CN109633453B - 电池参数在线辨识方法、装置及计算机可读存储介质 - Google Patents

电池参数在线辨识方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109633453B
CN109633453B CN201811653859.7A CN201811653859A CN109633453B CN 109633453 B CN109633453 B CN 109633453B CN 201811653859 A CN201811653859 A CN 201811653859A CN 109633453 B CN109633453 B CN 109633453B
Authority
CN
China
Prior art keywords
equation
battery
parameter identification
battery parameter
optimization algorithm
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
CN201811653859.7A
Other languages
English (en)
Other versions
CN109633453A (zh
Inventor
郑庆飞
谢卿
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.)
Dongguan Powerwise Technology Co
Original Assignee
Dongguan Powerwise Technology Co
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 Dongguan Powerwise Technology Co filed Critical Dongguan Powerwise Technology Co
Priority to CN201811653859.7A priority Critical patent/CN109633453B/zh
Publication of CN109633453A publication Critical patent/CN109633453A/zh
Application granted granted Critical
Publication of CN109633453B publication Critical patent/CN109633453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供了一种电池参数在线辨识方法、装置及计算机可读存储介质，该方法包括：获取第一电池参数辨识方程，第一电池参数辨识方程通过将电池状态方程的方程一
Figure DDA0001927577240000011
离散化并作近似计算后与电池状态方程的方程二Ut＝UOCV‑Ro*It‑Up联合得到；获取第二电池参数辨识方程，第二电池参数辨识方程通过将电池状态方程的方程一离散化后与电池状态方程的方程二联合得到；构建分别与第一、第二电池参数辨识方程对应的第一、第二优化算法系统；将实时采集的对应的电压信息和电流信息实时导入第一优化算法系统和第二优化算法系统，利用第一、第二优化算法系统在线辨识第一、第二电池参数辨识方程的对应系数；根据第一、第二电池参数辨识方程的对应系数得出电池的各项参数。

Description

电池参数在线辨识方法、装置及计算机可读存储介质
技术领域
本发明涉及电池参数估算技术领域，尤其涉及一种电池参数在线辨识方法、装置及计算机可读存储介质。
背景技术
在电池管理技术领域，为了实现电池的精准管理，往往需要各种电池状态估算，包括电池剩余电量估算(SOC)、电池健康状态估算(SOH)、电池功率状态估算(SOP)以及电池能量状态估算(SOE)等，而这些状态的估算往往需要获取电池的实时关键参数。现阶段，电池参数估算的方法主要包括离线测试法和在线估算法。
离线测试法是通过使用特定的测试设备对电池加载特定的充放电工况，对相关的测试数据进行分析处理来实现电池参数标定辨识工作；该方式需要特定的测试设备和测试工况，耗费成本高，且不能实现实时辨识，随着电池的老化，离线辨识到的参数越来越不能适用于电池老化状态，即离线所辨识的参数不能适用于电池全生命周期的管理。
在线估算法是通过实时采集电池在使用过程中的电压、电流、温度等数据，基于特定的电池模型(如电化学模型、等效电路模型等)，结合特定的优化算法(如卡尔曼滤波算法、粒子群算法、最小二乘法等)，实现电池模型参数的估算。由于传统在线估算法的参数辨识方程对电池特性的描述不够精细，参数估算精度往往比较低，且参数辨识的输入量较多，算法往往比较复杂，数据储存量大，对电池管理系统的计算能力要求较高。
发明内容
本发明的目的在于提供一种电池参数在线辨识方法、电池参数在线辨识装置以及计算机可读存储介质，减少输入量，提高参数估算精度。
