锂离子电池寿命预测技术研究_成都电子科技大学工学硕士学位论文.doc

摘要摘 要随着电动汽车产业化的兴起，锂离子电池在电动汽车领域得到广泛应用，锂离子电池组的有效管理亦成为保障电动汽车性能稳定，安全可靠的关键。荷电状态（, ）估计作为电池管理技术的核心，受各种非线性因素的影响，且实时性要求高，成为电池管理的难点。剩余寿命（, ）预测作为电池管理的另一重要指标，为保障电池的及时更换提供必要依据。但预测是近年来才开始研究的课题，方法有限且缺乏深入分析比较。基于上述考虑，本文重点进行锂离子电池估计和预测的方法研究，及监测系统的设计，主要完成了以下工作：1. 锂离子电池荷电状态估计。由于电池内外部非线性因素的影响，同时考虑到磷酸铁锂电池充放电电压相对变化较小的特点，选择具有自适应学习能力的神经网络作为训练算法。基于稳态放电实验，探讨了电池容量与充放电倍率等因素之间的关系。基于对电池各项参数与内在联系的分析，选择电流和电压作为网络输入，完成神经网络的训练及估计。实验数据表明，提出的算法能达到较好的估计精度。2. 锂离子电池剩余寿命预测。本章首先选择了粒子滤波法，支持向量机和自回归滑动平均模型三种方法进行电池预测，根据预测结果比较各自优缺点。进而提出粒子群（）优化的自回归（）模型，该模型以均方根误差（）作为模型的定阶准则，基于算法对模型的定阶方法进行优化。进而结合新陈代谢数据处理技术实现阶数的自适应改变，有效避免了传统模型定阶流程复杂的缺陷。最终数据验证得到了准确的预测趋势并有效提高了预测精度。3. 锂离子电池监测系统的设计开发。基于和的研究结果，设计锂离子电池监测系统，以满足锂离子电池管理的主要需求。该系统有效实现了电池电压、电流信号的采集，数据传输，数据存储及上位机显示等功能。通过调用估计及预测的动态链接库程序对电池参数进行分析处理，完成了电池的实时估计和预测，获得较好的估计效果及预测精度。关键词：锂离子电池，估计，神经网络，预测，模型，监测系统iabstractabstractwith the rapid rise of the industrialized electric vehicle (ev), the energy issue has been drawing wide attention from both academia and industry. the efficient management of the lithium-ion battery pack becomes a key to ensure reliability and security of evs. as the core of battery management, the state of charge (soc) estimation is one of the most difficult problems due to the nonlinear effects and real-time requirement. on the other hand, the remaining useful life (rul) is another critical performance indicator of battery management, which guarantees the timely replacement of batteries. however, the research on rul prediction has not been started until recent years, therefore there is little existing work can be found. based on the above considerations, this thesis conducts comprehensive study on the soc and rul problems and battery monitoring system design, major contributions are summarized as follows: 1. lithium-ion batteries soc estimation. considering the external and internal nonlinear factors as well as the observation that the voltage remains mostly constant as soc changes during the charge/discharge process of lifepo4 battery, the back propagation (bp) neural network model is chosen as the training algorithm due to its adaptive learning ability. through the constant