Elektrisko transportlīdzekļu akumulators ir galvenais akumulatora veselības uzturēšanas mērķis. Akumulatora pārvaldības sistēma (BMS) uztur optimālu akumulatora stāvokli, novērtējot tā veselības stāvokli (SOH). Precīza SOH identificēšana var noteikt akumulatora nomaiņas laiku, izvairīties no akumulatora atteices un pagarināt tā kalpošanas laiku. Šī raksta mērķis ir uzlabot BMS veiktspēju, identificējot SOH parametrus. Pamatojoties uz Thevenin akumulatora modeli, tiek iegūti tādi galvenie parametri kā R{{0}}, Rp un Cp. Lai pabeigtu parametru identifikāciju, tiek izmantoti divi adaptīvie algoritmi, Kulona skaitīšana un atvērtās ķēdes spriegums. Tiek salīdzināti abu algoritmu rezultāti kļūdu, vidējās absolūtās kļūdas (MAE), vidējās kvadrātiskās kļūdas (RMSE) un galīgās SOH vērtības izteiksmē. Pētījums koncentrējas uz aplēšu kļūdu datu un uzticamas BMS veiktspējas informācijas iegūšanu. Rezultāti liecina, ka Kulona skaitīšanas metodei ir mazāka kļūda SOH novērtējumā nekā atvērtās ķēdes sprieguma metodei ar kļūdu 1,770%. Galīgā SOH vērtība ir 17,33%, un Thevenin akumulatora modelim akumulatora modelēšanas kļūda ir 0,0451%.
1. Ievads
Elektrisko transportlīdzekļu akumulators un akumulatoru pārvaldības sistēma (BMS):Elektriskajos transportlīdzekļos akumulators ir primārais enerģijas avots, kas nodrošina jaudu dzinējam un citām sistēmām. Atšķirībā no tradicionālajām automašīnām elektrisko transportlīdzekļu akumulatoriem ir salīdzinoši maza jauda un spriegums, un tie parasti tiek iepakoti akumulatoru moduļos. Akumulatoru sistēma sastāv no vairākiem akumulatoriem, kurus pārvalda BMS. Tās funkcijas ietver akumulatora darbības sistēmas optimizāciju, kas ietver divus galvenos parametrus: uzlādes stāvokli (SOC) un veselības stāvokli (SOH). SOC ir atlikušās jaudas attiecība pret kopējo jaudu, savukārt SOH ir salīdzinājuma vērtība starp pašreizējo veiktspēju un jaunā akumulatora veiktspēju, ko nevar tieši izmērīt un tā ir jānovērtē.
Pētījuma pamatojums un saistītās metodes:Veselības stāvoklis (SOH) var noteikt akumulatora veiktspēju un kalpošanas laiku. Akumulatora lietošanas laikā var rasties kvalitātes pasliktināšanās, iekšējās pretestības un jaudas parametru izmaiņas. SOH parametru noteikšana palīdz noteikt faktisko akumulatora stāvokli, ieteikt nomaiņas laikus un pagarināt akumulatora darbības laiku. Pašlaik ir vairākas metodes veselības stāvokļa (SOH) vai uzlādes stāvokļa (SOC) novērtēšanai, taču ir dažas metodes, kas vienlaikus identificē abus un ģenerē atbilstošus parametrus, lai samazinātu BMS skaitļošanas slogu. Akumulatora parametru uzraudzības algoritmam ir jāpielāgojas parametru izmaiņām un jānovērtē akumulatora stāvoklis. Metodes var iedalīt trīs kategorijās, tostarp spektrālās pretestības metode, ķēdes modeļa vienādojuma metode un elektroķīmiskās pretestības modeļa metode.
Saistītā darba apskats:Iepriekšējos pētījumos parasti tika izmantotas vairākas metodes, lai noteiktu akumulatora parametrus. Elektrisko transportlīdzekļu BMS plaši izmanto kulonu skaitīšanas (CC) un atvērtās ķēdes sprieguma (OCV) metodes, katrai no tām ir savas priekšrocības un trūkumi. CC metode novērtē SOH, uzraugot akumulatora ieejas un izejas jaudu, ņemot vērā jaudas zudumus uzlādes cikla laikā, kā arī var sniegt atbilstošu informāciju, atjaunojot spriegumu; OCV metodi var uzskatīt par sabalansētu spriegumu pēc tam, kad akumulators ir pilnībā atpūties, un veselības stāvokli (SOH) novērtē, ņemot vērā BMS akumulatora parametru apstākļus.
