CN112881921A - 电池等效电路模型参数辨识方法、装置、设备及存储介质 - Google Patents
电池等效电路模型参数辨识方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112881921A CN112881921A CN202110024627.0A CN202110024627A CN112881921A CN 112881921 A CN112881921 A CN 112881921A CN 202110024627 A CN202110024627 A CN 202110024627A CN 112881921 A CN112881921 A CN 112881921A
- Authority
- CN
- China
- Prior art keywords
- parameter
- battery
- determining
- charge
- identified
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000013178 mathematical model Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims description 89
- 230000003044 adaptive effect Effects 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 51
- 238000007599 discharging Methods 0.000 claims description 23
- 238000000137 annealing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 13
- 229910001416 lithium ion Inorganic materials 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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]
- G01R31/382—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)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例公开了一种电池等效电路模型参数辨识方法、装置、设备及存储介质，用以解决现有的方法参数辨识结果的精确度较低，导致建立的等效电路模型的准确性较低的问题。包括：建立电池的等效电路模型对应的数学模型，确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数；按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，并基于离线参数辨识算法计算得到待辨识参数对应的离线辨识结果；基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。该技术方案能够提高辨识结果的精确度，从而提高建立的等效电路模型的准确度。
Description
技术领域
本申请涉及电池技术领域，尤其涉及一种电池等效电路模型参数辨识方法、装置、设备及存储介质。
背景技术
电池是电动汽车的动力来源，电池的性能直接影响着整车的动力性与安全性。良好的电池管理技术可以在保证安全的前提下最大限度的发挥电池的能力，是电池系统的核心技术。状态估计是BMS(Battery Management System，电池管理系统)的重要功能，常用的电池状态包括SOC(State Of Charge，电池荷电状态)，SOH(State Of Health，电池健康状态)，SOP(State Of Power，电池功率状态)，SOE(State Of Energy，电池能量状态)等，SOC是估计其他状态的基础。由于动力电池在使用过程中呈现很强的非线性特征，且性能与老化过程、环境及工况息息相关，电池状态不是可以直接测量得到的量，一般通过建模技术来模拟电池的工作过程，从而通过计算得到电池状态。
当前使用的动力电池主要为锂离子电池，针对锂离子电池应用较多的是等效电路模型。对等效电路模型进行参数辨识是建立等效电路模型的必要步骤，辨识结果越精确，建立的等效电路模型越准确。目前参数辨识主要采用单一的离线方法或在线方法，难以确保辨识结果的精确性，从而难以确保建立的等效电路模型的准确性。
发明内容
本申请实施例的目的是提供一种电池等效电路模型参数辨识方法、装置、设备及存储介质，用以解决现有的方法参数辨识结果的精确度较低，导致建立的等效电路模型的准确性较低的问题。
为解决上述技术问题，本申请实施例是这样实现的：
一方面，本申请实施例提供一种电池等效电路模型参数辨识方法，包括：
建立电池的等效电路模型对应的数学模型，确定所述数学模型中的待辨识参数；所述待辨识参数用于确定所述电池的荷电状态SOC；
