La batterie des véhicules électriques est un élément clé du maintien de la santé de la batterie. Le Battery Management System (BMS) maintient l’état optimal de la batterie en évaluant son état de santé (SOH). L'identification précise du SOH peut déterminer le temps de remplacement de la batterie, éviter une panne de batterie et prolonger sa durée de vie. Cet article vise à améliorer les performances du BMS en identifiant les paramètres SOH. Sur la base du modèle de batterie Thevenin, des paramètres clés tels que R{{0}}, Rp et Cp sont obtenus. Deux algorithmes adaptatifs, le comptage de Coulomb et la tension en circuit ouvert, sont utilisés pour compléter l'identification des paramètres. Les résultats des deux algorithmes en termes d'erreur, d'erreur absolue moyenne (MAE), d'erreur quadratique moyenne (RMSE) et de valeur SOH finale sont comparés. La recherche se concentre sur l’obtention de données d’erreur d’estimation et d’informations fiables sur les performances du BMS. Les résultats montrent que la méthode de comptage de Coulomb présente une erreur d'estimation de SOH plus petite que la méthode de tension en circuit ouvert, avec une erreur de 1,770 %. La valeur finale de SOH est de 17,33 %, et le modèle de batterie Thevenin présente une erreur de modélisation de 0,0451 % pour la batterie.
1. Présentation
Batterie de véhicule électrique et système de gestion de batterie (BMS) :Dans les véhicules électriques, la batterie est la principale source d’énergie, alimentant le moteur et d’autres systèmes. Contrairement aux voitures traditionnelles, les batteries des véhicules électriques ont une capacité et une tension relativement faibles et sont généralement conditionnées dans des modules de batterie. Le système de batterie se compose de plusieurs batteries gérées par BMS. Ses fonctions incluent l'optimisation du système de fonctionnement de la batterie, impliquant deux paramètres clés : l'état de charge (SOC) et l'état de santé (SOH). Le SOC est le rapport entre la capacité restante et la capacité totale, tandis que le SOH est la valeur de comparaison entre les performances actuelles et les performances de la nouvelle batterie, qui ne peut pas être mesurée directement et doit être estimée.
Contexte de recherche et méthodes associées :L’état de santé (SOH) peut quantifier les performances et la durée de vie de la batterie. Une dégradation de la qualité, des modifications des paramètres de résistance interne et de capacité peuvent survenir pendant l'utilisation de la batterie. L'identification des paramètres SOH permet de déterminer l'état réel de la batterie, de recommander des délais de remplacement et de prolonger la durée de vie de la batterie. Il existe actuellement plusieurs méthodes pour estimer l'état de santé (SOH) ou l'état de charge (SOC), mais il existe peu de méthodes qui identifient simultanément les deux et génèrent des paramètres appropriés pour réduire la charge de calcul sur le BMS. L'algorithme de surveillance des paramètres de la batterie doit s'adapter aux changements de paramètres et estimer l'état de la batterie. Les méthodes peuvent être divisées en trois catégories, notamment la méthode d'impédance spectrale, la méthode d'équation de modèle de circuit et la méthode de modèle d'impédance électrochimique.
Revue des travaux connexes :Plusieurs méthodes ont été couramment utilisées dans des recherches antérieures pour identifier les paramètres de la batterie. Les méthodes de comptage coulombique (CC) et de tension en circuit ouvert (OCV) sont largement utilisées dans les BMS des véhicules électriques, chacune avec ses propres avantages et inconvénients. La méthode CC estime le SOH en surveillant la capacité d'entrée et de sortie de la batterie, en tenant compte de la perte de puissance pendant le cycle de charge, et peut également fournir des informations pertinentes via la récupération de tension ; La méthode OCV peut être considérée comme une tension équilibrée une fois la batterie complètement reposée, et l'état de santé (SOH) est estimé en considérant les conditions des paramètres de la batterie BMS.
L'objectif de cette étude est d'identifier des paramètres SOH précis pour prolonger la durée de vie de la batterie. Une méthode basée sur un modèle de batterie est utilisée pour évaluer et identifier les paramètres SOH. Le modèle de batterie Thevenin est utilisé pour identifier les paramètres R0, Rp et Cp via un algorithme adaptatif (Moins carrés récursifs, RLS). Sur la base des résultats de l'évaluation, des estimations précises du SOH sont obtenues afin de réduire la charge de calcul.