current discharge experiment, we explore the relationship between the battery capacity and the charge/discharge rate. based on the correlation between the battery parameters and the soc, we choose current and voltage as the inputs for the bp network to carry out the network training and soc estimation. the correctness and accuracy of our algorithm are verified by the experiment results.2. lithium-ion batteries rul prediction. first, three algorithms i.e. particle filtering (pf), support vector machine (svm), autoregressive moving average (arma) are applied for rul prediction. based on the advantages and disadvantages of the above algorithms, a novel approach using improved autoregressive (ar) model with particle swarm optimization (pso) is proposed. then, the root mean square error (rmse) is used as the fitness function for ar model order determination. in addition, the information contained in the data is updated through metabolism at the prediction stage which makes the ar model order change adaptively. finally, the experimental data are used to validate the proposed prognostic approach, and the results show accurate rul prediction trends and small errors.3. lithium-ion batteries monitoring system development. based on the algorithms developed above, a lithium-ion battery monitoring system is designed to meet the requirements of the lithium-ion battery monitoring. the system consists of the following components: signal acquisition for battery parameters, data transmission, computer monitoring, analysis and processing. therefore, the soc estimation and the rul prediction are achieved in a real time fashion.keywords: lithium-ion battery, state of charge estimation, back propagation neural network, remaining useful life prediction, auto-regressive model, monitoring systemiii目录目 录第一章 绪 论11.1 研究背景及意义11.2 国内外研究现状21.2.1 锂离子电池及其管理系统21.2.2 锂离子电池荷电状态估计41.2.3 锂离子电池剩余寿命预测41.3 本文的主要内容及组织结构5第二章 锂离子电池特性研究82.1 锂离子电池结构82.2 锂离子电池原理92.3 锂离子电池的性能指标102.4 锂离子电池的特点122.5 本章小结12第三章 锂离子电池荷电状态估计133.1 锂离子电池荷电状态133.1.1 荷电状态定义及影响因素133.1.2 常用荷电状态估计方法143.2 基于人工神经网络的荷电状态估计163.2.1 人工神经网络163.2.2 误差反向传播网络183.2.3 获得样本数据213.2.4 建立神经网络243.2.5 