为了实现上述目的，本发明提供了一种电池参数在线辨识方法，包括：获取第一电池参数辨识方程，所述第一电池参数辨识方程通过将电池状态方程的方程一
Figure GDA0002833335790000021
离散化并作近似计算后与所述电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合得到，其中，It为电池的负载电流；Up为极化电压；Rp为极化内阻；Cp为极化电容；Ut为电池的端电压；Uocv为电池开路电压；Ro为欧姆内阻；获取第二电池参数辨识方程，所述第二电池参数辨识方程通过将所述电池状态方程的方程一离散化后与所述电池状态方程的方程二联合得到；构建与所述第一电池参数辨识方程对应的第一优化算法系统，构建与所述第二电池参数辨识方程对应的第二优化算法系统；将实时采集的对应的电压信息和电流信息实时导入所述第一优化算法系统和所述第二优化算法系统，利用所述第一优化算法系统在线辨识所述第一电池参数辨识方程的对应系数，利用所述第二优化算法系统在线辨识所述第二电池参数辨识方程的对应系数；及根据所述第一电池参数辨识方程和所述第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
较佳地，在获取所述第一电池参数辨识方程和所述第二电池参数辨识方程之前，还包括：建立电池等效电路模型，并根据所述电池等效电路模型构建所述电池状态方程。
较佳地，将所述电池状态方程的方程一
Figure GDA0002833335790000022
离散化并作近似计算后与所述电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合包括：将所述电池状态方程的方程一离散化；所述电池状态方程的方程一离散化后作一阶泰勒展开并与k时刻和k-1时刻的所述电池状态方程的方程二联合；
所述电池状态方程的方程一离散化后与k时刻和k-1时刻的所述电池状态方程的方程二联合构建出所述第二电池参数辨识方程。
较佳地，所述第一电池参数辨识方程为：
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
所述第二电池参数辨识方程为：
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1；
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
其中，θa1、θa2、θa3、θa4、θb1、θb2及θb3为待辨识的系数；Ik为k时刻采集到的负载电流；Ik-1为k-1时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压；U2为预估的电池端电压减去电池的开路电压Uocv。
较佳地，所述电池状态方程的方程一离散化后得到：
方程三：Upk＝exp(-△t/(Rp*Cp))*Upk-1+Ik-1*Rp*(1-exp(-△t/(Rp*Cp)))，其中，Upk为k时刻的极化电压；Upk-1为k-1时刻的极化电压；△t为离散化采样点的时间间隔；
将方程三作一阶泰勒展开后得到：
方程四：Upk＝(1-1/(Rp*Cp))*Upk-1+Ik-1/Cp；
将方程四与k时刻和k-1时刻的所述电池状态方程的方程二联合得到：
方程五：U1＝Uocv+(Ro+Rp)*Ik+Ro*Rp*Cp*(Ik-Ik-1)-Rp*Cp*(Uk-Uk-1)；
根据方程五得到所述第一电池参数辨识方程。
较佳地，将方程三与k时刻和k-1时刻的所述电池状态方程的方程二联合得到：
方程六：Uk-Uocvk＝exp(-△t/(Rp*Cp))*(Uk-1-Uocvk-1)-Ro*Ik+
[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]*Ik-1，其中，Uocvk为k时刻的开路电压；Uocvk-1为k-1时刻的开路电压；
根据方程六得到所述第二电池参数辨识方程。
较佳地，所述第一优化算法系统和第二优化算法系统为最小二乘法系统。
本发明还提供一种电池参数在线辨识方法，包括：获取第一电池参数辨识方程以及第二电池参数辨识方程，所述第一电池参数辨识方程为：
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
所述第二电池参数辨识方程为：
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1；
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
