同济大学姜波:锂离子电池容量估计与寿命预测-归因重组-大数据解开电池安全困局-电池中国网   

姜波1.jpg


图为同济大学汽车学院姜波博士做主题演讲


  9月22日上午,由中国化学与物理行业协会动力电池应用分会和电池中国网联合主办,全球未来出行大会组委会战略支持,同济大学汽车学院、优必爱信息技术(北京)有限公司重点支持的“Li+学社·成就锂享 智信未来(2018)电池技术沙龙”第五期:“归因重组-大数据解开电池安全困局”沙龙在杭州国际博览中心举办。同济大学汽车学院姜波博士在沙龙上做主题演讲,以下是演讲内容。


  同济大学汽车学院姜波博士:


  非常感谢周总给我这个机会跟各位同行来进行分享。刚刚代东举从电芯介绍了一下他们富锂锰的电池,郑总从PACK级别介绍了一下他们做的东西,我就简单从BMS的角度进行报告。我是来自同济大学汽车学院新能源汽车储能电源系统科技组,我今天的题目是“锂离子电池容量估计与寿命预测》,主要从汽车单体级别来进行简单的分享。


  首先介绍一下我们课题组,成立于2002年同济大学汽车学院成立的时候,我们也开始发展。主要的研究方向是新能源汽车的储能电源系统,针对的方向是电池。一个方面是电池包与电机之间的管理,包括电池管理系统、电池模型、SOC估算等。另一方面是电池方面的应用,包括电能变换、电力变换器等等。我们现在的孙泽昌教授是汽车电子方向学科带头人,还有韦教授是汽车学院副院长,还有戴教授,主持并参与多项国家级和省部级的科研项目横向课题等等。


  我们课题组的实验设备在过镍还是比较成熟的,目前有多种实验设备,包括充放电设备、电华阻抗测试仪以及恒温箱等,基本实现锂离子电池的充放电测试等实验内容,具备多台工作站,能够提供电池仿真以及数据处理的平台,我们还基本满足电子及电力电子设计制作、测试需要,具备电池成组及管理技术。


  我的报告将主要分为这几个方面。首先是背景的简单介绍,其次是电池模型及参数辨识,第三个是电池SOC及电池容量的联合估计,第四方面是电池剩余寿命的预测,我做这个东西时间也不长,可能做的还比较浅,有什么问题欢迎大家指出。


  目前来说大家关于动力电池主要有三个方面的问题。一个是电动里汽车的里程担忧问题,我们一直在考虑我们电池包一次充电的续航里程有多少,这边有目前一个车厂给出的续航里程,NEDC在355公里,等速里程在500公里,这是一个电池容量的估计问题,到底这个电池包有多少的容量能够为我的整车提供一个续航。


  第二个是电动汽车的电池寿命问题,按照当前的车辆使用状况电池还可以用多久,我跑了200公里以后,还可以再跑多少电池的性能会衰减到不能满足要求。国内的电池充电次数可以达到1500次,远到于特斯拉的5百次充电次数,这是一个电池寿命的预测问题。


  第三个是电动汽车安全问题,目前已经有多辆汽车发现了热安全问题,因为电池的容量以及点的寿命是息息相关的,我今天主要针对动力电池的容量估计问题以及隐藏的寿命估计问题简单介绍一下。


  这是一个简单的总结,如何定义电池容量?我们定义电池从满充装了到放空状态所转移的电荷量。满充状态就是以CCVCA的充电方式达到满充状态,从满充到放空状态的电荷量。我们为什么要这样来定义?一个是电池容量大小影响电动汽车一次充电续航里程,还有电池管理有很多的关键状态,SOC和SOH的估算都需要用到电池容量的信息。


  现在整包的电池容量存在一些难点,比如说SOC、端电压变化等等,如何从这些信息当中提取电池容量的信息还是比较困难的,并且SOC的估计可能会存在误差,端电压的采集可能会造成误差,我们如何去采取电池容量的信息是比较困难的。还有电池模组层,电池单体不一致会与某组产生非线性映射。


  关于动力电池的寿命预测问题,从当前时刻开始,电池性能初次衰退到阈值条件时所经历的时间或者充放电周期次数。一般我们有容量、内阻或者是功率,一般容量衰减到80%或者是内阻达到了1.5倍,功率达到了80%就不能满足动力电池的需求了,我们就定义为动力电池不能用了,以此来预测电池寿命的状况。