神经网络测试及估计结果263.3 本章小结29第四章 锂离子电池寿命预测304.1 电池寿命预测基本原理304.2 电池寿命试验314.3 寿命预测方法比较324.3.1 粒子滤波334.3.2 支持向量机354.3.3 自回归滑动平均模型374.3.4 预测结果比较394.4 粒子群优化的自回归模型394.4.1 自回归模型404.4.2 粒子群算法414.4.3 粒子群优化的自回归模型424.4.4 预测结果464.5 本章小结51第五章 锂离子电池监测系统设计535.1 监测系统设计需求535.2 信号采集电路设计545.2.1 电压采集545.2.2 电流采集565.2.3 数据采集卡575.3 上位机软件开发585.3.1 监测显示595.3.2 数据存储595.3.3 异常预警595.3.4 荷电状态估计615.3.5 寿命预测635.4 本章小结64第六章 总结与展望656.1 本文的主要贡献656.2 下一步工作展望66致 谢67参考文献68攻硕期间取得的研究成果71v第一章 绪论第一章 绪 论1.1 研究背景及意义数月以来，我国多数城市遭遇雾霾天气，陆空交通严重受阻，空气质量问题日益凸显。作为一个表征空气污染程度的重要指标，成为人们关心的热点话题，它粒径小，富含大量的有毒有害物质，主要来自化石燃料（煤、汽油、柴油）燃烧过程中产生的残留物，其中机动车排放的污染尾气是其主要来源。公安部日前公布，年底全国机动车保有量已达亿辆，并且伴随该数值的俱增，石油等不可再生资源的消耗也日益严峻，能源危机给世界经济造成了重大影响。各国政府为了解决尾气污染和能源危机带来的一系列问题，加大了对新能源汽车的开发投资力度。年美国拨款亿美元用于新型电动汽车研发，日本也启动了购买“新一代汽车”包括混合动力汽车、纯电动汽车可减免多种赋税的优惠计划。随着同年月哥本哈根会议的结束，“减排、低碳”成为了热点词汇，我国政府在会上做出明确的减排目标：到年单位二氧化碳排放将比年减少。国务院在“十二五”节能减排综合性工作方案中明确指出：要推进交通运输节能减排，积极推广新能源汽车，全国范围内设立与其相关的产业化基地及研发中心。用电能作为动力源的电动汽车以其近乎零排放、热辐射低、噪音小等特点，成为低碳环保的新型交通工具，并将拉响无油时代的号角。电动汽车按其驱动方式的不同，主要分为：燃料电池电动汽车（, ）、纯电动汽车（, ）和混合动力电动汽车（, ）1。通过空气中的氧与氢气发生化学反应产生的电能作为动力源，本质上可以称为氢能汽车。但燃料电池技术尚未成熟，造价不菲，不适于现阶段的推广。是由车载可充电蓄电池提供电能进行驱动的汽车，目前纯电动汽车发展的最大障碍是公用充电站等基础设施建设的问题。则是目前市场上的主要类型，它从燃料和电能中获得动力。动力电池作为电动汽车的储能单元，成为了决定其续驶里程、加速能力和爬坡能力的关键因素。动力电池大致可以分为：铅酸电池、镍氢电池、镉镍电池、和锂离子电池2。铅酸电池成本低，一直沿用至今，但由于铅酸电池的能量密度只有，使用寿命短，日常维护频繁。镍镉电池的能量密度为，比铅酸电池较大，但记忆效应限制了镍镉电池的发展。年全世界的混合动力汽车采用镍氢电池，但其的技术已经接近理论极限值。与以上种电池相比，锂离子电池（1）电池组自重小，有效减轻车辆承重；（2）电池寿命长，有效降低更换频率；（3）单体电压及能量密度大；（4）无记忆效应，充电时间短。凭借以上几点，锂离子电池得到了各汽车厂商的认可，自年起，被大范围用于动力汽车3。表1-1动力电池优缺点比较电池种类铅酸电池镍镉电池镍氢电池锂离子电池能量密度（）自放电率（月）记忆效应无较大较小无循环寿命次次次次缺点不适应快充电金属镉污染有记忆效应成本高技术难有突破成本略高优点价格低污染成分少可快速充电循环寿命长无污染无记忆效应能量密度大循环寿命长无记忆效应1.2 国内外研究现状1.2.1 锂离子电池及其管理系统自年日本索尼公司发布了以锂离子化合物作正极，石墨作负极的商用锂离子电池，锂离子电池经历了高速发展3。现在的锂离子电池正极材料有很多选择，根据化合物成分不同可以分为：钴酸锂电池、锰酸锂电池、镍锰钴三元材料锂电池、和磷酸铁锂电池。这些金属元素中，钴（）最贵且储量不多，镍（）、锰（）次之，铁（）的价格最便宜，因此成本也最低。从技术成熟度来看：钴酸锂电池研究起步早，性能稳定，目前主要用在手机、笔记本电脑及其它便携式电子设备。钴酸锂电池容量大但成本高，且发展已达极限，为了增加电池容量，考虑添加不同比例的镍钴锰材料，因此就有了三元材料锂电池。但三元材料在充放电过程中，锂离子的脱嵌过多会引起正极材料结构改变，轻则导致电池寿命衰退，重则发生氧气的释放，引发安全问题。锰酸锂是成本低、安全性好的正极材料，但是其材料本身并不太稳定，容易分解产生气体。在锂电池业界发生一连串因安全问题而召回的事件下，强调高安全性及长使用寿命的磷酸铁锂电池便引起了世人的注目。自年日本公司首次提出做锂电池正极材料之后，美国德克萨斯州立大学，也报导了橄榄石结构的中锂离子嵌入、脱嵌可逆的特性，引起该材料的广泛研究和迅速发展4。