基于单粒子模型与偏微分方程的锂离子电池建模与故障监测

合集下载

吉林大学工学部大学生创新性实验计划结题鉴定汇总表

吉林大学工学部大学生创新性实验计划结题鉴定汇总表
校级一类
欧阳子腾
何庆喜、杨基张云朝、崔文峰
周宏
材料学院
19
钒系动力锂离子电池负极材料的设计与制备
校级二类
王健
邴一飞、邓昊
陈岗
材料学院
20
合金元素Al对Cu高温抗氧化性能的影响
校级二类
伍明
修昊、王坦赵越、孙旭
朱永福
材料学院
21
EPC铸渗法纤维增强金属基表面改性复合材料的研究
校级二类
李青青
曹永友、徐广志
校级二类
王悦明
吴钟晶、杨肖
黄丽娟
陈东辉
常志勇
生物与农业
30
人参发根简易培养装置的研制
及人参皂苷工厂化生产方式的研究
校级二类
林泽阳
王欣悦、于阔源
董晓刚
赵寿经
生物与农业
31
ERP模拟实验中BOM建立的实验设计
校级二类
阮文锦
何自力、吴玉成
李松
管理学院
32
基础会计学模拟实验设计
校级二类
胡杨
毛柏巍、 张旭阳 张 哲、陈 博
玄哲浩
王永珍
汽车学院
11
可模拟人手操作的车门可靠性智能实验装置
校级一类
王达
于鹏、张盛孙树明
那景新
汽车学院
12
喷气规律与燃烧室形状优化设计改善天然气发动机燃烧与排放
校级二类
葛思非
周道锋、宋维群
刘忠长
汽车学院
13
楞次定律应用于汽车碰撞
校级一类
潘旭
韦继续、杜乐
杨世春
汽车学院
14
基于车辆动力学的模型小车智能导航系统探索性匹配试验
靳立强

一种SRAM单粒子瞬态效应仿真分析方法及系统[发明专利]

一种SRAM单粒子瞬态效应仿真分析方法及系统[发明专利]

专利名称:一种SRAM单粒子瞬态效应仿真分析方法及系统专利类型:发明专利
发明人:刘毅,翁笑冬,范凌怡,杨银堂
申请号:CN201911283331.X
申请日:20191213
公开号:CN110991072A
公开日:
20200410
专利内容由知识产权出版社提供
摘要:本发明提供一种SRAM单粒子瞬态效应仿真分析方法及系统,能够支持SRAM混合仿真,将器件级的仿真信息加入电路级的仿真中,进行单粒子效应仿真分析。

该方法包括:分析SRAM单元器件结构模型加入单粒子效应物理模型,提取单粒子效应电流源脉冲;建立多LET单粒子效应脉冲电流源等效模型并生成SPICE可以使用的仿真模型;根据用户提供的SRAM电路网表文件提取SRAM中的所有敏感节点,生成SRAM敏感节点列表文件;依据前面生成的SPICE可用的多LET单粒子效应脉冲电流源等效模型,结合SRAM敏感电路节点列表文件,编写脚本随机选取SRAM节点和故障注入时间,生成故障注入文件;分别计算翻转阈值和翻转截面。

申请人:西安电子科技大学
地址:710071 陕西省西安市太白南路2号
国籍:CN
代理机构:西安智邦专利商标代理有限公司
代理人:胡乐
更多信息请下载全文后查看。

锂离子电池模型研究综述

锂离子电池模型研究综述

锂离子电池模型研究综述杨杰;王婷;杜春雨;闵凡奇;吕桃林;张熠霄;晏莉琴;解晶莹;尹鸽平【摘要】简述了锂离子电池等效电路模型和电化学模型的研究进展.由于具有耗时短、技术开发效率高等优点,仿真模型被广泛应用于锂离子电池衰减机制分析、状态诊断及寿命预测.锂离子电池仿真模型主要包括等效电路模型和电化学机理模型.等效电路模型主要应用于锂离子电池荷电状态诊断.电化学机理模型主要应用于锂离子电池衰减机制分析和健康状态诊断,并为寿命预测提供技术支持.等效电路模型的结构过于单一,在锂离子电池寿命后期适用性降低.电化学机理模型结构复杂,计算量大,在线性应用能力较差.总结了现阶段常用的锂离子电池等效电路模型和电化学模型的建模原理及模型结构,阐述了每种模型在电池研究中的具体应用,并分析了其各自的优势及局限性.通过以上分析,并结合最新的建模理论,对建立具有高精度、高适用性锂离子电池仿真模型的研究方向进行了展望.【期刊名称】《储能科学与技术》【年(卷),期】2019(008)001【总页数】7页(P58-64)【关键词】锂离子电池;仿真模型;状态诊断【作者】杨杰;王婷;杜春雨;闵凡奇;吕桃林;张熠霄;晏莉琴;解晶莹;尹鸽平【作者单位】哈尔滨工业大学化工与化学学院,黑龙江哈尔滨150001;上海空间电源研究所,上海200245;上海动力储能电池系统工程技术有限公司,上海200241;上海动力与储能电池系统工程技术研究中心,上海200245;哈尔滨工业大学化工与化学学院,黑龙江哈尔滨150001;哈尔滨工业大学化工与化学学院,黑龙江哈尔滨150001;上海动力储能电池系统工程技术有限公司,上海200241;上海动力与储能电池系统工程技术研究中心,上海200245;上海空间电源研究所,上海200245;同济大学材料科学与工程学院,上海201804;上海空间电源研究所,上海200245;上海动力储能电池系统工程技术有限公司,上海200241;上海动力与储能电池系统工程技术研究中心,上海200245;上海空间电源研究所,上海200245;上海动力储能电池系统工程技术有限公司,上海200241;上海动力与储能电池系统工程技术研究中心,上海200245;哈尔滨工业大学化工与化学学院,黑龙江哈尔滨150001;上海空间电源研究所,上海200245;上海动力与储能电池系统工程技术研究中心,上海200245;哈尔滨工业大学化工与化学学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TM912随着《中国制造2025》的提出,在“五大工程十大领域”中“高端装备创新工程”明确了“节能与新能源汽车”的发展。

