基于扩展单粒子模型的锂离子电池参数识别策略∗

庞辉

(西安理工大学机械与精密仪器工程学院,西安 710048)

(2017年10月6日收到;2017年12月8日收到修改稿)

1 引 言

锂离子电池由于具有轻量化、低放电率和高能量密度等优点,已逐渐成为新能源汽车领域的核心储能部件,这也对锂电池组管理系统提出了更高的要求.作为构成锂离子动力电池组的重要单元,锂离子电池的精确建模和参数识别对于电池荷电状态和寿命的准确预测,以及提高锂离子动力电池组的实时监控和管理水平具有重要意义[1−3].

目前,国内外研究人员构建了涵盖锂离子电池能量传递、质量传递以及电荷传递的不同类型的多维多物理场模型[4−12],且采用不同的优化算法、基于不同的电化学模型开展参数识别研究工作.Feng等[13]将滑动平均噪声添加到锂电池一阶电阻-电容(resistor-capacity,RC)等效电路模型(equivalent-circuit model,ECM)中,提出基于递推增广最小二乘技术的参数识别算法.Zhang等[14]构建ECM阻抗/电容与电化学参数之间的关系,提出了考虑锂电池电化学动力特性的参数识别方法.Chaoui等[15]采用数值模拟和实验分析的方法提出基于ECM的锂离子电池自适应参数估计方法,以期实现对电池荷电状态(state-of-charge,SOC)和健康状态(state-of-health,SOH)的准确估计.然而,ECM利用电阻、电容等元器件模拟电池电压响应,对于前期的电池实验有很强的依赖性,且模型参数也不能对应电池内部实际物理量,因而基于ECM的参数识别具有一定局限性,所获得参数难以全面描述电池内部的电化学行为.

为解决这一问题,研究人员提出了基于物理电化学模型的参数识别方法,并逐渐成为近年研究热点.Shriram等[16]基于传统单粒子模型(single particle model,SPM)和Levenberg-Marquardt数值方法对锂离子电池浓度扩散和电化学反应动力学参数进行识别,获得95%置信区间的参数估计值,并与实验数据进行对比,但是该SPM并未考虑液相动力学的影响.Forman等[17,18]提出一种基于遗传优化算法(genetic algorithm,GA)的锂离子电池DFN(Doyle–Fuller–Newman)模型全套参数识别方法,使用Fisher信息矩阵判断参数的可识别性进而提高参数估计精度,但是对待识别参数的灵敏度分析过程较为复杂,而且没有考虑浓度对参数的影响.Zhang等[19,20]提出基于多物理准二维(pseudo-two-dimensions,P2D)模型和多目标遗传算法的锂离子电池参数识别策略,详细介绍了参数识别模型构建和识别过程,但其优化求解过程复杂,对计算资源要求较高.Li等[21]基于P2D模型和GA提出一种高效的参数识别方法,采用分治策略,将待识别参数分为物理参数和动力学参数分别予以识别,但是没有考虑温度变化和液相浓度扩散对电池参数的影响.Rahman等[22]和Shen等[23]使用粒子群优化算法识别不同工况下锂离子电池电化学模型的参数,与GA相比,粒子群优化算法在优化中不需要涉及变异和交叉操作,但初始学习参数的选择非常依赖经验,若选择不当的话,很容易产生局部最优解.

综上,基于传统SPM识别参数时,由于忽略了液相动力学的影响,因而该模型不适用于高倍率、低温下的放电行为模拟;而基于多物理场和多尺度的电化学模型开展的参数识别方法计算较为复杂,且对计算资源要求过高.

为此,本文基于多孔电极理论和浓度理论研究了锂离子电池电化学行为的建模方法,在此基础上提出一种考虑液相动力学行为的锂电池扩展单粒子模型.该模型考虑了负极表面固体电解质界面(solid-electrolyte-interface,SEI)膜参数的影响,耦合了温度和液相浓度变化对锂离子电池关键参数的影响;并基于该模型提出了一种简化的参数灵敏度分析方法,利用GA实现了待识别参数的优化求解.最后,以索尼NMC18650锂电池为对象,对本文所提出的参数识别方法进行验证和讨论.

2 基于扩展单粒子模型的锂离子电池建模

假定锂离子电池是一种恒流等温电化学模型[11,21],由于正负电极均为多孔活性材料,可用一个球形单粒子来模拟正负电极的电化学行为.考虑液相动力学的影响,扩展单粒子模型的简化结构如图1所示,该电池包括正负极集流体、正负极涂层以及隔膜等.

