电动汽车电池包成组分析

电动汽车的续航是用户关心的一个焦点。而提高续航最直接的方式就是提高电池的比能量。而更高的电池能量密度，具有更高的电池内阻，进而带来更大的安全风险。故本文将重点关注电池的两个指标：比能量和温度。本文基于GT-SUITE和GT-Autolion介绍了一种简单实用的电动汽车电池包成组优化分析方法。该方法分两步。第一步，采用锂电池电化学仿真模块（GT-Autolion）结合遗传算法优化电芯，优化目标为最大化比能量和最小化电芯温度。由于两个目标权重的不同，共优化出4个电芯。第二步，将优化完的4种电芯分别成组，分析电池包的性能，并提出了一系列评价指标。

01 电芯优化方法      

     

   

1.1电芯模型及其标定    

   

GT-Autolion是GT-SUITE中的电化学仿真模块，其基于著名的P2D模型开发。该模块能够计算电芯的性能、老化以及机械变形。

图1 GT-Autolion 电化学仿真模块

由于电池的电化学模型比较复杂，故在使用前需要进行标定，也称为参数辨识。通常需要结合优化算法，进行自动参数辨识。电压和温度的标定结果如下图所示。在该测试数据中，每次均先进行1/3C的CCCV充电，然后进行不同倍率的放电。放电倍率分别为1/5、1/2、1C。结果表明，电芯的电化学模型精度满足要求。

图2 GT-Autolion电压和温度标定结果

   

1.2电芯优化设置    

   

设计因子

本文电芯的设计因子有4个，分别是正负极的涂覆厚度和孔隙率。增加涂覆厚度可以增加电芯能量，但是也会导致更高的内阻。增加孔隙率有助于锂离子在电解质中的输运，降低电芯内阻，但不利于提高电芯能量。

图3 更薄的电极和更大的孔隙率

图4 更厚的电极和更小的孔隙率

将设计因子无量纲化，

表1 设计因子范围

目标函数

电芯的设计目标有两个：比能量和电芯温度。对于该两目标的优化问题，首先将其转化为单目标的优化问题。

分别在每一组权重下优化出一个最优的电芯。故最终可优化出4个最优的电芯。

约束条件

电芯优化的约束条件有：

（1）不同电芯的尺寸与基础方案的电芯相同

（2）N/P比在1.1-1.4之间

（3）放电截止电压相同

02 电芯优化结果      

     

优化后的4个最优电芯方案如下表所示。所有的设计因子和设计目标均已进行无量纲化。从表中可以看出，不同的设计权重会导向完全不同的最优电芯方案。

表2 电芯最优设计方案（1.5C）

电芯设计目标的无量纲化的方式如下式所示，

图5 电压曲线

图6 电芯温度曲线

03 电池包性能分析方法      

     

将4种最优电芯方案分别进行成组。该Pack由N个模组并联。更靠近负载的并联支路将具有更大的电流。该电池包模型的假设包括：（1）各电芯均相同；（2）各电芯的传热边界相同；（3）1.5C放电过程中，当电芯电压低于截止电压，或电芯温度高于Cut Off温度时，电芯停止工作。

图7 电池包

电池包的比能量由下式决定，

不同模组的温度差异通过温度的标准差表征，如下式所示。

整个电池包的平均温度标准差由下式表征。

04 电池包分析结果      

     

从下图可以看出，Case A的电芯虽然具有最高的能量，但是成组后，由于电芯温度（Cut Off温度限值）的限制，电池包的能量却是最低的。Case C与基础方案的比能量基本相同。

图8 不同电池包的比能量（1.5C）

下图为各方案下的不同位置模组的温度对比。其中B_1表示最靠近负载的模组；B_M表示中间的模组；B_N表示末端的模组。从图中可以看出，靠近负载处的模组温度最高。且Case A 的模组温度相对于其他方案也是最高的。

图9 各方案下模组温度对比（1.5C）

下图为各电池包的平均温度标准差。从图中可以看出，更高的倍率带来了更大的温度不一致性。在1.5C下，越低的电芯内阻（Case C 和 Case D） 具有更好的温度一致性。

图10 电池包温度一致性

下图为电芯和电池包的帕累托前沿。从图中可以看出，当电芯成组时，电池包的性能均下降（比能量降低、电芯温度升高）。其中Case C 方案的电芯成组后在基本保持比能量的同时，还能明显降低电池包温度。故Case C 为最佳方案。

图11 无量纲化的电池温度和比能量（1.5C）