其中，θa1、θa2、θa3、θa4、θb1、θb2及θb3为待辨识的系数；Rp为极化内阻；Cp为极化电容；Uocv为电池开路电压；Ro为欧姆内阻；Ik为k时刻采集到的负载电流；Ik-1为k-1时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压；U2为预估的电池端电压减去电池的开路电压Uocv；构建与所述第一电池参数辨识方程对应的第一优化算法系统，构建与所述第二电池参数辨识方程对应的第二优化算法系统；将实时采集的对应的电压信息和电流信息实时导入所述第一优化算法系统和所述第二优化算法系统，利用所述第一优化算法系统在线辨识所述第一电池参数辨识方程的对应系数，利用所述第二优化算法系统在线辨识所述第二电池参数辨识方程的对应系数；及根据所述第一电池参数辨识方程和所述第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
本发明还提供一种电池参数在线辨识装置，包括：处理器、存储器以及存储在所述存储器的计算机程序，所述处理器执行所述计算机程序时，执行如上所述的电池参数在线辨识方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行以完成如上所述的电池参数在线辨识方法。
与现有技术相比，本发明根据电池状态方程构建了第一电池参数辨识方程和第二电池参数辨识方程，通过第一优化算法系统和第二优化算法系统分别计算出第一电池参数辨识方程的系数和第二电池参数辨识方程的系数，由第一、第二电池参数辨识方程的系数与电池的各项参数之间的关系式反推出电池的各项参数；本发明通过近似计算得到的第一电池参数辨识方程计算出电池的开路电压Uocv，再将得到的开路电压Uocv输入第二电池参数辨识方程精确求得电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp，实现了电池特性关系的精细描述，大大提高了电池参数估算的精度；而且，本发明以最基本的电池采集数据(电压、电流)作为算法输入量，增强了在线辨识方法的通用性，同时，也减少了算法的输入量的数目，降低了算法的复杂度；另外，本发明仅需要当前时刻和上一时刻的电压和电流数据，对数据储存量需求小，有利于减少计算资源的占用。
附图说明
图1为本发明实施例电池参数在线辨识方法的流程图。
图2为本发明实施例电池等效电路模型的示意图。
图3为本发明实施例采集到的电压数据曲线图。
图4为本发明实施例采集到的电流数据曲线图。
图5为本发明实施例开路电压的估算值与真实值的曲线图。
图6为本发明实施例欧姆内阻的估算值与真实值的曲线图。
图7为本发明实施例极化内阻的估算值与真实值的曲线图。
图8为本发明实施例极化电容的估算值与真实值的曲线图。
具体实施方式
下面通过具体实施方式来进一步说明本发明的技术方案，但不构成对本发明的任何限制。
请参阅图1，本发明公开了一种电池参数在线辨识方法，包括：
101，获取第一电池参数辨识方程，第一电池参数辨识方程通过将电池状态方程的方程一
Figure GDA0002833335790000051
离散化并作近似计算后与电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合得到，其中，It为电池的负载电流；Up为极化电压；Rp为极化内阻；Cp为极化电容；Ut为电池的端电压；Uocv为电池开路电压；Ro为欧姆内阻；获取第二电池参数辨识方程，第二电池参数辨识方程通过将电池状态方程的方程一离散化后与电池状态方程的方程二联合得到；
102，构建与第一电池参数辨识方程对应的第一优化算法系统，构建与第二电池参数辨识方程对应的第二优化算法系统；
103，将实时采集的对应的电压信息和电流信息实时导入第一优化算法系统和第二优化算法系统，利用第一优化算法系统在线辨识第一电池参数辨识方程的对应系数，利用第二优化算法系统在线辨识第二电池参数辨识方程的对应系数；及
104，根据第一电池参数辨识方程和第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
具体的，在获取第一电池参数辨识方程和第二电池参数辨识方程之前，还包括：建立电池等效电路模型，并根据电池等效电路模型构建电池状态方程。
下面以具体实施例为例对本发明的电池参数在线辨识方法作详细说明：
请参阅图2，本发明建立的电池等效电路模型包括开路电压Uocv、欧姆内阻Ro、极化内阻Rp及极化电容Cp四个参数。
根据基尔霍夫电流定律构建电池状态方程的方程一：
Figure GDA0002833335790000061
根据基尔霍夫电压定律构建电池状态方程的方程二：
Ut＝UOCV-Ro*It-Up
作为优选实施例，将电池状态方程的方程一
Figure GDA0002833335790000062
离散化并作近似计算后与电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合包括：
将电池状态方程的方程一离散化；电池状态方程的方程一离散化后作一阶泰勒展开并与k时刻和k-1时刻的电池状态方程的方程二联合；
电池状态方程的方程一离散化后与k时刻和k-1时刻的电池状态方程的方程二联合构建出第二电池参数辨识方程。
具体的，将电池状态方程的方程一离散化后得到：
