Akumulator w pojazdach elektrycznych ma kluczowe znaczenie w utrzymaniu dobrego stanu akumulatora. System zarządzania akumulatorem (BMS) utrzymuje optymalny stan akumulatora, oceniając jego stan zdrowia (SOH). Dokładna identyfikacja SOH może określić czas wymiany baterii, uniknąć awarii baterii i wydłużyć jej żywotność. Artykuł ten ma na celu poprawę wydajności BMS poprzez identyfikację parametrów SOH. Na podstawie modelu baterii Thevenina uzyskuje się kluczowe parametry takie jak R{0}}, Rp i Cp. Do pełnej identyfikacji parametrów wykorzystywane są dwa algorytmy adaptacyjne: zliczanie kulombowskie i napięcie w obwodzie otwartym. Porównuje się wyniki obu algorytmów pod względem błędu, średniego błędu bezwzględnego (MAE), pierwiastka błędu średniokwadratowego (RMSE) i końcowej wartości SOH. Badania skupiają się na uzyskaniu danych o błędach estymacji oraz wiarygodnych informacji o działaniu BMS. Wyniki pokazują, że metoda zliczania kulombowskiego charakteryzuje się mniejszym błędem szacowania SOH niż metoda napięcia obwodu otwartego, z błędem wynoszącym 1,770%. Ostateczna wartość SOH wynosi 17,33%, a model baterii Thevenina charakteryzuje się błędem modelowania wynoszącym 0,0451% dla baterii.
1. Wprowadzenie
Akumulator pojazdu elektrycznego i system zarządzania akumulatorem (BMS):W pojazdach elektrycznych akumulator jest głównym źródłem energii dostarczającym energię do silnika i innych układów. W przeciwieństwie do tradycyjnych samochodów akumulatory pojazdów elektrycznych mają stosunkowo małą pojemność i napięcie i są zwykle pakowane w moduły akumulatorowe. System akumulatorów składa się z wielu akumulatorów, którymi zarządza BMS. Do jego funkcji należy optymalizacja układu pracy akumulatora, obejmująca dwa kluczowe parametry: stan naładowania (SOC) i stan zdrowia (SOH). SOC to stosunek pozostałej pojemności do całkowitej pojemności, natomiast SOH to wartość porównawcza pomiędzy obecną wydajnością a wydajnością nowego akumulatora, której nie można bezpośrednio zmierzyć i należy ją oszacować.
Tło badawcze i powiązane metody:Stan zdrowia (SOH) może określić ilościowo wydajność i żywotność baterii. Podczas użytkowania baterii może nastąpić pogorszenie jakości, zmiany parametrów rezystancji wewnętrznej i pojemności. Identyfikacja parametrów SOH pomaga określić rzeczywisty stan baterii, zalecić terminy wymiany i wydłużyć żywotność baterii. Obecnie istnieje wiele metod szacowania stanu zdrowia (SOH) lub stanu naładowania (SOC), ale istnieje kilka metod, które jednocześnie identyfikują oba i generują odpowiednie parametry w celu zmniejszenia obciążenia obliczeniowego BMS. Algorytm monitorowania parametrów akumulatora musi dostosowywać się do zmian parametrów i szacować stan akumulatora. Metody można podzielić na trzy kategorie, w tym metodę impedancji widmowej, metodę równania modelu obwodu i metodę modelu impedancji elektrochemicznej.
Przegląd powiązanych prac:W poprzednich badaniach powszechnie stosowano wiele metod identyfikacji parametrów baterii. Metody zliczania kulombowskiego (CC) i napięcia w obwodzie otwartym (OCV) są szeroko stosowane w BMS pojazdów elektrycznych, a każda z nich ma swoje zalety i wady. Metoda CC szacuje SOH poprzez monitorowanie pojemności wejściowej i wyjściowej akumulatora, biorąc pod uwagę utratę mocy podczas cyklu ładowania, a także może dostarczyć istotnych informacji poprzez odzysk napięcia; Metodę OCV można uznać za napięcie zrównoważone po całkowitym odpoczynku akumulatora, a stan zdrowia (SOH) szacuje się na podstawie warunków parametrów akumulatora BMS.
Celem tego badania jest określenie dokładnych parametrów SOH w celu wydłużenia żywotności baterii. Do oceny i identyfikacji parametrów SOH wykorzystywana jest metoda oparta na modelu baterii. Model baterii Thevenina służy do identyfikacji parametrów R0, Rp i Cp za pomocą algorytmu adaptacyjnego (Recursive Least Squares, RLS). Na podstawie wyników oceny uzyskuje się dokładne szacunki SOH w celu zmniejszenia obciążenia obliczeniowego.
