La batería de los vehículos eléctricos es un aspecto clave del mantenimiento del estado de la batería. El Sistema de Gestión de Batería (BMS) mantiene el estado óptimo de la batería evaluando su Estado de Salud (SOH). La identificación precisa de SOH puede determinar el tiempo de reemplazo de la batería, evitar fallas en la batería y extender su vida útil. Este artículo tiene como objetivo mejorar el rendimiento de BMS mediante la identificación de parámetros SOH. Basado en el modelo de batería de Thevenin, se obtienen parámetros clave como R{{0}}, Rp y Cp. Se utilizan dos algoritmos adaptativos, recuento de Coulomb y voltaje de circuito abierto, para completar la identificación de parámetros. Se comparan los resultados de los dos algoritmos en términos de error, error absoluto medio (MAE), error cuadrático medio (RMSE) y valor SOH final. La investigación se centra en obtener datos de errores de estimación e información confiable sobre el rendimiento de BMS. Los resultados muestran que el método de conteo de Coulomb tiene un error menor en la estimación de SOH que el método de voltaje de circuito abierto, con un error de 1.770%. El valor final de SOH es 17,33% y el modelo de batería de Thevenin tiene un error de modelado de 0,0451% para la batería.
1. Introducción
Batería de vehículos eléctricos y sistema de gestión de baterías (BMS):En los vehículos eléctricos, la batería es la principal fuente de energía y proporciona energía al motor y a otros sistemas. A diferencia de los automóviles tradicionales, las baterías de los vehículos eléctricos tienen una capacidad y un voltaje relativamente pequeños y, por lo general, están empaquetadas en módulos de batería. El sistema de baterías consta de varias baterías gestionadas por BMS. Entre sus funciones se encuentra la optimización del sistema de funcionamiento de la batería, involucrando dos parámetros clave: estado de carga (SOC) y estado de salud (SOH). SOC es la relación entre la capacidad restante y la capacidad total, mientras que SOH es el valor de comparación entre el rendimiento actual y el rendimiento de la batería nueva, que no se puede medir directamente y debe estimarse.
Antecedentes de la investigación y métodos relacionados:El estado de salud (SOH) puede cuantificar el rendimiento y la vida útil de la batería. Durante el uso de la batería pueden producirse degradación de la calidad, cambios en la resistencia interna y los parámetros de capacidad. La identificación de los parámetros SOH ayuda a determinar el estado real de la batería, recomendar tiempos de reemplazo y extender la vida útil de la batería. Actualmente existen múltiples métodos para estimar el estado de salud (SOH) o el estado de carga (SOC), pero existen pocos métodos que identifiquen ambos simultáneamente y generen parámetros apropiados para reducir la carga computacional en BMS. El algoritmo para monitorear los parámetros de la batería debe adaptarse a los cambios de parámetros y estimar el estado de la batería. Los métodos se pueden dividir en tres categorías, incluido el método de impedancia espectral, el método de ecuación del modelo de circuito y el método del modelo de impedancia electroquímica.
Revisión de trabajos relacionados:En investigaciones anteriores se han utilizado comúnmente múltiples métodos para identificar los parámetros de la batería. Los métodos de conteo culombico (CC) y voltaje de circuito abierto (OCV) se utilizan ampliamente en BMS de vehículos eléctricos, cada uno con sus propias ventajas y desventajas. El método CC estima la SOH monitoreando la capacidad de entrada y salida de la batería, teniendo en cuenta la pérdida de energía durante el ciclo de carga, y también puede proporcionar información relevante a través de la recuperación de voltaje; El método OCV se puede considerar como un voltaje equilibrado después de que la batería ha descansado por completo y el estado de salud (SOH) se estima considerando las condiciones de los parámetros de la batería BMS.
