CN103645377A

CN103645377A - 基于动态矩阵控制算法的电池许用功率预测方法

Info

Publication number: CN103645377A
Application number: CN201310721633.7A
Authority: CN
Inventors: 程勇; 王丽梅; 邹驹
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2013-12-24
Filing date: 2013-12-24
Publication date: 2014-03-19
Anticipated expiration: 2033-12-24
Also published as: CN103645377B

Abstract

本发明公开了基于动态矩阵控制算法的电池许用功率预测方法，包括以下步骤：基于电池等效电路模型及动态矩阵控制算法原理建立电池模型表达式；利用采集的电池端电压与电流基于最小二乘法在线辨识电池模型参数；以当前的电池模型参数为基准，结合设定的电池截止电压，通过动态矩阵预测算法结合二分法预测未来一段时间内电池最大持续放电电流；根据计算的电池最大持续电流及设定的电池截止电压获得电池许用功率。本发明的有益效果是引入动态矩阵控制算法用于模型参数识别及电池状态预测，提高了电池许用功率的预测精度。

Description

基于动态矩阵控制算法的电池许用功率预测方法

技术领域

本发明涉及电池参数预估，具体涉及基于动态矩阵控制算法的电池许用功率预测方法。背景技术

混合动力汽车的核心技术是能量管理策略，合理的能量管理策略有利于充分利用发动机和电机各自的优势，达到良好的节能减排效果。

制定合理的能量管理策略需要实时获取电池的SOC(State of charge)、SOH(State ofhealth)及电池的瞬态许用功率。在上述参数中，SOC、SOH的精确估算前人已经进行了大量的研究工作，也取得了令人满意的结果。电池的剩余许用功率的估计难点是不同的电池老化程度、使用环境及工作模式下，电池的参数不同。故电池剩余许用功率的准确预估，不仅依赖于电池模型的精确，同时依赖于电池模型参数辨识的精度。

发明内容

为解决现有技术存在的不足，本发明公开了基于动态矩阵控制算法的电池许用功率预测方法，利用动态矩阵控制算法将电池等效电路模型线性化，通过最小二乘法进行模型参数在线辨识，利用动态矩阵控制算法的超前预估功能进行电池可用功率的预测的新方法。这种方法区别于前人工作是引入动态矩阵控制算法用于模型参数识别及电池状态预测。

为实现上述目的，本发明的具体方案如下：

基于动态矩阵控制算法的电池许用功率预测方法，包括以下步骤：

步骤一：基于电池等效电路模型及动态矩阵控制算法原理建立电池模型表达式；

步骤二：利用采集的电池端电压与电流基于最小二乘法在线辨识电池模型参数；

步骤三：以当前的电池模型参数为基准，结合设定的电池截止电压，通过动态矩阵预测算法预测未来一段时间内电池最大持续放电电流；

步骤四：根据计算的电池最大持续电流及设定的电池截止电压获得电池许用功率。

所述步骤一中电池等效电路模型为多阶RC等效电路模型。

所述电池模型表达式为：

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} V_{R_{i}}

其中，E_m为电池开路电压，

为欧姆内阻上压降，

用于描述R_iC_i上的压降。

R_iC_i用于描述电池的浓差极化及电化学极化等动态特性，i=1,2,…,n，电池端电压的描述式为：

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} {IR}_{i} (1 - e^{- t / R_{i} C_{i}}) .

其中，R_i、C_i分别为电池的极化内阻和极化电容，I表示流过电池的总电流。

将多阶RC等效电路模型的动态响应部分R_iC_i网络用一个有限项采样值A_i＝(a_i1,a_i2,…a_iN)描述，其中a_ij表示第i阶R_iC_i网络在未来j时刻对单位阶跃响应的采样值，N_i为第i阶R_iC_i网络输出稳定所需要的时域长度，k时刻电池端电压的多阶RC等效电路模型表达式如下：

V_{k} = E_{m} - I_{k} R_{o} - Σ_{i = 1}^{n} R_{i} (I_{k - N_{i}} + Σ_{j = 1}^{N_{i}} (I_{k - j} - I_{k - j - l}) a_{ij}) .

所述步骤二的具体过程为：电池等效电路模型参数辨识依据实测的电池电流及电压信号，通过选择恰当的时域长度N_i来描述R_iC_i值，利用最小二乘法在线辨识上式模型表达式中的模型参数，获得模型参数的在线辨识结果。

恰当的时域长度：通过对实测的电池电流信号进行傅里叶变化，得到电池电流信号的频带范围，从而求出刻画频带范围时域长度N_i。

上式模型表达式中的描述电池状态的模型参数，其中包括电池开路电压、电池欧姆内阻、电池极化内阻、电池极化电容。

所述步骤三的具体过程为：以当前的电池状态为基准，设定的放电截止电压，通过动态矩阵控制算法，结合步骤二提取的模型参数，利用二分法推算未来Δt时间内的最大持续放电电流，电池许用功率计算依据

P＝U_limitI_max，

其中P为电池的许用功率，U_limit代表设定的放电截止电压，I_max为电池Δt内的最大持续放电电流。

电池许用功率：电池在当前状态下还有多大功率可用。

本发明的有益效果：

本发明的有益效果是引入动态矩阵控制算法用于模型参数识别及电池状态预测，提高了电池许用功率的预测精度。本发明高精度的原因是通过在线辨识模型参数用于电池许用功率的预测，解决了电动汽车运行过程中，电池工作环境多变，且随着电池的老化，电池的模型参数会发生改变的问题。同时本发明利用动态矩阵算法在预测方面的优势，具有适用性强的特点，使用本发明还可以通过限制电池的最大电流，保护电池，从而延长电池的使用寿命。

