【文章內(nèi)容簡介】 壓及能量密度大；（ 4）無記憶效應，充電時間短。 憑借 以上 幾 點， 鋰離子電池 得到 了 各汽車 廠 商 的認可 ， 自 2020 年起，被大范圍用于動力汽車 [3]。 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(shù)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(nèi)外研究現(xiàn)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(jīng)歷了高速發(fā)展 [3]?，F(xiàn)在的鋰離子電池 正極材料 有很多選擇，根據(jù)化合物成分 不同 可以 分 為 ：鈷酸鋰 電池、 錳酸鋰 電池 、 鎳錳鈷三元材料鋰電池 、 和 磷酸鐵鋰 電池 。 這些金屬元素中，鈷（ Co ）最貴且儲量不多，鎳（ Ni ）、錳（ Mn ）次之，鐵（ Fe ）的價格最便宜，因此成本也最低。從技術(shù)成熟度來看：鈷酸鋰電池研究起步早，性能穩(wěn)定，目前 主要用 在 手機 、 筆 記本電腦及其它便攜式電子設備 。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。 但 三元 材料 在充放電過程中，鋰離子 的 脫嵌 過多 會 引起 正極材料結(jié)構(gòu)改變， 輕則導致 電池壽命衰第一章 緒論 3 退， 重則 發(fā)生氧氣的釋放 ，引發(fā)安全問題 。錳酸鋰是 成本低、安全性好的正極材料，但是其材料本身并不太穩(wěn)定，容易分解產(chǎn)生氣體 。在鋰電池業(yè)界發(fā)生一連串因 安全問題而召回的事件下，強調(diào)高安全性及長使用壽命的 磷酸鐵鋰 電池便引起了 世人 的 注目。 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(jié)構(gòu) 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]。與傳統(tǒng)的鋰離子電池正極材料 相比 ，4LiFePO 晶體中的 PO 鍵穩(wěn)固，高溫下也不會像 2LiCoO 一樣結(jié)構(gòu)崩塌， 在任何惡劣的環(huán)境下（如電池短路、針刺等等），都不會爆炸或起火 ，因此擁有良好的安全性。 4LiFePO 原 材料 來源 廣泛、價格低廉且不含任何對人體有害的重金屬元素 ，成為新一代動力鋰電池的理想正極材料，受到汽車廠商及研究界的廣泛關(guān)注。 一般 說來 ，鋰離子電池的出廠性能由其化學結(jié)構(gòu)及生產(chǎn)工藝決定，而 在使用過程中電池的性能會隨著使用環(huán)境， 電池 老化而變化。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)。雖然鋰離子電池技術(shù)的不斷提高極大的推動了電動汽車的發(fā)展，但是由于電池管理系統(tǒng)的技術(shù)相對落后，降低了動力汽車的普及速度。電池管理系統(tǒng)（ Battery Management System , BMS ） 是 集信號 釆集、 傳輸、 計算、評價、 與控制 于一體 的有機整體 ，是 對鋰離子動力電池組的充放電過程、 荷電 狀態(tài)、及電池電壓、電流、溫度、等進行監(jiān)測管理的裝置，是電動汽車 系統(tǒng)的核心子系統(tǒng)。 BMS 包含電池監(jiān)測系統(tǒng)（ Battery Monitoring System ），充 、 放電系統(tǒng)（ Ch arge/D isc hargeSystem ）以及管理維護系統(tǒng)（ M a n a g e m e n t a n d M a in te n a n c e Sy ste m） [5]。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。 隨著電動汽車在全球范圍 內(nèi) 的快速發(fā)展，越來越多的國家 都開始投入到電池管理系統(tǒng)的研究中 ，針對各類電動汽車的電池管理系統(tǒng) 被 開發(fā)出來。 在這些國家中， 汽車工業(yè)發(fā)達的 美國，德國， 日本 和 法國 處于領(lǐng)先地位。美國通用汽車公司（ GM ）和 克萊斯勒公司 （ Chrysler ） 分別 研發(fā) 出 型和 NECAR5 型兩款電動汽車，其中 NECAR5 已于 2020 年在日本橫濱完成路測。 法國的 研究人員設計開發(fā)的 隨 車能量管理系統(tǒng)，能夠?qū)崟r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(jù)。德國西門子公司開發(fā)的能量管理系統(tǒng)， 不僅可以實現(xiàn)監(jiān)測 ，還 增加了控制系統(tǒng)，對電池充 放電 進行優(yōu)化，最大程度 地 提高 了電池壽命。 