其他
【本刊推荐】锂离子电池全生命周期内评估参数及评估方法综述
摘 要:自锂离子电池得到广泛应用以来,为实现锂离子电池性能的充分应用,从不同角度对其性能展开研究。准确描述电池内部工作原理,评估电池当前工作状态和性能,以及预测电池未来工作能力,是提高储能系统安全性、可靠性和可用性的重要基础。对锂离子电池的研究工作从内部原理出发,归纳整理锂离子电池的建模方法,对不同建模方法的优缺点进行分析对比;汇总整理可以表征电池当前工作状态、性能和未来工作能力的特性参数:荷电状态SOC、健康状态SOH以及剩余寿命RUL,并汇总分析预测该参数的计算思路及相关数学方法,通过分类归纳不同的解决思路和数学方法,分析其优缺点。通过上述工作,总结当前锂离子电池全生命周期内研究评估的工程实用性方法,并指出未来的研究方向和热点。
关键词:锂离子电池;建模方法;荷电状态估计;健康状态评估;寿命预测;全生命周期评估
1 锂离子电池模型
1.1 电化学模型
锂离子电池电化学模型以多孔电极理论和浓溶液理论为基础,将内部物理反应、化学反应及热力、动力学等过程采用偏微分方程组描述,从底层机理层面研究电池内部特性。目前锂离子电池主要电化学模型有:单粒子模型、准二维数学模型、简化准二维模型。由于从机理层面建模,可以详细反映锂离子电池在应用过程中荷电变化、老化程度和发热等多方面情况。单粒子模型将电池的正负极简化为两个球形粒子,为P2D模型简化,是最简单的电化学模型。其具有结构简单计算量小的优点,但其主要缺点是与实际情况偏差较大。准二维数学模型是P2D模型,电池正负极等效为无数球形颗粒组成,精确程度高但是计算过程非常复杂,适用于实验室的理论支持研究。简化准二维模型的复杂程度介于单粒子模型和准二维模型两者之间。但是由于电化学模型本身采用偏微分方程组描述电池内部反应,所以工程实用困难,一般应用于厂家的电池研制开发中。1.2 黑箱模型
黑箱模型是从研究对象的外特性出发,基于历史数据通过数据驱动方法,描述关注变量之间的关系。在锂离子电池建模中鉴于内部化学反应描述困难,采用电池外部的电压电流检测量,通过大量数据训练,得到电压、电流、温度、SOC、SOH、RUL之间的关系。目前多采用的数据训练方法有神经网络、支持向量机、模糊逻辑等。黑箱模型避免了复杂的电池内部机理建模,但是由于无法进行机理解释,在数据量不足或训练方法不合适的情况下,其结果精度较差且具有不确定性。1.3 等效电路模型
等效电路模型通过线型变参数的电路模型模拟锂离子电池非线性工作特性,计算简单且模拟精度较高,是当前实用性较好的锂离子电池建模方法。目前已有的等效电路模型有:Rint模型、Thevenin模型、二阶RC模型、PNGV模型和GNL模型,其电路图如图1所示。1.4 小 结
在电池状态研究中,电池模型建立的主要目的是估算SOC。通过上述分析汇总,可采用的电池模型有黑箱模型和等效电路模型。长期以来应用较为广泛,技术最成熟的是电池等效电路模型,其中Thevenin模型和GNL模型应用案例更多。随着计算机技术的发展,黑箱模型结合大数据技术的研究方法也得到关注。2 锂离子电池荷电状态预测
2.1 传统低精度的SOC估算方法
在对SOC精度要求较低的场合,可以采用的传统方法有:负载放电法、内阻法、安时积分法和开路电压法。负载放电法在电池停止工作时对电池放电到截至电压,通过放电容量推导放电前的电池SOC。内阻法通过在开路状态下测算电池内阻推导SOC。这两种方法都属于离线测量,在实际情况中不适用。安时积分法简单实用,可以在线估算SOC,工程实现中有很大优势。其缺点是不能确定初始SOC,并且电流检测误差会通过积分累计,所以导致估算精度较低。开路电压法通过SOC与电池开路电压之间的关系估算SOC,该方法的缺点是电池的电压变化较小,SOC对开路电压的波动很敏感,并且使用该方法需要电池处于静置状态。结合安时积分和开路电压法的应用可以克服部分原有缺点,但是估计误差在8%左右,在精度要求不高的场合采用[6]。2.2 基于电池模型的SOC预测方法
