動力電池SOC估計研究方法及梯次利用方法的發展現狀

仇順榮,李成冬,田 旭

(鹽城工學院汽車工程學院,江蘇 鹽城 224051)

近些年,大量的動力電池被研發出來并得到了廣泛使用,而新能源汽車銷量不斷提高,進一步增加了動力電池的使用量。在已投入使用的新能源動力電池中,鋰離子電池具有良好的性能及較高的能量密度,已成為新能源汽車的動力源。在電池監測過程中,動力電池管理發揮著舉足輕重的作用,而 SOC在此系統中扮演著極其重要的角色。提高SOC估計的準確性可增加電池的使用時間,將能量利用率最大化。SOC估計方法主要包括安時積分法、空載電壓法、安時積分與空載電壓相結合的方法、基于模型估計的方法、虛擬數據驅動方法等。近年來,隨著動力電池的不斷發展,動力電池也將進入大規模退役階段,其中新能源汽車的動力電池最大容量在達到標準容量的80%時退役,而退役電池可用于其他儲能場景,因此對退役電池進行合理篩選及梯次利用可有效節省資源。本研究針對目前較為主流的SOC估計方法及梯次利用方法進行了綜述。

1 鋰離子電池模型

目前,常用的鋰離子電池模型主要有3種,即電化學模型、等效電路模型及數據驅動模型。

1.1 電化學模型

該模型是以電池的化學反應變化為基礎而建立的表征電池特性的化學方程,但電化學模型結構復雜,需要確定較多的參數,實際預測精度較低,因此不適用于電池SOC估算方法的研發。

1.2 等效電路模型

該模型計算難度較小,更容易實現參數辨識,具有實時性,因此被廣泛應用于電池管理系統中。王順利等[1]通過對PNGV等效電路模型進行處理,對鋰電池工作特性進行模擬,得到動力電池在不同工作條件下的狀態,精確獲取了電池工作特性規律。黃凱等[2]使用線性粒子群優化算法進行參數識別,提出一種可減小由于遲滯效應所帶來的誤差改進方法,并驗證了該方法的可行性。賈玉健[3]提出了一種新型等效電路模型,經過改進后該模型具有良好的模擬效果,可綜合研究電池容量、暫態響應、運行時間等多種性能。徐佳寧等[4]對多種模型在各種循環工況下進行試驗,并對其結果進行分析對比,結果顯示,DP模型在各個方面都優于其他模型。Ad[5]則改進了DP模型,電池的開路電壓由受控電壓源表示,該方法可較為明確地體現動力電池OCV值與SOC之間的關系,使模型更加精準。

1.3 數據驅動模型

數據驅動模型近年來發展迅速,目前較為主流的包括ANN、ANFIS、SVN和DNN。BY[6]提出了一種新的ANN模型,該模型考慮了溫度的影響,將電池的非線性關系表示出來。Cheng[7]建立了一個改進的前饋神經網絡預測模型,在不同條件下進行試驗,均可得到較好的準確性及魯棒性。雖然數據驅動模型需要大量數據集作為基礎,且容易受各種因素的影響,但經過充分訓練后依舊可以得到較高的精確度。

2 基于模型的SOC估計方法

該方法需要進行參數識別獲得必要的參數,再進行建模并驗證模型的準確性,結合模型及SOC估計方法進行驗證。

2.1 參數辨識算法

參數辨識算法有兩種,即離線和在線辨識,離線參數辨識方法在電池進行SOC估計時不需要對參數進行計算,較為簡單。在線參數辨識方法可實時對模型參數進行估計,模型精度得到了提高。王建鋒等[8]采用加權自適應遞推最小二乘法進行參數識別,實驗結果得出該方法的精度較高。SHI等[9]對遞推最小二乘法進行改進,在最小二乘法的基礎上加入了遺忘因子進行參數辨識。該方法可以自動調節遺忘因子,但是計算變得更加復雜。朱瑞等[10]針對在參數辨識過程中各參數會相互影響這一問題,在使用最小二乘法進行參數辨識的同時加入了分布式遞推算法,規避了這種現象。Wang等[11]在使用EKF算法進行參數辨識和SOC估計時,采取雙濾波的形式進行識別,極大程度減少了計算量。黃凱等[12]提出了一種FPSO算法,該算法可自動調整粒子的位置并更新信息。實驗結果表明,該算法可提高模型精度。劉芳等[13]提出了一種新型算法,該算法將GA參數識別技術進行改進,并與LS-UPF算法進行對比,驗證了其可以提供更好的辨識精度。

