仇順榮,李成冬,田 旭

(鹽城工學(xué)院汽車工程學(xué)院,江蘇 鹽城 224051)

近些年,大量的動(dòng)力電池被研發(fā)出來并得到了廣泛使用,而新能源汽車銷量不斷提高,進(jìn)一步增加了動(dòng)力電池的使用量。在已投入使用的新能源動(dòng)力電池中,鋰離子電池具有良好的性能及較高的能量密度,已成為新能源汽車的動(dòng)力源。在電池監(jiān)測(cè)過程中,動(dòng)力電池管理發(fā)揮著舉足輕重的作用,而 SOC在此系統(tǒng)中扮演著極其重要的角色。提高SOC估計(jì)的準(zhǔn)確性可增加電池的使用時(shí)間,將能量利用率最大化。SOC估計(jì)方法主要包括安時(shí)積分法、空載電壓法、安時(shí)積分與空載電壓相結(jié)合的方法、基于模型估計(jì)的方法、虛擬數(shù)據(jù)驅(qū)動(dòng)方法等。近年來,隨著動(dòng)力電池的不斷發(fā)展,動(dòng)力電池也將進(jìn)入大規(guī)模退役階段,其中新能源汽車的動(dòng)力電池最大容量在達(dá)到標(biāo)準(zhǔn)容量的80%時(shí)退役,而退役電池可用于其他儲(chǔ)能場(chǎng)景,因此對(duì)退役電池進(jìn)行合理篩選及梯次利用可有效節(jié)省資源。本研究針對(duì)目前較為主流的SOC估計(jì)方法及梯次利用方法進(jìn)行了綜述。

1 鋰離子電池模型

目前,常用的鋰離子電池模型主要有3種,即電化學(xué)模型、等效電路模型及數(shù)據(jù)驅(qū)動(dòng)模型。

1.1 電化學(xué)模型

該模型是以電池的化學(xué)反應(yīng)變化為基礎(chǔ)而建立的表征電池特性的化學(xué)方程,但電化學(xué)模型結(jié)構(gòu)復(fù)雜,需要確定較多的參數(shù),實(shí)際預(yù)測(cè)精度較低,因此不適用于電池SOC估算方法的研發(fā)。

1.2 等效電路模型

該模型計(jì)算難度較小,更容易實(shí)現(xiàn)參數(shù)辨識(shí),具有實(shí)時(shí)性,因此被廣泛應(yīng)用于電池管理系統(tǒng)中。王順利等[1]通過對(duì)PNGV等效電路模型進(jìn)行處理,對(duì)鋰電池工作特性進(jìn)行模擬,得到動(dòng)力電池在不同工作條件下的狀態(tài),精確獲取了電池工作特性規(guī)律。黃凱等[2]使用線性粒子群優(yōu)化算法進(jìn)行參數(shù)識(shí)別,提出一種可減小由于遲滯效應(yīng)所帶來的誤差改進(jìn)方法,并驗(yàn)證了該方法的可行性。賈玉健[3]提出了一種新型等效電路模型,經(jīng)過改進(jìn)后該模型具有良好的模擬效果,可綜合研究電池容量、暫態(tài)響應(yīng)、運(yùn)行時(shí)間等多種性能。徐佳寧等[4]對(duì)多種模型在各種循環(huán)工況下進(jìn)行試驗(yàn),并對(duì)其結(jié)果進(jìn)行分析對(duì)比,結(jié)果顯示,DP模型在各個(gè)方面都優(yōu)于其他模型。Ad[5]則改進(jìn)了DP模型,電池的開路電壓由受控電壓源表示,該方法可較為明確地體現(xiàn)動(dòng)力電池OCV值與SOC之間的關(guān)系,使模型更加精準(zhǔn)。

