电动汽车锂离子动力电池优化充电策略研究

电池自问世以来，学者们没有停止过对它的研究。从伏打电池到现在的锂离子电池，成熟的技术推动电池广泛应用于全世界的各个场所。如今，锂离子动力电池已成功应用于电动汽车内，成为当今能源技术研究的重点。据相关推测表明，到2050年，电动汽车与混合动力汽车销售量将达到1亿辆。但是锂离子电池依旧存在着充电时间长、电池寿命短的缺陷。为此众多学者展开了研究。

如果寻找到一种充电时间短、电池放热量低同时不降低电池寿命的充电策略，这将极大的提高锂离子动力电池在日常生活的使用效率。目前针对于电池充电策略的研究并不多，近些年在电池充电安全与充电速率要求越来越高的情况下，部分学者开始对充电策略进行优化。为保证优化的准确性，相关的电池模型的研究也在开展。本文将对等效电路模型现状进行简述，后续对充电曲线优化的研究现状进行综述，并讨论电池充电策略相关研究的发展方向。

 NO.1 

等效电路模型的研究现状

众多学者针对锂离子电池模型精度做出对应优化，不断增加内部结构使其越来越符合电池的基本特性，本工作基于适用范围、计算复杂程度和现阶段实际需求，对现阶段应用较为广泛的等效电路模型进行简述。如图1a所示，Rint模型由电压源和欧姆内阻组成，该方式实现简单，但是由于精度太低、误差太大，现阶段已基本不采用该模型。

如图1b所示，Thevenin模型在Rint模型的基础上，加上一组RC并联电路，图中Rp表示极化电阻，Cp表示极化电容。该模型在Rint模型的基础上，考虑了极化反应，体现出非线性动态特性，使得模型精度得到了大幅度提高。该模型的实现策略简单，内部参数识别也较为方便，现阶段应用较为广泛。但是该模型未考虑时间尺度上因素的变化，在长时间的仿真分析中无法保证模型精度。由于电池内部结构复杂，Thevenin 模型难以将其复杂的动态特性与极化反应表现出来，如图1c所示，在Thevenin模型的基础上，增加一个RC环节为二阶RC模型进一步提高模型的精度。

图1等效电路模型

PNGV 模型（标准电池模型）提出后，《Freedom CAR 电池试验手册》中提出了参数识别办法，沿用至今。如图2a所示，该模型在Thevenin模型基础上，增加了一个电容Cp，考虑了电流与OCV的影响，并通过计算得知开路电压与时间的积分变化。该模型弥补了Thevenin在长时间仿真上精度不高的缺陷。
林成涛等基于动力电池内部内阻可划分为欧姆内阻、电化学极化内阻和浓差极化内阻这一原理，提出GNL模型，对电池的欧姆极化、电化学极化、浓差极化进行建模。如图2b所示，Rp、Cp为电化学极化内阻与电容，Re、Ce为浓差极化内阻与电容，Rs为自放电电阻，Ro为电池内阻。该模型精度提高，但参数增多，构建模型的难度也随之增加以至于实际工程应用较少。

图2 等效电路模型

 NO.2

电池充电策略优化

目前充电策略大致为七种，按照是否抑制电池极化可分为常规充电策略和快速充电策略。常规充电策略包含：恒流充电、恒压充电、恒流恒压充电；快速充电策略包含：阶段充电、间歇充电、脉冲充电和智能充电。其中恒流充电与恒压充电两种充电方式实际应用价值过低；智能充电采用电脑实时控制，不同于其他六种有明显的充电特征，因此将单独进行讨论。充电策略优化主要通过抑制电池的极化作用，从而提高电池的充电时间和充电效率，降低电池的温升。在上述原理的基础上诞生了快速充电策略，在此基础上，将现代优化算法融入其中，利用算法的自动寻优特性和电池模型结合，将上述快速充电策略进行有针对性的优化。

2.1 恒流恒压充电策略
恒流充电与恒压充电策略都有着不可避免的缺陷，为使充电速度提高，充电安全性提升，故将上述两种策略结合，提出了恒流恒压充电策略。该策略充电初始阶段使用恒流充电提高充电速度，结束阶段使用恒压充电判断停止节点。随着社会对充电速度的要求，2014年，D.Anseán等对磷酸铁锂电池充电在CCCV的基础上进行优化，将充电阶段分成分成恒流阶段1、恒流阶段2与恒压阶段。结果表明：该方案能在20min达到完全充电，4500次循环之后依旧能在一小时内将电池充满。该实验在室温23 ℃的环境下进行，整个充电过程中最高温度未达到30 ℃，虽然温升为7 ℃，但相较于充电速度而言，该温升是可以接受的。
2017年，Liu Kailong等将Thevenin模型与改进电池热模型结合，使用CARIMA模型作为GPC控制器的在线自校正预测模型对电池进行热约束与电约束。该文在不同室温、不同散热系数等因素下对CCCV充电过程中的电流量进行控制，在保证电流充电速度的同时抑制了电池的温升。2019年，陈德海等将PNGV模型改进，并将恒流阶段电流判定策略改成OCV 使用二分法查表判定策略，对极化电压与开路电压修正。结果表明：该策略在15~20 min内达到截止电压，充电效率达到94.3%，大幅度提高电池充电时间与充电效率。

