基于锂电池模型和分数阶理论的SOC-SOH联合估计.pdfVIP

2023 年 9 月 电 工 技 术 学 报 Vol.38 No. 17 第 38 卷第 17 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Sep. 2023 DOI:10.19595/ki.1000-6753.tces.221092 基于锂电池模型和分数阶理论的 SOC-SOH 联合估计 赵靖英 1 胡 劲 1 张雪辉 1 张文煜 2 （1. 省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学） 天津 300130 2. 国网冀北张家口风光储输新能源有限公司 张家口 075000 ） 摘要 基于锂电池荷电状态（SOC ）和健康状态（SOH ）的耦合关系，设计了SOC-SOH 联合 估计系统。首先，构建锂电池等效电路模型和自适应扩展卡尔曼滤波（AEKF ）算法，进行锂电池 SOC 估计；其次，建立锂电池分数阶模型，设计模糊控制器辨识分数阶模型参数，基于分数阶模 型参数和电池充电工况确立健康因子，引入麻雀搜索算法（SSA ）改进反向传播神经网络（BPNN ）， 进行锂电池SOH 估计；然后，集成SOC 与SOH 估计方法，设计联合估计系统；最后，设计锂电 池老化实验、动态应力测试（DST ）和US06 动态实验方案，对比分析不同工况下不同算法的SOC- SOH 联合估计效果。结果表明，基于提出的SOC-SOH 联合估计方法，估计误差小于 1%，具有良 好的估计特性。 关键词：锂电池 分数阶模型 健康因子 荷电状态 健康状态 中图分类号：TM912 0 引言 Extended Kalman Filter, AEKF ）算法，实现动态工 况下 SOC 估计的快速收敛。文献[9]利用 Huber-M 对于电池管理系统 （Battery Management System, 方法改进 KF 算法，并将门控循环单元神经网络的 BMS ），锂电池荷电状态（State of Charge, SOC ）和 输出量作为观测值，提高了锂电池 SOC 估计的精度 健康状态（State of Health, SOH ）是体现系统运行特 性的关键状态变量[1] 。SOC 定义为电池当前电荷量 和收敛速度。文献[10]考虑温度影响，提出改进的锂 与最大容量之比[2] ，反映了电池当前电荷量的存储 电池双极化模型，实现了添加温度变量的 SOC 精确 [3] 估计。 状态；SOH 通常由当前最大容量或内阻来定义 ， 锂电池 SOH 的精确估计有利于系统及时做出预 反映电池全生命周期尺度下的老化状态。 警，保证长期安全运行。国内外研究中，SOH 估计 对锂电池 SOC 的准确估计，有助于提高电池 方法分为直接测量法、基于数据驱动和基于模型的 能量利用率，防止过充电和过放电。工程实际中普 估计方法等。直接测量法是在实验条件下利用库伦 遍采用安时积分法进行锂电池 SOC 估计，但此方 法无法克服累计误差[4] 。基于卡尔曼滤波（Kalman 计数法直接测量锂电池容量[11] ，或对电池施加交流 [5] 激励，通过频谱特征分析计算 SOH[12-13] 。直接测量 Filter, KF