Sähköajoneuvojen akku on akun terveydenhuollon keskeinen painopiste. Battery Management System (BMS) ylläpitää akun optimaalista tilaa arvioimalla sen terveydentilaa (SOH). SOH:n tarkka tunnistaminen voi määrittää akun vaihtoajan, välttää akun vian ja pidentää sen käyttöikää. Tämän artikkelin tavoitteena on parantaa BMS:n suorituskykyä tunnistamalla SOH-parametreja. Thevenin-akkumallin perusteella saadaan tärkeimmät parametrit, kuten R{{0}}, Rp ja Cp. Kahta adaptiivista algoritmia, Coulombin laskentaa ja avoimen piirin jännitettä, käytetään parametrien tunnistamiseen. Kahden algoritmin tuloksia verrataan virheen, absoluuttisen keskivirheen (MAE), neliövirheen (RMSE) ja lopullisen SOH-arvon suhteen. Tutkimus keskittyy estimointivirhetietojen ja luotettavien BMS-suorituskykytietojen saamiseen. Tulokset osoittavat, että Coulombin laskentamenetelmällä on pienempi virhe SOH-estimoinnissa kuin avoimen piirin jännitemenetelmällä, virheellä 1,770 %. Lopullinen SOH-arvo on 17,33 %, ja Thevenin-akkumallin mallinnusvirhe on 0,0451 % akulle.
1. Johdanto
Sähköajoneuvojen akku ja akunhallintajärjestelmä (BMS):Sähköajoneuvoissa akku on ensisijainen energianlähde, joka antaa virtaa moottorille ja muille järjestelmille. Toisin kuin perinteisissä autoissa, sähköajoneuvojen akuilla on suhteellisen pieni kapasiteetti ja jännite, ja ne on yleensä pakattu akkumoduuleihin. Akkujärjestelmä koostuu useista akuista, joita hallinnoi BMS. Sen toimintoihin kuuluu akun toimintajärjestelmän optimointi, joka sisältää kaksi avainparametria: lataustila (SOC) ja terveydentila (SOH). SOC on jäljellä olevan kapasiteetin suhde kokonaiskapasiteettiin, kun taas SOH on nykyisen suorituskyvyn ja uuden akun suorituskyvyn vertailuarvo, jota ei voida mitata suoraan ja se on arvioitava.
Tutkimuksen tausta ja siihen liittyvät menetelmät:Terveystila (SOH) voi mitata akun suorituskyvyn ja käyttöiän. Akun käytön aikana saattaa tapahtua laadun heikkenemistä, muutoksia sisäisessä resistanssissa ja kapasiteettiparametreissa. SOH-parametrien tunnistaminen auttaa määrittämään akun todellisen kunnon, suosittelemaan vaihtoaikoja ja pidentämään akun käyttöikää. Tällä hetkellä on olemassa useita menetelmiä terveydentilan (SOH) tai latauksen tilan (SOC) arvioimiseen, mutta on vain vähän menetelmiä, jotka tunnistavat molemmat samanaikaisesti ja luovat asianmukaiset parametrit BMS:n laskentataakan vähentämiseksi. Akun parametrien seurantaalgoritmin on mukauduttava parametrien muutoksiin ja arvioitava akun kunto. Menetelmät voidaan jakaa kolmeen kategoriaan, mukaan lukien spektriimpedanssimenetelmä, piirimalliyhtälömenetelmä ja sähkökemiallinen impedanssimallimenetelmä.
Arvostelu aiheeseen liittyvistä töistä:Aiemmissa tutkimuksissa on käytetty yleisesti useita menetelmiä akun parametrien tunnistamiseen. Kulonlaskennan (CC) ja avoimen piirin jännitteen (OCV) menetelmiä käytetään laajalti sähköajoneuvojen BMS:ssä, kummallakin on omat etunsa ja haittansa. CC-menetelmä arvioi SOH:ta tarkkailemalla akun sisään- ja ulostulokapasiteettia, ottaen huomioon latausjakson aikana tapahtuvan tehohäviön, ja se voi myös antaa asiaankuuluvaa tietoa jännitteenpalautuksen kautta; OCV-menetelmää voidaan pitää balansoituna jännitteenä sen jälkeen, kun akku on täysin levossa, ja terveydentila (SOH) arvioidaan ottamalla huomioon BMS-akun parametriolosuhteet.