  我们有两个意义。一个是经过预测电池性能变化,支撑预测维护与保障,避免系统损坏。第二个是可以指导更科学的电池管理方法,更长久来提高电池的使用寿命。


  目前电池寿命预测也存在很多困难。一个是我们在实验室里面做的一些数据,寿命实验数据可以进行对比以评估电池技术的进步,但工况比较单一,很难达到一个统一的评价,并不能建立与实车应用的对应关系,实车寿命预测存在困难。


  第二个是模组寿命远小于单体的寿命,因此单体寿命评价与电池组寿命评估并不一致这是两个主要的难点。


  这是我们目前在做的一个动力电池单体SOC与电池容量的联合估计以及电池寿命预测的框架。主要包括三个方面,一个是电池模型及参数辨识,这个有如下几个小点,一个是电压电流数据采集,建立电池模型之后,对电池模型进行一个参数的辨识,它首先要基于一些数据的测量,比如说电池SOC和OCV的数据测量,并且要测量电池在不温度、老化下的数据。


  在获取电池模型及参数之后可以进行一个联合的估计,主要包括两个方面,一个是电池SOC自适应估计,然后再进行一个电池容量估计,估计出来了以后可以进入到一个电池的寿命预测,同样我们需要一些数据的支持,我们需要测量一个离线电池衰减时电池容量的数据,然后在实际方法中进行使用,来更新其中的参数,从而达到预测电池寿命的需求。


  第一方面是电池模型及参数辨识,简单介绍一下我们所做的一些东西和成果。我们从电池18秒的放电数据中截取了几个片段,AB段可以体现出电池时间尺度为微秒级的活化极化引,然后可以进行总结,总结出来比较常用的模型,它是串联在一起的一个模型。


  这个模型可以简单描述出电池的一些动态的特性,但我们需要注意,这个电池模型的一些参数,比如说R0、RP会根据电池的温度还有SOC发生变化,所以我们需要对它进行一个在线的估计,目前的估计就是使用递推最小二乘算法进行估计,它有一些优点。


  比如说计算量小,易于实现,实现了电池模型参数的在钱辨识。这是电池模型参数辨识的结果,这面这张图是电池的欧姆内阻,这边是典型的结果,虚线是一个正式值这是一个访问的结果。从这三个图可以看出来电池模型的参数,使用刚刚提到的算法它的收敛速度比较快,而且收敛后没有发生跳变,这是可以接受的。


  我们可以看出,大约在1百秒之前,电池的电压是有较大误差的,但在之后电池的端电压基本上是比较一致的,这是一个NDC的工况,在末期的时候有一个较大的电流,存在大电流的情况下模型的参数没有进行更新可能会存在较大的误差,但是综合考虑这个模型以及递推最小二乘算法,我们觉得这个结果还是可以接受的,可以使用这个模型算法和参数来用与后面的SOC以及容量估计。


  我们还考虑了这样一个问题,我们电池的电压在测量的时候可能会存在一些噪音,假如存在的时候,对于电池系统来说是存在一个有色噪声,传统的RLS算法辨识出来的结果是有偏的,我们采用了偏差补偿最小二乘算法,基本上能够解决电池电压存在量测声音的问题。


  右边实线是电池模型的正式结果,下边的点线是存在噪声情况下传统的结果,我们发现它的误差还是比较大的,但是我们使用了偏差补偿最小二乘算法的时候,虚线是我们改进后的算法,这个结果或是比较令人满意的,也是比较靠近的,端电压结果也是如此。


  这个是我们在不同温度以及不同电池老化状态下的参数辨识结果,我们可以看出,随着电池温度的降低,电池欧姆内阻和计划内阻是增大的,电池的计划内阻是增大的,这个与我们目前测量低温下电池内阻增大是符合的,随着电池的老化,电池的欧姆内阻和极化内阻也是增大的,这个也是符合的,并且我们还可以看出,蓝色的线是UDDS的工况,红色的是NEDC工况。我们有必要用在线辨识的方法来看参数,因为在实际运行的工况可能会导致另外一种状况,所以我们要实际来辨识这些参数。