1.3 數(shù)據(jù)驅(qū)動(dòng)模型

數(shù)據(jù)驅(qū)動(dòng)模型近年來發(fā)展迅速,目前較為主流的包括ANN、ANFIS、SVN和DNN。BY[6]提出了一種新的ANN模型,該模型考慮了溫度的影響,將電池的非線性關(guān)系表示出來。Cheng[7]建立了一個(gè)改進(jìn)的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,在不同條件下進(jìn)行試驗(yàn),均可得到較好的準(zhǔn)確性及魯棒性。雖然數(shù)據(jù)驅(qū)動(dòng)模型需要大量數(shù)據(jù)集作為基礎(chǔ),且容易受各種因素的影響,但經(jīng)過充分訓(xùn)練后依舊可以得到較高的精確度。

2 基于模型的SOC估計(jì)方法

該方法需要進(jìn)行參數(shù)識(shí)別獲得必要的參數(shù),再進(jìn)行建模并驗(yàn)證模型的準(zhǔn)確性,結(jié)合模型及SOC估計(jì)方法進(jìn)行驗(yàn)證。

2.1 參數(shù)辨識(shí)算法

參數(shù)辨識(shí)算法有兩種,即離線和在線辨識(shí),離線參數(shù)辨識(shí)方法在電池進(jìn)行SOC估計(jì)時(shí)不需要對(duì)參數(shù)進(jìn)行計(jì)算,較為簡(jiǎn)單。在線參數(shù)辨識(shí)方法可實(shí)時(shí)對(duì)模型參數(shù)進(jìn)行估計(jì),模型精度得到了提高。王建鋒等[8]采用加權(quán)自適應(yīng)遞推最小二乘法進(jìn)行參數(shù)識(shí)別,實(shí)驗(yàn)結(jié)果得出該方法的精度較高。SHI等[9]對(duì)遞推最小二乘法進(jìn)行改進(jìn),在最小二乘法的基礎(chǔ)上加入了遺忘因子進(jìn)行參數(shù)辨識(shí)。該方法可以自動(dòng)調(diào)節(jié)遺忘因子,但是計(jì)算變得更加復(fù)雜。朱瑞等[10]針對(duì)在參數(shù)辨識(shí)過程中各參數(shù)會(huì)相互影響這一問題,在使用最小二乘法進(jìn)行參數(shù)辨識(shí)的同時(shí)加入了分布式遞推算法,規(guī)避了這種現(xiàn)象。Wang等[11]在使用EKF算法進(jìn)行參數(shù)辨識(shí)和SOC估計(jì)時(shí),采取雙濾波的形式進(jìn)行識(shí)別,極大程度減少了計(jì)算量。黃凱等[12]提出了一種FPSO算法,該算法可自動(dòng)調(diào)整粒子的位置并更新信息。實(shí)驗(yàn)結(jié)果表明,該算法可提高模型精度。劉芳等[13]提出了一種新型算法,該算法將GA參數(shù)識(shí)別技術(shù)進(jìn)行改進(jìn),并與LS-UPF算法進(jìn)行對(duì)比,驗(yàn)證了其可以提供更好的辨識(shí)精度。

2.2 SOC估計(jì)方法

SOC估計(jì)方法主要為基于濾波的方法,目前較為流行的方法是卡爾曼濾波法,卡爾曼濾波算法又包含EKF、UKF及CKF。

2.2.1 基于EKF的SOC估計(jì)方法

擴(kuò)展卡爾曼濾波算法是在標(biāo)準(zhǔn)卡爾曼濾波的基礎(chǔ)上將非線性函數(shù)線性化,通過卡爾曼濾波算法近似計(jì)算出狀態(tài)和方差的估計(jì)值。潘海鴻[14]提出將GM模型與EKF算法相結(jié)合,通過GM對(duì)當(dāng)前時(shí)刻的狀態(tài)估算,再由觀測(cè)值進(jìn)行更新修正得到SOC值。驗(yàn)證說明該方法估計(jì)SOC可得到更高的精度。