Wkład badawczy:Wyniki testów parametrów akumulatorów zapewniają rozsądne szacunki i niski poziom błędów w ocenie wydajności systemu BMS. Metoda liczenia Coulomba jest wygodna do obliczania pojemności akumulatora, a maksymalna moc akumulatora maleje wraz ze wzrostem cykli ładowania i rozładowywania. Błąd względny modelu baterii Thevenina jest mniejszy niż 2%. Pod względem dokładności szacowania SOH metoda CC jest lepsza od RLS, a metoda CC pozwala oszacować napięcie na zaciskach akumulatora i SOC, natomiast metoda OCV może jedynie oszacować parametry akumulatora.
2. System zarządzania baterią
Elementy baterii (funkcje i skład BMS):BMS reguluje system akumulatorów składający się z setek lub tysięcy akumulatorów w pojazdach elektrycznych i spełnia ważne funkcje, takie jak monitorowanie, szacowanie parametrów, zabezpieczanie, dostarczanie raportów i bilansowanie akumulatorów. Do jego głównych funkcji należy ochrona akumulatora przed uszkodzeniem, eksploatacja akumulatora w odpowiednich zakresach napięcia i temperatury oraz utrzymywanie parametrów akumulatora spełniających wymagania systemowe, takie jak SOC, SOH i SOF. BMS składa się z czujników, siłowników i sterowników z wejściami obejmującymi sygnały z czujników, takie jak prąd, napięcie, temperatura i pedały, oraz wyjściami obejmującymi moduły zarządzania temperaturą, równowagi, zarządzania bezpieczeństwem, sygnalizacji ładowania, alarmu o usterce i komunikacji. Oprogramowanie BMS zawiera wiele modułów funkcjonalnych, takich jak wykrywanie parametrów akumulatora, szacowanie i diagnostyka usterek. Pomiar napięcia akumulatora, szacowanie parametrów, równoważenie i diagnostyka usterek to główne zagadnienia BMS, wśród których pomiar napięcia akumulatora napotyka takie trudności, jak różnice napięć spowodowane szeregowym połączeniem akumulatorów i wymaganiami dotyczącymi dużej precyzji.
Modelowanie baterii:W tym artykule określono parametry stanu zdrowia (SOH) poprzez modelowanie akumulatora i konwertowano wejściowe parametry napięcia, prądu i temperatury akumulatora na SOH w celu uzyskania dokładnych szacunków. Wykorzystując model baterii Thevenina, opisano przejściową reakcję napięciową procesu polaryzacji baterii, dobierając parametry rezystancji wewnętrznej i pojemności baterii. Podano równania matematyczne modelu baterii oraz metody obliczeń powiązanych parametrów (Voc, R0, Rp i Cp), które uzyskuje się za pomocą algorytmu RLS i stosuje do modelu baterii Thevenina.
3. Określić parametry stanu zdrowia
Znaczenie i metody identyfikacji parametrów stanu zdrowia:Dokładne parametry SOH są kluczowe dla wydajności BMS. W tym badaniu wykorzystano zliczanie Coulomba jako algorytm adaptacyjny do identyfikacji tych parametrów w celu uzyskania wartości inicjalizacji SOH i oceny wydajności BMS. Model akumulatora Thevenina służy do określenia parametrów modelu akumulatora oraz funkcji OCV-SOC. Specyficzny proces obejmuje wprowadzenie prądu do modelu akumulatora, analizę danych dotyczących napięcia na zaciskach, konwersję z domeny czasu na dziedzinę SOC i dopasowanie krzywej w celu uzyskania funkcji OCV-SOC. Proces identyfikacji parametrów powtarza się do momentu, aż oszacowanie SOH będzie rozsądne, a stopień błędu będzie mały.
Funkcja OCV-SOC:Bazując na modelu akumulatora Thevenina, OCV (SOC) jest parametrem napięcia źródła uzyskiwanym poprzez badanie napięcia akumulatora bez podłączonego obciążenia oraz napięcia przed podłączeniem pakietu akumulatorów. Krzywą SOC OCV szacuje się na podstawie danych z testu stałego obciążenia i dopasowuje się ją do wielomianu dwunastego rzędu. Wielomian dziesiątego rzędu charakteryzuje się największą dokładnością estymacji Voc oraz najmniejszym błędem średniokwadratowym (RMSE), co ma istotny wpływ na dokładność funkcji SOC i OCV.
