论文部分内容阅读
随着电动汽车(Electric Vehicles,EVs)的逐渐普及,锂离子动力电池(Lithium-ion Power Battery,Li PB)的需求不断攀升,退役Li PB规模也将大幅增加。庞大规模的退役Li PB,将是新能源汽车发展中无法回避的问题。对于大规模的退役电池,如果不能及时回收或再次利用,将会造成严重的环境污染和资源浪费。因此,为了更好地推动EVs退役Li PB的梯次利用和快速回收,需要加大对电池功能状态、健康状况和故障诊断机制等关键技术的研究,实现现场快速电池状态检测,进而加速电池回收进程和梯次利用。本文针对上述问题,基于数据驱动与实验检测两个技术路线开展的研究如下:(1)电池So C的估计。剩余电量状态(State of Charge,So C)估计对于电池管理系统(Battery Management System,BMS)必不可少。准确的So C估计可以提高电池利用效率,尤其是对于EVs。本文探索一种简单有效的方法来实现各种Li PB的So C估计,提出了一个基于门控循环单元(Gated Recurrent Unit,GRU)架构的循环神经网络(Recurrent Neural Network,RNN)模型来估计电池So C。通过结合使用Nadam和Ada Max优化器的集成优化方法,GRU-RNN可以快速学习自身的模型参数。在模型预训练阶段使用Nadam优化器,以尽快找到极小优化值,然后在模型微调阶段使用Ada Max优化器,以进一步确定模型参数。为了验证该方法的有效性和准确性,使用三个动态行驶工况数据集对GRU-RNN模型进行训练和测试,并与现有So C估计方法进行比较。(2)电池So H的估计。健康状态(State of Health,So H)估计是BMS的另一关键指标。准确的So H估计可用于指导Li PB的及时回收和梯次利用,尤其有益于环境保护。本文提出一个使用径向基核函数(Radial Basis Kernel Function,RBF)的最小二乘支持向量回归(Least Squares Support Vector Regression,LS-SVR)模型来估计电池So H。基于Li PB的回滞行为,通过复合电流脉冲测试(Hybrid Pulse Power Current,HPPC)老化后的电池快速获得样本数据。采用灰色关联分析(Grey Relational Analysis,GRA)进行数据样本特征选择,再用K-折交叉验证方法来确定LS-SVR模型的超参数。为了验证所提出的方法,使用具有不同老化程度的Li PB样本对LS-SVR模型进行训练和测试,并与现有的So H估算方法进行比较。(3)电池OCV的估计。准确的开路电压(Open circuit voltage,OCV)估计有益于Li PB的So C和So H估计。本文提出了用于电池OCV估计的ε型支持向量回归(ε-Support Vector Regression,ε-SVR)模型。根据Li PB的电压弛豫行为,针对不同老化程度的测试电池,通过HPPC实验采集样本数据。使用GRA对数据样本进行特征选择,采用K-折交叉验证获得ε-SVR模型的超参数。为了验证所提出的方法,使用具有不同老化程度的Li PB样本数据对ε-SVR模型进行了训练和测试。(4)电池ISC状态的预测。内部短路(Internal Short Circuit,ISC)预测是BMS的关键挑战之一。准确的ISC预测可以有效降低热失控的风险,以确保安全使用动力电池。现存一些电池ISC预测方法的研究,但是缺乏一种简单易用的现场快速测量方法。因此,本文提出了随机森林分类器(Random Forest Classifier,RFC)模型用于电池ISC预测。根据Li PB的弛豫行为,通过HPPC测试来采集普通电池和具有ISC状态电池的数据样本。使用Matlab曲线拟合工具拟合弛豫曲线,获得电池等效电路模型(Equivalent Circuit Model,ECM)的参数并将其用作样本特征。采用灰色关联分析进行数据样本的特征选择,并使用网格搜索(Grid Search,GS)和“袋外数据”(Out-of-Bag,Oo B)误差获得RFC模型的参数。(5)电池检测仪的研发。美国生产的Arbin电池测试仪、国内新威尔生产的电池测试仪等测试仪器价格昂贵,体积大,适合实验室测量、标定使用,但不适合现场快速地实现电池状态检测。因此,自主研发了一款基于微控制器(Micro Controller Unit,MCU)的电池状态快速检测仪,为大规模退役Li PB的回收和梯级利用提供了快速状态检测的保障。其次,根据锂电池电化学特征和机理,推导了表示电池传荷过程健康状态因子和电池扩散过程健康状态因子。第三,基于高分辨率脉冲宽度调制(High Resolution Pulse Width modulation,HRPWM)技术,同步实现了充电控制与电池阻抗测量,通过关键频率点阻抗测量实验结果验证了电池检测仪的功能。