Baterija u električnim vozilima je ključni fokus održavanja zdravlja baterije. Sistem upravljanja baterijom (BMS) održava optimalno stanje baterije procjenom njenog zdravstvenog stanja (SOH). Precizna identifikacija SOH može odrediti vrijeme zamjene baterije, izbjeći kvar baterije i produžiti njen vijek trajanja. Ovaj članak ima za cilj poboljšanje performansi BMS-a identifikacijom SOH parametara. Na osnovu modela Thevenin baterije dobijaju se ključni parametri kao što su R{{0}}, Rp i Cp. Dva adaptivna algoritma, Kulonovo brojanje i napon otvorenog kola, koriste se za kompletnu identifikaciju parametara. Upoređuju se rezultati dva algoritama u smislu greške, srednje apsolutne greške (MAE), srednje kvadratne greške (RMSE) i konačne SOH vrijednosti. Istraživanje se fokusira na dobijanje podataka o greškama u proceni i pouzdanih informacija o performansama BMS. Rezultati pokazuju da Coulomb metoda brojanja ima manju grešku u procjeni SOH od metode napona otvorenog kola, sa greškom od 1,770%. Konačna vrijednost SOH je 17,33%, a Thevenin model baterije ima grešku modeliranja od 0,0451% za bateriju.
1. Uvod
Akumulator električnih vozila i sistem upravljanja baterijama (BMS):U električnim vozilima, baterija je primarni izvor energije, koji osigurava napajanje motora i drugih sistema. Za razliku od tradicionalnih automobila, baterije za električna vozila imaju relativno mali kapacitet i napon i obično su pakirane u baterijske module. Sistem baterija se sastoji od više baterija, kojima upravlja BMS. Njegove funkcije uključuju optimizaciju sistema rada baterije, uključujući dva ključna parametra: stanje napunjenosti (SOC) i stanje zdravlja (SOH). SOC je omjer preostalog kapaciteta i ukupnog kapaciteta, dok je SOH uporedna vrijednost između trenutnih performansi i performansi nove baterije, koja se ne može direktno mjeriti i treba je procijeniti.
Pozadina istraživanja i srodne metode:Stanje zdravlja (SOH) može kvantificirati performanse baterije i vijek trajanja. Degradacija kvaliteta, promjene u internom otporu i parametrima kapaciteta mogu se pojaviti tijekom korištenja baterije. Identifikacija SOH parametara pomaže u određivanju stvarnog stanja baterije, preporučuje vrijeme zamjene i produžuje vijek trajanja baterije. Trenutno postoji više metoda za procjenu stanja zdravlja (SOH) ili State of Charge (SOC), ali postoji nekoliko metoda koje istovremeno identificiraju oba i generiraju odgovarajuće parametre za smanjenje računskog opterećenja na BMS. Algoritam za praćenje parametara baterije treba se prilagoditi promjenama parametara i procijeniti stanje baterije. Metode se mogu podijeliti u tri kategorije, uključujući metodu spektralne impedanse, metodu jednadžbe modela kola i metodu modela elektrohemijske impedanse.
Pregled povezanih radova:Više metoda je uobičajeno korišteno u prethodnim istraživanjima za identifikaciju parametara baterije. Metode kulonskog brojanja (CC) i napona otvorenog kola (OCV) se široko koriste u BMS električnih vozila, svaka sa svojim prednostima i nedostacima. CC metoda procjenjuje SOH praćenjem ulaznog i izlaznog kapaciteta baterije, uzimajući u obzir gubitak snage tokom ciklusa punjenja, a također može pružiti relevantne informacije kroz oporavak napona; OCV metoda se može smatrati balansiranim naponom nakon što se baterija potpuno odmara, a stanje zdravlja (SOH) se procjenjuje uzimajući u obzir uslove parametara baterije BMS.
