近年来,为应对日益突出的燃油汽车排放带来的环境污染问题,电动汽车逐渐受到国内外的广泛关注,各国政府纷纷将发展电动汽车作为国家战略,加快推进技术研发和产业发展。锂电池因其能量密度高、循环寿命长、温度适应性宽、自放电率小、绿色环保等特性逐渐成为电动汽车动力源发展的重要方向。锂电池健康状态(State Of Health,SOH)是电动汽车...
近年来,为应对日益突出的燃油汽车排放带来的环境污染问题,电动汽车逐渐受到国内外的广泛关注,各国政府纷纷将发展电动汽车作为国家战略,加快推进技术研发和产业发展。锂电池因其能量密度高、循环寿命长、温度适应性宽、自放电率小、绿色环保等特性逐渐成为电动汽车动力源发展的重要方向。锂电池健康状态(State Of Health,SOH)是电动汽车锂电池全生命周期下故障诊断和安全预警的重要参数,SOH精准估算对于提升锂电池整体性能具有重要的意义。目前国内外研究学者越来越关注锂电池SOH估算特别是在线估算方法的研究。而电动汽车锂电池放电容量、交直流阻抗等参数在实际使用当中难以直接测量,作为输入变量应用于在线估算模型中存在难度。本文基于在用电动汽车充电过程中可直接测量获得的充电工作电压、充电时间、充电次数和电池编号的数据,结合单次充电片段数据的容量估算模型和全生命周期衰减预测模型进行锂电池SOH在线估算方法研究。锂电池容量估算方法一般采用参数直接对容量映射的机器学习方法,由于锂电池的个体电化学差异性,很难完全覆盖所有电池个体模型。为解决容量估算模型个体差异性的问题,提出基于迭代EKF-GPR算法的锂电池可用容量估算模型,区别于采用其它电池数据训练建立的容量估算模型,该模型基于估算电池本身充电片段数据估算充电可用容量。首先建立非参数化高斯过程回归(Gaussian Process Regression,GPR)模型作为扩展卡尔曼滤波(Extended Kalman Filtering,EKF)的状态方程,用以估算完整充电电压曲线。提出以初始完整充电数据为基础逐步迭代改进EKF模型参数,用以减小由于锂电池性能衰减过程中充电曲线的逐步变化造成的模型偏差。通过实验验证,该模型应用在同一类型不同生产批次电池上,迭代EKF-GPR估算锂电池模型准确度优于容量增量模型。目前锂电池全生命周期SOH预测方法是基于实验室在相同环境下同批次电池的实验数据,由于电动汽车日常工况以及锂电池不同批次性能的差别造成锂电池健康状态衰减情况有所不同,若将采集到的所有数据均用于预测模型训练,可能会造成模型性能下降,同时基于单一核函数的GPR模型很难准确的对锂电池SOH进行预测。本文提出基于预测结果估算不确定度的训练数据筛选方法,首先将Maternard协方差函数及神经网络协方差函数之和作为新的核函数,建立基于GPR方法的锂电池SOH预测模型,定量分析引起预测结果不确定性的因素,其中包括预测结果在训练数据各簇类中心附近的分散性以及GPR预测方差,最终结果得出估算不确定度,选择估算不确定度最小的预测结果作为锂电池SOH预测结果。实验表明估算不确定度在评价锂电池SOH预测模型可信性方面,效果优于GPR的预测方差,同时基于不同批次电池SOH数据作为训练数据的情况下,采用最小估算不确定度作为训练数据选择依据的预测模型准确度优于采用全部数据进行训练的预测模型。电动汽车锂电池组SOH在线估算可实时保证电动汽车运行的安全,目前主要采用锂电池组放电容量来评价电池衰退程度,而由于电动汽车锂电池使用过程中放电工况复杂,无法确定锂电池完全放电的容量,且由于电池组容量与单体电池无法一致,采用单体电池实验数据建立模型存在难度。本文利用电动汽车锂电池组本身充电工作电压、充电时间、充电次数和电池编号数的数据,建立基于充电可用容量的锂电池组SOH在线估算模型,可在电动汽车每次充电完成后在线对锂电池组SOH进行估算。首先量化分析充电可用容量与放电可用容量估算SOH的区别,建立采用充电可用容量估算SOH的数学模型。由于锂电池组与单体电池的差别,提出迭代EKF-GPR的改进算法,将锂电池组全生命周期充电时间衰减变化情况作为量测噪声改进单次充电曲线EKF模型的量测方程,最终在线估算当前电动汽车锂电池组SOH。通过深圳运行的在用电动公交车锂电池组的日常充电数据验证锂电池组SOH在线估算模型的有效性。