中国电工技术学会活动专区
CES Conference
其他
西安理工大学科研团队发表研究综述：基于电化学模型的锂离子电池荷电状态估计方法
阅读提示：本文约 3300 字
荷电状态（SOC）的准确估计是电池管理系统的重要功能之一。当前，基于模型的方法是实现锂离子电池SOC估计最常用的解决方案。相比于等效电路模型（ECM），由于电化学模型（EM）能够实现耦合电化学机理的SOC估计，逐渐成为下一代高级电池管理系统的研究重点。然而，现有基于模型的锂离子电池SOC估计方法的研究大多集中在ECM上，很少对EM进行系统讨论。
为此，西安理工大学机械与精密仪器工程学院的研究人员武龙星、庞辉、晋佳敏、耿院飞、刘凯，在2022年第7期《电工技术学报》上撰文，针对基于EM的SOC估计方法进行了全面综述。首先，概述了EM的建模及参数识别方法；然后，对基于EM的SOC估计方法进行了讨论；最后，针对目前基于EM的SOC估计存在的挑战和未来发展趋势进行了讨论。该文提出的观点有望促进现有基于EM的高级电池管理系统算法的开发和应用。
为了达成“碳达峰、碳中和”目标，电池储能系统在可再生能源发电、智能电网技术和电动汽车方面得到了迅速发展。同时，为了提高能源效率和减少对化石燃料的依赖，整个电动汽车行业正在努力寻求实现全球运输电气化的解决方案。锂离子电池作为推动交通电气化的电池储能系统之一，由于其高能量密度、长周期寿命和低自放电率等优点，已成为电动汽车中最广泛使用的储能部件。
然而，在复杂的运行工况中，锂离子电池也面临着老化、热失控、机械滥用等一系列问题，这给其在电动汽车上的广泛使用带来极大挑战。因此，十分有必要建立高级电池管理系统（Battery Management System, BMS）对电池内部电化学状态进行实时监控，以确保锂离子电池在整个生命周期内能够安全可靠的运行。
荷电状态（State of Charge, SOC）作为电池剩余电量的直接表征，能够促使BMS较为准确地确定瞬时峰值功率和健康状态（State of Health, SOH），以便及时确保电池在安全范围内运行。因此，准确的SOC估计在电动汽车BMS中起着关键性作用，成为广大学者研究的重点。
迄今为止，国内外学者已对有关车用动力电池SOC的估计方法进行了大量报道。根据现有文献可知，常用SOC估计方法主要分为安时积分法、开路电压法、基于模型法和数据驱动法。其中，安时积分法依赖于准确的初始SOC值和高精度电流传感器，开路电压法则需要长时间的搁置以获取准确的SOC估计，这使得二者都不适用于在线应用。
同时，随着人工智能技术的发展，数据驱动的方法在电池SOC估计中得到了广泛关注，比如有学者针对电池的数据需求提供了一些解决方案，但其因离线数据训练而产生的计算成本仍是一个长期存在的问题。相比之下，基于模型的SOC估计是一种闭环控制，通过结合不同算法能够实现良好的SOC估计。因此，越来越多的研究者将电池SOC估计的研究集中在基于模型的方法上，其估计性能取决于电池模型的选择。
现有的电池模型主要包括等效电路模型（Equivalent Circuit Model, ECM）和电化学模型（Electrochemical Model, EM）。由于具有结构简单、计算效率高以及辨识参数少等特点，基于ECM的SOC估计方法已经在实车中得到很好的应用。然而，ECM捕获电池内部电化学状态的能力有限，例如电极过电势和电极表面浓度，它们对充电策略及功率预测至关重要，这使得基于ECM的状态估计方法在车用动力电池高级BMS应用中的不足日益凸显。
相对而言，EM能够很好地解决这些问题，等效电路模型和电化学模型对比如图1所示。同时，由于电池降阶技术的发展，EM在模型精度和计算效率之间基本实现了很好的平衡。因此，结合相关智能算法，基于EM的SOC估计方法被认为是实现高级BMS应用的最佳选择。
图1 等效电路模型和电化学模型对比图
近年来，大量研究人员从研究进展和发展趋势等方面对电池SOC估计方法进行了全面回顾，这对基于模型法的SOC估计发展起到了很好的促进作用，意义重大。然而，现有的电池SOC 估计方法的综述文献大多集中在ECM和数据驱动方法的讨论上，鲜有学者对基于EM的SOC估计及其性能进行系统评估和总结。EM由于能够实现耦合电化学机理的电池内部状态估计，逐渐成为下一代高级BMS研究的重点。