在1.4节中提出电池模型的主要用途是作为SOC估计的基础。其中基于等效电路模型,多采用现代控制理论方法,由电池等效电路构造空间状态方程,采用扩展卡尔曼滤波EKF、粒子滤波和滑模观测器等方法,观测其中的状态量SOC。卡尔曼滤波算法是一种从最小误差方差意义出发的最优估计算法,适用于非线性系统的扩展卡尔曼滤波是目前电池SOC估计应用最广泛的方法,并有大量研究提出改进的双卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波、自适应卡尔曼滤波等方法,用于解决等效电路模型参数误差、系统非线性化及观测噪声仅限于高斯分布等影响因素导致的误差和发散问题,目前其SOC误差一般在3%左右。考虑到电池运行中温度和倍率的影响,文献[45]中在EKF算法的协方差预测步骤中引入补偿系数,通过仿真验证该方法的灵敏度和精度。粒子滤波PF适用于非线性非高斯模型,在SOC估算中的应用优势是,非高斯测量存在不确定性问题,但是通过得到的近似概率密度函数,仍然可以得到比较可靠性的结论。卡尔曼滤波方法需要对模型进行线性化,但是粒子滤波可以应用于非线性系统模型,由于电池等效电路属于非线性系统,粒子滤波更适用于解决该问题。相对于卡尔曼滤波器而言,滑模观测器的优点是精度更高稳定性更好,但主要缺点是设计原理复杂,在电池模型选择时需要保证电池SOC作为状态量可观,且模型精度与观测精度密切相关。基于黑箱模型的电池SOC估算,采用现在的研究热门的人工智能技术,主要应用的方法有:神经网络、支持向量机、模糊控制等。以神经网络方法为例,BP(back propagation)神经网络方法在非线性逼近问题中应用较为成熟,适用于模式识别、故障检测和线性拟合等领域。在锂离子电池SOC估算中,采用BP神经网络方法的模型如图2所示,其算法流程如图3所示。通过其他参数推算SOC,例如:电压、电流、电压变化率、内阻、温度等。由于神经网络参数优化遵循经验风险最小原则,导致其泛化性能不佳。支持向量机方法相对于神经网络方法,采用基于结构风险最小化的监督学习算法,具有更好的泛化性能。2.3 基于融合模型的SOC估算方法
通过2.2节中对电池SOC估算方法的整理,可见基于等效电路模型的SOC估算,通过对电池模型的线性化,可以比较准确的求解SOC。但由于系统模型误差、线性化误差和参数误差,多种外界因素影响,输入噪声和监测噪声不限于高斯噪声等因素,这种复杂非线性问题的求解非常困难。采用数据驱动的SOC估计方法,通过历史数据积累,通过机器学习构建能够反映内部规则和动态特性的预测模型,可以避开复杂非线性问题的求解。但是受到数据量限制,其SOC的误差可能偏大。在文献[49]中论述了数据量对BP神经网络估算精度的影响,当迭代次数大于86次后,SOC模型满足精度要求,如图4所示。2.4 小 结
在评估SOC的方法中,早期估算方法有安时积分法、开路电压法等,这类方法实现难度低但是精度也比较低。目前工业应用较广泛且精度较高的方法有:基于等效电路模型的卡尔曼滤波、粒子滤波和滑模控制等。近年来,科研人员开展基于人工智能算法的黑箱模型研究,但在实际应用中多采用基础算法实现。融合模型是当前SOC估算方法的前沿研究方向,其实用性和准确性还需要进一步验证。3 锂离子电池健康状态估算
(1) |
(2) |
(3) |
3.1 锂离子电池健康状态SOH的估算方法