考虑正负极集流体产生的欧姆电势差,若输入工作电流密度为I(t),则电池终端电压计算公式为

图1 锂离子电池扩展单粒子模型示意图Fig.1.Schematic of lithium-ion battery extended SPM.

2.1 浓度扩散方程

根据Fick第二定理[26],锂离子固相浓度扩散方程为

其边界控制条件为

假定正负极反应电流密度在任一时刻为常量,并且具有如下表达式[11,27]:

锂离子液相浓度ce(x,t)在x轴上随着锂离子的流量密度的梯度而变化,其动力学方程为

液相浓度扩散方程的边界控制条件和浓度扩散连续条件为

2.2 电荷守恒方程

用一个单粒子代表电极,则固相浓度扩散和锂离子嵌入和嵌出均发生在球形粒子内部,在x轴上只需要考虑电解液内锂离子传输引起的电势变化.根据修正的欧姆定律,液相电荷守恒方程为

沿x轴对(9)式积分可得

式中ϕe为液相电势;为正负极液相交换电流密度;有效离子电导率由于本文考虑电池温度和初始液相浓度对电解液离子电导率ke(T)的影响,其计算公式为[28]

此外,用R表示气体常数,fc/a表示液相平均摩尔活度系数,则有效扩散离子电导率计算公式为[28]

式中ce,0为电解液初始浓度.将锂电池电芯平均温度作为电化学反应的温度T,假设锂离子电池为等温电化学模型,因而在特定温度下与温度相关的电化学参数均为常量.若锂电池为非等温电化学模型,依赖温度变化的电化学参数需要根据电池温度变化进行更新,则需要引入热能平衡方程,具体参见文献[29—31].另外,依赖温度变化的电化学参数还包括正负极固相扩散系数以及正负极电化学反应速率可以采用Arrhenius定律来标定温度对这4个参数的影响[20]:

式中ψ表示热耦合参数表示热耦合参数的活化能,ψref表示参考温度为298.5 K时ψ的取值(表1).

2.3 电化学反应Bulter-Volmer方程

为了获得电池端电压计算表达式,沿x轴对(10)式积分可得

具有三元镍钴锰酸锂(LiyNiMnCo,NMC)电化学反应的锂电池正负极开路电压计算公式为[32,33]

图2 扩展单粒子模型终端电压计算框图Fig.2.Block diagram of the extended SPM for calculating battery terminal voltage.

根据Bulter-Volmer方程以及(4)式的假设,可知η±(x,t)的计算公式为[34−36]

取正负极电荷传输系数αa=αc=0.5,则交换电流密度i±0定义为

基于扩展单粒子模型的锂离子电池终端电压计算框图如图2所示.

3 基于GA的参数识别策略

3.1 待识别参数确定

为准确识别该锂离子电池的关键参数,参照文献[37]中的灵敏度分析方法,需要确定恒流放电工况下电池的高灵敏度可识别参数.首先,将锂电池参数分为几何参数电极材料相关参数和电解液相关参数其他参数根据相关参考文献确定为标定值,如表1所示.

表1 索尼NMC18650锂电池已知参数表[7,8,20,30]Table 1.The known parameters of Sony NMC18650 Li-ion battery[7,8,20,30].

其次,由于电池终端电压计算公式是一个高度非线性函数,且(24)式在推导中已做了相应的假设和简化,直接求解电压对每一个参数的偏微分组成雅可比矩阵十分困难.因此,为了分析不同参数的灵敏度,利用本文的扩展单粒子模型,对选定的参数集中不同参数设定±10%的扰动值,则锂电池从额定电压4.2 V放电至截止电压2.5 V的时间会发生变化,相应的电池容量Q预测为

式中tf为电池放电达到最小电压时所需要的时间.此时,电池容量灵敏度S(Q)计算公式为[37]

设定某种工况下的参数值,计算参数扰动(ΔP)后电池容量变化ΔQ,进而可分析获得某一参数集中的参数灵敏度分布.表2列出了锂电池放电过程的电池容量相对于几何参数灵敏度的计算结果.

表2 锂离子电池几何参数灵敏度计算结果Table 2.The sensitivity of lithium-ion battery geometric parameters.