Šī pētījuma mērķis ir noteikt precīzus SOH parametrus, lai pagarinātu akumulatora darbības laiku. SOH parametru novērtēšanai un identificēšanai tiek izmantota uz akumulatora modeli balstīta metode. Thevenin akumulatora modelis tiek izmantots, lai identificētu R0, Rp un Cp parametrus, izmantojot adaptīvo algoritmu (Recursive Least Squares, RLS). Pamatojoties uz novērtējuma rezultātiem, tiek iegūti precīzi SOH aprēķini, lai samazinātu skaitļošanas slodzi.
Pētījuma ieguldījums:Akumulatora parametru pārbaudes rezultāti nodrošina pamatotus aprēķinus un nelielu kļūdu līmeni BMS sistēmas veiktspējas novērtēšanai. Kulona skaitīšanas metode ir ērta akumulatora jaudas aprēķināšanai, un akumulatora maksimālā jauda samazinās, palielinoties uzlādes un izlādes cikliem. Thevenin akumulatora modeļa relatīvā kļūda ir mazāka par 2%. SOH novērtējuma precizitātes ziņā CC metode ir pārāka par RLS, un CC metode var novērtēt akumulatora spailes spriegumu un SOC, savukārt OCV metode var tikai novērtēt akumulatora parametrus.
2. Akumulatoru vadības sistēma
Akumulatora sastāvdaļas (BMS funkcijas un sastāvs):BMS regulē akumulatoru sistēmu, kas sastāv no simtiem vai tūkstošiem akumulatoru elektriskajos transportlīdzekļos, un tai ir svarīgas funkcijas, piemēram, uzraudzība, parametru novērtēšana, aizsardzība, atskaišu sniegšana un akumulatoru balansēšana. Tās galvenās funkcijas ietver akumulatora aizsardzību pret bojājumiem, akumulatora darbināšanu atbilstošos sprieguma un temperatūras diapazonos un akumulatora uzturēšanu tā, lai tā darbotos tādos parametros, kas atbilst sistēmas prasībām, piemēram, SOC, SOH un SOF. BMS sastāv no sensoriem, izpildmehānismiem un kontrolleriem ar ieejām, tostarp sensoru signāliem, piemēram, strāvu, spriegumu, temperatūru un pedāļiem, un izejām, tostarp moduļiem siltuma pārvaldībai, līdzsvaram, drošības vadībai, uzlādes indikācijai, kļūdu trauksmei un komunikācijai. BMS programmatūrā ir iekļauti vairāki funkcionāli moduļi, piemēram, akumulatora parametru noteikšana, novērtēšana un kļūdu diagnostika. Akumulatora sprieguma mērīšana, parametru novērtēšana, balansēšana un kļūdu diagnostika ir galvenie BMS jautājumi, starp kuriem akumulatora sprieguma mērīšana saskaras ar tādām grūtībām kā sprieguma atšķirības, ko izraisa akumulatoru sērijas savienojums un augstas precizitātes prasības.
Akumulatora modelēšana:Šajā rakstā ir noteikti veselības stāvokļa (SOH) parametri, izmantojot akumulatoru modelēšanu, un pārveido ieejas akumulatora sprieguma, strāvas un temperatūras parametrus SOH, lai iegūtu precīzus aprēķinus. Izmantojot Thevenin akumulatora modeli, tiek aprakstīta akumulatora polarizācijas procesa sprieguma pārejas reakcija, izvēloties akumulatora iekšējās pretestības un kapacitātes parametrus. Tiek sniegti akumulatora modeļa matemātiskie vienādojumi un saistīto parametru (Voc, R0, Rp un Cp) aprēķinu metodes, kas iegūtas ar RLS algoritma palīdzību un pielietotas Thevenin akumulatora modelim.
3. Noteikt veselības stāvokļa parametrus
Veselības stāvokļa parametru noteikšanas nozīme un metodes:Precīzi SOH parametri ir ļoti svarīgi BMS veiktspējai. Šajā pētījumā Kulona skaitīšana tiek izmantota kā adaptīvs algoritms, lai identificētu šos parametrus, lai iegūtu SOH inicializācijas vērtības un novērtētu BMS veiktspēju. Thevenin akumulatora modelis tiek izmantots, lai noteiktu akumulatora modeļa parametrus un OCV-SOC funkciju. Īpašais process ietver strāvas ievadīšanu akumulatora modelī, termināla sprieguma datu analīzi, pārveidošanu no laika domēna uz SOC domēnu un līknes pielāgošanu, lai iegūtu OCV-SOC funkciju. Parametru identifikācijas process tiek atkārtots, līdz SOH novērtējums ir saprātīgs un kļūdu līmenis ir mazs.