按照不同充放电电流分别对所述电池执行脉冲充放电试验，以确定在各所述充放电电流下、所述电池的不同SOC分别对应的第一端电压；
基于离线参数辨识算法、各所述充放电电流和各所述SOC分别对应的所述第一端电压，计算得到在各所述充放电电流、所述电池的不同SOC下所述待辨识参数对应的离线辨识结果；
基于在线参数辨识算法，对所述离线辨识结果进行更新，得到所述待辨识参数对应的目标辨识结果。
另一方面，本申请实施例提供一种电池等效电路模型参数辨识装置，包括：
建立及确定模块，用于建立电池的等效电路模型对应的数学模型，确定所述数学模型中的待辨识参数；所述待辨识参数用于确定所述电池的荷电状态SOC；
执行模块，用于按照不同充放电电流分别对所述电池执行脉冲充放电试验，以确定在各所述充放电电流下、所述电池的不同SOC分别对应的第一端电压；
计算模块，用于基于离线参数辨识算法、各所述充放电电流和各所述SOC分别对应的所述第一端电压，计算得到在各所述充放电电流、所述电池的不同SOC下所述待辨识参数对应的离线辨识结果；
更新模块，用于基于在线参数辨识算法，对所述离线辨识结果进行更新，得到所述待辨识参数对应的目标辨识结果。
再一方面，本申请实施例提供一种电池等效电路模型参数辨识设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述电池等效电路模型参数辨识方法。
再一方面，本申请实施例提供一种存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现上述电池等效电路模型参数辨识方法。
采用本申请实施例的技术方案，通过建立电池的等效电路模型对应的数学模型，能够确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数，并按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，从而基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果，并基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。可见，该技术方案能够将离线辨识结果作为在线参数辨识的初始值，并基于在线参数辨识算法，对离线辨识结果进行更新，克服了离线方法收敛速度慢，不适用实车使用的缺点，实现了对辨识结果的实时修正的效果，相较于传统的采用单一方法(离线方法或在线方法)进行参数辨识的方式而言，能够提高辨识结果的精确度，从而提高了建立的等效电路模型的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请一实施例的一种电池等效电路模型参数辨识方法的示意性流程图；
图2是根据本申请一实施例的一种电池的等效电路模型的示意图；
图3是根据本申请另一实施例的一种电池等效电路模型参数辨识方法的示意性流程图；
图4是根据本申请一实施例的一种电池等效电路模型参数辨识装置的结构示意图；
图5是根据本申请一实施例的一种电池等效电路模型参数辨识设备的硬件结构示意图。
具体实施方式
本申请实施例的目的是提供一种电池等效电路模型参数辨识方法、装置、设备及存储介质，用以解决现有的方法参数辨识结果的精确度较低，导致建立的等效电路模型的准确性较低的问题。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1是根据本申请一实施例的一种电池等效电路模型参数辨识方法的示意性流程图，如图1所示，该方法包括：
S102，建立电池的等效电路模型对应的数学模型，确定数学模型中的待辨识参数。
其中，待辨识参数用于确定电池的荷电状态SOC。
S104，按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压。
S106，基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果。
S108，基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。
在本申请实施例中，通过建立电池的等效电路模型对应的数学模型，能够确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数，并按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，从而基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果，并基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。可见，该技术方案能够将离线辨识结果作为在线参数辨识的初始值，并基于在线参数辨识算法，对离线辨识结果进行更新，克服了离线方法收敛速度慢，不适用实车使用的缺点，实现了对辨识结果的实时修正的效果，相较于传统的采用单一方法(离线方法或在线方法)进行参数辨识的方式而言，能够提高辨识结果的精确度，从而提高了建立的等效电路模型的准确度。
