英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
电池管理系统中SOC和SOH估计算法的环式测试模型
Shi Li RWTH Aachen University Michael Stapelbroek and Jan Pfluger FEV GmbH CITATION: Li, S., Stapelbroek, M., and Pfluger, J., 'Model-in-the-Loop Testing of SOC and SOH Estimation Algorithms in Battery Management Systems,' SAE Technical Paper 2017-26-0094, 2017, doi:10.4271/2017-26-0094.
摘要
随着锂离子电池技术在汽车工业的开发和验证过程的应用越来越广泛，，电池管理系统（BMS）的控制策略已经得到日益广泛的关注。 BMS的一个基本功能是持续估计电池的充电状态（SOC）和健康状况（SOH）以保证电池系统安全有效的运行。在真实车辆环境中，BMS的SOC以及SOH估计存在某些非理想情况，例如测量不准确，电池特性的变化随时间的推移等，这将对电池状态的结果估计产生负面影响。量化这些影响因素需要大量测量。因此，我们创造了一种环状模型（MIL），能够模拟BMS将在车辆实际运行中所处的环境。由于这种MIL环境的高度灵活性，BMS开发人员能够定量研究实际操作或其他综合因素对它们的SOC和SOH估计算法的影响。此外，本文引入示例性测试结果以证明该MIL环境可以提供有价值的数据和参考结果来评估一个代表性电池算法准确性和鲁棒性，而且该测试结果表明该MIL环境可以明显降低功能开发时间和成本。
绪论
近年来，动力传动系统的电气化已成为汽车工业的重点之一。锂离子电池系统被认为是用于机载电气的最先进的技术储能系统。电池管理系统（BMS）是用来监控和控制系统的运作的的。BMS的功能和软件的一般开发过程是以遵循众所周知的V循环。 不同的公司有对V循环的不同解释。根据FEV定义[1]，图1显示了增强V循环。 它包括了实施阶段后的三个相应验证阶段：循环模型（MIL），循环软件（SIL）和循环式硬件（HIL）。
几项研究已经解决了BMS开发的功能和软件的主题测试。 Plett et al [2]提出在桌面和HIL上的SOC算法的验证过程。合成试验数据从细胞模型产生。在[3]，He et al。使用单元格级别HIL来验证充电状态（SOC）和各种车辆应用算法的嵌入式电池算法功率能力的预测。Dai et al[4]设计了一个可配置的电池单元仿真系统以实现单元BMS的HIL验证。他们应用这个系统来测试不同的电池平衡策略以及BMS从动控制单元的故障诊断。 Haupt et al [5] 介绍了BMS组件的HIL测试的硬件和软件解决方案。电池仿真板连接到BMS ECU，在硬件接口处的缺少信号由所谓的restbus模拟产生。这种方法旨在全面测试BMS中的全功能，这应该在发展过程最终确定之前发生。此外，上面没有提到研究显示了SOH测试的详细信息。
function validation函数验证，system validation系统验证，model verification模型验证，model implementation模型实现，code review代码审查，component verfication零件验证，model implement软件实现，integration积分
图1. FEV的BMS功能和软件开发的V模型[1]
由于SOC和SOH算法是固有地相互作用而且SOH的测试过程可能非常耗时，MIL测试系统
是在本研究中开发的。电池动力学用等效电路模拟的。老化对模型参数的影响十分显著。系统的一部分被设计成可以整合BMS在实际应用中可能遇到的一些不完美状态。它将允许BMS开发人员在早期开发阶段测试和验证开发的电池算法和核心BMS功能。
电池管理系统算法
电池管理系统由多个电池监控单元（从控制器）和主控制单元（主控制器）组成。它提供以下主要功能：
bull;高压接触器控制
bull;充电器控制;
bull;单元 /系统监控
bull;温度管理;
bull;电池平衡;
bull;故障处理，自我诊断和通信;
bull;SOC，SOH和可用功率估计;