Parametry R0, Rp i Cp:Model baterii Thevenina wymaga napięcia źródła OCV przy SOC, które uzyskuje się poprzez testowanie impulsów. R{{0}} to opór wewnętrzny o wartości większej niż inne rezystancje. Ze względu na problem z okresem próbkowania trudno jest uchwycić niewielkie zmiany danych. Zależność pomiędzy R0 i SOC uzyskano poprzez dopasowanie krzywej wielomianowej drugiego rzędu, przy średniej wartości R0 wynoszącej 0,027735 Ω. R0, Rp i Cp dostarczają dane wejściowe do testowania impulsów napięcia i prądu oraz uzyskują wartości parametrów wyjściowych.
Wynik eksperymentalny
Analizując parametry stanu zdrowia (SOH) monitorowane przez akumulator, osiąga się wydajność BMS i uzyskuje dane dotyczące parametrów fizycznych, takich jak napięcie na zaciskach oraz prąd wejściowy/wyjściowy akumulatora. Na podstawie modelowania akumulatorów identyfikowane są dane parametrów i wykorzystywane do monitorowania stanu akumulatorów i systemów zabezpieczających. Metoda szacowania SOH obejmuje pomiar zmian rezystancji i pojemności akumulatora, odpowiednio, przy użyciu prawa Ohma i metody zliczania Coulomba oraz podstawienie wartości OCV do równania zależności OCV-SOC w celu uzyskania wartości SOC i SOH.
Przeprowadzono statyczny test rozładowania, którego wyniki wykazały, że algorytm CC uzyskał zmianę SOH poprzez pomnożenie wartości prądu przez czas, natomiast algorytm OCV uzyskał wartość SOH wykorzystując napięcie końcowe lub wartość OCV modelu akumulatora. Krzywe zmiany SOH obu algorytmów były podobne. W ramach testu uzyskano także wyniki identyfikacji parametrów akumulatora, a do identyfikacji parametrów można wykorzystać charakterystykę relaksacji akumulatora. Im szybszy cykl testowy, tym dokładniejsze oszacowanie SOH. Algorytm CC jest lepszy od algorytmu OCV w inicjalizacji SOH, który może lepiej zrozumieć rezystancję wewnętrzną akumulatora i jednocześnie oszacować napięcie na zaciskach Vt, SOC i SOH akumulatora, z błędem oszacowania mniejszym niż 2%.
Z danych o błędach identyfikacji parametrów SOH wynika, że błąd średniokwadratowy (MSE) algorytmu CC wynosi {{0}}.0111, ostateczna wartość SOH wynosi 17,33%, procent błędu wynosi 1,770%, a pierwiastek błąd średniokwadratowy (RMSE) wynosi 0,0132
Dyskusja wyników badań:Wpływ rezystancji wewnętrznej akumulatora na algorytmy CC i OCV jest podobny, a algorytm CC może lepiej zrozumieć rezystancję wewnętrzną przy mniejszych błędach. Algorytm CC może z powodzeniem oszacować jednocześnie napięcie na zaciskach Vt, SOC i SOH akumulatora, z błędem oszacowania mniejszym niż 2%. W teście rozładowania algorytm CC jest dokładniejszy niż algorytm OCV przy inicjalizacji SOH, z szacowanym błędem średniokwadratowym (MSE) wynoszącym 1,770% dla algorytmu CC i 3,256% dla algorytmu OCV. Wyniki te stanowią odniesienie do identyfikacji parametrów w ocenie BMS.
4. Podsumowanie
Wyniki oceny wydajności BMS w oparciu o identyfikację parametrów SOH pokazują, że algorytm zliczania Coulomba zapewnia lepsze wyniki estymacji, z błędem estymacji SOH wynoszącym 1,770% i końcową wartością SOH wynoszącą 17,33%. Błąd modelowania modelu baterii Thevenina dla baterii wynosi 0,0451%. Jeśli chodzi o dokładność oszacowania SOH przy użyciu dwóch metod (liczenie kulombowskie i napięcie w obwodzie otwartym), zliczanie kulombowskie ma większą dokładność. Ponadto algorytmy adaptacyjne oparte na modelowaniu akumulatora mogą oszacować napięcie na zaciskach i SOH akumulatora.