关键词:
健康状态估算
老化差异
概率密度法
SAE-BPNN
生成模型
摘要:
为了有效应对全球气候变化,实现“双碳”目标,新能源汽车是环保与节能的重要发力点。磷酸铁锂电池以优良的性能成为电动汽车的重要动力来源,电池系统的性能和使用寿命更加受到社会的关注。然而,电池组应用过程中一些细节问题日益凸显,同型号单体电池在同工况条件下呈现不同老化速度,单体电池的性能决定电池系统的整体寿命。电池健康状态(State of Health,SOH)是表征电池寿命的关键指标,也是电池管理系统(Battery Management System,BMS)的重要组成部分。因此,准确估算电池的健康状态对提高电池组的整体性能、提升新能源汽车安全水平具有重要意义,同时,有助于推动新能源汽车产业的健康稳定发展。随着大数据和云技术的广泛应用,电动汽车的数据能被监测,这些原始数据可以用来评估电池组一致性、估算电池寿命并进行电池安全预警。另外,电池组内各单体电池的不一致性也是不容忽视的问题之一,在实际循环老化过程中,尽管整体工况相同,但是从电池的电压电流外特性以及容量衰减速率等指标来看,各单体之间仍然存在一定差异;而且随着电池不断老化,这种差异性程度还有逐渐增大的趋势,这也增加了准确估算电池SOH的难度。因此,深入分析全寿命周期内同品牌型号不同单体间的老化差异特性,进而设计出能够适应这种差异的SOH估算方案是非常必要的。本文针对磷酸铁锂电池的老化差异特性、SOH估算等问题展开研究,主要完成的工作如下:(1)不同充放电倍率条件下磷酸铁锂电池的老化特性及老化差异研究。针对磷酸铁锂电池的容量衰减特性,分别基于标准倍率和加速倍率对电池样本进行循环测试,从电压、电流、容量三方面因素分析电池的衰退特性。结果表明:充放电倍率越大电池衰退越快。同时,通过循环测试获取大量与电池SOH相关的原始数据和参数。针对同品牌同型号的多个单体电池样本,在相同工作应力条件下分别独立进行实验测试,发现磷酸铁锂电池的差异性贯穿整个生命周期,磷酸铁锂电池的寿命与循环次数并不存在特定线性关系,且循环老化后期差异性趋向于增大。不同倍率下,老化差异也不同。通过总结磷酸铁锂电池老化差异特性和多倍率充电特性的一般性规律,为电池SOH估算奠定基础。(2)基于电压概率密度的电池SOH估算。引进概率密度函数(Probability Density Function,PDF)思想,在不同倍率下,对电压概率密度曲线的峰值附近电压采样频次累积值作为健康特征,采用拟合方法得到特征参数与SOH之间的关系,得到不同倍率下的老化特征表。在此基础上,分别采用固定电压窗口与滑动窗口寻优的方法来确定电压特征区间,最后,对两种方案获得的SOH估算精度进行了对比分析。(3)基于稀疏自动编码器(Sparse Auto Encoder,SAE)和反向传播神经网络(Back Propagation Neural Network,BPNN)的电池SOH估算。构建基于SAE-BPNN的综合学习网络结构,首先,SAE用来从电池充电后期的电压数据中提取与电池老化状态相关的隐藏压缩特征;而后,通过BPNN建立该老化特征与电池SOH之间的非线性映射;最后,采用优化得到的SAE-BPNN网络,结合电池充电末期的电压数据,即可实现对电池SOH的估算。此外,本文还对基于SAE-BPNN的SOH估算精度及其对电池单体间老化差异的适应性进行了分析。(4)基于生成模型数据扩展的SOH估算。将变分深度嵌入(Variational Deep Embedding,Va DE)和带有梯度惩罚的生成对抗网络(Wasserstein GAN with Gradient Penalty,WGANGP)模型相结合,建立Va DE-WGANGP综合模型,利用开源的数据集,进行外特性曲线生成,构造出增强数据集,利用卷积神经网络CNN结合增强数据集对电池SOH进行估算。