基于筛选过程方法，联合估算串联再利用CTM蓄电池组的SOC和峰值功率能力
发布时间：2026-08-07 20:49:39 点击： 次
随着电动汽车（EV）在资源保护和环境可持续性方面的快速发展，锂离子电池的处置正变得越来越重要。它被认为是回收而非丢弃退役电池的最佳解决方案。然而，精确估算电池状态对于确保重复使用电池组的运行安全和效率至关重要。本研究提出了一种联合估计方法，用于在考虑不一致性的情况下预测重复使用电池组的充电状态（SOC）和峰值功率能力。本书的主要内容描述如下。（1）本文设计了一种改进的筛选方法，用于评估用于连接串联电池组的重复使用电池的一致性。（2）选择二阶RC模型作为电池平均模型（CMM），以表示重复使用的电池组的整体性能。基于此，平均 SOC 通过使用 Sage-Husa 自适应算法和扩展卡尔曼滤波器（SH-AEKF）估算，而峰值功率能力则通过考虑多重限制来评估。（3）进行实验以评估联合估计方法的鲁棒性。结果显示，SOC估计的最大绝对误差低于±3%，而峰值功率能力估计的平均绝对百分比误差（MAPE）可限制在3.5%以下。本研究表明，拟议的退役电池组联合估计方法具有高准确性和可靠性。
近年来，受全球对气候变化、节能和减排的关注推动，电动汽车（EV）和混合动力电动汽车（HEVs）的采用显著增加[1]。这一趋势反映了新能源车日益重要的地位。锂离子电池（LiB）因其高能量密度、长周期寿命和高效的放电性能等，已成为电动汽车的重要动力来源[2]。然而，LiB面临高制造成本的问题[3]。此外，当LiB的容量降至初始容量的80%时，它被认为不足以确保电动汽车的安全稳定运行，因此在这些应用中被淘汰[4]。随着对锂电池需求的增加和产能的扩大，未来几年电池回收和处置相关的挑战可能会出现[5]。为了最大化整体电池价值，同时实现经济和环境双重效益，实施合理的电池回收实践变得至关重要[6]。目前，大多数退役电池组直接回收，用于低能耗或低功耗的储能系统[[7]， [8]， [9]]。但分析电池组电池的性能并应用到车辆应用中的情况非常罕见。众所周知，当电池组电池容量不平衡时，电池系统的可用容量会很小。具体来说，最小容量的电池限制了不平衡电池组的容量。Dubarry等人[10,11]指出，这种不一致无法消除，因为细胞生产制造过程导致了这种不一致。由于电池单元老化不均匀，容量最小的电池在放电和充电过程中会比其他电池单元更早达到最小放电水平和最大充电水平[12]。少数电池容量低于初始容量的80%，会使整个电池组的容量降至80%以下[13]。因此，当电池组性能不可避免地下降到不适合电动车运行的程度时，就会进入退役状态。然而，有些细胞可能尚未达到退役状态。它们仍然值得应用于电动汽车，实现电池的重复利用，延长电池在整个生命周期内的寿命，并减轻电池回收阶段的负担。
为了满足电动汽车和混合动力车的高工作电压和大容量需求，低电压和低容量锂离子电池通常以串联、并联或串联/并联组合组合成电池模块，电池组通常根据需求包含一个或多个模块。准确的状态参数，包括充电状态（SOC）[14,15]、健康状态（SOH）[[16]、[17]、[18]]、电力状态（SOP）[19]和剩余使用寿命（RUL）[20,21]，是有效管理和控制汽车电池及整辆车辆的前提条件[22]。如果无法准确估计电池组状态，电池组就无法最大化，这将进一步降低电池组的经济效益，使电池组的重复利用不再具有经济优势[23]。电池单元的SOP估计是电动汽车和HEV电池组最关键的因素之一，这对合理使用电池组及避免电力电池过充/过放电等安全问题具有重大理论和实际价值[19]。SOP反映了电池的功率输出和吸收能力。它通常可以表现为峰值功率，包括瞬时峰值功率和持续一段时间的峰值功率。准确的电池状态估计。
主流SOP估计方法基本上可分为两类[[24]、[25]、[26]、[27]]，第一种是基于映射的方法;第二类是基于动态模型的估计方法。第一种类型在实验室中以不同温度和老化度进行混合脉冲功率特性分析（HPPC）测试，以获得峰值功率的多维图谱，并根据实际车辆应用中的峰值功率直接确定峰值功率。它需要大量高性能处理器测试，不考虑电池的动态特性，且确定实验室环境中的静态峰值功率，这不适用于真实电动汽车的动态运行条件，且估算过于理想。采用第二种类型，综合考虑电池的电压、电流和SOC限制，以更好地满足车辆需求。因此，准确的SOC估计是准确估算电池峰值功率能力的前提。
