CN108072847B - 一种动力锂电池模型参数辨识和剩余电量的估计方法 - Google Patents
一种动力锂电池模型参数辨识和剩余电量的估计方法 Download PDFInfo
- Publication number
- CN108072847B CN108072847B CN201810086134.8A CN201810086134A CN108072847B CN 108072847 B CN108072847 B CN 108072847B CN 201810086134 A CN201810086134 A CN 201810086134A CN 108072847 B CN108072847 B CN 108072847B
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- voltage
- remaining capacity
- formula
- 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.)
- Expired - Fee Related
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
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种动力锂电池模型参数辨识和剩余电量的估计方法,步骤1:建立锂电池的二阶阻抗电容模型的状态空间方程;步骤2:建立端电压与开路电压关于电流的关系的回归模型;步骤3:对回归模型进行基于迭代学习的递推最小二乘法的参数辨识;步骤4:利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差,通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合;步骤5:验证步骤4得到的非线性函数和参数集合构成的电池模型精度;步骤6:采集电流和电压数据,通过扩展卡尔曼滤波进行剩余电量的估计;本发明模型参数辨识精确度高,剩余电量估计值误差小,具有良好应用前景。
Description
技术领域
本发明涉及新能源汽车电池管理技术领域,具体涉及一种动力锂电池模型参数辨识和剩余电量的估计方法。
背景技术
在国务院“十三五”国家科技创新规划中,发展新能源汽车是建立健全交通运输核心技术体系的第一项目。我国在新能源汽车发展上主推纯电动汽车,动力锂电池是纯电动汽车的核心能量来源。锂电池的剩余电量,即可用容量占额定容量的百分比,是保证锂电池安全工作,延长可用寿命的一个重要参数。锂电池内部电化学反应的复杂性,造成了电池系统的强非线性。目前也没有传感器能够直接测量剩余电量。所以,研究动力锂电池电池剩余电量的估计系统和估计方法,对于电动汽车发展是必要的。
在以往的剩余电量估计研究中,一般都使用基于模型的方法。一个准确的电池模型,在剩余电量的估计中扮演很重要的角色。因为其简便性和有效性,锂电池的等效电路模型被广泛地用来模拟电池的动态性能。对于等效电路模型参数的辨识方法,可以被大致分为离线辨识和在线辨识两类。其中离线辨识方法有曲线拟合法,离线最小二乘法等。离线方法通常用来处理新电池,且辨识的模型在电池寿命周期内是固定的。但是,总所周知的是电池的动态性能与它的温度,剩余电量和老化程度有关。因此,在线的辨识方法被提出来解决这些问题,如在线最小二乘法,双扩展卡尔曼滤波法等。通常,这些在线辨识方法只能辨识时不变和缓时变的模型参数。不过对于锂电池,因为内部的强非线性特性,其模型参数必然不会是时不变和缓时变的,上述在线辨识方法就会存在由于只能辨识时不变和缓时变的模型参数,导致建模精度下降的问题,进而成为造成剩余电量估计不准的主要因素。
发明内容
本发明提供一种通过观测电池之前的动态行为,在下一步迭代过程中提高辨识的精度,能够有效地辨识非线性电池模型参数,提高模型精度和剩余电量估计精度的动力锂电池模型参数辨识和剩余电量的估计方法。
本发明采用的技术方案是:一种动力锂电池模型参数辨识和剩余电量的估计方法,包括以下步骤:
步骤1:建立锂电池的二阶阻抗电容模型的状态空间方程;
步骤2:根据步骤1得到的模型建立端电压与开路电压关于电流的关系的回归模型;
步骤3:对步骤2得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识;
步骤4:利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差,通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合;
步骤5:验证步骤4得到的非线性函数和参数集合构成的电池模型精度;
步骤6:采集电流和电压数据,通过扩展卡尔曼滤波进行剩余电量的估计。
进一步的,所述步骤1的具体过程包括以下步骤:
S11:建立被控对象的等效电路模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