在一个实施例中，电池的等效电路模型可采用如图2所示的二阶阻容等效电路模型，根据基尔霍夫定律，可以得到图2所示的二阶阻容等效电路模型的数学表达式：
其中，Uohm为电池内阻电压，IL为电池的负载电流，一般规定放电为正，充电为负。Up1和Up2为两个RC(阻容)元件两端的电压，Ut为电池的第一端电压，Uocv为电池的开路电压，R0为欧姆电阻。
SOC公式为：
其中，CN是电池的额定容量，单位为Ah(安时)。SOC为电池的当前荷电状态，SOC0为电池的初始荷电状态，t0至t为SOC0到SOC所经过的时间，I为充放电电流。
可对公式(1)、公式(2)进行离散化处理，得到：
其中，Ts表示采样时间，wk为过程噪声。
系统的观测方程为:
其中，vk为观测噪声。
将公式(3)和公式(4)进行整理，可得到等效电路模型对应的数学模型：
其中，状态向量
uk为k时刻的输入向量，uk＝Ik，yk为输出向量，
为k时刻的开路电压，k和k+1分别表示k时刻和k+1时刻，wk和vk的协方差分别为Qw和Qv，Qw＝E(w×wT)，Qv＝E(v×vT)，
可通过开路电压法测定SOC-UOCV的对应曲线获得。基于公式(5)可确定待辨识参数包括Ro、Cp1、Cp2、Rp1和Rp2。
本实施例中，通过建立电池的二阶阻容等效电路模型对应的数学模型，从而确定待辨识参数，由于等效电路模型的阶数较佳，因此能够避免冗余的计算，且能够较好的模拟电池的动态特性。
在一个实施例中，可通过如下步骤A1-A2，按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压。
步骤A1、按照多个指定充放电倍率，分别对电池执行脉冲充放电试验。其中，指定充放电倍率与电池的额定容量之间正相关。
例如，假设电池为锂离子电池组，指定充放电倍率为1C，对电池执行脉冲充放电操作的具体过程，可如下述步骤B1-B4：
步骤B1、将锂离子电池组充满电后搁置1h(小时)，搁置过程中SOC＝1。
步骤B2、以1C电流对锂离子电池组放电0.1h后SOC＝0.9，搁置1h。
步骤B3、以1C电流对锂离子电池组放电10s(秒)，搁置30s后以1C电流对锂离子电池组充电10s再将锂离子电池组放电至SOC＝0.8，搁置1h。
步骤B4、按步骤B3的过程对锂离子电池组循环放电至SOC＝0.2，搁置一段时间后结束操作。
再例如，假设电池为锂离子电池组，指定充放电倍率为2C，对电池执行脉冲充放电操作的具体过程，可参照上述步骤B1-B4，直至对锂离子电池组循环放电至SOC＝0.2，搁置一段时间后结束操作。当指定充放电倍率为3C、4C、5C等等时，对电池执行脉冲充放电操作的具体过程，仍参照上述步骤B1-B4，此处不再赘述。
步骤A2、确定在各SOC和各指定充放电倍率下，电池的第一端电压。
由于电池动态特性较为复杂，因此参数辨识需尽量在稳态过程(步骤B1-B4中的搁置过程)中实现。参数辨识中的欧姆电阻Ro为静态量，可通过计算阶跃电压差得到，而极化内阻Rp1和Rp2则可通过拟合电池放电后的电压回弹过程得到。
本实施例中，通过按照多个指定充放电倍率，分别对电池执行脉冲充放电试验，从而确定在各SOC和各指定充放电倍率下电池的第一端电压，为后续进行离线参数辨识提供了数据基础。
在一个实施例中，针对任一充放电电流、任一SOC对应的第一端电压，可通过下述步骤C1-C6，基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果。
本实施例中，离线参数辨识算法可为基于模拟退火的粒子群算法。
步骤C1、根据预设的电池对应的待辨识参数的取值范围，确定取值范围中包括的第一数量个初值元素。
例如，预设电池对应的待辨识参数Ro的取值范围为[5.1，5.3]，取值精度为0.1，则Ro的取值范围中包括的3个初值元素，分别为5.1、5.2、5.3。
步骤C2、根据第一数量个初值元素，确定第一数量个粒子分别对应的第一位置和第一速度，以及，确定对各粒子进行迭代的迭代环境数据。
其中，迭代环境数据包括退火率和退火温度。粒子用于表征初值元素，以使通过迭代粒子，实现对初值元素的迭代。在基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，第一次计算在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果时，可根据第一数量个初值元素，确定第一数量个粒子分别对应的初始位置和初始速度。
在一个实施例中，根据第一数量个初值元素，确定第一数量个粒子分别对应的第一位置和第一速度时，可首先将各初值元素分别确定为各粒子对应的第一位置，然后根据预设的第一位置与第一速度之间的第二函数关系，确定各第一位置分别对应的第一速度。
其中，由于初值元素包括待辨识参数Ro、Cp1、Cp2、Rp1和Rp2分别对应的初值，因此第一位置为五维坐标。此外，可预设速度的取值为位置的10％-20％，通过位置即可对应确定出速度。
本实施例中，利用粒子表征初值元素，使得通过迭代粒子，能够实现对初值元素的迭代。
