CN109884550B - 一种动力电池系统在线参数辨识与回溯方法 - Google Patents

一种动力电池系统在线参数辨识与回溯方法 Download PDF

Info

Publication number
CN109884550B
CN109884550B CN201910256426.6A CN201910256426A CN109884550B CN 109884550 B CN109884550 B CN 109884550B CN 201910256426 A CN201910256426 A CN 201910256426A CN 109884550 B CN109884550 B CN 109884550B
Authority
CN
China
Prior art keywords
parameter identification
parameter
identification result
power battery
terminal 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
CN201910256426.6A
Other languages
English (en)
Other versions
CN109884550A (zh
Inventor
熊瑞
雷浩
方煜
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910256426.6A priority Critical patent/CN109884550B/zh
Publication of CN109884550A publication Critical patent/CN109884550A/zh
Application granted granted Critical
Publication of CN109884550B publication Critical patent/CN109884550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明提供了一种动力电池系统在线参数辨识与回溯方法，通过对此前若干时刻的参数辨识结果设置动态的边界约束，来实现对当前时刻的参数辨识结果进行约束，可以有效遏制递推最小二乘法在参数在线辨识过程中出现参数的异常抖动现象；同时，根据端电压预测误差判断参数辨识结果是否出现异常，通过对参数进行回溯可以减小端电压预测误差。因此，本发明相对于现有技术能够显著提高参数辨识算法的稳定性。基于本发明得到的模型参数，可进一步应用于动力电池包括SOC和SOP在内的状态估计。

