CN108732504A

CN108732504A - 全电荷区域内锂电池等效电路模型参数辨识与优化方法

Info

Publication number: CN108732504A
Application number: CN201810271038.0A
Authority: CN
Inventors: 来鑫; 郑岳久; 高文凯; 周龙
Original assignee: University of Shanghai for Science and Technology
Current assignee: University of Shanghai for Science and Technology
Priority date: 2018-03-29
Filing date: 2018-03-29
Publication date: 2018-11-02

Abstract

本发明涉及一种全电荷区域内锂电池等效电路模型参数辨识与优化方法，将全电荷区域划分为带电荷20%‑100%的高电荷区域与带电荷0%‑20%的低SOC区域，在高电荷区域与低电荷区域分别选用不同的等效电路模型及与之相适应的模型参数辨识算法；将两区域划再分为若干子区间，在子区间内分别对模型参数进行辨识，在整个电荷区域内得到多组模型参数；多组模型参数与相适应的模型共同构成了全电荷区域内锂电池的等效电路模型，不同电荷状态的锂电池用对应电荷区域内锂电池的等效电路模型进行电池状态估计。对模型结构及模型辨识算法进行合理的选择，对模型参数的辨识区间进行细分，有效地提高等效电路模型的精度与可靠性。

Description

全电荷区域内锂电池等效电路模型参数辨识与优化方法

技术领域

本发明涉及一种电池辨识技术，特别涉及一种全电荷区域内锂电池等效电路模型参数辨识与优化方法。

背景技术

锂电池是目前电动汽车及手机、笔记本电脑等电子产品的首选动力来源。锂电池的状态估计的常见的方法都是基于电池模型的，目前应用较多的锂电池模型为等效电路模型。等效电路模型具有多种结构形式，目前常用的等效电路模型有PNGV、GNL以及由RC电路网络构成的nRC模型(n为RC网络的阶数)等。如图1所示nRC模型的结构图，如图2所示PNGV模型的结构图。选择合适的模型及匹配的模型参数对提高模型精度具有至关重要的作用。一般地，采用模型结构简单的模型具有参数少、计算速度快等优点，缺点是精度不高；采用模型结构复杂的模型具有精度高等优点，但是具有参数多、计算量大等缺点。另外，众多文献表明，等效电路模型在低SOC区域内的精度比高SOC区域内的精度要低很多，因此，在低SOC区域内选择合适的模型与模型参数是十分重要的。基于以上分析可知，在全SOC 区域(0%-100%)内只选择一种等效电路模型是不合适的，模型精度有待提高。因此，本发明专利在模型选择时，在高SOC区域与低SOC区域分别采用与之相适应的等效电路模型及匹配的模型参数辨识方法，提高等效电路模型的精度。

对于模型参数来说，由于电池的动态特性，根据实验数据在整个SOC区间内辨识得出一组模型参数与相应的模型来作为锂电池的模型也是不合适的，模型的精度有待提高。为了提高模型的精度与可靠性，将整个SOC区间分为多个子区间，在各子小区间内分别对模型参数进行辨识，得到每个子区间上的模型参数，各组模型参数与相对应的模型一起构成了锂电池的等效电路模型。

发明内容

本发明是针对不分电荷区域锂电池等效电路模型参数辨识不合理的问题，提出了一种全电荷区域内锂电池等效电路模型参数辨识与优化方法，对模型结构及模型辨识算法进行合理的选择，对模型参数的辨识区间进行细分，有效地提高等效电路模型的精度与可靠性。

本发明的技术方案为：一种全电荷区域内锂电池等效电路模型参数辨识与优化方法，

将全电荷区域划分为带电荷20%-100%的高电荷区域与带电荷0%-20%的低SOC区域，在高电荷区域与低电荷区域分别选用不同的等效电路模型及与之相适应的模型参数辨识算法；将两区域划再分为若干子区间，在子区间内分别对模型参数进行辨识，在整个电荷区域内得到多组模型参数；多组模型参数与相适应的模型共同构成了全电荷区域内锂电池的等效电路模型，不同电荷状态的锂电池用对应电荷区域内锂电池的等效电路模型进行电池状态估计。

所述在低电荷区域采用的等效电路模型选择PNGV模型结构，辨识算法选择基于精确求解的fminsearch 函数。

所述在高电荷区域锂电池处于离线状态，等效电路模型选择4RC或比4RC更高阶的RC模型结构，辨识算法选择Firefly algorithm 算法；在高电荷区域锂电池处于在线状态，等效电路模型选择2RC模型结构，辨识算法选择PSO算法。

本发明的有益效果在于：本发明全电荷区域内锂电池等效电路模型参数辨识与优化方法，在高SOC区域与低SOC区域内采用与其相适应的等效电路模型与匹配的模型参数辨识方法，提高了模型的精度与可靠性；分等效电路模型参数离线辨识与在线辨识（离线辨识是最求模型精度的最大化，在线辨识时最求模型精度与辨识时间的综合优势）两种应用场合给出了相对应的等效电路模型，提高了模型的精度；给出了一种分区间的全SOC等效电路模型参数辨识的方法，得到多种模型参数与相对应的模型结构，共同构成了锂电池的等效电路模型，提高了模型的精度。