S12:根据上述等效电路模型建立系统的微分方程组,状态方程为:
输出方程为:
UT=UOC(SOC)-R0IT-U1-U2 (2)
其中,U1和U2分别表示为电容C1和C2两端电压,IT为流经电阻R0的电流,SOC为剩余电量,UOC(SOC)为开路电压与剩余电量SOC的函数关系,UT为端电压,Qn为额定容量, 为电压U1,U2和剩余电量SOC关于时间的导数。
进一步的,所述步骤2的具体过程如下:
S21:根据步骤1中的二阶阻抗电容模型,UT-UOC(SOC)关于电流IT的传递函数G(s)可以表示为:
其中s为拉氏变换的复变量,相关系数α1,α2,α3,α4,α5满足
S22:将公式(3)离散化,令h为采样间隔,z为离散化运算符;我们可以得到传递函数G(s)经过离散化后的传递函数G(z-1)为:
其中,β1,...,β5是替代因子并满足
S23:将带回公式(4)并与公式(3)相比较,根据两个公式所对应系数相等,可得到电池模型参数R0,R1,R2,C1,C2与替代因子β1,β2,β3,β4,β5的关系,并在迭代完成后,用迭代得到的替代因子来反解出模型参数:
S24:由公式(4)可得UT-UOC(SOC)关于电流IT有如下递推关系:
其中:k为离散时间轴,表示第k时刻;UT(k)为端电压,UT(k)为第k时刻的端电压,UOC(k),UOC(k-1),UOC(k-2)分别为第k,k-1,k-2时刻的开路电压;令UOC(k)=UOC(k-1)=UOC(k-2),,我们可以得到:
引入定义:y(k)=UT(k)为端电压,u(k)=IT(k)为电流,φ(k)=[1,y(k-1),y(k-2),u(k),u(k-1),u(k-2)]T为k时刻的回归元,是包括相应时刻k,k-1或k-2的开路电压及电流的矩阵,θ(k)=[(1-β1-β2)UOC,β1,β2,β3,β4,β5]为迭代参数,是包括替代因子和开路电压的矩阵,我们可以得到如下回归模型:
y(k)=φT(k)θ(k)+ω(k) (8)
其中φ(k)为回归元,θ(k)为未知时变参数集合,ω(k)为建模误差。
进一步的,所述步骤3的具体过程如下:
S31:根据步骤2得到的回归模型(8)可以转化成如下二维形式:
yj(k)=φj T(k)θj(k)+ωj(k) (9)
其中k为离散时间轴,j为迭代轴,表示第j次迭代,ωj(k)被假设为白噪声,其方差为σ2,yj(k),θj(k),ωj(k),φj T(k)为yj(k)为第j次迭代的端电压,θj(k)为第j次迭代的迭代参数,是包括替代因子和开路电压的矩阵,ωj(k)为第j次迭代的白噪声,φj T(k)为k时刻,第j次迭代的回归元矩阵的转置矩阵;
令回归模型可以被写成:
yj(k)=φj T(k)θ(k)+ωj(k) (10)
S32:对公式(10)得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识,通过已知向量yj(k)和φj T(k),得到参数向量θ(k)的估计值
令
Yj(k)=[y0(k) y1(k) ... yj(k)]T
Φj(k)=[φ0(k) φ1(k) ... φj(k)]T
Ωj(k)=[ω0(k) ω1(k) ... ωj(k)]T
其中Yj(k)为端电压集合矩阵,Φj(k)为回归元集合矩阵,Ωj(k)为建模误差集合矩阵;
由公式(10)可以得到如下矩阵形式:
Yj(k)=Φj T(k)θ(k)+Ωj(k) (11)
S33:则参数的最小二乘估计可以表示为:
S34:建立递推最小二乘法,定义矩阵Pj(k)的逆矩阵为:
Pj(k)为回归元集合矩阵Φj(k)的乘积矩阵的逆矩阵则:
根据矩阵逆公式,对于任意矩阵A,B,C,D,有(A+BCD)-1=A-1-A-1B(C-1+DA-1B)-1DA-1成立,并使B=φj(k),C=1,带入该公式可以得到:
则有:
S35:将公式(13)带入公式(12),可得:
所以移项可得:
将公式(14)带入公式(18),可得:
将公式(16)带入上式,则有:
其中εj(k)为校正误差;
基于迭代学习的递推最小二乘法总结如下:
进一步的,所述步骤4的参数估计过程如下:
S41:设定每次实验的电流uj(k),进行满电到放空的重复性实验;
S42:根据基于迭代学习的递推最小二乘辨识方法:第j次实验的预测误差εj定义为:
通过εj收敛,得到回归模型的系数,并解方程组(5),求得非线性函数UOC以及参数集合R0,R1,R2,C1,C2。
进一步的,所述步骤5过程如下:
设计放电工况,采集电流电压数据,以实验电流为电池模型输入,端电压为模型输出,将模型输出电压与实验采集的电压数据进行统计比较,验证步骤4得到的非线性函数和参数集合构成的电池模型精度。
进一步的,所述步骤6过程如下:
采集电流和电压数据,经低通滤波器滤波后,以实验电流为扩展卡尔曼滤波器输入,扩展卡尔曼滤波器估计得到的电压与实验采集的电压的差值作为校正参数,通过扩展卡尔曼滤波进行剩余电量的估计。
本发明的有益效果是:
(1)本发明采用基于迭代学习的递推最小二乘法,对常见的锂电池等效电路模型参数进行了精确辨识,得到随剩余电量变化的参数集合;