2.2.2 基于UKF的SOC估計(jì)方法

無跡卡爾曼濾波算法原理與擴(kuò)展卡爾曼濾波相似。UKF利用Sigma采樣點(diǎn)模擬出狀態(tài)概率密度函數(shù),此方法得到的預(yù)測(cè)模型均值及方差均高于EKF算法。費(fèi)亞龍[15]提出了一種基于平方根UKF算法的SOC估計(jì)方法,經(jīng)驗(yàn)證,該算法具有較高的穩(wěn)定性。魏克新[16]設(shè)計(jì)了一種AUKF算法來估計(jì)SOC,它可以不斷地對(duì)電池參數(shù)進(jìn)行調(diào)整,不僅能夠提高SOC的估計(jì)精度,還可計(jì)算出動(dòng)力電池的內(nèi)阻。程澤[17]提出一種ASRUKF算法,經(jīng)過實(shí)驗(yàn)驗(yàn)證,該算法比無跡卡爾曼濾波算法更加精準(zhǔn),降低了4%的估計(jì)誤差,還可以準(zhǔn)確地評(píng)估電池的健康狀態(tài)。章軍輝等[18]提出了一種AUKF算法,利用帶遺忘因子的Sage-Husa自適應(yīng)估計(jì)方法,保證了預(yù)估結(jié)果的穩(wěn)定性。PENG等[19]研究了新型 ADUKF算法對(duì)動(dòng)力電池進(jìn)行SOC估計(jì),該算法可以在同一時(shí)間對(duì)參數(shù)進(jìn)行識(shí)別并估計(jì)SOC值,大大提高了工作效率。經(jīng)實(shí)驗(yàn)驗(yàn)證,該方法可得到較高的精度。

2.2.3 基于CKF的SOC估計(jì)方法

CKF算法最早由加拿大學(xué)者[20]在2009年提出。雖然該方法精度高、運(yùn)算快,但其缺點(diǎn)是協(xié)方差矩陣的隨機(jī)性。針對(duì)該問題,李超然[21]提出一種神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波相結(jié)合的SOC估計(jì)方法,降低了噪聲對(duì)估計(jì)結(jié)果的影響。劉芳[22]改進(jìn)了擴(kuò)展卡爾曼濾波算法,以電壓為輸出、電流為輸入,得到電池的實(shí)時(shí)狀態(tài),實(shí)現(xiàn)了電池全時(shí)段的SOC估計(jì)。吳忠強(qiáng)[23]則使用了BP-UKF算法,用神經(jīng)網(wǎng)絡(luò)模擬出動(dòng)力電池開路端電壓與SOC之間的關(guān)系,估計(jì)精度有了明顯改善。

2.2.4 基于HIF算法的SOC估計(jì)方法

HIF算法不需要知道噪聲準(zhǔn)確的統(tǒng)計(jì)特性,且以最小誤差為準(zhǔn)則。ZHANG等[24]對(duì) HIF算法進(jìn)行改進(jìn),采用指數(shù)加權(quán)的方法,考慮了數(shù)據(jù)的影響因素,SOC估計(jì)精度相較于初始HIF算法有了較大提升。程明[25]提出了一種EKF-HIF算法,利用模糊神經(jīng)網(wǎng)絡(luò)算法來預(yù)測(cè)電池模型誤差,消除了較大的模型誤差及由噪聲引起的估計(jì)誤差。

3 影響SOC估計(jì)精度的關(guān)鍵因素及應(yīng)對(duì)措施

3.1 溫度

鋰電池內(nèi)部的各個(gè)參數(shù)會(huì)隨環(huán)境溫度的變化而變化。弱化溫度對(duì)SOC估計(jì)的影響主要有兩種方法：一種是建立變溫度模型,此模型考慮了溫度變化這一因素。另一種方法是傳感器采集電池所處環(huán)境的溫度并及時(shí)進(jìn)行反饋。

