CN106291393B - 一种用于在线识别电池模型参数的方法 - Google Patents

一种用于在线识别电池模型参数的方法 Download PDF

Info

Publication number
CN106291393B
CN106291393B CN201611022687.4A CN201611022687A CN106291393B CN 106291393 B CN106291393 B CN 106291393B CN 201611022687 A CN201611022687 A CN 201611022687A CN 106291393 B CN106291393 B CN 106291393B
Authority
CN
China
Prior art keywords
battery
parameter
open
ocv
circuit voltage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611022687.4A
Other languages
English (en)
Other versions
CN106291393A (zh
Inventor
廖茜
陕亮亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Yajun New Energy Technology Co.,Ltd.
Original Assignee
Chengdu Yajun New Energy Automobile Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Yajun New Energy Automobile Technology Co Ltd filed Critical Chengdu Yajun New Energy Automobile Technology Co Ltd
Priority to CN201611022687.4A priority Critical patent/CN106291393B/zh
Publication of CN106291393A publication Critical patent/CN106291393A/zh
Application granted granted Critical
Publication of CN106291393B publication Critical patent/CN106291393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及锂离子电池技术领域，特别是一种在线识别电池模型参数的方法。具体包括以下过程：步骤一、建立电池等效电路模型，建立电池模型方程，将电流、端电压作为已知量输入模型方程；步骤二、对电池模型方程进行变形，将开路电压、电阻和电容作为未知参数，获得差分方程；步骤三、通过参数识别计算出未知参数开路电压、电阻和电容。将开路电压作为未知参数，采用带遗忘因子的递推最小二乘法进行在线识别，不需要前期进行实验，降低了成本，简化了参数识别流程，并且减小了开路电压实验测量值与汽车实际运行时开路电压参数值得差异。