方程三：Upk＝exp(-△t/(Rp*Cp))*Upk-1+Ik-1*Rp*(1-exp(-△t/(Rp*Cp)))，其中，Upk为k时刻的极化电压；Upk-1为k-1时刻的极化电压；Ik-1为k-1时刻采集到的负载电流；△t为离散化采样点的时间间隔；
将方程三作一阶泰勒展开后得到：
方程四：Upk＝(1-1/(Rp*Cp))*Upk-1+Ik-1/Cp；
将方程四与k时刻和k-1时刻的电池状态方程的方程二联合得到：
方程五：U1＝Uocv+(Ro+Rp)*Ik+Ro*Rp*Cp*(Ik-Ik-1)-Rp*Cp*(Uk-Uk-1)，其中，Ik为k时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压。
将方程五中的各项系数记为:
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
由此可以得出第一电池参数辨识方程:
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
其中，θa1、θa2、θa3及θa4为待辨识的系数。
具体的，将方程三与k时刻和k-1时刻的电池状态方程的方程二联合得到：
方程六：Uk-Uocvk＝exp(-△t/(Rp*Cp))*(Uk-1-Uocvk-1)-Ro*Ik+
[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]*Ik-1；其中，Uocvk为k时刻的开路电压；Uocvk-1为k-1时刻的开路电压。
将方程六中的各项系数记为：
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
由此可以得出第二电池参数辨识方程:
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1。
其中，θb1、θb2及θb3为待辨识的系数；U2为预估的电池端电压减去电池的开路电压Uocv。
同时，由上可以得出电池的各项参数与第一、第二参数辨识方程的各项系数的关系式如下：
UOCV＝θa1；Ro＝θb2；
Rp＝(θb1*θb2+θb3)/(θb1-1)；Cp＝-1/(Rp*ln(θb1))。
在本实施例中，采用递推最小二乘法作为优化算法对第一参数辨识方程和第二参数辨识方程中的系数进行估算；第一优化算法系统为第一最小二乘法系统，第二优化算法系统为第二最小二乘法系统。
具体的，构建与第一电池参数辨识方程对应的第一优化算法系统具体包括：
算法初始化，
Ya＝Uk；把初始化采集到的电压赋值给Ya；
θa＝[0,0,0,0]；θa为1行4列0向量；
Pa＝eye(4)；Pa为4行4列单位矩阵；
Figure GDA0002833335790000081
Figure GDA0002833335790000082
为4行1列向量；
Ka＝zeros(4,1)；Ka为4行1列0向量；
迭代计算，
初始化完成后，电池管理系统继续采集电池的电压、电流数据，记当前时刻为k，则上一时刻为k-1。
Figure GDA0002833335790000083
Figure GDA0002833335790000084
Figure GDA0002833335790000085
Figure GDA0002833335790000086
θak＝θak-1+Kak*(Uk-Ya)；
其中，Ka为增益，Pa为协方差矩阵，Ya为系统输出，
Figure GDA0002833335790000087
为可以测量得到的向量，θa是要估计的向量。
具体的，构建与第二电池参数辨识方程对应的第二优化算法系统具体包括：
算法初始化，
Yb＝0；
θb＝[0,0,0]；θb为1行3列0向量；
Pb＝eye(3)；Pb为3行3列单位矩阵；
Figure GDA0002833335790000088
Figure GDA0002833335790000089
为3行1列向量；
Kb＝zeros(3,1)；Kb为3行1列0向量；
迭代计算，
初始化完成后，电池管理系统继续采集电池的电压、电流数据，记当前时刻为k，则上一时刻为k-1。
Figure GDA00028333357900000810
Figure GDA0002833335790000091
Figure GDA0002833335790000092
Figure GDA0002833335790000093
θbk＝θbk-1+Kbk*(Uk-Y)；
其中，Kb为增益，Pb为协方差矩阵，Yb为系统输出，
Figure GDA0002833335790000094
为可以测量得到的向量，θb是要估计的向量。
最后，将实时采集的对应的电压信息和电流信息实时导入第一最小二乘法系统和第二最小二乘法系统，利用第一最小二乘法系统在线辨识第一电池参数辨识方程的对应系数，利用第二最小二乘法系统在线辨识第二电池参数辨识方程的对应系数；根据电池的各项参数与参数辨识方程的各项系数的关系式得出电池的当前开路电压UOCV、欧姆内阻Ro、极化内阻Rp以及极化电容Cp，实现电池参数在线估算。
