Die Batterie in Elektrofahrzeugen ist ein zentraler Schwerpunkt bei der Erhaltung des Batteriezustands. Das Batteriemanagementsystem (BMS) hält den optimalen Zustand der Batterie aufrecht, indem es ihren Gesundheitszustand (State of Health, SOH) bewertet. Durch die genaue Identifizierung des SOH kann der Batteriewechselzeitpunkt bestimmt, ein Batterieausfall vermieden und die Lebensdauer verlängert werden. Ziel dieses Artikels ist es, die Leistung von BMS durch die Identifizierung von SOH-Parametern zu verbessern. Basierend auf dem Thevenin-Batteriemodell werden Schlüsselparameter wie R{{0}}, Rp und Cp ermittelt. Zwei adaptive Algorithmen, Coulomb-Zählung und Leerlaufspannung, werden zur vollständigen Parameteridentifizierung verwendet. Die Ergebnisse der beiden Algorithmen in Bezug auf Fehler, mittlerer absoluter Fehler (MAE), mittlerer quadratischer Fehler (RMSE) und endgültiger SOH-Wert werden verglichen. Die Forschung konzentriert sich auf die Gewinnung von Schätzfehlerdaten und zuverlässigen BMS-Leistungsinformationen. Die Ergebnisse zeigen, dass die Coulomb-Zählmethode mit einem Fehler von 1,770 % einen geringeren Fehler bei der SOH-Schätzung aufweist als die Leerlaufspannungsmethode. Der endgültige SOH-Wert beträgt 17,33 %, und das Thevenin-Batteriemodell weist einen Modellierungsfehler von 0,0451 % für die Batterie auf.
1. Einführung
Batterie und Batteriemanagementsystem (BMS) für Elektrofahrzeuge:In Elektrofahrzeugen ist die Batterie die primäre Energiequelle, die den Motor und andere Systeme mit Strom versorgt. Im Gegensatz zu herkömmlichen Autos haben Batterien für Elektrofahrzeuge eine relativ geringe Kapazität und Spannung und sind normalerweise in Batteriemodulen verpackt. Das Batteriesystem besteht aus mehreren Batterien, die von BMS verwaltet werden. Zu seinen Funktionen gehört die Optimierung des Batteriebetriebssystems unter Einbeziehung zweier Schlüsselparameter: Ladezustand (SOC) und Gesundheitszustand (SOH). SOC ist das Verhältnis der verbleibenden Kapazität zur Gesamtkapazität, während SOH der Vergleichswert zwischen aktueller Leistung und neuer Batterieleistung ist, der nicht direkt gemessen werden kann und geschätzt werden muss.
Forschungshintergrund und verwandte Methoden:Der State of Health (SOH) kann die Batterieleistung und -lebensdauer quantifizieren. Während des Batteriegebrauchs kann es zu Qualitätsminderungen, Änderungen des Innenwiderstands und der Kapazitätsparameter kommen. Die Identifizierung von SOH-Parametern hilft dabei, den tatsächlichen Zustand der Batterie zu bestimmen, Austauschzeiten zu empfehlen und die Batterielebensdauer zu verlängern. Derzeit gibt es mehrere Methoden zur Schätzung des Gesundheitszustands (SOH) oder des Ladezustands (SOC), aber es gibt nur wenige Methoden, die beide gleichzeitig identifizieren und geeignete Parameter generieren, um den Rechenaufwand für BMS zu reduzieren. Der Algorithmus zur Überwachung der Batterieparameter muss sich an Parameteränderungen anpassen und den Batteriezustand abschätzen. Die Methoden können in drei Kategorien unterteilt werden, darunter die Spektralimpedanzmethode, die Schaltungsmodellgleichungsmethode und die Methode des elektrochemischen Impedanzmodells.
Rezension verwandter Arbeiten:In früheren Forschungen wurden häufig mehrere Methoden zur Identifizierung von Batterieparametern verwendet. Die Methoden der Coulomb-Zählung (CC) und der Leerlaufspannung (OCV) sind im BMS von Elektrofahrzeugen weit verbreitet und haben jeweils ihre eigenen Vor- und Nachteile. Die CC-Methode schätzt den SOH durch Überwachung der Ein- und Ausgangskapazität der Batterie unter Berücksichtigung des Leistungsverlusts während des Ladezyklus und kann auch durch Spannungswiederherstellung relevante Informationen liefern; Die OCV-Methode kann als ausgeglichene Spannung betrachtet werden, nachdem die Batterie vollständig ausgeruht ist, und der Gesundheitszustand (State of Health, SOH) wird unter Berücksichtigung der Parameterbedingungen der BMS-Batterie geschätzt.
