CN112147514B - 基于rls的锂电池全工况自适应等效电路模型 - Google Patents

基于rls的锂电池全工况自适应等效电路模型 Download PDF

Info

Publication number
CN112147514B
CN112147514B CN202011019834.9A CN202011019834A CN112147514B CN 112147514 B CN112147514 B CN 112147514B CN 202011019834 A CN202011019834 A CN 202011019834A CN 112147514 B CN112147514 B CN 112147514B
Authority
CN
China
Prior art keywords
model
lithium battery
rls
equivalent circuit
current
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
CN202011019834.9A
Other languages
English (en)
Other versions
CN112147514A (zh
Inventor
郭向伟
高岩
司阳
刘鹏辉
杜少通
朱军
谢东垒
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.)
Henan University of Technology
Original Assignee
Henan 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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202011019834.9A priority Critical patent/CN112147514B/zh
Publication of CN112147514A publication Critical patent/CN112147514A/zh
Application granted granted Critical
Publication of CN112147514B publication Critical patent/CN112147514B/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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于RLS的锂电池全工况自适应等效电路模型，S1、建立锂电池DP离线模型；S2、获取锂电池的OCV‑SOC曲线；S3、利用锂电池放电结束时端电压响应曲线对DP离线模型进行参数辨识；S4、利用带遗忘因子的RLS对欧姆电阻已知的R‑DP在线模型剩余参数进行辨识；S5、建立全工况自适应等效电路模型：当工况电流恒定时，输出DP离线模型辨识结果；当工况电流时变时，输出R‑DP在线模型辨识结果。该方法可以显著提高模型精度及模型适应性，适用于新能源汽车锂电池等效电路模型参数辨识。