Description

一种动力电池系统在线参数辨识与回溯方法
技术领域
本发明涉及动力电池系统管理技术领域，尤其是动力电池的参数辨识技术。
背景技术
状态估计作为动力电池管理系统的核心功能之一，其精确性及稳定性通常需要以荷电状态(SOC)、健康状态(SOH)、功率状态(SOP)等参数的精确辨识为基础。现有的对上述参数进行在线辨识的方法中，通常是利用电流、端电压等测量信息实时得到当前状态下的参数值，适用于复杂多变的实车系统。然而，目前常用的基于递推最小二乘的辨识方法缺乏对参数的合理约束，辨识结果稳定性较差，在复杂工况下参数辨识结果可能出现异常抖动，甚至出现发散的现象，使得辨识得到的参数失去其物理意义，不便于利用在后续的状态估计中。因此，本领域需要一种稳定性强的、能对参数的异常抖动进行有效抑制的参数辨识方法。
发明内容
针对本领域中存在的上述技术问题，本发明提供了一种能有效抑制抖动的动力电池系统在线参数辨识与回溯方法，具体包括以下步骤：
步骤1、建立动力电池的状态空间模型；
步骤2、实时在线获取并存储动力电池运行过程中的端电压和电流信息；
步骤3、基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识；
步骤4、基于此前若干时刻的参数辨识结果，动态设定参数的上、下边界约束，对当前时刻的初步参数辨识结果进行约束；
步骤5、利用步骤4得到的参数辨识结果进行端电压预测，得到端电压预测误差；
步骤6、判断所述端电压预测误差是否超过设定范围，若未超过设定范围，则跳转至步骤8，否则转入步骤7；
步骤7、在回溯步数s达到设定的最大步数前，将s步之前的参数值作为当前时刻的参数辨识结果，并返回至所述步骤5。若s已达到最大步数则停止回溯，选取回溯过程中端电压预测误差最小的一组参数值作为当前时刻的参数辨识结果；
步骤8、输出当前时刻的参数辨识结果，并执行下一时刻的在线参数辨识。
进一步地，所述步骤1中基于动力电池一阶RC等效电路模型建立的所述状态空间模型，所述模型参数具有以下关系：
并且，
Figure BDA0002013864500000022
其中，k表示时刻，Ut和i分别表示端电压和电流，φ表示测量的数据矩阵，θ表示需要辨识的未知参数矢量，Δt表示系统的采样周期，UOC表示开路电压OCV，Ro表示欧姆内阻，Rp表示极化内阻，τ表示时间常数。
进一步地，所述步骤3中的基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识具体包括：
步骤3.1、计算增益矩阵
Figure BDA0002013864500000023
其中Pk-1表示上一时刻的误差协方差矩阵；
步骤3.2、计算误差协方差矩阵Pk＝(I-Kkφk)Pk-1/μ，其中I表示单位矩阵，μ表示遗忘因子；
步骤3.3、更新未知参数矢量θk＝θk-1+Kk(yk-φkθk-1)；
步骤3.4、根据所述更新的未知参数矢量求解初步参数辨识结果：
Figure BDA0002013864500000024
进一步地，所述步骤4具体包括：
步骤4.1、计算此前若干时刻的参数辨识结果的均值μ和标准差σ；
步骤4.2、动态地将各参数的上边界值设定为μ+3σ，下边界值设定μ-3σ和0中的较大值；
步骤4.3，判断当前时刻的所述初步参数辨识结果是否超过了相应的参数边界约束，若超过了边界约束，则令该参数等于相应的边界值。
上述本发明所提供的方法通过对此前若干时刻的参数辨识结果设置动态的边界约束，来实现对当前时刻的参数辨识结果进行约束，可以有效遏制递推最小二乘法在参数在线辨识过程中出现参数的异常抖动现象；同时，根据端电压预测误差判断参数辨识结果是否出现异常，通过对参数进行回溯可以减小端电压预测误差；因此，本发明相对于现有技术能够显著提高参数辨识算法的稳定性。基于本发明得到的模型参数，可进一步应用于动力电池包括SOC和SOP在内的状态估计。
附图说明
图1是本发明提供方法的流程示意图
图2是动力电池状态空间模型所基于的等效电路示意图
图3是UDDS工况的参数辨识结果对比
图4是UDDS工况的端电压预测误差对比
具体实施方式
下面结合附图对本发明所提供的一种动力电池系统在线参数辨识与回溯方法进行详细说明。
本发明所提供的方法如图1所示，具体包括以下步骤：
步骤1、建立动力电池的状态空间模型；
步骤2、实时在线获取并存储动力电池运行过程中的端电压和电流信息；
步骤3、基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识；
步骤4、基于此前若干时刻的参数辨识结果，动态设定参数的上、下边界约束，对当前时刻的初步参数辨识结果进行约束；
步骤5、利用步骤4得到的参数辨识结果进行端电压预测，得到端电压预测误差；
步骤6、判断所述端电压预测误差是否超过设定范围，若未超过设定范围，则跳转至步骤8，否则转入步骤7；
步骤7、在回溯步数s达到设定的最大步数前，将s步之前的参数值作为当前时刻的参数辨识结果，并返回至所述步骤5。若s已达到最大步数则停止回溯，选取回溯过程中端电压预测误差最小的一组参数值作为当前时刻的参数辨识结果；
步骤8、输出当前时刻的参数辨识结果，并执行下一时刻的在线参数辨识。
所述步骤2中所述的动力电池状态空间模型基于图2所示的一阶RC等效电路模型建立。
在本发明的一个优选实施例中，选用镍钴锰三元锂电池为研究对象，其额定容量为2Ah，充、放电截止电压分别为4.1V和3.0V。实验工况为城市道路循环工况(UDDS)。用电池测试设备测量得出的端电压值作为参考值，与所述算法的端电压预测值作对比，以验证算法的端电压预测精度。同时，将本发明提出的参数辨识与回溯方法与传统的带遗忘因子的递推最小二乘辨识方法进行比较，以说明所述方法得到的在线参数辨识结果的稳定性。
图3所示为在UDDS工况下，传统的带遗忘因子的递推最小二乘法与本发明所提供的在线参数辨识与回溯方法的辨识结果对比。图4所示为在UDDS工况下，传统的带遗忘因子的递推最小二乘法与本发明所提供的在线参数辨识与回溯方法的端电压预测误差对比。由图3和图4可知，传统方法得到的参数辨识结果存在明显的抖动，尤其是在13600秒之后，SOC低于10％的状态下，参数的抖动异常剧烈，且端电压预测误差也明显增大，可见此时算法已经发散；而本发明所提出方法得到的参数辨识结果，其抖动幅度明显小于传统方法的结果，参数值虽然仍存在抖动现象，但在合理的可接受范围内，端电压预测误差也明显减小，误差的均方根值为8.1mV，且即使在低SOC区域，其最大预测误差也小于0.1V。因此，本发明所提出的在线参数辨识与回溯方法，相比于传统的带遗忘因子的递推最小二乘法具有更好的稳定性，在动力电池的低SOC阶段，可以明显减少参数的异常抖动，参数辨识结果仍可保持较好的稳定性，且端电压预测误差也有所减小。
以上所述的具体实施方式，显示和描述了本发明的基本原理和主要特征。本领域的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和原则的情况下，本发明还会有各种变化和修改，这些变化和修改都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求及其等效物界定。