Tämän tutkimuksen painopiste on löytää tarkat SOH-parametrit akun käyttöiän pidentämiseksi. SOH-parametrien arvioimiseen ja tunnistamiseen käytetään akkumallipohjaista menetelmää. Thevenin-akkumallia käytetään R0-, Rp- ja Cp-parametrien tunnistamiseen adaptiivisen algoritmin (Recursive Least Squares, RLS) avulla. Arviointitulosten perusteella saadaan tarkat SOH-arviot laskennallisen taakan vähentämiseksi.
Tutkimuspanos:Akun parametrien testauksen tulokset tarjoavat kohtuullisia arvioita ja pieniä virheprosentteja BMS-järjestelmän suorituskyvyn arvioimiseksi. Coulombin laskentamenetelmä on kätevä akun kapasiteetin laskemiseen, ja akun maksimiteho pienenee lataus- ja purkausjaksojen kasvaessa. Thevenin-akkumallin suhteellinen virhe on alle 2%. SOH-estimointitarkkuuden kannalta CC-menetelmä on parempi kuin RLS, ja CC-menetelmällä voidaan arvioida akun napajännitettä ja SOC:ta, kun taas OCV-menetelmällä voidaan arvioida vain akun parametreja.
2. Akun hallintajärjestelmä
Akun komponentit (BMS:n toiminnot ja koostumus):BMS säätelee sähköajoneuvojen sadoista tai tuhansista akuista koostuvaa akkujärjestelmää, ja sillä on tärkeitä toimintoja, kuten valvonta, parametrien arviointi, suojaus, raportointi ja akkujen tasapainotus. Sen päätoimintoihin kuuluu akun suojaaminen vaurioilta, akun käyttö asianmukaisilla jännite- ja lämpötila-alueilla ja akun pitäminen toimimassa parametreilla, jotka täyttävät järjestelmävaatimukset, kuten SOC, SOH ja SOF. BMS koostuu antureista, toimilaitteista ja ohjaimista, joiden tulot sisältävät anturisignaaleja, kuten virta, jännite, lämpötila ja polkimet, ja lähdöt, mukaan lukien lämmönhallinta-, tasapaino-, turvallisuushallinta-, latauksen ilmaisu-, vikahälytys- ja viestintämoduulit. BMS-ohjelmisto sisältää useita toiminnallisia moduuleja, kuten akun parametrien havaitsemisen, arvioinnin ja vikadiagnoosin. Akkujännitteen mittaus, parametrien estimointi, tasapainotus ja vikadiagnoosit ovat BMS:n pääasiallisia kysymyksiä, joista akkujännitteen mittauksessa on vaikeuksia, kuten akkusarjakytkennästä ja korkeasta tarkkuusvaatimuksista johtuvia jänniteeroja.
Akun mallinnus:Tässä artikkelissa määritetään terveydentilan (SOH) parametrit akkumallinnuksen avulla ja muunnetaan akun jännite-, virta- ja lämpötilaparametrit SOH-parametriksi tarkkojen arvioiden saamiseksi. Thevenin-akkumallia käytettäessä akun polarisaatioprosessin jännitetransienttivastetta kuvataan valitsemalla akun sisäiset resistanssi- ja kapasitanssiparametrit. Tarjolla on akkumallin matemaattiset yhtälöt ja niihin liittyvien parametrien (Voc, R0, Rp ja Cp) laskentamenetelmät, jotka saadaan RLS-algoritmin avulla ja joita sovelletaan Thevenin-akkumalliin.
3. Määritä terveydentilaparametrit
Terveystilan parametrien tunnistamisen tärkeys ja menetelmät:Tarkat SOH-parametrit ovat ratkaisevan tärkeitä BMS-suorituskyvyn kannalta. Tässä tutkimuksessa käytetään Coulomb-laskentaa adaptiivisena algoritmina näiden parametrien tunnistamiseen SOH-alustusarvojen saamiseksi ja BMS-suorituskyvyn arvioimiseksi. Thevenin-akkumallia käytetään akkumallin parametrien ja OCV-SOC-toiminnon määrittämiseen. Tietty prosessi sisältää virran syöttämisen akkumalliin, napajännitetietojen analysoinnin, muuntamisen aika-alueelta SOC-alueeksi ja käyrän sovituksen OCV-SOC-funktion saamiseksi. Parametrien tunnistusprosessia toistetaan, kunnes SOH-arvio on kohtuullinen ja virhesuhde pieni.