Description

基于RLS的锂电池全工况自适应等效电路模型
技术领域
本发明属于新能源汽车动力电池等效电路建模领域，涉及一种基于RLS的锂电池全工况自适应等效电路模型。适用于新能源汽车电池管理系统。
背景技术
锂电池凭借其优越的特性，逐渐成为新能源汽车动力电池的首选。锂电池特性复杂多变，且相互耦合，为电池管理带来了诸多挑战。电池模型是电池特性的数学表现形式，精确的电池模型不仅能反映出电池特性与众多影响因素间的关系，也为精确的状态估计提供了重要基础，电池模型的研究对提高新能源汽车电池管理水平具有重要意义。
常见的动力电池模型包含电化学模型、等效电路模型和黑箱模型等。其中等效电路模型具有模型方程简单，参数辨识方便，实时性好等特点，广泛应用于各类动力电池状态估计方法。近年来，国内外学者提出了多种多样的等效电路模型，如Rint模型、Thevenin模型、PNGV(Partnership for a New Generation of Vehicles，新一代汽车合作伙伴计划)模型、DP(Dual polarization，双极化)模型以及多阶RC模型等。理论上多阶RC环路模型具有更高的精度，但应用过程中，多阶RC环路需要辨识的参数增多，各参数的误差也更大，其精度甚至小于DP模型。上述模型中，DP模型能够在精度和运算量方面取得良好的平衡，应用尤其广泛。目前较多文献都是对其欧姆电阻和两个RC环路参数同时辨识。而实际上，模型各个参数的时变特性不同，其中欧姆电阻在相同温度，相同健康状态(State of Health,SOH)条件下，某个确定充放电周期内几乎不变，而为了模拟动力电池对不同倍率的响应特性，其RC环路的参数在某个确定周期内保持时变。参数辨识过程以相同的时变特性对各参数进行辨识是不可取的，容易导致欧姆电阻变化剧烈，且对RC环路的准确辨识产生不利影响。
针对系统模型参数容易受到应用环境的不确定影响而发生较大变化的情况，递推最小二乘法(Recursive Least Squares,RLS)能周期性的对参数优化和更新，可以克服模型参数的不确定性，从而精确捕捉系统的实时特性。目前，动力电池参数辨识最常见的方法是带遗忘因子的递推最小二乘法，其具有方法简单易懂、易于工程化应用等特点。但也存在一些问题：根据它的方程特性，其对时变工况辨识效果较好，对时不变的工况辨识效果较差甚至可能发散。而实际上，工况的变化具有很强的随机性，新能源汽车在行驶过程中，不仅有快速变化的工况，也有匀速相对稳定的工况，这就导致了最小二乘法的应用具有一定的局限性，其仅适用于时变工况。而根据不同倍率辨识出的离线模型，在恒流工况相比于在线模型，具有更高的精度。
发明内容：
本发明的目的在于克服现有技术的缺点与不足，提供一种基于RLS的锂电池全工况自适应等效电路模型，改善不同参数辨识方法面对不同工况时的局限性，提高模型精度。为达到上述目的，本发明按照以下技术方案实施：
一种基于RLS的锂电池全工况自适应等效电路模型，包括以下步骤：
S1、建立锂电池DP离线模型；所述DP离线模型即为DP等效电路模型；
该DP等效电路模型包含一个电压源Uoc、一个欧姆内阻R和两个RC环路；两个RC环路分别为Rp、Cp与Rs、Cs；其中，Uoc表示动力电池的开路电压；R表示电池的欧姆内阻，由电极材料、电解液及其它电阻组成；用Rp、Cp与Rs、Cs构成的两个RC环路来共同模拟电池的极化过程，即充放电结束，电压突变后趋于稳定的过程；其中，Rp表示电池浓度差极化电阻，Cp表示电池浓度差极化电容，Rs表示电化学极化内阻，Cs表示电化学极化电容。
DP等效电路模型，称为双极化(Dual Polarization)等效电路模型，简称DP模型。
S2、获取锂电池的OCV-SOC曲线；
S21、采用先恒流后恒压的方式对锂电池进行充电；
S22、对锂电池进行恒流恒容量放电；
S23、放电结束，静置1小时以消除极化效应的影响；
S24、重复步骤S22、S23，至锂电池电量全部放完；
对锂电池进行不同倍率的恒流放电，分别进行步骤S21至步骤S24，将获得的实验数据进行多项式拟合得到不同放电倍率对应的OCV-SOC曲线。
本发明中实验对象为日本索尼公司生产的标称电压为3.6V，额定容量3.2Ah的18650型三元锂电池。以SOH(State of Health,健康状态)为1、25℃为例进行曲线标定。