在执行步骤C2时，可设置初始退火温度T，以及第一数量个粒子分别对应的第一位置和第一速度，并在初始退火温度下执行蒙特卡洛搜索以找到全局平衡状态。在执行蒙特卡洛搜索过程中，对于更新后的粒子被接受的概率可用如下公式计算：
其中，p是新粒子被接受的概率，E是系统内能，可被抽象为粒子的适应性函数，本实施例中采用均方根误差(RMSE)作为适应性函数，Ex为当前粒子的系统内能，
为更新之前粒子的系统内能。T为退火温度，退火温度可根据如下公式更新：Tnew＝K·T， (7)
其中，K为退火率，Tnew为更新后的退火温度。
步骤C3、基于第一位置和第一速度，确定各粒子分别对应的第一适应值。
在执行步骤C3时，可根据第一位置确定待辨识参数对应的初值元素，基于预设的初值元素、充放电电流与电池的端电压之间的第一对应关系，确定在充放电电流下初值元素对应的第三端电压，并基于预设的端电压与适应值之间的第二对应关系，确定第三端电压对应的第一适应值。
其中，第一适应值可为当前粒子的系统内能与更新之前粒子的系统内能之间的差值，用均方根误差表示，当前离线辨识结果的均方根误差可根据当前离线辨识结果求得。第一对应关系可为根据初值元素和充放电电流计算得到电池的第三端电压的计算公式。第二对应关系可为根据第三端电压计算均方根误差得到适应值的计算公式。
步骤C4、在第一退火温度下，更新各粒子的位置和速度，得到各粒子分别对应的第二位置和第二速度，并基于第二位置和第二速度，确定更新后的各粒子分别对应的第二适应值。
在一个实施例中，在第一退火温度下，根据各粒子分别对应的第一位置和第一速度，可将每个粒子对应的第一位置确定为个体最优位置，以及将第一适应值最小的粒子对应的第一位置确定为全局最优位置，并基于预设的位置更新方式和速度更新方式，利用个体最优位置和全局最优位置，更新各粒子的位置和速度，得到各粒子分别对应的第二位置和第二速度。
本实施例中，通过确定个体最优位置和全局最优位置，并基于预设的位置更新方式和速度更新方式，更新各粒子的位置和速度，使得粒子能够不断地迭代，以寻找最优的离线辨识结果。
本实施例中，预设的位置更新方式可为位置更新方程：
xk+1＝xk+vk， (8)
预设的速度更新方式可为速度更新方程：
vk+1＝ωvk+c1r1[pk-xk]+c2r2[gk-xk]， (9)
其中，ω是惯性权重，c1和c2是学习因子，r1和r2是介于0和1之间的随机数，v是粒子速度，x是粒子位置，p表示个体最优位置，g表示全局最优位置。
在一个实施例中，基于第二位置和第二速度确定更新后的各粒子分别对应的第二适应值时，可根据第二位置确定待辨识参数对应的初值元素，基于预设的初值元素、充放电电流与电池的端电压之间的第一对应关系，确定在充放电电流下初值元素对应的第二端电压，并基于预设的端电压与适应值之间的第二对应关系，确定第二端电压对应的第二适应值。
步骤C5、基于第一适应值与第二适应值之间的第一函数关系，判断更新后的各粒子是否满足迭代终止条件。
其中，第一适应值与第二适应值之间的第一函数关系可为Metropolis准则，当新粒子被接受的概率不为零时，可进一步判断更新后的各粒子是否满足迭代终止条件。迭代终止条件可包括：迭代次数达到第一预设阈值、更新后的粒子的适应值小于或等于第二预设阈值等。第二预设阈值基于第二端电压与第一端电压之间的差值对应的适应值而确定。
Metropolis准则为：
步骤C6、若更新后的各粒子满足迭代终止条件，则停止迭代，并根据第二适应值确定离线辨识结果。若更新后的各粒子不满足迭代终止条件，则继续对迭代环境数据和第二适应值进行更新，并基于更新后的迭代环境数据和第三适应值确定离线辨识结果，直至满足迭代终止条件。
本实施例中，利用粒子表征各SOC下待辨识参数对应的初值元素，通过离线参数辨识算法，对各粒子进行迭代，从而实现对初值元素进行迭代，不断找寻最优的辨识结果，进而得到各SOC下待辨识参数对应的最优离线辨识结果。
在一个实施例中，可根据如下步骤D1-D4，基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。
步骤D1、确定数学模型对应的参数辨识模型。
其中，参数辨识模型用于对待辨识参数进行在线参数辨识，包括第一参数向量、第二参数向量、估计误差和状态向量。
步骤D2、基于离线辨识结果，确定第一参数向量和状态向量分别对应的先验估计，以及，确定第二参数向量的协方差和估计误差的协方差分别对应的先验估计。
步骤D3、根据参数辨识模型，按照预设时间间隔对第一参数向量、第二参数向量的协方差、估计误差的协方差和状态向量进行更新。
步骤D4、基于更新后的第一参数向量、第二参数向量的协方差、估计误差的协方差和状态向量分别对应的后验估计，确定待辨识参数对应的目标辨识结果。
本实施例中，在线参数辨识算法可为双扩展卡尔曼滤波算法。在执行步骤D1，确定数学模型对应的参数辨识模型时，可首先确定数学模型对应的参数更新方程：
然后确定系统的观测方程：
按照公式(5)对公式(11)、公式(12)进行整理，得到参数辨识模型为：
其中，参数向量
rk为描述参数θ的时变特性的随机微小向量，ek为估计误差。rk和ek的协方差分别为Qr和Qe。Qr＝E(r×rT)，Qe＝E(e×eT)。
步骤D2-D4的具体执行过程如下述步骤E1-E8：
