电动汽车动力电池健康状态在线估算方法

doi:10.12068/j.issn.1005-3026.2020.04.007

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (4): 492-498.DOI: 10.12068/j.issn.1005-3026.2020.04.007

电动汽车动力电池健康状态在线估算方法

刘芳^1,2,3，刘欣怡¹，苏卫星¹，林辉⁴

(1. 天津工业大学计算机科学与技术学院，天津300387； 2. 北京矿冶科技集团有限公司采矿冶金过程自动化国家重点实验室/北京矿冶过程自动化重点实验室，北京100160； 3. 天津清源电动车辆有限责任公司，天津300462； 4. 东软睿驰汽车技术(沈阳)有限公司，辽宁沈阳110179)

收稿日期:2019-08-21 修回日期:2019-08-21 出版日期:2020-04-15 发布日期:2020-04-17
通讯作者: 刘芳
作者简介:刘芳(1983-)，女，辽宁沈阳人，天津工业大学副教授，博士; 苏卫星(1980-)，男，辽宁盘锦人，天津工业大学教授.
基金资助:
国家重点研发计划项目(2017YFB1103003)；国家自然科学基金青年基金资助项目(51607122)；采矿冶金过程自动化国家重点实验室/北京矿冶过程自动化重点实验室研究基金资助项目(BGRIMM-KZSKL-2018-02)；天津市自然科学基金资助项目(18JCQNJC77200)；天津市教委科研计划项目(2017KJ094).

Online Estimation Method for State of Health of Electric Vehicle Power Battery

LIU Fang^1,2,3， LIU Xin-yi¹， SU Wei-xing^1,2， LIN Hui⁴

1. School of Computer Science and Technology， Tiangong University， Tianjin 300387， China; 2. State Key Laboratory of Process Automation in Mining & Meallurgy/Beijing Key Laboratory of Process Automation in Mining & Metallurgy， BGRIMM Technology Group，Beijing 100160， China; 3. Tianjin Qingyuan Electric Vehicle Limited Liability Company， Tianjin 300462， China; 4. Neusoft Reach Automative Technology Co. Ltd.， Shenyang 110179， China.

Received:2019-08-21 Revised:2019-08-21 Online:2020-04-15 Published:2020-04-17
Contact: SU Wei-xing
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对电动汽车动力电池SOH(state of health)的估算问题，提出一种可以在线运行的有效估算方法.其优势在于仅依托电池管理系统实时测量电压、电流等数据，无需离线电池寿命衰退曲线及电池的初始状态，因此更符合电动汽车对于SOH估算问题的实际需求.在电池恒流充电模式下，以Thevenin及OCV-SOC模型为基础，构建以时间和SOH为隐变量的电池模型.基于此电池模型，提出利用NLS(nonlinear least square)初始化GA搜索范围的快速求解算法进行在线参数辨识，得到电动汽车实时的SOH估计值.验证结果表明SOH估计算法具有较好的实用性及较高的估算精度.

关键词: 电动汽车, SOH在线估计, 电池模型, 遗传算法, 非线性最小二乘法

Abstract: An effective estimation method for online operation of electric vehicle power battery SOH was proposed. The advantage is that it only relies on the voltage and current data measured by the battery management system in real time， without the need of offline battery life decay curve and the initial state of the battery. Therefore， it is more in line with the actual needs of electric vehicles for SOH estimation. Based on the Thevenin and OCV-SOC models， a battery model with time and SOH as hidden variables was constructed in the battery constant-current charging mode. Based on this battery model， a fast solving algorithm based on NLS(nonlinear least square) initialization GA search range was proposed for online parameter identification， and the real-time SOH estimation value of electric vehicle was obtained. The verification results showed that the SOH estimation algorithm has good practicability and high estimation accuracy.

Key words: electric vehicle, SOH online estimation, battery model, genetic algorithm, nonlinear least squares

中图分类号:

TK02

刘芳，刘欣怡，苏卫星，林辉. 电动汽车动力电池健康状态在线估算方法[J]. 东北大学学报:自然科学版, 2020, 41(4): 492-498.

LIU Fang， LIU Xin-yi， SU Wei-xing， LIN Hui. Online Estimation Method for State of Health of Electric Vehicle Power Battery[J]. Journal of Northeastern University Natural Science, 2020, 41(4): 492-498.