关于电池组SOC估计已有许多研究。通过利用电池组中电池的相似状态，Plett[23]。提出了“条形-三角滤波”算法，该算法使用基于“条形滤波器”的西格玛点卡尔曼滤波器（SPKF）先估算电池组平均值，然后使用N个单独的“delta滤波器”来估算电池组平均值之间的差异。受参考文献[23]启发，Dai等人[28]引入了一种简明的双时间尺度卡尔曼滤波方法，实现了细胞特异状态估计。该方法利用电流和“平均单元”电压建立基于二阶RC模型的CMM作为等效电路模型，随后基于平均SOC推导单元SOC差值。更重要的是，双时间尺度实现旨在降低计算成本。然而，电池端电压差是由SOC差和内阻差计算得出的。需要考虑模型参数的影响以及电池组中的电阻不一致性。因此，Zheng 等人[29]采用了均值差模型，即用于电池组平均状态估计的三方尺度测量模型，并采用了考虑 SOC 差异和内部电阻差异的差分模型，在每一步中识别了电池单元的差异。由于差分模型的参数识别主要基于内阻差和开路电压（OCV）差，单元不一致性表现出渐进性特征。在一定时间窗口内，细胞的OCV变化不大，相应的差值模型具有缓慢的时间变化特征[30]。因此，对于电池组在使用期间具有良好稳定性的电池组，无需考虑其不稳定性，可以视为大容量电池，即CMM。但与新电池相比，重复使用的电池的一致性较差，这反映在电池容量、内部电阻和库仑效率的不稳定上。老化不稳定影响电池组的功率、耐用性和安全性，并对电池组的状态评估带来了巨大挑战[31]。Kim 等人[32]和 Xiong 等人[33]研究了基于筛查过程的电池组建模。通过筛选过程，筛选出具有相似特征的细胞，从而在一定程度上保证了细胞的一致性。然而，外部特性、电池容量和内部电阻的筛选主要针对新电池，无法保证老化电池的一致性。Jiang 等人 [34]。提出了一种基于增量容量分析（ICA）的二次使用细胞老化机制的新筛选方法，结果显示筛选后二次使用细胞具有良好的一致性。
虽然锂离子电池组已退役，但部分电池组容量仍超过初始80%，由这些电池组成的电池组可重复使用，从而减轻电池回收阶段的负担，提高经济效率。与新电池组相比，重复使用的电池的一致性较差，老化不稳定影响电池组的功率、耐用性和安全性，电池间的不一致性对电池组的状态评估构成巨大挑战。在电池再利用场景中，本文旨在解决电池组估计不准确的问题，原因是电池电池不稳定。因此，本文设计了一种改进的筛选方法，用于评估用于串联电池组连接的电池单元的一致性，并开发了一种建模和估计串联电池组SOC及峰值功率能力的方法。基于电池的筛选过程，首次筛选分析了电池参数的外部特性，包括放电能力和直流电（DC）内部电阻。在第二次筛查中，采用增量容量（IC）方法分析细胞参数的内部特征——衰老差异。经过两次筛选后，选出一致性良好的电池作为串联电池组。电池组的集总参数模型基于二阶RC模型建立，该模型简化为电池组的三位角测量模型，用于联合的SOC和峰值功率能力估计，参数通过遗传算法（GA）离线确定。通过结合Sage-Husa自适应算法和扩展卡尔曼滤波器（SH-AEKF），估算电池组的平均SOC，然后在多重限制下估算重复使用电池组的峰值功率能力。最后，联合估计器在动态应力测试（DST）和城外驾驶周期（EUDC）工作条件下进行验证。
简介
为了满足电动汽车和混合动力车的高工作电压和大容量需求，低电压和低容量锂离子电池通常以串联、并联或串联/并联组合组合成电池模块，电池组通常根据需求包含一个或多个模块。准确的状态参数，包括充电状态（SOC）[14,15]、健康状态（SOH）[[16]、[17]、[18]]、电力状态（SOP）[19]和剩余使用寿命（RUL）[20,21]，是有效管理和控制汽车电池及整辆车辆的前提条件[22]。如果无法准确估计电池组状态，电池组就无法最大化，这将进一步降低电池组的经济效益，使电池组的重复利用不再具有经济优势[23]。电池单元的SOP估计是电动汽车和HEV电池组最关键的因素之一，这对合理使用电池组及避免电力电池过充/过放电等安全问题具有重大理论和实际价值[19]。SOP反映了电池的功率输出和吸收能力。它通常可以表现为峰值功率，包括瞬时峰值功率和持续一段时间的峰值功率。准确的电池状态估计。