日本的 豐田（ Toyota ）則于 1996年推出其第一款電動汽車，上面 配備 的 電池監(jiān)控系統(tǒng)電子科技大學碩士學位論文 4 可以對電池組的各項重要指標實時監(jiān)測并調(diào)整，以保證動力汽車正常運行。 相比國外，我國的電池管理 技術(shù) 研究起步較晚，但發(fā)展速度較快，國內(nèi)對 BMS系統(tǒng)技術(shù)關(guān)注和研究逐漸加大， 形成 多種方案 ，這些方案 往往各有所長。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(jīng)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]。 鋰離子電池荷電狀態(tài)估計 在電池管理系統(tǒng)的諸多功能中， 鋰離子電池荷電狀態(tài) （ State of charge, SOC ）估計是 其中的 關(guān)鍵 ， 它顯示 電池在一次充放電的短期使用過程中，還剩余多少電量。 它就像普通汽車的 油量表 一樣， 司機可以直接了解 汽車的續(xù)駛能力。 但到目前為止，仍沒有公認的估算 SOC 標準方法， 因為電池監(jiān)測系統(tǒng)要求 SOC 估計的實時性，復雜的模型都無法滿足系統(tǒng)的要求，并且 電池充放電受各種內(nèi)外部非線性因素的影響 。 傳統(tǒng) 的 電池 SOC 估計 方法 有 電流積分法、 開路電壓法、 內(nèi)阻法 [7]。電流積分法 把電池看 作 一個黑箱，不考慮其內(nèi)部原理， 對 流入或流出黑箱的電流進行積分 運算 得到 該時間 段 內(nèi)的 電量 變化量 ， 再 基于電量 的 初始值 估算 當前 SOC值 ，但 鑒于 電流 測量精度 的 問題 產(chǎn)生誤差累計 ，使 SOC 的估算值逐漸偏離真實值。開路電壓法根據(jù) 電池的 開路電 壓 與 SOC 之間 的關(guān)系 來估算 SOC ，但 對于 鋰離子電池 而言， 在很長的一段時間內(nèi)，開路電壓隨 SOC 的變化 并不十分明顯 ， 因此 常將電流積分 與 開路 電壓法結(jié)合 進行 SOC 的估計 。 內(nèi)阻法是通過測量電池的交直流內(nèi)阻，與 SOC 的關(guān)系推算當前的 SOC ，但 電池的內(nèi)阻受外界溫度影響較大， 因此 很少用于 實時估計 。 近年來，卡爾曼濾波和人工神經(jīng)網(wǎng)絡被用于 SOC 估計， 卡爾曼濾波 是通過 估計誤差的協(xié)方差矩陣 遞歸方程 來 估計 SOC ，算法復雜 且對硬件要求高。而人工神經(jīng)網(wǎng)絡 是基于實驗數(shù)據(jù)的方法，不需要對電池內(nèi)部結(jié)構(gòu)進行建模，在訓練數(shù)據(jù)較多的情況下，神經(jīng)網(wǎng)絡法是一種有效的 SOC 估計方法 [8]。 鋰離子電池 剩余 壽命預測 除電池荷電狀態(tài)外，電池中 另一 重要的 性能指標 就是電池的健康狀態(tài) （ State of Health , SOH ） ， 也表現(xiàn)為剩余壽命（ R e m a in in g U s e fu l L if e, RUL ） 的多少 。電池的壽命多用循環(huán)充放電的次數(shù)來表示， 若將 一次充放電計 為一個周期或一次循環(huán)，隨著充放電 次數(shù) 的增加，電池的容量將會不斷衰減 [9]。 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(jié)。 和傳統(tǒng)汽車相比，而電池價格昂貴且壽命相對較短是阻礙電動汽車市場化推廣的主要原因。 如果沒有及時更換新的電池 ，會影響電動汽車性能甚至 嚴重 的交通 事故。 為了解決這一問題，在電池的使用過程中還要適時的了解電池的健康狀態(tài)，提前獲知其壽命信息以指導電池的運行維護，并對老化的電池做以更換，才能保障電池組的正常工作 ，對于減少損失，預防安全事故具有重要意義。 電池壽命預測就是根據(jù)當前監(jiān)測所掌握的 數(shù)據(jù) ， 得出其內(nèi)在規(guī)律，并 預測 電池 在這種使用 模式 下的 壽命 終止點 。 由于電池 RUL 預測 是 近些年來才開始研究 的課題 ， 方法有限且缺乏比較 [10]。 常見的 RUL 預測方法 分為兩類 ：失效 物理（ Phy sic s of F ailure, PoF ）模型和數(shù)據(jù)驅(qū)動 法 （ Data Driven ） 。 失效物理模型 需要大量關(guān)于鋰離子電池材料特性以及失效機理的信息 ，但目前普通的傳感器技術(shù)難以測得電池內(nèi)部的電化學反應 。與物理失效模型法相比，數(shù)據(jù)驅(qū)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 。 