锂离子动力电池建模方法综述

图1 动力单体电池构造组成

表1 锂离子动力电池性能比较

在实际工况下的汽车运行环境很繁芜，一个安全高效的电池管理系统能够使动力电池的性能与寿命都发挥到最佳状态。
图2示出了锂离子电池管理系统的常规功能[11]。

图2 锂离子电池管理系统的基本功能

根据车辆运行哀求，电池管理系统（BMS）的紧张功能有：

1）状态参数监测。
包括电流、电压、温度与烟雾以及碰撞监测。

2）状态估计。
通过监测的电流、电压与温度等参数监测，以实现电池的荷电状态（State of charge，SOC），电池康健管理（State of health，SOH），电池功率边界（State of power，SOP），电池寿命状态（State of life，SOL）以及故障安全状态（State of safty，SOS）等。

3）充放电掌握。
通过监测的状态估计值，对相应的充电电流、电压进行管理，避免过充、过放、过热等问题。

4）均衡掌握。
根据状态估计值，紧张采取主动、被动均衡等办法以减小单体电池或电池组的不一致性。

5）热管理。

6）数据的存储。
存储电池的关键性数据，来进行后续的数据剖析和算法的开拓。

由于电池组的电压、电流与温度可以通过外部的工具丈量出，而电池组内部状态很繁芜，相应的参数（如SOC、SOH、温度）难以直接丈量，因此电池组的电池管理系统通过物理模型来实现电池内部状态的估计。
常日，不准确的荷电状态估计每每会导致SOC的估计有颠簸，从而使得电池的循环寿命、能量利用率以电池充放电均衡掌握的同等性降落。

电池的SOC常用于表征电池剩下的可用容量，即在固定的电流下放电时，电池当前剩余的可放电量与总可放电量的比值，以百分数表示[12]。
其范围为0～1，当SOC=0时，表示放电状态达到100%，当SOC=1时，表示电池处于充满状态。

常日状态下，锂电池内部状态具有微不雅观性，难以直接丈量，因此首先要对电池建模，然后基于模型来选取和设计电池的状态估计算法。
模型精度将直接影响内部状态估计的精度与稳定性。
电池管理系统（BMS）拥有许多功能，其最为核心的功能有热管理、估计和均衡掌握、充电掌握等。
个中，充电掌握直接影响电动车的充电韶光、安全性。
这些功能模块是天下各地研究者的研究热点[12]。

锂电池在事情时，其内部的化学反应很繁芜，难以通过外部的参数来描述，常通过建立锂电池模型来反响参数与电池内部状态间的对应关系。
如图3所示，锂电池模型紧张包括电学特性模型、热模型、电-热耦合模型以及老化模型。

图3 锂离子电池模型类型

锂离子电池的电学特性模型紧张分为等效电路模型、黑箱模型和电化学模型3类。
电学特性模型是通过“浓溶液理论”、偏微分方程等来描述电池单体内部的物理化学反应过程的模型，能够通过特定的平台来仿照锂离子电池在不同状况下的电压相应特性及老化程度，如图4所示[13]。

图4 电学特性模型分类

等效电路模型属于半履历仿真模型。
能够通过电路理论的系统辨识来得到电池的参数特性和仿照电池的非线性特性。
常日因此电容、电阻以及恒压源等电子器件的串并联来描述电池的动态特性[14]。

在理论和工程研究中，常见的等效电路模型为线性模型、Thevenin模型、PNGN模型、GNL模型、履历公式模型、4阶动态模型及RC模型。
这类模型属于集中参数模型，所含的参数少，状态空间方程较易推出，构造大略、实用性较好。
不敷是缺少物理意义，存在着安全性问题。

个中PNGN模型、GNL模型、Therenin模型紧张采取空想电压源来描述电池开路电压等参数，RC模型则是通过2个电容描述电池的储能以及电池表面的极化反应征象，通过3个电阻描述端电阻、终止电阻和容性电阻[15]。

黑箱模型具有泛化特性，对数据的依赖性较大，模型的精度还受到输入参数和数量的影响。
并且能够对电池的全范围内的SOC进行建模剖析。
但黑箱模型避免了内部繁芜机理的理论建模，缺少对模型进行合理的机理解释，因此结果精度以及普适性较差。

电化学模型是从电池机理方面研究电池特性的方法[15]。
紧张是根据电池内部分子间的相互浸染来描述电池的离子浓度分布、能量衰减等过程，该类模型涉及的算法比较繁芜，仿真韶光较长，对电池组的设计具有一定的参考意义，常用在充放电状态估计和电池的老化预测中，并不适用于电池建模。

常日，锂电池在20～50℃区间内，各项事情性能才会得到最大的知足；在温度达到40℃往后，每当温度上升10℃时，其循环寿命就会降落至原来的1/2，当温度持续增加时，便会涌现“热失落控”征象。
选取恰当的热模型对付管理电池的散热十分主要[16]。

在充电循环工程中，电池的热量紧张分为“可逆热”和“不可逆热”[17]。
电池寿命、性能以及安全性受温度的影响较大。
因此，选取得当的热模型对付电池的安全、性能等方面极为主要。
就目前来看，常将电池的热模型分为单状态集中参数热模型、基于偏微分方程的分布参数热模型以及双状态集中的参数热模型。

锂电池的电学效应与热特性常常通过发热量形成强耦合的，电池温度影响着电学特性模型的参数(如内阻、电压等)，而这些参数同时也影响电池的发热量，2阶等效电热模型如图5所示[18]，电热耦合关系如图6所示，个中电和热2个域是通过电池发热量耦合起来的。

图5 2阶等效电路模型构造

图6 电热耦合关系

电-热耦合模型从宏不雅观角度考虑电流、输出电压、电池生热3者之间的关系来将等效电路模型与热模型耦合起来的。
此类模型繁芜程度相对较低，在工程实践方面有较多的运用。
常日，锂离子电池电热耦合模型紧张分为基于偏微分方程的电热耦合模型、集中参数的电热耦合模型及稠浊型电热耦合模型3类。

锂电池的运用发展一贯受电池的老化速率与循环寿命等成分的影响。
因此，如何建立和选取电池模型以预测电池的老化情形，对付合理利用电池有着重要的意义[19]。

锂电池老化模型紧张由“机理、履历”模型组成。
一样平常而言,锂离子电池的老化机理种类繁多，因此也有不少学者将老化机理分类成几种老化模式，通过剖析电池老化模式的变革来研究其与老化机理之间的关系。
如将锂离子电池所有老化机理分为活性锂离子的丢失、活性材料丢失及电导率丢失3种模式。
在实际的利用情形中，受到各种成分的影响，电池会逐渐地老化，即发生容量和功率不断衰退的征象[19]。
电池的老化征象对电池的利用性能和安全性有直接的影响，相应地对电动汽车的事情性能也有较大的影响，譬如，减少了车辆的续航能力和加速能力等。

文章首先先容了动力电池的种类、性能及构造，然后，通过先容动力电池的电池管理系统，采集精度高、拓展性好，突出了模型的主要性；末了，通过先容4个模型，梳理了一些文献中的建模方法，表明这些模型能够有效地用于电池管理系统。
文章通过梳理概括已有的模型，以勾引首立异的模型的思路，随着人工智能算法的发展，期望文章能够对新的数据驱动和领悟模型方法的发展有所帮助。