Der Schwerpunkt dieser Studie liegt auf der Ermittlung genauer SOH-Parameter zur Verlängerung der Batterielebensdauer. Zur Bewertung und Identifizierung von SOH-Parametern wird eine batteriemodellbasierte Methode eingesetzt. Das Thevenin-Batteriemodell wird verwendet, um R0-, Rp- und Cp-Parameter durch einen adaptiven Algorithmus (Recursive Least Squares, RLS) zu identifizieren. Basierend auf den Bewertungsergebnissen werden genaue SOH-Schätzungen erhalten, um den Rechenaufwand zu reduzieren.
Forschungsbeitrag:Die Ergebnisse der Batterieparameterprüfung liefern vernünftige Schätzungen und geringe Fehlerraten für die Bewertung der BMS-Systemleistung. Die Coulomb-Zählmethode eignet sich zur Berechnung der Batteriekapazität. Die maximale Leistung der Batterie nimmt mit zunehmenden Lade- und Entladezyklen ab. Der relative Fehler des Thevenin-Batteriemodells beträgt weniger als 2 %. In Bezug auf die Genauigkeit der SOH-Schätzung ist die CC-Methode der RLS überlegen, und die CC-Methode kann die Klemmenspannung und den Ladezustand der Batterie schätzen, während die OCV-Methode nur Batterieparameter schätzen kann.
2. Batteriemanagementsystem
Batteriekomponenten (Funktionen und Zusammensetzung des BMS):BMS regelt das aus Hunderten oder Tausenden von Batterien bestehende Batteriesystem in Elektrofahrzeugen und verfügt über wichtige Funktionen wie Überwachung, Parameterschätzung, Schutz, Bereitstellung von Berichten und Ausgleich von Batterien. Zu seinen Hauptfunktionen gehören der Schutz der Batterie vor Schäden, der Betrieb der Batterie innerhalb angemessener Spannungs- und Temperaturbereiche und die Aufrechterhaltung eines Betriebs der Batterie bei Parametern, die den Systemanforderungen wie SOC, SOH und SOF entsprechen. BMS besteht aus Sensoren, Aktoren und Controllern, mit Eingängen, die Sensorsignale wie Strom, Spannung, Temperatur und Pedale umfassen, und Ausgängen, die Module für Wärmemanagement, Balance, Sicherheitsmanagement, Ladeanzeige, Fehleralarm und Kommunikation umfassen. Die BMS-Software umfasst mehrere Funktionsmodule wie Batterieparametererkennung, -schätzung und Fehlerdiagnose. Batteriespannungsmessung, Parameterschätzung, Ausgleich und Fehlerdiagnose sind die Hauptthemen von BMS, wobei die Batteriespannungsmessung mit Schwierigkeiten wie Spannungsunterschieden durch Batteriereihenschaltung und hohen Präzisionsanforderungen konfrontiert ist.
Batteriemodellierung:In diesem Artikel werden die State-of-Health-Parameter (SOH) durch Batteriemodellierung bestimmt und die Eingangsparameter für Spannung, Strom und Temperatur der Batterie in SOH umgewandelt, um genaue Schätzungen zu erhalten. Mithilfe des Thevenin-Batteriemodells wird die Spannungstransientenreaktion des Batteriepolarisationsprozesses durch Auswahl der Innenwiderstands- und Kapazitätsparameter der Batterie beschrieben. Es werden die mathematischen Gleichungen des Batteriemodells und die Berechnungsmethoden für zugehörige Parameter (Voc, R0, Rp und Cp) bereitgestellt, die über den RLS-Algorithmus ermittelt und auf das Thevenin-Batteriemodell angewendet werden.
3. Bestimmen Sie die Gesundheitszustandsparameter
Die Bedeutung und Methoden zur Identifizierung von Gesundheitszustandsparametern:Genaue SOH-Parameter sind für die BMS-Leistung von entscheidender Bedeutung. Diese Studie verwendet die Coulomb-Zählung als adaptiven Algorithmus, um diese Parameter zu identifizieren, um SOH-Initialisierungswerte zu erhalten und die BMS-Leistung zu bewerten. Das Thevenin-Batteriemodell wird zur Bestimmung der Batteriemodellparameter und der OCV-SOC-Funktion verwendet. Der spezifische Prozess umfasst die Eingabe von Strom in das Batteriemodell, die Analyse der Klemmenspannungsdaten, die Konvertierung vom Zeitbereich in den SOC-Bereich und die Kurvenanpassung, um die OCV-SOC-Funktion zu erhalten. Der Parameteridentifizierungsprozess wird wiederholt, bis die SOH-Schätzung angemessen und die Fehlerrate gering ist.
OCV-SOC-Funktion:Basierend auf dem Thevenin-Batteriemodell ist OCV (SOC) ein Quellenspannungsparameter, der durch Testen der Spannung der Batterie ohne angeschlossene Last und der Spannung vor dem Anschließen des Batteriepakets ermittelt wird. Die SOC-OCV-Kurve wird anhand von Testdaten bei konstanter Belastung geschätzt und mit einem Polynom zwölfter Ordnung angepasst. Das Polynom zehnter Ordnung hat die höchste Genauigkeit bei der Schätzung von Voc und den kleinsten quadratischen Mittelfehler (RMSE), was einen erheblichen Einfluss auf die Genauigkeit der SOC- und OCV-Funktionen hat.