与传统的锂离子电池正极材料相比，晶体中的键稳固，高温下也不会像一样结构崩塌，在任何恶劣的环境下（如电池短路、针刺等等），都不会爆炸或起火，因此拥有良好的安全性。原材料来源广泛、价格低廉且不含任何对人体有害的重金属元素，成为新一代动力锂电池的理想正极材料，受到汽车厂商及研究界的广泛关注。一般说来，锂离子电池的出厂性能由其化学结构及生产工艺决定，而在使用过程中电池的性能会随着使用环境，电池老化而变化。因此及时掌握电池的充放电状态，并对其进行控制，是电动汽车安全使用电池的重要环节。虽然锂离子电池技术的不断提高极大的推动了电动汽车的发展，但是由于电池管理系统的技术相对落后，降低了动力汽车的普及速度。电池管理系统（ , ）是集信号釆集、传输、计算、评价、与控制于一体的有机整体，是对锂离子动力电池组的充放电过程、荷电状态、及电池电压、电流、温度、等进行监测管理的装置，是电动汽车系统的核心子系统。包含电池监测系统（），充、放电系统（）以及管理维护系统（）5。通过高性能的可以有效地监控电池组，准确的估计电池组的剩余容量，有效避免由于电池过充、过放，或超高温引发的安全事故，提高动力电池的能量效率，最大程度地保障动力电池的性能，延长使用寿命，是连接电池组、充电机和整车系统的重要纽带。随着电动汽车在全球范围内的快速发展，越来越多的国家都开始投入到电池管理系统的研究中，针对各类电动汽车的电池管理系统被开发出来。在这些国家中，汽车工业发达的美国，德国，日本和法国处于领先地位。美国通用汽车公司（）和克莱斯勒公司（）分别研发出型和型两款电动汽车，其中已于年在日本横滨完成路测。法国的研究人员设计开发的随车能量管理系统，能够实时监测并记录电池状态，显示剩余电量，为及时更换电池提供判断依据。德国西门子公司开发的能量管理系统，不仅可以实现监测，还增加了控制系统，对电池充放电进行优化，最大程度地提高了电池寿命。日本的丰田（）则于年推出其第一款电动汽车，上面配备的电池监控系统可以对电池组的各项重要指标实时监测并调整，以保证动力汽车正常运行。相比国外，我国的电池管理技术研究起步较晚，但发展速度较快，国内对系统技术关注和研究逐渐加大，形成多种方案，这些方案往往各有所长。清华大学开发的电池管理系统由六个子电路组成；香港理工大学提出了一种改进的电池电路模型，考虑了各个特征量的非线性变化特性；北京理工大学经过长时间的研究，开发出一套可以对大型电池模块进行管理的系统6。1.2.2 锂离子电池荷电状态估计在电池管理系统的诸多功能中，锂离子电池荷电状态（, ）估计是其中的关键，它显示电池在一次充放电的短期使用过程中，还剩余多少电量。它就像普通汽车的油量表一样，司机可以直接了解汽车的续驶能力。但到目前为止，仍没有公认的估算标准方法，因为电池监测系统要求估计的实时性，复杂的模型都无法满足系统的要求，并且电池充放电受各种内外部非线性因素的影响。传统的电池估计方法有电流积分法、开路电压法、内阻法7。电流积分法把电池看作一个黑箱，不考虑其内部原理，对流入或流出黑箱的电流进行积分运算得到该时间段内的电量变化量，再基于电量的初始值估算当前值，但鉴于电流测量精度的问题产生误差累计，使的估算值逐渐偏离真实值。开路电压法根据电池的开路电压与之间的关系来估算，但对于锂离子电池而言，在很长的一段时间内，开路电压随的变化并不十分明显，因此常将电流积分与开路电压法结合进行的估计。内阻法是通过测量电池的交直流内阻，与的关系推算当前的，但电池的内阻受外界温度影响较大，因此很少用于实时估计。近年来，卡尔曼滤波和人工神经网络被用于估计，卡尔曼滤波是通过估计误差的协方差矩阵递归方程来估计，算法复杂且对硬件要求高。而人工神经网络是基于实验数据的方法，不需要对电池内部结构进行建模，在训练数据较多的情况下，神经网络法是一种有效的估计方法8。1.2.3 锂离子电池剩余寿命预测除电池荷电状态外，电池中另一重要的性能指标就是电池的健康状态（ , ），也表现为剩余寿命（, ）的多少。电池的寿命多用循环充放电的次数来表示，若将一次充放电计为一个周期或一次循环，随着充放电次数的增加，电池的容量将会不断衰减9。电池容量降低到某个阈值以下，标志着电池寿命的终结。和传统汽车相比，而电池价格昂贵且寿命相对较短是阻碍电动汽车市场化推广的主要原因。如果没有及时更换新的电池，会影响电动汽车性能甚至严重的交通事故。为了解决这一问题，在电池的使用过程中还要适时的了解电池的健康状态，提前获知其寿命信息以指导电池的运行维护，并对老化的电池做以更换，才能保障电池组的正常工作，对于减少损失，预防安全事故具有重要意义。电池寿命预测就是根据当前监测所掌握的数据，得出其内在规律，并预测电池在这种使用模式下的寿命终止点。由于电池预测是近些年来才开始研究的课题，方法有限且缺乏比较10。常见的预测方法分为两类：失效物理（, ）模型和数据驱动法（）。失效物理模型需要大量关于锂离子电池材料特性以及失效机理的信息，但目前普通的传感器技术难以测得电池内部的电化学反应。与物理失效模型法相比，数据驱动法不需要具体的研究失效机理，而是通过给定的训练样本，挖掘输入与输出之间的隐含信息并预测未来趋势。