paramétereit
Az egészségi állapot paramétereinek azonosításának fontossága és módszerei:A pontos SOH paraméterek kulcsfontosságúak a BMS teljesítménye szempontjából. Ez a tanulmány a Coulomb-számlálást alkalmazza adaptív algoritmusként, hogy azonosítsa ezeket a paramétereket az SOH inicializálási értékek megszerzéséhez és a BMS teljesítményének értékeléséhez. A Thevenin akkumulátormodell az akkumulátormodell paramétereinek és az OCV-SOC funkciónak a meghatározására szolgál. A konkrét folyamat magában foglalja az áram bevitelét az akkumulátormodellbe, a kapocsfeszültség-adatok elemzését, az időtartományból az SOC tartományba való átalakítást, valamint az OCV-SOC funkció eléréséhez görbeillesztést. A paraméterazonosítási folyamatot addig ismételjük, amíg az SOH becslés ésszerű nem lesz, és a hibaarány kicsi.
OCV-SOC funkció:A Thevenin akkumulátormodell alapján az OCV (SOC) egy forrásfeszültség-paraméter, amelyet az akkumulátor csatlakoztatott terhelés nélküli feszültségének és az akkumulátorcsomag csatlakoztatása előtti feszültség tesztelésével kapunk. Az SOC OCV görbét állandó terhelésű tesztadatok felhasználásával becsüljük meg, és egy tizenkettedrendű polinomot alkalmazunk. A tizedrendű polinom rendelkezik a legnagyobb pontossággal a Voc becslésében, és a legkisebb négyzetes középhibával (RMSE), ami jelentős hatással van az SOC és OCV függvények pontosságára.
R0, Rp és Cp paraméterek:A Thevenin akkumulátormodell OCV-t igényel SOC-nál forrásfeszültségként, amelyet impulzusteszttel kapunk. Az R{{0}} egy belső ellenállás, amelynek értéke nagyobb, mint más ellenállások. A mintavételi időszak kérdése miatt nehéz megragadni a kis adatváltozásokat. Az R0 és az SOC közötti kapcsolatot másodrendű polinomiális görbeillesztéssel kaptuk meg, átlagos R0 értékkel 0.027735 Ω. Az R0, Rp és Cp bemeneti adatokat szolgáltat a feszültség- és áramimpulzus-teszthez, és megkapja a kimeneti paraméterértékeket.
Kísérleti eredmény
Az akkumulátor által felügyelt egészségi állapot (SOH) paraméterek elemzésével elérhető a BMS teljesítménye, és olyan fizikai paraméterek is elérhetők, mint az akkumulátor kapocsfeszültsége és bemeneti/kimeneti árama. Az akkumulátor modellezése alapján a paraméteradatokat azonosítják és felhasználják az akkumulátor állapotfigyelő és védelmi rendszereihez. Az SOH becslési módszer magában foglalja az akkumulátor ellenállásának és kapacitásának változását Ohm törvénye és Coulomb számlálási módszerével, és az OCV érték behelyettesítését az OCV-SOC összefüggés egyenletébe, hogy megkapjuk az SOC és SOH értékeket.
A statikus kisülési teszt elvégzése azt mutatta, hogy a CC algoritmus az SOH változást az áramérték idővel való szorzásával, míg az OCV algoritmus az SOH értéket az akkumulátormodell kapocsfeszültségének vagy OCV értékének felhasználásával kapta. A két algoritmus SOH változási görbéi hasonlóak voltak. A teszt során az akkumulátor paraméterek azonosítására is sor került, és az akkumulátor relaxációs karakterisztikája használható a paraméterek azonosítására. Minél gyorsabb a tesztciklus, annál pontosabb az SOH becslés. A CC algoritmus felülmúlja az OCV algoritmust az SOH inicializálásban, amely jobban megérti az akkumulátor belső ellenállását, és egyidejűleg megbecsüli az akkumulátor kapocsfeszültségét Vt, SOC és SOH, 2%-nál kisebb becslési hibával.
Az SOH paraméterek azonosításának hibaadataiból a CC algoritmus átlagos négyzetes hibája (MSE) {{0}}.0111, a végső SOH érték 17,33%, a hibaszázalék 1,770%, a gyök pedig átlagos négyzetes hiba (RMSE) 0,0132
Kutatási eredmény megbeszélése:A belső akkumulátor ellenállás hatása a CC és OCV algoritmusokra hasonló, és a CC algoritmus kisebb hibákkal jobban megérti a belső ellenállást. A CC algoritmus sikeresen meg tudja becsülni az akkumulátor Vt, SOC és SOH kapocsfeszültségét egyidejűleg, 2%-nál kisebb becslési hibával. A kisülési tesztben a CC algoritmus pontosabb, mint az OCV algoritmus az SOH inicializálásban, a becsült átlagos négyzetes hiba (MSE) 1,770% a CC algoritmusnál és 3,256% az OCV algoritmusnál. Ezek az eredmények referenciaként szolgálnak a paraméterek azonosításához a BMS kiértékelésében.
4. Összegzés
A BMS SOH-paraméter-azonosításon alapuló teljesítményértékelési eredményei azt mutatják, hogy a Coulomb-számláló algoritmus jobb becslési eredményekkel rendelkezik, 1,770%-os SOH-becslési hibával és 17,33%-os végső SOH-értékkel. A Thevenin akkumulátormodell akkumulátorok modellezési hibája 0,0451%. A két módszerrel (Coulomb-számlálás és nyitott áramköri feszültség) végzett SOH-becslés pontosságát tekintve a Coulomb-számlálás pontosabb. Ezenkívül az akkumulátor modellezésén alapuló adaptív algoritmusok meg tudják becsülni az akkumulátor kapocsfeszültségét és SOH-ját.