本发明的另一实施例提供的电池参数在线辨识方法，包括：
获取第一电池参数辨识方程以及第二电池参数辨识方程，第一电池参数辨识方程为：
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
第二电池参数辨识方程为：
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1；
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
其中，θa1、θa2、θa3、θa4、θb1、θb2及θb3为待辨识的系数；Rp为极化内阻；Cp为极化电容；Uocv为电池开路电压；Ro为欧姆内阻；Ik为k时刻采集到的负载电流；Ik-1为k-1时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压；U2为预估的电池端电压减去电池的开路电压Uocv；
构建与第一电池参数辨识方程对应的第一优化算法系统，构建与第二电池参数辨识方程对应的第二优化算法系统；
将实时采集的对应的电压信息和电流信息实时导入第一优化算法系统和第二优化算法系统，利用第一优化算法系统在线辨识第一电池参数辨识方程的对应系数，利用第二优化算法系统在线辨识第二电池参数辨识方程的对应系数；及
根据第一电池参数辨识方程和第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
该实施例提供的电池参数在线辨识方法的具体实现方式参见上一实施例对应部分的详细说明，在此不再赘述。
本发明还提供一种电池参数在线辨识装置，包括：处理器、存储器以及存储在存储器的计算机程序，处理器执行计算机程序时，执行如上所述的电池参数在线辨识方法。
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被处理器执行以完成如上所述的电池参数在线辨识方法。
请参阅图3至图8，图3、图4分别示出了9000s期间采集到的电池的电压数据曲线图和电流数据曲线图，从电压数据曲线图可以看出，随着放电时间的推移电池的电压呈逐渐减小的趋势；从电流数据曲线图可以看出，电池的始终以预定的电流循环放电。图5、图6、图7及图8分别示出了开路电压Uocv、欧姆内阻Ro、极化内阻Rp及极化电容Cp的估算值与真实值的曲线图，从曲线图可以看出，在电池的整个放电期间，开路电压UOCV的估算值与真实值之间的最大误差不超过0.02V，欧姆内阻Ro的估算值与真实值之间的最大误差不超过0.02mΩ，极化内阻Rp的估算值与真实值之间的最大误差不超过0.08mΩ，极化电容Cp的估算值与真实值之间的最大误差不超过0.4F，电池参数估算结果较为准确。
与现有技术相比，本发明根据电池状态方程构建了第一电池参数辨识方程和第二电池参数辨识方程，通过第一优化算法系统和第二优化算法系统分别计算出第一电池参数辨识方程的系数和第二电池参数辨识方程的系数，由第一、第二电池参数辨识方程的系数与电池的各项参数之间的关系式反推出电池的各项参数；本发明通过近似计算得到的第一电池参数辨识方程计算出电池的开路电压Uocv，再将得到的开路电压Uocv输入第二电池参数辨识方程精确求得电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp，实现了电池特性关系的精细描述，大大提高了电池参数估算的精度；而且，本发明以最基本的电池采集数据(电压、电流)作为算法输入量，增强了在线辨识方法的通用性，同时，也减少了算法的输入量的数目，降低了算法的复杂度；另外，本发明仅需要当前时刻和上一时刻的电压和电流数据，对数据储存量需求小，有利于减少计算资源的占用。

Claims (10)

1.一种电池参数在线辨识方法，其特征在于，包括：
获取第一电池参数辨识方程，所述第一电池参数辨识方程通过将电池状态方程的方程一
Figure FDA0002833335780000011
离散化并作近似计算后与所述电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合得到，其中，It为电池的负载电流；Up为极化电压；Rp为极化内阻；Cp为极化电容；Ut为电池的端电压；Uocv为电池开路电压；Ro为欧姆内阻；t为时间；
获取第二电池参数辨识方程，所述第二电池参数辨识方程通过将所述电池状态方程的方程一离散化后与所述电池状态方程的方程二联合得到；
构建与所述第一电池参数辨识方程对应的第一优化算法系统，构建与所述第二电池参数辨识方程对应的第二优化算法系统；
将实时采集的对应的电压信息和电流信息实时导入所述第一优化算法系统和所述第二优化算法系统，利用所述第一优化算法系统在线辨识所述第一电池参数辨识方程的对应系数，利用所述第二优化算法系统在线辨识所述第二电池参数辨识方程的对应系数；及
根据所述第一电池参数辨识方程和所述第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
