logo资料库

基于大数据的电池健康状态(SoH)的估算及应用.pdf

发布时间：2022-06-01 发布人：admin 分类：说明书 资料大小：0.38M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    基于大数据的电池健康状态（SoH）的估算及应用 摘 要：为了突破因电池管理系统 (BMS) 存储和计算能力不足导致的传统电池健康状态 (SoH) 估算 方法的局限，提出了基于互联网平台在线大数据的 SoH 估算方法。研究了数据离散特性、电池单体一 致性等因素对此估算方法的影响；结合某平台的在线大数据进行了此方法的集成应用，对单车以及分 车辆品牌、分地域、分时域进行了多维度的电池 SoH 衰减比较验证。结果表明：此方法能够有效估 算单个动力电池系统的 SoH 及其变化，并且能够与其他数据类型进行多维度整合，对动力电池进行 大数据画像分析。 关键词：动力电池；容量衰减；健康状态 (SoH) ；大数据 中图分类号：TP 391.7 文献标识码：A DOI: 10.3969/j.issn.1674-8484.2019.01.013 Battery state of health (SoH) estimation method and application based on big data XIAO Wei, ZHONG Weidong, SHU Xiaonong, YAN Jiujiang, YUAN Xiaoxi （Tsinghua Sichuan Energy Internet Research Institute, Chengdu 610213, China） Abstract: A traditional state of health (SoH) estimation method was proposed based on online big data online platform to break through the limitations of SoH estimation methods caused by insufficient battery management system (BMS) storage and computing power. The effects of data discrete characteristics and battery cell consistency on the method were studied. The method was integrated into specific big-data platform, and the batteries’ SoH decrease were verified in muti-dimensions such as different vehicle brands, different locations and different time. The results show that this method can effectively estimate SoH of single power battery system and its variation, as well as integrate within other data in muti-dimensions and analyze the big data image of power batteries. Key words: power battery; capacity decrease; state of health (SoH); big data 动力电池的健康状态（state of health, SoH）代表了 老化电池与新电池之间的区别 [1]，包括功率健康状态 和容量健康状态 [2]。实时估算容量健康状态的方法主 要有 2 种：1）基于电池寿命试验的直接递推方法 [3-4]， 因实际的随机运行环境与特定的试验环境存在较大差 异，这种开环预估方法准确性不高，一般用于特定工 况下的 SoH 修正；2）提取特征参数的间接测量方法 [5-6]， 通过实测开路电压（open circuit voltage，OCV）与电池 收稿日期 / Received ：2018-10-12。 基金项目 / Supported by ：国家电网公司科技项目资助（52020118000G）。 第一作者 / First author ：肖伟 (1981—)，男 ( 汉 )，四川，高级工程师。E-mail: xiaowei@tsinghuasc.org。
