來 鑫,李云飛,鄭岳久,王晶晶,孫 濤,周 龍
(上海理工大學機械工程學院,上海 200093)
鋰離子電池由于其能量密度高、壽命長、環(huán)境友好等優(yōu)點,作為動力源在新能源汽車中得到廣泛應用[1-2]。為保證鋰電池安全可靠工作,設計了電池管理系統(tǒng)對鋰電池進行實時監(jiān)控與管理,而電池狀態(tài)估計是電池管理系統(tǒng)的基礎和核心。由于鋰電池的動態(tài)非線性特性,近年來對鋰電池的荷電狀態(tài)(state of charge,SOC)、功率狀態(tài)(state of power,SOP)、健康狀態(tài)(state of health,SOH)等狀態(tài)的準確估計已成為學術熱點和工程難點。國內外關于鋰電池狀態(tài)估計的研究成果非常豐富,這些研究大多是以鋰電池模型為基礎的。鋰電池模型包括電化學模型、等效電路模型、神經(jīng)網(wǎng)絡模型等,其中等效電路模型由于結構簡單、精度較高等優(yōu)點被廣泛采用。文獻[3]從精度、復雜度、穩(wěn)定性和魯棒性等多個維度比較了11種等效電路模型,結果表明2階RC模型是較理想的選擇。SOP 估計的主要方法包括基于Map 圖和基于電池模型的動態(tài)估計方法,而基于電池模型的SOP估計大多基于1階與2階RC模型[4-7]。
無論是SOC 還是SOP估計,都須以電池的SOCOCV曲線作為標準來對模型參數(shù)進行辨識和端電壓估計。例如,目前廣泛采用的基于擴展卡爾曼濾波算法(extended Kalman filter,EKF)[8]的SOC 估計算法中,需要SOC-OCV 曲線作為標定參數(shù),端電壓作為反饋信號,對SOC估計值進行閉環(huán)修正;在SOP估計中,端電壓的準確性直接影響SOP 估計的精度。因此,準確的SOC-OCV 曲線對提高狀態(tài)估計的精度至關重要。目前,確定SOC-OCV 曲線的方法有很多。常用的方法是基于混合脈沖功率(hybrid pulse power characterization,HPPC)測試,該方法的基本流程是將電池放電到測試點后,將電池充分靜置,用上位機測得此測試點處的OCV,并以此循環(huán)下去。該方法在測試點得到的OCV 很準確,但是耗時嚴重,一個21 個測試點的HPPC 測試大約需要89 h。為了節(jié)省時間,一般先在離散測試點(如每隔10%SOC)做HPPC 測試,而其他SOC 對應的OCV 采用分段線性插值法獲得。但是,插值得到的OCV 并不符合電池的特性(特別在低SOC 區(qū)域OCV 曲線的非線性嚴重)。而小電流恒流放電法測量OCV 曲線是連續(xù)測量,但由于電池沒有被靜置造成準確性不足。不準確的SOC-OCV 曲線會導致辨識得出的等效電路模型的模型參數(shù)不準確,從而影響電池端電壓估計和電池狀態(tài)估計的準確性。
針對HPPC 測試獲得SOC-OCV 曲線在非測試點特別是低SOC區(qū)域由于非線性嚴重帶來的精度不足問題,本文中提出了一種SOC-OCV 曲線優(yōu)化方法。該方法融合HPPC 方法得出的OCV 曲線在測試點的精確性與小電流恒流放電法得出的OCV 曲線在趨勢上的準確性,利用粒子群優(yōu)化算法(particle swarm optimization,PSO)對SOC-OCV 曲線進行優(yōu)化。并據(jù)此對等效電路模型參數(shù)進行辨識和端電壓全SOC 區(qū)域估計。以優(yōu)化的SOC-OCV 曲線作為基礎,在NEDC 動態(tài)工況下利用EKF 算法對鋰電池的SOC 進行全局估計。試驗表明,整個SOC 區(qū)域內的SOC 估計誤差都在2%以內,驗證了所提出的SOCOCV曲線優(yōu)化方法的有效性。
鋰離子電池模型是其狀態(tài)估計的基礎。模型的選取要考慮模型的精度和復雜度等因素的影響。由于電化學模型涉及內部反應機理,模型復雜,而神經(jīng)網(wǎng)絡的應用需要大量試驗數(shù)據(jù)進行訓練,目前都不適合鋰離子電池狀態(tài)的在線估計。等效電路模型具有模型簡單、物理意義清晰、模型精度較高等優(yōu)點[9],而2 階RC 模型是常用的等效電路模型,因此,本文中采用2 階RC 模型來描述電池的動態(tài)特性。2階RC等效電路模型如圖1所示。