OCV-SOC-toiminto:Thevenin-akkumalliin perustuva OCV (SOC) on lähdejänniteparametri, joka saadaan testaamalla akun jännite ilman kytkettyä kuormaa ja jännite ennen akun liittämistä. SOC OCV -käyrä estimoidaan vakiokuormitustestidatan avulla ja sovitetaan kahdennentoista kertaluvun polynomilla. Kymmenennen kertaluvun polynomilla on suurin tarkkuus Voc:n estimoinnissa ja pienin keskimääräinen neliövirhe (RMSE), millä on merkittävä vaikutus SOC- ja OCV-funktioiden tarkkuuteen.
R0-, Rp- ja Cp-parametrit:Thevenin-akkumalli vaatii OCV:n SOC:ssa lähdejännitteenä, joka saadaan pulssitestauksella. R{{0}} on sisäinen vastus, jonka arvo on suurempi kuin muiden vastusten arvo. Otantajaksoongelmasta johtuen pieniä datamuutoksia on vaikea siepata. Suhde R0:n ja SOC:n välillä saatiin toisen asteen polynomikäyräsovituksella, keskimääräisellä R0-arvolla 0.027735 Ω. R0, Rp ja Cp tarjoavat syöttötiedot jännite- ja virtapulssien testausta varten ja saavat lähtöparametriarvot.
Kokeellinen tulos
Analysoimalla akun valvomia terveydentilan (SOH) parametreja saavutetaan BMS:n suorituskyky ja saadaan fyysisiä parametreja, kuten akun napajännite ja tulo/lähtövirta. Akkumallinnuksen perusteella parametritiedot tunnistetaan ja niitä käytetään akun tilan valvonta- ja suojausjärjestelmiin. SOH-estimointimenetelmään kuuluu akun resistanssin ja kapasiteetin muutosten mittaaminen käyttäen Ohmin lakia ja Coulombin laskentamenetelmää ja OCV-arvon korvaaminen OCV-SOC-suhdeyhtälöön SOC- ja SOH-arvojen saamiseksi.
Suoritettiin staattinen purkaustesti ja tulokset osoittivat, että CC-algoritmi sai SOH-muutoksen kertomalla virran arvon ajalla, kun taas OCV-algoritmi sai SOH-arvon käyttämällä akkumallin napajännitettä tai OCV-arvoa. Molempien algoritmien SOH-muutoskäyrät olivat samanlaiset. Testissä saatiin myös akun parametrien tunnistustuloksia, ja akun rentoutumisominaisuuksia voidaan käyttää parametrien tunnistamiseen. Mitä nopeampi testisykli, sitä tarkempi SOH-estimaatti. CC-algoritmi on parempi kuin OCV-algoritmi SOH-alustuksessa, joka voi ymmärtää paremmin akun sisäisen resistanssin ja samanaikaisesti arvioida akun napajännitteen Vt, SOC ja SOH, estimointivirheellä alle 2%.
SOH-parametrien tunnistamisen virhetiedoista CC-algoritmin keskimääräinen neliövirhe (MSE) on {{0}}.0111, lopullinen SOH-arvo on 17,33%, virheprosentti on 1,770% ja juuri keskimääräinen neliövirhe (RMSE) on 0,0132
Tutkimustuloskeskustelu:Sisäisen akun resistanssin vaikutus CC- ja OCV-algoritmeihin on samanlainen, ja CC-algoritmi pystyy ymmärtämään sisäisen resistanssin paremmin pienemmillä virheillä. CC-algoritmi voi onnistuneesti arvioida akun napajännitteen Vt, SOC ja SOH samanaikaisesti alle 2 %:n estimointivirheellä. Purkaustestissä CC-algoritmi on tarkempi kuin OCV-algoritmi SOH-alustamisessa, ja arvioitu keskineliövirhe (MSE) on 1,770 % CC-algoritmilla ja 3,256 % OCV-algoritmilla. Nämä tulokset tarjoavat viittauksen parametrien tunnistamiseen BMS-arvioinnissa.
4. Yhteenveto
SOH-parametrien tunnistamiseen perustuvat BMS:n suorituskyvyn arviointitulokset osoittavat, että Coulombin laskenta-algoritmilla on parempia estimointituloksia: SOH-arviointivirhe on 1,770 % ja lopullinen SOH-arvo 17,33 %. Thevenin-akkumallin mallinnusvirhe paristoille on 0,0451%. Mitä tulee SOH-estimoinnin tarkkuuteen kahdella menetelmällä (Coulombin laskenta ja avoimen piirin jännite), Coulombin laskennalla on suurempi tarkkuus. Lisäksi akkumallinnukseen perustuvat adaptiiviset algoritmit voivat arvioida akun napajännitteen ja SOH:n.