应用于SOH估算的方法有4种,分别是:基于电化学机理模型的SOH估算、基于容量A·h测试的SOH估算、基于等效电路内阻观测的SOH估算及基于数据驱动方法的SOH估算。电化学内部机理模型描述电池的动力学特性、热力学特性和材料等变化规律,建立表征参数和老化程度之间的对应关系。其中阿伦尼斯模型、逆幂律模型和疲劳强度模型分别从温度影响、电压力影响和机械应力影响的角度研究该影响因素和SOH之间的关系。基于安时法的SOH估算,是考虑温度、充放电倍率、充放电深度等影响因素,对电池全生命周期进行加速老化试验,以获得电池容量退化模型的方法,该方法是一种离线估算方法。文献[19]在线应用时,通过计算电流积分的充放电量,以及估计开路电压与充放电电压测量之间的关系,建立SOH与电压参数之间的关系。在文献[24]中,通过安时积分计算电池SOH,并采用Peukert方程对稳态容量进行修正,采用模糊逻辑实现对容量的动态修正。基于等效电路模型的SOH是工程应用较为广泛的方法,主要是通过监测内部阻抗评估SOH,如式(3)所示,其中采用的电池参数为等效电路中的内阻R0,其测试方法有:小负载电路测试、电化学工作站测试内阻和脉冲阻抗测量方法。小负载电路测试通过将电池接入小负载电路,通过电压变化来确定电池的内阻。电化学工作站通过对电池施加不同频率的小赋值交流电流,测量交流电压和交流电流之间的关系,得到阻抗谱曲线,得到溶液电阻、传荷电阻、Warbug阻抗参数,其测试波形如图5所示。脉冲阻抗测量方法通过对电池注入电流脉冲,根据电流和端电压的变化,结合欧姆定律和极化曲线,估算内阻,其测试波形如图6所示。图 6 锂离子电池阻抗脉冲测试方法与电池荷电状态SOC估算发展的趋势相似,随着人工智能技术发展推动数据驱动方法在电池健康状态SOH估算中应用。在电池健康状态SOH 估计中,采用过的数据驱动方法有:自回归AR(auto regressive)模型、神经网络NN(neural network)、灰色理论(grey theory)、支持向量机SVM(support vector machine)以及高斯过程回归等方法。该方法的局限在于数据来源的准确性和完整性,对SOH的精度有影响。通过对电池健康状态估算方法的阐述,对上述方法的优缺点进行分析,结论如表4所示,可见基于电池模型的评估是当前广泛应用的成熟方案,基于数据驱动的评估方法正处于研究热点。
表 1 锂离子电池模型的优缺点分析
表2 传统低精度SOC估算方法的优缺点对比
表3 基于等效电路模型的SOC估计数学方法优缺点对比
表 4 锂离子电池健康状态评估方法的优缺点对比
3.2 基于融合模型的SOH估算方法
通过对电池健康状态评估方法的介绍,基于电池模型和基于数据驱动的SOH评估在准确性和可实现性上各有优缺点,所以结合两种方法的融合模型SOH估算是当前最新的研究热点。目前的研究中有种实践方法,一是将不同的数据驱动算法融合,在文献[23]中,尝试将粒子群算法PSO与支持向量机算法SVM融合,用PSO算法提高参数寻优的速度和速度,以提高SVM实现SOH预测的精度。在文献[27]中,也采用该思路,将多种数据驱动方法加权融合。二是将数据驱动算法与基于电池模型的方法结合起来,通过数据驱动方法优化电池模型参数检测的误差和观测状态方程的误差,以提高SOH估算的精度。在文献[23]中,采用粒子群算法和支持向量机算法对历史数据建模,预测未来测量数据,并建立电池容量衰退与模型,采用粒子滤波算法估计电池健康状态,使预测数据可以实时更新。在文献[22,25]中,通过大量离线测试,采用灰色神经网络算法对离线参数进行训练得到电池的老化模型,再建立电池等效模型并观测内部阻抗参数,采用灰色神经网络算法对在线参数进行辨识,得到电池的健康状态SOH。3.3 SOH估算方法小结
通过上述对电池健康状态SOH估算方法的介绍、文献思路介绍以及优缺点的分析对比可见,目前主要应用的方法是基于电池等效模型的内阻参数观测,考虑到准确性和可实现性的考虑,其主要采用的数据方法是基于卡尔曼滤波算法的各类改进型算法。在人工智能技术发展的趋势下,数据驱动型SOH估计及融合模型SOH估计是未来的研究趋势,其中融合模型SOH方法在当前的研究水平下更具有可实现性。4 锂离子电池剩余寿命预测