分析表2可知,电池容量对隔膜厚度Ls灵敏度较低,在利用1 C倍率恒电流放电实验数据识别参数时,可将其忽略.实际计算中,可根据相关文献将Ls取为参考值,若需要准确识别该参数,需要设计不同的实验工况来进行识别.采用同样的方式,可计算电极材料和电解液相关参数的灵敏度,限于篇幅,本文只给出锂电池几何参数灵敏度的计算结果.通过分析可知,固相扩散系数电解液传输系数电解液体积分数以及液相初始浓度ce,0都属于低灵敏度参数,在本次识别中可以忽略,并根据相关文献取为参考值,同时,由于本文考虑负极SEI膜阻抗参数对输出电压的影响,则Rf为必须识别的参数.至此,待识别的参数集如表3所示.

3.2 基于GA的参数识别模型及结果

开展的锂电池电化学关键参数识别是在特定实验工况基础上进行的.图3为锂电池放电测试实验配置示意图,主要由宿主计算机、Arbin BT-2000循环测试机柜、测试用电池以及MITS Pro数据采集软件构成.以索尼NMC18650锂电池为研究对象,分别完成了1 C倍率、23°C下的恒流放电实验,0.05 C倍率、23和45°C下的恒流放电实验,以及HPPC(hybrid pulse power characterization)脉冲输入电流、23和45°C下的变电流放电实验,并采集了相应的电流和电压数据.需要说明的是,电池电压和电流的采样时间为1 s,应用MATLAB软件处理采集的实验数据.

图3 锂电池放电测试实验配置示意图Fig.3.Test configuration of lithium-ion battery discharge capacity.

为了识别参数集θ,构建如下目标函数:

式中Vt为1 C倍率输入电流的实验数据,Vs为采用同样输入电流并在参数集θ的某一取值情况下,根据(22)式计算所得的电池终端输出电压仿真数据,L2表示所有电流采样点的电池实验数据和仿真数据的平方差之和.需要说明的是,为了对比分析本文模型和传统单粒子模型在参数识别和锂电池电化学动力学行为仿真方面的不同,应用两种模型和本文提出的参数识别策略识别出两组参数,其中VSEI和VS分别表示利用本文扩展单粒子模型和传统单粒子模型计算的电池终端输出电压.

由于遗传算法在大规模优化计算中的优势[18,20],基于遗传算法实现待识别参数集的优化求解,优化计算流程如图4所示.表3为1 C倍率恒流放电工况下两种模型所识别的参数,其中SPMe_SEI和SPMe分别为利用本文模型和传统单粒子模型所识别的参数集.根据表3参数识别结果以及表1中的参数值,图5给出了利用两种模型计算所得电池输出电压与实验数据的对比曲线,以及归一化的电池误差曲线,其中电池输出电压的归一化误差计算式为

表3 锂离子待识别参数结果Table 3.The effective ranges and final identification results for lithium-ion battery.

图4 基于遗传算法的电池参数识别流程图Fig.4.Flowchart of lithium-ion battery parameter identification based on genetic algorithm.

图5 在1 C放电倍率下的电压识别结果 (a)输入电流;(b)终端电压;(c)电压误差Fig.5.Voltage comparison of lithium-ion battery under 1 C-rate discharge:(a)Input current;(b)terminal voltage;(c)voltage error.

观察图5可知,应用本文模型和传统单粒子模型计算的电池仿真输出电压与实验数据基本一致,且两者的归一化电压误差变化范围分别为[−3.78%,2.08%]和[−2.85%,3.22%],这表明利用本文所提出的模型进行锂电池参数识别有效可行且具有较高精度.

4 参数识别结果的验证

为了验证本文所用的锂电池电化学模型的有效性和识别参数的准确性,通过电池放电实验获得不同工况下的实验数据,分别利用0.05 C倍率(低倍率电流)和HPPC脉冲放电电流(典型变电流)的实验数据对所识别的参数进行验证.

4.1 基于0.05 C倍率的恒流放电工况验证

在0.05 C恒流放电实验中,电池的初始SOC为100%,放电过程的环境温度分别设定为23和45°C,放电终止电压为2.5 V.图6和图7分别为23和45°C下应用本文模型和传统单粒子模型计算的输出电压与实验输出电压对比曲线.