圖1 2階RC模型示意圖
圖1 中,UOCV為理想電壓源;R0為歐姆內阻;R1和R2為極化內阻;C1和C2為極化電容;I為流經(jīng)歐姆內阻的電流;U1和U2為極化內阻的端電壓;端電壓為Ut,時間常數(shù)τ1= R1C1,τ2= R2C2。根據(jù)電路原理,2階RC模型的數(shù)學方程如下:
本文中以某公司標稱容量為72.8 A·h 的三元軟包電池作為試驗對象,該電池參數(shù)如表1 所示。電池試驗平臺由上位機、電池測試系統(tǒng)、恒溫箱等組成,如圖2 所示。上位機監(jiān)測軟件可實時記錄電池電流電壓等信息。本文中的試驗均在25 ℃環(huán)境下進行。
表1 試驗電池的基本參數(shù)
圖2 電池試驗平臺
首先對電池進行標準容量測試,取3 次循環(huán)后的平均容量作為該電池的標準容量。然后對電池進行HPPC 測試[10]。首先將電池置于25 ℃環(huán)境下恒流恒壓充滿,擱置3 h,然后以1C 倍率進行恒流放電,放電時間為30 s,擱置40 s;接著以1C 倍率進行恒流充電,充電時間為30 s,擱置30 min,最后以1/3C 恒流放電18 min,擱置3 h。以此為一個循環(huán)。本文中通過11 個脈沖循環(huán)的HPPC 測試獲得每隔10%SOC的OCV 值,再將各OCV 值進行分段線性插值,得到SOC-OCV 曲線,如圖3(a)所示。最后,進行放電倍率為1/30C 的恒流放電試驗。當放電倍率較小時,內阻對曲線的影響較小,由此可得到全SOC 區(qū)域上的SOC-OCV曲線,如圖3(b)所示。
圖3 不同方法得到的SOC-OCV曲線
為了對等效電路模型的參數(shù)進行辨識,并驗證所提出OCV 曲線優(yōu)化方法的有效性,開展了25 ℃環(huán)境溫度下的新標歐洲循環(huán)測試(new European driving cycle,NEDC)動態(tài)工況試驗。試驗過程如下:首先在25 ℃環(huán)境溫度下將電池以恒流恒壓方式充滿,然后對電池進行NEDC 動態(tài)工況試驗。NEDC動態(tài)工況下試驗得到的電壓變化如圖4所示。
圖4 NEDC動態(tài)工況下電池電壓變化
HPPC 測試所得到的SOC-OCV 曲線在測試點具有很高的精度,但得出的OCV 是離散的,測試點的多少直接影響SOC-OCV 曲線的全局精度。而且,HPPC測試需要較長時間,因此一般采用的方法是通過等SOC 間隔測試獲得OCV,其他SOC 點處的OCV通過線性插值得到。但是,這種線性插值得到的OCV 并不能反映電池的特性,特別是在低SOC 區(qū)域OCV 變化率很大。而小電流恒流方法得出的OCV曲線是連續(xù)變化的,但是由于電池持續(xù)放電而沒有得到充分靜置,所以存在精確性不足的問題。本文中融合以上兩種方法的優(yōu)點,提出一種基于PSO 算法的SOC-OCV曲線優(yōu)化方法。
所提出的SOC-OCV 曲線優(yōu)化算法的原理如圖5 所示,該算法的基本過程是:首先,在全SOC 區(qū)域內對電池進行HPPC 測試(每隔10%取一個測試點)和小電流(1/30C)恒流放電測試,這樣就分別得到了兩條SOC-OCV 曲線。然后,將小電流恒流放電測試得到的SOC-OCV 曲線進行平移和優(yōu)化,優(yōu)化的目標是使平移后的SOC-OCV 曲線與HPPC 測試的SOCOCV曲線在所有測試點的誤差之和最小。優(yōu)化時分別以小電流恒流放電得到的SOC 和OCV 為自變量,使其沿x軸和y軸方向平移得到優(yōu)化的SOC和OCV。優(yōu)化后的SOC與OCV的表達式分別為
式中:s 和u 分別為優(yōu)化后的SOC 和OCV;s1和u1分別為小電流恒流放電得到的SOC 和OCV;w1和w2為加權系數(shù);C為常量。
