摘要
锂离子电池的健康状态（State of Health，SOH）估计是电池管理系统的核心功能之一，有助于保障锂离子电池系统的安全性与可靠性，延长锂离子电池系统使用寿命。由于车载锂离子电池系统是由若干个单体电池通过串并联的连接方式组成，相较于单体电池而言，其内部单体电池一致性对锂离子电池组的衰退影响不可忽视。因此，准确评估电池模组SOH与分析其单体一致性演化规律对保障锂离子电池系统安全运行具有重要意义。本文针对车载锂离子电池模组SOH估计问题开展以下工作： 首先，本文以并联电池模组为实验测试对象，搭建了并联电池模组老化试验测试平台。设计了并联电池模组老化测试流程，收集了18个老化点下的并联模组老化实验数据，为后续健康特征提取和状态估计提供支撑。针对并联电池模组中单体电池在老化过程中出现容量上升，甚至超出初始容量的问题，本文通过建立戴维南模型辨识各个老化点下的内阻，剖析了并联电池模组内单体电池容量上升和过充等原因。 然后，为提取并联电池模组的健康特征，本文通过初始老化点下的动态工况数据建立了双层反向传播神经网络模型以获取支路电流估计误差。基于初始老化点下训练的模型获取其他老化点的估计误差的特点，分析了十个老化点下支路电流估计误差与电流倍率/电流变化率的变化关系，并基于它们的关系提取了面积、高度、峰值和斜率健康特征。基于这些特征开展了相关性分析，并利用主成分分析方法提出了融合特征，为后续SOH估计提供了特征基础。 最后，针对并联电池模组SOH估计的问题，建立了不同特征类型、不同模型、不同特征数量的并联电池模组SOH估计方法。研究结果表明，利用原始特征比融合特征估计性能提高了0.49%；在不同模型对比中，经验模型和高斯过程回归模型的平均绝对误差为0.37%。在不同特征数量对比中，经验模型随着特征数量增多而估计性能更差。高斯过程回归模型在四个特征输入时训练效果最好，其平均绝对误差为0.21%。
NETL