(2)本发明利用重复实验的数据,通过学习之前实验的估计误差,来改善本次迭代的参数估计效果,对参数进行离线辨识,辨识精度高;
(3)本发明与经典递推最小二乘法辨识相比双扩展卡尔曼滤波等方法的辨识结果更为精确,克服了传统方法难以辨识由于锂电池的强非线性导致的强非线性的模型参数问题,可以辨识较快时变的模型参数;
(4)本发明利用辨识得到的模型参数,通过经典扩展卡尔曼滤波方法进行电量估计,结果显示各工况下剩余电量估计误差均在2%以内,具有良好的应用前景。
附图说明
图1为本发明提供的等效电路模型参数辨识方法的系统框图。
图2为本发明提供的等效电路模型参数辨识方法以及剩余电量估计系统的具体实施步骤的流程图。
图3为本发明提供的等效电路模型参数辨识方法的被控对象等效模型简图。
图4为本发明提供的等效电路模型参数辨识方法中步骤4的迭代收敛过程示意图。
具体实施方式
下面将结合附图以及具体实施例,来对本发明采用的技术方案以及技术效果做进一步的说明。
如图1所示,动力锂电池剩余电量的估计系统包含:1、控制电池包进行充放电的充电装置和负载电路;2、对电池包电流进行采集的电流监测器,和对电池包进行电压采样的数模转换器;3、对电流监测器和数模转换器的数据进行采集的数据采集卡;4、起到滤波作用的低通滤波器,和电脑上的剩余电量估计算法模块。
对于一个由十节电池并联组成的锂电池包,首先通过电池充电装置进行充电,充满电后,设定工况并由负载电路进行放电,使用电流监测器INA170EA和数模转换器AD7091R,分别采集电流和电压数据,并传输到数据采集卡NI-6229上,通过与电脑连接的PCI接口经低通滤波器滤波,并在电脑上利用辨识得到的模型参数,通过经典扩展卡尔曼滤波方法进行电量估计方法,进行电池包的剩余电量估计。
具体实施步骤如图2框图所示:
一种动力锂电池模型参数辨识和剩余电量的估计方法,包括以下步骤:
步骤1:建立锂电池的二阶阻抗电容(resistor-capacitor,RC)模型的状态空间方程:
S11:建立被控对象的等效电路模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
S12:根据上述等效电路模型建立系统的微分方程组,状态方程为:
输出方程为:
UT=UOC(SOC)-R0IT-U1-U2 (2)
其中,U1和U2分别表示为电容C1和C2两端电压,IT为流经电阻R0的电流,SOC为剩余电量,UOC(SOC)为开路电压与剩余电量SOC的函数关系,UT为端电压,Qn为额定容量, 为UT(k)为第k时刻的端电压,UOC(k),UOC(k-1),UOC(k-2)分别为第k,k-1,k-2时刻的开路电压。
步骤2:建立端电压与开路电压关于电流的回归模型:
S21:基于二阶RC模型的电学特性,UT-UOC(SOC)关于电流IT的传递函数G(s)可以表示为:
其中s为拉氏变换的复变量,相关系数α1,α2,α3,α4,α5满足
S22:将公式(3)离散化,令h为采样间隔,z为离散化运算符;我们可以得到传递函数G(s)经过离散化后的传递函数G(z-1)为:
其中,β1,β2,β3,β4,β5是替代因子并满足
S23:注意到将其带回公式(4)并与公式(3)相比较,根据两个公式所对应系数相等,可得到电池模型参数R0,R1,R2,C1,C2与替代因子β1,β2,β3,β4,β5的关系如下,并在迭代完成后,用迭代得到的替代因子来反解出模型参数:
S24:进一步,由公式(4)可得UT-UOC(SOC)关于电流IT有如下递推关系:
其中k为离散时间轴,表示第k时刻,考虑UOC变化比较缓慢,也即UOC(k),UOC(k-1),UOC(k-2)三者近似相等,UT(k)为端电压,UT(k)为第k时刻的端电压,UOC(k),UOC(k-1),UOC(k-2)分别为第k,k-1,k-2时刻的开路电压;令UOC(k)=UOC(k-1)=UOC(k-2),我们可以得到:
引入定义:y(k)=UT(k)为端电压,u(k)=IT(k)为电流,φ(k)=[1,y(k-1),y(k-2),u(k),u(k-1),u(k-2)]T为k时刻的回归元,是包括相应时刻k,k-1或k-2的开路电压及电流的矩阵,θ(k)=[(1-β1-β2)UOC,β1,β2,β3,β4,β5]为迭代参数,是包括替代因子和开路电压的矩阵,我们可以得到如下回归模型:
y(k)=φT(k)θ(k)+ω(k) (8)
其中φ(k)为回归元,θ(k)为未知时变参数集合,ω(k)为建模误差。
步骤3:基于迭代学习的递推最小二乘法:
S31:回归模型(8)可以转化成如下二维形式:
yj(k)=φj T(k)θj(k)+ωj(k) (9)
其中k为离散时间轴,j为迭代轴,表示第j次迭代,ωj(k)被假设为白噪声,其方差为σ2,yj(k),θj(k),ωj(k),φj T(k)为yj(k)为第j次迭代的端电压,θj(k)为第j次迭代的迭代参数,是包括替代因子和开路电压的矩阵,ωj(k)为第j次迭代的白噪声,φj T(k)为k时刻,第j次迭代的回归元矩阵的转置矩阵;