电池测试实验分别标定放电倍率为0.2C、0.3C、0.4C、0.5C、0.6C、0.75C、1C恒流间歇放电条件下的OCV-SOC曲线。每组标定的实验步骤如下：
①采用先恒流(0.2C)后恒压(4.2V)的方式将电池充满；
②对电池进行恒流恒容量放电320mAh；
③放电结束，静置1小时；
④重复步骤②③，至电池电量全部放完。
对实验数据进行多项式拟合可得OCV-SOC曲线。
S3、利用步骤S2中锂电池放电结束时的端电压响应曲线对DP离线模型进行参数辨识；
锂电池充放电结束后，端电压先突然变化，再缓慢变化趋于稳定。电压突变对应于锂电池内部欧姆电阻上压降消失的过程，根据电压的突变量即可辨识出欧姆电阻。假设Rp和Cp组成的RC并联电路时间常数较小，则其可用于模拟锂电池在电流突变时电压快速变化的过程，假设Rs和Cs并联电路的时间常数较大，则其可用于模拟电压缓慢变化的过程。锂电池在放电期间，极化电容Cs和Cp处于充电状态，RC并联电路的电压呈指数上升，锂电池从放电状态进入静置后，电容Cs和Cp分别向各自的并联电阻放电，电压呈指数下降，模型中的电阻和电容的大小与电池当前SOC值和充放电电流倍率大小有关。
S4、利用带遗忘因子的RLS对R-DP在线模型进行参数辨识；
带遗忘因子的RLS即为带遗忘因子的递推最小二乘法(Recursive LeastSquares,RLS)。
定义R-DP在线模型：某个确定充放电过程欧姆电阻R已知的DP在线模型。相比于整个寿命周期，在确定温度条件下，某个充放电过程锂电池欧姆电阻几乎不变，基于此特性，首先利用S3辨识出欧姆电阻R，其次利用带遗忘因子的RLS在线辨识剩余四个参数。
针对系统模型参数容易受到应用环境的不确定影响而发生较大变化的情况，递推最小二乘法能周期性的对参数优化和更新，可以克服模型参数的不确定性，从而精确捕捉系统的实时特性。考虑如下系统：
式中，e(k)为平稳零均值白噪声；y(k)为系统的输出变量；针对DP等效电路模型：
其为系统的数据矩阵。
θ(k)＝[a1 a2 a3 a4 a5]T (3)
其为系统的待辨识参数矩阵。
将输出y(k)和输入I(k)扩展到N维，其中k＝1,2…,n+N，则得到如下矩阵形式：
其中最小二乘法的性能指标设为J(θ)：
因最小二乘法的原理是使J(θ)取最小值，所以求J(θ)的极值，令：
由此推出：
-2ΦT(Y-Φθ)＝0 (7)
解得正规方程ΦTΦθ＝ΦTY，当ΦTΦ为非奇异矩阵，即Φ满秩时，进行求逆计算可得：
上述过程即为基本的最小二乘法。为解决基本最小二乘法计算量大的弊端，递推最小二乘法被提出，其迭代过程如下式所示。
式中，是系统上一时刻所估计的参考值，/>是此时刻的观测值大小，y(k+1)作为系统的实际观测值，与/>相减后便为预测误差，将预测误差与增益项K(k+1)相乘，就是此刻预测值的修正值，最终获得此刻的最优估计/>必须有符合条件的/>和P(0)，才能得到增益项K(k+1)，启动最小二乘法来递推数据。/>可以是任意值，P(0)＝αΙ，α数值尽量取大，提高运算的精度，I为单位阵。
对于电池系统，最小二乘法在辨识参数过程会出现数据饱和，从而不能精准的反映新数据的特性，导致辨识的结果不精准。为避免上述情况，引入遗忘因子λ，0<λ<1，即：
即使(N+1)很大，P(N+1)也不趋于0，数据饱和得到了有效的解决。综上所述带遗忘因子的RLS的步骤为：
式中，λ越小，辨识的跟踪能力越强，但参数估计波动也越大，一般取0.95<λ<1。
为将欧姆电阻的辨识从整个DP在线模型的参数辨识过程分离，R-DP在线模型的函数关系可写为：
进而传递函数为：
采用双线性变换将系统从s平面映射到z平面，双线性变换如式子(14)所示。
式中，T为系统采样间隔时间。基于z平面的系统方程为：
其中，a1、a2、a3、a4、a5为与模型参数相关的系数。
将式(15)转化为差分方程可得：
其中I(k)为系统输入，y(k)为系统输出，表达式为：
y(k)＝Uoc(k)-U(k)-I(k)R (18)
由式子(16)可知：a3＝a4-a5，参数待辨识参数矩阵可写为：
θ(k)＝[a1 a2 a4-a5 a4 a5]T (19)
依据式子(2)和(19)，(17)式可简写为：
此式子即可采用带遗忘因子的RLS对参数矩阵进行辨识。将式子(21)所示双线性逆变换因子代入式子(15)可得式子(22)。
由式子(13)和(22)系数对应相等可得：
至此，基于带遗忘因子RLS及式子(23)即可由四个方程求解RC环路的四个参数。