基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究

基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究

第28卷㊀第1期2024年1月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control㊀Vol.28No.1Jan.2024㊀㊀㊀㊀㊀㊀基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究孟治金,㊀刘宇阳,㊀陈俐(上海交通大学海洋智能装备与系统教育部实验室,上海200240)摘㊀要:针对集总参数热网络模型未知参数多㊁参数辨识收敛困难的问题,利用永磁同步电机在不同工况下的特性,提出迭代式粒子群优化辨识框架,用实验测量的电机温度场数据,以各节点估计温度与实测温度的均方误差作为目标函数,将并行优化转化为三步串行迭代优化,减少每一步优化变量数,缩小种群规模,避免陷入局部最优㊂应用于某额定功率70kW 电机,得到一般热阻和热容随温度变化的规律,电机损耗㊁绕组涡流系数和气隙热阻随转速变化的规律㊂台架实验表明,在综合驾驶工况下,以槽内绕组㊁端部绕组㊁永磁体㊁定子齿和定子轭的温度估计最大误差和平均误差作为评价指标,与实测结果以及传统的采用固定参数的集总参数模型相比,提出的模型精确度高,工况适应性好㊂关键词:永磁同步电机;集总参数热网络;温度实时估计;温度依赖性;参数辨识;迭代式粒子群优化DOI :10.15938/j.emc.2024.01.001中图分类号:TM341文献标志码:A文章编号:1007-449X(2024)01-0001-11㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2023-04-28基金项目:上海交通大学 深蓝计划 基金(WH410260401/006)作者简介:孟治金(1997 ),男,硕士,研究方向为电机热模型㊁永磁同步电机设计与控制;刘宇阳(1999 ),男,博士研究生,研究方向为永磁同步电机温度估计;陈㊀俐(1973 ),女,博士,教授,博士生导师,研究方向为动力系统优化与控制㊁电驱装置建模与性能分析㊂通信作者:陈㊀俐Iterative particle swarm optimization based parameter identification oflumped-parameter thermal network for permanent magnetsynchronous motorsMENG Zhijin,㊀LIU Yuyang,㊀CHEN Li(Key Laboratory of Marine Intelligent Equipment and System of Ministry of Education,Shanghai Jiao Tong University,Shanghai 200240,China)Abstract :Addressing the problem of non-convergent parameter identification due to many unknown pa-rameters,a frame of iterative particle swarm optimization was proposed to identify the parameters in three iterative ing experimentally measured motor temperature field data,with the mean square error between the estimated and measured temperatures at each node as the objective function,parallel optimi-zation was transformed into a three-step serial iterative optimization.The number of optimization variables were reduced at each step,the population size was shrunk,and falling into local optima was avoided.The frame was applied to a five-node lumped-parameter thermal network (LPTN)model of a motor with rated power at 70kW.The identified parameters demonstrate the change of the ordinary thermal resist-ance and capacities with temperature,the change of the motor losses,the eddy-current coefficient of sta-tor resistance and air gap thermal resistance with the motor speed.The identification performance is eval-uated in terms of the maximum error and average error of temperature at the active-winding,end-winding, permanent magnet,stator tooth and stator yoke.Dynamometer experiments conducted under comprehen-sive operating conditions validate that,compared with experimental measurements and traditional lumped parameter models that adopt fixed parameter values,the proposed model gains higher accuracy and better adaptability to different operating conditions compared with the conventional LPTN model with fixed pa-rameters.Keywords:permanent magnet synchronous motor;lumped-parameter thermal network;online tempera-ture prediction;temperature dependence;parameter identification;iterative particle swarm optimization0㊀引㊀言永磁同步电机功率密度高,转矩㊁转速范围宽,在电动汽车㊁船舶等领域得到广泛应用[1]㊂近年来,随着功率密度的提高,热负荷引起电机温升受到关注,绕组过热导致绝缘层损伤,永磁体温度过高发生不可逆退磁,从而降低电机性能,缩短使用寿命[2-3]㊂由于绕组绕制紧密以及转子旋转运动,内部不便于安装热电偶㊂因此,建立在线温度模型,实时㊁准确估计电机温度,对电机安全高效运行具有重要意义㊂电机温度随时间和空间位置而变化,通常采用有限元传热模型[4]和计算流体力学热流耦合模型[5]进行温度估计,精确度较高,但计算负荷大,耗时长,无法实时应用[6-7]㊂将数据驱动的机器学习模型应用于电机温度估计,可提高计算效率,但是模型训练需要大量数据,且估计精确度和工况适应性受限于训练数据的覆盖度[8-9]㊂集总参数热网络模型(lumped-parameter thermal network,LPTN)假设节点容积温度场均匀分布,降低温度场计算量,当节点分布合理㊁参数准确时,可获得较高的估计精确度,在电机温度估计中,具有兼顾精确度与效率的优势[10-11]㊂实验表明,永磁同步电机槽内绕组㊁端部绕组㊁定子轭㊁定子齿以及转子等部位之间温差较大,但是这些部位内部温差较小,可适用温度均布假设[12]㊂比如,具有散热翅片的永磁同步电机LPTN 模型,13个节点,56个热阻㊁13个热容㊁10种损耗,通过参数调校,端部绕组㊁定子轭和永磁体的最大估计误差分别可达4㊁4.3和0.7ħ[13]㊂某交搓齿永磁直线电机的三维LPTN模型,34个节点,72个热阻㊁34个热容㊁6种损耗,估计精确度与有限元热模型相当,而计算时间从15min缩短至5s[14]㊂但是, LPTN模型精确度取决于热阻㊁热容㊁损耗系数等参数取值准确性㊂受到节点容积区域几何特征㊁物理属性以及电机工作频率㊁磁链㊁温度的复杂影响,参数调校非常困难㊂LPTN模型建立每个节点的能量平衡方程,节点具有热容属性,相邻节点间通过热阻传递热量,节点内热源来自电机损耗,因此,节点方程组维数小于热阻㊁热容㊁损耗系数等未知参数个数,参数辨识存在多解,导致辨识算法难以收敛㊂采用经验公式估算参数值,算法简单,但是准确性低㊂比如,文献[15]根据材料物性和几何信息估算热阻,设置损耗系数为常数,未考虑热容,因此该LPTN模型仅适用于稳态温度场㊂文献[16]中,热阻和热容按照经验公式估算,损耗由有限元模型离线计算给出㊂引入辨识算法,以降低LPTN模型中各节点温度估计误差为优化目标,构建多目标㊁多变量优化问题,迭代更新参数值㊂由于计算量大,收敛困难,一般仅辨识部分参数㊂文献[17]采用扩展卡尔曼滤波算法更新热阻值,然而,热容未更新,且损耗项未计入铁损㊂文献[18]采用遗传算法辨识绕组导热系数㊁等效气隙厚度㊁机壳表面对流换热系数㊂考虑热阻㊁热容和损耗等共计30个参数,文献[19]将粒子群优化与序列二次规划相结合并行辨识,针对多解和局部最优问题,采用独立交叉验证方法进行收敛判断㊂多解问题求解的收敛性,仍然是永磁同步电机LPTN 模型参数辨识的难点㊂粒子群优化是一种基于群集智能的并行算法,利用种群中个体对信息的共享,使种群的运动在求解空间中产生从无序到有序的演化,从而获得最优解,算法稳定性和收敛性得到证明[20]㊂进一步,通过加速收敛提高寻优效率,粒子群优化的收敛性在多变量㊁多目标优化问题中具有显著优势[21]㊂文献[22]采用动态聚类,在每次迭代后将种群动态地划分为优质群和劣质群,分别以不同速度更新㊂文献[23]采用岛屿模型将种群划分成多个亚种,通过亚种并行计算加速收敛㊂文献[24]通过引入共享2电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀学习因子对速度更新公式进行改进㊂与上述方法不同,本文利用永磁同步电机不同工况下的特性,提出迭代式粒子群优化(iterative