R0-, Rp- und Cp-Parameter:Das Thevenin-Batteriemodell erfordert OCV bei SOC als Quellenspannung, die durch Impulstests ermittelt wird. R{{0}} ist ein Innenwiderstand mit einem Wert, der größer ist als der anderer Widerstände. Aufgrund des Problems des Abtastzeitraums ist es schwierig, kleine Datenänderungen zu erfassen. Die Beziehung zwischen R0 und SOC wurde durch Polynomkurvenanpassung zweiter Ordnung mit einem durchschnittlichen R0-Wert von 0.027735 Ω ermittelt. R0, Rp und Cp liefern Eingangsdaten für Spannungs- und Stromimpulstests und erhalten Ausgangsparameterwerte.
Experimentelles Ergebnis
Durch die Analyse der von der Batterie überwachten State of Health (SOH)-Parameter wird die BMS-Leistung erreicht und physikalische Parameterdaten wie Klemmenspannung und Eingangs-/Ausgangsstrom der Batterie erhalten. Basierend auf der Batteriemodellierung werden Parameterdaten identifiziert und für Batteriestatusüberwachungs- und Schutzsysteme verwendet. Die SOH-Schätzmethode umfasst die Messung der Änderungen des Batteriewiderstands und der Batteriekapazität unter Verwendung des Ohmschen Gesetzes und der Coulomb-Zählmethode sowie das Einsetzen des OCV-Werts in die OCV-SOC-Beziehungsgleichung, um die SOC- und SOH-Werte zu erhalten.
Der statische Entladungstest wurde durchgeführt und die Ergebnisse zeigten, dass der CC-Algorithmus die SOH-Änderung durch Multiplikation des Stromwerts mit der Zeit ermittelte, während der OCV-Algorithmus den SOH-Wert durch Verwendung der Klemmenspannung oder des OCV-Werts des Batteriemodells ermittelte. Die SOH-Änderungskurven der beiden Algorithmen waren ähnlich. Der Test lieferte auch Ergebnisse zur Identifizierung von Batterieparametern, und die Entspannungseigenschaften der Batterie können zur Parameteridentifizierung verwendet werden. Je schneller der Testzyklus, desto genauer ist die SOH-Schätzung. Der CC-Algorithmus ist dem OCV-Algorithmus bei der SOH-Initialisierung überlegen, da er den Innenwiderstand der Batterie besser verstehen und gleichzeitig die Klemmenspannung Vt, SOC und SOH der Batterie mit einem Schätzfehler von weniger als 2 % schätzen kann.
Aus den Fehlerdaten zur Identifizierung von SOH-Parametern beträgt der mittlere quadratische Fehler (MSE) des CC-Algorithmus {{0}}.0111, der endgültige SOH-Wert beträgt 17,33 %, der Fehlerprozentsatz beträgt 1,770 % und die Wurzel Der mittlere quadratische Fehler (RMSE) beträgt 0,0132
Diskussion der Forschungsergebnisse:Der Einfluss des internen Batteriewiderstands auf CC- und OCV-Algorithmen ist ähnlich, und der CC-Algorithmus kann den internen Widerstand mit kleineren Fehlern besser verstehen. Der CC-Algorithmus kann die Klemmenspannung Vt, SOC und SOH der Batterie gleichzeitig erfolgreich schätzen, mit einem Schätzfehler von weniger als 2 %. Im Entladungstest ist der CC-Algorithmus bei der SOH-Initialisierung genauer als der OCV-Algorithmus, mit einem geschätzten mittleren quadratischen Fehler (MSE) von 1,770 % für den CC-Algorithmus und 3,256 % für den OCV-Algorithmus. Diese Ergebnisse dienen als Referenz für die Parameteridentifizierung bei der BMS-Bewertung.
4. Zusammenfassung
Die Ergebnisse der Leistungsbewertung von BMS basierend auf der Identifizierung von SOH-Parametern zeigen, dass der Coulomb-Zählalgorithmus bessere Schätzergebnisse liefert, mit einem SOH-Schätzfehler von 1,770 % und einem endgültigen SOH-Wert von 17,33 %. Der Modellierungsfehler des Thevenin-Batteriemodells für Batterien beträgt 0,0451 %. Im Hinblick auf die Genauigkeit der SOH-Schätzung mit zwei Methoden (Coulomb-Zählung und Leerlaufspannung) weist die Coulomb-Zählung eine höhere Genauigkeit auf. Darüber hinaus können adaptive Algorithmen auf Basis der Batteriemodellierung die Klemmenspannung und den SOH der Batterie schätzen.