上述辨识过程和普通的基于RLS的DP在线模型相比，在线辨识对象由五个未知数变为四个未知数，理论上不仅提高了辨识精度，也降低了计算量。
S5、建立全工况自适应等效电路模型。当工况电流恒定时，输出DP离线模型辨识结果，当工况电流时变时，输出R-DP在线模型辨识结果。
如图5所示，为本发明全工况自适应输出流程图。根据最小二乘法的推导过程，数据矩阵Φ(k)必须满秩才可以进行求逆计算。也就是说每一列的I(k)必须不相等，这就要求在0-N的时间内，至少存在一个时刻使得I(k)≠I(k-1)；另外，最小二乘法的收敛需要一定的时间，如果电流变化比较缓慢或电流恒定持续的时间较长时往往达不到收敛效果，甚至发散。所以RLS能够应用到在线辨识参数的前提条件是锂电池的电流是时变的，对于恒流工况其辨识精度会受到较大影响。
DP离线模型是基于不同的恒流倍率对模型参数进行辨识，其针对恒流工况相比于R-DP在线模型具有更高的精度。DP离线模型参数应用过程是根据查表法或函数拟合法，这两种方法都是仅仅基于各参数独立的变化过程进行查表或拟合，并未考虑各参数之间的相互关系。而基于RLS的参数辨识，在所有时刻都可考虑了各参数之间的数学关系。理论上，针对变电流工况，RLS在线辨识比离线辨识具有更高的精度。
由以上分析可知，不同的参数辨识方法，其对不同工况的辨识精度有区别。基于此，建立基于R-DP在线模型、DP离线模型自适应输出的全工况等效电路模型：当工况电流恒定时，输出DP离线模型辨识结果，当工况电流时变时，输出R-DP在线模型辨识结果。
DP离线模型是基于不同恒流倍率对模型参数进行辨识，辨识结果为步骤S3的辨识结果，R-DP在线模型辨识结果为步骤S4的辨识结果。
基于DP等效电路模型各参数时变特性，为减小在线模型参数辨识过程的相互影响，本发明将欧姆电阻和其它两组RC参数分离，对欧姆电阻和RC环路分别采用不同的辨识方法，提出某个确定充放电周期内欧姆电阻已知的R-DP在线等效电路模型，不仅可以提高模型精度，还可以减小计算量。在此基础上，针对最小二乘法对不同工况的适应性及离线模型在恒流工况下具有更高的精度，提出基于R-DP在线模型、DP离线模型自适应输出的全工况等效电路模型，进一步提高模型精度。
本发明达到了以下有益效果：
本发明提出了欧姆电阻R已知的R-DP在线模型，使得基于RLS和DP在线模型的辨识对象由五个参数减少为四个参数，提高了精度，减少了计算量。其次根据在线辨识、离线辨识的特点提出了全工况自适应等效电路模型，进一步提高了模型精度。
附图说明
为了更加清楚的说明本发明的原理与实施中的技术方案，下面将对本发明涉及的技术方案使用附图作进一步介绍，以下附图仅仅是本发明的部分实施例子，对于本领域技术人员来讲，在不付出创造性劳动的前提下可以根据以下附图获得其他技术方案。
图1本发明的锂电池DP离线模型结构；
图2OCV-SOC标定实验的锂电池测试系统；
图3不同倍率恒流间歇放电OCV-SOC曲线；
图4锂电池放电结束端电压响应曲线示意图；
图5本发明全工况自适应输出流程图；
图6仿真模型的输入工况电流；
图7基于RLS的R-DP在线模型和基于RLS的DP在线模型仿真结果对比；
图8基于RLS的R-DP在线模型和基于RLS的DP在线模型仿真结果误差比较；
图9基于RLS的R-DP在线模型、DP离线模型仿真结果和真实测量值的比较；
图10全工况自适应等效电路模型仿真结果和真实测量值的比较；
图11全工况自适应等效电路模型、基于RLS的R-DP在线模型和DP离线模型仿真结果误差比较。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
实施例1
基于RLS的锂电池全工况自适应等效电路模型，包括以下内容：
S1、建立锂电池DP离线模型；所述DP离线模型即为DP等效电路模型。如图1所示为本发明的锂电池DP离线模型结构；包括一个电压源Uoc、一个欧姆内阻R和两个RC环路。
其中，i为电流(设放电时符号为正，充电时符号为负)，Uoc表示锂电池的开路电压，R为欧姆电阻，两个RC环路分别为Rp、Cp与Rs、Cs；Rp表示锂电池浓度差极化电阻，Cp表示锂电池浓度差极化电容，Rs表示电化学极化内阻，Cs表示电化学极化电容。极化效应由Rp、Cp环路和Rs、Cs环路共同模拟。
S2、获取锂电池的OCV-SOC曲线。
如图2所示，为OCV-SOC标定实验的锂电池测试系统。