particle swarm optimization,IPSO)方法,将并行优化转化为三步串行迭代优化,减少每一步的优化变量数,从而缩小种群规模,提高收敛性㊂针对5节点LPTN 模型中热阻㊁热容㊁损耗系数17个参数,第一步,考虑电机停转㊁冷却工况下损耗为0,利用该工况实验数据辨识一般热阻㊁热容,优化变量减少至10个,辨识结果传递给后续步骤;第二步,利用基转速以下工况的实验数据,避免高转速对气隙热阻㊁涡流系数产生影响,辨识定子铁损㊁转子损耗,优化变量减少至2个;第三步,考虑转速的影响,利用全转速范围实验数据,辨识气隙热阻和涡流系数,优化变量也减少至2个㊂从第一步到第三步循环迭代,直到LPTN 模型精确度满足要求㊂这样即可适当减少优化求解的计算量,又可发挥粒子群优化收敛性强的优势,避免陷入局部最优㊂本文将IPSO 应用于额定功率70kW 的车用水冷内置式永磁同步电机,辨识得到5节点LPTN 模型中热阻㊁热容随温度变化的规律,电机损耗㊁涡流系数㊁气隙热阻随转速变化的规律㊂基于这些规律进行插值得到参数值,完善LPTN 模型,通过实验验证LPTN 模型精确度和工况适应性㊂1㊀电机LPTN 模型本文研究的水冷内置式永磁同步电机截面如图1所示㊂考虑槽内绕组㊁端部绕组㊁定子轭㊁定子齿㊁转子永磁体这5个部位之间温度差别较明显[12],设计5节点LPTN 模型,如图2所示㊂研究对象为水冷电机,热量主要由冷却水带出,机壳对散热的影响较小㊂实验表明,如图3所示,电机在转速4600r /min㊁转矩180N㊃m 工况持续运行600s 和1200s 时,机壳温度平均温度均为34.3ħ,与环境温度相当㊂因此,机壳不必单独设置节点㊂图1㊀电机截面图Fig.1㊀Cross section of the IPMSMLPTN 模型中,C 表示节点热容,P 表示节点容积的损耗功率,R 表示节点之间的热阻,下标中,aw㊁ew㊁sy㊁st 和pm 分别表示槽内绕组㊁端部绕组㊁定子轭㊁定子齿㊁永磁体节点㊂T C 为冷却水平均温度,按进㊁出口温度测量值的算术平均,T A 为环境温度,由热电偶直接测得㊂图2㊀永磁同步电机的5节点LPTN 模型Fig.2㊀LPTN model with five nodes ofIPMSM图3㊀4600r /min ㊁180N ㊃m 工况下电机外壳红外热成像Fig.3㊀Infrared thermal image at 4600r /min ,180N ㊃m定义向量T =[T awT ew T pm T stT sy ]T ,每个节点的温度变化过程均满足能量守恒,推导LPTN模型的数学描述为Cd Td t =AT +P ㊂(1)其中:C =[C awC ewC pmC stC sy ]I ;3第1期孟治金等:基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究P=Paw P ew P pm+T AR A,pm P st P sy+T CR sy,C[]T;A=a111Rew,aw1R pm,aw1R st,aw1R aw,sy 1R ew,aw a2201R st,ew0 1R pm,aw0a331R pm,st0 1R st,aw1R st,ew1R pm,st a441R st,sy 1R aw,sy001R st,sy a55éëêêêêêêêêêêêêêùûúúúúúúúúúúúúú;a11=-1Rew,aw +1Rpm,aw+1Rst,aw+1Raw,sy();a22=-1Rew,aw +1Rst,ew();a33=-1Rpm,aw +1Rpm,st+1RA,pm();a44=-1Rst,aw +1Rst,ew+1Rpm,st+1Rst,sy();a55=-1Raw,sy +1Rst,sy+1Rsy,C()㊂电机定子㊁转子均产生损耗,其中定子损耗包括定子铜损和定子铁损,转子损耗包括永磁体损耗㊁转子铁损和机械损耗㊂下面分别给出计算模型㊂1.1㊀定子铜损根据欧姆定律,定子铜损P Cu按如下计算:P Cu=32(i2d+i2q)R s㊂(2)其中:i d㊁i q分别为d轴和q轴电流;R s为绕组阻值㊂考虑温度㊁集肤效应和邻近效应的影响,引入涡流系数k R,按如下计算R s[19]:R s=R aw+R ew;R aw=k R R aw0(1+αR(T aw-T0));R ew=k R R ew0(1+αR(T ew-T0))㊂üþýïïï(3)式中:k R表示考虑集肤效应和邻近效应而引入的涡流系数,本文将在不同的基波电流频率下对其进行辨识;R aw0和R ew0分别温度为T0时槽内绕组和端部绕组的阻值;αR为温度系数㊂本研究中:T0= 20ħ;R aw0=3.5mΩ;R ew0=2.5mΩ;αR=0.3862%/ħ㊂1.2㊀定子铁损定子铁损P Fe可分为磁滞损耗P h㊁涡流损耗P c 和异常涡流损耗P e三部分,按铁耗分离模型[25] P Fe=P h+P c+P e=K h fB2m+K c f2B2m+K e f1.5B1.5m㊂(4)式中:B m表示磁通密度幅值;f为电流频率;K h㊁K c㊁K e分别表示磁滞损耗系数㊁涡流损耗系数和附加涡流损耗系数㊂磁链与磁通密度之间的关系为B m=ψ/A㊂(5)将式(5)代入式(4)可以得到定子铁心损耗与磁链之间的关系[26-27]为P Fe=P h+P c+P e=k h fψ2+k c f2ψ2+k e f1.5ψ1.5㊂(6)式中:k h㊁k c㊁k e分别为基于磁链计算铁耗的磁滞损耗系数㊁涡流损耗系数和异常损耗系数,本文将在不同的转速和负载工况下对其进行辨识;ψ为气隙磁链幅值㊂定子铁损P Fe分布于定子轭和定子齿,定义定子轭上的铁损分配系数ε,则定子轭节点损耗P sy㊁定子齿节点损耗P st分别为:P sy=εP Fe;P st=(1-ε)P Fe㊂}(7)式中定子磁链ψ按下式计算:ψ=(ψm+L d i d)2+(L q i q)2㊂(8)其中:ψm为永磁体磁链;L d和L q分别为d轴和q轴电感㊂永磁体磁链ψm随温度变化而变化[2],本文研究的70kW电机实测结果如图4所示,多项式拟合计算式如下:ψm=-2.524ˑ10-11T4pm+5.436ˑ10-9T3pm-5.582ˑ10-7T2pm-472ˑ10-5T pm+0.05164㊂(9)本文通过实验测量得到d-q坐标系下的电压u d㊁u q,电流i d㊁i q和电机电角速度等信息,将不同工况下的定子铁心损耗作为输出,将对应工况的基波电流频率和离线辨识得到的永磁体磁链作为输入,经过多元非线性拟合方法得到铁心损耗系数,k h㊁k c 和k e㊂图4㊀永磁体磁链随温度的变化Fig.4㊀Permanent magnet flux linkage with respect to temperature4电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀1.3㊀转子损耗如图2所示,本文将转子整体看作一个节点,转子损耗按下式计算[28-29]:P pm =P pm,refff ref()a I s I ref()b㊂(10)其中:P pm,ref 为基准转子损耗;f 为电频率;I s 为电流幅值;a ㊁b 为指数,需通过参数辨识获得;f ref 和I ref 分别为基准电频率和基准电流幅值,本研究取值f ref =306.7Hz,I ref =94.6A㊂2㊀基于IPSO 的参数辨识基于IPSO 对电机LPTN 模型进行参数辨识的流程如图5所示㊂未知参数按照与损耗㊁转速的相关性分为三类,第一类为一般热阻与热容,即式(1)中的矩阵A 和矩阵C ;第二类为损耗系数k h ㊁k c ㊁k e ;第三类为涡流系数k R 和气隙热阻R pm,st ㊂相应地,IP-SO 分为三步,每一步准备相应的实验数据,用于判定辨识结果的合理性㊂第一步利用电机停转㊁冷却工况实验数据,辨识一般热容㊁热阻㊂第二步,利用基转速之下不同转速㊁转矩工况的实验数据,辨识定子铁损㊁转子损耗,并进一步拟合得到式(6)㊁式(10)中的系数,也避免了高转速对气隙热阻R pm,st ㊁涡流系数k R 产生影响㊂第三步,利用全转速范围的实验数据,辨识k R ,并修正R pm,st ㊂从第一步到第三步循环迭代,直到LPTN 模型精确度满足要求㊂图5㊀基于迭代式粒子群优化的参数辨识Fig.5㊀Parameter identification based on IPSO2.1㊀实验数据的获取实验台架如图6所示,测功机与被试电机之间安装扭矩传感器,电机定子齿部㊁轭部㊁槽内绕组㊁端部绕组和转子部位安装K 型热电偶㊂转子温度由德国MANNER 公司的温度遥测装置进行信号采集㊁放大㊁射频传输和天线接收㊂遥测装置通道数为8,采样率100Hz,最大允许转速20000r /min㊂d㊁q 轴电流由电机控制器提供㊂数据采集设备为NI 公司PXI 机箱和板卡PXIe -4353㊂此外,电机冷却水温度由水冷机进行调节,设定温度25ħ,冷却水流量12L /min㊂实验中,测功机上位机发送转速指令,被试电机控制器发送转矩指令,被测电机按照预设稳态工况点或动态测试循环运行㊂稳态工况点如图7所示㊂图6㊀实验台架实物图Fig.6㊀Experimentalsetup图7㊀电机实验稳态工况点Fig.7㊀Stable operating point in experiments热电偶布置如图8所示,T1~T3沿周向均匀安装在端部绕组上,取T1~T3热电偶的平均值作为端部绕组温度T ew ;T4~T6㊁T7~T9以及T10~T12分别沿轴向均匀安装在槽内绕组㊁定子齿和定子轭,分别取平均值作为槽内绕组温度T aw ㊁定子齿温度T st 以及定子轭温度T sy ㊂K1~K4安装在双V 型永磁体附近,取平均值作为永磁体温度T pm ㊂以稳态工况点(转速2000r /min㊁转矩100N㊃m)运行2000s㊁然后冷却的过程为例,实验中采集数5第1期孟治金等:基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究据如图9所示,用于LPTN 参数辨识与验证㊂图8㊀热电偶布置Fig.8㊀Thermocouplearrangement图9㊀2000r /min ㊁100N ㊃m 运行与冷却工况的实验数据Fig.9㊀Experimental data at the operating point of2000r /min ,100N ㊃m followed by cooling2.2㊀IPSO 