  这是目前SOC估计与电池容量估计算法的介绍,首先介绍一下SOC的算法。第一个是安时积分法,这是目前用的比较多的算法。它的定义是通过当前电池电荷量比上电池最大容量,通过时时刻刻累加来求得SOC,优点是实现简单,但是它也有很多的缺点,一个是无法知道准确的SOC初始值。


  第二个是说电量测量传统的传感器可能会存在偏差,最终会导致SOC估计的偏差学习大。目前我们可能有一些BMS中选用了两个传感器,就在无形之中增大了他们的BMS的成本。


  第三个是电池容量存在偏差时,误差也会比较大。第四个是没有一个实时的校准机制,不能实时可根据当前的电压采集对SOC进行校准,一般是在充电末期的时候对电池的电压SOC进行校准,这个是它存在的几个缺点。


  第二个是开路电压法,发现电池SOC和开路电压有一个比较明显的关系,而且这个关系也是比较准确的,这样我们就可以利用开路电压来确定SOC。目前大家用的方法一个方面是测量开路电压,需要较长时间的静置,正常情况下车辆在运行过程当中,可能会存在一些误差,因为车辆没有那么长时间的静置。我们可以预测开路电压来估计SOC,但预测开路电压还是比较困难的,目前做的人也不是很多。


  另一方面,我们发现某些电池在充放电过程当中存在一些效应,就是充电和放电的开路电压有一些误差,我们用来估算SOC由于这种实时效应会造成一些误差。


  第三个是内阻测量法,内阻与SOC也有一些关系,但测量比较困难。


  第四个是卡尔曼滤波法,还有神经网络法,根据电压的输入等等来估计SOC,但这个不是很适合在嵌入式BMS中适用,这是SOC估计算法的简介。


  这是电池容量估算法的方法简介,一个是基于SOC变化与电流累计的估算算法,这个也是基于SOC的定义出发的,假设SOC估计准确的话,误差主要来源于分母C,这样来求出电池容量。


  第二种方法我们把电池容量当成一个参数,我们用双辨识器的方法来估算出来。


  第三种方法是基于ICA或者DVA的容量估算算法,我们对于电池SOC的数据来进行处理,我们发现有很多的特征点,这些特征点是与电池容量有关系的,可以通过采集这些特征点来进行估计,这三种方法目前都有人用,各有利弊。


  我们做一个SOC与电池容量估计,我们选择了卡尔曼滤波法和基于SOC变化与电流的变化进行电池容量的估计。这是一个卡尔曼滤波法的简介,一个是状态预测过程,根据上个时刻的状态以及这个时刻的输入求得此时的状态,然后来求得SOC,右边是一个简单的方程。


  我们扩展卡尔曼滤波法来进行预计的时候,其实还是存在一些误差的,因为扩展卡尔曼滤波法需要预先涉及一些系统方差,我们发现电池在百分之50的时候存在一个较大误差,因为我们对电池模型进行信息化的时候,这个平台去进行信息化的时候可能会存在一些建模的误差。


  第二个误差是SOC比较低的情况下,传统的电动模型不能很好描述电池的特性,如果我们存在这种建模误差的话,但是我们仍然使用一个固定的系统当中的方差,就会到一个SOC的估计误差,目前有很多的学者提出使用自适应卡尔曼滤波算法,根据SOC的估计情况和电压层的情况,来估计系统方差和建模方差,从而使SOC达到自适应。


  简单介绍一下扩展卡尔曼滤波法算法,可以根据观测信息对系统的Q和R进行实时修正,从而获得更为准确的状态估计。这个一个状态的仿真,扩展卡尔曼滤波的情况下,我们的R是实时修正的,而不是传统设置一个值就不变的,这个可以根据工况和电池的模型进行调整,这样就可以得到一个更加准确的SOC。


  这是我们SOC的一个估计的结果。左边图是设定了一个准确的SOC,真实情况下从SOC百分之百开始放电,算法里也是百分之百,我们发现结果还是比较准确的,SOC的估计误差在负1.1%到2.6%。


