锂离子电池简化电化学模型:浓度分布估计

为了降低锂电池电化学模型的计算复杂度,提出基于修正边界条件的简化电化学模型,用于估计锂电池内部的电解液浓度分布.采用Pade逼近技术分析简化电化学模型解析解,可得到降阶的分子-分母型传递函数模型.分别采用19.38A和193.80A的脉冲充放电工况进行仿真对比,结果显示所提出简化模型的最大相对误差分别约为0.867%和8.670%.时域和频域模拟仿真结果表明:相比于传统电化学模型,该简化模型对电池内部电解液相的浓度分布估计具有理想的精度,同时计算复杂度得到显著优化,具备实时应用的能力.

耦合温度的锂离子电池机理建模及仿真试验

锂离子电池机理模型精度高,可以揭示试验所无法描述的电池内部信息,对电池的老化研究、故障诊断和电池管理系统的设计具有重要意义。为解决模型计算复杂、易受温度影响的问题,提出一种耦合温度的建模方法。本文提出的模型以单粒子模型为基础:首先采用二参数抛物线法简化固相扩散方程,采用抛物线轮廓-有限差分结合法简化液相扩散方程,化偏微分方程为常微分方程;而后建立包含固、液相欧姆定律与固体电解质(SEI)膜极化作用的端电压表达式;针对恒流与复杂工况,采用集总模型法或中心差分法计算热模型中电池的平均温度;热模型与机理模型计算出的产热量相关,机理模型中的电化学参数受热模型得到的温度影响,热模型与机理模型耦合。结果表明:在恒流工况,耦合温度的简化模型比单粒子模型的温度值更准确,比不考虑温度的简化模型的电压值更准确;在高倍率复杂工况下,模型精度良好。在1C、2C、4C恒流放电工况下,电池端电压、温度的均方根误差不超过0.041、0.66;在城市道路循环工况下,电池的端电压、温度的绝对百分比误差不超过1%和0.15%。

基于数据-模型驱动的锂离子电池健康状态估计

本文以容量和能量为电池健康表征参数进行电池健康状态(State of health,SOH)评估方法研究。首先分别采用两种方法进行健康状态估计:一种是直接输入原始电池容量、能量序列,利用灰色预测算法(Metabolic grey algorithm,MGA)对电池容量和能量进行预测;另一种是先输入原始模型参数,利用灰色预测算法对简化电化学-老化模型(Simplifiedelectrochemical model,SEM)参数进行预测,将预测后的参数值代入到模型当中,拟合电池端电压曲线,再通过积分法获取电池的容量和能量。针对两种健康表征参数衰退速度、估计精度等问题,提出基于数据-模型混合驱动的锂离子电池健康状态的综合评估方法,实现电池健康状态的准确估计。