在一段相对长的时间内,忽略老化对电池参数的影响,并且,由于电动汽车上的温度管理系统可以控制锂电池工作温度在一定范围内,即可以假设温度对模型参数没有影响;因此,我们有理由认为模型参数在相对较长的工作时间内,只与剩余电量有关。
设放电电流为uC(k)为主要电流组成部分且不随迭代轴改变,为随机电流干扰,根据计算剩余电量的安时法,我们认为每次测试时剩余电量曲线也几乎相同。所以,我们得到如下结论:这一结论是设计基于迭代学习的辨识方法重要理论基础。
总的来说,回归模型可以被写成:
yj(k)=φj T(k)θ(k)+ωj(k) (10)
S32:设计基于迭代学习的递推最小二乘法模型辨识算法,目标是为了通过已知的向量yj(k)和φj T(k),得到参数向量θ(k)的估计值
令
Yj(k)=[y0(k) y1(k) ... yj(k)]T
Φj(k)=[φ0(k) φ1(k) ... φj(k)]T
Ωj(k)=[ω0(k) ω1(k) ... ωj(k)]T
其中Yj(k)为端电压集合,Φj(k)为回归元集合,Ωj(k)为建模误差集合;
由公式(10)可以得到如下矩阵形式:
Yj(k)=Φj T(k)θ(k)+Ωj(k) (11)
S33:则参数的最小二乘估计可以表示为:
S34:通过借鉴在时域里的经典递推最小二乘法的思想,我们在迭代域建立如下递推最小二乘法,定义矩阵Pj(k)的逆矩阵为:
则:
根据矩阵逆公式,对于任意矩阵A,B,C,D,有(A+BCD)-1=A-1-A-1B(C-1+DA-1B)-1DA-1成立,并使B=φj(k),C=1,带入该公式可以得到:
则有:
S35:将公式(13)带入公式(12),可得:
所以移项可得:
将公式(14)带入公式(18),可得:
将公式(16)带入上式,则有:
其中εj(k)为校正误差;
基于迭代学习的递推最小二乘法总结如下:
步骤4:参数估计过程:
S41:设定每次实验的电流uj(k),每次实验之前,将满电量的电池静置3小时,让其内部电化学反应达到平衡状态,即端电压不发生变化;然后开始实验,为了满足S31中所给的迭代参数辨识对放电电流的要求,设置放电实验电流为主要设定电流与零均值且为单位方差的随机电流噪声之和。
S42:应用基于迭代学习的递推最小二乘辨识方法:第j次实验的预测误差εj定义为:
改辨识方法运行中,经过数次迭代,可以观测到预测误差εj收敛,进而得到回归模型的系数,并解方程组(5),求得非线性函数UOC以及参数集合R0,R1,R2,C1,C2。
步骤5:验证所辨识得到的非线性函数和模型参数集合所组成的电池模型精度;设计放电工况,采集电流电压数据,以实验电流为电池模型输入,端电压为模型输出,将模型输出电压与实验采集的电压数据进行统计比较,验证步骤4得到的非线性函数和参数集合构成的电池模型精度。
步骤6:采集电流电压数据,采用经典的扩展卡尔曼滤波进行剩余电量估计;采集电流和电压数据,经低通滤波器滤波后,以实验电流为扩展卡尔曼滤波器输入,扩展卡尔曼滤波器估计得到的电压与实验采集的电压的差值作为校正参数,通过扩展卡尔曼滤波进行剩余电量的估计。
综上,基于迭代学习的递推最小二乘辨识方法以及剩余电量估计系统设计完成;可以对常见的锂电池等效电路模型参数进行精确地辨识,得到随剩余电量变化的参数集合;所提出的迭代学习方法,利用重复实验的数据,通过学习之前实验的估计误差,来改善本次迭代的参数估计效果,对参数进行离线辨识;利用辨识得到的模型参数,通过经典扩展卡尔曼滤波方法进行电量估计,结果显示各工况下剩余电量估计误差均在2%以内,具有良好的应用前景。
值得注意的是,基于迭代学习的递推最小二乘法,是经典递推最小二乘法在迭代域的一个扩展,对于经典递推最小二乘法来说,估计参数通过使用前一时刻的估计值来更新;相反,本发明提出的基于迭代学习的递推最小二乘法,估计参数通过使用前一迭代过程的估计值来更新;这样就使得经典递推最小二乘法估计得到参数集合,在时间轴上,是非时变或者缓时变的;同样,基于迭代学习的递推最小二乘法需要重复的放电实验数据,来保证参数集合在迭代轴上是非时变或者缓时变的。
本发明的有益效果是:本发明采用了基于迭代学习的递推最小二乘法,对常见的锂电池等效电路模型参数进行了精确地辨识,得到随剩余电量变化的参数集合;可以在电动汽车不需要运行的时间内,对电池进行100%剩余电量到0%剩余电量的放电实验;然后采用所提出的迭代学习方法,利用重复实验的数据,通过学习之前实验的估计误差,来改善本次迭代的参数估计效果,对参数进行离线辨识;本发明提出的锂电池等效电路模型参数辨识方法,较经典递推最小二乘法辨识,双扩展卡尔曼滤波等方法的辨识结果更为精确,并且克服了传统方法难以辨识由于锂电池的强非线性导致的强非线性的模型参数这一问题,即可以辨识较快时变的模型参数;利用辨识得到的模型参数,通过经典扩展卡尔曼滤波方法进行电量估计,结果显示各工况下剩余电量估计误差均在2%以内,具有良好的应用前景。
Claims (4)
1.一种动力锂电池模型参数辨识和剩余电量的估计方法,其特征在于,包括以下步骤:
步骤1:建立锂电池的二阶阻抗电容模型的状态空间方程;
步骤2:根据步骤1得到的模型建立端电压与开路电压关于电流的关系的回归模型;
步骤3:对步骤2得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识;
步骤4:利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差,通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合;
步骤5:验证步骤4得到的非线性函数和参数集合构成的电池模型精度;
步骤6:采集电流和电压数据,通过扩展卡尔曼滤波进行剩余电量的估计;
所述步骤1的具体过程包括以下步骤:
S11:建立被控对象的等效电路模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
S12:根据上述等效电路模型建立系统的微分方程组,状态方程为:
输出方程为:
UT=UOC(SOC)-R0IT-U1-U2 (2)
其中,U1和U2分别表示为电容C1和C2两端电压,IT为流经电阻R0的电流,SOC为剩余电量,UOC(SOC)为开路电压与剩余电量SOC的函数关系,UT为端电压,Qn为额定容量, 分别为电压U1,U2和剩余电量SOC关于时间的导数;
所述步骤2的具体过程如下:
S21:根据步骤1中的二阶阻抗电容模型,UT-UOC(SOC)关于电流IT的传递函数G(s)可以表示为:
其中s为拉氏变换的复变量,相关系数α1,α2,α3,α4,α5满足 α3=R0,
S22:将公式(3)离散化,令h为采样间隔,z为离散化运算符;得到传递函数G(s)经过离散化后的传递函数G(z-1)为:
其中,β1,...,β5是替代因子并满足
S23:将带回公式(4)并与公式(3)相比较,根据两个公式所对应系数相等,可得到电池模型参数R0,R1,R2,C1,C2与替代因子β1,β2,β3,β4,β5的关系,并在迭代完成后,用迭代得到的替代因子来反解出模型参数:
S24:由公式(4)可得UT-UOC(SOC)关于电流IT有如下递推关系:
其中:k为离散时间轴,表示第k时刻;UT(k)为端电压,UT(k)为第k时刻的端电压,UOC(k),UOC(k-1),UOC(k-2)分别为第k,k-1,k-2时刻的开路电压;令UOC(k)=UOC(k-1)=UOC(k-2),我们可以得到:
引入定义:y(k)=UT(k)为端电压,u(k)=IT(k)为电流,φ(k)=[1,y(k-1),y(k-2),u(k),u(k-1),u(k-2)]T为k时刻的回归元,是包括相应时刻k,k-1或k-2的开路电压及电流的矩阵,θ(k)=[(1-β1-β2)UOC,β1,β2,β3,β4,β5]为迭代参数,是包括替代因子和开路电压的矩阵,得到如下回归模型:
y(k)=φT(k)θ(k)+ω(k) (8)
其中φ(k)为回归元,θ(k)为未知时变参数集合,ω(k)为建模误差;
所述步骤3的具体过程如下:
S31:根据步骤2得到的回归模型(8)可以转化成如下二维形式:
yj(k)=φj T(k)θj(k)+ωj(k) (9)
其中k为离散时间轴,j为迭代轴,表示第j次迭代,ωj(k)被假设为白噪声,其方差为σ2,yj(k),θj(k),ωj(k),φj T(k)为yj(k)为第j次迭代的端电压,θj(k)为第j次迭代的迭代参数,是包括替代因子和开路电压的矩阵,ωj(k)为第j次迭代的白噪声,φj T(k)为k时刻,第j次迭代的回归元矩阵的转置矩阵;
令回归模型可以被写成:
yj(k)=φj T(k)θ(k)+ωj(k) (10)
S32:对公式(10)得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识,通过已知向量yj(k)和φj T(k),得到参数向量θ(k)的估计值
令
Yj(k)=[y0(k) y1(k)...yj(k)]T
Φj(k)=[φ0(k) φ11(k)...φjj(k)]T
Ωj(k)=[ω0(k) ω1(k)...ωj(k)]T
其中Yj(k)为端电压集合矩阵,Φj(k)为回归元集合矩阵,Ωj(k)为建模误差集合矩阵;
由公式(10)可以得到如下矩阵形式:
Yj(k)=φj T(k)θ(k)+Ωj(k) (11)
S33:则参数的最小二乘估计可以表示为:
S34:建立递推最小二乘法,定义矩阵Pj(k)的逆矩阵为:
Pj(k)为回归元集合矩阵Φj(k)的乘积矩阵的逆矩阵:
根据矩阵逆公式,对于任意矩阵A,B,C,D,有(A+BCD)-1=A-1-A-1B(C-1+DA-1B)-1DA-1成立,并使B=φj(k),C=1,带入该公式可以得到:
则有:
S35:将公式(13)带入公式(12),可得:
所以移项可得:
将公式(14)带入公式(18),可得:
将公式(16)带入上式,则有:
其中εj(k)为校正误差;
基于迭代学习的递推最小二乘法总结如下:
2.根据权利要求1所述的一种动力锂电池模型参数辨识和剩余电量的估计方法,其特征在于,所述步骤4的参数估计过程如下:
S41:设定每次实验的电流uj(k),进行满电到放空的重复性实验;
S42:根据基于迭代学习的递推最小二乘辨识方法:第j次实验的预测误差εj定义为:
通过εj收敛,得到回归模型的系数,并解方程组(5),求得非线性函数UOC以及参数集合R0,R1,R2,C1,C2。
3.根据权利要求1所述的一种动力锂电池模型参数辨识和剩余电量的估计方法,其特征在于,所述步骤5过程如下:
设计放电工况,采集电流电压数据,以实验电流为电池模型输入,端电压为模型输出,将模型输出电压与实验采集的电压数据进行统计比较,验证步骤4得到的非线性函数和参数集合构成的电池模型精度。
4.根据权利要求1所述的一种动力锂电池模型参数辨识和剩余电量的估计方法,其特征在于,所述步骤6过程如下:
采集电流和电压数据,经低通滤波器滤波后,以实验电流为扩展卡尔曼滤波器输入,扩展卡尔曼滤波器估计得到的电压与实验采集的电压的差值作为校正参数,通过扩展卡尔曼滤波进行剩余电量的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086134.8A CN108072847B (zh) | 2018-01-29 | 2018-01-29 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086134.8A CN108072847B (zh) | 2018-01-29 | 2018-01-29 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108072847A CN108072847A (zh) | 2018-05-25 |
CN108072847B true CN108072847B (zh) | 2019-03-29 |
Family
ID=62156968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810086134.8A Expired - Fee Related CN108072847B (zh) | 2018-01-29 | 2018-01-29 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108072847B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427079B (zh) * | 2018-06-11 | 2019-06-07 | 西南交通大学 | 一种动力电池剩余电量估计方法 |
CN108646198A (zh) * | 2018-07-27 | 2018-10-12 | 安徽师范大学 | 一种电池参数估计系统 |
CN110867620B (zh) * | 2018-08-27 | 2021-12-07 | 比亚迪股份有限公司 | 一种电池保护方法、电池保护装置、电子设备 |
CN109471036B (zh) * | 2018-09-03 | 2020-12-29 | 北京必创科技股份有限公司 | 一种传感器网络节点电池评估和预警方法 |
CN109888869A (zh) * | 2019-03-06 | 2019-06-14 | 中山大学 | 一种基于迭代学习的锂离子电池充电控制方法 |
CN110058162B (zh) * | 2019-05-24 | 2020-12-01 | 中国科学院电工研究所 | 一种基于线性时不变电池模型结构的参数辨识方法 |
CN110287648B (zh) * | 2019-07-18 | 2022-12-16 | 中南大学 | 一种薄膜电容器参数测试方法 |
CN110308405B (zh) * | 2019-07-26 | 2021-05-04 | 四川嘉垭汽车科技有限公司 | 不同环境温度下锂离子电池荷电状态及健康状态估计方法 |
CN112433155B (zh) * | 2019-08-26 | 2024-09-10 | 南京理工大学 | 基于参数在线估计的锂离子电池soc估测算法 |
CN110991125B (zh) * | 2019-11-19 | 2022-05-24 | 沃太能源股份有限公司 | 二阶电路中电路元件参数辨识方法、装置 |
CN110888057B (zh) * | 2019-11-27 | 2020-11-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN110907835B (zh) * | 2019-12-10 | 2020-12-11 | 北京理工大学 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
CN111208433A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 电池二阶rc等效电路模型参数辨识的方法及装置 |