附图说明

图1为本发明采用的电池模型原理图；

图2为本发明提出的电池许用功率预测方法流程图。

具体实施方式：

下面结合附图对本发明进行详细说明：

本发明包括电池等效电路模型方程建立、电池等效电路模型参数辨识、电池许用功率预测。

图1为等效电路模型方程建立所采用的电池模型示意图，当然本发明不限于此电池模型，这里只是为了便于阐述。基于基尔霍夫定律得到附图1所示电池等效电路模型关系式:

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} V_{R_{i}},

其中，E_m为电池开路电压，R₀为电池的欧姆内阻，V表示电池的端电压，

为欧姆内阻上压降。

用于描述R_iC_i上的压降R_iC_i用于描述电池的浓差极化及电化学极化等动态特性，i=1,2,…,n，电池端电压的描述式为：

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} {IR}_{i} (1 - e^{- t / R_{i} C_{i}}) .

动态矩阵控制算法是一种基于对象阶跃响应的预测控制算法，它能够以模型为基础，根据当前已知的输入输出数据及假设的未来输入来预测系统未来的输出。

基于上述原理，将多阶RC等效电路模型的动态响应部分R_iC_i网络用一个有限项采样值A_i＝(a_i1,a_i2,…a_iN)描述，其中a_ij表示第i阶R_iC_i网络在未来j时刻对单位阶跃响应的采样值，N_i为第i阶R_iC_i网络输出稳定所需要的时域长度。k时刻电池端电压的多阶RC等效电路模型如下：

V_{k} = E_{m} - I_{k} R_{o} - Σ_{i = 1}^{n} R_{i} (I_{k - N_{i}} + Σ_{j = 1}^{N_{i}} (I_{k - j} - I_{k - j - l}) a_{ij}) .

图2为本发明提出的电池许用功率预测方法流程图。电池许用功率预测方法主要分为4个阶段。

电池模型表达式建立阶段是基于电池等效电路模型及动态矩阵控制算法原理，建立用于电池许用功率预测的电池模型表达式。

在线辨识模型参数阶段，依据实测的电池电流及电压信号进行，对实测的电池电流信号进行频域分析，从而选择恰当的时域长度N_i来描述R_iC_i值，然后利用最小二乘法在线辨识上式模型表达式中的模型参数。通过对实测的电池电流信号进行傅里叶变化，得到电池电流信号的频带范围，从而求出刻画频带范围时域长度Ni；上式模型表达式中的描述电池状态的模型参数，其中包括电池开路电压、电池欧姆内阻、电池极化内阻、电池极化电容。

未来一段时间内电池最大持续电流计算阶段，以在线辨识得到的电池模型参数作为当前的电池状态为基准，结合设定的放电截止电压，通过动态矩阵控制算法，结合上述提取的模型参数，利用二分法推算未来一段时间内的最大持续放电电流。

电池许用功率计算阶段，计算的电池最大持续电流及设定的电池放电截止电压，依据P＝U_limitI_max来计算电池许用功率，其中P为电池的许用功率，U_limit代表设定的放电截止电压，I_max为电池Δt内的最大持续放电电流。

Claims

1.基于动态矩阵控制算法的电池许用功率预测方法，其特征是，包括以下步骤：

2.如权利要求1所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，所述步骤一中电池等效电路模型为多阶RC等效电路模型。

3.如权利要求1所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，所述电池模型表达式为：

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} V_{R_{i}}

其中，E_m为电池开路电压，

为欧姆内阻上压降，

用于描述R_iC_i上的压降。

4.如权利要求3所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，所述R_iC_i用于描述电池的浓差极化及电化学极化等动态特性，i=1,2,…,n，电池端电压的描述式为：

V = E_{m} - V_{R_{0}} - Σ_{i = 1}^{n} {IR}_{i} (1 - e^{- t / R_{i} C_{i}}),

5.如权利要求4所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，将多阶RC等效电路模型的动态响应部分R_iC_i网络用一个有限项采样值A_i＝(a_i1,a_i2,…a_iN)描述，其中a_ij表示第i阶R_iC_i网络在未来j时刻对单位阶跃响应的采样值，N_i为第i阶R_iC_i网络输出稳定所需要的时域长度，k时刻电池端电压的多阶RC等效电路模型表达式如下：

V_{k} = E_{m} - I_{k} R_{o} - Σ_{i = 1}^{n} R_{i} (I_{k - N_{i}} + Σ_{j = 1}^{N_{i}} (I_{k - j} - I_{k - j - l}) a_{ij}) .

6.如权利要求1所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，所述步骤二的具体过程为：电池等效电路模型参数辨识依据实测的电池电流及电压信号，通过选择恰当的时域长度N_i来描述R_iC_i值，利用最小二乘法在线辨识上式模型表达式中的模型参数，获得模型参数的在线辨识结果。

7.如权利要求1所述的基于动态矩阵控制算法的电池许用功率预测方法，其特征是，所述步骤四的具体过程为：以当前的电池状态为基准，设定的放电截止电压，通过动态矩阵控制算法，结合步骤二提取的模型参数，利用二分法推算未来Δt时间内的最大持续放电电流，电池许用功率计算依据

P＝U_limitI_max，