3.2 老化

電池的老化伴隨著使用次數(shù)的增多而不斷加重,設(shè)計(jì)的電池模型參數(shù)需要針對(duì)不同情況發(fā)生變化,若未考慮此因素的影響,所設(shè)計(jì)的電池模型將不再適用于實(shí)驗(yàn)仿真。針對(duì)這一問題,王榘[26]考慮了動(dòng)力電池的老化及溫度影響,實(shí)現(xiàn)了動(dòng)力電池SOC在溫度及使用壽命不斷變化狀態(tài)下的估計(jì)。嚴(yán)干貴[27]以一種脈沖放電法進(jìn)行參數(shù)辨識(shí),以動(dòng)力電池開路電壓作為狀態(tài)因子,以ESCV法估算得出的SOH值作為基礎(chǔ)準(zhǔn)確估計(jì)SOC。范文杰[28]提出一種可以估計(jì)電池內(nèi)部溫度的方法,極大程度地改善了電池在工作時(shí)的溫度變化問題。

3.3 電池組不一致性

在生產(chǎn)鋰電池的過程中受多種因素的影響,鋰離子電池每個(gè)單體之間都具有一定的差異性。單體的不一致對(duì)動(dòng)力電池組產(chǎn)生影響,如性能下降、壽命減少、熱失控等。因此單體電池需要在一定程度上具有一致性。電池組不一致性影響因素主要包括外電壓、最大可用容量及實(shí)時(shí)SOC等單體電池參數(shù)等,因此許多學(xué)者提出以這些影響因素為均衡目標(biāo)來改善電池組的不一致性,即均衡控制策略。

4 動(dòng)力電池梯次利用

當(dāng)汽車動(dòng)力電池達(dá)到使用壽命后,需要將動(dòng)力電池從新能源汽車中取出并交由專門處理報(bào)廢動(dòng)力電池的機(jī)構(gòu)進(jìn)行處理。余能大于80%的廢棄動(dòng)力鋰電池依舊符合新能源汽車的使用標(biāo)準(zhǔn),通過復(fù)原及增容技術(shù)可用于低耗能車輛。余能在20%～80%的退役電池雖不能滿足原級(jí)別電動(dòng)汽車的需求,但仍具有較大的使用空間,可在靜態(tài)電源中進(jìn)行梯級(jí)利用,延長(zhǎng)其生命周期[29]。

一般情況下,對(duì)退役動(dòng)力電池進(jìn)行重組主要是以單體或模組的形式進(jìn)行重組,但考慮多種因素,退役電池梯次利用大多是以電池組或電池包的形式進(jìn)行再利用[30]。

對(duì)退役電池進(jìn)行梯次利用需要一些關(guān)鍵的梯次回收技術(shù),主要包括健康狀態(tài)和殘值評(píng)估、快速分選與智能拆解和分級(jí)利用與異構(gòu)兼容、有效均衡、應(yīng)用場(chǎng)景分析、再退役評(píng)估。

健康狀態(tài)和殘值評(píng)估：評(píng)估主要包括電池最大可用容量、電壓均衡性、電池內(nèi)阻、循環(huán)使用壽命等健康指標(biāo),提高評(píng)估的準(zhǔn)確性可更加高效地進(jìn)行梯次利用。

快速分選,智能拆解,分級(jí)利用,異構(gòu)兼容。根據(jù)健康狀態(tài)和殘值評(píng)估結(jié)果對(duì)退役的電池包性能進(jìn)行快速分選,一致性好的可直接應(yīng)用,一致性較差的先拆解再分選,合格的考慮重新修復(fù)、重組等操作,不合格的直接進(jìn)行拆解回收。

有效均衡：對(duì)分選后的電池進(jìn)行一致性均衡,改善電池組內(nèi)電芯差異性,保證電池組性能良好,降低使用安全風(fēng)險(xiǎn)。

應(yīng)用場(chǎng)景分析：針對(duì)不同應(yīng)用場(chǎng)景細(xì)分應(yīng)用場(chǎng)景市場(chǎng),實(shí)現(xiàn)殘值匹配利用。