4.1 锂离子电池剩余寿命预测方法
目前锂离子电池剩余寿命的预测方法主要有2种:第一种是基于经验的方法,在具有大量电池使用经验的情况下,基于统计学分析给出电池寿命的粗略分析,主要应用方法有循环周期数法、安时法与加权安时法及面向事件的老化累计法。第二种方法是基于性能的测试方法,该方法中包含2个过程,第一步是电池退化状态识别,根据已有的电池历史信息估计其性能状态退化状况;第二步是采用算法预测性能的演化趋势直到电池失效为止,这个过程中的充放电次数为RUL,这一过程有2种实现方式:基于模型的RUL预测、基于数据驱动的RUL预测。基于模型的RUL预测方法包含3类模型:退化机理模型、等效电路模型和经验退化模型。退化机理模型是从电池内部的电化学反应的性能变化出发,建立电池老化模型。在文献[55]中,对电池退化机理模型的描述,依赖于锂离子电池加工工艺及材料差异,其适用性较窄。等效电路模型采用电子元器件等效电池内部的动态特性。经验退化模型是使用能表征电池退化性能的状态变量,通过状态变量与时间的变化关系,描述电池的退化模型,该方法包含电池阻抗经验退化模型、电池容量经验退化模型。可采用的数学方法有4类:相关向量机、贝叶斯蒙特卡洛框架、粒子滤波和卡尔曼滤波。基于数据驱动的RUL包含两种:基于统计模型的预测方法和基于人工智能算法的预测方法。基于统计模型的预测方法按照时间序列分析电池性能参数的变化,建立电池老化的统计学模型,通过外推估计电池寿命,其主要方法有基于回归模型和基于粒子滤波等。在文献[56]中,通过性能退化数据分析,发现电池容量退化基本符合幂函数,这类方法不涉及电池类型及内部原理,有较好的通用性。基于人工智能算法的预测方法通过大量历史数据,从电池性能参数和状态监测数据中挖掘内在的电池健康状态变化规律,开展RUL预测。随着人工智能技术的发展,相关研究得到重视,这种方法包含建模方法中不能体现的多种扰动因素和个体差异影响,在某些场合较基于模型的方法精度更高。目前多采用的智能算法有:时间序列模型AR、人工神经网络、支持向量机、相关向量机、高斯过程回归及灰色理论。上述电池寿命预测方法的分类关系如图7所示,整理了各类预测方法中使用的数学方法,各类方法的优缺点分析如表6所示。通过大量文献分析,目前应用较为成熟的方法是经验衰退模型,新兴的研究热点是基于人工智能算法的RUL预测。表5 锂离子电池SOH基于电池模型评估采用的数学方法优缺点对比
表 6 RUL预测方法优缺点对比
(4) |
(5) |
4.2 锂离子电池剩余寿命预测模型
在4.1节中提到的经验衰退模型,主要有两种类型:基于阻抗变化的循环寿命模型和基于容量衰退的剩余寿命模型。基于阻抗变化的循环寿命模型,通过电池电阻与温度改变及SOC与ΔSOC的变化,推导出了循环寿命完全经验模型,如式(6),(7),(8)所示(6) |
(7) |
(8) |
(9) |
(10) |
(11) |
(12) |
4.3 基于融合模型的锂离子电池剩余寿命预测
锂离子电池针对经验衰退模型依赖模型、数据驱动模型依赖数据的局限,融合模型结合这两种方法,希望能够解决上述问题,提高RUL预测精度,是最新的研究方向。文献[23]中,采用粒子群PSO、最小二乘支持向量回归机LSSVM和粒子滤波PF融合。文献[36,39]中,采用时间序列分析ARIMA模型和PF算法融合。文献[31]中,采用AR模型和PF算法融合。在文献[32]中,采用RVM、AR模型和PF算法进行融合。文献[35]采用ARIMA模型和卡尔曼滤波KF算法融合。5 结 语
邮发代号:80-732
联系热线:010-64519601/9602/9643
投稿网址:http://www.energystorage-journal.com