图6 0.05 C倍率和23°C下的电池端电压对比曲线(a)输入电流;(b)终端电压;(c)电压误差Fig.6.Voltage comparison of lithium-ion battery under 0.05 C-rate discharge and 23°C:(a)Input current;(b)terminal voltage;(c)voltage error.

观察图6和图7可知,在较低倍率放电工况下,基于扩展单粒子模型的锂电池终端电压能较好地与实验数据保持一致,且在23和45°C不同温度下,仿真模型的输出电压与实验输出电压的最大相对误差分别为3.4%和2.6%;在同样工况下,利用传统单粒子模型计算的电池输出电压与实验输出电压的最大相对误差分别为5.7%和4.0%.

图7 0.05 C倍率和45°C下的电池端电压对比曲线(a)输入电流;(b)终端电压;(c)电压误差Fig.7.Voltage comparison of lithium-ion battery under 0.05 C-rate discharge and 45°C:(a)Input current;(b)terminal voltage;(c)voltage error.

4.2 基于HPPC脉冲变电流放电工况的验证

为进一步验证本文所用模型的有效性并研究所获得的识别参数在变电流工况下的有效性,图8和图9分别给出了HPPC脉冲输入电流下,在23和45°C下利用两种仿真模型计算的输出电压与实验输出电压对比曲线.需要指出的是,该工况放电时电池的初始SOC为100%,放电结束时电池SOC为20%.

从图8和图9可知,应用本文所提出的扩展单粒子模型和传统的单粒子模型以及相应的识别出的参数都能够准确预测HPPC工况下电池终端电压的变化趋势,且在23和45°C温度下,本文模型计算的输出电压与实验输出电压最大相对误差分别为1.9%和1.5%;在同样工况下,利用传统单粒子模型计算的电池输出电压与实验输出电压的最大相对误差分别为2.1%和1.8%.

图8 HPPC脉冲电流和23°C下的电池端电压对比曲线 (a)输入电流;(b)终端电压;(c)电压误差Fig.8.Voltage comparison of lithium-ion battery under HPPC condition and 23°C:(a)Input current;(b)terminal voltage;(c)voltage error.

5 结 论

1)基于多孔电极理论和浓度理论,建立了一种考虑液相动力学行为的锂离子电池扩展单粒子模型,该模型考虑电解液液相动力学行为对锂电池放电行为的影响;同时,考虑了SEI膜参数的影响,耦合了温度和液相浓度变化对锂离子电池关键参数的影响.

2)提出一种简化的参数灵敏度分析方法和有效的锂电池参数识别策略,应用该方法可以确定特定工况下锂电池终端输出电压的高灵敏度参数,并利用遗传算法实现参数的优化求解.

3)根据1 C倍率放电实验数据完成参数识别后发现,本文模型的仿真输出电压与实验数据基本一致,且电压误差峰值不超过3.8%;分别在0.05 C倍率和HPPC脉冲放电电流下对所识别的参数进行验证,结果发现:当锂电池的工作温度分别为23和45°C时,在0.05 C倍率恒流放电下应用本文仿真模型计算的输出电压最大相对误差分别为3.4%和2.6%,同样工况下利用传统单粒子模型计算的输出电压最大相对误差分别为5.7%和4.0%;在HPPC脉冲电流放电条件下本文模型计算的输出电压最大相对误差分别为1.9%和1.5%,同样工况下利用传统单粒子模型计算的输出电压最大相对误差分别为2.1%和1.8%.

4)下一步将引入热能平衡方程,实现放电过程中实时更新受温度变化影响的电化学参数,进而更加准确地预测电池的内部电化学行为.同时,开展基于扩展单粒子模型的锂电池荷电状态估计算法和温度预测的研究.

图9 HPPC脉冲电流和45°C下的电池端电压对比曲线 (a)输入电流;(b)终端电压;(c)电压误差Fig.9.Voltage comparison of lithium-ion battery under HPPC condition and 45°C:(a)Input current;(b)terminal voltage;(c)voltage error.

感谢美国克莱姆森大学国际汽车研究中心Dr.Simona Onori和刘子凡博士提供的帮助和支持.