再退役評(píng)估：梯次電池投入使用后,除BMS系統(tǒng)日常監(jiān)測(cè)外,還需開展定期的容量測(cè)試和電池性能驗(yàn)證,綜合該批次梯次電池分選時(shí)的健康狀態(tài)確定退役標(biāo)準(zhǔn)[31]。

在以上關(guān)鍵技術(shù)中,確保退役電池的安全性是梯次利用的關(guān)鍵。因此需對(duì)梯次回收技術(shù)進(jìn)行改進(jìn)。其中鄭志坤[32]考慮到目前我國(guó)對(duì)退役電池剩余性能檢測(cè)精度不足的問題,從電化學(xué)角度介紹了電池容量和庫(kù)倫效率之間的關(guān)系,發(fā)現(xiàn)庫(kù)倫非效率可更加明確且精準(zhǔn)地表示動(dòng)力電池可梯次利用指標(biāo)。嚴(yán)媛等[33]采用溫度實(shí)驗(yàn)及直流內(nèi)阻(DCIR)特性實(shí)驗(yàn)方法評(píng)估單體電池的健康狀態(tài),形成快速、有效地篩選退役電池的流程。周偉[34]系統(tǒng)總結(jié)了廢舊磷酸鐵鋰動(dòng)力電池回收利用的最新進(jìn)展,對(duì)未來回收工藝及原理進(jìn)行深入研究,針對(duì)不同的退役電池采取不同的篩選及回收方法。Cusenza MA等[35]對(duì)退役電池梯次利用的環(huán)境價(jià)值展開分析,證明將其再利用于家用住宅的固定儲(chǔ)能系統(tǒng)中可有效減少?gòu)U舊電池對(duì)環(huán)境的影響。Cicconi P等[36]基于循環(huán)壽命模型的分析研究了如何延長(zhǎng)梯次利用電池的壽命。趙偉[37]為確保梯次電池儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)性,提出基于雨流計(jì)數(shù)法和等效循環(huán)壽命法的梯次電池壽命評(píng)估方法。

5 結(jié)束語

目前關(guān)于動(dòng)力電池SOC估計(jì)的實(shí)驗(yàn)研究已有許多,但仍有一些問題有待解決,如尚未研發(fā)出適用于實(shí)際工作狀況的SOC估計(jì)方法。目前研發(fā)出的SOC估計(jì)方法大多的估算結(jié)果都是在電腦設(shè)備或?qū)嶒?yàn)室中計(jì)算得出的,幾乎很少考慮環(huán)境溫度、車輛行駛工況、鋰電池循環(huán)使用次數(shù)等因素的影響。未來,需要更多的考慮以上因素對(duì)SOC估計(jì)精度影響的結(jié)果,對(duì)其進(jìn)行實(shí)際運(yùn)行環(huán)境下的驗(yàn)證,以更好地應(yīng)用在實(shí)際場(chǎng)景中。

針對(duì)動(dòng)力電池的梯次利用,需加強(qiáng)對(duì)退役電池剩余性能及其安全性評(píng)估的精準(zhǔn)性,建立完整的電池回收體系,對(duì)無法梯次利用的動(dòng)力電池運(yùn)送至專門的拆解回收機(jī)構(gòu)進(jìn)行稀有資源回收?？稍诨谀Ｐ偷腟OC估計(jì)基礎(chǔ)上使用非基于模型的SOC估計(jì)方法,采用EKF算法,添加BP神經(jīng)網(wǎng)絡(luò)的SOC估計(jì)算法,在對(duì)動(dòng)力電池SOC檢測(cè)的同時(shí)進(jìn)行預(yù)測(cè),并在后續(xù)的實(shí)驗(yàn)中適當(dāng)加入不同的外部影響因素,模擬不同的電池使用情況。在動(dòng)力電池梯次利用方面采用更加精確的評(píng)估方法,更加合理地進(jìn)行資源分配,有效節(jié)約成本。