测试系统由上位机、分容柜、示波器、实验电池组成。分容柜为EBC-X八通道电池分容柜(放电电流0.1A-10.00A，充电电流0.1A-5.00A)；示波器为美国泰克(Tektronix)TDS2024C示波器(200MHz带宽、2Gs/s采样率、4通道)；实验电池为日本索尼公司生产的标称电压为3.6V，额定容量3.2Ah的18650型三元锂电池。
电池测试实验分别标定放电倍率为0.2C、0.3C、0.4C、0.5C、0.6C、0.75C、1C恒流间歇放电条件下的OCV-SOC曲线。每组标定的实验步骤如下：
①采用先恒流(0.2C)后恒压(4.2V)的方式将电池充满。
②对电池进行恒流恒容量放电320mAh；
③放电结束，静置1小时；
④重复步骤②③，至电池电量全部放完。
如图3所示为不同倍率恒流间歇放电OCV-SOC曲线。从图中可知，OCV-SOC曲线在SOC大于0.1的情况下，不同放电倍率的OCV-SOC曲线非常接近，几乎一致，说明在SOH、温度一致条件下，不同放电倍率对OCV-SOC曲线影响很小。由于充放电电流越小，对电池的极化影响也越小，本实施例选取0.2C对应的OCV-SOC曲线作为参考曲线，其拟合方程如式(24)所示。
Voc＝b1×SOC6+b2×SOC5+b3×SOC4+b4×SOC3+b5×SOC2+b6×SOC+b7 (24)
其中，b1、b2、…、b7为六阶多项式拟合的系数，b1＝-5.6944,b2＝23.7660,b3＝-39.4557,b4＝32.9612,b5＝-14.0483,b6＝3.5610,b7＝3.1117。
S3、利用步骤S2中锂电池放电结束时的端电压响应曲线对DP离线模型进行参数辨识。
如图4所示为锂电池放电结束端电压响应曲线示意图，图4中(V1-V0)这个过程是放电结束后，电池内部欧姆电阻上产生的压降消失的过程，由此可得电池欧姆电阻R＝(V1-V0)/I。在RC环路参数辨识过程，首先需要已知环境温度及SOH，其次依据查表法获取R。由于一个充放电过程，温度的变化也是时变的，而大量实验表明，当温度相差2℃时，欧姆电阻才会发生较为明显的可测量变化，所以需要设置温度采样周期，温度每变化2℃，重新查表确定R。
假设Rp和Cp组成的RC并联电路时间常数较小，则其可用于模拟电池在电流突变时电压快速变化的过程(V2-V1)，假设Rs和Cs并联电路的时间常数较大，则其可用于模拟电压缓慢变化的过程(E-V2)。
假设电池在(t0-tr)期间先放电一段时间，然后剩余时间处于静置状态，其中t0、td、tr分别为放电开始时刻、放电停止时刻和静置停止时间，在此过程中RC网路电压为：
其中，τp＝RpCp，τs＝RsCs为两个RC并联电路的时间常数，电池在放电期间，极化电容Cs和Cp处于充电状态，RC并联电路的电压呈指数上升，电池从放电状态进入静置后，电容Cs和Cp分别向各自的并联电阻放电，电压呈指数下降，模型中的电阻和电容的大小与电池当前SOC值和充放电电流值大小有关。(E-V1)阶段电压变化是由电池的极化效应消失引起的，在此过程中电池的电压关系为：V1＝E-IRse^(-t/τs)-IRpe^(-t/τp)。可以简化写为：V＝E-ae^(-ct)-be^(-dt)，其中，Rs＝a/I，Rp＝b/I，Cs＝1/Rsc，Cp＝1/Rpd，据此可以辨识出R、Rs、Cs、Rp、Cp的值。
S4、利用带遗忘因子的RLS对R-DP在线模型内的RC环路进行参数辨识。
步骤S4中，R-DP在线模型为某个确定充放电过程欧姆电阻R已知的DP在线模型；其中，欧姆内阻R采用步骤S3中离线辨识的结果；R-DP模型中的RC环路的四个参数Rp、Rs、Cp、Cs采用带遗忘因子的RLS辨识。
带遗忘因子的RLS步骤为：
式中，0.95<λ<1；是锂电池系统上一时刻所估计的参考值，/>是此时刻的观测值大小，y(k+1)作为锂电池系统的实际观测值，与/>相减后便为预测误差，将预测误差与增益项K(k+1)相乘，就是此刻预测值的修正值，最终获得此刻的最优估计/>
为将欧姆电阻R的辨识从整个R-DP在线模型的参数辨识过程分离，R-DP在线模型的函数关系可写为：
进而传递函数为：
采用双线性变换将系统从s平面映射到z平面，双线性变换如式子(4)所示；
式中，T为系统采样间隔时间。基于z平面的系统方程为：
其中，a1、a2、a3、a4、a5为与模型参数相关的系数；
将式(5)转化为差分方程可得：
其中I(k)为系统输入，y(k)为系统输出，表达式为：
