基于滑模观测器和电池状态的锂离子电池充电状态估计外文翻译资料

 2021-12-11 07:12

英语原文共 5 页

基于滑模观测器和电池状态的锂离子电池充电状态估计

龚晓辉、黄志武、李丽兰、卢红海、刘三丰、吴志辉

中南大学信息科学与工程学院,长沙,410074,中国 电子邮箱:hzw@csu.edu.cn

摘要:锂离子电池广泛应用于电动汽车和可再生能源领域。在这些应用中提供更准确的荷电状态(SOC)是十分必要的。本文提出了一种新的SOC估计方法。该方法考虑了自放电的特点,设计了一种新的单块RC电池等效电路模型。与传统方法相比,本文提出了一些改进措施。首先,采用滑模观测器(SMO)对SOC进行估计。其次,根据电池的状态,将SOC估计分为充电阶段和放电阶段两个阶段。考虑了电池模型中RC块的串联电阻和并联电阻,对电池放电过程中的SOC进行了估算。特别是在大放电电流下,提高了SOC的估计精度。最后,对该方法进行了仿真验证。

关键词:锂离子电池,SOC估计,滑模观测器,电池状态

1介绍

随着电动汽车(EV)和可再生能源发电机的迅速发展,人们对储能装置的兴趣越来越大[1]。锂离子电池已成为最突出的储能装置。与镍镉电池和镍氢电池相比,具有能量高、功率密度高等优点。它不会受到记忆效应的影响。工业锂离子电池的生产实践表明了电池管理系统(BMS)的重要性。高性能的BMS可以提高锂离子电池的工作效率,延长电池的寿命。然而,优化能源利用是BMS面临的最大挑战之一。作为电池能量的指示,SOC在BMS中起着重要的作用。SOC的准确度会影响电池在充电时,尤其是在大功率的情况下,如电动汽车[2]停止放电时。换句话说,高精度可以保护电池免受过度充电或过度放电。不良的SOC估计可能会严重损坏电池,最终导致电池寿命缩短。因此,锂离子电池在工程中的应用,加剧了对SOC精确估计算法的需求。

为了准确地得到锂离子电池的荷电状态,近年来对荷电状态估计进行了大量的研究。它们中的许多采用电池等效电路模型结合开环法或闭环法来估计SOC。在开环方法中,库仑计数法是最常用的方法,它具有高精度的SOC和精确的电流测量[3]。库仑计数法的计算结果一般可以满足工程要求。然而,存在两个问题来降低算法的性能。一是很难得到初始的SOC。要获得初始SOC,需要将电池休息几个小时,这在电池运行时是不可能的。二是测量电流与时间积分存在累积误差。它需要通过定期重新校准进行校正。此外,库仑计数法不考虑自放电和电池内阻。它还降低了SOC的估计精度,特别是对于大电流进出电池。

除库仑计数法外,还发展了其他一些闭环方法。普列特提出了卡尔曼滤波方法来估计电池的荷电状态[4]。它根据环境中的噪声对电池的荷电状态进行最佳估计。然而,这种方法需要复杂的数学计算和内存资源。此外,不完善的建模和外部噪声高斯分布的限制可能会降低其性能。这可能导致实际应用中的失败[5]。SMO是估计电池荷电状态的另一种方法。当系统达到预定滑动面[6]时,可以消除模型误差。虽然克服了库仑计数法的缺点,但它没有考虑电池的内阻和自放电,从而降低了整个SOC的精度。除了方法外,模糊逻辑方法论还利用模糊理论来估计SOC。在得到电池阻抗模型时,需要更多的先验知识,这是一种简单而不方便的方法。神经网络方法可以估计SOC,但需要复杂的计算[7]。还有其他的电化学方法来获得SOC[8]。它们可以为锂离子电池的制造工艺提供指导,但不适用于以单片机为控制器的场合。