    北京优电科技有限公司 容量、计算荷电状态（state of charge，SoC）值，结合数 学模型，在电池管理系统（battery management system， BMS）内实时计算电池容量。 常见的 SoH 数学模型主要有经验模型、等效电路 模型和电化学模型 3 种。Johannes[7] 考虑了电压、温度、 SoC 和放电深度（depth of discharge, DOD）4 个因素， 对 60 多组 Li(NiMnCo)O2 电池的老化测试数据进行拟 合分析，建立了纯经验电池循环寿命模型。然而随着电 前容量。在实验室一般是通过标准的充放电测试来计 算电池系统的当前容量。在车辆实际运行过程中，电池 系统放电不可能是稳定放电倍率，而充电过程由于电池 管理系统的保护机制，一般不会让电池电量耗尽再进 行充电，且充电的温度及电流也很难和试验室保持一 致 , 因此车辆实际运行过程中不会出现和试验方法一 致的充放电工况。但基于大数据平台的海量充电数据， 可以借鉴此方法进行 SoH 估算。 按照《GB/T 32960.3-2016 电动汽车远程服务与管 池质量的提高，如今在实验室对电池进行老化试验往 往需要长达数年的时间，在这段时间里该款电池已经 投入使用、得到改进甚至被淘汰。针对等效电路模型， [8] 理系统技术规范第 3 部分：通讯协议及数据格式》要求， 电动汽车远程服务与管理平台之间必须传输与动力电池 胡晓松等 建立分数阶等效电路模型实现 SoC 和 SoH 有关的数据 [5]，数据内容为时间、充电状态、单体最高 的联合估计，但是这种方法需要比较精确和丰富的高 电压、单体最低电压、总电流、SoH、总电压、单体最 高温度、单体最低温度、累计里程、车牌、电池类型等 质量采集数据，现阶段多数车辆在数据质量和维度上 较难达到要求。Doyle 等建立了电池的伪二维电化学 共 12 个数据。 机理 (pseudo-two-dimensional model, P2D) 模型，该模 型的仿真精度较高，但是仿真效率低，参数量大且获 [9] 由于受到数据带宽、流量费用以及车辆运行环境 等限制，上传至平台的电池数据的内容、数据上传的周 取困难，很多学者提出各种简化模型的方法来提高仿 [10] 期以及数据上传的质量都具有较大扰动，采用某单一 真速度。Sabatier 对 P2D 模型进行了简化，用于估 维度的估算方法很难准确的估算出电池容量的衰减情 计电池 SoC 和 SoH。但是这类模型复杂度依然比较高， 况，因此本文研究了一种基于多维度以及长时间的综合 进行模型参数的辨识需要消耗大量计算资源，难以在 实际工程中应用。 对于电池单体，电池容量衰减的主要影响因素是 温度、充放电深度、充放电倍率和日历寿命 [11] 和内阻 [12-13] 变化 。对于动力电池系统，单体不一致性随着使 用增大，也会显著加速 SoH 衰减 [14] ；因此，新能源汽 车实际运行过程中，SoH 的衰减受到多种内部、外部 变量的影响，包括日历时间、汽车使用习惯、交通路况、 气候环境和充电方式等使用环境，以及单体工艺差异、 单体温度不一致、系统集成方案和管理方案造成的电 池系统集成技术上的差异，此外材料、封装技术等也 会对单体生产过程造成随机影响。因此，即使是同一 品牌、同一批次的电池系统，SoH 衰减的特征也会有 明显不同。在前述因素的综合影响下，传统的容量计 算方法在很大程度上局限于 BMS 的存储和计算能力， 而提升 BMS 硬件系统会造成车辆成本的显著增加。 本文利用电池历史数据与实测数据，依托大数据 平台提供的海量分布式存储和并行计算能力，提取有 关特征实现 SoH 的在线估计并通过单体间差异进行修 正，对多维度的电池 SoH 衰减进行比较，为动力电池 相关产业提供技术支撑。 1 基于大数据平台的 SoH 估算方法 电池系统 SoH 的衰减评估，必须测量电池系统当 评估算法。 SoH 的 估 算由 3 个 模 块组成，如图 1 所示。基础 容量计算模块计算多次有 效充电数据的额定容量和当 数据提取和预处理 前容量的平均值，求得基础 电池健康状态，输出 SoHcal， 同时对数据传输周期大小带 来的计算误差进行了 计算 模块 基础 容量 压差 容量 修正 模块 分析。 压差容量修正模块考虑单体 SoH 衰减输出模块 不一致带来的影响，计算单 体最大压差引起的容量衰减 图 1 计算模块示意图 值作为修正，求得修正电池健康状态，输出 SoHvol。 1.1 基础容量计算模块 在平台数据中选取每一台电动汽车充电时的动力 电池数据，其曲线如图 2 所示，其中 QAh1 和 QAh2 通过 总电流与时间积分计算得出。基础容量计算包括额定 容量计算和当前容量计算两部分。其中：QSoC1 是指在 40%~60% 之间所截取的 SoC 片段；QAh1 是区间段充入 的电量。QSoC2 是指在 20%~80% 之间所截取的 SoC 片 段，QAh2 是该区间段充入的电量。 额定容量 Crat 是通过充电过程中，在 QSoC1 区间段， 充电 SoC 与充入电量的比值得出，由于该区间电压上