  右边是SOC初始值不准确,比如说真实是百分之百,算法里面是50%开始估计,经过一段时间之后,我们算法估计出来的SOC很快跟踪到了一个真实的SOC,在收敛之后,SOC估计误差也是在负1.2%到2.5%,这个结果也是可以接受的,总体来说在2.5%以内,可以提供一个准确的SOC输入。


  电池容量的原理,我们是一个基于SOC变化与电量累计的电池容量估算算法,这是一个公式,我们认为两点的SOC估计值是准确的,以及电池测量是准确的,因为现在有很多的电流传感器,可以用两个进行校准。我们认为不准确的就是分母Q,从而可以根据这个公式计算出电池的容量,我们可以用电量累计除以SOC的变化来得到电池的容量,也可以把电池容量当成一个参数用一些递推全局最小二乘或者递推最小二乘法来进行估算的精度。


  这是我们的估计结果就是SOC与电池容量联合估计的算法结果,第一个是电池容量衰减4%的结果,可以看到这个估计出来的结果基本上与正常的结果是一致的,差别也不大。下面是电池容量衰减10%的时候估计的结果,经过两三次的迭代以后,电池容量能够收敛至正确值,而且估算的误差在5%以内。


  这个是我们电池寿命预测的简单框架,我解释一下。我们的这个算法用的是右边这张,首先能够基于SOC的变化累计的电容量估计得到个电池容量,输入到RUL预测算法里面,但是电池容量估计还有其他的算法。


  比如我们可以用一些数据训练的方法,来估计出来电池容量。我们可以看左边这张图是我们比较常见的一个电池CCV的充电曲线。我们可以挖掘出来一些数据,比如说CC阶段充电的电池容量,还有CV阶段充电的容量,以及CV阶段最后的电流,我们都可以从这些数据当中进行挖掘和训练,从而可以发现它们之间的关系,从而推算出电池容量的算法,如果我们采用这种方式也可以进行电池容量的估计,从而为使用方法一来进行一些校准,这个也是有助于我们提高估计的精度。


  在估计出来电池容量之后,就可以把它输入到生命预期中。我们选用一个常用的经典模型,通过电池容量的采集,可以对电池模型进行初始化,我们采集出来一些容量点,可以输入到这个算法当中,使用一些滤波的算法来计算一些参数,然后为电流预测采取一些估计值,来算出剩余的寿命。


  这是我们目前用的比较多的一些电池的剩余寿命模型。这个是机理模型,这个是电机里面的一些化学反应推导出电池寿命与哪些因素有关,这些公式比较复杂,可能需要一些化专门研究电芯的人来研究,这是机理模型。


  从机理模型出发可以进行一些降阶处理,把这些数据归纳可以进行一些经验,这些叫做半经验模型。我们可以从数据的角度出发得到一些经验的模型,我们测量电池在每一个循环的电池容量,我们对电池的容量进行一些估算,这底下是比较常见的阶段模型。


  通过我们估计到的电池模型来估计电池的参数,从而达到电池寿命预测的目的,这是基于电池容量的一个电池寿命预测的方法框架,我们首先会做一些数据的测量,就是电池容量的测量,确定我们这样的一个经典模型,对四参数进行初始化,我每次把电池容量估计出来之后,我会输入到算法当中,我会根据我上次的点容量来更新这样一个模型的参数,之后就可以估计出下一次的电池容量,下一次估计出来准确的电池容量以后,可以反馈校准这些参数,从而达到时时刻刻更新电池寿命预测参数的效果,相当于把电池容量衰减的过程预测出来,这样才能预测出来电池的容量什么时候衰减到不能用,有这样一个寿命预测的理念在里面。


  这是我们简单做了一个结果也是刚刚开始做,这个结果的误差可能比较大,这个就不介绍了。


  简单做一下总结。我们正在做什么事情呢?建立了一套电池单体层面,SOC与电池容量联合估计以及电池寿命预测的算法框架。目前我们取得的成果能够保证SOC估计在2.5%误差以内,以及电池容量估计误差在5%以内。


  目前我们即将要做的事情,我们会研究电池单体不一致导致的单体特性与模组特性的非线性映射,还有电池寿命方面,建立实验室数据与实数据的对应关系,争取在实车上应用,能够为实车运行电池寿命提供算法基础,争取在实上进行应用。


  谢谢大家的聆听,我的报告就到此结束。