Description

一种用于在线识别电池模型参数的方法
技术领域
本发明涉及锂离子电池技术领域，特别是一种在线识别电池模型参数的方法。
背景技术
随着电动汽车的发展，准确的估算电池SOC(荷电状态)对电池管理系统的设计非常重要也是电动汽车发展中亟待解决的主要问题之一。因为电池SOC并不是一个可以直接测量的量，可以直接得到的数据只有电流、端电压和温度，所以只能通过一些直接测量的数据来估算SOC。目前比较常用的是采用卡尔曼滤波算法来估算SOC，而卡尔曼滤波算法是基于电池内部状态设计的算法，因此建立准确的电池模型是准确估算SOC的关键。
目前对电池的研究一般是建立电池的等效电路模型，将电池内部复杂的电化学反应转化为由电阻、电容、电源等电器元件组合成的等效电路，从而反映电池的外部特性。通过离线实验的方法可以确定出电池模型中的大致参数范围，但是汽车在实际运行过程中电池参数会随着温度、SOH等因素发生变化，而且每个电池的参数有差别，所以在此基础上引入电池参数的在线识别，对参数做出实时的修正，增强系统的适应性。
传统方法中，利用带遗忘因子的递推最小二乘法，将电流、端电压、开路电压作为已知量输入模型，而只将电阻、电容作为未知参数进行识别。其中电流、端电压可以直接测量得到，但是开路电压仍然需要通过离线实验得到不同温度和SOC下对应的开路电压值，增加了识别的复杂性，提高了成本，同时随着电池性能的衰减开路电压也会变化，由此估算出的SOC可能存在一定的误差。由此可以看出目前针对开路电压的识别主要存在成本高和准确度不能保证的问题。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供了一种在线识别电池模型参数的方法。
本发明采用的技术方案如下：一种在线识别电池模型参数的方法，具体包括以下过程：步骤一、建立电池等效电路模型，建立电池模型方程，将电流、端电压作为已知量输入模型方程；步骤二、对电池模型方程进行变形，将开路电压、电阻和电容作为未知参数，获得差分方程；步骤三、通过参数识别计算出未知参数开路电压、电阻和电容。
进一步的，所述电池模型方程为U0(t)＝Uocv-Up(t)-i(t)*R，i(t)＝Up(t)/Rp+Cp*d(Up(t))/dt，其中，Uocv为电池的开路电压，R为电池充放电内阻，Rp为电池的极化电阻，Cp为电池的极化电容，i(t)为电池的充放电电流，U0为端电压，Up为极化电压，所述Uocv、R、Rp和Cp为未知参数，所述i(t)、U0和Up通过对电池进行实际测量得到已知参数。
进一步的，根据电池模型方程通过使用递推的最小二乘法进行拉氏变换得到其中I(s)为拉氏变换后的电流，U(s)为拉氏变换后的端电压，S为复频率；再进行离散化处理，给系统加上零阶保持器得其中T为采样时间；然后进行Z变换后整理得到对应的差分方程： 其中其中k为当前时刻，u(k)为当前时刻的端电压。
进一步的，令b＝-R，c＝Re-θT，d＝uocv(k)-auocv(k-1)，则u(k)＝au(k-1)+bi(k)+ci(k-1)+d，通过参数识别求解到a，b，c，d；则获取到未知参数：电池的极化电阻电池的极化电容电池的开路电压uocv(k)＝d+auocv(k-1)。
与现有技术相比，采用上述技术方案的有益效果为：本发明不通过实验得到电池模型中的开路电压，而是将开路电压作为未知参数，采用带遗忘因子的递推最小二乘法进行在线识别，不需要前期进行实验，降低了成本，简化了参数识别流程，并且减小了开路电压实验测量值与汽车实际运行时开路电压参数值得差异，同时电池模型除了输入测得的电流和端电压外，不需要额外输入参数，减小了其他因素对电池模型的影响。
附图说明
图1是本发明电池等效电路模型结构示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
一种在线识别电池模型参数的方法，具体包括以下过程：步骤一、建立电池等效电路模型，如图1所示，电池的极化电容Cp与电池的极化内阻Rp并联后依次连接电池的开路电压Uocv和电池的充放电内阻R形成串联电路，所述串联电路的两端为端电压U0，建立电池模型方程，将电流、端电压作为已知量输入模型方程；步骤二、对电池模型方程进行变形，将开路电压、电阻和电容作为未知参数，获得差分方程；步骤三、通过参数识别计算出未知参数开路电压、电阻和电容。可以不用通过离线实验的方法测量不同温度和SOC下对应的开路电压，降低参数识别的复杂性，而且随着电池的使用，开路电压会变化，离线测量会有一定的误差，将电池的开路电压与电阻和电容一起做为未知参数，进行在线识别，对电池参数做出实时修正。
所述电池模型方程为：
U0(t)＝Uocv-Up(t)-i(t)*R (1-1)，
i(t)＝Up(t)/Rp+Cp*d(Up(t))/dt (1-2)，
其中，Uocv为电池的开路电压，R为电池充放电内阻，Rp为电池的极化电阻，Cp为电池的极化电容，i(t)为电池的充放电电流，U0为端电压，Up为极化电压，所述Uocv、R、Rp和Cp为未知参数，所述i(t)、U0和Up通过对电池进行实际测量得到已知参数。
根据电池模型方程通过使用递推的最小二乘法进行拉氏变化得到：
其中I(s)为拉氏变换后的电流，S为复频率，U(s)为拉氏变换后的端电压；为了在计算机中运行，需要进行离散化处理，因此给系统加上零阶保持器得:
其中T为系统采样时间；然后进行Z变化后整理得到对应的差分方程：
其中其中k为当前时刻，u(k)为当前时刻的端电压。令b＝-R，c＝Re-θT，d＝uocv(k)-auocv(k-1)，上式(1-5)可以表示为：
u(k)＝au(k-1)+bi(k)+ci(k-1)+d (1-6)。
将多项式方程(1-6)化为如下形式：
其中，u(k)为当前时刻的端电压，通过当前时刻度对电池包的实际测量得到，η＝[a b c d]T，u(k)、i(k)为观测数据，是通过对电池包进行离线实际测的参数，η是估计参数。本实施例测量了m组观测数据，可得到向量U的方程式：
U＝Φη+e (1-8)
U＝[u(1)，u(2)，u(3)……u(m)]T
令当时J的值最小，则求得估计参数
系统运行时，引入一组新的观测数据，就利用新引入的数据按递推公式去修正前次估计的结果，从而得到新的参数估计值。
增加新的观测数据后的矩阵为
其中，YN为前N个观测数据的矩阵。
引入遗忘因子ρ(0≤ρ≤1)的数据矩阵为
由此得到递推最小二乘算法的递推公式如下：
其中为当前时刻的估计值，为上一时刻的估计值，GN+1为当前时刻的增益因子，PN+1为当前时刻的误差矩阵。
为了启动该算法，需要提供初始的η和P，令η＝[1；1；1；1],P＝[10^10 0 0 0；0 10^10 0 0；0 0 10^10 0；0 0 0 10^10]。
通过参数识别求解得到a，b，c，d，则获取到未知参数：电池的极化电阻电池的极化电容电池的开路电压uocv(k)＝d+auocv(k-1)。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (2)