常见的数据驱动算法有很多种，如：支持向量机（, ），自回归滑动平均（ , ），粒子滤波（, ）。是一种监督式的学习方法，应用于统计分类和回归分析11。将低维线性不可分的问题映射到高维空间线性可分，广泛应用在故障诊断等分类领域。则是一种时间序列模型，用于预测时间序列的将来值12。是通过一组“粒子”及其相应的权重通过状态概率分布函数（, ）进行统计估计13。现阶段这些方法中有被用于电池寿命预测，但缺乏比较。1.3 本文的主要内容及组织结构根据上述提到的电池管理技术的现状及发展前景，本文针对动力汽车上常用的磷酸铁锂电池进行逐步深入的研究，围绕电池管理中的两个关键问题：荷电状态估计和剩余寿命预测展开工作：首先对锂离子电池的特性进行深入分析，掌握影响和的各项重要因素。进而分析估计传统方法的实质和优缺点，并基于神经网络进行荷电状态估计方法的研究。在预测的部分，根据马里兰大学的锂离子电池加速寿命试验数据，针对现有的锂离子电池寿命预测方法进行实例比较，思考如何在现有方法上进一步提高效率和精度，并针对模型定阶流程复杂的缺陷提出新的方法，通过对模型进行优化，选择模型替代模型，并以均方根误差（）作为定阶时的适应度函数，进而结合新陈代谢数据处理技术实现了阶数的自适应改变，有效避免了传统模型定阶流程复杂的缺陷。最后将估计及预测的方法集合于电池监测系统上，通过测量电池的外部参数，结合相应的算法，实现电池的荷电状态在线估计及寿命预测，最后总体验证方法的实效性。具体工作及全文组织结构如下：第一章，介绍本文的研究背景及意义。具体介绍电动汽车上锂离子电池的应用，及锂离子电池管理技术的核心。总结了现阶段锂离子电池荷电状态估计及寿命预测方法的国内外研究的现状。第二章，深入研究锂离子电池特性。针对锂离子电池的内部结构，电化学反应原理，性能指标，工作特点等几方面进行了深入研究，探讨影响电池性能的各种内部和外部因素，分析主要性能指标，以备在后续章节中研究电池的荷电状态估计及剩余寿命预测时充分考虑这些因素。第三章，锂离子电池荷电状态估计。由于锂离子电池充放电时荷电状态的变化受到多种非线性特征的影响，很难用一个简单的数学模型来描述。本章在分析了传统的估计方法优劣之后，基于神经网络，以电池的影响因素中较为重要的电压和电流作为网络输入，进行建模和分析，进而对实际数据进行估计并对验证估计结果。第四章，锂离子电池寿命预测。本章首先介绍了粒子滤波，支持向量机和自回归滑动平均模型三种预测方法，并通过数据预测对以上算法做以比较。进而针对传统自回归模型中阶数确定复杂的缺点，提出了粒子群优化的定阶方法，该方法以均方根误差作为适应度函数，并引入新陈代谢的数据更新技术，使得模型阶数自适应改变。通过实验数据比较验证，粒子群算法优化的自回归模型获得了准确的预测趋势和较高的预测精度。第五章，锂离子电池监测系统设计开发。本章针对磷酸铁锂电池组进行了监测系统的开发，包括信号采集电路设计，数据传输，上位机监测软件开发的开发，并在该系统中调用第三、四章的研究算法，实现了锂电池荷电状态的实时估计及在线寿命预测。第六章，总结了全文的主要研究成果及不足，并对锂离子电池荷电状态估计、寿命预测、电池监测系统的进一步工作提出建议和展望。文章结构及内容如图1-1所示：图1-1论文结构图7第二章 锂离子电池特性研究第二章 锂离子电池特性研究将化学能转化成电能的设备被称为电池，而锂离子电池则是指正极材料为锂离子化合物的电池。上世纪年代，世界上首颗锂电池问世，该电池采用金属锂为负极，硫化钛为正极，而锂元素的化学性质非常活泼，金属锂制成的锂电池很容易燃烧，为了研制安全可靠的锂电池，人们用锂离子化合物作为电极。年，索尼公司发布首个商用锂离子电池，电池负极为石墨，正极为锂离子化合物，也就是目前俗称的“锂电池”。随着消费类电子产品在生活中扮演的角色越来越重要，人们希望电池能够储存更多的能量，提供更大的功率。如何安全有效的使用锂电池，准确估计其续航时间，预知锂电池的寿命终结点，成为人们关注的热点问题。只有充分理解锂电池的基本原理，锂电池的内部结构，才能解决这些问题。因此本章将分析影响锂电池性能发挥的各种因素，对其特性指标进行深入研究。2.1 锂离子电池结构锂离子电池的结构包括：正极、负极、隔膜、电解质、膜、外壳，下面对其进行详细介绍14：（1）正极：锂离子电池的正极材料一般有：钴酸锂、锰酸锂、镍锰钴酸锂、和磷酸铁锂。钴酸锂电池的研究技术较为成熟，性能稳定但成本高，目前主要用在手机、笔记本电脑及其它便携式电子设备。锰酸锂是成本低、安全性好的正极材料，但是其材料本身不太稳定，容易分解产生气体。年发现的橄榄石结构的磷酸铁锂，耐高温性能远超过传统正极材料成为动力电池的理想正极材料15。（2）负极：活性物质为石墨，或近似石墨结构的碳。碳负极容量高，的理论容量为；并且插锂电位低，可提供高而平稳的工作电压16。（3）隔膜：为了让电池内部锂离子可以自由的在正负极之间嵌入和脱嵌，并且阻碍电子通过电池的内部电路，用一种特殊成型的高分子薄膜将电池的正负极分开，该隔膜呈网状结构，膜上的微孔使锂离子可以顺利通过。（4）电解质：在电池内部的正负极之间传输离子，对电池的容量有重要影响。