CN111208432A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 用于电池的二阶rc等效电路模型参数实时辨识方法及装置 |
CN111274539B (zh) * | 2020-02-18 | 2023-04-25 | 金陵科技学院 | 一种基于交替最小二乘法的锂电池soh估计方法 |
CN111323705B (zh) * | 2020-03-19 | 2021-07-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
CN111366855B (zh) * | 2020-03-19 | 2021-03-12 | 北京理工大学 | 一种电池等效电路模型抗扰动参数化方法 |
CN115097331A (zh) * | 2020-03-31 | 2022-09-23 | 比亚迪股份有限公司 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
CN111413620A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于集员滤波的锂电池电荷状态估计方法 |
CN111856286A (zh) * | 2020-07-14 | 2020-10-30 | 欣旺达电动汽车电池有限公司 | 基于dp-rc模型的电池功率估计方法及装置 |
CN111965544B (zh) * | 2020-07-17 | 2023-03-24 | 江苏大学 | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 |
CN112415401B (zh) * | 2020-10-26 | 2022-08-05 | 潍柴动力股份有限公司 | 应用于车辆的电池监控方法、装置和设备 |
CN113466729A (zh) * | 2021-06-22 | 2021-10-01 | 盛德东南(福建)新能源科技有限公司 | 一种锂离子动力蓄电池的绝缘电阻检测方法及系统 |
CN113917346A (zh) * | 2021-09-18 | 2022-01-11 | 桂林电子科技大学 | 一种考虑电流、电压偏差的锂电池soc估计方法 |
CN115047365A (zh) * | 2022-03-03 | 2022-09-13 | 青岛阳浦智能科技有限公司 | 一种蓄电池组剩余电量检测方法 |
CN114966408A (zh) * | 2022-04-29 | 2022-08-30 | 广东汇天航空航天科技有限公司 | 动力电池在线参数辨识方法、装置、设备及载人飞行器 |
CN116632386A (zh) * | 2023-07-20 | 2023-08-22 | 山东科技大学 | 一种电池辅助装置及电池工作方法 |
CN117192377B (zh) * | 2023-08-28 | 2024-05-07 | 广东工业大学 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
CN116930772B (zh) * | 2023-09-15 | 2023-11-24 | 东方电子股份有限公司 | 一种考虑边界约束的电池soc估计方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN106019164A (zh) * | 2016-07-07 | 2016-10-12 | 武汉理工大学 | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 |
CN106443474A (zh) * | 2016-10-09 | 2017-02-22 | 北京理工大学 | 一种动力电池系统寿命衰退特征快速识别的方法 |
CN106597308A (zh) * | 2016-12-16 | 2017-04-26 | 西南交通大学 | 一种动力电池剩余电量估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算系统及方法 |
-
2018
- 2018-01-29 CN CN201810086134.8A patent/CN108072847B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN106019164A (zh) * | 2016-07-07 | 2016-10-12 | 武汉理工大学 | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 |
CN106443474A (zh) * | 2016-10-09 | 2017-02-22 | 北京理工大学 | 一种动力电池系统寿命衰退特征快速识别的方法 |