OCV-SOC funkcija:Pamatojoties uz Thevenin akumulatora modeli, OCV (SOC) ir avota sprieguma parametrs, ko iegūst, pārbaudot akumulatora spriegumu bez pievienotas slodzes un spriegumu pirms akumulatora bloka pievienošanas. SOC OCV līkne tiek novērtēta, izmantojot nemainīgas slodzes testa datus un aprīkota ar divpadsmitās kārtas polinomu. Desmitās kārtas polinomam ir visaugstākā precizitāte, novērtējot Voc, un mazākā vidējā kvadrātiskā kļūda (RMSE), kas būtiski ietekmē SOC un OCV funkciju precizitāti.
R0, Rp un Cp parametri:Thevenin akumulatora modelim kā avota spriegums ir nepieciešams OCV pie SOC, kas tiek iegūts, pārbaudot impulsu. R{{0}} ir iekšējā pretestība, kuras vērtība ir lielāka par citām pretestībām. Izlases perioda problēmas dēļ ir grūti fiksēt nelielas datu izmaiņas. Attiecība starp R0 un SOC tika iegūta, pielāgojot otrās kārtas polinoma līkni, ar vidējo R0 vērtību 0.027735 Ω. R0, Rp un Cp nodrošina ieejas datus sprieguma un strāvas impulsu pārbaudei un iegūst izejas parametru vērtības.
Eksperimentāls rezultāts
Analizējot akumulatora uzraudzītos veselības stāvokļa (SOH) parametrus, tiek sasniegta BMS veiktspēja un iegūti fizisko parametru dati, piemēram, akumulatora spaiļu spriegums un ieejas/izejas strāva. Pamatojoties uz akumulatoru modelēšanu, parametru dati tiek identificēti un izmantoti akumulatora stāvokļa uzraudzības un aizsardzības sistēmām. SOH novērtēšanas metode ietver akumulatora pretestības un kapacitātes izmaiņu mērīšanu, attiecīgi izmantojot Oma likumu un Kulona skaitīšanas metodi, un OCV vērtības aizstāšanu ar OCV-SOC attiecību vienādojumu, lai iegūtu SOC un SOH vērtības.
Tika veikts statiskās izlādes tests, un rezultāti parādīja, ka CC algoritms ieguva SOH izmaiņas, reizinot strāvas vērtību ar laiku, savukārt OCV algoritms ieguva SOH vērtību, izmantojot akumulatora modeļa spaiļu spriegumu vai OCV vērtību. Abu algoritmu SOH izmaiņu līknes bija līdzīgas. Pārbaudē tika iegūti arī akumulatora parametru identifikācijas rezultāti, un akumulatora relaksācijas raksturlielumus var izmantot parametru identificēšanai. Jo ātrāks testa cikls, jo precīzāks ir SOH novērtējums. CC algoritms ir pārāks par OCV algoritmu SOH inicializācijā, kas var labāk izprast akumulatora iekšējo pretestību un vienlaikus novērtēt akumulatora spaiļu spriegumu Vt, SOC un SOH ar novērtējuma kļūdu, kas ir mazāka par 2%.
No SOH parametru identificēšanas kļūdu datiem CC algoritma vidējā kvadrātiskā kļūda (MSE) ir {{0}}.0111, galīgā SOH vērtība ir 17,33%, kļūdu procentuālā daļa ir 1,770% un sakne. vidējā kvadrātiskā kļūda (RMSE) ir 0,0132
Pētījuma rezultātu diskusija:Iekšējās akumulatora pretestības ietekme uz CC un OCV algoritmiem ir līdzīga, un CC algoritms var labāk izprast iekšējo pretestību ar mazākām kļūdām. CC algoritms var veiksmīgi novērtēt akumulatora spaiļu spriegumu Vt, SOC un SOH vienlaicīgi ar novērtējuma kļūdu, kas ir mazāka par 2%. Izlādes testā CC algoritms ir precīzāks nekā OCV algoritms SOH inicializācijā, un aprēķinātā vidējā kvadrātiskā kļūda (MSE) ir 1,770% CC algoritmam un 3,256% OCV algoritmam. Šie rezultāti sniedz atsauci parametru identificēšanai BMS novērtējumā.
4. Kopsavilkums
BMS veiktspējas novērtējuma rezultāti, pamatojoties uz SOH parametru identifikāciju, liecina, ka Kulona skaitīšanas algoritmam ir labāki aprēķinu rezultāti ar SOH novērtējuma kļūdu 1,770% un galīgo SOH vērtību 17,33%. Thevenin akumulatora modeļa modelēšanas kļūda akumulatoriem ir 0,0451%. Runājot par SOH novērtējuma precizitāti, izmantojot divas metodes (kulona skaitīšanu un atvērtās ķēdes spriegumu), Kulona skaitīšanai ir lielāka precizitāte. Turklāt adaptīvie algoritmi, kuru pamatā ir akumulatora modelēšana, var novērtēt akumulatora spaiļu spriegumu un SOH.