由于锂离子电池的工作电压通常达，通常采用碳酸酯类有机溶剂。（5）膜：在锂离子电池的充放电过程中，电解液与碳负极会发生反应，消耗电池内的锂离子，在二者的相界面上形成钝化层覆盖在碳负极表面，被称为固体电解质界面膜（, ）膜17。该钝化膜能有效地阻止溶剂分子的通过，但锂离子却可以自由地嵌入和脱出，具有固体电解质的特征。随着膜增厚，电极与电解液之间的内阻增大，电池容量进而衰减。（6）电池外壳：分为铝壳、钢壳、镀镍铁壳等。2.2 锂离子电池原理锂离子与等当量的电子嵌入与脱嵌的过程是锂离子电池的工作原理，如图2-1所示14。整个电池被一金属外壳密封，电池左边是含锂的化合物，右边是石墨，中间是聚合物隔膜。左边通过铝箔连接电池正极，右边通过铜箔连接电池负极。锂离子在正极和负极之间通过电解质传输。电子则被聚合物隔膜所阻挡，只能通过外部电路在正负极间移动。图2-1 锂离子电池工作原理电池的正极材料通常是钴酸锂，锰酸锂，三元材料和磷酸铁锂。以正极材料为磷酸铁锂的锂离子电池为例，其充放电过程具体为：电池充电时，正极材料中的锂原子会丧失电子，氧化为锂离子18。从层内部迁移到晶体的表面，受电场力作用，锂离子首先进入电解液，然后通过聚合物隔膜到达负极，再由石墨表面嵌入晶格。电子则被聚合物隔膜所阻挡，不能在电池内部移动。只能通过外电路由正极向负极移动，在负极获得一个电子，还原为锂原子，此过程中正极的化学反应如下： 电池放电时，石墨中的锂离子脱嵌，穿过隔膜移到正极，嵌入磷酸铁晶格中，电子则通过外电路由负极向正极移动，此过程中正极的化学反应如下： 从以上过程可以看出锂离子电池的充放电包括两个部分，即氧化还原反应和锂离子嵌入、脱嵌。锂离子能够在两极电压的作用下进入或脱离晶格，并不对晶格结构造成任何影响。可见，锂离子电池具有良好的电化学特性（即可逆性），这使得其性能较其他电池具有一定优势。2.3 锂离子电池的性能指标l 电池电动势电动势越高，电池输出能力越强18。在实际应用中，电池电动势很难计算，它只与电池的电化学特性有关而与电池的外在物理特性（如：尺寸，形状）无关。l 电压锂离子电池的电压参数包括理论电压、工作电压、开路电压三种14：（1）理论电压：与正、负极材料，电解质成分及环境温度有关。（2）工作电压：电池负载（即充电或放电过程中）状态正负极间的电位差。（3）开路电压：电池空载时电池正负极之间的电位差，近似于理论电压。l 电池内阻电池内阻分为极化内阻和欧姆内阻。极化内阻依电池内部的化学反应而随时间变化19。欧姆内阻取决于电池本身的结构和装配，正负极材料3。l 电池容量电池容量是电池性能的重要指标之一，通常用大写字母来表示，是指电池在一定放电倍率和温度下，可以输出多少安时（）的电量。根据不同的条件，电池容量可以分为实际容量（）、理论容量（）和额定容量（）。一般而言14，。（1）实际容量：电池实际放出的电量是一定放电倍率放电方式下，放电电流对时间的积分： 当电流恒定时：。（2）理论容量：通过理论计算得到的电池容量，计算依据是活性物质在电极材料中所占的质量。 其中和分别为活性物质的摩尔质量和完全反应时的质量，为电子数。（3）额定容量：规定一定放电条件下电池可放出的电量最低限值。l 充放电倍率在数据值上等于电池额定容量的倍数，指一定时间内电池在放出额定容量所需电流大小，以字母表示，即指电流的大小比率。例如一个额定容量为的电池，的放电倍率表示放电电流为，则表示放电电流为。l 放电方式放电可以分为恒流放电、恒阻放电、连续放电和间隙放电。规定条件下连续放电至终止电压的方式是连续放电。对电池间断进行放电如脉冲放电至终止电压则是间隙放电。l 荷电状态荷电状态（）是描述电池的剩余电量的参数，常用剩余容量与同条件下电池额定容量之百分比来表示：当电池充满电时，=1；放完电时，=0。的另一表示方法是放电深度（，），指电池放出电量占其额定容量的比值。当二者均以百分比的形式表示时，某时刻的与之和为1。l 电池寿命电池的健康状态可以量化为电池的寿命14。电池的循环寿命指某种环境及条件下对电池进行充放电，当电池容量降至失效阈值以下（通常为标称容量的，根据电池型号的不同，失效阈值有差异）所经历的充放电周期数。锂离子电池的寿命在次以上。2.4 锂离子电池的特点根据锂离子电池的电化学特性，它的优点主要有以下几方面4：（1）能量密度大锂离子电池目前能达到的比能量为左右，倍于镍镉、镍氢电池。（2）循环寿命长正常使用情况下可循环充放电达次以上，浅度放电（）可达数2000次以上。电池使用寿命的增加大大提高了电器的实用性。（3）电压高根据正极材料的不同，锂离子电池单体平均工作电压略有差别，一般在之间。锂离子电池的输出电压是镍镉、镍氢电池的倍。这一优点大大减少了电池组的电池串联数目，降低了电池组的故障率。（4）安全性能好电池中不含对镉、铅、汞等重金属元素，对环境无污染。（5）无记忆效应记忆效应是指长期不进行完整彻底的充、放电，导致电池容量降低。镍镉电池有这方面的问题，锂离子电池无此问题。（6）可快速充放电普通锂离子电池小时即可以充满。充电速度快，效率高。