主流SOP估计方法基本上可分为两类[[24]、[25]、[26]、[27]]，第一种是基于映射的方法;第二类是基于动态模型的估计方法。第一种类型在实验室中以不同温度和老化度进行混合脉冲功率特性分析（HPPC）测试，以获得峰值功率的多维图谱，并根据实际车辆应用中的峰值功率直接确定峰值功率。它需要大量高性能处理器测试，不考虑电池的动态特性，且确定实验室环境中的静态峰值功率，这不适用于真实电动汽车的动态运行条件，且估算过于理想。采用第二种类型，综合考虑电池的电压、电流和SOC限制，以更好地满足车辆需求。因此，准确的SOC估计是准确估算电池峰值功率能力的前提。
关于电池组SOC估计已有许多研究。通过利用电池组中电池的相似状态，Plett[23]。提出了“条形-三角滤波”算法，该算法使用基于“条形滤波器”的西格玛点卡尔曼滤波器（SPKF）先估算电池组平均值，然后使用N个单独的“delta滤波器”来估算电池组平均值之间的差异。受参考文献[23]启发，Dai等人[28]引入了一种简明的双时间尺度卡尔曼滤波方法，实现了细胞特异状态估计。该方法利用电流和“平均单元”电压建立基于二阶RC模型的CMM作为等效电路模型，随后基于平均SOC推导单元SOC差值。更重要的是，双时间尺度实现旨在降低计算成本。然而，电池端电压差是由SOC差和内阻差计算得出的。需要考虑模型参数的影响以及电池组中的电阻不一致性。因此，Zheng 等人[29]采用了均值差模型，即用于电池组平均状态估计的三方尺度测量模型，并采用了考虑 SOC 差异和内部电阻差异的差分模型，在每一步中识别了电池单元的差异。由于差分模型的参数识别主要基于内阻差和开路电压（OCV）差，单元不一致性表现出渐进性特征。在一定时间窗口内，细胞的OCV变化不大，相应的差值模型具有缓慢的时间变化特征[30]。因此，对于电池组在使用期间具有良好稳定性的电池组，无需考虑其不稳定性，可以视为大容量电池，即CMM。但与新电池相比，重复使用的电池的一致性较差，这反映在电池容量、内部电阻和库仑效率的不稳定上。老化不稳定影响电池组的功率、耐用性和安全性，并对电池组的状态评估带来了巨大挑战[31]。Kim 等人[32]和 Xiong 等人[33]研究了基于筛查过程的电池组建模。通过筛选过程，筛选出具有相似特征的细胞，从而在一定程度上保证了细胞的一致性。然而，外部特性、电池容量和内部电阻的筛选主要针对新电池，无法保证老化电池的一致性。Jiang 等人 [34]。提出了一种基于增量容量分析（ICA）的二次使用细胞老化机制的新筛选方法，结果显示筛选后二次使用细胞具有良好的一致性。
虽然锂离子电池组已退役，但部分电池组容量仍超过初始80%，由这些电池组成的电池组可重复使用，从而减轻电池回收阶段的负担，提高经济效率。与新电池组相比，重复使用的电池的一致性较差，老化不稳定影响电池组的功率、耐用性和安全性，电池间的不一致性对电池组的状态评估构成巨大挑战。在电池再利用场景中，本文旨在解决电池组估计不准确的问题，原因是电池电池不稳定。因此，本文设计了一种改进的筛选方法，用于评估用于串联电池组连接的电池单元的一致性，并开发了一种建模和估计串联电池组SOC及峰值功率能力的方法。基于电池的筛选过程，首次筛选分析了电池参数的外部特性，包括放电能力和直流电（DC）内部电阻。在第二次筛查中，采用增量容量（IC）方法分析细胞参数的内部特征——衰老差异。经过两次筛选后，选出一致性良好的电池作为串联电池组。电池组的集总参数模型基于二阶RC模型建立，该模型简化为电池组的三位角测量模型，用于联合的SOC和峰值功率能力估计，参数通过遗传算法（GA）离线确定。通过结合Sage-Husa自适应算法和扩展卡尔曼滤波器（SH-AEKF），估算电池组的平均SOC，然后在多重限制下估算重复使用电池组的峰值功率能力。最后，联合估计器在动态应力测试（DST）和城外驾驶周期（EUDC）工作条件下进行验证。