y(k)＝Uoc(k)-U(k)-I(k)R (8)
由式子(6)可知：a3＝a4-a5，参数待辨识参数矩阵可写为：
θ(k)＝[a1 a2 a4-a5 a4 a5]T (9)
依据式子(2)和(9)，(7)式可简写为：
此式子即可采用带遗忘因子的RLS对参数矩阵进行辨识；将式子(11)所示双线性逆变换因子代入式子(5)可得式子(12)；
由式子(3)和(12)系数对应相等可得：
至此，基于带遗忘因子RLS法的步骤及式子(13)，即可求解RC环路的四个参数。
S5、建立全工况自适应等效电路模型；
如图5所示为本发明全工况自适应输出流程图。当工况电流恒定时，输出DP离线模型辨识结果；当工况电流时变时，输出R-DP在线模型辨识结果。
因为根据最小二乘法的推导过程，数据矩阵Φ(k)必须满秩才可以进行求逆计算。也就是说每一列的I(k)必须不相等，这就要求在0-N的时间内，至少存在一个时刻使得I(k)≠I(k-1)，并且最小二乘法的收敛需要一定的时间，电流恒定持续的时间较长时往往达不到收敛效果，甚至发散。所以RLS能够应用到在线辨识参数的前提条件是电池的电流是时变的，对于恒流工况其辨识精度会受到较大影响。
DP离线模型是基于不同的恒流倍率对模型参数进行辨识，其针对恒流工况相比于R-DP在线模型具有更高的精度。DP离线模型参数应用过程是根据查表法或函数拟合法，这两种方法都是仅仅基于各参数独立的变化过程进行查表或拟合，并未考虑各参数之间的相互关系。而基于RLS的参数辨识，在所有时刻都考虑了各参数之间的数学关系。理论上，针对变电流工况，RLS在线辨识比离线辨识具有更高的精度。不同的参数辨识方法，其对不同工况的辨识精度是有区别的。基于此，建立基于R-DP在线模型、DP离线模型自适应输出的全工况等效电路模型。
如图6所示，为仿真模型的输入工况电流；该仿真模型输入工况电流包含了变电流过程和恒定电流过程，电流大于零表示锂电池放电，小于零表示锂电池充电，总时长为4200s，采样周期1s。在MATLAB/Simulink中搭建仿真模型进行验证。
如图7所示，为基于RLS的R-DP在线模型和基于RLS的DP在线模型仿真结果对比；如图8所示，为基于RLS的R-DP在线模型和基于RLS的DP在线模型仿真结果误差比较；
由图7可以看出，两个模型均能较好的跟踪实测端电压的变化。由图8可知，整体而言，基于R-DP在线模型的输出更接近真实测量值，造成这种结果的原因主要是R-DP在线模型相比于普通DP在线模型，一方面R的辨识结果更接近实际情况，更可靠、更精确；另一方面R-DP在线模型只需要辨识四个参数，理论上具有更高的辨识精度。
如图9所示，为基于RLS的R-DP在线模型、DP离线模型仿真结果和真实测量值的比较，从图中可知，在恒流工况对应的椭圆区域，R-DP在线模型误差大于DP离线模型，紫色区域以外对应的变电流工况，DP离线模型误差大于R-DP在线模型。验证了全工况自适应等效电路模型建立的理论分析。
如图10所示，全工况自适应等效电路模型仿真结果和真实测量值的比较，整体而言，其相比于单独的R-DP在线模型、DP离线模型具有更高的精度。
如图11所示，为全工况自适应等效电路模型、基于RLS的R-DP在线模型和DP离线模型仿真结果误差比较，进一步验证了全工况自适应等效电路模型对比于单独的R-DP在线模型、DP离线模型具有更高的精度。
如表1所示为各模型输出的平均绝对误差，由表1可知，整体而言DP离线模型误差最大，达到了50mv左右，影响离线模型精度的主要因素是离线辨识过程实际采样数据的精度及数量。基于RLS的R-DP在线模型相比于普通的DP在线模型，由于欧姆电阻的辨识更可靠，在线辨识过程参数更少，因此具有更高的精度，提高了29％。全工况自适应等效电路模型结合了R-DP在线模型和DP离线模型的优缺点，相比于R-DP在线模型，具有更小的误差，整体精度进一步提高了12％左右。需要说明的是，模型误差的大小受工况的变化影响较大，换个工况，精度提高的比率可能发生变化，但本发明所提两种改进模型精度的方法效果是确定的。
表1各模型输出的平均绝对误差
综合以上分析，基于RLS的全工况自适应等效电路模型通过对DP在线模型参数辨识过程的改进和R-DP在线模型、DP离线模型相结合的方式提高了DP等效电路的精度，对提高新能源汽车动力电池状态估计精度具有重要意义。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (3)

