基于电化学阻抗在线采集的车用锂离子电池剩余寿命预测系统研究.pdfVIP

摘要

摘要

准确评估电池的健康状态（StateofHealth,SOH）和剩余寿命（Remaining

UsefulLife,RUL）对于确保新能源汽车的安全、可靠运行至关重要。电化学阻抗

谱（EIS）作为一种评估电池老化的重要工具，在提高电池性能和预测寿命方面已

经发挥了关键作用。然而，传统的EIS测试成本高且操作复杂，难以用于受空间

和成本限制的车载工况。本研究采用车规级的电池管理芯片，构建了一套包含EIS

在线采集功能的电池管理系统（BMS），并且进一步探索了多种实时评估锂离子电

池SOH及RUL的方案，具体如下：

（1）首先，针对传统SOH和RUL预测模型所使用的输入数据特征因子提取困

难的问题，本文提出了一种结合多孔电极和等效电路模型的综合分析电池内部阻

抗频率响应特性的方法用于揭示电池的老化行为。通过结合宏观老化机制与EIS

数据关系，确定了使用EIS数据作为特征可以实现高效的SOH和RUL预测。

（2）其次，针对传统EIS采集设备体积大、环境要求苛刻而难以进行车载应

用的问题，本文提出了一种基于赛车工况的在线EIS采集集成策略。通过在极限

空间条件下布置完整的开尔文四线采样方案，并且将双采样回路分离布线，搭配

新型模拟前端芯片构建了一套包含EIS在线采集功能的BMS，最终部署于自制赛

车电池包中完成了装车测试。测试结果表明该系统无论在赛车还是实验室环境下

都实现电化学阻抗谱的可靠数据处理。

（3）进一步地，使用3法则和信噪比指标验证了BMS系统的阻抗采集精度，

随后通过外置传感器和有限状态机实现了EIS自动采集，解决了传统离线EIS采

集操作繁琐的问题。同时，针对众多基于EIS数据的电池建模方式用于SOH和

RUL预测时的选择难题，提出了一种多维度电池建模评价体系，通过结合拟合精

度、拟合速度和皮尔逊相关系数等多种指标，对比了等效电路模型和弛豫时间分

布两种电池建模方式，为基于模型数据SOH和RUL预测提供了电池建模指导。

（4）最后，针对车载系统中预测精度和算力限制间的矛盾问题，提出了两种

基于电池模型数据特点的SOH和RUL预测算法实现路径。通过使用贝叶斯优化

和改进鲸鱼优化算法对随机森林和反向传播神经网络算法中的超参数的进行优化，

并且在算法评估中加入处理器在环仿真技术，实现了低至0.23%的预测误差的同

时，成功将预测算法部署于BMS系统中并验证了对BMS功能的无影响。

关键词：电化学阻抗谱，锂电池管理，剩余寿命预测，新能源汽车，机器学习

I

ABSTRACT

ABSTRACT

AccuratelyassessingtheStateofHealth(SOH)andRemainingUsefulLife(RUL)

ofbatteriesiscrucialforensuringthesafeandreliableoperationofnewenergyvehicles.

ElectrochemicalImpedanceSpectroscopy(EIS)servesasavitaltoolinassessingbattery

aging,playingakeyroleinenhancingbatteryperformanceandlifeprediction.However,

traditionalEIStestingiscostlyandoperationallycomplex,makingitimpracticalforon-

boardapplicationslimitedbyspaceandcost.Thisthesisdevelopsabatterymanagement

system(BMS)withonlineEISdatacollectioncapabilitiesusingautomotive-gradebattery

managementchipsandexplores