附图说明

图1为本发明nRC模型的结构图；

图2为本发明PNGV模型的结构图；

图3为本发明所描述的等效电路模型参数辨识过程图。

具体实施方式

本发明提出了一种全电荷区域内锂电池等效电路模型参数辨识与优化方法，该发明能够提高等效电路模型的模型精度，为锂电池状态的精确估计奠定基础。

本发明提供的方法将全SOC区域划分为高SOC区域（20%-100%）与低SOC区域（0%-20%），在高SOC区域与低SOC区域分别选用不同的等效电路模型及与之相适应的模型参数辨识算法，提高模型的精度。同时，为了进一步提高模型的精度，将两区域划再分为若干子区间，在这些子区间内分别对模型参数进行辨识（有利于提高模型参数与模型的匹配程度，进而提高模型精度），这样在整个SOC区域内得到多组模型参数。这些模型参数与相适应的模型共同构成了全SOC区域内锂电池的等效电路模型。

如图3所示的辨识的过程为：首先根据实验数据判断所需要辨识的模型在低SOC区域还是高SOC区域，如果只需要辨识0%-20%SOC内的模型，则选择低SOC区域内的模型结构及辨识方法；如果只需要辨识20%-100%SOC内的模型，则选择高SOC区域内的模型结构及辨识方法；如果需要在低SOC区域与高SOC区域内辨识模型，则分别在两个区域上选择合适的模型解决与算法。

对于在低SOC区域上的模型参数辨识，为了使模型具有较好的精度与较低的复杂度，选择PNGV模型结构，辨识算法选择基于精确求解的fminsearch 函数，该求解方法与PNGV模型具有很好的适应性，且辨识时间短。fminsearch 函数为求解多变量无约束函数的最小值函数。如图1所示，对于4RC模型，需要辨识R₀，R₁，C₁，R₂，C₂，R₃，C₃，R₄，C₄等九个参数；如图2所示，对于PNGV模型，需要辨识R₀（欧姆内阻），R_P（极化内阻），C_P（极化电容），C_b（储能大电容，描述负载电流的时候累计产生的开路电压变化）等四个参数；并且PNGV模型在低SOC区间具有比nRC模型更好的精度。由于PNGV模型需辨识的参数非常少，所以应用简单的fminsearch 函数即可保证求解精度，并且运算量及计算时间少。

对于在高SOC区域上的模型参数辨识，分离线辨识与在线辨识两种应用场合分别选择不同的模型结构与辨识方法。对于离线辨识，以追求最高的模型精度为目标，模型结构选择4RC或更高阶的RC模型，辨识算法选择Firefly algorithm 算法；对于在线辨识，以追求较高的模型精度与较短的辨识时间为目标，从模型精度、辨识时间及可靠性三方面综合考虑，模型结构选择2RC模型，辨识算法选择PSO算法。Firefly algorithm 算法与PSO算法都为标准的群体智能算法，这里对这两种算法的不做具体介绍。

在高SOC区间采用精度更高的4RC或更高阶模型，并且采用与模型适应的智能算法，这样可以提高在高SOC区域的模型精度。但由于4RC模型需要辨识的参数达9个，应用fminsearch函数不能得到最优的答案，因此采用智能辨识算法。我们选用了Fireflyalgorithm 算法与PSO算法等两种常用的群体智能算法。我们的计算结果表明，PSO比Firefly algorithm的辨识时间短很多，但Firefly algorithm的求解精度更高，因此如果是离线辨识，选择Firefly algorithm追求最高精度，如果应用场合是在线辨识，选择PSO算法最求短的辨识时间与较高的辨识精度。将SOC分为高SOC区域与低SOC区域，并根据所处的SOC位置采用相应的电池模型及辨识算法。

选择好模型结构与模型辨识算法后，根据所处的SOC氛围，对模型参数进行分区间参数辨识，即将SOC进行细分，应用上述模型结构与模型参数得出相应的模型参数。

以在线辨识10%-90% SOC氛围内的等效电路模型为例，参数辨识过程如下：首先需要辨识的SOC区间中含有高SOC区域与低SOC区域，因此在高SOC区域选择2RC模型及PSO辨识算法，在低SOC区域内选择PNGV模型及fminsearch 函数。分区间辨识的过程为：以每10%SOC为一个子区间，这样需要辨识的SOC区域被划分为8个子区间，在10%-20% SOC这个子区间应用低SOC区域的等效电路模型及辨识算法进行参数辨识，得到1组模型参数；在其他7个子区间应用高SOC区域的等效电路模型及辨识算法分别进行参数辨识，得到7组模型参数。这样在所需要辨识的SOC区域内，得到了8组模型参数以及相对应的2种模型，共同构成了锂电池等效电路模型。在应用该等效电路模型进行电池状态估计时，根据SOC所处区间查询相应的模型及参数。该发明提供的方法有效的提高了等效电路模型的精度。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种全电荷区域内锂电池等效电路模型参数辨识与优化方法，其特征在于，

2.根据权利要求1所述全电荷区域内锂电池等效电路模型参数辨识与优化方法，其特征在于，所述在低电荷区域采用的等效电路模型选择PNGV模型结构，辨识算法选择基于精确求解的fminsearch 函数。

3.根据权利要求1或2所述全电荷区域内锂电池等效电路模型参数辨识与优化方法，其特征在于，所述在高电荷区域锂电池处于离线状态，等效电路模型选择4RC或比4RC更高阶的RC模型结构，辨识算法选择Firefly algorithm 算法；在高电荷区域锂电池处于在线状态，等效电路模型选择2RC模型结构，辨识算法选择PSO算法。