Fokus ove studije je da se identifikuju tačni SOH parametri za produženje trajanja baterije. Metoda zasnovana na modelu baterije koristi se za procjenu i identifikaciju SOH parametara. Thevenin model baterije se koristi za identifikaciju parametara R0, Rp i Cp putem adaptivnog algoritma (Rekurzivni najmanji kvadrati, RLS). Na osnovu rezultata evaluacije, dobijaju se precizne SOH procjene kako bi se smanjilo računarsko opterećenje.
Istraživački doprinos:Rezultati testiranja parametara baterije daju razumne procjene i male stope grešaka za procjenu performansi BMS sistema. Metoda Coulomb brojanja pogodna je za izračunavanje kapaciteta baterije, a maksimalna snaga baterije opada sa povećanjem ciklusa punjenja i pražnjenja. Relativna greška modela Thevenin baterije je manja od 2%. U smislu tačnosti procjene SOH, CC metoda je superiornija od RLS, a CC metoda može procijeniti napon terminala baterije i SOC, dok OCV metoda može procijeniti samo parametre baterije.
2. Sistem upravljanja baterijama
Komponente baterije (funkcije i sastav BMS-a):BMS reguliše baterijski sistem sastavljen od stotina ili hiljada baterija u električnim vozilima i ima važne funkcije kao što su praćenje, procena parametara, zaštita, pružanje izveštaja i balansiranje baterija. Njegove glavne funkcije uključuju zaštitu baterije od oštećenja, rad baterije u odgovarajućim rasponima napona i temperature i održavanje baterije da radi na parametrima koji zadovoljavaju sistemske zahtjeve kao što su SOC, SOH i SOF. BMS se sastoji od senzora, aktuatora i kontrolera, sa ulazima koji uključuju signale senzora kao što su struja, napon, temperatura i pedale, i izlazi uključujući module za upravljanje temperaturom, balans, upravljanje sigurnošću, indikaciju punjenja, alarm greške i komunikaciju. BMS softver uključuje više funkcionalnih modula kao što su detekcija parametara baterije, procjena i dijagnoza kvarova. Mjerenje napona baterije, procjena parametara, balansiranje i dijagnoza kvarova glavna su pitanja BMS-a, među kojima se mjerenje napona baterije suočava sa poteškoćama kao što su razlike napona uzrokovane serijskim povezivanjem baterija i zahtjevima visoke preciznosti.
Modeliranje baterija:Ovaj članak određuje parametre stanja zdravlja (SOH) kroz modeliranje baterije i pretvara ulazne parametre napona baterije, struje i temperature u SOH da bi se dobile precizne procjene. Koristeći Thevenin model baterije, naponski prolazni odziv procesa polarizacije baterije opisuje se odabirom internog otpora i parametara kapacitivnosti baterije. Date su matematičke jednadžbe modela baterije i metode proračuna povezanih parametara (Voc, R0, Rp i Cp), koje su dobijene pomoću RLS algoritma i primijenjene na Thevenin model baterije.
3. Odrediti parametre zdravstvenog stanja
Značaj i metode utvrđivanja parametara zdravstvenog statusa:Precizni SOH parametri su ključni za performanse BMS-a. Ova studija koristi Coulomb brojanje kao adaptivni algoritam za identifikaciju ovih parametara kako bi se dobile vrijednosti inicijalizacije SOH i procijenile performanse BMS-a. Thevenin model baterije koristi se za određivanje parametara modela baterije i OCV-SOC funkcije. Specifični proces uključuje unos struje u model baterije, analizu podataka o naponu terminala, pretvaranje iz vremenske domene u SOC domen i prilagođavanje krivulje kako bi se dobila OCV-SOC funkcija. Proces identifikacije parametara se ponavlja sve dok procjena SOH nije razumna, a stopa greške mala.
OCV-SOC funkcija:Baziran na Thevenin modelu baterije, OCV (SOC) je parametar napona izvora dobiven testiranjem napona baterije bez priključenog opterećenja i napona prije spajanja baterijskog paketa. SOC OCV kriva je procijenjena korištenjem podataka ispitivanja konstantnog opterećenja i opremljena je polinomom dvanaestog reda. Polinom desetog reda ima najveću tačnost u procjeni Voc i najmanju srednju kvadratnu grešku (RMSE), što ima značajan utjecaj na tačnost SOC i OCV funkcija.