算法粒子群优化算法由种群中不同粒子之间的相互配合实现对搜索空间的寻优㊂种群中每个个体包含该个体的当前位置㊁当前移动速度以及历史个体最佳位置等信息㊂在个体迭代更新时,其新的位置受个体和群体的综合影响,个体下一时刻速度由当前速度㊁个体历史最优位置㊁全局最优位置共同决定;个体下一时刻位置由当前位置和更新之后的速度决定㊂通过比较个体位置更新后的适应度与个体历史最优适应度以及全局最优适应度,实现个体最优和全局最优的更新㊂随着迭代的继续,实现对最优解的搜索[30]㊂按定子和转子将热阻㊁热容参数分为两组,并将IPSO 第一步分解为两个子步骤,每个子步骤按照辨识对象分别建立优化目标函数㊂当辨识定子热阻㊁热容时,以定子各节点估计的温度与实验测量值的均方差最小作为目标函数,即ΔT 2=min 1m ðmi =1(e 2aw (i )+e 2ew (i )+e 2st (i )+e 2sy (i ))[]㊂(11)其中:e aw ㊁e ew ㊁e st 和e sy 分别表示节点槽内绕组㊁端部绕组㊁定子轭㊁定子齿温度的估计误差;m 为实验采集的样本数㊂辨识永磁体相关热阻和热容时,以永磁体节点估计温度与实验测量值的均方差最小作为目标函数,即ΔT 2=min 1m ðmi =1e 2pm(i )[]㊂(12)其中e pm 表示永磁体节点温度的估计误差㊂考虑IPSO 的第二步和第三步均为从全局角度出发,意图提高所有节点的辨识精确度,因此,这两步均以所有节点的估计温度与实验测量值的均方差最小作为目标函数,表示为ΔT 2=min 1m ðmi =1(e 2aw (i )+e 2ew (i )+e 2pm (i )+e 2st (i )+e 2sy (i ))[]㊂(13)本文调用MATLAB 中的函数particleswarm()进行离线识别㊂为了调试参数获得合理取值,本文基于常规经验选择4组参数值[31-33],如表1所示㊂考虑优化耗时较长,将参数值应用于IPSO 第一步中转子参数的辨识,收敛曲线和计算时间的比较分别如图10㊁图11所示㊂可见,迭代次数超过30,温度均方误差已达收敛㊂为了避免算法提前停止,设置最大迭代次数的上限为300,满足收敛要求㊂种群规模增大明显延长计算时间,综合考虑收敛性和计算时间,本文选择第四组参数值进行优化㊂此外,由于6电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀IPSO 第一步中定子的待辨识参数较多,收敛较困难,将其种群规模扩到为100㊂表1㊀IPSO 参数取值Table 1㊀IPSO parameter value序号个体加速常数全局加速常数惯性权重因子种群规模第一组 1.49 1.49[0.1,1.1]100第二组 1.49 1.49[0.1,1.1]50第三组 1.49 1.49[0.7,1]50第四组22[0.7,1]50图10㊀收敛曲线Fig.10㊀Convergencecurve图11㊀计算时间Fig.11㊀Computation time3㊀参数辨识结果本节给出IPSO 的参数辨识结果,按照3步迭代框架,分别给出一般热阻与热容随温度的变化规律㊁定子铁耗和转子损耗随工况的变化规律㊁气隙热阻与绕组涡流系数随转速的变化规律㊂3.1㊀一般热阻与热容根据定子齿部㊁定子轭部㊁端部绕组和槽内绕组㊁永磁体温度的实测值,将电机温度划分为3个区间,如表2所示㊂在各区间内,分别利用相应的实验数据进行参数辨识㊂3个温度区间中,LPTN 模型中9个热阻的辨识结果如表3所示㊂这些热阻主要由两种介质材料组成,即硅钢和空气㊂文献研究表明,硅钢材料的导热系数随温度升高而降低,即热阻随温度升高而增大[34];空气的导热系数随温度升高而增加,即热阻随温度升高而减小[35]㊂主要由于这两种介质的综合作用,9个热阻随温度表现出不同的变化规律㊂热阻R sy,C ㊁R st,ew ㊁R A,pm ㊁R pm,st ㊁R aw,st ㊁R st,sy ㊁R aw,sy 和R pm,aw 中,空气热阻作用较强,热阻随温度升高而减小,变化幅度分别为20.80%㊁36.57%㊁127.93%㊁9.43%㊁13.76%㊁11.35%㊁40.84%和11.04%㊂热阻R ew,aw 中,硅钢片作用较强,热阻随温度升高而增大,变化幅度为32.42%㊂考虑热阻随温度的变化剧烈程度,基于辨识结果,插值得到对应温度区间内的热阻,便于LPTN 模型取值㊂表2㊀各节点温度区间范围Table 2㊀Temperature range of different nodes单位:ħ参数高温区间中温区间低温区间T ew 100~12560~10040~60T aw 90~11055~9038~55T st 70~8547~7034~47T sy50~5637~5030~37T pm80~10060~8040~60表3㊀热阻辨识结果Table 3㊀Thermal resistances identification results单位:K /W参数高温中温低温均值R sy,C0.02260.02540.02730.0251R ew,aw 0.17810.14210.13450.1516R aw,st 0.08430.08890.09590.0897R st,ew 0.14330.17040.19570.1698R st,sy0.03260.03540.03630.0348R aw,sy 1.0593 1.3633 1.4919 1.3048R A,pm 2.8383 3.9061 6.4694 4.4046R pm,st0.71510.73520.78250.7443R pm,aw8.88688.90189.86789.2188LPTN 模型5个热容的辨识结果如表4所示㊂总体上,在不同温度区间中,热容值有所变化,但变化量不大㊂其中:C sy ㊁C pm 随温度升高有所增大,符合一般金属热容随温度升高而升高的规律[36]㊂C aw ㊁C ew 和C st 随温度升高有所减小,与均值偏差小于2.5%,该偏差应主要来自辨识误差㊂因此,在LPTN模型中,取平均值为热容值㊂7第1期孟治金等:基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究3.2㊀定子铁耗P Fe 与转子损耗P pm不同电机转速工况下定子铁耗P Fe 随着电机磁链ψ变化的辨识结果如图12所示㊂可见,转速越高,定子铁耗越大;定子磁链越大,定子铁耗越大㊂而且,转速越高,定子铁耗随着定子磁链的增长率也越大㊂采用图12的数据,按照式(6),进一步辨识得到k h =813.47㊁k c =1.92㊁k e =0.49㊂表4㊀热容辨识结果Table 4㊀Thermal capacities identification results单位:J /K参数高温中温低温均值C aw 545.38551.41599.89565.56C ew 507.34527.84560.10531.76C st 818.61830.24857.01835.29C sy1099.891060.601055.741072.08C pm4458.784457.334509.604475.24图12㊀定子铁耗Fig.12㊀Stator iron loss不同电机转速工况下的转子损耗P pm 随着电流幅值I s 变化的辨识结果如图13所示㊂可见,转速越高,转子损耗越大;电流幅值越大,转子损耗越大㊂采用图13的数据,按照式(10),进一步辨识得到a =0.398㊁b =0.784㊂图13㊀转子损耗Fig.13㊀Rotor loss3.3㊀气隙热阻R pm ,st 与绕组涡流系数k R气隙热阻R pm,st 的辨识结果如图14所示,随电机转速增大而减小,当转速为1000r /min 时,R pm,st 为0.5523K /W,当转速为10000r /min 时,R pm,st 为0.2136K /W,后者仅为前者的38.7%㊂与表3中的R pm,st 值相比较,可见,转速的影响远超过温度的影响㊂其原因为转速增大时,气隙中的空气与定子㊁转子表面之间的相对转速增大,从而对流换热能力增强,使得热阻减小㊂基于该规律,LPTN 模型中采用气隙热阻R pm,st 相对于转速的拟合多项式㊂图14㊀气隙热阻辨识结果Fig.14㊀Air gap thermal resistance identification results绕组涡流系数k R 的辨识结果如图15所示,随着转速增大而增大,当转速为1000r /min 时,k R 为1.0542,当转速为10000r /min 时,k R 为1.4155,后者为前者的1.34倍㊂其原因是电机转速增大时,涡流效应增强,使得绕组阻值增大㊂基于该规律,LPTN 模型中采用k R 相对于转速的拟合多项式㊂图15㊀绕组涡流系数辨识结果Fig.15㊀Eddy-current coefficient of winding resistanceidentification results4㊀LPTN 模型工况适应性验证采用本文辨识得到的参数值,更新被测电机的LPTN 模型,温度结果表示为 IPSO-LPTN ,与台架实验结果相比较,以验证基于参数辨识的LPTN 模型的工况适应性㊂作为比较,也给出传统的采用固定参数取值的LPTN 模型的温度估计结果,表示为8电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀C-LPTN ,其热阻㊁热容等参数值通过粒子群算法并行辨识优化得到,未区分温度㊁转速㊂两种典型的综合驾驶工况,全球轻型车测试循环(word-wide harmonized light duty test cycle,WLTC)和中国轻型汽车测试循环(China light-duty vehicle test cycle-passenger,CLTC-P ),结果分别如图16㊁图17所示,电机转速㊁转矩历程,分别如图16(a)㊁图16(b)和图17(a)㊁图17(b)所示㊂槽内绕组㊁端部绕组和永磁体温度分别如图16(c)㊁图16(d)㊁图16(e)和图17(c)㊁图17(d)㊁图17(e)所示㊂总体上,IPSO-LPTN 比C-LPTN 能够更好的吻合台架实验测量值㊂图16㊀WLTC 温度估计结果Fig.16㊀Temperature estimation under WLTC为对模型的性能进行评价,本文运用了以下2个评价指标:平均绝对误差(mean square error,MAE)和最大绝对误差(max absolute error,MaxE)㊂MAE 的计算公式如下:MAE =1N ðNi =1|y i -y ^i |㊂(14)式中:y i 为实验数据的测量值;y ^i 为模型估计输出值;N 为实验数据总的样本数量㊂MaxE 的计算公式如下:MaxE =min 1ɤi ɤN|y i -y ^i |㊂(15)两种综合工况下,各节点的最大误差和平均误差如表5所示㊂WLTC 工况的最大误差节点为定子齿,IPSO-LPTN 的最大误差比C-LPTN 减少33.4%;IPSO-LPTN 的平均误差比C-LPTN 