2.2 多阶段恒流充电策略

阶梯充电策略由恒流恒压充电改进而来，该策略将恒压阶段去除，将恒流阶段分成不同阶段的恒流，一般而言，阶梯充电为阶梯递减充电策略。如图3所示，阶段1电流大于阶段2电流，以此类推。该策略阶段跳转的条件判断为截止电压，阶段1大电流充电至截止电压后，跳至下一阶段，直至充电结束。
Jiang Jiuchun 等基于Thevenin定量分析了充电电流、老化状态等因素对极化电压特性的影响，并在限定极化电压大小情况下，提出了模糊控制充电策略。结果表明：该策略充电时间比1C 恒流恒压充电约高32%，温升降低25%，与0.3C 恒流恒压充电时间降低50%，温升提高1 ℃。模糊控制策略效果明显，但是由于模糊控制的模糊性质，导致其稳定性和鲁棒性比较差，实际应用十分受限。黄柯等采用一阶RC模型与遗传算法结合，构建了基于最小损耗的充电策略问题，得到了不同充电时间下的最优充电曲线，该充电曲线下，有效缩减0.73%到1.23%损耗。
Min Haitao 等采用Thevenin 与多目标粒子群算法结合，对充电阶数与各阶段电流进行优化。结果表明：随着阶数等增加，优化效果不断增加，但是当阶数大于5后，提高的效果有限；在对充电时间、充电容量、能力损失三个因素的权重分析后，选择折中的充电策略，该策略相较于普通充电与快速充电，充电性能相对提高80%以上。

图3 阶梯充电

Zhang Caiping 等基于极化电压的基础上，对电池充电时间与温升进行平衡，利用遗传算法进行优化。结果表明：该策略在满足极化电压约束情况下，显著缩短了充电时间，且与0.5C CCCV充电700次循环后的容量保持一致，延长了电池寿命。Ye Min等使用遗传算法，权衡了充电时间与温升之间的关系，提出了一种既能缩短时间又能降低温升的多级充电策略。结果表明：在室温、10 ℃、25 ℃、40 ℃环境下，如图4a所示充电时间相较于CCCV 缩短了1.9%、5.3%、8.56% 和9.54%，如图4b 所示充电温升降低了48.6%、28.3%、67.3%和17.9%。
多目标优化中加权因子取值是一个比较棘手的问题，不同的取值决定着优化结果的质量，吴铁洲等构建二阶RC模型，进行充电时间与能量损耗的多目标优化，使用模糊控制来确定多目标优化算法中的加权因子，运用改进鲸鱼优化算法得到分段式充电方法，如表1所示，该方法效果对比1C充电与五阶充电方法在温升、能量损耗与充电时间方面有明显提升。

图4 充电时间与温升

2.3 脉冲充电策略

随着SOC的增加，当电池变得更容易受到大浓度差造成的不利影响时，应该更严格地实施这一限制。脉冲充电能够有限的限制该极化作用，为降低电池极化作用，增加电池的充电效率，在充电周期结束后停止一段时间或增加一个放电环节。
Fang Huazhen 等采用二阶RC 电路用来模拟电池内部电路，基于该电路开发脉冲调制充电方法。协调健康保护与充电速度后，提出了线性控制理论得到两种充电方法分别调节充电过程的脉冲大小与宽度。在初始8 A充电后采用上述策略，电池极化持续下降。熊会元等与上述相同使用二阶RC 电路模型，在开始阶段使用0.5C正负脉冲充电电流，到达3.6 V后改用1.0C，到达3.7 V后改用1.5C，达到3.8 V后采用2C正负脉冲电流，直至截止电压。实验结果显示能够提高充电速度，同时充电时间大幅降低。但是充电末期采用大电流充电方式易造成过充起火事件，该充电方式的实际应用还有待验证。
Meng Di Yin等从最优频率搜索和最优占空比搜索，通过动态频率控制，得到了脉冲充电方法相较于恒流恒压充电快18.6%左右。但该方法运用了较为复杂的算法与脉冲充电控制，较难应用于实际中，并且电流进行转换时电流变化较大，可能会对电池造成损伤。
脉冲充电方法虽然对浓差极化有明显的抑制作用，但是相关研究表明脉冲电流对于锂离子的运输是不利的，也有部分学者观察到脉冲频率低于10 Hz时锂离子动力电池存在寿命下降问题，现阶段脉冲电流对于锂离子的潜在影响依旧还存在争议。

2.4 智能充电策略

上述几种充电策略都是在获得参数之后进行优化，然后得出固定的电流与时间等参数，形成特定的充电策略。智能充电策略则不同于以上几种，该充电策略在于实时获取电池电压和电流的变化速率来判断充电状态，依据充电状态调整电流大小从而保持在最优的充电水平。袁臣虎等将马斯充电曲线应用于智能充电中，根据马斯充电曲线的不同阶段选择不同的充电策略，该方式提前限定了充电策略，在一定程度上减少了计算机运算过程。仿真结果表明：该方式能够有效降低电池极化电压，缩短充电后期时间。
Wu Xiaogang 等以充电时间与能量损耗为优化目标，以一阶电路为动态模型，在该模型的基础上，依照DP算法计算目标函数，在分析比较了不同权重下多目标优化结果与0.5C恒流恒压充电的优劣。结果表明：在权重为0.5时该方法在保证电池容量后充电时间减少了7.66%，能量损耗减少了5.45%。