方奖奖,朱建新

(上海交通大学汽车电子技术研究所,上海 200240)

混合动力汽车(HEV)的电池组一般由多只单体电池串联而成,单体电池间不可避免地存在内阻、端电压及容量等参数的差异[1],电池组的整体性能以其中某只不一致性较大的单体电池为限制条件。目前应用较多的荷电状态(SOC)检测方法有开路电压法[2]、内阻法、库仑计量法、神经网络法[3]和卡尔曼滤波法(扩展卡尔曼滤波法[4])等。开路电压法简单,但精度不高,且只适用于静态检测,不适合在线检测;内阻法一般用于铅酸电池和MH/Ni电池,由于内阻在循环过程中变化不大,内阻法用于判断锂离子电池组的SOC时,准确性较差;库仑计量法通过计算电池组电流与时间的积分来计算SOC,相对比较稳定,也能保证一定的精度,但容易引起误差的积累;神经网络和卡尔曼滤波法考虑了电池组循环、电池老化及温度等因素的影响,可提高SOC的检测精度,但算法复杂,目前还没有具体的应用,这两种方法所需的数据也要依据电池电压的变化才能得到较好的结果[5],因此也不能保证电池对SOC精度的要求。目前,有研究者通过对电池充放电特性的分析,用容量变化(ΔQ)与电压变化(ΔU)之比ΔQ/ΔU对SOC进行修正[6],虽然能得到较满意的结果,但只能作为SOC预测的辅助方法,不适用于整组电池组。

以上几种方法仅适用于单体电池。车载动力电池组中电池单体的不一致性,导致了单体电池和电池组的SOC不同,有时甚至相差很大[7],因此,有必要研究一种简单有效、动态预测电池组SOC的方法。本文作者结合动力电池的实际应用场景,进行了相应的脉冲实验。

1 实验

1.1 实验电池

实验电池是28/82/108S-Fe型锂离子电池(咸阳产),正极材料为LiFePO4,实物如图1所示。将90只8 Ah的单体电池串联而成的电池组细分为6组,每组有15只单体电池。筛选出1组具有代表意义的电池组进行数据分析,各单体电池的内阻和容量接近。

图1 实验电池的实物图Fig.1 The real figure of batteries for testing

1.2 实验步骤

动力电池在HEV运行过程中为脉冲式充放电,因此结合实际使用条件,设计了脉冲式充放电步骤。

将15只单体电池分别以8 A放电至2.4 V,标定SOC为0;再以8 A恒流对整组电池充电,如有单体电池的电压达到3.75 V,则标定整组电池SOC为100%,充电曲线见图2。

图2 电池组的8 A充电曲线Fig.2 8 A charging curve of batteries

重新将电池组放电至 2.4 V,再以 8 A充电 720 s,此时SOC约为20%,静置20 min后,按以下步骤进行脉冲循环。

步骤a:以10 A电流放电10 s,静置15 min;

步骤b:以20 A电流放电 10 s,静置15 min;

步骤c:以40 A电流放电10 s,静置 15 min;

步骤d:以5 A电流充电10 s,静置15 min;

步骤e:以15 A电流充电10 s,静置15 min;

步骤f:以25 A电流充电10 s,静置15 min;

步骤g:以35 A电流充电10 s,静置15 min;

步骤h:以45 A电流充电10 s,静置15 min;

步骤i:以60 A电流放电10 s,静置15 min;

步骤j:以50 A电流充电10 s,静置15 min;

步骤k:以80 A电流放电10 s,静置15 min;

步骤l:以10 A电流充电90 s,静置15 min;

步骤m:以100 A电流放电 10 s,静置15 min;

步骤n:以30 A电流充电40 s,静置 15 min;

步骤o:以 118 A电流放电 10 s,静置15 min;

步骤p:以8 A电流充电360 s;

重复上述步骤。

考虑到自制实验设备的精度,各循环开始时(步骤p后、步骤a前)对应的SOC以实际电流积分计算,结果见表1。

表1 各循环开始时对应的SOCTable 1 SOC according to the beginning of each cycle

系列⑧中SOC达94.6%,已对电池产生了不可恢复的损害,反应很剧烈,因此后文不采用该系列。

2 实验数据分析

计算极化电压所用的电池模型是RC等效电路模型[8]。

2.1 电流加载前后的电压变化

计算在不同系列SOC状态下,不同电流加载前后的电压变化值,设定充电时的电流为负值,放电时的电流为正值。筛选出的电池组一致性较好,因此计算中可采用整组电池的平均电压。计算结果见图3。

图3 电流加载前后的电压变化Fig.3 Change of voltage before and after the current loading

从图3可知,在充电过程中,电流为35～45 A时电压变化最明显;在放电过程中,电流为80 A时电压变化最明显。

2.2 加载电流后的极化电压恢复情况

极化电压是电池状态估算的重要参数,计算不同SOC状态下,不同电流加载后的极化电压恢复值。在放电状态下,主要考虑较低SOC的情况,因此选择系列①和系列②的数据进行分析。不同放电电流下的极化电压恢复值见图4。

