鋰電池作為一種清潔能源,以其體積小、能量密度高、壽命長等優(yōu)點(diǎn),被廣泛應(yīng)用于生活用電子產(chǎn)品、電動(dòng)汽車、通信基站,甚至航天、軍事等多個(gè)領(lǐng)域。電池管理系統(tǒng)(Battery Management System, BMS)可以對電池狀態(tài)進(jìn)行評(píng)估,給出風(fēng)險(xiǎn)預(yù)警,保證電池長期安全穩(wěn)定運(yùn)行。其中,準(zhǔn)確的電池狀態(tài)估計(jì)是BMS運(yùn)維的關(guān)鍵。
電池健康狀態(tài)(State of Health, SOH)是表征電池老化程度與健康狀況的關(guān)鍵指標(biāo),其通常定義為當(dāng)前可用最大容量與出廠額定容量之間的比值。隨著電池老化程度的加深,SOH逐漸降低,在SOH下降到80%時(shí),電池衰減至壽命終止。
國內(nèi)外對電池SOH預(yù)測進(jìn)行了廣泛的研究,主要包括直接測量法、基于模型的方法與基于數(shù)據(jù)驅(qū)動(dòng)的方法。直接測量法是一種離線方法,通過對電池容量、內(nèi)阻、電化學(xué)阻抗譜等與電池老化直接相關(guān)的參數(shù)進(jìn)行測量,采用簡單的函數(shù)映射得到SOH。
如有學(xué)者采用了庫倫計(jì)數(shù)法求得電池最大可釋放容量來評(píng)估SOH;有學(xué)者指出商用18650電池在316Hz下的阻抗響應(yīng)可以反映出其SOH;有學(xué)者采用電化學(xué)阻抗譜技術(shù)對鋰聚合物鋰電池的老化特性進(jìn)行研究。該類方法原理簡單,對不同電池都有著很強(qiáng)的適應(yīng)性,但是對傳感器等測量設(shè)備要求較高,脫離實(shí)驗(yàn)室環(huán)境后難以應(yīng)用到實(shí)際當(dāng)中。
目前,關(guān)于SOH研究的主流方向還是基于模型的方法與基于數(shù)據(jù)驅(qū)動(dòng)的方法。常用的模型種類有等效電路模型、電化學(xué)模型以及經(jīng)驗(yàn)衰退模型。等效電路模型是由常見的電路元件對電池內(nèi)部的工作狀態(tài)進(jìn)行模擬所得。該方法通過對元件參數(shù)進(jìn)行辨識(shí),利用辨識(shí)結(jié)果進(jìn)行SOH預(yù)測。
如有學(xué)者建立二階RC等效電路模型,通過使用自適應(yīng)無跡卡爾曼濾波算法對電池歐姆內(nèi)阻進(jìn)行實(shí)時(shí)估算,并根據(jù)歐姆內(nèi)阻與電池SOH的映射關(guān)系來預(yù)測SOH。這類模型具有結(jié)構(gòu)簡單、計(jì)算量小等優(yōu)點(diǎn),但是其適應(yīng)性較差,存在模型參數(shù)準(zhǔn)確辨識(shí)困難的問題。
電化學(xué)模型從電池內(nèi)部工作機(jī)理出發(fā),利用偏微分方程組來刻畫電池的容量衰退機(jī)理,如基于多孔電極理論搭建的準(zhǔn)二維多孔電極模型(Pseudo Two- Dimensional model, P2D model)。該類模型過于復(fù)雜,難以應(yīng)用于在線估計(jì)。經(jīng)驗(yàn)?zāi)P涂梢詫﹄姵赝暾难h(huán)周期進(jìn)行建模,擬合電池健康狀態(tài)的衰退趨勢。
如有學(xué)者從阿倫尼烏斯定律出發(fā),推導(dǎo)出含有溫度參數(shù)的關(guān)于循環(huán)次數(shù)的冪律電池老化模型。雖然該經(jīng)驗(yàn)?zāi)P涂紤]了溫度對電池衰退速率的影響,但是仍存在由電池個(gè)體差異造成的預(yù)測初期模型參數(shù)難以準(zhǔn)確確定的問題。這類方法雖然計(jì)算簡單,但是適應(yīng)性差、準(zhǔn)確度受限。