（7）自放电率低自放电率是指电池在开路状态下，电池所储存的电量在一定条件下的保持能力。室温下锂离子电池存放一个月自放电率为左右，远远低于镍氢电池的，镍镉电池的，可以作为长时间放置的备用电池。2.5 本章小结本章从锂离子电池的内部结构出发，针对其电化学反应原理，性能指标，工作特点等几方面进行了深入研究，从失效机理及性能维护等角度认识锂离子电池，探讨影响电池性能的各种内部和外部因素。为后文荷电状态估计、剩余寿命预测研究及监测系统设计特征量的选择提供参考依据。15第三章 锂离子电池荷电状态估计第三章 锂离子电池荷电状态估计在电池的使用过程中，我们需要知道此时此刻的剩余电量是多少，设备还可以维持多长时间，荷电状态（，）就是量化剩余电量的指标，也是反映电池性能的重要技术参数。用之于电动汽车，不仅可以估算续驶里程，还可以有效维护电池组的性能。因此准确的估算出电池可提高能量效率，避免燃烧或爆炸等事故的出现，是电池管理的关键技术之一。本章将通过充放电试验探讨电池的与充放电倍率，开路电压等因素之间的关系。并基于人工神经网络得到准确的数学模型，对电池的进行估计。3.1 锂离子电池荷电状态3.1.1 荷电状态定义及影响因素荷电状态的大小反映了电池此刻所剩电量的多少。美国先进电池联合会（，）将定义为电池剩余电量在特定放电倍率条件下占额定容量的百分比，定义式如下20： 式中：是电池在该时刻的剩余容量，为电池的总容量。的另一表示方法是放电深度（，），指电池放出电量占其额定容量的比值。当二者均以百分比的形式表示时，某时刻的与之和为1。是电池管理的重要参数，实时估计是电池管理的一项重要任务。而电池是一个复杂的非线性系统，电池内阻、充放电倍率、自放电率、电池温度、电池寿命等内、外部因素都会对其产生影响21。（1）电池内阻：电池内阻包括极化内阻和欧姆内阻。极化内阻不遵循欧姆定律，而是依电池内部的化学反应而随时间而改变。欧姆内阻取决于电池本身的结构和装配，受电池的内部的电解液、电极材料、隔膜、接线柱影响。（2）充放电倍率：指一定时间内电池在放出额定容量所需电流大小，以字母表示，即指电流的大小比率。电池在充放电时，锂离子依靠电解质的浓度差在正负极之间传递，高倍率放电时，磁场强度大，极板附近快速生成生成物，无法顺利扩散，使电化学反应受阻。相反，放电倍率越低，则电池所能放出的电量就越多。（3）自放电率：是指电池在开路条件下保持所储存电量的能力。由于制作电池的原材料不可避免的总会有杂质混在中间，会消耗正负极的活性物质，造成自放电，电池容量减少。湿度和温度越高，自放电现象越明显。（4）电池温度：在一定的范围内，提高温度可以使得电池内部的氧化还原反应加速，从而释放更多电量。然而，温度过高或过低也会导致电池性能下降。（5）电池寿命：电池完成一次完整的充放电过程被称为一个周期，随着电池的使用，电池的容量逐渐减少，当电池容量衰减至失效阈值之前所经历的周期数即为电池寿命。电池的剩余电量与以上各个因素均有联系，并且电池管理系统多采用嵌入式，难以实现复杂算法，要准确的完成估算具有较大难度。3.1.2 常用荷电状态估计方法作为电池管理技术的难点，荷电状态往往无法直接测量得到，需要测量电池的其他参数（如：电流，电压，温度，内阻等）估算。下面，将对常用的几种估算方法逐一进行介绍。3.1.2.1安时积分法安时积分法又称安时计量法，是最常用的估计方法。若不考虑电池内部结构将其看作一个“黑箱”，则计算电池容量就是对流入或流出“黑箱”的电流求积分。根据结合的初始值，即可以得到其当前值。设起始状态电池的为5，则 式中：为额定容量，为电池电流。在电流、温度、初始值准确的前提下，可以通过简单计算就得到短时间内的可靠估计。但是该方法是一种开环预测，如果初始值与电流不够准确，那么随着电池使用时间的增加，累计误差将会不断增大，最终严重影响的估计结果，导致电池管理控制端得到错误的信号，误导驾驶员的操作。3.1.2.2 开路电压法开路电压法是最简单的估算方法，电池在长时间静置条件下，其端电压与有一定的对应关系，开路电压法的核心就是通过二者之间的函数关系来估计22。磷酸铁锂电池放电时，在放电过程的中间阶段（在之间），随电池电压变化并不明显。所以在充放电的初期和末期，电池端电压随电量变化较大的区域，可以根据开路电压（, ）估计。关系测量的准确度对估算结果影响较大，估算前，需先将电池充分静置，同时尽量避免静置时间过长带来的自放电效应影响。而长时间静置适用于驻车状态下的估计，不能对锂离子动力电池进行实时估计，并且温度变化对的影响较大，有一定的局限性。通常，开路电压法在充电的初期和末期精度较高，如果与其他估算方法结合使用，可以一定程度上提高的估算精度。3.1.2.3 内阻法内阻法估计电池的，可以分为两种方法：直流内阻法和交流内阻法23。交流内阻法通过阻抗测试仪记录电压、电流之间的函数关系，将交流信号加在电池组两端时，该函数是复变量。现实中由于温度，静置时间及初始状态的影响，估计不够精准。直流内阻法通过计算短时间内电池电压与电流变化量的比值进行估计，但由于锂离子电池的直流内阻小，与的对应性不强，常作为的校正因子而很少直接用于估计。