上面列出的许多BMS功能例如接触器控制和单元监控是相当直接的，并且可以通过使用标准测试方法来测试它们的应用效果。然而，估计内部状态的SOC和SOH算法可能非常复杂并且难以验证。
为了估计电池SOC提出了很多算法，每种算法都有一定的优缺点。最广泛使用的方法是库仑计数法和基于开路电压的方法。它们易于实现和运行快速。然而，由于测量误差的累积，不准确的初始值和对平坦OCV曲线不敏感性，它们具有一定的缺点。为了克服这些缺点，我们提出了闭环式模拟算法。卡尔曼滤波器（KF）及其变体，如扩展KF（EKF）[6]和Sigma;点KF（SPKF）[7]是现在研究的热门。 KF算法使用了关于过程和测量噪声的统计特性的知识使之可以接受传感器的不准确性的能力大大增强。但是这些算法过于依赖模型参数的准确性。还研究了滑动模式观测器[8]，Luenberger观测器[9]和递归最小二乘滤波器[10]来进行SOC估计。此外，一些基于人工智能的算法[11,12,13]，如神经网络，模糊逻辑和支持向量回归也已被应用于此。然而，它们需要大量的高质量训练数据。
SOH是与开始寿命/标称值相比的电池的实际能量和功率能力的指示。 SOH算法的关键问题是估计电池寿命期间的实时容量和阻抗。 这可以通过应用电池模型结合参数估计算法，如基于KF和基于最小二乘法的方法来实现[14,15,16]。 如果估计值多于一个参数，则称为联合估计[17]或双重估计[18]。 双重估计采用较低的矩阵维度，因此需要较少的计算能力。 由于这些方法的复杂性，差的收敛结果和不稳定性可能影响滤波器。 另一种广泛应用的计算容量衰减的算法是考虑在电池操作之前和之后测量的OCV的变化[19]。 然而，它需要两个不同的SOC水平进行计算。
BMS算法验证
不管使用上述SOC或SOH算法中的哪一个，当在真实电池上测试这些算法时的主要困难是不能实时地获知这些内部状态。因此，我们开发了一个环式模型测试系统。该系统设计用于模拟车辆中电池组和BMS之间的信号。如图2所示，该系统包括六个部分。第一部分包含测试场景，其中定义操作简档和操作条件以表示车辆的日常使用以及一些极端使用情况。第二部分是单元动力学建模的创建。内部变量（例如阻抗，容量，SOC）取决于操作条件。它们也可以被调整用于测试目的。在模拟信号传输到BMS之前，传感器故障配置文件和其他干扰源出现以模拟硬件限制。
第四部分执行BMS算法。对于SOH算法的测试，包括了第五部分的模拟非易失性RAM（NVM）。它与BMS通信，提供初始化值，并在电池运行后存储下一次运行的参数。由于测试环境的灵活性，BMS可以在正常速度或加速模式下执行。这特别有利于SOH算法的测试。然后通过评估算法将估计的状态与内部值进行比较，并评估算法的质量。
test scenarios测试场景，batterymodel电池模型，signal interference信号干扰，algorithms算法，initial values初始值，initial states初始状态，end states结束状态，estimated估计
图2. BMS环式测试模型系统的示意图
电池建模
为了有效地测试BMS，需要在整个寿命期间调查单个电池的状态并以高保真度模拟。
实验设计
有两种主要类型的测量技术部署用于ECM的参数化：电化学阻抗谱（EIS）和电流脉冲法。 我们采用基于脉冲的方法，该方法易于实现并且在预测动态行为方面被证明是准确的[20]。实验设置如图3所示。它由Digatron测试仪，用于控制环境温度的气候室， 用于配置测试算法和记录数据的计算机组成。 采样率可以达到1 kHz。 该实验在锂镍 - 锰 - 钴氧化物电池（NMC）上进行。
脉冲测试
进行脉冲测试的一种典型方法是遵循IEC 62660-1标准中定义的混合脉冲功率表征（HPPC）测试。使电池达到预定的SOC水平，并且放置一定时间以稳定并实现平衡状态。在稳定之后，施加10s放电脉冲和10min间隔时间，然后施加具有相反电流方向的下一个脉冲。在整个SOC间隔上对于不同的C率重复这些步骤。然而，该过程在参数化中产生一些不准确性，因为脉冲之间的弛豫时间没有给予足够长的时间以使电池达到热力学平衡，并且每个充电脉冲不在与之前进行不同放电脉冲的相同SOC下执行。因此，我们通过在具有小振幅的电流的两个脉冲之间添加补偿周期，并且通过在脉冲之前将间隔时间微分为更长的周期t1来保证热力学稳定性和在脉冲之后的更短的周期t2来修改该过程足够的参数化信息。详细的实验模式如图4所示。