    北京优电科技有限公司 Ah QAh2 Q Ah1 表 2 传输周期与容量估算误差 T / s 30 10 1 估算误差 / % 0.28 0.09 0.05 QSoC1 O 20 40 60 80 SoC QSoC2 SoC 通常不在 QSoC2 的范围之内。即使需要取用该段数 据，也要通过一定的处理，如使用这一段时间的平均电 流也可以将其影响进一步降低。总的来说，在实际工 程应用中，平台数据离散性对算法的影响很小。 图 2 典型充电曲线 1.3 压差容量修正模块 电池系统由上百串电池构成，在使用过程中由于电 池个体的差异以及温度的影响，电池单体的性能差异 有逐渐扩大的趋势，由此造成电池系统在充、放电曲线 的两端受到性能最差的电池单体制约，从而导致可用容 量的衰减 [15]。电池单体性能差异，在可测量数据中主 要表现在最高单体电压和最低单体电压。当压差扩大， 对电池系统当前容量的影响也会变大，因此必须对压 差引起的容量变化进行计算修正。 (3) 取充电过程中最低单体电压为阈值时对应的 SoC， 通常情况下三元电池的电压阈值取 3.9 V，磷酸铁锂 电池的电压阈值取 3.4 V。然后查找充电过程中的最 高单体电压为该阈值时对应的 SoC，计算两点所对应 的 SoC 差值，通过输出算法得到单体最大压差引起的 (4) 容量衰减值， 如式 (6) 和图 3 所示。 其中：∆Cvol 为单 体最大压差引起的容量衰减值；SoC(max,vol) 为单体 最高电压对应的单体到达充电截止阈值时候的 SoC ； SoC(min,vol) 为单体最低电压对应的单体到达充电截 止阈值时候的 SoC ；SoHvol 为压差容量修正模块输出的 SoH 值，通过式（7）计算得来。Ucell 为单体电压；曲线 A 为单体最高电压 Umax 对应的电池单体充电曲线，曲 线 B 为单体最低电压 Umin 对应的电池单体充电曲线。 (6) ∆Cvol = Crat[SoC(man, vol) - SoC(mix, vol)], (5) 升较平缓，BMS 算法中一般不对 SoC 进行修正。 Crat = QAh1 / QSoC1. (1) 当前容量 Ccur 计算是通过充电过程中，充入 SoH 的区 间大于 20%~80% 的数据来计算，由于在两端，电 压 和 SoC 线性度较高，BMS 算法中一般会对 SoC 进 行修正，因此在两端时 SoC 准确度相对高。 Ccur = QAh2 / QSoc2. (2) 由于测量误差、SoC 计算误差、平台数据离散性、 温度差异等误差因素客观存在，基于某 1 次充电数据 的计算结果有一定误差，因此选取 n 条充电曲线进行 额定容量和当前容量计算并取其均值，n 一般取 10~20。 Crat = Ccur = ∑n C 1 rat, n . ∑n C 1 cur, n . 1 n 1 n 按照 SoH 的定义可知： Ccur SoHcal = Crat . 其中，SoHcal 为基础容量计算模块输出的 SOH 值 . 1.2 平台数据离散性对算法的影响分析 本估算方法选取慢充数据进行计算，慢充主要以 稳定的小电流进行充电。以一次典型的乘用车慢充过 程为例，充电总时长 ∆t 为 6 h，充入 20 kWh 电量，充 电电流恒定，若车辆与平台间数据传输周期 T 为 30 s， 在计算充电电量时因数据离散造成的最大误差为： 在此典型慢充过程中，数据传输周期分别为 30、 10 或 1 s，对当前容量估算误差影响很小，如表 2 所示。 充电电流非恒定的情况，主要出现在恒流转恒压 充电时，电压变化不大但伴随着降流的充电区域，发送 Ucell 值 阈 止 截 电 充 SoHvol = 1 - ∆Cvol . Crat A B (7) 电压较高单体 电压较低单 体 , ) l o v n i (m C o S ) l o v , ( x a m C o S SoC 周期的大小将影响最终的结果。但是，由于该段充电 O 时间一般占比于总充电时间很小，并且该段充电过程的 图 3 压差容量修正的充电曲线
    北京优电科技有限公司 1.4 容量衰减输出模块 以上算法中采用了两种不同方式来计算电池容量 的衰减，其中基础容量计算是通过充电电流及 SoC 值 计算额定容量和当前容量值，压差容量修正是基于电 池系统当前的单体最大压差计算得到容量衰减值；采用 基础容量来计算模块的输出，并通过压差容量对计算 模块的输出进行修正，即： SoH = SoHcal - SoHvol . (8) 通过以年计的长时间计算结果累积，能够得到单 个 电池系统的容量衰减曲线；与此同时，调用平台大数 据中的其他数据类型，如地域、车型、电池类型等信息， 能够输出多维度的电池健康状态比较结果，从而提供 大数据应用服务，该模块如图 4 所示。 SoH cal SoH vol SoH cal SoH vol 时间标签 T1 当前 Tn SoH 计算 时间标签 …… 当前 So H 1 SoH 衰减曲线 SoH 计算 So H n 大数据应用服务 地 域 车 型 电 池 类 型 其 他 图 4 容量衰减输出模块示意图 2 在线集成应用和验证 在某电动汽车远程服务与管理平台上集成了本文 提出的电池健康状态估算方法，以多个品牌总共 1 000 台电动汽车在 4 个省分布区域、4 个月运行时间的在线 数据为例，进行了 SoH 估算的大数据应用验证，如图 5– 图 8 所示。 图 5 为本文获取数据的某品牌电动汽车所有车辆 （268 辆）的 SoH 分布情况，可以看出该品牌车辆电 池 健康度大部分集中在 96~100，整体健康情况良好。 在 实际应用中，通过对多个品牌车辆的 SoH 进行大 数据 分析，可指导厂商进行改进和指导用户购买电动 汽车。 