减少48.6%㊂CLTC-P 工况的最大误差节点为定子齿,IPSO-LPTN 的最大误差比C-LPTN 减少38.0%;IPSO-LPTN 的平均误差比C-LPTN 减少57.1%㊂可见,本文提出的IPSO 参数辨识方法,显著提升了LPTN 模型对复杂综合工况的适应性㊂图17㊀CLTC-P 温度估计结果Fig.17㊀Temperature estimation under CLTC-P表5㊀温度估计误差Table 5㊀Temperature estimation error单位:ħ工况模型误差槽内绕组端部绕组永磁体定子齿定子轭WLTCIPSO-LPTN C-LPTN 最大误差 2.63 3.03 1.42 4.83 2.44平均误差0.490.840.370.710.78最大误差 3.04 2.99 4.567.25 2.62平均误差0.750.76 2.03 1.35 1.32CLTC-PIPSO-LPTN C-LPTN最大误差 2.69 1.97 1.12 3.30 1.38平均误差0.710.640.300.660.59最大误差 3.62 1.49 4.26 5.32 2.44平均误差1.190.472.00 1.54 1.499第1期孟治金等:基于迭代式粒子群优化的永磁同步电机热网络模型参数辨识研究5㊀结㊀论以永磁同步电机的实时温度模型为研究对象,针对LPTN模型未知参数较多㊁辨识算法难收敛的问题,提出迭代式粒子群优化辨识框架,分三步辨识共计22个参数㊂第一步利用无损耗的电机停转㊁冷却工况实验数据,辨识热阻㊁热容㊂第二步利用基转速以下的多工况实验数据,辨识电机损耗㊂第三步利用全转速范围的多工况实验数据,辨识绕组涡流系数,并修正气隙热阻㊂将辨识的参数值应用于全球轻型车测试循环工况和中国轻型汽车测试循环工况的永磁同步电机台架实验,结果表明,基于迭代式粒子群优化的参数辨识方法显著降低了LPTN模型的温度预测误差㊂本文的研究可用于提高永磁同步电机实时温度估计精确度,也可为电机高精确度控制㊁故障诊断和可靠性设计提供参考㊂但是,本文采用的辨识算法较复杂,尚不能满足实时辨识的需求㊂提高辨识算法的实时性㊁将参数辨识㊁温度估计与电机闭环控制耦合,是未来的研究方向㊂参考文献:[1]㊀靳永春,陈俐,邹宇晟,等.永磁同步驱动电机温度场研究进展综述[J].电气传动,2023,53(1):28.JIN Yongchun,CHEN Li,ZOU Yusheng,et al.Review on re-search progress of PMSM temperature field[J].Electric Drive, 2023,53(1):28.[2]㊀CALIN M,HELEREA E.Temperature influence on magneticcharacteristics of NdFeB permanent magnets[C]//7th Interna-tional Symposium on Advanced Topics in Electrical Engineering (ATEE),May12-14,2011,Bucharest,Romania.2011:1-6.[3]㊀DU Guanghui,XU Wei,ZHU Jianguo,et al.Effects of designparameters on the multiphysics performance of high-speed perma-nent magnet machines[J].IEEE Transactions on Industrial Elec-tronics,2020,67(5):3472.[4]㊀FAN Xinggang,ZHANG Bin,QU Ronghai,et parativethermal analysis of IPMSMs with integral-slot distributed-winding (ISDW)and fractional-slot concentrated-winding(FSCW)for e-lectric vehicle application[J].IEEE Transactions on Industry Ap-plications,2019,55(4):3577.[5]㊀FAN Xinggang,LI Dawei,QU Ronghai,et al.Water cold platesfor efficient cooling:verified on a permanent-magnet machine with concentrated winding[J].IEEE Transactions on Industrial Elec-tronics,2020,67(7):5325.[6]㊀李伟业,吴江权,王春燕,等.电动汽车用永磁同步电机温升计算不同方法对比分析[J].防爆电机,2019,54(1):14.LI Weiye,WU Jiangquan,WANG Chunyan,et parisonand analysis on different temperature-rise calculation methods of PMSM for electric vehicles[J].Explosion-Proof Electric Ma-chine,2019,54(1):14.[7]㊀SCEMA C,NATEGH S,BOGLIETTI A,et al.A hybrid thermalmodeling method for traction motors used in duty-cycles[C]// 2019IEEE International Electric Machines&Drives Conference (IEMDC),May12-15,2019,San Diego,America.2019: 2132-2137.[8]㊀KIRCHGASSNER W,WALLSCHEID O,BOCKER J.Estimatingelectric motor temperatures with deep residual machine learning [J].IEEE Transactions on Power Electronic,2021,36(7):7480.[9]㊀LEE J,HA J.Temperature estimation of PMSM using a differ-ence-estimating feedforward neural network[J].IEEE Access, 2020,8:130855.[10]㊀李和明,李俊卿.电机中温度计算方法及其应用综述[J].华北电力大学学报,2005,32(1):1.LI Heming,LI Junqing.Review on temperature computation andapplication in electric machines[J].Journal of North China E-lectric Power University,2005,32(1):1.[11]㊀刘文娟,潘超,米俭.永磁式同步电机热分析研究综述[J].东北电力大学学报,2017,37(2):93.LIU Wenjuan,PAN Chao,MI Jian.Loss and thermal study re-view of permanent magnet synchronous machines[J].Journal ofNortheast Electric Power University,2017,37(2):93. [12]㊀靳永春.永磁同步电机温度场测量与建模研究[D].上海:上海交通大学,2021.[13]㊀CHIN J W,HWANG S W,PARK H J,et al.Thermal analysisand verification of PMSM using LPTN considering mechanicalcomponents and losses[C]//2018XIII International Conferenceon Electrical Machines(ICEM),September3-6,2018,Alex-androupoli,Greece.2018:1323-1329.[14]㊀ZHANG Shukuan,ZHENG Ping,YU Bin,et al.Thermal analy-sis and experimental verification of a staggered-teeth transverse-flux permanent-magnet linear machine[J].IET Electric PowerApplications,2018,12(7):1048.[15]㊀ELREFAIE A M,HARRIS N C,JAHNS T M,et al.Thermal a-nalysis of multibarrier interior PM synchronous machine usinglumped parameter model[J].IEEE Transactions on Energy Con-version,2004,19(2):303.[16]㊀FAN Jinxin,ZHANG Chengning,WANG Zhifu,et al.Thermalanalysis of permanent magnet motor for the electric vehicle appli-cation considering driving duty cycle[J].IEEE Transactions onMagnetics,2010,46(6):2493.[17]㊀SHI Wei,ZHOU Xuan.Online estimation method for permanentmagnet temperature of high‐density permanent magnet synchro-nous motor[J].IEEJ Transactions on Electrical and ElectronicEngineering,2020,15(5):751.[18]㊀ZHANG Hengliang,GIANGRANDE P,SALA G,et al.Thermalmodel approach to multisector three-phase electrical machines[J].IEEE Transactions on Industrial Electronics,2021,6801电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀。