Cell tester电池测试仪，climate chamber气候室，test circuits测试电路，ethernet以太网
图3.电池测试台的配置
Current电流，compensate for negative pulse补偿负脉冲，charge pulse充电脉冲，discharge pulse放电脉冲，compensate for positive pulse补偿正脉冲，repeat for other current at same SOC相同SOC下重复其他电流
图4.脉冲测试电流模式
研究了温度，SOC和电流速率的影响，测试结果如表1所示。
表1.脉冲电流的测试点
Temperature温度，rate率
OCV和容量测试
在20℃的温度条件下进行容量试验。容量测试开始于使用典型的CC-CV充电以1 / 3C对电池充电。最大切割电压为4.2V。然后将细胞静置3小时。锂离子电池以1 / 3C放电，直到达到2.5V的最小截止电压。放电量Ah被认为是电池的实际容量。
然后对锂离子电池进行OCV试验。在电池完全充电并放置3小时后，使用1 / 6C给电池放电。当获得期望的SOC（每5％Delta;SOC作为一步）时，使电池静置1小时的时间。将弛豫时间结束时的电池电压作为该SOC的OCV值。 OCV通常取决于SOC以及电池的充放电情况。然而，对于我们研究的电池化学，滞后效应不显着，因此可以忽略。
循环老化测试
电池特性会在老化过程中发生改变。 为了在电池寿命期间测试BMS算法，我们执行一个老化试验来研究模型参数的演变。 根据IEC 62660-1，电池一直在如下动态电流下工作（如图5所示）。 一旦电池达到最小电压，就进行CC-CV充电以使电池完全充电。 每周进行容量试验以检查实际容量。 在电池的实际容量下降到80％之后，终止老化试验。 再次进行脉冲表征实验。
Current电流，time时间
图5.老化测试的重复电流模式
电池模型
以电池状态估计为目的的模型的开发已经是许多研究的主题[21]。数学模型在可靠性和复杂性方面差异很大。电化学模型试图模拟第一性原理现象[22]。它们通常可以实现高精度，并且适合于理解内部反应。然而，它们使用具有大量参数的偏微分方程，这使得计算占用大量资源和产生参数化的过拟合问题。通过使用电阻器，电容器等形成集总模型来开发等效电路电池模型。各种等效电路模型在[23]中综述。在这项研究中，部署了二阶电阻 - 电容（RC）网络等效电路模型。如图6所示，这个模型由六个参数组成，即Uocv表示开路电压，Rohm表示内欧姆电阻，R1表示电荷转移过程电位相关电阻，C1表示双层电容，R2C2网络表示扩散过程。
Fast time constant快速时间常数，slow time constant慢速时间常数
图6电池等效电路模型
端电压（Ubatt）是开路电压（Uocv），欧姆电阻两端的电压（Rohm * Ibatt）和第一RC电路（U1）和第二RC电路（U2）两端的电压的和：
（1）
其中U1和U2可以表示为：
（2）
（3）
SOC的控制方程为：
（4）
其中SOCinitis是初始SOC，Cact是电池的实际容量，eta;c是库仑效率，Ibatt代表电池的电流。 Uocv从OCV测试中获得。 其他参数（Rohm，R1，C1，R2，C2）受到SOC，温度，电流速率以及电池的老化状态的影响。 这些参数可以从脉冲测试中导出。 我们考虑在脉冲和弛豫期间的电压响应。 通过使用非线性最小二乘法将模拟电压拟合到测量。 获得特定的R 1和C 1。 其中一个脉冲的拟合结果如图7所示。
模型参数
使用相同的参数化脚本，计算老化试验之前和之后的电池的2 R-C模型的参数。崭新和老化的电池的参数化结果的示例在图8中示出。可以观察到电阻（Rohm，R1，R2）和时间常数（tau;1，tau;2）的SOC和电流依赖性。 左图显示了1C放电时参数的SOC依赖性，右图是50％SOC时参数电流依赖性。 所有试验参数的都是20℃的环境温度下取得的。
可以观察到，电阻和时间常数从新电池到老化电池是逐渐
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[136709]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