Contribution à la recherche :Les résultats des tests des paramètres de la batterie fournissent des estimations raisonnables et de faibles taux d'erreur pour évaluer les performances du système BMS. La méthode de comptage Coulomb est pratique pour calculer la capacité de la batterie, et la puissance maximale de la batterie diminue avec l'augmentation des cycles de charge et de décharge. L'erreur relative du modèle de batterie Thevenin est inférieure à 2%. En termes de précision de l'estimation SOH, la méthode CC est supérieure à RLS, et la méthode CC peut estimer la tension aux bornes de la batterie et le SOC, tandis que la méthode OCV ne peut estimer que les paramètres de la batterie.
2. Système de gestion de batterie
Composants de la batterie (fonctions et composition du BMS) :Le BMS régule le système de batterie composé de centaines ou de milliers de batteries dans les véhicules électriques et possède des fonctions importantes telles que la surveillance, l'estimation des paramètres, la protection, la fourniture de rapports et l'équilibrage des batteries. Ses principales fonctions comprennent la protection de la batterie contre les dommages, le fonctionnement de la batterie dans des plages de tension et de température appropriées et le maintien de la batterie pour qu'elle fonctionne à des paramètres qui répondent aux exigences du système telles que SOC, SOH et SOF. Le BMS se compose de capteurs, d'actionneurs et de contrôleurs, avec des entrées comprenant des signaux de capteur tels que le courant, la tension, la température et les pédales, et des sorties comprenant des modules pour la gestion thermique, l'équilibre, la gestion de la sécurité, l'indication de charge, l'alarme de défaut et la communication. Le logiciel BMS comprend plusieurs modules fonctionnels tels que la détection, l'estimation et le diagnostic des paramètres de la batterie. La mesure de la tension de la batterie, l'estimation des paramètres, l'équilibrage et le diagnostic des défauts sont les principaux problèmes du BMS, parmi lesquels la mesure de la tension de la batterie est confrontée à des difficultés telles que les différences de tension causées par la connexion en série de la batterie et les exigences de haute précision.
Modélisation de la batterie :Cet article détermine les paramètres d'état de santé (SOH) grâce à la modélisation de la batterie et convertit les paramètres d'entrée de tension, de courant et de température de la batterie en SOH pour obtenir des estimations précises. À l'aide du modèle de batterie Thevenin, la réponse transitoire en tension du processus de polarisation de la batterie est décrite en sélectionnant les paramètres de résistance interne et de capacité de la batterie. Les équations mathématiques du modèle de batterie et les méthodes de calcul des paramètres associés (Voc, R0, Rp et Cp) sont fournies, qui sont obtenues via l'algorithme RLS et appliquées au modèle de batterie Thevenin.
3. Déterminer les paramètres de l’état de santé
L'importance et les méthodes d'identification des paramètres de l'état de santé :Des paramètres SOH précis sont cruciaux pour les performances du BMS. Cette étude utilise le comptage de Coulomb comme algorithme adaptatif pour identifier ces paramètres afin d'obtenir les valeurs d'initialisation SOH et d'évaluer les performances du BMS. Le modèle de batterie Thevenin est utilisé pour déterminer les paramètres du modèle de batterie et la fonction OCV-SOC. Le processus spécifique implique l'entrée de courant dans le modèle de batterie, l'analyse des données de tension aux bornes, la conversion du domaine temporel en domaine SOC et l'ajustement de courbe pour obtenir la fonction OCV-SOC. Le processus d'identification des paramètres est répété jusqu'à ce que l'estimation du SOH soit raisonnable et que le taux d'erreur soit faible.
Fonction OCV-SOC :Basé sur le modèle de batterie Thevenin, OCV (SOC) est un paramètre de tension source obtenu en testant la tension de la batterie sans charge connectée et la tension avant de connecter la batterie. La courbe SOC OCV est estimée à l'aide de données de test de charge constante et équipée d'un polynôme du douzième ordre. Le polynôme du dixième ordre a la plus grande précision dans l'estimation de Voc et la plus petite erreur quadratique moyenne (RMSE), ce qui a un impact significatif sur la précision des fonctions SOC et OCV.