锂离子电池典型故障的参数化表征与诊断方法

锂离子电池典型故障的参数化表征与诊断方法

锂离子电池典型故障的参数化表征与诊断方法近年来,随着锂离子电池应用的广泛和大规模化,其安全性和可靠性问题也越来越受到关注。

在实际应用中,锂离子电池常常会遭遇各种故障,如过充、过放、内阻增大、极化、容量衰退等。

为保障锂离子电池的安全性和可靠性,需要对故障进行参数化表征和诊断。

本文基于锂离子电池的典型故障,提出了一种参数化表征和诊断方法。

首先,对故障进行分类和描述,包括电压异常、内阻异常、容量异常、温度异常等。

然后,针对每种故障,提取出一些关键参数,如电压、内阻、容量、温度等,对这些参数进行表征和分析。

最后,基于这些参数,建立了相应的故障诊断模型。

通过实验验证,本文提出的方法可以有效地诊断锂离子电池的故障,并准确地表征故障的类型和程度。

该方法具有简单、快速、可靠等特点,为锂离子电池的安全性和可靠性提供了一种有效的保障手段。

- 1 -。

新能源汽车锂离子电池组故障诊断技术研究

新能源汽车锂离子电池组故障诊断技术研究

新能源汽车锂离子电池组故障诊断技术研究作者:韦窗才来源:《时代汽车》2024年第03期摘要:文章针对新能源汽车中的锂离子电池组故障诊断技术进行深入分析,对多种故障诊断技术是进行深入研究,进一步探索大数据分析和物联网技术在故障诊断与预测中的应用,为新能源汽车的安全运行提供理论支持和技术指导,以供参考。

关键词:锂离子电池组故障诊断电池管理系统在当前全球能源结构转型和环境保护的大背景下,新能源汽车作为未来交通工具的重要发展方向,受到了廣泛关注。

其中,锂离子电池作为新能源汽车的核心动力源,其性能和安全性对汽车的可靠性与续航能力具有决定性影响。

然而,随着使用时间的增长和工作环境的变化,电池组可能会出现各种故障,这不仅影响汽车的正常使用,还可能带来严重的安全隐患。

因此,对锂离子电池组的故障进行有效的诊断与预防,成为了当前新能源汽车技术研究的一个重要领域。

1 锂离子电池组的基本原理与结构1.1 锂离子电池的工作原理锂离子电池的工作原理是现代能源技术领域的一个重要组成部分,尤其在新能源汽车的发展中发挥着核心作用。

这种电池的基本工作机制依赖于锂离子在正负极材料之间的移动。

在充电过程中,锂离子从正极移动到负极并嵌入其中;而在放电过程中,锂离子则从负极释放出来,并回到正极。

这一往复的离子流动不仅促成了电能的存储和释放,还保证了电池的长期循环稳定性。

正极材料通常由锂金属氧化物组成,如锂钴氧化物(LiCoO2)或锂铁磷酸盐(LiFePO4),这些材料具有良好的锂离子嵌入和释放能力。

负极材料一般使用石墨或硅基材料,由于其独特的层状结构,能够有效地嵌入和储存锂离子。

电解质作为电池的关键组成部分,不仅提供了锂离子传输的媒介,还起到了隔离正负极,防止短路的作用。

此外,电池的充放电过程伴随着电子在外电路中的流动,从而实现了能量的转换和利用。

1.2 电池组的组成与结构电池组的组成与结构是确保新能源汽车高效运行的基石。

一个完整的电池组通常由多个单体电池、连接器件和保护电路组成,这些元件的协同工作确保了电池组的稳定性和安全性。

基于改进粒子滤波的锂离子电池剩余寿命预测

基于改进粒子滤波的锂离子电池剩余寿命预测
刘博;尹杰;李然
【期刊名称】《电力系统保护与控制》
【年(卷),期】2024(52)9
【摘要】针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。

首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。

然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。

针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。

最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。

【总页数】9页(P123-131)
【作者】刘博;尹杰;李然
【作者单位】哈尔滨理工大学传感器与可靠性工程研究所;汽车电子驱动控制与系统集成教育部工程研究中心
【正文语种】中文
【中图分类】TM9
【相关文献】
1.基于粒子滤波的锂离子电池剩余寿命预测
2.基于改进粒子滤波算法的锂离子电池状态跟踪与剩余使用寿命预测方法
3.一种基于粒子滤波和多项式回归的锂离子电
池剩余寿命间接预测方法4.一种基于粒子滤波和多项式回归的锂离子电池剩余寿命间接预测方法5.基于改进粒子滤波的锂离子电池剩余寿命预测
因版权原因,仅展示原文概要,查看原文内容请购买。

锂离子电池无损析锂检测研究进展

锂离子电池无损析锂检测研究进展邓林旺;冯天宇;舒时伟;郭彬;张子峰【期刊名称】《储能科学与技术》【年(卷),期】2023(12)1【摘要】人们对新能源汽车快速充电的需求与现有纯电动汽车的充电效率之间的矛盾将会越来越突出。