常見的 數(shù)據(jù)驅(qū)動算法 有很多種，如：支持向量機（ S up po r t V e c tor M a c hine, SVM ） ，自回歸滑動平均 （ A u to re g re ss iv e M o v in g Average , ARMA ） ， 粒子濾波 （ Pa rtic le Filtering, PF ） 。 SVM 是一種監(jiān)督式 的 學習方法，應用于統(tǒng)計分類 和 回歸分析 [11]。 將低維線性不可分的問題映射到高維 空間線性 可分，廣泛應用在故障診斷等分類領(lǐng)域 。 ARMA 則 是一種時間序列模型，用于預測 時間 序列 的 將來值 [12]。 PF 是通過 一組“粒子”及其相應的權(quán)重通過狀態(tài)概率分布函數(shù)（ Pr o b a b il it y D istr ibu ti o n F u n c ti o n, PDF ）進行 統(tǒng)計 估計 [13]。 現(xiàn)階段這些方法 中 有 被 用于電池壽命預測，但缺乏比較 。 本文的主要內(nèi)容及組織結(jié)構(gòu) 根據(jù) 上述提到的電池管理 技術(shù) 的現(xiàn)狀及發(fā)展前景， 本文 針對 動力汽車 上常用的 磷酸鐵鋰電池進行逐步深入的研究， 圍繞電池管理中的兩個關(guān)鍵問題：荷電狀態(tài)估計和 剩余 壽命預測 展開工作：首先 對鋰離子電池的特性進行深入分析， 掌握影響 SOC 和 RUL 的各項重要因素。進而 分析 SOC 估計傳統(tǒng) 方法的實質(zhì) 和優(yōu)缺點，并 基于 BP 神經(jīng)網(wǎng)絡 進行 荷電狀態(tài)估計方法 的研究 。在 RUL 預測 的部分 ， 根據(jù)馬里蘭大學的鋰離子電池加速壽命試驗數(shù)據(jù)， 針對 現(xiàn)有的鋰離子電池壽命預測方法進行 實例 比較， 思考 如何在現(xiàn)有方法上進一步提高效率和精度， 并 針對 ARMA 模型定階流程復雜 的缺陷 提出新的方法， 通過 PSO 對 ARMA 模型進行優(yōu)化， 選擇 AR 模型替代 ARMA 模型，并以 均方根誤差（ RMSE ）作為定階時的 適應度函數(shù) ， 進而電子科技大學碩士學位論文 6 結(jié)合新陳代謝數(shù)據(jù)處理技術(shù)實現(xiàn)了 階數(shù)的 自適應改變，有效避免了傳統(tǒng) AR 模型定階流程復雜的缺陷。 最后將 SOC 估計及 RUL 預測 的 方法 集合于 電池監(jiān)測系統(tǒng) 上，通過 測量 電 池的外部參數(shù) ，結(jié)合 相應的算法，實現(xiàn)電池的荷電狀態(tài) 在線估計及壽命預測 ， 最后總體驗證方法的實效性 。 具體工作及 全文 組織結(jié)構(gòu)如下： 第一章，介紹 本文的研究背景 及意義 。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(shù)的核心。 總結(jié)了 現(xiàn)階段 鋰離子 電池 荷電狀態(tài) 估計及壽命預測方法的國內(nèi)外研究的現(xiàn)狀 。 第二章， 深入研究 鋰離子電池特性。 針對鋰離子電池的內(nèi)部結(jié)構(gòu)，電化學反應原理，性能指標，工作 特點等幾方面進行了深入研究， 探討影響 電池 性能的各種內(nèi)部和外部因素， 分析主要性能指標 ，以備在 后續(xù) 章節(jié)中研究電池的 荷電狀態(tài)估計及剩余壽命預測 時充分 考慮這些因素。 第三章，鋰離子電池荷電狀態(tài)估計。由于鋰離子 電池 充放電時荷電狀態(tài)的變化受到多種 非線性特征 的影響 ，很難 用一個簡單的數(shù)學模型來描述。本 章 在分析了 傳統(tǒng) SOC 的估計方法 優(yōu)劣之后， 基于 BP 神經(jīng)網(wǎng)絡，以電池的 影響 因素中較為重要的電壓和電流作為網(wǎng)絡輸入，進行 建模和分析， 進 而對實際數(shù)據(jù)進行估計并對驗證估計 結(jié)果 。 第四章，鋰離子電池壽命預測。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(shù)據(jù) 預測 對 以上 算法做以比較。進而 針對傳統(tǒng)自回歸模型中階數(shù)確定復雜的 缺點，提出了粒子群優(yōu)化的定階方法，該方法以均方根誤差作為適應度函數(shù)，并引入新陳代謝的數(shù)據(jù)更新 技術(shù) ，使得模型階數(shù)自適應改變。 通過實驗數(shù)據(jù)比較驗證， 粒子群算法 優(yōu)化 的自回歸模型 獲得了準確的預測趨勢和較高的預測精度 。 第五章，鋰離子電池監(jiān)測系統(tǒng)設計開發(fā)。 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(shù)據(jù) 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(diào)用 第三、四章的 研