目前,常常將經(jīng)驗(yàn)?zāi)P团c其他方法組合建模。有學(xué)者通過粒子濾波算法將雙指數(shù)模型與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合,較好地?cái)M合了電池衰退曲線。但是,由于神經(jīng)網(wǎng)絡(luò)的引入反而增加了模型的復(fù)雜度,并沒有體現(xiàn)出經(jīng)驗(yàn)?zāi)P秃唵我子玫膬?yōu)勢?;跀?shù)據(jù)驅(qū)動(dòng)的方法不需要研究電池內(nèi)部老化機(jī)理,而是通過機(jī)器學(xué)習(xí)算法,如向量機(jī)、高斯過程回歸、神經(jīng)網(wǎng)絡(luò)等建立外部健康特征(Health Feature, HF)與電池SOH之間的非線性映射關(guān)系。
有學(xué)者從電池充電曲線中提取了8個(gè)有效健康特征后通過主成分分析得到間接健康特征,并利用相關(guān)向量機(jī)建立SOH的預(yù)測模型;有學(xué)者從電池恒流充電階段溫度差分曲線提取健康特征,使用支持向量機(jī)進(jìn)行容量衰退預(yù)測;有學(xué)者使用深度學(xué)習(xí)的方法,以電壓、電流、溫度的采樣序列為輸入,訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測SOH。這類方法簡單易實(shí)現(xiàn),且在訓(xùn)練集可靠的前提下可以獲得較高的預(yù)測精度,但是存在健康特征選取困難與對設(shè)備算力要求苛刻的問題。特別是在多電池同時(shí)監(jiān)測的情景中,監(jiān)測設(shè)備面臨的計(jì)算壓力會(huì)進(jìn)一步體現(xiàn)。
為了減輕電池監(jiān)測設(shè)備的負(fù)擔(dān),同時(shí)保證SOH在線預(yù)測具有較高的精度,天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院的研究人員提出一種利用觀測器將高斯過程回歸與指數(shù)經(jīng)驗(yàn)?zāi)P徒M合的在線SOH預(yù)測方法。
圖1 SOH預(yù)測方法流程
該方法分為離線與在線兩個(gè)階段。在離線階段,通過電池容量增量分析,提取與SOH相關(guān)性較高的兩個(gè)電壓升片段下所耗的時(shí)間dV-dt1與dV-dt2作為外部健康特征,并使用高斯過程回歸的方法對電池SOH的衰退進(jìn)行建模。將在線階段分為兩部分,在“磨合期”通過GPR模型對電池前部分周期的SOH進(jìn)行預(yù)測,利用預(yù)測所得數(shù)據(jù)擬合指數(shù)模型,得到指數(shù)模型參數(shù)的初值;在“工作期”使用指數(shù)模型進(jìn)行SOH預(yù)測,并利用觀測器每隔固定循環(huán)次數(shù)對指數(shù)模型的參數(shù)進(jìn)行修正。
研究人員通過對牛津大學(xué)電池老化數(shù)據(jù)集(Oxford Battery Degradation Dataset, OBDD)的多個(gè)電池進(jìn)行實(shí)驗(yàn),結(jié)果表明所提方法較好地結(jié)合了經(jīng)驗(yàn)?zāi)P团c數(shù)據(jù)驅(qū)動(dòng)模型的優(yōu)點(diǎn),可以在減輕監(jiān)測設(shè)備負(fù)擔(dān)的前提下,將預(yù)測結(jié)果保持在較高的精度,比較適合電池組中多電池健康狀態(tài)同時(shí)監(jiān)測的應(yīng)用場景。
本文編自2021年第24期《電工技術(shù)學(xué)報(bào)》,論文標(biāo)題為“一種基于數(shù)據(jù)驅(qū)動(dòng)與經(jīng)驗(yàn)?zāi)P徒M合的鋰電池在線健康狀態(tài)預(yù)測方法”,作者為王萍、弓清瑞 等。
原標(biāo)題: 天津大學(xué)科研團(tuán)隊(duì)提出鋰電池在線健康狀態(tài)預(yù)測的新方法