Claims (4)

1.一种动力电池系统在线参数辨识与回溯方法，其特征在于：具体包括以下步骤：
步骤1、建立动力电池的状态空间模型；
步骤2、实时在线获取并存储动力电池运行过程中的端电压和电流信息；
步骤3、基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识；
步骤4、基于此前若干时刻的参数辨识结果，动态设定参数的上、下边界约束，对当前时刻的初步参数辨识结果进行约束；
步骤5、利用步骤4得到的参数辨识结果进行端电压预测，得到端电压预测误差；
步骤6、判断所述端电压预测误差是否超过设定范围，若未超过设定范围，则跳转至步骤8，否则转入步骤7；
步骤7、在回溯步数s达到设定的最大步数前，将s步之前的参数值作为当前时刻的参数辨识结果，并返回至所述步骤5；若s已达到最大步数则停止回溯，选取回溯过程中端电压预测误差最小的一组参数值作为当前时刻的参数辨识结果；
步骤8、输出当前时刻的参数辨识结果，并执行下一时刻的在线参数辨识。
2.如权利要求1所述的方法，其特征在于：所述步骤1中基于动力电池一阶RC等效电路模型建立的所述状态空间模型，所述模型参数具有以下关系：
Figure FDA0002013864490000011
并且，
Figure FDA0002013864490000012
其中，k表示时刻，Ut和i分别表示端电压和电流，φ表示测量的数据矩阵，θ表示需要辨识的未知参数矢量，Δt表示系统的采样周期，UOC表示开路电压OCV，Ro表示欧姆内阻，Rp表示极化内阻，τ表示时间常数。
3.如权利要求2所述的方法，其特征在于：所述步骤3中的基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识具体包括：
步骤3.1、计算增益矩阵
Figure FDA0002013864490000022
其中Pk-1表示上一时刻的误差协方差矩阵；
步骤3.2、计算误差协方差矩阵Pk＝(I-Kkφk)Pk-1/μ，其中I表示单位矩阵，μ表示遗忘因子；
步骤3.3、更新未知参数矢量θk＝θk-1+Kk(yk-φkθk-1)；
步骤3.4、根据所述更新的未知参数矢量求解初步参数辨识结果：
Figure FDA0002013864490000021
4.如权利要求1所述的方法，其特征在于：所述步骤4具体包括：
步骤4.1、计算此前若干时刻的参数辨识结果的均值μ和标准差σ；
步骤4.2、动态地将各参数的上边界值设定为μ+3σ，下边界值设定μ-3σ和0中的较大值；
步骤4.3，判断当前时刻的所述初步参数辨识结果是否超过了相应的参数边界约束，若超过了边界约束，则令该参数等于相应的边界值。
CN201910256426.6A 2019-04-01 2019-04-01 一种动力电池系统在线参数辨识与回溯方法 Active CN109884550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910256426.6A CN109884550B (zh) 2019-04-01 2019-04-01 一种动力电池系统在线参数辨识与回溯方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910256426.6A CN109884550B (zh) 2019-04-01 2019-04-01 一种动力电池系统在线参数辨识与回溯方法

Publications (2)

Publication Number Publication Date
CN109884550A CN109884550A (zh) 2019-06-14
CN109884550B true CN109884550B (zh) 2020-01-17

Family

ID=66935574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910256426.6A Active CN109884550B (zh) 2019-04-01 2019-04-01 一种动力电池系统在线参数辨识与回溯方法

Country Status (1)