1.一种在线识别电池模型参数的方法，其特征在于：包括以下过程：步骤一、建立电池等效电路模型，建立电池模型方程，将电流、端电压作为已知量输入模型方程；步骤二、对电池模型方程进行变形，将开路电压、电阻和电容作为未知参数，获得差分方程；步骤三、通过参数识别计算出未知参数开路电压、电阻和电容；
所述电池模型方程为U0(t)＝Uocv-Up(t)-i(t)*R，i(t)＝Up(t)/Rp+Cp*d(Up(t))/dt，其中，Uocv为电池的开路电压，R为电池充放电内阻，Rp为电池的极化电阻，Cp为电池的极化电容，i(t)为电池的充放电电流，U0为端电压，Up为极化电压，所述Uocv、R、Rp和Cp为未知参数，所述i(t)、U0和Up通过对电池进行实际测量得到已知参数；
根据电池模型方程通过使用递推的最小二乘法进行拉氏变换得到其中I(s)为拉氏变换后的电流，U(s)为拉氏变换后的端电压，S为复频率；再进行离散化处理，给系统加上零阶保持器得其中T为采样时间；然后进行Z变换后整理得到对应的差分方程： 其中其中k为当前时刻，u(k)为当前时刻的端电压。
2.如权利要求1所述的在线识别电池模型参数的方法，其特征在于：令b＝-R，c＝Re-θT，d＝uocv(k)-auocv(k-1)，则u(k)＝au(k-1)+bi(k)+ci(k-1)+d，通过参数识别求解到a，b，c，d；则获取到未知参数：电池的极化电阻电池的极化电容电池的开路电压uocv(k)＝d+auocv(k-1)。
CN201611022687.4A 2016-11-18 2016-11-18 一种用于在线识别电池模型参数的方法 Active CN106291393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611022687.4A CN106291393B (zh) 2016-11-18 2016-11-18 一种用于在线识别电池模型参数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611022687.4A CN106291393B (zh) 2016-11-18 2016-11-18 一种用于在线识别电池模型参数的方法

Publications (2)

Publication Number Publication Date
CN106291393A CN106291393A (zh) 2017-01-04
CN106291393B true CN106291393B (zh) 2019-02-15

Family

ID=57721646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611022687.4A Active CN106291393B (zh) 2016-11-18 2016-11-18 一种用于在线识别电池模型参数的方法

Country Status (1)

Country Link
CN (1) CN106291393B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106896325B (zh) * 2017-01-24 2020-08-14 广东恒沃动力科技有限公司 一种电池参数在线辨识方法及系统
CN106908732B (zh) * 2017-02-09 2019-05-10 北京长城华冠汽车科技股份有限公司 一种锂离子电池等效电路模型参数辨识方法和装置
CN107255786B (zh) * 2017-05-18 2020-06-30 中山职业技术学院 一种磷酸铁锂电池loc模型
CN107817451B (zh) * 2017-11-24 2020-06-16 北京机械设备研究所 动力电池模型在线参数的辨识方法、系统及存储介质
CN109633453B (zh) * 2018-12-28 2021-04-02 东莞钜威动力技术有限公司 电池参数在线辨识方法、装置及计算机可读存储介质
CN112147514B (zh) * 2020-09-25 2023-08-11 河南理工大学 基于rls的锂电池全工况自适应等效电路模型
CN112269133B (zh) * 2020-10-22 2021-09-21 合肥工业大学 一种基于预充电路模型参数识别的soc估计方法
CN113406497B (zh) * 2021-06-08 2023-05-23 中国科学院大学 电池等效电路模型的参数辨识方法及系统
CN113805086B (zh) * 2021-09-16 2024-04-30 安徽师范大学 一种锂离子电池内阻的快速估算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607397A (zh) * 2003-10-13 2005-04-20 上海燃料电池汽车动力系统有限公司 在线辨识动力蓄电池模型中各参数的方法
CN102368091A (zh) * 2010-06-22 2012-03-07 通用汽车环球科技运作有限责任公司 用于锂离子电池的适应性电池参数提取和soc评估
CN102930173A (zh) * 2012-11-16 2013-02-13 重庆长安汽车股份有限公司 一种锂离子电池荷电状态在线估算方法
CN102937704A (zh) * 2012-11-27 2013-02-20 山东省科学院自动化研究所 一种动力电池rc等效模型的辨识方法
CN103293485A (zh) * 2013-06-10 2013-09-11 北京工业大学 基于模型的蓄电池荷电状态估计方法
CN103544330A (zh) * 2012-07-13 2014-01-29 北汽福田汽车股份有限公司 锂离子电池的等效电路模型构建方法
CN103927440A (zh) * 2014-04-15 2014-07-16 国家电网公司 一种锂电池等效电路模型的参数辨识方法
CN104133373A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于改进型递推最小二乘的室温被控对象在线辨识算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9869725B2 (en) * 2012-05-16 2018-01-16 Robert Bosch Gmbh Battery system and method with capacity estimator