Paramètres R0, Rp et Cp :Le modèle de batterie Thevenin nécessite OCV au SOC comme tension source, qui est obtenue par test d'impulsion. R{{0}} est une résistance interne d'une valeur supérieure aux autres résistances. En raison du problème de la période d’échantillonnage, il est difficile de capturer de petits changements de données. La relation entre R0 et SOC a été obtenue par ajustement de courbe polynomiale du second ordre, avec une valeur moyenne de R0 de 0,027735 Ω. R0, Rp et Cp fournissent des données d'entrée pour les tests d'impulsions de tension et de courant et obtiennent les valeurs des paramètres de sortie.
Résultat expérimental
En analysant les paramètres d'état de santé (SOH) surveillés par la batterie, les performances du BMS sont obtenues et des données de paramètres physiques telles que la tension aux bornes et le courant d'entrée/sortie de la batterie sont obtenues. Sur la base de la modélisation de la batterie, les données de paramètres sont identifiées et utilisées pour les systèmes de surveillance et de protection de l'état de la batterie. Le procédé d'estimation de SOH consiste à mesurer les changements de résistance et de capacité de batterie, respectivement à l'aide de la loi d'Ohm et de la méthode de comptage de Coulomb, et à remplacer la valeur OCV dans l'équation de relation OCV-SOC pour obtenir les valeurs SOC et SOH.
Le test de décharge statique a été effectué et les résultats ont montré que l'algorithme CC obtenait le changement SOH en multipliant la valeur actuelle par le temps, tandis que l'algorithme OCV obtenait la valeur SOH en utilisant la tension aux bornes ou la valeur OCV du modèle de batterie. Les courbes de changement de SOH des deux algorithmes étaient similaires. Le test a également obtenu des résultats d'identification des paramètres de la batterie, et les caractéristiques de relaxation de la batterie peuvent être utilisées pour l'identification des paramètres. Plus le cycle de test est rapide, plus l’estimation du SOH est précise. L'algorithme CC est supérieur à l'algorithme OCV dans l'initialisation SOH, qui permet de mieux comprendre la résistance interne de la batterie et d'estimer simultanément la tension aux bornes Vt, SOC et SOH de la batterie, avec une erreur d'estimation inférieure à 2 %.
À partir des données d'erreur d'identification des paramètres SOH, l'erreur quadratique moyenne (MSE) de l'algorithme CC est {{0}}.0111, la valeur SOH finale est de 17,33 %, le pourcentage d'erreur est de 1,770 % et la racine l'erreur quadratique moyenne (RMSE) est de 0,0132
Discussion sur les résultats de la recherche :L'impact de la résistance interne de la batterie sur les algorithmes CC et OCV est similaire, et l'algorithme CC peut mieux comprendre la résistance interne avec des erreurs plus faibles. L'algorithme CC peut estimer avec succès la tension aux bornes Vt, SOC et SOH de la batterie simultanément, avec une erreur d'estimation inférieure à 2 %. Dans le test de décharge, l'algorithme CC est plus précis que l'algorithme OCV en initialisation SOH, avec une erreur quadratique moyenne (MSE) estimée à 1,770 % pour l'algorithme CC et à 3,256 % pour l'algorithme OCV. Ces résultats fournissent une référence pour l’identification des paramètres dans l’évaluation du BMS.
4. Résumé
Les résultats de l'évaluation des performances du BMS basés sur l'identification des paramètres SOH montrent que l'algorithme de comptage de Coulomb a de meilleurs résultats d'estimation, avec une erreur d'estimation SOH de 1,770 % et une valeur finale SOH de 17,33 %. L'erreur de modélisation du modèle de batterie Thevenin pour les batteries est de 0,0451 %. En termes de précision de l'estimation de SOH à l'aide de deux méthodes (comptage de Coulomb et tension en circuit ouvert), le comptage de Coulomb a une précision plus élevée. De plus, des algorithmes adaptatifs basés sur la modélisation de la batterie peuvent estimer la tension aux bornes et le SOH de la batterie.