2.2 SOC估計方法

SOC估計方法主要為基于濾波的方法,目前較為流行的方法是卡爾曼濾波法,卡爾曼濾波算法又包含EKF、UKF及CKF。

2.2.1 基于EKF的SOC估計方法

擴展卡爾曼濾波算法是在標準卡爾曼濾波的基礎上將非線性函數線性化,通過卡爾曼濾波算法近似計算出狀態和方差的估計值。潘海鴻[14]提出將GM模型與EKF算法相結合,通過GM對當前時刻的狀態估算,再由觀測值進行更新修正得到SOC值。驗證說明該方法估計SOC可得到更高的精度。

2.2.2 基于UKF的SOC估計方法

無跡卡爾曼濾波算法原理與擴展卡爾曼濾波相似。UKF利用Sigma采樣點模擬出狀態概率密度函數,此方法得到的預測模型均值及方差均高于EKF算法。費亞龍[15]提出了一種基于平方根UKF算法的SOC估計方法,經驗證,該算法具有較高的穩定性。魏克新[16]設計了一種AUKF算法來估計SOC,它可以不斷地對電池參數進行調整,不僅能夠提高SOC的估計精度,還可計算出動力電池的內阻。程澤[17]提出一種ASRUKF算法,經過實驗驗證,該算法比無跡卡爾曼濾波算法更加精準,降低了4%的估計誤差,還可以準確地評估電池的健康狀態。章軍輝等[18]提出了一種AUKF算法,利用帶遺忘因子的Sage-Husa自適應估計方法,保證了預估結果的穩定性。PENG等[19]研究了新型 ADUKF算法對動力電池進行SOC估計,該算法可以在同一時間對參數進行識別并估計SOC值,大大提高了工作效率。經實驗驗證,該方法可得到較高的精度。

2.2.3 基于CKF的SOC估計方法

CKF算法最早由加拿大學者[20]在2009年提出。雖然該方法精度高、運算快,但其缺點是協方差矩陣的隨機性。針對該問題,李超然[21]提出一種神經網絡與卡爾曼濾波相結合的SOC估計方法,降低了噪聲對估計結果的影響。劉芳[22]改進了擴展卡爾曼濾波算法,以電壓為輸出、電流為輸入,得到電池的實時狀態,實現了電池全時段的SOC估計。吳忠強[23]則使用了BP-UKF算法,用神經網絡模擬出動力電池開路端電壓與SOC之間的關系,估計精度有了明顯改善。

2.2.4 基于HIF算法的SOC估計方法

HIF算法不需要知道噪聲準確的統計特性,且以最小誤差為準則。ZHANG等[24]對 HIF算法進行改進,采用指數加權的方法,考慮了數據的影響因素,SOC估計精度相較于初始HIF算法有了較大提升。程明[25]提出了一種EKF-HIF算法,利用模糊神經網絡算法來預測電池模型誤差,消除了較大的模型誤差及由噪聲引起的估計誤差。

3 影響SOC估計精度的關鍵因素及應對措施

3.1 溫度

鋰電池內部的各個參數會隨環境溫度的變化而變化。弱化溫度對SOC估計的影響主要有兩種方法：一種是建立變溫度模型,此模型考慮了溫度變化這一因素。另一種方法是傳感器采集電池所處環境的溫度并及時進行反饋。

3.2 老化

電池的老化伴隨著使用次數的增多而不斷加重,設計的電池模型參數需要針對不同情況發生變化,若未考慮此因素的影響,所設計的電池模型將不再適用于實驗仿真。針對這一問題,王榘[26]考慮了動力電池的老化及溫度影響,實現了動力電池SOC在溫度及使用壽命不斷變化狀態下的估計。嚴干貴[27]以一種脈沖放電法進行參數辨識,以動力電池開路電壓作為狀態因子,以ESCV法估算得出的SOH值作為基礎準確估計SOC。范文杰[28]提出一種可以估計電池內部溫度的方法,極大程度地改善了電池在工作時的溫度變化問題。