图 6 为某车在山东省 2016 年 12 月 ~3 月的 SoH 变 化趋势，通过大数据平台对每位用户的电动汽车 进行 SoH 在线监测，可为单车电池的健康状态管理 提供指 导，及时发现 SoH 异常变化，做出故障预警， 保证行 车安全，降低用户经济损失。 100 H o S 99 98 97 2016-12 2017-01 2017-02 2017-03 年-月 图 6 单车 SoH 变化曲线 图 7 为某品牌各地区所有车辆的 SoH 均值变化趋 势。利用积累的大数据和提出的估算方法，可分析市场 上所有运行车辆的 SoH 整体变化趋势，有利于厂商在 售后维修方面做出政策调控，同时也可作为反向指导生 产制造的信息来源。 98 H o S 97 96 辆 / 量 数 辆 车 200 100 0 34 1 177 56 92~94 94~96 96~98 98~100 SoH 图 5 某品牌车辆电池健康度总体分布 2016-12 2017-01 2017-02 2017-03 年- 月 图 7 所有车辆电池 SoH 均值随时间的变化 图 8 为车辆的 SoH 均值在 4 个省市的变化趋势， 可以看出浙江省的 SoH 整体水平较其他省低，而湖北 省 SoH 情况最为良好。因此可针对 SoH 情况较差的地 区进一步分析影响因素，例如可分析路况、司机驾驶习 惯、气候和电池制造销售环节等，有利于针对地区特性 指定适宜的电池管理方案，并为厂商提供销售和售后
    北京优电科技有限公司 湖北省 浙江省 山东省 北京市 96.15 98.11 97.62 97.49 94 95 96 97 98 99 SOH 图 8 分地域的电池 SoH 均值对比 服务等指导。 此外，通过估算分析得到品牌 A 和品牌 B 所有车 辆的 SoH 均值，品牌 A 为 96.94，品牌 B 为 97.07，显 示出品牌 B 电池健康状态较为良好。通过对市场上已 出售车辆 SoH 的实际分析对比，有利于刺激各厂商的 竞争改进，推动新能源汽车及动力电池产业的良性发展， 此外，也可为用户购车和维护做出一定指导。 验证结果表明：本文所提出的基于大数据的电池 健康状态估算方法得出的结果符合工程实践规律，SoH 单车变化、所有车辆 SoH 均值变化、分地域 SoH 均值 对比清晰合理，对进一步研究基于大数据的电池 SoH 分析方法，以及挖掘大数据应用价值打下了基础。 3 结 论 本文以动力电池容量健康状态为研究目标，基于电 动汽车远程服务与管理平台的大数据研究了电池 SoH 的估算方法，提出了基于长时间跨度和多维度的综合 评估方法，并在某平台上实现了该方法的集成验证。 在线大数据分析实例表明，该方法能够有效估算 单个动力电池系统的 SoH 及其变化，并且能够与时域、 地域、车型品牌等其他数据类型进行多维度整合，对 动力电池 SoH 进行初步的大数据画像分析。通过增加 平台数据源和数据类型、增强平台数据准确度，以及更 长时间的大数据分析积累，可有效挖掘该估算方法的 大数据应用价值。 参考文献 (References) [1] LU Languang, HAN Xuebing, LI Jianqiu, et al. A review on the key issues for lithium-ion battery management in electric vehicles [J]. J Power Sources, 2013, 226(3): 272- 288. [2] Wag W, Fleischer C, Sauer D U. Critical review of the methods for monitoring of lithium-ion batteries in electric and hybrid vehicles [J]. J Power Sources, 2014, 258(14): 321-339. [3] 韩雪冰 . 车用锂离子电池机理模型与状态估计研究 [D]. 北京 : 清华大学 , 2014. HAN Xuebing. The vehicle model and the state estimation mechanism of lithium ion battery research [D]. Beijing: Tsinghua University 2014. (in Chinese) [4] Gregory L P. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs Part 3. State and parameter estimation [J]. J Power Sources, 2004, 134: 277e92. [5] XIONG Rui, SUN Fengchun, GONG Xianzhi, et al. A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles [J]. Energy, 2013, 63(6): 1421-1433. [6] Nuhic A, Terzimehic T, Soczka-Guth T, et al. Health diagnosis and remaining useful life prognostics of lithium- ion batteries using data-driven methods [J]. J Power Sources, 2013, 239: 680-688. [7] Schmalstieg J, K Bitz S, Ecker M. A holistic aging model for Li (NiMnCo)O2 based 18650 lithium-ion batteries [J], J Power Sources, 2014, 257: 325-334. [8] HU Xiaosong, YUAN Hao, ZOU Changfu, et al. Co- Estimation of state of charge and state of health for lithium-ion batteries based on fractional-order calculous [J]. IEEE Trans Vehi Tech, 2018: 10319-10329 [9] Doyle M, Newman J. Modeling of galvanostatic charge and discharge of the llithium / polymer/insertion cell [J]. J Elevtrochem Soc, 1993, 140: 1526-1533. [10] Sabatier J, Merveillaut M, Francisco J M, et al. Lithium- ion batteries modeling involving fractional differentiation [J]. J Power Sources, 2014, 262: 36-43. [11] CUI Yingzhi, DU Chunyu, YIN Geping, et al. Multi- stress factor model for cycle lifetime prediction of lithium ion batteries with shallow-depth discharge [J]. J Power Sources, 2015, 279:123-132. [12] Pinson M B, Bazant M Z. Theory of SEI formation in rechargeable batteries: Capacity Fade, accelerated aging and lifetime prediction [J]. J Electrochem Soc, 2012, 160(2): A243-A250. [13] 孙冬 , 许爽 . 梯次利用锂电池健康状态预测 [J]. 电工技术 学报 , 2018, 9: 2121-2129. SUN Dong, XU Shuang, State of health prediction of second-use lithium-ion battery[J]. J Electr Engi Tech, 2018, 9: 2121-2129. (in Chinese) [14] 戴海峰 , 王楠 , 魏学哲 , 等 . 车用动力锂离子电池单体不 一致性问题研究综述 [J], 汽车工程 , 2014, 36(2): 181-188. DAI Haifeng, WANG Nan, WEI Xuezhe, et al. Review of inconsistent problems in vehicle lithium ion battery units [J]. Automotive Engineering, 2014, 36(2): 181-188. (in Chinese) [15] 王震坡 , 孙逢春 , 林程 . 不一致性对动力电池组使用寿命 影响的分析 [J]. 北京理工大学学报 : 自然科学版 , 2006, 26(7): 17-20. WANG Zhenpo, SUN Fengchun, LIN Cheng. Analysis of the influence of inconsistency on the service life of power battery packs [J]. J Beijing Inst Tech: Natu Sci, 2006, 26(7): 17-20. (in Chinese)
    北京优电科技有限公司
    分享到：
    赞 收藏

    相关推荐

    资料库

    行业

    共收录7266份资料，累计15个分类，关注成员有19位，主要包括：物流,旅游,餐饮零售,网络游戏,咨询,金融,电子政务,外包,教育,制造,医疗,嵌入式,互联网,交通,电信

    热门标签

    物流 旅游 餐饮零售 网络游戏 咨询 金融 电子政务 外包 教育 制造 医疗 嵌入式 互联网 交通 电信

    最新资料