[1]Huang L，Li J Y 2015Acta Phys.Sin.64 108202(in Chinese)[黄亮,李建元 2015物理学报64 108202]

[2]Cheng Y,Li J,Jia M,Tang Y W,Du S L,Ai L H,Yin B H,Ai L 2015Acta Phys.Sin.64 210202(in Chinese)[程昀,李劼,贾明,汤依伟,杜双龙,艾立华,殷宝华,艾亮2015物理学报64 210202]

[3]Boovaragavan V,Harinipriya S,Subramanian V 2008J.Power Sources183 361

[4]Fleischer C,Waag W,Bai Z,Sauer D 2013J.Power Sources243 728

[5]Domenico D,Stefanopoulou A,Fiengo G 2009J.Dyn.Sys.Meas.Control132 768

[6]Guo M,Sikha G,White R 2011J.Electrochem.Soc.158 A122

[7]Han X,Ouyang M,Lu L,Li J 2015J.Power Sources278 814

[8]Guo M,Jin X,White R 2017J.Electrochem.Soc.164 E3001

[9]Xiang Y,Ma X J,Liu C G,Ke R S,Zhao Z X 2014Acta Armamentarii35 1659(in Chinese)[项宇,马晓军,刘春光,可荣硕,赵梓旭2014兵工学报35 1659]

[10]Xu X,Wang W,Chen L 2017Automotive Engineering39 813(in Chinese)[徐兴,王位,陈龙 2017汽车工程 39 813]

[11]Marcicki J,Canova M,Conlisk A,Rizzoni G 2013J.Power Sources237 310

[12]Dai H,Xu T,Zhu L,Wei X,Sun Z 2016Appl.Energy184 119

[13]Feng T,Lin Y,Zhao X,Zhang H,Qiang J 2015J.Power Sources281 194

[14]Zhang X,Lu J,Yuan S,Yang J,Zhou X 2017J.Power Sources345 21

[15]Chaoui H,Mejdoubi A,Gualos H 2017IEEE Trans.Veh.Technol.66 2000

[16]Santhanagopalan S,Guo Q,White R 2007J.Electrochem.Soc.154 A198

[17]Forman J,Moura S,Stein J,Fathy H 2011American Control Conference(ACC 2011)San Francisco,California,USA,June 29–July 1,2011 p362

[18]Forman J,Moura S,Stein J,Fathy H 2012J.Power Sources210 263

[19]Zhang L,Yu C,Hinds G,Wang L,Luo W,Zheng J,Hua M 2014J.Electrochem.Soc.161 A762

[20]Zhang L,Wang L,Hinds G,Yu C,Zheng J,Li J 2014J.Power Sources270 367

[21]Li J,Zou L,Tian F,Yang H,Dong X,Zou Z 2016J.Electrochem.Soc.163 A1646

[22]Rahman M,Anwar S,Izadian A 2016J.Power Sources307 86

[23]Shen W,Li H 2017Energies10 432

[24]Doyle M,Newman J 1995Electrochim.Acta40 2191

[25]Pang H 2017Acta Phys.Sin.66 238801(in Chinese)[庞辉2017物理学报66 238801]

[26]Diwakar V 2009Towards efficient models for lithium ion batteries Ph.D.Dissertation(St.Louis:Washington University)

[27]Moura S,Argomedo F,Klein R,Mirtabatabaei A,Krstic M 2017IEEE Trans.Contr.Syst.Technol.2 453

[28]Valoen L,Reimers J 2005J.Electrochem.Soc.152 A882

[29]Jiang Y H,Ai L,Jia M,Cheng Y,Du S L,Li S G 2017Acta Phys.Sin.66 118202(in Chinese)[蒋跃辉,艾亮,贾明,程昀,杜双龙,李书国2017物理学报66 118202]

[30]Tanim T,Rahn C,Wang C 2015J.Dyn.Sys.Meas.Control137 011005

[31]Tanim T,Rahn C,Wang C 2015Energy80 731

[32]Smith K,Wang C 2006J.Power Sources161 628

[33]Di D,Stefanopoulou A,Fiengo G 2009J.Dyn.Sys.Meas.Control132 768

[34]Fan G,Pan K,Canova M,Marcicki J,Yang X 2016J.Electrochem.Soc.163 A666

[35]Bartlett A,Marcicki J,Onori S,Rizzoni G,Yang X,Miller T 2016IEEE Trans.Contr.Syst.Technol.24 384

[36]Marcicki J,Canova M,Conlisk A,Rizzoni G 2013J.Power Sources237 310

[37]Marcicki J,Todeschini F,Onori S,Canova M 2012American Control Conference(ACC 2012)Montreal,Canada,June 27–29,2012 p572