【正文】 能量密度大 鋰離子電池 目前能達到的比能量為 555 Wh/ kg 左右， 3 倍于鎳鎘、鎳氫電池。 當二者均以百分比的形式表示時，某時刻的 SOC 與 DOD 之和為 1。規(guī)定條件下連續(xù)放電至終止電壓的方式是連續(xù)放電。 （ 3）額定 容量：規(guī)定一定放電條件下 電池 可放出的電量最低限 值。一般而言[14]，0C C rC 。 極化內阻 FR 依電池內部的化學反應而隨時間變化 [19]。 ? 電壓 鋰離子電池的電壓參數包括理論電壓、 工作電壓 、 開路電壓 三種 [14]： （ 1）理論電壓： 與 正、負極材料，電解質成分及環(huán)境溫度 有關 。鋰離子能夠在兩極電壓的作用下進入 或 脫離晶格，并不對晶格結構造成任何影響。以正極材料為磷酸鐵鋰的鋰離子電池為例，其充放電過程具體為： 電池充電時，正極材料 4LiFePO 中的 鋰原子會喪失電子，氧化為鋰離子 Li? [18]。左邊通過鋁箔連接電池正極，右邊通過銅箔連接電池負極。隨著 SEI 膜增厚，電極與電解液之間的內阻增大，電池容量進而衰減。 （ 4）電解 質 ：在電池內部的正負極之間傳輸離子，對電池的容量有重要影響。 1996年發(fā)現 的 橄欖石結構的磷酸鐵鋰， 耐高溫性能遠超過傳統(tǒng) 正極材料成為動力電池的理想正極材料 [15]。因此本章將分析影響鋰電池性能發(fā)揮的各種因素，對其特性指標進行深入研究。 1991年，索尼公司發(fā)布首個商用鋰離子電池，電池負極為石墨，正極 為鋰離子化合物， 也就是 目前俗稱的“鋰電池”。 本章針對磷酸鐵鋰電池組進行了監(jiān)測系統(tǒng)的開發(fā)， 包括 信號 采集 電 路設計，數據 傳輸，上位機監(jiān)測軟件開發(fā) 的開發(fā) ，并 在該系統(tǒng)中調用 第三、四章的 研究算法 ，實現 了鋰電池荷電狀態(tài)的實時估計及在線 壽命預測 。本章首先介紹了 粒子濾波，支持向量機 和 自回歸滑動平均 模型 三種預測方法， 并 通過數據 預測 對 以上 算法做以比較。 第三章，鋰離子電池荷電狀態(tài)估計。具體介紹 電動汽車上 鋰離子電池 的應用， 及鋰離子電池管理技術的核心。進而 分析 SOC 估計傳統(tǒng) 方法的實質 和優(yōu)缺點，并 基于 BP 神經網絡 進行 荷電狀態(tài)估計方法 的研究 。 ARMA 則 是一種時間序列模型，用于預測 時間 序列 的 將來值 [12]。與物理失效模型法相比，數據驅動 法 不需要具體的 研究失效機理 ， 而是通過 給定的訓練樣本， 挖掘 輸入與輸出之間 的隱含信息 并預測未來趨勢 。 電池壽命預測就是根據當前監(jiān)測所掌握的 數據 ， 得出其內在規(guī)律，并 預測 電池 在這種使用 模式 下的 壽命 終止點 。 電池容量降低到某個第一章 緒論 5 閾值 以下 ，標志著電池壽命的終結。 近年來，卡爾曼濾波和人工神經網絡被用于 SOC 估計， 卡爾曼濾波 是通過 估計誤差的協方差矩陣 遞歸方程 來 估計 SOC ，算法復雜 且對硬件要求高。 傳統(tǒng) 的 電池 SOC 估計 方法 有 電流積分法、 開路電壓法、 內阻法 [7]。清華大學開發(fā)的電池管理系統(tǒng)由六個子電路組成； 香港理工大學提出了一種改進的 電池電路模型， 考慮了各個 特征量 的 非線性 變化特性； 北京理工大學經過長時間的研究，開發(fā)出一套 可以對大型 電池模塊進行管理的系統(tǒng) [6]。 法國的 研究人員設計開發(fā)的 隨 車能量管理系統(tǒng)，能夠實時監(jiān)測并記錄電池狀態(tài)，顯示剩余電量，為 及時 更換電池提供判斷依據。通過高性能 的 BMS 可以有效地監(jiān)控電池組，準確的估計電池組的剩余容量，有效避免由于電池過充、 過放 ， 或 超 高 溫引發(fā)的安全 事故 ，提高動力電池的能量效率，最大程度地保障動力電池的性能，延長使用壽命，是連接電池組 、充電機 和整車系統(tǒng)的重要紐帶。因此及時 掌握電 池的充放電狀態(tài)， 并 對其進行控制，是電動汽車安全使用電池的重要環(huán)節(jié)。 自 1996年 日本 NTT 公司 首次 提出 4LiFePO 做 鋰電池正極材料之后，美國德克薩斯州立大學，也報導了橄欖石結構 的 4LiFePO 中 鋰離子嵌入、脫嵌 可逆的特性， 引起 該材料 的 廣泛研究和迅速發(fā)展 [4]。鈷酸鋰電池容量大 但成本高 ，且發(fā)展已達極限， 為了增加電池容量，考慮 添加 不同比例的 鎳鈷錳 材料 ， 因此就有了三元材料鋰電池。 