考虑多种应用场景的锂离子电池多阶优化充电策略

考虑多种应用场景的锂离子电池多阶优化充电策略

锂离子电池因其能量密度高、循环寿命长等优点，在电动汽车等领域得到广泛应用。然而，充电速度慢、充电过程中的温度控制以及电池寿命等问题一直是制约其发展的关键因素。本文提出了一种考虑多种应用场景的锂离子电池多阶优化充电策略，通过建立电池的电模型、热模型和老化模型，结合改进的蝙蝠算法，实现了充电速度与电池寿命之间的优化平衡。

1. 引言

锂离子电池因其良好的性能，广泛应用于电动汽车等领域中。具有良好充电性能的充电策略对于锂离子电池至关重要，且锂离子电池的充电方法一直制约着电动汽车的大规模应用。为此，本工作提出了一种考虑多种应用场景的锂离子电池优化充电策略。

2. 电池模型建立

首先建立了锂离子电池的电模型、热模型和老化模型用于模拟充电过程与采集数据。

2.1 电化学模型

采用具有两对RC的电池等效电路模型（ECM），如图1所示。

图1：具有两对RC的电池ECM

2.2 热模型

电池在充电过程中会产生热量，需要建立热模型来预测温度变化。图2展示了耦合电热老化模型的关系图。

图2：耦合电热老化模型关系图

2.3 老化模型

电池老化主要体现在容量衰减和内阻增加。通过建立老化模型，可以预测电池在不同充电策略下的使用寿命。

3. 优化充电策略设计

3.1 SMCC充电策略制定

根据电池内阻变化曲线制定SMCC（多阶恒流）充电策略，如图3所示。

图3：电池内阻曲线及SMCC策略示意图

3.2 目标函数优化

建立关于充电速度和SOH（State of Health，健康状态）衰减的目标函数，并利用改进的蝙蝠算法对SMCC电流进行优化，得到不同加权系数下的优化充电策略。

3.3 应用场景分类

根据不同的电池应用场景，提出了三种优化充电策略：

• 均衡SMCC充电策略
• 快速充电SMCC策略
• 提高循环次数SMCC策略

4. 实验验证与结果分析

4.1 帕累托前沿分析

图5展示了优化充电策略在充电时间和SOH衰减上的帕累托前沿。

图5：优化充电策略在充电时间和SOH衰减上的帕累托前沿

4.2 充电策略对比

通过与传统的CC-CV（恒流-恒压）充电策略进行对比，验证了优化充电策略的有效性。表3总结了各充电策略的性能对比。

5. 结论

提出的优化充电策略能够更好地适应其对应的应用场景，并且能够缩短锂离子电池充电时间和减小SOH衰减。这对于提高电动汽车的使用便利性和电池寿命具有重要意义。

参考文献

[1] 杲齐新, 赵景腾, 李国兴. 锂离子电池快速充电研究进展[J]. 储能科学与技术, 2023, 12(7): 2166-2184. DOI: 10.19799/j.cnki.2095-4239.2023.0287.

[2] KANG Z H, LU C L, HU H Q, et al. Li-ion battery charging strategy based on multi-state joint estimation model[J]. Journal of Energy Storage, 2023, 72: 108309. DOI:10.1016/j.est. 2023. 108309.

[3] LIU K L, ZOU C F, LI K, et al. Charging pattern optimization for lithium-ion batteries with an electrothermal-aging model[J]. IEEE Transactions on Industrial Informatics, 2018, 14(12): 5463-5474. DOI:10.1109/TII.2018.2866493.

[4] VO T T, CHEN X P, SHEN W X, et al. New charging strategy for lithium-ion batteries based on the integration of Taguchi method and state of charge estimation[J]. Journal of Power Sources, 2015, 273: 413-422. DOI:10.1016/j.jpowsour.2014.09.108.

[5] LIU K L, LI K, PENG Q, et al. A brief review on key technologies in the battery management system of electric vehicles[J]. Frontiers of Mechanical Engineering, 2019, 14(1): 47-64. DOI:10. 1007/s11465-018-0516-8.

[6] KHAN A B, CHOI W. Optimal charge pattern for the high-performance multistage constant current charge method for the Li-ion batteries[J]. IEEE Transactions on Energy Conversion, 2018, 33(3): 1132-1140. DOI:10.1109/TEC.2018.2801381.