3.3 電池組不一致性

在生產鋰電池的過程中受多種因素的影響,鋰離子電池每個單體之間都具有一定的差異性。單體的不一致對動力電池組產生影響,如性能下降、壽命減少、熱失控等。因此單體電池需要在一定程度上具有一致性。電池組不一致性影響因素主要包括外電壓、最大可用容量及實時SOC等單體電池參數等,因此許多學者提出以這些影響因素為均衡目標來改善電池組的不一致性,即均衡控制策略。

4 動力電池梯次利用

當汽車動力電池達到使用壽命后,需要將動力電池從新能源汽車中取出并交由專門處理報廢動力電池的機構進行處理。余能大于80%的廢棄動力鋰電池依舊符合新能源汽車的使用標準,通過復原及增容技術可用于低耗能車輛。余能在20%～80%的退役電池雖不能滿足原級別電動汽車的需求,但仍具有較大的使用空間,可在靜態電源中進行梯級利用,延長其生命周期[29]。

一般情況下,對退役動力電池進行重組主要是以單體或模組的形式進行重組,但考慮多種因素,退役電池梯次利用大多是以電池組或電池包的形式進行再利用[30]。

對退役電池進行梯次利用需要一些關鍵的梯次回收技術,主要包括健康狀態和殘值評估、快速分選與智能拆解和分級利用與異構兼容、有效均衡、應用場景分析、再退役評估。

健康狀態和殘值評估：評估主要包括電池最大可用容量、電壓均衡性、電池內阻、循環使用壽命等健康指標,提高評估的準確性可更加高效地進行梯次利用。

快速分選,智能拆解,分級利用,異構兼容。根據健康狀態和殘值評估結果對退役的電池包性能進行快速分選,一致性好的可直接應用,一致性較差的先拆解再分選,合格的考慮重新修復、重組等操作,不合格的直接進行拆解回收。

有效均衡：對分選后的電池進行一致性均衡,改善電池組內電芯差異性,保證電池組性能良好,降低使用安全風險。

應用場景分析：針對不同應用場景細分應用場景市場,實現殘值匹配利用。

再退役評估：梯次電池投入使用后,除BMS系統日常監測外,還需開展定期的容量測試和電池性能驗證,綜合該批次梯次電池分選時的健康狀態確定退役標準[31]。

在以上關鍵技術中,確保退役電池的安全性是梯次利用的關鍵。因此需對梯次回收技術進行改進。其中鄭志坤[32]考慮到目前我國對退役電池剩余性能檢測精度不足的問題,從電化學角度介紹了電池容量和庫倫效率之間的關系,發現庫倫非效率可更加明確且精準地表示動力電池可梯次利用指標。嚴媛等[33]采用溫度實驗及直流內阻(DCIR)特性實驗方法評估單體電池的健康狀態,形成快速、有效地篩選退役電池的流程。周偉[34]系統總結了廢舊磷酸鐵鋰動力電池回收利用的最新進展,對未來回收工藝及原理進行深入研究,針對不同的退役電池采取不同的篩選及回收方法。Cusenza MA等[35]對退役電池梯次利用的環境價值展開分析,證明將其再利用于家用住宅的固定儲能系統中可有效減少廢舊電池對環境的影響。Cicconi P等[36]基于循環壽命模型的分析研究了如何延長梯次利用電池的壽命。趙偉[37]為確保梯次電池儲能系統的經濟性,提出基于雨流計數法和等效循環壽命法的梯次電池壽命評估方法。

5 結束語

目前關于動力電池SOC估計的實驗研究已有許多,但仍有一些問題有待解決,如尚未研發出適用于實際工作狀況的SOC估計方法。目前研發出的SOC估計方法大多的估算結果都是在電腦設備或實驗室中計算得出的,幾乎很少考慮環境溫度、車輛行駛工況、鋰電池循環使用次數等因素的影響。未來,需要更多的考慮以上因素對SOC估計精度影響的結果,對其進行實際運行環境下的驗證,以更好地應用在實際場景中。

針對動力電池的梯次利用,需加強對退役電池剩余性能及其安全性評估的精準性,建立完整的電池回收體系,對無法梯次利用的動力電池運送至專門的拆解回收機構進行稀有資源回收。可在基于模型的SOC估計基礎上使用非基于模型的SOC估計方法,采用EKF算法,添加BP神經網絡的SOC估計算法,在對動力電池SOC檢測的同時進行預測,并在后續的實驗中適當加入不同的外部影響因素,模擬不同的電池使用情況。在動力電池梯次利用方面采用更加精確的評估方法,更加合理地進行資源分配,有效節約成本。