图4 不同放电电流下的极化电压恢复值Fig.4 Regained polar voltage under different discharge current

从图4可知,当放电电流为80 A时,极化电压的变化最明显,因此考察在不同SOC状态下,以80A电流放电的极化电压恢复情况,结果见图5。

图5 80 A放电电流下极化电压恢复曲线Fig.5 Regained polar voltages under 80 A discharge current

从图5可知,SOC较低时比SOC较高时更容易引起过放电,因此在放电过程中更应考虑低SOC的情况。

在充电状态下,主要考虑较高SOC的情况,因此选择系列⑦和系列⑧,分析不同充电电流下的极化电压恢复情况,结果如图6所示。

图6 不同充电电流下的极化电压恢复值Fig.6 Regained polar voltage under different charge current

从图6可知,当充电电流为45 A时,极化电压的变化最明显,因此考察在不同SOC状态下,以45 A电流放电的极化电压恢复情况,结果见图7。

图7 45 A充电电流下极化电压恢复曲线Fig.7 The regained polar voltages under 45A charge current

从图7可知,SOC较高时比SOC较低时更容易引起过充电,因此在充电过程中更应考虑高SOC的情况。

3 验证

选取实验过程中以45 A充电电压达到设置上限的某只单体电池和以118 A放电电压达到设置下限进行分析,如图8所示。

图8 某只单体电池的充、放电曲线Fig.8 Charge-discharge curves of certain battery

计算可知,以35 A充电后,电池组的SOC约为70%。以 35 A的电流充电10 s,电压达到3.70 V,但未达到设置上限 3.75 V,因此SOC显示为70%左右,此时不能再以大电流充电,否则会如图8a所示,以45 A充电,电压很快突破3.75 V,达到4.00 V。如果用常规的限值方法,会将SOC标定为100%,但此时其他单体电池的SOC仅约70%,就会减少电池组的可用容量,影响电池组容量的计算。放电时也有同样的结果,如图8b所示,以118 A放电,电压很快突破2.40 V,达到2.30 V。如果用常规的限值方法,会将 SOC标定为0%,但此时其他单体电池的SOC仍有约30%。

如果通过脉冲探测估算,在35 A充电、80 A放电时对各单体电池的极化电压恢复程度进行计算,结果见图9。

图9 35 A充电、80 A放电电流下极化电压恢复值Fig.9 Regained polar voltage under current of 35A charge and 80 A discharge

对比图9a与图6中的数据可知,此时该单体电池的SOC已达95%,不能再进行大电流充电;对比图9b与图7中的数据可知,此时该单体电池的SOC已在20%以下,不能再进行大电流放电。通过给整车控制器发送信息,限制大电流充、放电,同时通知均衡控制器开启均衡,对该单体电池进行单独充放电,就可以解决电压不均衡所造成的过充、过放问题[9],还可使电池组的可用容量增加约20%,提高电池组的能量利用率。

4 结论

HEV的整车性能很大程度上依赖于动力电池,采集的电池数据量比较大。为了减轻电池管理系统的计算量,应选取影响最强烈的一组充放电电流来进行脉冲探测检验。

经试验验证,本文作者确定了以45 A充电电流和80 A放电电流为动力电池工作中要采集的电流脉冲,有效脉宽为10 s左右,有效采样点为电池静置15 min后的电流脉冲。大幅修正SOC会带来很多不稳定的扰动,因此建议采用分步修正SOC的方法,并通知均衡控制器来开启电池均衡模式,对反常电池进行充电或者放电,使之恢复到与大部分电池一致的电量状态。此方法作为估算SOC的一种辅助方法,可在一定程度上修正SOC值,克服电池使用过程中出现的不一致性,可提高10%以上的电池组整体可用容量。

[1]HE Shi-pin(何仕品),ZHU Jian-xin(朱建新).锂离子电池管理系统及其均衡模块的设计与研究[J].Automotive Engineering(汽车工程),2009,31(5):444-447.

[2]Michael A R,Dirk U S.Dynamic electric behavior and open-circuit-voltage modeling of LiFePO4-based lithium ion secondary batteries[J].J Power Sources,2011,196(1):331-336.

[3]Weigert T,Tian Q,Lian K.State-of-charge prediction of batteries and battery supercapacitor hybrids using artificial neural networks[J].J Power Sources,2011,196(8):4 061-4 066.

[4]Jaemoon L,Oanyong N,Cho B H.Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering[J].J Power Sources,2007,174(1):9-15.

[5]Mohammad C,Mohammad F.State-of-charge estimation for lithium-ion batteries using neural networks and EKF[J].IEEE Transactions on Industrial Electronics,2010,57(12):4 178-4 187.

[6]SHI Wei(时玮),JIANG Jiu-chun(姜久春),LI Suo-yu(李索宇),et al.磷酸铁锂电池SOC估算方法研究[J].Journal of Electronic Measurement and Instrument(电子测量与仪器学报),2010,24(8):769-774.

[7]Matthieu D,Nicolas V,Bor Y L.From single cell model to battery pack simulation for Li-ion batteries[J].J Power Sources,2009,186(2):500-507.

[8]XU Wei(徐纬),WEI Xue-zhe(魏学哲),SHEN Dan(沈丹),et al.电池管理系统中电压电流监测不同步对电池内阻辨识影响的分析[J].Automotive Engineering(汽车工程),2009,31(3):228-238.

[9]WANG Tao(王涛),QI Bo-jin(齐铂金),WU Hong-jie(吴红杰),et al.基于DSP和OZ890的电池管理系统设计[J].Dianchi Gongye(电池工业),2009,14(1):41-43.