CN106597308A (zh) * | 2016-12-16 | 2017-04-26 | 西南交通大学 | 一种动力电池剩余电量估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108072847A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108072847B (zh) | 一种动力锂电池模型参数辨识和剩余电量的估计方法 | |
Chen et al. | Online state of charge estimation of Li-ion battery based on an improved unscented Kalman filter approach | |
CN110068772B (zh) | 基于改进分数阶模型的锂离子电池荷电状态估计方法 | |
Tian et al. | Online simultaneous identification of parameters and order of a fractional order battery model | |
CN102981125B (zh) | 一种基于rc等效模型的动力电池soc估计方法 | |
CN104267261B (zh) | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 | |
CN104267354B (zh) | 一种动力电池的峰值功率预测方法 | |
Nemes et al. | Modeling and simulation of first-order Li-Ion battery cell with experimental validation | |
CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及系统 | |
CN110488194A (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN106250576A (zh) | 一种基于动态阻抗的锂电池模型的建模方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
Shi et al. | On-line adaptive asynchronous parameter identification of lumped electrical characteristic model for vehicle lithium-ion battery considering multi-time scale effects | |
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN113433464A (zh) | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 | |
CN107167741A (zh) | 一种基于神经网络的锂电池soc观测方法 | |
CN111400935B (zh) | 基于似然函数的锂电池三阶模型参数辨识方法及系统 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN110221219A (zh) | 机载环境下飞机锂电池soc估算方法 | |
Li et al. | A linear recursive state of power estimation method based on fusion model of voltage and state of charge limitations | |
Devillers et al. | Complementary characterization methods for Lithium-ion Polymer secondary battery modeling | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN110007238A (zh) | 一种铝空气电池等效电路模型的建立方法 | |
Riu et al. | Time domain simulation of Li-ion batteries using non-integer order equivalent electrical circuit | |
Chen et al. | A novel sliding mode observer for state of charge estimation of EV lithium batteries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190329 Termination date: 20210129 |
|
CF01 | Termination of patent right due to non-payment of annual fee |