1.一种基于RLS的锂电池全工况自适应等效电路模型，其特征在于，包括以下步骤：
S1、建立锂电池DP离线模型；所述DP离线模型即为DP等效电路模型；
S2、获取锂电池OCV-SOC曲线；
S3、利用锂电池放电结束时的端电压响应曲线对DP离线模型进行参数辨识；
S4、利用带遗忘因子的RLS对R-DP在线模型的剩余参数进行辨识；定义R-DP在线模型为某个确定充放电过程欧姆电阻R已知的DP在线模型；
S5、建立全工况自适应等效电路模型：当工况电流恒定时，输出DP离线模型辨识结果；当工况电流时变时，输出R-DP在线模型辨识结果；
所述步骤S3中的离线参数辨识方法，根据锂电池放电结束时的端电压响应曲线对DP离线模型参数R、Rp、Rs、Cp和Cs进行辨识；R表示锂电池的欧姆内阻；Rp表示锂电池浓度差极化电阻，Cp表示锂电池浓度差极化电容，Rs表示电化学极化内阻，Cs表示电化学极化电容；
步骤S4中，欧姆内阻R采用步骤S3中离线辨识的结果；R-DP在线模型中RC环路的四个参数Rp、Rs、Cp、Cs采用带遗忘因子的RLS在线辨识；
DP离线模型辨识结果为步骤S3的辨识结果，R-DP在线模型辨识结果为步骤S4的辨识结果。
2.根据权利要求1所述的基于RLS的锂电池全工况自适应等效电路模型，其特征在于：
所述步骤S1中的DP等效电路模型，包括一个电压源Uoc、一个欧姆内阻R和两个RC环路；其中，Uoc表示锂电池的开路电压；两个RC环路分别为Rp、Cp与Rs、Cs，用Rp、Cp与Rs、Cs构成的两个RC环路共同模拟锂电池的极化过程。
3.根据权利要求1所述的基于RLS的锂电池全工况自适应等效电路模型，其特征在于：所述步骤S2中的OCV-SOC获取方法包括以下步骤，
S21、采用先恒流后恒压的方式对锂电池充满电；
S22、对锂电池进行恒流恒容量放电；
S23、放电结束，静置1小时以消除极化效应的影响；
S24、重复步骤S22、S23，至锂电池电量全部放完；
对锂电池进行不同倍率的恒流放电，分别进行步骤S21至步骤S24，将获得的实验数据进行多项式拟合获得不同放电倍率对应的OCV-SOC曲线。
CN202011019834.9A 2020-09-25 2020-09-25 基于rls的锂电池全工况自适应等效电路模型 Active CN112147514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011019834.9A CN112147514B (zh) 2020-09-25 2020-09-25 基于rls的锂电池全工况自适应等效电路模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011019834.9A CN112147514B (zh) 2020-09-25 2020-09-25 基于rls的锂电池全工况自适应等效电路模型