Country Link
CN (1) CN109884550B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110308396B (zh) * 2019-07-03 2020-09-25 华人运通(江苏)技术有限公司 电池状态监测方法、边缘处理器、系统及存储介质
CN110297186A (zh) * 2019-08-14 2019-10-01 莆田市烛火信息技术有限公司 一种新能源汽车电池参数检测方法
CN110456283B (zh) * 2019-09-09 2022-07-12 东软睿驰汽车技术（沈阳）有限公司 获取电芯内阻参数的方法及装置
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
CN116203435A (zh) * 2023-05-06 2023-06-02 广汽埃安新能源汽车股份有限公司 一种电池参数获取方法、装置、电子设备及存储介质
CN116819341B (zh) * 2023-07-04 2024-11-01 上海玫克生储能科技有限公司 一种锂电池加速参数辨识方法、系统及电子设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力系统动态不良数据检测与辨识方法
CN103944165A (zh) * 2014-04-28 2014-07-23 国电南瑞科技股份有限公司 一种大电网参数辨识估计方法
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
CN106100582A (zh) * 2016-07-07 2016-11-09 国网青海省电力公司 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法
CN106249171A (zh) * 2016-09-18 2016-12-21 北京理工大学 一种用于宽采样间隔的动力电池系统辨识和状态估计方法
CN106405433A (zh) * 2016-11-04 2017-02-15 首都师范大学 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统
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
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
CN107561445A (zh) * 2016-07-01 2018-01-09 深圳市沃特玛电池有限公司 电池参数在线辨识方法及系统
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
CN108490356A (zh) * 2018-03-06 2018-09-04 福建工程学院 一种改进ekf算法的锂电池soc估算方法
CN108519557A (zh) * 2018-04-17 2018-09-11 北京理工大学 一种适用于稀疏数据的动力电池参数辨识方法
CN108693472A (zh) * 2017-04-12 2018-10-23 上海蓝诺新能源技术有限公司 电池等效模型参数在线辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9208871B2 (en) * 2012-01-30 2015-12-08 HGST Netherlands B.V. Implementing enhanced data read for multi-level cell (MLC) memory using threshold voltage-drift or resistance drift tolerant moving baseline memory data encoding

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力系统动态不良数据检测与辨识方法
CN103944165A (zh) * 2014-04-28 2014-07-23 国电南瑞科技股份有限公司 一种大电网参数辨识估计方法
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
CN107561445A (zh) * 2016-07-01 2018-01-09 深圳市沃特玛电池有限公司 电池参数在线辨识方法及系统
CN106100582A (zh) * 2016-07-07 2016-11-09 国网青海省电力公司 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法
CN106249171A (zh) * 2016-09-18 2016-12-21 北京理工大学 一种用于宽采样间隔的动力电池系统辨识和状态估计方法
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
CN106405433A (zh) * 2016-11-04 2017-02-15 首都师范大学 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统
CN108693472A (zh) * 2017-04-12 2018-10-23 上海蓝诺新能源技术有限公司 电池等效模型参数在线辨识方法
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
CN108490356A (zh) * 2018-03-06 2018-09-04 福建工程学院 一种改进ekf算法的锂电池soc估算方法
CN108519557A (zh) * 2018-04-17 2018-09-11 北京理工大学 一种适用于稀疏数据的动力电池参数辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HEV用锂离子电池动态模型参数辨识方法研究;熊瑞等;《电力电子技术》;20110430;第45卷(第4期);第100-102页 *

Also Published As

Publication number Publication date
CN109884550A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN109884550B (zh) 一种动力电池系统在线参数辨识与回溯方法
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN110395141B (zh) 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
CN113176505B (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
WO2015106691A1 (zh) 一种混合动力车用动力电池soc估算方法
CN108445422B (zh) 基于极化电压恢复特性的电池荷电状态估算方法
CN110346734A (zh) 一种基于机器学习的锂离子动力电池健康状态估算方法
CN106291393B (zh) 一种用于在线识别电池模型参数的方法
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN108829911A (zh) 一种开路电压与soc函数关系优化方法
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN114839536A (zh) 一种基于多健康因子的锂离子电池健康状态估计方法
CN112213644A (zh) 电池荷电状态估算方法及电池管理系统
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
CN115097309A (zh) 电池soc的在线预测方法、装置、电子设备及存储介质
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN113125965B (zh) 电池析锂检测方法、装置、设备及存储介质
CN109716151B (zh) 用于估计电池电压的方法和设备
Li et al. Battery State of Charge Probabilistic Estimation Using Natural Gradient Boosting
CN113900028B (zh) 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及系统
CN114636936B (zh) 一种铅酸电池充电阶段soc预测曲线的修正方法及装置
CN115097344A (zh) 一种基于恒压充电片段的电池健康状态端云协同估计方法
CN109709490A (zh) 锂电池系统全生命周期soc的修正方法

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