2.根据权利要求1所述的电池参数在线辨识方法，其特征在于，在获取所述第一电池参数辨识方程和所述第二电池参数辨识方程之前，还包括：建立电池等效电路模型，并根据所述电池等效电路模型构建所述电池状态方程。
3.根据权利要求1所述的电池参数在线辨识方法，其特征在于，
将所述电池状态方程的方程一
Figure FDA0002833335780000012
离散化并作近似计算后与所述电池状态方程的方程二Ut＝UOCV-Ro*It-Up联合包括：
将所述电池状态方程的方程一离散化；
所述电池状态方程的方程一离散化后作一阶泰勒展开并与k时刻和k-1时刻的所述电池状态方程的方程二联合；
所述第二电池参数辨识方程通过将所述电池状态方程的方程一离散化后与所述电池状态方程的方程二联合得到具体为：所述电池状态方程的方程一离散化后与k时刻和k-1时刻的所述电池状态方程的方程二联合构建出所述第二电池参数辨识方程。
4.根据权利要求3所述的电池参数在线辨识方法，其特征在于，
所述第一电池参数辨识方程为：
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
所述第二电池参数辨识方程为：
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1；
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
其中，θa1、θa2、θa3、θa4、θb1、θb2及θb3为待辨识的系数；Ik为k时刻采集到的负载电流；Ik-1为k-1时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压；U2为预估的电池端电压减去电池的开路电压Uocv；△t为离散化采样点的时间间隔。
5.根据权利要求4所述的电池参数在线辨识方法，其特征在于，所述电池状态方程的方程一离散化后得到：
方程三：Upk＝exp(-△t/(Rp*Cp))*Upk-1+Ik-1*Rp*(1-exp(-△t/(Rp*Cp)))，其中，Upk为k时刻的极化电压；Upk-1为k-1时刻的极化电压；△t为离散化采样点的时间间隔；
将方程三作一阶泰勒展开后得到：
方程四：Upk＝(1-1/(Rp*Cp))*Upk-1+Ik-1/Cp；
将方程四与k时刻和k-1时刻的所述电池状态方程的方程二联合得到：
方程五：U1＝Uocv+(Ro+Rp)*Ik+Ro*Rp*Cp*(Ik-Ik-1)-Rp*Cp*(Uk-Uk-1)；
根据方程五得到所述第一电池参数辨识方程。
6.根据权利要求5所述的电池参数在线辨识方法，其特征在于，
将方程三与k时刻和k-1时刻的所述电池状态方程的方程二联合得到：
方程六：Uk-Uocvk＝exp(-△t/(Rp*Cp))*(Uk-1-Uocvk-1)-Ro*Ik+[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]*Ik-1，其中，Uocvk为k时刻的开路电压；Uocvk-1为k-1时刻的开路电压；△t为离散化采样点的时间间隔；
根据方程六得到所述第二电池参数辨识方程。
7.根据权利要求6所述的电池参数在线辨识方法，其特征在于，所述第一优化算法系统和第二优化算法系统为最小二乘法系统。
8.一种电池参数在线辨识方法，其特征在于，包括：
获取第一电池参数辨识方程以及第二电池参数辨识方程，
所述第一电池参数辨识方程为：
U1＝θa1+θa2*Ik+θa3*(Ik-Ik-1)+θa4*(Uk-Uk-1)；
θa1＝Uocv；θa2＝Ro+Rp；θa3＝Ro*Rp*Cp；θa4＝-Rp*Cp；
所述第二电池参数辨识方程为：
U2＝θb1*(Uk-1-θa1)-θb2*Ik-θb3*Ik-1；
θb1＝exp(-△t/Rp*Cp)；θb2＝Ro；
θb3＝-[exp(-△t/(Rp*Cp))*Ro-(1-exp(-△t/(Rp*Cp)))*Rp]；
其中，θa1、θa2、θa3、θa4、θb1、θb2及θb3为待辨识的系数；Rp为极化内阻；Cp为极化电容；Uocv为电池开路电压；Ro为欧姆内阻；Ik为k时刻采集到的负载电流；Ik-1为k-1时刻采集到的负载电流；Uk为k时刻采集到的电池端电压；Uk-1为k-1时刻采集到的电池端电压；U1为预估的电池端电压；U2为预估的电池端电压减去电池的开路电压Uocv；△t为离散化采样点的时间间隔；
构建与所述第一电池参数辨识方程对应的第一优化算法系统，构建与所述第二电池参数辨识方程对应的第二优化算法系统；
将实时采集的对应的电压信息和电流信息实时导入所述第一优化算法系统和所述第二优化算法系统，利用所述第一优化算法系统在线辨识所述第一电池参数辨识方程的对应系数，利用所述第二优化算法系统在线辨识所述第二电池参数辨识方程的对应系数；及
根据所述第一电池参数辨识方程和所述第二电池参数辨识方程的对应系数得出电池的开路电压Uocv、欧姆内阻Ro、极化内阻Rp以及极化电容Cp。
