在时域和频域上的锂电池参数识别

基于电化学模型的电池管理系统在电池状态估计以及电池运行控制具有许多优势，但是电化学锂电池模型的建立需要确定大量的锂电池 物理参数。与侵入性实验检测方法相比，人工智能的参数识别方法可以大大减少时间和经济成本，并且能够有效准确地确定参数值。目 前大多数研究人员使用电池充放电电压曲线作为输入数据来识别电池参数，这个方法并不足以准确地确定所有的电池参数。电化学阻抗 谱（EIS）可以反映锂电池在频域中复杂的阻抗特性，并且相同的锂电池参数在时域和频域上具有不同的灵敏度。在本课题研究中，设 计了一种基于贝叶斯算法的人工智能识别方法，使用电池端电压和 EIS 数据作为输入数据进行人工智能的电池参数识别。设计的人工智 能识别框架包括三个步骤：首先用 0.5C 倍率的放电曲线确定与容量相关的电池参数；第二步将通过结合电压和 EIS 误差来识别在时域 和频域中的高敏感参数，最后使用电压脉冲曲线和 EIS 数据识别其他低敏感参数。结果显示，通过本人设计的人工智能识别方法得到的 电池模型，在实际驾驶电池循环下实现了 11.5mV 的最小均方根误差和 12.4mV 的平均绝对误差，相同电池状态下EIS值在实部和虚部的绝对残差分别为1.5%和1%