计及单体不一致性的动力电池组能量状态建模与估计方法

Power battery pack is the key technique for energy storage and supply systems of new energy vehicles, and intelligent monitoring and management is greatly important for its operating safety, reliability, economy, as well as high-efficiency. Besides, its state-of-energy (SOE) estimation is the key factor of realizing vehicle remaining mileage prediction, optimal energy management and charging/discharging control. However, cells inconsistency inevitably exists in the power battery pack, which results that the variation of characteristic parameters and nonlinearity of the battery pack is very complicated, and makes system modeling as well as state estimating quite difficult. This project develops a modeling approach for battery aging level based on the concept of analogy cycling number, and establishes data-driven models of key battery characteristic parameters. A large time-scale adaptive cubature Kalman filter is combined with a small time-scale optimal adaptive nonlinear observer for the joint estimation of battery model parameters and SOE. The SOE estimation model considering balancing current is proposed, and an artificial network-based estimator is correspondingly designed to calculate the balancing current. Serial-connected battery pack SOE is defined based on parameter and state models of two selected battery cells, and online prediction approach for the battery pack SOE is proposed. Based on theory analysis, numerical simulation as well as experimental research, this project will realize the online SOE modeling and estimation of power battery pack with cells inconsistency, which is crucial for both safety management and efficient use of power battery.

动力电池组是新能源汽车能源存储和供给的载体，其工作过程的智能化监控和管理，是安全、可靠、经济、高效运行的保障。电池组能量状态（SOE）估计是车辆剩余里程预测、能量优化管理和充放电控制的关键性因素。而动力电池组中单体不一致问题不可避免，对工作过程中性能参数、非线性特性等变化规律的影响极其复杂，使得系统建模和能量状态估计非常困难。本项目拟采用类循环次数表征电池老化程度，建立电池关键特性参数的数据驱动修正模型；融合宏观时间尺度自适应容积卡尔曼滤波和微观时间尺度最优自适应非线性观测器算法，实现电池模型参数与状态联合估计；建立计及均衡电流的SOE估计模型，并设计人工神经网络估计器在线计算均衡电流；提出基于典型单体参数和状态模型的串联电池组SOE定义及其在线估计方法。在理论分析、数值仿真和实验研究基础上，解决动力电池组存在单体不一致时能量状态建模与估计问题，对实现电池安全管理和高效利用具有重要意义。

动力电池组是新能源汽车能源存储和供给的载体，其工作过程的智能化监控和管理，是安全、可靠、经济、高效运行的保障。电池组剩余电量（目前主要以荷电状态SOC和能量状态SOE描述）估计是车辆剩余里程预测、能量优化管理和充放电控制的关键性因素。而动力电池组中单体不一致问题不可避免，对工作过程中性能参数、非线性特性等变化规律的影响极其复杂，使得系统建模和能量状态估计非常困难。基于此，本项目从电池建模及参数辨识、状态估计核心算法、多状态联合估计等多个方面，以及电池单体和模组两个层面开展了广泛研究。具体地，在电池建模与参数辨识方面，比较研究了13种等效电路模型在宽温度范围条件下对电池动态特性的表征性能，为宽温度范围工况下的电池精确建模提供了重要依据；建立了电池的简化扩展单粒子物理模型，解决了传统的电化学模型参数多、计算复杂的问题；研究了变遗忘因子最小二乘法和长短时记忆网络融合的OCV值修正方法，提高了模型精度和鲁棒性。在电池状态核心算法方面，研究了容积卡尔滤波及其改进算法、自适应滤波与深度学习融合算法，充分发挥了神经网络方法强大的非线性拟合能力、不依赖于电池模型的优点，以及卡尔曼滤波算法优秀的误差在线修正能力，有效解决了神经网络方法输出结果存在显著波动以及卡尔曼滤波算法估计结果受电池模型精度显著影响的问题。在电池多状态联合估计方面，构建了并联电池模组的多领域电化学机理仿真模型，分析了单体不一致对电池模组内单体电流分布和生热情况的影响，在此基础上，提出了电池单体筛选策略；研究了串联电池组能量状态的定义准则，构建了基于代表性单体的串联电池组能量状态估计模型及框架，0-50 ℃温度范围内电池模组能量状态估计的均方根误差保持在2.2%以内。上述研究成果为开发高安全、长寿命的锂离子电池模组及其管理系统提供了核心算法和关键技术支撑。