9.一种电池参数在线辨识装置，其特征在于，包括：处理器、存储器以及存储在所述存储器的计算机程序，所述处理器执行所述计算机程序时，执行如权利要求1至7任一项或者如权利要求8所述的电池参数在线辨识方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行以完成如权利要求1至7任一项或者如权利要求8所述的电池参数在线辨识方法。
CN201811653859.7A 2018-12-28 2018-12-28 电池参数在线辨识方法、装置及计算机可读存储介质 Active CN109633453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811653859.7A CN109633453B (zh) 2018-12-28 2018-12-28 电池参数在线辨识方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811653859.7A CN109633453B (zh) 2018-12-28 2018-12-28 电池参数在线辨识方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109633453A CN109633453A (zh) 2019-04-16
CN109633453B true CN109633453B (zh) 2021-04-02

Family

ID=66056462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811653859.7A Active CN109633453B (zh) 2018-12-28 2018-12-28 电池参数在线辨识方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109633453B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068771B (zh) * 2019-05-28 2020-02-07 山东大学 基于输出响应重构的高精度电池模型参数辨识方法及系统
CN110196393B (zh) * 2019-05-31 2024-03-12 中国矿业大学 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法
CN111044909B (zh) * 2019-12-31 2022-02-08 北京理工大学 电池的状态预测方法及装置
CN111239615A (zh) * 2020-01-22 2020-06-05 北方工业大学 电池模型的参数的确定方法和装置、存储介质、计算机设备
CN111426962B (zh) * 2020-03-23 2022-08-09 华为技术有限公司 电池参数的辨识方法和终端
CN112816877B (zh) * 2021-01-04 2022-08-30 东风柳州汽车有限公司 电池的电流校准方法、设备和存储介质
CN112946487B (zh) * 2021-05-17 2021-08-03 杭州华塑科技股份有限公司 一种参数辨识方法、装置、存储介质及计算机设备
CN113447842B (zh) * 2021-07-13 2022-11-15 北京西清能源科技有限公司 一种电池模型参数在线辨识的方法与系统
CN114252771B (zh) * 2021-12-13 2024-05-07 北京经纬恒润科技股份有限公司 一种电池参数在线辨识方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2016130658A (ja) * 2015-01-13 2016-07-21 株式会社デンソー 二次電池の制御装置
CN106291393A (zh) * 2016-11-18 2017-01-04 成都雅骏新能源汽车科技股份有限公司 一种用于在线识别电池模型参数的方法
CN106597291A (zh) * 2016-10-11 2017-04-26 深圳市沃特玛电池有限公司 在线估算电池参数的方法
CN106896325A (zh) * 2017-01-24 2017-06-27 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
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170818B2 (en) * 2010-03-10 2012-05-01 GM Global Technology Operations LLC Battery state estimator using multiple sampling rates