锂离子电池在正常充电速率下,锂离子嵌入石墨负极;当充电倍率逐渐增大时,金属锂来不及嵌入石墨层状结构时便会沉积在石墨颗粒表面,出现“析锂”现象。

当析锂现象随时间慢慢累积后,电池容量渐渐降低,严重时甚至会发生热失控事件。

在锂电池早期发展阶段,检测析锂非常具有挑战性,且主要基于拆解电池后的形貌检测,这类检测方法对电芯造成了不可逆的损坏,无论是在后期研究还是实际应用中都是非常不友好的方式。

近年来,研究人员已经提出了许多无损(即非拆解的方式)析锂检测方法,本文综述了无损析锂检测的方法,将其分为四类:(1)基于锂引起电芯老化的检测方法;(2)基于锂引起阻抗变化的检测方法;(3)基于锂引起电化学反应的检测方法;(4)基于锂引起电芯物理化学特性变化的检测方法。

本文系统地对现有的无损析锂检测方法的原理、优缺点进行了概述,并对目前无损析锂检测方法进行了总结与展望,以提出这一不断发展的研究领域的技术现状和当前的研究空白。

【总页数】15页(P263-277)【作者】邓林旺;冯天宇;舒时伟;郭彬;张子峰【作者单位】深圳市比亚迪锂电池有限公司坑梓分公司;弗迪动力有限公司【正文语种】中文【中图分类】TM911.3【相关文献】1.锂离子电池失效中析锂现象的原位检测方法综述2.锂离子电池析锂及析锂回嵌行为的三电极分析3.基于电化学阻抗谱的锂离子电池析锂检测方法4.滴定-气相色谱技术在锂离子电池析锂定量检测中的应用5.我国特殊需要信托制度构建初探因版权原因,仅展示原文概要,查看原文内容请购买。

国家自然科学奖申报材料公示

国家自然科学奖申报材料公示一、项目名称:电动汽车动力电池强时变非线性的解析建模与状态量高精度估计二、提名者及提名意见:中华人民共和国教育部该项目面向国际前沿和国家战略,在动力电池管理核心模型和算法方面做出一系列原创性国际引领贡献:发现了动力电池输出特性与其内部参数和状态间存在间接映射关系,阐释了输出电压具有的动、静态分量解耦特性以及动态分量具有的多阶RC解析特性,提出并建立了具有普适性的动力电池N阶等效电路模型,拓展建立了融合电化学机理模型、分数阶阻抗模型的动力电池机理-频域-电气特性综合解析模型;发现了动力电池荷电状态SOC与其开路电压OCV相关且存在单调映射关系,首次提出了基于实车片段数据的SOC映射参数重构方法,建立了滤波器类动力电池自适应SOC估计算法;发现了动力电池组系统充放电末期具有的强极化非线性特性并引发端电压明显的不一致性,揭示了动力电池实际工作环境的差异对其性能衰退的影响机制以及动力电池不一致性对其性能衰退的耦合效应和演化机理,提出了基于“表征单体模型+偏差量化模型”的动力电池组系统状态估计算法,有效解决了动力电池“模型建不精”、“状态估不准”、“系统管不好”三大难题,成功用于华为、北汽新能源、宇通客车、联合汽车电子等主流企业,具有重要科学和工程价值。

8篇代表作SCI他引1130次、谷歌学术他引1956次,其中3篇入选“中国百篇最具影响学术论文”、2篇入选SCI期刊年度最佳论文奖。

完成人作国际会议特邀报告16次,入选科睿唯安高被引科学家。

申请材料属实,完成人排名无异议。

提名该项目为国家自然科学奖贰等奖。

三、项目简介发展新能源汽车是国际共识和我国的国家战略,电动汽车是主要技术选择。

动力电池系统是电动汽车的技术瓶颈,其精准管理是保障整车高效、安全和动力电池长寿命运行的核心,动力电池状态量的高精度、强鲁棒性估计一直是行业技术攻关的国际难题和学术研究的前沿热点。

项目组在国家自然科学基金、863计划等支持下,历时9年理论研究,取得系统性、原创性成果。

基于Fluent的单体锂离子电池热仿真分析

NEW ENERGY AUTOMOBILE | 新能源汽车基于Fluent的单体锂离子电池热仿真分析詹世东 李康伟 蔡友彬 石浩宇 吴彦鑫广州城市理工学院汽车与交通工程学院 广东省广州市 510000摘 要: 本文采用Fluent软件中的MSMD电池模型进行仿真,分析了不同放电倍率下单体锂离子电池的电压和温度特性。

首先,根据实际尺寸建立单体锂离子电池的三维模型,并进行网格划分及边界条件命名等前处理;其次,利用Fluent的MSMD电池模块对电池单体在300K室温条件下分别以1C、3C、5C、7C的放电倍率进行温度仿真,得到单体电池的温度特性曲线和电压特性曲线,分析结果表明,随着放电倍率的增大,电池的放电终止电压越低,耗电量越高,电池的温度和温差都随之增大。

关键词:锂离子电池 MSMD 单体电芯1 前言目前,随着环境污染及能源短缺问题在全球范围内的出现,寻找更环保、低耗和安全的汽车能源显得尤为关键,因此推动电动汽车的发展成了人们普遍关注的重点。

锂离子电池的高能量密度、循环寿命长、安全性高等优点被广泛应用于电动汽车行业。

但是,锂离子电池的安全性能受充放电过程中的温度影响较大,锂离子电池最佳工作温度范围为20℃~40℃,最大温差不超过5℃。

单体电池的温度和温差过大会导致锂离子电池的充放电效率降低,温差严重时还会产生电池的热失控和安全问题。

闫凯和楚金甫等人[1]利用CFD软件对18650单体电芯进行了1C放电工况下的热仿真分析,并使用热成像对比验证二者的测试结果,得出了CFD软件热仿真分析的数据相对准确的结论;北京建筑大学的周庆辉和陈展等人[2]利用Fluent软件进行了不同电流下锂离子电池的温度场仿真,得出电池电流越大对电池的温度和温差的影响越大;南昌大学的李甜甜等人[3]进行单体电池的温度场仿真分析,并对单体电池进行对应的放电实验得到了电池实际温度的相关数据,结合仿真得到的数据,得出所建立的电池三维热模型具有真实性。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

关键词: 锂离子电池, 单粒子模型, 分布参数系统, 偏微分方程 PACS: 82.47.Aa, 02.30.Jr, 87.57.R– DOI: 10.7498/aps.64.108202
模与仿真方法. Ghantasala 和 El-Farra [8,9] 提出了
1 引