表 11 動力電池優(yōu)缺點比較 電池種類 鉛酸電池 鎳鎘電池 鎳氫電池 鋰離子電池 能量密度（ Wh/kg ） 30~45 40~60 60~70 90~130 自放電率（ / 月） 5% 15~30% 25~35% 2~5% 記憶效應 無 較大 較小 無 循環(huán)壽命 400~600 次 600~1200 次 600~1200 次 800~2020 次 缺點 不適應快 充電 金屬鎘污染 有記憶效應 成本高 技術難有突破 成本略高 優(yōu)點 價格低 污染成分少 可快速充電 循環(huán)壽命長 無污染 無記憶效應 能量密度大 循環(huán)壽命長 無記憶效應 國內外研究現狀 鋰離子電池及其管理系統(tǒng) 自 1991年 日本索尼公司 發(fā)布 了以 鋰離子化合物作正極， 石墨作 負極的 商用 鋰離子電池，鋰離子電池經歷了高速發(fā)展 [3]。鎳鎘電池的能量密度為 4060Wh/Kg ，電子科技大學碩士學位論文 2 比鉛酸電池較大，但 記憶效應限制了鎳鎘電池的發(fā)展 。 HEV 則是目前市場上的主要類型，它從燃料和電能中獲得動力。 電動汽車 按其驅動方式的不同，主要分為： 燃 料 電 池 電動 汽 車（ F u e l C e ll E le c tric V e h ic le, FCEV ）、 純電動汽車 （ Electric Vehicle, EV ） 和 混合動力電動汽車 （ H y b rid E le c tr ic V e h ic le, HEV ） [1]。 2020 年 美國 撥款 24 億美元 用于 新型電動汽車研發(fā) ，日本 也啟動 了 購買 “新一代汽車” 包括混合動力 汽車 、純電動汽車 可 減免 多種 賦 稅的 優(yōu)惠計劃 。 關鍵詞： 鋰離子電池， SOC 估計， BP 神經網絡， RUL 預測， AR 模型，監(jiān)測系統(tǒng)ABSTRACT II ABSTRACT With 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 lithiumion battery pack bees 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 realtime 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 prehensive study on the SOC and RUL problems and battery monitoring system design, major contributions are summarized as follows: 1. Lithiumion 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 work 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 work to carry out the work training and SOC estimation. The correctness and accuracy of our algorithm are verified by the experiment results. 2. Lithiumion batteries RUL prediction. First, three algorithms . 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, ABSTRACT III 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. Lithiumion batteries monitoring system development. Based on the algorithms developed above, a lithiumion battery monitoring system is designed to meet the requirements of the lithiumion battery monitoring. The system consists of the following ponents: signal acquisition for battery parameters, data transmission, puter monitoring, analysis and processing. Therefore, the SOC estimation and the RUL prediction are achieved in a real time fashion. Keywords: lithiumion battery, state of charge estimation, back propagation neural work, remaining useful life prediction, autoregressive model, monitoring system 目錄 IV 目