El objetivo de este estudio es identificar parámetros SOH precisos para prolongar la vida útil de la batería. Se utiliza un método basado en modelos de batería para evaluar e identificar parámetros SOH. El modelo de batería de Thevenin se utiliza para identificar los parámetros R0, Rp y Cp mediante un algoritmo adaptativo (Recursive Least Squares, RLS). Según los resultados de la evaluación, se obtienen estimaciones SOH precisas para reducir la carga computacional.
Contribución a la investigación:Los resultados de las pruebas de los parámetros de la batería proporcionan estimaciones razonables y pequeñas tasas de error para evaluar el rendimiento del sistema BMS. El método de conteo de Coulomb es conveniente para calcular la capacidad de la batería y la potencia máxima de la batería disminuye con el aumento de los ciclos de carga y descarga. El error relativo del modelo de batería Thevenin es inferior al 2%. En términos de precisión de estimación de SOH, el método CC es superior al RLS, y el método CC puede estimar el voltaje del terminal de la batería y el SOC, mientras que el método OCV solo puede estimar los parámetros de la batería.
2. Sistema de gestión de batería
Componentes de la batería (funciones y composición del BMS):BMS regula el sistema de baterías compuesto por cientos o miles de baterías en vehículos eléctricos y tiene funciones importantes como monitorear, estimar parámetros, proteger, proporcionar informes y equilibrar baterías. Sus funciones principales incluyen proteger la batería contra daños, operar la batería dentro de rangos de voltaje y temperatura adecuados y mantener la batería para que funcione en parámetros que cumplan con los requisitos del sistema, como SOC, SOH y SOF. BMS consta de sensores, actuadores y controladores, con entradas que incluyen señales de sensores como corriente, voltaje, temperatura y pedales, y salidas que incluyen módulos para gestión térmica, equilibrio, gestión de seguridad, indicación de carga, alarma de falla y comunicación. El software BMS incluye múltiples módulos funcionales, como detección, estimación y diagnóstico de fallas de parámetros de la batería. La medición del voltaje de la batería, la estimación de parámetros, el equilibrio y el diagnóstico de fallas son los principales problemas de BMS, entre los cuales la medición del voltaje de la batería enfrenta dificultades como las diferencias de voltaje causadas por la conexión en serie de la batería y los requisitos de alta precisión.
Modelado de batería:Este artículo determina los parámetros del estado de salud (SOH) mediante el modelado de la batería y convierte los parámetros de voltaje, corriente y temperatura de entrada de la batería en SOH para obtener estimaciones precisas. Utilizando el modelo de batería de Thevenin, la respuesta transitoria de voltaje del proceso de polarización de la batería se describe seleccionando los parámetros de resistencia interna y capacitancia de la batería. Se proporcionan las ecuaciones matemáticas del modelo de batería y los métodos de cálculo de los parámetros relacionados (Voc, R0, Rp y Cp), que se obtienen mediante el algoritmo RLS y se aplican al modelo de batería de Thevenin.
3. Determinar los parámetros del estado de salud.
La importancia y los métodos para identificar los parámetros del estado de salud:Los parámetros SOH precisos son cruciales para el rendimiento del BMS. Este estudio utiliza el conteo de Coulomb como algoritmo adaptativo para identificar estos parámetros para obtener valores de inicialización de SOH y evaluar el rendimiento de BMS. El modelo de batería Thevenin se utiliza para determinar los parámetros del modelo de batería y la función OCV-SOC. El proceso específico implica ingresar corriente al modelo de batería, analizar los datos de voltaje de los terminales, convertir del dominio del tiempo al dominio SOC y ajustar la curva para obtener la función OCV-SOC. El proceso de identificación de parámetros se repite hasta que la estimación de SOH sea razonable y la tasa de error sea pequeña.
