跑不远的电动车？新方法精确估计电池容量，消除续航焦虑丨Engineering

锂离子动力电池（LIB）已成为各种电动载运工具的首选电源系统，包括电动汽车、电动轮船、电动火车和电动飞机。在全气候全寿命周期运行的电动载运工具中，锂离子电池的能量管理需要实时准确估计电池的荷电状态（SOC）和容量。北京理工大学的熊瑞等研究人员提出了一种多阶段模型融合算法可协同估计SOC和容量。首先，基于正态分布假设，利用模型在不同老化状态下的残差均值和方差计算权重，建立参数稳定的融合模型。其次，将具有预测性的微分增益引入比例-积分观测器（PIO）以提高收敛速度。再次，将多阶段融合模型与比例-积分-微分观测器（PIDO）结合，建立了一种融合算法，可实现复杂应用环境下SOC和容量的协同估计。然后，讨论了融合算法的收敛性和抗噪性能。最后，搭建硬件在环平台，验证了融合算法的性能。不同老化状态和温度下的验证结果表明，融合算法可以实现SOC和容量的高精度协同估计，误差分别在2%和3.3%以内。

随着能源短缺和空气污染加剧，国际上汽车消费大国相继制定了禁止燃油汽车的计划，这将不可避免地加速交通工具的电气化。由于循环寿命长、能量密度高、成本低等优点，锂离子动力电池（LIB）已成为电动汽车、电动船、电动火车和电动飞机常用的储能单元。在电动载运工具中，电池管理系统（BMS）在动力电池的安全运行过程中发挥着关键作用，其主要功能是实时准确估计荷电状态（SOC）和容量。由于锂离子电池是复杂的化学系统，SOC 和容量之间存在耦合效应。此外，老化和宽温度范围的复杂工况对电动载运工具中的锂离子电池影响较大，难以准确协同估计SOC和容量。

北京理工大学的熊瑞等研究人员提出了一种多阶段老化参数融合驱动模型和比例-积分-微分观测器（PIDO ） 新框架，实现了复杂工况下SOC和容量的准确估计。实验和HIL结果验证了该融合算法的有效性。

三个主要结论如下：

（1）采用融合方法辨识参数，可实时获得稳定的模型参数，克服了递归最小二乘（RLS ） 算法工况敏感性的不足。与单一模型相比，多级融合模型实现了不同温度和老化状态下更精确的电压预测。在10 ℃时，预测电压的均方根误差（RMSE ） 值在40 mV以内。

（2）提出了基于融合模型和PIDO 的多状态协同估计框架，实现了宽温度范围内老化电池SOC 和容量的准确估计。不同老化状态下， 25 ℃ 时SOC 最大估计误差（MAXE）在3%以内。硬件在环（HIL）测试结果表明，该方法能够有效地实现SOC 和容量的实时估计，且具有较高的精度，最大SOC估计误差为0.88%，容量估计最大误差为3.1%。

（3）与PIO 相比，本文改进的PIDO 能够更好地抑制电流噪声且收敛速度提高6 倍。

硬件在环验证台架。

以上内容来自： Rui Xiong,  Ju Wang,  Weixiang Shen,  Jinpeng Tian,  Hao Mu. Co-Estimation of State of Charge and Capacity for Lithium-Ion Batteries with Multi-Stage Model Fusion Method[J]. Engineering, 2021, 7(10):1469-1482.

推荐内容

• 北理工新型电池热模型预测电池短路自燃，提升电动汽车安全性

• 上海交通大学杨晓伟、马紫峰研究团队：铋基亲钠框架互穿钠金属负极实现无枝晶/高倍率钠离子电池

• 电动汽车蓬勃发展，电池回收面临挑战

• 优化电池管理系统，提升电动汽车应用前景

• 基于液冷的电池热管理系统助力电动汽车快速充电

欢迎关注我们

Engineering

ISSN 2095-8099

CN 10-1244/N

IF 12.8 Q1

点赞/ 赏/ 分享 让更多小伙伴看到 ↓