式(4)和式(5)中,w1?C 和w2?C 為平移量,常量C 的取值理論上并無限制,只會影響w1和w2的大小,本文中C 取-2.37。因此,優(yōu)化SOC-OCV 曲線的關鍵是求取最優(yōu)的加權系數(shù)w1和w2,這實際上是一個最優(yōu)化問題,優(yōu)化的目標函數(shù)為
式中:G 為所求的優(yōu)化SOC-OCV 曲線在11 個HPPC測試點的OCV 和SOC 誤差之和;D1(i)與D2(i)的表達式分別如式(7)和式(8)所示。
式中:s(i)和sHPPC(i)分別為第i 個測試點處優(yōu)化后和HPPC 測試的SOC;u(i)和uHPPC(i)分別為第i 個測試點處優(yōu)化后和HPPC測試得出的OCV。
圖5 SOC-OCV曲線優(yōu)化示意圖
本文中采用PSO 算法對于如式(6)所示的優(yōu)化問題進行求解。在PSO 算法中,由粒子表示的潛在解通過跟蹤最優(yōu)粒子飛過問題空間,在D 維搜索空間中,由n 個粒子組成群,其中第i 個粒子位置
表示為D 維向量Xid=(xi1,xi2,...,xiD)T,其速度表示為Vid=(vi1,vi2,...,viD)T,單 個 極 值 表 示 為 Pid=(pi1,pi2,...,piD)T,群極值表示為Pgd=(pg1,pg2,...,pgD)T,迭代過程中的粒子速度與位置更新之間存在如下關系[11]:
式中:ω 為慣性權重;d=1,2,…,D;i=1,2,…,n;k 為當前迭代次數(shù);c1、c2為加速度系數(shù);r1、r2為服從(0,1)內均勻分布的隨機數(shù)。
PSO 算法的計算流程如表2 所示。PSO 與常用的遺傳算法(genetic algorithm,GA)一樣,都是隨機搜索算法,但是PSO 是一種更加高效的并行搜索算法,并且它能變速度搜索,避免了復雜的遺傳操作,所以PSO比GA具有更高的求解效率,在工程中得到了廣泛應用。
表2 PSO算法的計算流程
利用PSO 算法對1.2 節(jié)中HPPC 測試得出的SOC-OCV 曲線進行優(yōu)化。優(yōu)化得出的w1和w2分別為0.001 1 和-0.003 6。優(yōu)化得出的SOC-OCV 曲線如圖6所示??梢钥闯?,由HPPC 測試點線性插值得出的OCV 曲線比較簡單,但在非測試點的線性插值并不滿足電池的非線性特性,特別是在低SOC 區(qū)域內誤差較大。另外,對HPPC 測試點進行樣條插值或擬合得到OCV曲線也是常用的方法。
圖6 3種方法得出的OCV曲線對比
采用三次樣條插值得到的OCV 曲線如圖6中的虛線所示,可以看出該方法得出的OCV 曲線也同樣不滿足電池的非線性特征。經(jīng)過優(yōu)化后的OCV 曲線不僅具有在HPPC 測試點的準確性,而且在非測試點符合電池的非線性特性(特別是在低SOC 區(qū)域)。為避免繁瑣,僅對線性插值方法得到的OCV曲線與優(yōu)化方法獲得的OCV曲線進行對比。
為了驗證所提出的OCV 曲線優(yōu)化方法的有效性,本文中對動態(tài)工況下等效電路模型的端電壓進行估計。在端電壓估計之前,須在動態(tài)工況下對等效電路模型的模型參數(shù)進行辨識與優(yōu)化。由1.1 節(jié)的2階RC模型可知,須辨識的參數(shù)有6個,分別為充放電歐姆內阻R0_cha與R0_dch、極化內阻R1與R2和時間常數(shù)τ1與τ2。本文中采用PSO 算法對這6 個參數(shù)進行全SOC區(qū)域辨識與優(yōu)化。優(yōu)化的目標是模型端電壓和試驗端電壓的均方根誤差(root mean square error,RMSE)最小,即
模型參數(shù)辨識結果如表3 所示??梢钥闯鲈谡麄€SOC區(qū)域內,除了SOC<10%的區(qū)域,RMSE均小于5 mV,說明辨識得出的模型參數(shù)具有很高的精度。
為了驗證優(yōu)化的OCV 曲線和辨識得出模型的有效性,在NEDC 動態(tài)工況下對全SOC 區(qū)域的2 階RC 模型端電壓進行估計,并對基于優(yōu)化OCV 與基于HPPC 測試估計出的模型端電壓進行比較,結果如圖7 所示。圖8 為兩種方法得出的OCV 曲線下模型端電壓估計的RMSE。從圖7 與圖8 可知,與HPPC 測試法相比,基于優(yōu)化OCV 曲線得出的模型端電壓在高SOC 區(qū)域(SOC>80%)和低SOC 區(qū)域(SOC<20%)具有更高的精度(特別在低SOC 區(qū)域),在其他SOC 區(qū)域兩種方法得出的模型精度相當。