一般来说,许多SOC估计方法不考虑电池状态(包括充电、放电和休息)和寄生参数。本文提出了一种基于SMO方法和电池状态的SOC估计方法。该方法采用带一个RC模块的等效电路模型对蓄电池进行建模。它只需要很少的计算和内存资源,可以应用于硬件配置较低的实际应用。该方法将SOC估计分为充电和放电两个阶段。当电池放电时,考虑电池内阻[9]。这两个阶段使用SMO来估计SOC。该方法在电池电流较大的情况下,可以提高SOC的估计精度。

论文的其余部分组织如下:在第2节中,提出了描述电池行为的等效电路模型;在第3节和第4节中,设计了考虑电池状态的SOC估计SMO。在第5节中,对所提出的SOC估计方法进行了matlab/simulink仿真。最后,结论见第6节。

图1.锂离子电池等效电路模型

2电池型号

本文所用锂离子电池的等效电路模型如图1所示。该模型可以模拟锂离子电池的精确动态行为。在该模型中,开路电压(OCV)由受控电压源表示。它是电池SOC的一个功能,由表示。此外,通过插入串联电阻(用表示),给出了由电池电流引起的瞬时终端电压变化。也称为欧姆电阻。它可以在电池放电时消耗能量,降低SOC。然而,RC块(,)显示了施加阶跃负载电流时电池电压的动态响应。整个充电电容器用(=3600,为定额容量(A*h))表示,长时间存储会造成自放电能量损失。锂离子虽然自放电较低,但仍对SOC的精度有影响,尤其是对大电流,由于模型中存在建模误差、不确定性和时变因素,代表这些误差和不确定性。该模型简单,模型误差可由SMO进行补偿。

通过RC块的电压动态可以描述为

(1)

蓄电池端子电压可以表示为

(2)

可以表示为

(3)

有两种假设:一种是终端电压相对于电流的导数可以忽略不计,因为在实际应用中可以获得快速采样(数百微秒)的时间;另一方面,在中,OCV( ())是分段线性的,因此

(4)

上的电压为,即SOC。其动态由

(5)

将(3)代入(5)得到

(6)

根据这两个假设和(4),的导数可以表示

(7)

由于的值足够大,的范围可以是0到1

(8)

3 SMO的设计

为了利用SMO估计锂离子电池的荷电状态,首先讨论了观测器的可观测性。系统的可观测性矩阵如下

(9)

根据(10)的行阶梯形,可以得到秩(obsv) = 3。状态变量Vb Vsoc Vf可以观察到。

其次,SMOVb、Vf、Vsoc是由SMO控制理论设计的。Vb的SMO函数可以建成

(10)

其中,是的估计值

(11)

所以可以得到

(12)

为了确保SMO的收敛性,让lt;0

(13)

可得到

(14)

式中,(14)为绝对值函数。选择满足条件(15)的值,即可达到SMO表面。将SMO的等效控制方法应用于(13),不确定性可以在有限时间后得到补偿。那么,我们就可以

(15)

在此之后,的估计函数可由

(16)

设计滑模面,可以得到

(17)

式中,假设lt;0,因为已经达到滑动模式表面的估计量,=0,可以得到

(18)

根据SMO的等效控制方法,可以得到

(19)

的观测器函数给出如下:

(20)

在设计滑模面时,的导数可用表示。

(21)

可以获得

(22)

为了消除的抖振,采用饱和函数sat(e)代替sgn函数。

(23)

4 考虑电池状态的SOC估计

由于电池是一种高度非线性的器件,因此SMO非常适合解决非线性问题。它需要相当精确的电池模型来消除模型的不确定性,并且只需要很少的时间来实现,这就解决了库仑计数法的问题。SOC可由第3节中设计的SMO估算。然而,值得注意的是,电池充电和放电之间的SOC估计是不同的。

本文提出的新的SOC估计方法对常用的SOC算法进行了改进。首先,新的SOC估计方法考虑了自放电电阻对电池充放电的影响。低自放电的锂离子电池仍然是必要的。其次,新的SOC估计方法基于SMO计算了电池放电时的RS和RF的能量消耗。