[7] 王泰华, 张书杰, 陈金干. 基于BP-PSO算法的锂电池低温充电策略优化[J]. 储能科学与技术, 2020, 9(6): 1940-1947. DOI: 10.19799/j.cnki.2095-4239.2020.0172.

[8] PEREZ H E, HU X S, DEY S, et al. Optimal charging of Li-ion batteries with coupled electro-thermal-aging dynamics[J]. IEEE Transactions on Vehicular Technology, 2017, 66(9): 7761-7770. DOI:10.1109/TVT.2017.2676044.

[9] 唐鑫, 欧阳权, 黄俍卉, 等. 基于深度强化学习的锂电池快速充电控制策略[J]. 机械工程学报, 2022, 58(22): 69-78. DOI: 10.3901/JME.2022.22.069.

[10] 王苏杭, 李建林, 李雅欣, 等. 锂离子电池系统低温充电策略[J]. 储能科学与技术, 2022, 11(5): 1537-1542. DOI: 10.19799/j.cnki.2095-4239.2021.0493.

[11] CHEN Z, XIA B, MI C C, et al. Loss-minimization-based charging strategy for lithium-ion battery[J]. IEEE Transactions on Industry Applications, 2015, 51(5): 4121-4129. DOI:10.1109/TIA. 2015. 2417118.

[12] ATTIA P M, GROVER A, JIN N, et al. Closed-loop optimization of fast-charging protocols for batteries with machine learning[J]. Nature, 2020, 578(7795): 397-402. DOI:10.1038/s41586-020-1994-5.

[13] LIU K L, HU X S, YANG Z L, et al. Lithium-ion battery charging management considering economic costs of electrical energy loss and battery degradation[J]. Energy Conversion and Management, 2019, 195: 167-179. DOI:10.1016/j.enconman. 2019.04.065.

[14] MATHIEU R, BRIAT O, GYAN P, et al. Fast charging for electric vehicles applications: Numerical optimization of a multi-stage charging protocol for lithium-ion battery and impact on cycle life[J]. Journal of Energy Storage, 2021, 40: 102756. DOI:10.1016/j.est.2021.102756.

[15] WANG J, LIU P, HICKS-GARNER J, et al. Cycle-life model for graphite-LiFePO4cells[J]. Journal of Power Sources, 2011, 196(8): 3942-3948. DOI:10.1016/j.jpowsour.2010.11.134.

[16] LI Y J, LI K N, XIE Y, et al. Optimization of charging strategy for lithium-ion battery packs based on complete battery pack model[J]. Journal of Energy Storage, 2021, 37: 102466. DOI:10.1016/j.est.2021.102466.

[17] 雷旭, 陈潇阳, 于明加, 等. 基于SOC自适应分阶的动力锂电池两步优化快速充电策略[J]. 中国公路学报, 2022, 35(8): 65-78. DOI: 10.19721/j.cnki.1001-7372.2022.08.007.

[18] ZHAO G H, WANG Y J, CHEN Z H. Health-aware multi-stage charging strategy for lithium-ion batteries based on whale optimization algorithm[J]. Journal of Energy Storage, 2022, 55: 105620. DOI: 10.1016/j.est.2022.105620.

[19] 何青泽, 郑鹏, 吕星辰, 等. 基于改进蝙蝠算法的最小区域法圆度误差评定[J]. 组合机床与自动化加工技术, 2024(5): 162-165, 170. DOI: 10.13462/j.cnki.mmtamt.2024.05.034.

[20] 邢世雄, 陈国华, 孙川, 等. 基于改进蝙蝠算法的再制造装配体拆卸序列规划研究[J]. 机械设计与制造, 2024(12): 183-187. DOI: 10.19356/j.cnki.1001-3997.20240516.008.

[21] AHN J H, LEE B K. High-efficiency adaptive-current charging strategy for electric vehicles considering variation of internal resistance of lithium-ion battery[J]. IEEE Transactions on Power Electronics, 2018, 34(4): 3041-3052. DOI:10.1109/TPEL. 2018. 2848550.

[22] 徐鹏跃, 张国玲, 王涛, 等. 分数一阶电路等效模型估计锂离子电池SOC[J]. 电池, 2024, 54(1): 72-76. DOI: 10.19535/j.1001-1579.2024.01.016.