基于电池弛豫模型的锂离子电池SOH估算开题报告

1. 研究目的与意义（文献综述）

环境恶化和能源危机给传统汽车的发展带来双重压力,因此电动汽车已经成为未来汽车发展的主要方向。以锂离子电池为主要能源的电池电动汽车（bev）在世界上得到大范围的推广和普及。然而，与传统的内燃机车相比，商用锂离子电池的一个重要缺点是随着使用时间的增加会出现明显的老化现象，导致汽车的能量和动力性能发生衰减。电池管理系统是保证锂离子电池高效、安全运行的重要手段。在电池管理系统功能中，电池状态估计，特别是荷电状态（state of charge，soc）估计和健康状态（state of health，soh）估计至关重要。电池组健康状态(soh)是电池管理系统中最重要的参数之一,精确掌握电池组soh可以为其自身的检测与诊断提供依据,有助于及时了解电池组各单体电池的健康状态,及时更换老化的单体电池,提高电池组的整体寿命,进一步提高电动车的动力性能。因此及时、准确地对电池组soh进行估计具有非常重要的实际意义。

综合国内外对电池soh的估计方法研究，介绍两种国际上比较认可的主流方法：基于经验的电池寿命预测方法也称为基于统计规律的方法与基于各种不同形式的性能模型，并且考虑老化过程和应力因素。其中基于经验的方法又分为三种：1)循环周期数法，2)安时法与加权安时法，3)面向事件的老化累积方法。基于经验的方法都是利用电池使用过程中的一些经验知识，依据某些统计学规律给出电池寿命的一个粗略估计，只能在电池使用的经验知识比较充分的情况下，用于特定场合的寿命预测。基于性能的方法，目前很多研究依据这一思路开展了基于电池性能的寿命预测。根据寿命预测所使用信息来源的不同，将基于电池性能的寿命预测分为基于机理、基于特征和数据驱动三类。基于机理的预测是从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，从电化学原理的角度描述电池的老化行为，通过对电池模型的分析预测电池寿命。基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测。数据驱动的预测是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测。例如，由数据拟合得到的解析模型和人工神经网络模型都是数据驱动的方法。三种方法各有其优缺点，本文主要采取的是数据拟合的方法。

锂离子电池因其能量密度高、输出功率大、充放电寿命长等优点，已成为便携式电子设备首选动力电源，在电动汽车、智能电网储能等领域得到迅速发展，同时对大容量储能应用的兴起对锂离子电池系统的成本、寿命、安全等方面提出了新挑战。 电 池 储 能 系 统 包 括 电 池 和 电 池 管 理 系 统（battery management system, bms）两部分。为满足具体应用需求，通常要对几十节、几百节或几千节单体电芯进行串并联，形成大型锂离子电池组。一般而言，电池组规模越大，可存储能量越多，但购买及维护成本越高，潜在危险性越突出。因此，如何在控制成本的基础上，提高储能系统使用寿命及安全性已成为全行业的关注焦点。这一目标的实现，不仅依赖于锂离子电池自身能量密度及安全性的提高，也依赖于使用过程中电池管理水平的提升。电池管理系统是所有涉及电池运行操作管理的统称，是保障电池高效、可靠、安全运行的重要外部途径。其具体功能设置取决于电池类型、电池规模以及应用环境。在诸多电池管理系统功能中，电池状态估计至关重要，是实现电池均衡、故障诊断、电池安全控制以及报警、充/放电控制等其他功能的关键参数。在电池状态估计中，荷电状态（soc）估计是其他所有电池状态估算的前提；健康状态（soh）估计是进行故障诊断和安全预警的重要参数，也是进行梯次利用决策的依据。因此，精准预测电池状态，特别是 soc 及 soh 精准估计对于提升全生命周期内电池管理系统整体性能意义重大。

2. 研究的基本内容与方案

2.1研究的基本内容

本研究以 nca-ncm 为正极材料、石墨为负极材料的锂离子电池为研究对象。 所选样品为标称容量为 2.5 ah 的商用 18650 锂离子电池。充电截止电压为 4.2v， 放电截止电压为 2.55v。查阅文献，对电池的弛豫电压过程进行了深入研究，得到了在不同的 soc 和老化条件下，时间常数随开路时间的线性关系仍然有效。在soh的估计方法上，我们通常选取的是通过电池阻抗或者容量的变化来反映电池的健康状态。其中对于阻抗的来讲，基于电池的电路模型（ecm）或电化学模型，电池的模型参数用作电池阻抗的表征。该方法的关键是利用该算法准确、方便地识别模型参数。由于电池的模型参数通常对电池的状态估计有影响，因此它们也常常与soc估计算法相结合。这种方法最常用，因为它可以很容易地实现在线应用程序。但是本篇文章主要的是讲述使用容量间接估计soh的方法。

2.2研究的目标

3. 研究计划与安排

3.1—3.24日 根据电池数据分析软件，了解电池充放电过程以及数据从导出的excell表格中提取出自己有用的弛豫电压数据，并学习matlab数据拟合的相关知识。

3.24—4.1日 尝试搭建弛豫模型，从三种方法中，选取合适的方法并进行调试，能够灵活编写程序并根据电压弛豫模型递推出模型的参数。

4. 参考文献（12篇以上）

1.xia，b.z.；huang，r.；lao，z.z.；zhang，r.f.；lai，y.z.；zheng，w.w wang，h.w.；wang，w.；wang，m.w.。使用新的多重遗忘因子递推最小二乘算法在线识别锂离子电池参数。能源 2018，11，19。2

2.qin，t.c.；zeng，s.k.；guo，j.b.；skaf，z.w.《具有再生现象的锂离子电池健康状态评估的基于休息时间的预测框架》。能源 2016，9，18。

3.huang，k.；guo，y.f.；tseng，m.l.；wu，k.j.；li，z.g.。使用支持向量机方法预测电池健康状态的新健康因子。申请。科学。2018 年 8 月 21 日。