因此本文提出的SOC估计分为两部分。当蓄电池充电时,SOC估计使用SMO

(24)

当蓄电池放电时,SOC估计值可表示为

(25)

其中t0是开始时间,t1是结束时间。

图2.滑模观测器结构

得到,

图3.电池放电实验

为了得到图1中电池模型的参数,进行了放电实验。实验过程如图3所示。首先,将电池充电至100%,并将电池保留两小时。其次,以1C(6a)的电流放电10分钟,然后将电池闲置一小时。电池的荷电状态下降了10%。重复第二步6次,直到蓄电池的SOC达到零。通过这些步骤,可以识别电池模型的参数。还可以得到SOC与OCV之间的关系。

5 模拟

为了验证本文提出的SOC估计方法的性能,基于Matlab/Simulink R2013A对6000mAh锂离子电池进行了数字仿真。

表1:锂离子模型参数

模型参数

价值

0.01 :

200英尺

21600作为

0.003 :

1000 :

表2:SMO的增益

SMO增益

价值

0.12

0.01

0.02

模拟用锂电池的模型参数见表1。为了简化SOC与OCV之间的关系,OCV与SOC的增益为k=1.4。由于蓄电池电压在2.8到4.2之间,即:

OCV 1.4*SOC 2.8 (26)

为了模拟实际应用中的噪声,在锂离子电池(6000mAh)中加入了伪随机噪声。伪随机噪声的频率为100Hz。最大值为0.1V,最小值为-0.05V,放电电流为6A,电池放电4秒,停止放电1秒。重复此过程,直至蓄电池电压降至2.75V,放电电流部分如图4所示。蓄电池电压初始值为4.2V,SOC为1。

图4.模拟中分散电流部分

模拟结果如图5所示。估计值与实际值之间的误差如图6所示。如图5和图6所示,使用sat函数进行估计的精度可以高于sgn函数。

图5.用SAT和SGN估计电池电压

图6.用SAT和SGN估计电池电压误差

图7.利用SAT和SGN估算电池的荷电状态

图8.利用SAT和SGN估计SOC误差

估计的SOC如图7所示。估计值与实际值之间的误差如图8所示。初始估计值为0.8,实际误差为0.2。从图7中可以看出,估计值可以使用所提出的方法跟踪实际值。如图8所示,使用SAT函数估算的SOC和实际SOC之间的最大误差为3%。低于使用SGN功能。需要注意的是,使用sat函数的收敛速度比sgn函数慢。

图9.用两种方法估算SOC

库仑计数法与建议方法的比较如图9所示。如你所见,与库仑计数法相比,对初始值没有要求。利用该方法,估计出的SOC能够快速跟踪实际值。

图10.无伪随机噪声的估计SOC

使用sgn函数在不向vb添加伪随机噪声的情况下估计的SoC误差如图10所示。精度高。然而,当存在模型误差时,估计误差会增加。通过使用SAT函数,图8中SOC估计的最大误差为3%。

6 结论

本文提出了一种新的锂离子电池荷电状态估计方法。该方法采用了一种新的考虑自放电的等效电路电池模型。此外,使用SMO可以补偿模型误差,解决库仑计数法的问题。此外,本文的SOC估计方法还考虑了电池内部电阻对电池状态的影响。饱和函数的设计是为了减少抖振现象。仿真结果表明,该方法优于传统方法。总之,本文提出的SOC估计方法由于硬件配置和软件设计较低,在工程实践中具有一定的应用价值。

参考文献

[1] H. R. Eichi, U. Ojha, F. Baronti, et al. Battery Management System: an Overview of Its Application in the Smart Grid and Electric Vehicles[J]. IEEE Trans. On Industrial Electronics Magazine, 7(2): 4-16, 2013.

[2] B. Kelsey, C. Hatzel

资料编号:[5870]

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

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。