他们指出，随着人们对电动汽车动力系统安全需求的提升以及模型降阶技术的普及，电池EMs的发展越来越受到关注。同时，基于EM的SOC估计方法优势明显，克服了ECM受外界干扰性大，缺乏内部物理机理的缺点，可以有助于处理锂离子电池过充、老化、热失控等问题，在一定程度上推动了电动汽车实现智能化发展的进程。
然而，由于电池本身是一个复杂的电化学系统，致使基于EM的SOC估计方法仍然存在诸多不足。如何利用有效的数学手段对EM进行有效降阶并融合多物理特性以实现高效率高精度的在线BMS应用；如何从控制角度出发，灵活处理EM强非线性输出特性以实现对估计算法中系统的可观性及稳定性进行系统分析和证明；如何利用有限的实验数据来验证EM对多种材料电池的适用性问题，都是基于EM的SOC估计方法所面临的严峻挑战。
鉴于此，研究人员主要从三个方面对基于EM的SOC估计的今后研究方向进行展望，并希望这些见解可以对未来基于EM的SOC估计算法的改进做出贡献。
1）降阶MC模型的开发
基于模型的SOC估计准确性在一定程度上取决于模型精度，所以，仍然需要先进的电池EM来模拟锂离子电池在各种不确定性和系统干扰下的电化学行为，例如电池老化、热失效、机械疲劳应力等，因此MC模型的开发需要进行深入研究。
现有MC模型大多基于全阶复杂P2D模型，不适合高级BMS对模型仿真效率的需求。因此，如何基于现有降阶技术，将电池老化、热效应、机械应力等因素融入现有简化EM，同时保证精度和仿真效率，是以后基于EM开发SOC估计的的前提和方向。
2）自适应参数识别/SOC/SOH的协同估计
目前，现有基于EM的SOC估计方法大多停留在单一因素条件下的研究，忽略了模型参数、SOC与SOH之间的耦合关系。由于EM的参数识别方法仅使用某些操作条件下的数据作为识别目标，没有充分考虑多种工况下电池SOC变化及老化因素的影响。
因此，自适应参数识别方法对确定 EM模型精度至关重要。同时，由于SOC估计精度和电池老化程度密切相关，SOH的定时更新在提高电池整个寿命周期内 SOC 估算的准确性方面起到重要作用。因此，如何在基于EM的SOC估计中实现自适应参数识别及SOC/SOH的联合估计，是后续基于EM实现高效准确状态估计的难点和机遇。
3）大数据融合下基于EM的SOC估计
随着车联网与大数据技术的不断发展，数据驱动方法在整车电池实时估计SOC的优势突出，非常适合弥补基于模型方法的不足，即可以利用有效实时的电池工况运行数据，精确地捕获计算密集度相对较低的电池复杂动态。虽然现有大量数据驱动方法已为基于电池ECM的SOC估计取得了令人满意的效果，但很少有基于数据驱动模型来跟踪观测锂离子电池中不可测量电化学状态的动态变化，例如表面SOC及电极过电势。
因此，针对于EM在大数据融合下的SOC估计方法需要进一步开发和研究，用于描述可测电压、电流信号与不可测电化学状态之间的复杂关系，这对一些具有重复路线及固定短距离运行的电动汽车高级BMS尤为重要，有助于提升基于EM模型SOC估计的适用性。
研究人员最后表示，本课题旨在对已有车用锂离子电池电化学建模技术及对应SOC估计算法进行总结，以期为广大研究者提供参考，激励产生更多创新性的基于EM的SOC估计思路和方案，并最终促进EM在先进BMS上的开发和应用。
本文编自2022年第7期《电工技术学报》，论文第一作者为武龙星，1988年生，西安理工大学机械与精密仪器工程学院博士研究生，研究方向为车用动力电池电化学机理建模及状态估计。通讯作者为庞辉，1980年生，博士，西安理工大学机械与精密仪器工程学院副教授，研究方向为车辆动力学与控制理论、新能源车用动力电池/超级电池管理。本课题得到了国家自然科学基金的资助。
扫码参会 ACCES 2022
（点击上方文字，访问会议官网）
2022年9月16-18日 重庆市
联系我们
《电工技术学报》：010-63256949/6981
邮箱：dgjsxb@vip.126.com
《电气技术》：010-63256943
邮箱：dianqijishu@126.com
编务：010-63256994；订阅：010-63256817
广告合作：010-63256867/6838