A bateria em veículos elétricos é um foco principal da manutenção da saúde da bateria. O Sistema de Gerenciamento de Bateria (BMS) mantém o estado ideal da bateria avaliando seu Estado de Saúde (SOH). A identificação precisa do SOH pode determinar o tempo de substituição da bateria, evitar falhas da bateria e prolongar sua vida útil. Este artigo tem como objetivo melhorar o desempenho do BMS através da identificação de parâmetros SOH. Com base no modelo de bateria de Thevenin, são obtidos parâmetros-chave como R{{0}}, Rp e Cp. Dois algoritmos adaptativos, contagem de Coulomb e tensão de circuito aberto, são usados para completar a identificação dos parâmetros. Os resultados dos dois algoritmos em termos de erro, erro médio absoluto (MAE), raiz do erro quadrático médio (RMSE) e valor SOH final são comparados. A pesquisa concentra-se na obtenção de dados de erros de estimativa e informações confiáveis sobre o desempenho do BMS. Os resultados mostram que o método de contagem de Coulomb apresenta um erro menor na estimativa de SOH do que o método de tensão de circuito aberto, com erro de 1,770%. O valor final de SOH é de 17,33%, e o modelo de bateria de Thevenin apresenta um erro de modelagem de 0,0451% para a bateria.
1. Introdução
Bateria de veículo elétrico e sistema de gerenciamento de bateria (BMS):Nos veículos elétricos, a bateria é a principal fonte de energia, fornecendo energia ao motor e outros sistemas. Ao contrário dos carros tradicionais, as baterias dos veículos elétricos têm capacidade e voltagem relativamente pequenas e geralmente são embaladas em módulos de bateria. O sistema de baterias consiste em múltiplas baterias, que são gerenciadas pela BMS. Suas funções incluem a otimização do sistema de funcionamento da bateria, envolvendo dois parâmetros principais: estado de carga (SOC) e estado de saúde (SOH). SOC é a relação entre a capacidade restante e a capacidade total, enquanto SOH é o valor de comparação entre o desempenho atual e o desempenho da bateria nova, que não pode ser medido diretamente e precisa ser estimado.
Antecedentes da pesquisa e métodos relacionados:O Estado de Saúde (SOH) pode quantificar o desempenho e a vida útil da bateria. Degradação da qualidade, alterações nos parâmetros de resistência interna e capacidade podem ocorrer durante o uso da bateria. A identificação dos parâmetros SOH ajuda a determinar a condição real da bateria, recomendar tempos de substituição e prolongar a vida útil da bateria. Atualmente, existem vários métodos para estimar o estado de saúde (SOH) ou o estado de carga (SOC), mas existem poucos métodos que identifiquem ambos simultaneamente e gerem parâmetros apropriados para reduzir a carga computacional no BMS. O algoritmo para monitorar os parâmetros da bateria precisa se adaptar às alterações dos parâmetros e estimar a condição da bateria. Os métodos podem ser divididos em três categorias, incluindo método de impedância espectral, método de equação de modelo de circuito e método de modelo de impedância eletroquímica.
Revisão de trabalhos relacionados:Vários métodos têm sido comumente usados em pesquisas anteriores para identificar parâmetros da bateria. Os métodos de contagem coulombiana (CC) e tensão de circuito aberto (OCV) são amplamente utilizados em BMS de veículos elétricos, cada um com suas próprias vantagens e desvantagens. O método CC estima o SOH monitorando a capacidade de entrada e saída da bateria, levando em consideração a perda de energia durante o ciclo de carga, e também pode fornecer informações relevantes através da recuperação de tensão; O método OCV pode ser considerado como uma tensão balanceada após a bateria estar totalmente descansada, e o Estado de Saúde (SOH) é estimado considerando as condições dos parâmetros da bateria BMS.