一种基于抛物型偏微分方程的分布参数系统故障 隔离与故障容差控制方法, 使用近似有限维系统捕 捉偏微分方程系统的动力学. Demetriou [10] 提出 了一种基于学习系统的分布参数系统故障检测方 法, 将有限维空间的检测结果应用于分布参数系 统. Armaou 和 Demetriou [11] 提出了一种基于非线 性偏微分方程的分布参数系统故障检测方法, 提高 了故障检测的速度和鲁棒性. 这些方法使用有限维 的常微分方程代替偏微分方程进行分布参数系统 的故障检测, 增大了分布参数系统描述误差和不可 靠性. 当系统发生故障时, 系统的特征参数会发生 变化, 常微分方程不能准确地描述系统状态, 因此 这些方法仅在系统处于完全已知和常规动作时才 能进行系统故障检测. 锂离子电池 [12−15] 因为能量密度大、自放电 小、 循环性能好等优点被广泛应用于计算机、 数码
您可能感兴趣的其他文章 Articles you may be interested in Co2 SnO4 /Graphene 复合材料的制备与电化学性能研究 Preparation and electrochemical properties of Co2 SnO4 /graphene composites 物理学报.2014, 63(19): 198201 /10.7498/aps.63.198201 锂离子电池 SnSb/C 复合负极材料的热碳还原法制备及电化学性能研究 Lithium intercalation properties of SnSb/C composite in carbonthermal reduction as the anode material for lithium ion battery 物理学报.2014, 63(16): 168201 /10.7498/aps.63.168201 LiCoO2 电池正极微结构模拟退火重构及传输物性预测 Simulated annealing reconstruction of LiCoO2 cathode microstructure and prediction of its effective transport properties 物理学报.2014, 63(4): 048202 /10.7498/aps.63.048202 锂离子电池 SnSb/MCMB 核壳结构负极材料嵌锂性能研究 The lithium intercalation properties of SnSb/MCMB core-shell composite as the anode material for lithium ion battery 物理学报.2013, 62(9): 098201 /10.7498/aps.62.098201 不同气氛下裂解含苯环聚硅氧烷制备锂离子电池 Si-O-C 复合负极材料的电池性能研究 Electrochemical property of Si-O-C composite anode materials prepared by pyrolyzing polysiloxane containing phenyl under different atmospheres 物理学报.2011, 60(11): 118202 /10.7498/aps.60.118202
2 故障分布参数系统描述
标准抛物型偏微分方程的基本形式为 ∂u d − ∇(c · ∇u) + a · u = f, ∂t 初始条件为 u0 = u(t0 ), 其中 ∇ 为 ∇ = e1 ∂ ∂ ∂ + e2 + · · · + en , ∂x1 ∂x2 ∂xn ∂2 ∂2 ∂2 + + · · · + ∆=∇·∇= . ∂x2 ∂x2 ∂x2 n 1 2
∗ 中央高校基本科研业务费专项资金 (批准号: 2013JBM016)、 国家自然科学基金 (批准号: 61201363, 61172130) 和国家留学基金 (批准号: 201307095030) 资助的课题. † 通信作者. E-mail: HUANGL@
© 2015 中国物理学会 Chinese Physical Society 108202-1
基于单粒子模型与偏微分方程的锂离子电池建模与故障监测 黄亮 李建远 Modeling and failure monitor of Li-ion battery based on single particle model and partial difference equations Huang Liang Li Jian-Yuan 引用信息 Citation: Acta Physica Sinica, 64, 108202 (2015) DOI: 10.7498/aps.64.108202 在线阅读 View online: /10.7498/aps.64.108202 当期内容 View table of contents: /CN/Y2015/V64/I10
3 故障监测系统设计
故障监测系统能够实时获取分布参数系统的 实测参数, 并将实测值与系统正常工作时的理想参 数进行对比, 当实测值与理想值的差值超出预设报 警门槛时, 故障监测系统给出故障信号. 将 (1), (2) 式转换为基于龙贝格观测器 [16] 的分布参数系统理 想状态的描述函数: ∂ x(z, t) ∂ 2 x(z, t) =ζ1 · + s(z ) · x(z, t) ∂t ∂z 2 + L1 (z ) · [y (t) − y (t)],
物 理 学 报 Acta Phys. Sin.
Vol. 64, No. 10 (2015) 108202
基于单粒子模型与偏微分方程的锂离子 电池建模与故障监测∗
黄亮 1)† 李建远 2)
100044) 1) (北京交通大学电子信息工程学院, 北京 2) (北京大学物理学院, 北京
100871)
( 2014 年 11 月 7 日收到; 2014 年 12 月 21 日收到修改稿 )
(5)
边界条件为 ∂ x(0, t) , ζ2 · x(0, t) = ∂z (6) u(t) − L2 · [y (t) − y (t)] = ∂ x(1, t) , ∂z 其中 x 是系统状态理想值, y 是输出理想值, y (t) = x(1, t); y (t) − y (t) 是输出实测值与理想值的残差; L1 和 L2 是调节参数, 用来纠正不同初始条件的检 测误差; 系统状态实测值 x 与系统状态理想值 x 的 差值为系统状态残差; x = x − x. 处于正常工作状 态的分布参数系统状态残差描述为 ∂ 2 x(z, t) ∂ x(z, t) =ζ1 · + s(z ) · x(z, t) ∂t ∂z 2 − L1 (z ) · x(1, t),
分布参数系统 (distributed parameter system, 控制变量和被控制变量不仅 DPS) [1] 的状态变量、 仅是时间的函数, 而且是空间坐标的函数, 例如物 理系统中常见的流体动力系统、热传递系统、柔 性飞行器、电磁系统等 [2] . 分布参数系统的边界 条件和反馈作用非常复杂, 具有无穷多状态参数, 通常需要用场论和偏微分方程 (partial difference equation, PDE) [3] 进行精确描述. 与可以用常微分 方程 [4] 描述的集中参数系统 [5] 相比, 分布参数系 统的建模、 分析、 设计和故障诊断 [6] 难度较高. 随着工业系统复杂度和安全性要求的提高, 对 分布参数系统进行建模仿真和故障监测成为目前 国内外学者面临的复杂而又迫切的研究课题. Oh 和 Pantelides [7] 提出了一种基于积分、 偏微分与代 数方程的联合集中参数系统与分布参数系统的建
∂x(0, t) , ζ2 · x(0, t) = ∂z (2) u(t) = ∂x(1, t) , ∂z 其中 ζ 2 为系数, u(t) 表示 z = 1 时的系统控制输 入. 假 设 在 相 同 激 励 条 件 下 测 量 输 出 信 号, 则 y (t) = x(1, t). 当系统发生故障时, 设故障函数为 f [z, t, y (t)]. 则故障分布参数系统的偏微分方程 描述为 ∂x(z, t) ∂ 2 x(z, t) + s(z ) · x(z, t) =ζ1 · ∂t ∂z 2 + f [z, t, y (t)]. 对故障函数 f [z, t, y (t)] 进行描述: f [z, t, y (t)] = f · E (τ ) = f · E (t − t0 ), (4)
锂离子电池内部结构是一种复杂的分布参数系统, 如果为了降低计算难度而使用常微分方程描述锂离子 电池, 可能会引入系统误差, 降低系统模型的可信度, 需要使用偏微分方程建立分布参数系统的精确模型. 本 文提出了一种基于单粒子模型和抛物型偏微分方程的锂离子电池系统建模与故障监测系统设计方法, 当锂离 子浓度实测值与理想值的残差大于预设门槛时判定分布参数系统处于故障状态. 通过一个仿真实例进行了锂 离子电池系统建模和故障诊断实验, 实验证明基于单粒子模型和偏微分方程的锂离子电池故障监测系统具有 更高的精确度和可信度.s. Sin.
Vol. 64, No. 10 (2015) 108202
产品、 电动汽车以及军事领域. 但是锂离子电池在 使用与存放过程中存在过充放电损坏、 温度湿度 环境差和性能衰退等问题, 甚至发生起火、 爆炸等 安全事故, 因此锂离子电池建模与在线故障监测 是锂离子电池应用的关键研究领域. 目前国内外 学者提出了几种锂离子电池模型. Chen 和 RinconMora [12] 提出了一种基于常微分方程的锂离子电 池模型和电池性能分析方法, 模型简单, 计算速度 快, 但是精度不足. Santhanagopalan 等 [13] 提出了 一种基于化学反应和常微分方程的锂离子电池模 型和性能预测方法. Moura 等 [14] 开发了一种基于 偏微分方程的锂离子电池充电状态与正常状态的 监测器. 针对锂离子电池单粒子模型仿真速度快但 是精度不足的特点, Schmidt 等 [15] 对单粒子模型 进行了改进, 考虑了液相电势与液相浓度的分布, 温度与荷电状态对电极扩散系数的影响. 本文将锂离子电池视为分布参数系统, 在不借 助有限维常微分方程的情况下, 使用偏微分方程对 锂离子电池进行建模和故障监测系统设计. 为了验 证本文提出方法的有效性和稳定性, 对锂离子电池 系统进行了基于单粒子模型的仿真实验. 实验结果 显示, 本文方法能够根据测量数据预测锂离子电池 阳极锂离子密度, 精确地实现锂离子电池的描述和 实时故障监测.
相关文档
最新文档