表3 參數(shù)辨識結果
圖7 NEDC動態(tài)工況下模型端電壓對比
常用于SOC 估計的算法包括龍貝格觀測器[12]、滑膜觀測器[13]、卡爾曼濾波系列算法[14]、粒子濾波算法[15]等。其中EKF 算法除具有卡爾曼濾波算法精度高、魯棒性好等優(yōu)點外,還具有適用非線性系統(tǒng)的優(yōu)點,近年來在SOC 估計中得到廣泛應用?;贓KF 的SOC 估計原理示意圖見圖9,先對SOC 利用安時積分法進行預估,再將預估值作為2 階RC 模型的輸入,計算出模型誤差,最后對SOC預估值進行反饋修正。
圖8 NEDC動態(tài)工況下端電壓的RMSE
圖9 基于EKF的SOC估計原理示意圖
對于一個動態(tài)非線性系統(tǒng),一般可以用以下狀態(tài)空間模型進行描述:
對如圖1 所示的2 階RC 等效電路模型,結合安時積分法,以SOC、U1、U2作為狀態(tài)變量,充放電電流I 作為輸入量,端電壓Ut作為輸出量,得到離散化的狀態(tài)空間方程:
式中:Δt 為采樣周期;C0為電池容量;UOCV為開路電壓;wk和vk分別為電流、電壓的測量噪聲。
在此模型的基礎上,采用EKF 算法估計電池的SOC,EKF 算法的初始化和迭代估計方程如表4所示。
表4 EKF算法的迭代方程[8]
根據(jù)上述辨識的2 階RC 模型參數(shù)和優(yōu)化的OCV 曲線,利用EKF 算法對全SOC 區(qū)域的SOC 進行估計,并比較本文中所述的3 種OCV 曲線下的SOC估計結果,如圖10 所示??梢钥闯鲈贜EDC 動態(tài)工況下:(1)基于小電流恒流放電的SOC 估計精度在除低SOC 區(qū)域外均差于另外兩種方法;(2)基于優(yōu)化的OCV 曲線的SOC 誤差在整個SOC 區(qū)間內都小于2%,特別是在低SOC 區(qū)域取得滿意的估計精度;(3)基于HPPC 方法的OCV 曲線的SOC 估計誤差在全SOC 區(qū)域內的某些區(qū)域(20%<SOC<60%)稍小于基于優(yōu)化OCV 的SOC 估計誤差,但是兩者誤差在0.5%以內,并且在其它區(qū)域內基于優(yōu)化OCV的SOC估計精度優(yōu)勢明顯(尤其在低SOC 區(qū)域)。因此,通過試驗可以得出以下結論:經(jīng)過優(yōu)化的OCV 曲線能更好地描述電池的非線性特征,并能有效解決HPPC測試得出的OCV 曲線在高SOC 區(qū)域和低SOC 區(qū)域精度不足的問題。另外,利用EKF 算法對全SOC 區(qū)域的SOC 進行估計,結果表明:基于優(yōu)化OCV 曲線的SOC估計具有優(yōu)異的全局精度。
圖10 NEDC動態(tài)工況下SOC估計
本文中結合HPPC 測試法和小電流恒流放電法的優(yōu)點,提出了一種基于PSO 算法的OCV 曲線優(yōu)化算法,并據(jù)此對2 階RC 模型的模型參數(shù)進行了辨識,在此基礎上利用EKF 算法對SOC 進行了全區(qū)域估計,得出的結論如下。
(1)優(yōu)化后的OCV 曲線既具有HPPC 測試法在測試點的精度,在非測試點也能保持良好的非線性,而且能在整個SOC 區(qū)域上反映電池的非線性特性,具有較高的全局精度。
(2)模型參數(shù)辨識結果表明,與HPPC 測試法和小電流恒流放電法相比,基于優(yōu)化OCV 曲線估計得出的模型端電壓在高SOC區(qū)域和低SOC區(qū)域具有明顯的精度優(yōu)勢。在低SOC 區(qū)域,基于優(yōu)化OCV 曲線得到的模型誤差僅為基于HPPC 法得到的模型誤差的一半。
(3)NEDC 動態(tài)工況下的全區(qū)域SOC 估計結果表明,采用本文中所提出的優(yōu)化OCV 曲線能提高低SOC 區(qū)域和高SOC 區(qū)域的SOC 估計精度,在全SOC區(qū)域SOC估計誤差能保持在2%以內。