O foco deste estudo é identificar parâmetros SOH precisos para prolongar a vida útil da bateria. Um método baseado em modelo de bateria é usado para avaliar e identificar parâmetros SOH. O modelo de bateria de Thevenin é usado para identificar os parâmetros R0, Rp e Cp por meio de um algoritmo adaptativo (Mínimos Quadrados Recursivos, RLS). Com base nos resultados da avaliação, são obtidas estimativas precisas de SOH para reduzir a carga computacional.
Contribuição de pesquisa:Os resultados dos testes dos parâmetros da bateria fornecem estimativas razoáveis e pequenas taxas de erro para avaliar o desempenho do sistema BMS. O método de contagem de Coulomb é conveniente para calcular a capacidade da bateria, e a potência máxima da bateria diminui com o aumento dos ciclos de carga e descarga. O erro relativo do modelo de bateria Thevenin é inferior a 2%. Em termos de precisão de estimativa de SOH, o método CC é superior ao RLS, e o método CC pode estimar a tensão terminal da bateria e o SOC, enquanto o método OCV só pode estimar os parâmetros da bateria.
2. Sistema de gerenciamento de bateria
Componentes da bateria (funções e composição do BMS):O BMS regula o sistema de baterias composto por centenas ou milhares de baterias em veículos elétricos e possui funções importantes como monitoramento, estimativa de parâmetros, proteção, fornecimento de relatórios e balanceamento de baterias. Suas principais funções incluem proteger a bateria contra danos, operar a bateria dentro das faixas apropriadas de tensão e temperatura e manter a bateria operando em parâmetros que atendam aos requisitos do sistema, como SOC, SOH e SOF. O BMS consiste em sensores, atuadores e controladores, com entradas incluindo sinais de sensores como corrente, tensão, temperatura e pedais, e saídas incluindo módulos para gerenciamento térmico, equilíbrio, gerenciamento de segurança, indicação de carga, alarme de falha e comunicação. O software BMS inclui vários módulos funcionais, como detecção de parâmetros de bateria, estimativa e diagnóstico de falhas. Medição da tensão da bateria, estimativa de parâmetros, balanceamento e diagnóstico de falhas são os principais problemas do BMS, entre os quais a medição da tensão da bateria enfrenta dificuldades como diferenças de tensão causadas pela conexão em série da bateria e requisitos de alta precisão.
Modelagem de bateria:Este artigo determina os parâmetros do estado de saúde (SOH) por meio da modelagem da bateria e converte os parâmetros de tensão, corrente e temperatura da bateria de entrada em SOH para obter estimativas precisas. Usando o modelo de bateria de Thevenin, a resposta transitória de tensão do processo de polarização da bateria é descrita selecionando os parâmetros de resistência interna e capacitância da bateria. São fornecidas as equações matemáticas do modelo de bateria e os métodos de cálculo dos parâmetros relacionados (Voc, R0, Rp e Cp), obtidos através do algoritmo RLS e aplicados ao modelo de bateria de Thevenin.
3. Determine os parâmetros do estado de saúde
A importância e os métodos de identificação dos parâmetros do estado de saúde:Parâmetros SOH precisos são cruciais para o desempenho do BMS. Este estudo utiliza a contagem de Coulomb como um algoritmo adaptativo para identificar esses parâmetros para obter valores de inicialização do SOH e avaliar o desempenho do BMS. O modelo de bateria de Thevenin é usado para determinar os parâmetros do modelo de bateria e a função OCV-SOC. O processo específico envolve a entrada de corrente no modelo da bateria, a análise dos dados de tensão terminal, a conversão do domínio do tempo para o domínio SOC e o ajuste da curva para obter a função OCV-SOC. O processo de identificação dos parâmetros é repetido até que a estimativa do SOH seja razoável e a taxa de erro seja pequena.
Função OCV-SOC:Baseado no modelo de bateria de Thevenin, OCV (SOC) é um parâmetro de tensão da fonte obtido testando a tensão da bateria sem uma carga conectada e a tensão antes de conectar a bateria. A curva SOC OCV é estimada usando dados de teste de carga constante e ajustada com um polinômio de décima segunda ordem. O polinômio de décima ordem tem a maior precisão na estimativa de Voc e a menor raiz do erro quadrático médio (RMSE), o que tem um impacto significativo na precisão das funções SOC e OCV.