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607397A (zh) * 2003-10-13 2005-04-20 上海燃料电池汽车动力系统有限公司 在线辨识动力蓄电池模型中各参数的方法
CN102368091A (zh) * 2010-06-22 2012-03-07 通用汽车环球科技运作有限责任公司 用于锂离子电池的适应性电池参数提取和soc评估
CN103544330A (zh) * 2012-07-13 2014-01-29 北汽福田汽车股份有限公司 锂离子电池的等效电路模型构建方法
CN102930173A (zh) * 2012-11-16 2013-02-13 重庆长安汽车股份有限公司 一种锂离子电池荷电状态在线估算方法
CN102937704A (zh) * 2012-11-27 2013-02-20 山东省科学院自动化研究所 一种动力电池rc等效模型的辨识方法
CN103293485A (zh) * 2013-06-10 2013-09-11 北京工业大学 基于模型的蓄电池荷电状态估计方法
CN103927440A (zh) * 2014-04-15 2014-07-16 国家电网公司 一种锂电池等效电路模型的参数辨识方法
CN104133373A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于改进型递推最小二乘的室温被控对象在线辨识算法

Also Published As

Publication number Publication date
CN106291393A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN106291393B (zh) 一种用于在线识别电池模型参数的方法
Murnane et al. A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries
Cacciato et al. Real-time model-based estimation of SOC and SOH for energy storage systems
CN106291381B (zh) 一种联合估计动力电池系统荷电状态与健康状态的方法
Charkhgard et al. State-of-charge estimation for lithium-ion batteries using neural networks and EKF
Li et al. Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries
CN105334462B (zh) 电池容量损失在线估算方法
CN109444758A (zh) 电池荷电状态估计方法、装置、存储介质及计算机设备
Nejad et al. Online battery state of power prediction using PRBS and extended Kalman filter
CN105223487B (zh) 一种锂离子电池的多状态解耦估计方法
CN109581225A (zh) 电池在线参数辨识的能量状态估算方法及电池管理系统
He et al. An improved coulomb counting approach based on numerical iteration for SOC estimation with real-time error correction ability
Xiong et al. Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter
Jeon et al. Comparative study on the battery state-of-charge estimation method
CN109884550A (zh) 一种动力电池系统在线参数辨识与回溯方法
Nejad et al. Sensitivity of lumped parameter battery models to constituent parallel-RC element parameterisation error
Kim et al. State of charge estimation based on a realtime battery model and iterative smooth variable structure filter
Dai et al. An improved SOC estimator using time-varying discrete sliding mode observer
Chen et al. A novel sliding mode observer for state of charge estimation of EV lithium batteries
Pózna et al. Model identification and parameter estimation of lithium ion batteries for diagnostic purposes
CN114740385A (zh) 一种自适应的锂离子电池荷电状态估计方法
Unterrieder et al. Comparative study and improvement of battery open-circuit voltage estimation methods
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
Chen et al. Estimation of state of charge for lithium-ion battery considering effect of aging and temperature
CN110927582B (zh) 一种基于多种sigma点的锂电池SOC估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210427

Address after: 406, 4th floor, building 9, no.388, section 3, Chenglong Avenue, Chengdu Economic and Technological Development Zone (Longquanyi District), Sichuan 610000

Patentee after: Chengdu Yajun New Energy Technology Co.,Ltd.

Address before: 610000 Sichuan city of Chengdu province Tianfu Tianfu Avenue South Huayang Street No. 846

Patentee before: CHENGDU RAJA NEW ENERGY AUTOMOBILE SCIENCE AND TECHNOLOGY Co.,Ltd.