R0, Rp i Cp parametri:Thevenin model baterije zahtijeva OCV na SOC kao izvorni napon, koji se dobija pulsnim testiranjem. R{{0}} je unutrašnji otpor čija je vrijednost veća od ostalih otpora. Zbog problema sa periodom uzorkovanja, teško je uhvatiti male promjene podataka. Odnos između R0 i SOC-a je dobijen fitingom polinomske krive drugog reda, sa prosječnom vrijednošću R0 od 0.027735 Ω. R0, Rp i Cp daju ulazne podatke za testiranje napona i struje impulsa i dobijaju vrednosti izlaznih parametara.
Eksperimentalni rezultat
Analizom parametara stanja zdravlja (SOH) koje prati baterija, postižu se performanse BMS-a i dobijaju se podaci o fizičkim parametrima kao što su napon na terminalu i ulazna/izlazna struja baterije. Na osnovu modeliranja baterija, podaci o parametrima se identifikuju i koriste za praćenje statusa baterije i sisteme zaštite. Metoda procjene SOH uključuje mjerenje promjena u otporu i kapacitetu baterije, odnosno korištenjem Ohmovog zakona i Coulombove metode brojanja, i zamjenu OCV vrijednosti u jednadžbu OCV-SOC odnosa kako bi se dobile vrijednosti SOC i SOH.
Proveden je test statičkog pražnjenja, a rezultati su pokazali da je CC algoritam dobio promjenu SOH množenjem trenutne vrijednosti sa vremenom, dok je OCV algoritam dobio SOH vrijednost korištenjem napona terminala ili OCV vrijednosti modela baterije. Krivulje promjene SOH za dva algoritama su bile slične. Test je također dobio rezultate identifikacije parametara baterije, a karakteristike opuštanja baterije se mogu koristiti za identifikaciju parametara. Što je ciklus ispitivanja brži, to je tačnija procjena SOH. CC algoritam je superiorniji od OCV algoritma u SOH inicijalizaciji, koji može bolje razumjeti unutrašnji otpor baterije i istovremeno procijeniti terminalni napon Vt, SOC i SOH baterije, sa greškom procjene manjom od 2%.
Iz podataka o grešci identifikacije SOH parametara, srednja kvadratna greška (MSE) CC algoritma je {{0}}.0111, konačna vrijednost SOH je 17,33%, postotak greške je 1,770%, a korijen srednja kvadratna greška (RMSE) je 0,0132
Diskusija o rezultatima istraživanja:Utjecaj unutrašnjeg otpora baterije na CC i OCV algoritme je sličan, a CC algoritam može bolje razumjeti unutrašnji otpor sa manjim greškama. CC algoritam može uspješno procijeniti terminalni napon Vt, SOC i SOH baterije istovremeno, sa greškom procjene manjom od 2%. U testu pražnjenja, CC algoritam je tačniji od OCV algoritma u SOH inicijalizaciji, sa procijenjenom srednjom kvadratnom greškom (MSE) od 1,770% za CC algoritam i 3,256% za OCV algoritam. Ovi rezultati pružaju referencu za identifikaciju parametara u evaluaciji BMS-a.
4. Sažetak
Rezultati evaluacije performansi BMS bazirani na identifikaciji parametara SOH pokazuju da Coulomb algoritam brojanja ima bolje rezultate procjene, sa greškom procjene SOH od 1,770% i konačnom vrijednošću SOH od 17,33%. Greška modeliranja Thevenin modela baterija za baterije je 0,0451%. U smislu tačnosti procjene SOH korištenjem dvije metode (kulonovo brojanje i napon otvorenog kola), kulonovo brojanje ima veću tačnost. Osim toga, adaptivni algoritmi zasnovani na modeliranju baterija mogu procijeniti napon terminala i SOH baterije.