参考文献

[1]Cano Z P，Banham D，Ye S，et al.Batteries and fuel cells for emerging electric vehicle markets［J］.Nature Energy，2018，3(4):279-289.
[2]Yang J F，Xia B，Huang W X，et al.Online state-of-health estimation for lithium-ion batteries using constant-voltage charging current analysis［J］.Applied Energy，2018，212:1589-1600.
[3]Shen P，Ouyang M，Lu L，et al.The co-estimation of state of charge，state of health and state of function for lithium-ion batteries in electric vehicles［J］.IEEE Transactions on Vehicular Technology，2017，67(1):92-103.
[4]Ungurean L，Gabriel C，Micea M V，et al.Battery state of health estimation:a structured review of models，methods and commercial devices［J］.International Journal of Energy Research，2016，41(2):151-181.
[5]Eddahech A，Briat O，Bertrand N，et al.Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks［J］.International Journal of Electrical Power & Energy Systems，2012，42(1):487-494.
[6]Hannan M A，Lipu M S H，Hussain A，et al.Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm［J］.IEEE Access，2018，6:10069-10079.
[7]Chen Z，Sun M，Shu X，et al.Online state of health estimation for lithium-ion batteries based on support vector machine［J］.Applied Sciences，2018，8(6):925-930.
[8]Hossain L M S，Hannan M A，Aini H，et al.A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles:challenges and recommendations［J］.Journal of Cleaner Production，2018，205:115-133.
[9]Zheng L，Zhu J，Lu D D C，et al.Incremental capacity analysis and differential voltage analysis based state of charge and capacity estimation for lithium-ion batteries［J］.Energy，2018，150:759-769.
[10]Feng X，Li J J，Ouyang M，et al.Using probability density function to evaluate the state of health of lithium-ion batteries［J］.Journal of Power Sources，2013，232(18):209-218.
[11]Wassiliadis N，Adermann J，Frericks A，et al.Revisiting the dual extended Kalman filter for battery state-of-charge and state-of-health estimation:a use-case life cycle analysis［J］.Journal of Energy Storage，2018，19:73-87.
[12]Liu S L，Cui N X，Zhang C H，et al.State of health estimation of lithium-ion battery based on AUKF［J］.Power Electron，2017，11:122-124.
[13]Xiong R，Zhang Y，He H，et al.A double-scale，particle-filtering，energy state prediction algorithm for lithium-ion batteries［J］.IEEE Transactions on Industrial Electronics，2017，65(2):1526-1538.
[14]Guo Z，Qiu X，Hou G，et al.State of health estimation for lithium ion batteries based on charging curves［J］.Journal of Power Sources，2014，249:457-462.
[15]Liu F，Ma J，Su W X.Unscented particle filter for SOC estimation algorithm based on a dynamic parameter identification［J］.Mathematical Problems in Engineering，2019，1:1-14.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)(上接第491页)图3两个算法在Bupa liver数据集的分类正确率Fig.3Classification accuracy rates of two algorithms on the Bupa liver dataset4结语1) 针对蝙蝠算法具有易陷入局部最优，收敛速度慢和求解精度不高等不足，本文提出了一种全局混沌蝙蝠优化算法(GCBA).2) GCBA算法使用混沌映射初始化种群，增强了初始化种群的丰富性.GCBA算法引入P^l和P_g优化位置更新公式，提升了算法的全局搜索能力.3) GCBA，BBA，PSO和GA的实验结果表明，GCBA算法不仅能够得到很好的分类精度，还具有良好的稳定性和全局搜索能力.验证了GCBA算法的有效性.

电动汽车动力电池健康状态在线估算方法

Online Estimation Method for State of Health of Electric Vehicle Power Battery

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李杰，贾长旺，成林海，赵旗. 随机路面下轮毂电机偏心对电动汽车平顺性影响[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1113-1119.
[2]	丁山，臧仕义，曹殿明，佘黎煌. 基于动态ID跳变的CAN总线安全调度算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 350-358.
[3]	李琳辉，张鑫亮，连静，周雅夫. 多因素影响下的纯电动汽车电耗算法优化[J]. 东北大学学报（自然科学版）, 2022, 43(2): 228-235.
[4]	刘芳，刘彦鹏，李静东，卜凡涛. 车载动力电池放电过程健康状态在线估计[J]. 东北大学学报（自然科学版）, 2022, 43(11): 1544-1551.
[5]	孙磊，陈彦峰，常爽爽，邓庆绪. 电动汽车弹性充电策略的研究[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1383-1390.
[6]	叶翠丽，王娜，庞硕，闫航. 基于改进遗传算法的秸秆还田机刀片功耗优化[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1290-1298.
[7]	丁山，暴林慧，高梦宁，佘黎煌. 一种基于安全性的CAN-FD信号打包方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 775-781.
[8]	刘军，杨青文，王金涛，刘华伟. 基于改进遗传算法的空间信息网恢复策略[J]. 东北大学学报（自然科学版）, 2021, 42(4): 524-530.
[9]	裴玉龙，杨世军，潘恒彦. 考虑车内拥挤状态的公交弹性发车间隔优化[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1663-1672.
[10]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[11]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[12]	王新刚，徐馷悉，李尚杰，马瑞敏. 不确定结构的区间可靠性优化设计[J]. 东北大学学报:自然科学版, 2020, 41(4): 521-527.
[13]	王生生，张伟，董如意，李文辉. 改进蚱蜢算法在电动汽车充换电站调度中的应用[J]. 东北大学学报:自然科学版, 2020, 41(2): 170-175.
[14]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[15]	刘芳，马杰，苏卫星，何茂伟. 基于模型参数在线辨识技术的SOC估算方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1543-1549.