3.1.2.4 卡尔曼滤波法卡尔曼滤波的基本思想是从最小方差的意义出发，对系统的状态做最优估计，近年来被用于估计锂离子动力电池的。卡尔曼滤波法可以解决开路电压法和电流积分法的缺陷，将电池建模为动态系统模型，进而用卡尔曼滤波器预测。该方法的优点在于，它能够实时调整以适应电池电压和电流的变化，因此适合电流变化比较剧烈的电动汽车23。但是，卡尔曼滤波法也存在一定缺陷，即：电池模型的建立实现比较困难，复杂度较高，对硬件的要求也很高，因此实际中应用范围较窄。3.1.2.5 人工神经网络人工神经网络（, ）是一个模拟大脑神经结构的数学模型25。它类似于一个黑盒，给定输入，在黑盒内部进行数据运算可以得到相应的输出，具有高度的非线性描述能力。通过网络的训练学习，可以解决任何复杂的非线性系统建模问题。锂离子动力电池的受到电池内、外部各因素的影响，不仅影响因素多且情况复杂，通过神经网络对电池复杂的非线性特性进行模拟是行之有效的解决方案。人工神经网络估计电池，通常采用典型的三层网络结构。其中隐含层神经元个数则与问题的复杂度有关，一般问题越复杂，隐含层所使用的节点数越多，对非线性模型的描述也越精确。除了开路电压法，安时积分法，内阻法，卡尔曼滤波法和人工神经网络法之外，电化学阻抗频谱法、数学模型法、线性模型法、负载电压法等，也是常见的锂离子电池估计方法26。这几种方法各有利弊：由于电池与开路电压之间存在近似线性关系，可以通过开路电压来大致进行估计，但这种估计方法精度较低；安时积分法与开路电压法结合，可以提高的估计精度。作为估计的两种新方法：卡尔曼滤波是通过估计误差协方差矩阵的递归方程来估计，算法复杂且对硬件要求高。而人工神经网络是基于实验数据的方法，不需要对电池内部结构进行建模，通过训练数据建立有效的网络模型，在训练数据较多的情况下，神经网络法是一种有效的估计方法。3.2 基于人工神经网络的荷电状态估计3.2.1 人工神经网络人工神经网络（, ）是模拟人类智能的一条重要途径，来自于美国学者在年提出的感知器模型，是一种模仿生物神经结构和功能的计算模型。它从微观上对人脑抽象以反映人脑的学习、记忆、联想等功能。神经网络的基本单元是神经元，多数情况下神经网络能在外界信息的基础上自适应的改变内部结构，是一种学习系统。3.2.1.1 人工神经网络原理人工神经网络由神经元联结而成，图3-1就是简化的神经元，其多输入、单输出的结构关系可表示为25：图3-1 人工神经元结构其中，,是神经元（也称结点）的个输入；表示神经元的偏置（阈值）；表示从结点到结点之间的连接权值；表示激活函数（传递函数），主要作用是对输入、输出进行传递，是神经网络的核心，其并将输出限定在有限范围内，通常是连续而非线性的，反映了神经元的非线性信息处理特性。对于每个神经元而言，激活函数至关重要。选取不同的激活函数，往往对神经网络的性能会有不同的影响。常见的激活函数见表3-1，有对数双曲线函数，双曲正切函数，线性函数，其中和都属于（简称s型）激活函数25。在上述三种函数中，对数双曲线函数因为连续可导便于计算处理，应用最为广泛。表3-1 神经网络的传递函数对数双曲线函数双曲正切函数线性函数3.2.1.2 人工神经网络特点人工神经网络（, ）是对自然神经网络（ ）的模拟和抽象，能够模拟大脑的某些机理。相比传统的复杂计算模型和方法，人工神经网络具有如下优点27：（1）自学能力：这是人工神经网络最为重要的优点。通过对已有训练样本的学习，人工神经网络能够对输入、输出之间的内在联系进行刻画，掌握其规律。对于数据预测有特别重要的意义。（2）自适应性：人工神经网络另一突出特点是能够对未知或不确定的系统进行自适应。该功能是通过神经网络对于其权值和阈值的不断自我调节来实现的。（3）鲁棒性：人工神经网络由众多神经元组成，每个神经元都对整个网络做出贡献但又不足以单独决定网络特性。因此，某个或某些神经元的失效并不会影响整个网络的有效性。（4）非线性能力：当所选取的神经元足够多时，人工神经网络理论上是能够无限逼近任意的非线性系统。（5）并行分布式处理能力：众多神经元并行的分布处理，赋予人工神经网络极强的信息处理能力，使其可以快速运算大量数据。根据人工神经网络的拓扑结构以及学习规则等，目前已发展到多种人工神经网络模型。其中常见有：误差反向传播（, ）网络、网络、自组织映射、神经网络等。网络凭借结构简单、较强的非线性能力和鲁棒性等优点，在实际中被广泛应用。因此，本文将采用网络对电池进行建模，将实验数据作为训练数据输入神经网络，对神经网络进行训练。3.2.2 误差反向传播网络3.2.2.1 bp网络结构误差反向传播（, ）网络本质上按梯度法（ ）求其目标函数（）：误差平方和达到最小值的算法，其结构如图3-2所示。神经网络包括一个或多个隐含层（），一个输入层（），一个输出层（），可以视为n维输入到m维输出之间的映射，这个映射是非线性的。输入层负责接收外界输入信息，经隐含层各节点处理后，传递到输出层，由输出层输出信息处理结果。这个传递过程是一个正向过程。当训练输出结果与实际结果不一致时，将二者之间的误差从输出层反向传播回隐含层、输入层