Publications (2)

Publication Number Publication Date
CN112147514A CN112147514A (zh) 2020-12-29
CN112147514B true CN112147514B (zh) 2023-08-11

Family

ID=73897936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011019834.9A Active CN112147514B (zh) 2020-09-25 2020-09-25 基于rls的锂电池全工况自适应等效电路模型

Country Status (1)

Country Link
CN (1) CN112147514B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881921A (zh) * 2021-01-08 2021-06-01 恒大新能源汽车投资控股集团有限公司 电池等效电路模型参数辨识方法、装置、设备及存储介质
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
CN115219905A (zh) * 2022-06-15 2022-10-21 苏州大学 一种电池内短路在线检测方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN107271911A (zh) * 2017-06-16 2017-10-20 河南理工大学 一种基于模型参数分段矫正的soc在线估计方法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN109726501A (zh) * 2019-01-11 2019-05-07 武汉理工大学 基于可变遗忘因子的rls锂电池模型参数在线辨识方法
CN110261778A (zh) * 2019-05-27 2019-09-20 南京理工自动化研究院有限公司 一种锂离子电池soc估测算法
CN110361652A (zh) * 2019-06-26 2019-10-22 河南理工大学 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2537406B (en) * 2015-04-16 2017-10-18 Oxis Energy Ltd Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries
US10099679B2 (en) * 2016-10-20 2018-10-16 Fca Us Llc Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN107271911A (zh) * 2017-06-16 2017-10-20 河南理工大学 一种基于模型参数分段矫正的soc在线估计方法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN109726501A (zh) * 2019-01-11 2019-05-07 武汉理工大学 基于可变遗忘因子的rls锂电池模型参数在线辨识方法
CN110261778A (zh) * 2019-05-27 2019-09-20 南京理工自动化研究院有限公司 一种锂离子电池soc估测算法
CN110361652A (zh) * 2019-06-26 2019-10-22 河南理工大学 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RLS锂电池全工况自适应等效电路模型;郭向伟 等;《电工技术学报》;第37卷(第16期);第4029-4037页 *

Also Published As

Publication number Publication date
CN112147514A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112147514B (zh) 基于rls的锂电池全工况自适应等效电路模型
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN112018465B (zh) 一种多物理场约束的锂离子电池智能快速充电方法
CN113156321B (zh) 一种锂离子电池荷电状态soc的估算方法
CN111060824B (zh) 一种基于模型与算法分步融合的荷电状态估计方法
CN112580284B (zh) 一种混合电容器等效电路模型及在线参数辨识方法
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
CN112858920B (zh) 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法
Ren et al. Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN111060822B (zh) 一种基于模型切换及融合的荷电状态估计方法
CN113761726A (zh) 一种锂电池参数辨识方法及系统
Kong et al. A novel parameter adaptive method for state of charge estimation of aged lithium batteries
CN113608126B (zh) 一种不同温度下的锂电池soc在线预估方法
CN115407205A (zh) 考虑温度影响的多时间尺度soc和soh协同估计方法
CN113805062B (zh) 锂电池等效电路模型参数在线鲁棒自适应辨识方法
CN116449219A (zh) 一种改进vffrls的锂电池模型参数辨识方法
CN116718920A (zh) 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法
WO2021035500A1 (zh) 用于48v轻混汽车锂离子电池的荷电状态在线估算系统
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN114720881A (zh) 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法
CN113884914A (zh) 一种渐消并行卡尔曼滤波动力电池荷电状态估计方法
CN114487879A (zh) 一种基于自适应平方根中心差分Kalman滤波的SOC估计方法
CN114114048A (zh) 一种电池soc、soh、soe联合估算方法
CN111177992B (zh) 基于电化学理论和等效电路模型的电池模型及其构建方法

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