Parâmetros R0, Rp e Cp:O modelo de bateria de Thevenin requer OCV em SOC como tensão de fonte, que é obtida através de teste de pulso. R{{0}} é uma resistência interna com valor maior que outras resistências. Devido ao problema do período de amostragem, é difícil capturar pequenas alterações nos dados. A relação entre R0 e SOC foi obtida através de ajuste de curva polinomial de segunda ordem, com valor médio de R0 de 0,027735 Ω. R0, Rp e Cp fornecem dados de entrada para testes de pulso de tensão e corrente e obtêm valores de parâmetros de saída.
Resultado experimental
Ao analisar os parâmetros do Estado de Saúde (SOH) monitorados pela bateria, o desempenho do BMS é alcançado e são obtidos dados de parâmetros físicos, como tensão terminal e corrente de entrada/saída da bateria. Com base na modelagem da bateria, os dados dos parâmetros são identificados e usados para monitoramento do status da bateria e sistemas de proteção. O método de estimativa de SOH inclui medir as mudanças na resistência e capacidade da bateria, respectivamente usando a lei de Ohm e o método de contagem de Coulomb, e substituir o valor de OCV na equação de relação OCV-SOC para obter os valores de SOC e SOH.
O teste de descarga estática foi realizado e os resultados mostraram que o algoritmo CC obteve a alteração do SOH multiplicando o valor da corrente pelo tempo, enquanto o algoritmo OCV obteve o valor do SOH usando a tensão terminal ou valor OCV do modelo de bateria. As curvas de mudança SOH dos dois algoritmos foram semelhantes. O teste também obteve resultados de identificação de parâmetros da bateria, e as características de relaxamento da bateria podem ser usadas para identificação de parâmetros. Quanto mais rápido for o ciclo de teste, mais precisa será a estimativa de SOH. O algoritmo CC é superior ao algoritmo OCV na inicialização SOH, que pode compreender melhor a resistência interna da bateria e estimar simultaneamente a tensão terminal Vt, SOC e SOH da bateria, com um erro de estimativa inferior a 2%.
A partir dos dados de erro de identificação dos parâmetros SOH, o erro quadrático médio (MSE) do algoritmo CC é {{0}}.0111, o valor SOH final é 17,33%, a porcentagem de erro é 1,770% e a raiz o erro quadrático médio (RMSE) é 0,0132
Discussão dos resultados da pesquisa:O impacto da resistência interna da bateria nos algoritmos CC e OCV é semelhante, e o algoritmo CC pode compreender melhor a resistência interna com erros menores. O algoritmo CC pode estimar com sucesso a tensão terminal Vt, SOC e SOH da bateria simultaneamente, com um erro de estimativa inferior a 2%. No teste de descarga, o algoritmo CC é mais preciso que o algoritmo OCV na inicialização do SOH, com erro quadrático médio estimado (MSE) de 1,770% para o algoritmo CC e 3,256% para o algoritmo OCV. Estes resultados fornecem referência para identificação de parâmetros na avaliação de BMS.
4. Resumo
Os resultados da avaliação de desempenho do BMS com base na identificação dos parâmetros SOH mostram que o algoritmo de contagem de Coulomb tem melhores resultados de estimativa, com um erro de estimativa de SOH de 1,770% e um valor final de SOH de 17,33%. O erro de modelagem do modelo de bateria Thevenin para baterias é de 0,0451%. Em termos de precisão da estimativa de SOH usando dois métodos (contagem de Coulomb e tensão de circuito aberto), a contagem de Coulomb tem maior precisão. Além disso, algoritmos adaptativos baseados em modelagem de bateria podem estimar a tensão terminal e o SOH da bateria.