摘要
近年来，锂离子电池被广泛地应用于储能系统领域，以缓解资源消耗和环境问题。然而，由于复杂的电化学过程以及锂离子电池固有的耐久性差等问题，电池安全事故频发。因此，开发合理的电池管理系统(BMS，BatteryManagementSystem)来对电池单体或模组的状态进行安全有效地监测和管理十分有必要。目前，BMS常用的电池模型存在的问题如：基于电化学机理的模型需要求解偏微分方程，存在巨大的计算量，等效电路模型(ECM，EquivalentCircuitModel)不考虑实际的电池化学反应机制，而机器学习模型由于其数据驱动性质而缺乏泛化能力。上述这些问题都给电池模型在宽温度和大电流条件下的有效性带来了挑战。本文旨在对电池管理系统中的模型及状态估计部分提出一些可能的解决方案， 为此，本文开展了以下几个方面的研究工作： (1)电化学机理模型降阶简化及传递函数模型建立 全阶的伪二维模型(P2D，Pseudo-two-dimensional)过于复杂，计算成本较高，难以直接应用。本文结合多孔电极模型和浓溶液理论，基于锂离子电池的P2D模型及其他假设条件建立了其简化电化学模型(SP2D，SimplifiedPseudo-two-dimensional)，并在频域内求解了SP2D模型的开路电压、电极过电势、电解液电势和欧姆电势，得到了在频域内的重构SP2D模型。除此之外，在SP2D模型中采用了一组改进的液相边界条件米求解液相浓度，代替了以往研究中普遍采用的恒定不变的液相浓度，最终得到了一组随电极厚度变化的动态液相浓度，经验证，本文所提出的SP2D模型具有较高的准确性。 (2)提出一种新的考虑物理特性的锂离子电池等效电路模型及其SOC估计策略 虽然等效电路模型在实现电池管理系统巾得到了广泛的应用，但电池的参数在本质上依赖于电池的电化学性能，这在ECM中往往被忽视。针对这一问题，本文提山了一种基于物理的锂离子电池等效电路模型(PECM，Physics-basedEquivalentCircuitModel)，该模型能够准确描述锂离子电池的外部特性，进而开发出适用于新能源汽车的高级电池管理系统。首先，基于在频域内重构SP2D模型，推导了SP2D模型的传递函数形式表达式，并与电池ECM模型在频域内的端电压传递函数表达式进行了比较，从而得到了所提出的PECM的电池参数。接着，利用所提出的电池PECM模型，结合扩展卡尔曼滤波(EKF，ExpandedKalmanfilter)对电池荷电状态(SOC，StateofCharge)进行估计。最后，验证了该方法在预测两种不同工况下电池电压和SOC的有效性。 (3)提出一种利用电化学模型与机器学习集成的方法对电池SOC进行估计 由于电化学机理模型复杂的非线性偏微分方程，直接利用电化学模型预测电池的SOC仍然是一个巨大的挑战。为此，本文提出了一种机器学习模型与电化学模型集成的锂离子电池SOC估计新方法。该方法的特点是将物理模型的状态信息告知机器学习模型，从而实现物理和机器学习的深度集成。首先，本文建立了一个考虑温度影响的电化学模SP2D-T，以预测电池的终端电压。在此基础上，采用电压误差校正机制来修正得到的电池模型。然后，模型由所选择的特征提供信息。这些模型旨在训练输入特征，并建立所选特征与SOC之间的映射关系。采用了一种门控循环神经网络(GRU-RNN，GateRecurrentUnitRerrentNeuralNetwork)模型估计在不同温度和不同动态驱动循环下的电池SOC，对结果进行了验证。实验证明，在HPPC工况下，得到的SOC均方根误差小于0.4%，在US06工况下，SOC均方根误差小于1.3%，该方法在保证预测精度的同时，降低了整个系统的计算成本，为电化学模型的在线应用提供了一个可能的方案。
NETL