基于模型的锂离子电池电化学估计6.docxVIP

基于模型的锂离子电池电化学估计 肯德纳 A. 史密斯，克里斯托弗 D.拉恩和王朝阳 摘要:设计一个基于降阶电化学模型的线性卡尔曼滤波器，旨在测评电池内部潜力、浓度梯度、电荷状态SOC(通过测量外部充电电流和电压所得)。其测评结果与一个6Ah混合动力电动汽车电池的一维非线性有限体积模型的试验结果对比。线性滤波器可以以2％之内的误差在30％-70％SOC范围内工作，除了在严重的电流脉冲使电极表面浓度接近饱和枯竭的情况下。然而,由于浓度梯度的缓和，估计精度得到恢复。在4到7种状态下，该过滤器比不上经验的等效电路模型，但能提供电池内部电化学状态的测评。 介 绍 基于模型的电池监控算法可实现对混合动力汽车(HEV)电池组高效，可靠的整合。例子包括Verbrugge与Koch [1]的广义递归最小二乘算法和Plett [2]的扩展卡尔曼滤波算法。这两种算法都是使用一个假定的经验电池模型去预测电荷状态（SOC），也能预测在某一固定、预先确定的电压限制下的最大可用脉冲功率。在脉冲功率应用中，固定电流/电压限制将过于保守，尤其是对于会引起较大欧姆电压扰动[3]的短时间、高倍率电流脉冲。人们希望能够在HEV的动力环境中预测电池的电化学状态（如:内部的化学浓度和潜能）更准确地测评电池可利用的功率或能量以避免损坏电池。 在锂离子（Li- ion）电池的研究中，Doyle, Fuller和 Newman