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2016130658A (ja) * 2015-01-13 2016-07-21 株式会社デンソー 二次電池の制御装置
CN106597291A (zh) * 2016-10-11 2017-04-26 深圳市沃特玛电池有限公司 在线估算电池参数的方法
CN106291393A (zh) * 2016-11-18 2017-01-04 成都雅骏新能源汽车科技股份有限公司 一种用于在线识别电池模型参数的方法
CN106896325A (zh) * 2017-01-24 2017-06-27 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
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于改进离散滑模观测器的锂电池SOC估计方法;洪赢 等;《工业控制计算机》;20180825;第31卷(第8期);第67-68、70页 *

Also Published As

Publication number Publication date
CN109633453A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109633453B (zh) 电池参数在线辨识方法、装置及计算机可读存储介质
Chen et al. Online state of charge estimation of Li-ion battery based on an improved unscented Kalman filter approach
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
CN111965547B (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
CN108693472B (zh) 电池等效模型参数在线辨识方法
Huria et al. Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells
US10620275B2 (en) State estimation of an energy system
Li et al. A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles
Nemes et al. Modeling and simulation of first-order Li-Ion battery cell with experimental validation
Zhang et al. Battery state estimation using unscented kalman filter
CN106291393B (zh) 一种用于在线识别电池模型参数的方法
DE112015005201T5 (de) Abschätzungseinheit für eine verbleibende gespeicherte energiemenge, verfahren zum abschätzen einer verbleibenden gespeicherten energiemenge einer speicherbatterie sowie computerprogramm
CN111220920B (zh) 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
JP7292404B2 (ja) バッテリ健全状態の推定方法
Li et al. A new parameter estimation algorithm for an electrical analogue battery model
CN107783057B (zh) 一种动力电池soc估算方法及估算系统
CN113156321A (zh) 一种锂离子电池荷电状态soc的估算方法
CN113176505A (zh) 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN106896325B (zh) 一种电池参数在线辨识方法及系统
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
CN114295982A (zh) 锂离子电池参数及开路电压辨识方法、系统及介质
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN117110891A (zh) 锂离子电池荷电状态估计值的计算方法和计算装置
CN114755582A (zh) 一种环境温度不同时锂离子电池健康状态预估方法

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