Función OCV-SOC:Basado en el modelo de batería de Thevenin, OCV (SOC) es un parámetro de voltaje de fuente que se obtiene probando el voltaje de la batería sin una carga conectada y el voltaje antes de conectar el paquete de baterías. La curva SOC OCV se estima utilizando datos de prueba de carga constante y se ajusta con un polinomio de duodécimo orden. El polinomio de décimo orden tiene la mayor precisión en la estimación de Voc y el error cuadrático medio (RMSE) más pequeño, lo que tiene un impacto significativo en la precisión de las funciones SOC y OCV.
Parámetros R0, Rp y Cp:El modelo de batería Thevenin requiere OCV en SOC como voltaje de fuente, que se obtiene mediante prueba de pulso. R{{0}} es una resistencia interna con un valor mayor que otras resistencias. Debido a la cuestión del período de muestreo, es difícil capturar pequeños cambios en los datos. La relación entre R0 y SOC se obtuvo mediante ajuste de curva polinómica de segundo orden, con un valor promedio de R0 de 0.027735 Ω. R0, Rp y Cp proporcionan datos de entrada para pruebas de pulsos de corriente y voltaje y obtienen valores de parámetros de salida.
resultado experimental
Al analizar los parámetros del estado de salud (SOH) monitoreados por la batería, se logra el rendimiento del BMS y se obtienen datos de parámetros físicos como el voltaje del terminal y la corriente de entrada/salida de la batería. Basado en el modelado de baterías, los datos de los parámetros se identifican y utilizan para los sistemas de protección y monitoreo del estado de la batería. El método de estimación de SOH incluye medir los cambios en la resistencia y capacidad de la batería, utilizando respectivamente la ley de Ohm y el método de conteo de Coulomb, y sustituir el valor de OCV en la ecuación de relación OCV-SOC para obtener los valores de SOC y SOH.
The static discharge test was conducted, and the results showed that the CC algorithm obtained the SOH change by multiplying the current value by time, while the OCV algorithm obtained the SOH value by using the terminal voltage or OCV value of the battery model. The SOH change curves of the two algorithms were similar. The test also obtained battery parameter identification results, and the battery relaxation characteristics can be used for parameter identification. The faster the test cycle, the more accurate the SOH estimation. The CC algorithm is superior to the OCV algorithm in SOH initialization, which can better understand the internal resistance of the battery and simultaneously estimate the terminal voltage Vt, SOC, and SOH of the battery, with an estimation error of less than 2%.
A partir de los datos de error de identificación de los parámetros SOH, el error cuadrático medio (MSE) del algoritmo CC es {{0}}.0111, el valor final de SOH es 17,33 %, el porcentaje de error es 1,770 % y la raíz El error cuadrático medio (RMSE) es 0,0132.
Discusión de los resultados de la investigación:El impacto de la resistencia interna de la batería en los algoritmos CC y OCV es similar, y el algoritmo CC puede comprender mejor la resistencia interna con errores más pequeños. El algoritmo CC puede estimar con éxito el voltaje terminal Vt, SOC y SOH de la batería simultáneamente, con un error de estimación de menos del 2%. En la prueba de descarga, el algoritmo CC es más preciso que el algoritmo OCV en la inicialización SOH, con un error cuadrático medio (MSE) estimado del 1,770% para el algoritmo CC y del 3,256% para el algoritmo OCV. Estos resultados proporcionan una referencia para la identificación de parámetros en la evaluación de BMS.
4. Resumen
Los resultados de la evaluación del desempeño de BMS basados en la identificación de parámetros SOH muestran que el algoritmo de conteo de Coulomb tiene mejores resultados de estimación, con un error de estimación de SOH del 1,77 0% y un valor final de SOH del 17,33%. El error de modelado del modelo de batería de Thevenin para baterías es del 0,0451%. En términos de precisión de la estimación de SOH utilizando dos métodos (conteo de Coulomb y voltaje de circuito abierto), el conteo de Coulomb tiene mayor precisión. Además, los algoritmos adaptativos basados en el modelado de baterías pueden estimar el voltaje terminal y el SOH de la batería.