论文部分内容阅读
随着环境污染、能源短缺的问题日益严峻,各国的排放标准越来越严格,国内在政府对新能源汽车的政策大力扶持下尤以电动汽车发展迅猛,而动力电池作为电动汽车的核心技术瓶颈,决定了整车的安全性、经济型、动力性及续航里程,目前性能优越的三元锂离子电池正逐渐占领市场。作为锂离子电池最重要的性能指标之一的寿命因素倍受厂家和科研人员的关注,从车载动力电池的整个生命历程来看,无论是电池选型、电池成组,还是电池使用和维护、充电设备的设计及充电策略的制定都离不开电池寿命的约束,而在电池使用过程中能够实现对其健康状态的监测有助于及时维修,降低维修成本,保护电池延长其使用寿命,并能够确保其安全性和可靠性预防事故发生。目前对于动力电池的寿命预测存在诸多问题:老化试验周期很长,且会消耗大量的人力、物力、财力;实验室进行电池老化试验研究通常是在恒定电流条件下进行充放电,与实车变负载工况相差较大,无法真实反映车载动力电池寿命老化过程;电池内部参数获取困难,难以建立有效的机理预测模型,电池寿命非线性变化难以根据前期测试数据精确预测电池剩余使用寿命。基于此本文对动态工况下锂离子电池的寿命预测进行了研究。
本文设计并实现了在典型的DST、EUCAR、GB三种动态工况下的锂离子电池寿命衰减试验,并着重研究了在不同放电深度下的寿命衰减情况,根据锂离子电池的电化学特性进行分析,认识电池老化失效的必然性和复杂性,基于对电池老化机理的研究,分析老化试验得到的相关数据,从造成电池老化的内部及外部因素分别进行阐述,得到电池老化衰减规律,随着放电深度从25%增大到100%电池循环容量衰减速度明显增大,随着放电倍率从0.5C增大到2C循环容量衰减速度也明显增大,随着温度上升同样会加剧电池容量衰减。
文中介绍了粒子滤波算法的基本原理,提出利用基于试验数据建立的拟合模型与粒子滤波算法相结合的半经验融合预测方法进行电池剩余寿命的预测,详细阐述了利用融合方法进行锂离子电池剩余寿命预测的具体计算步骤。本文研究了线性模型、幂函数模型、双指数函数模型、二次多项式函数模型、高斯函数模型,分别对三种动态工况不同放电深度下的电池寿命衰减数据进行处理预测,在已知前100圈数据和已知前200圈数据时分别对比DST工况、EUCAR工况、GB工况下五种函数模型预测得到的结果。
在DST工况下线性函数模型以及二次多项式函数模型预测效果较差,在已知前100圈数据时除高斯模型外预测模型效果均不好,线性函数模型和指数函数模型误差分别为37.6%和22.1%,高斯函数模型误差仅为4.2%,当已知数据从100圈变大到200圈时整体预测效果都有提升,其中幂函数模型和高斯函数模型预测精度误差分别为5.9%和2.7%,而指数函数模型甚至达到了小于1%的预测精度,为0.74%,预测效果非常理想。在EUCAR工况下线性函数模型以及指数函数模型预测效果很差,在已知前100圈数据时,线性函数模型、指数函数模型和二次多项式函数模型误差分别为81.8%、51.5%和24.5%,高斯函数模型预测误差仅为5.9%,当已知数据从100圈变大到200圈时整体预测效果都有提升,其中高斯函数模型和幂函数模型预测精度分别达到3.2%和1.2%,预测效果很好。在GB工况下幂函数模型以及二次多项式函数模型预测效果较差,在已知前100圈数据时幂函数模型、指数函数模型和二次多项式函数模型误差分别为16.2%、28.7%和43.2%,高斯函数模型误差仅为4.8%,当已知数据从100圈变大到200圈时整体预测效果有所提升,其中线性函数模型、指数函数模型以及高斯函数模型预测精度分别达到9.2%、3.9%和3.7%,达到不错的预测效果。
将多种模型得到的预测结果进行对比,发现在不同预测起始圈数和不同拟合模型下利用粒子滤波算法得到的结果的差异,通常已知测量数据越多的情况下融合预测方法得到的预测结果比较精确,也有少部分情况预测精度反而变差,这主要是由于对非线性的寿命衰减数据的过拟合造成的,综合所有试验数据基础上的预测结果来看,可以得知高斯函数模型具有很好的预测效果和预测通用性。
本文设计并实现了在典型的DST、EUCAR、GB三种动态工况下的锂离子电池寿命衰减试验,并着重研究了在不同放电深度下的寿命衰减情况,根据锂离子电池的电化学特性进行分析,认识电池老化失效的必然性和复杂性,基于对电池老化机理的研究,分析老化试验得到的相关数据,从造成电池老化的内部及外部因素分别进行阐述,得到电池老化衰减规律,随着放电深度从25%增大到100%电池循环容量衰减速度明显增大,随着放电倍率从0.5C增大到2C循环容量衰减速度也明显增大,随着温度上升同样会加剧电池容量衰减。
文中介绍了粒子滤波算法的基本原理,提出利用基于试验数据建立的拟合模型与粒子滤波算法相结合的半经验融合预测方法进行电池剩余寿命的预测,详细阐述了利用融合方法进行锂离子电池剩余寿命预测的具体计算步骤。本文研究了线性模型、幂函数模型、双指数函数模型、二次多项式函数模型、高斯函数模型,分别对三种动态工况不同放电深度下的电池寿命衰减数据进行处理预测,在已知前100圈数据和已知前200圈数据时分别对比DST工况、EUCAR工况、GB工况下五种函数模型预测得到的结果。
在DST工况下线性函数模型以及二次多项式函数模型预测效果较差,在已知前100圈数据时除高斯模型外预测模型效果均不好,线性函数模型和指数函数模型误差分别为37.6%和22.1%,高斯函数模型误差仅为4.2%,当已知数据从100圈变大到200圈时整体预测效果都有提升,其中幂函数模型和高斯函数模型预测精度误差分别为5.9%和2.7%,而指数函数模型甚至达到了小于1%的预测精度,为0.74%,预测效果非常理想。在EUCAR工况下线性函数模型以及指数函数模型预测效果很差,在已知前100圈数据时,线性函数模型、指数函数模型和二次多项式函数模型误差分别为81.8%、51.5%和24.5%,高斯函数模型预测误差仅为5.9%,当已知数据从100圈变大到200圈时整体预测效果都有提升,其中高斯函数模型和幂函数模型预测精度分别达到3.2%和1.2%,预测效果很好。在GB工况下幂函数模型以及二次多项式函数模型预测效果较差,在已知前100圈数据时幂函数模型、指数函数模型和二次多项式函数模型误差分别为16.2%、28.7%和43.2%,高斯函数模型误差仅为4.8%,当已知数据从100圈变大到200圈时整体预测效果有所提升,其中线性函数模型、指数函数模型以及高斯函数模型预测精度分别达到9.2%、3.9%和3.7%,达到不错的预测效果。
将多种模型得到的预测结果进行对比,发现在不同预测起始圈数和不同拟合模型下利用粒子滤波算法得到的结果的差异,通常已知测量数据越多的情况下融合预测方法得到的预测结果比较精确,也有少部分情况预测精度反而变差,这主要是由于对非线性的寿命衰减数据的过拟合造成的,综合所有试验数据基础上的预测结果来看,可以得知高斯函数模型具有很好的预测效果和预测通用性。