步骤E1、基于离线辨识结果，确定初始状态向量x0|0、初始参数向量θ0|0以及过程噪声的协方差Qw、测量噪声的协方差Qv、参数向量的协方差Qr和估计误差的协方差Qe的初值。
步骤E2、根据状态向量xk、过程噪声的协方差Qw、测量噪声的协方差Qv获得状态向量x在k+1时刻的先验估计xk+1|k与先验误差协方差Pk+1|k：
xk+1|k＝Akxk|k+Bkuk， (14)
Pk+1|k＝AkPk|kAk T+Qw， (15)
其中，xk|k为k时刻x的后验估计。k+1与k时刻的间隔为采样间隔Ts。
步骤E3、根据获得的先验误差协方差获得卡尔曼增益Kk+1：
Kk+1＝Pk+1|kD1k+1 T[D1k+1Pk+1|kD1k+1 T+Qv]-1， (16)
步骤E4、根据先验估计xk+1|k和获得的卡尔曼增益Kk+1，确定状态向量xk+1在k+1时刻的后验估计xk+1|k+1，据此更新过程噪声的协方差Qw在k+1时刻的后验误差协方差Pk+1|k+1：
其中，E为单位矩阵。
步骤E5、获取参数向量θ在k+1时刻的先验估计θk+1|k：
θk+1|k＝θk|k， (19)
步骤E6、根据获得的先验估计θk+1|k，确定参数向量的协方差Qr在k+1时刻的先验误差协方差
然后获得参数卡尔曼增益
步骤E7、根据先验估计θk+1|k和获得的卡尔曼增益
确定状态向量θk+1在k+1时刻的后验估计θk+1|k+1：
步骤E8、根据获得的后验估计θk+1|k+1，更新参数向量的协方差Qr在k+1时刻的后验误差协方差
本实施例中，通过在线辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果，能够有效确保辨识结果的精确度。
图3是根据本申请另一实施例的一种电池等效电路模型参数辨识方法的示意性流程图，如图3所示，该方法包括：
S301，建立电池的等效电路模型对应的数学模型，确定数学模型中的待辨识参数。
其中，待辨识参数用于确定电池的荷电状态SOC。
S302，按照多个指定充放电倍率，分别对电池执行脉冲充放电试验，以确定在各SOC和各指定充放电倍率下，电池的第一端电压。
其中，指定充放电倍率与电池的额定容量之间正相关。
S303，根据预设的电池对应的待辨识参数的取值范围，确定取值范围中包括的第一数量个初值元素，并将第一数量个初值元素分别确定为第一数量个粒子对应的第一位置。
其中，粒子用于表征初值元素，以使通过迭代粒子，实现对初值元素的迭代。
S304，根据预设的粒子对应的第一位置与第一速度之间的第二函数关系，确定各第一位置分别对应的第一速度，并确定对各粒子进行迭代的迭代环境数据。
其中，迭代环境数据包括退火率和退火温度。
S305，基于第一位置和第一速度，确定各粒子分别对应的第一适应值。
S306，在第一退火温度下，根据各粒子分别对应的第一位置和第一速度，将每个粒子对应的第一位置确定为个体最优位置，以及将第一适应值最小的粒子对应的第一位置确定为全局最优位置。
S307，基于预设的位置更新方式和速度更新方式，利用个体最优位置和全局最优位置，更新各粒子的位置和速度，得到各粒子分别对应的第二位置和第二速度。
S308，根据第二位置确定待辨识参数对应的初值元素，并基于预设的初值元素、充放电电流与电池的端电压之间的第一对应关系，确定在充放电电流下初值元素对应的第二端电压。
S309，基于预设的端电压与适应值之间的第二对应关系，确定第二端电压对应的第二适应值。
S310，基于第一适应值与第二适应值之间的第一函数关系，判断更新后的各粒子是否满足迭代终止条件；若是，则执行S311；若否，则返回执行S305。
其中，迭代终止条件可包括：迭代次数达到第一预设阈值、更新后的粒子的适应值小于或等于第二预设阈值等。第二预设阈值基于第二端电压与第一端电压之间的差值对应的适应值而确定。在返回执行S305后，继续对迭代环境数据和第二适应值进行更新，并基于更新后的迭代环境数据和第三适应值确定离线辨识结果，直至满足迭代终止条件。
S311，停止迭代，并根据第二适应值确定离线辨识结果。
S312，基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。
上述S301-S312的具体过程在上述实施例中已进行详细说明，此处不再赘述。
在本申请实施例中，通过建立电池的等效电路模型对应的数学模型，能够确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数，并按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，从而基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果，并基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。可见，该技术方案能够将离线辨识结果作为在线参数辨识的初始值，并基于在线参数辨识算法，对离线辨识结果进行更新，克服了离线方法收敛速度慢，不适用实车使用的缺点，实现了对辨识结果的实时修正的效果，相较于传统的采用单一方法(离线方法或在线方法)进行参数辨识的方式而言，能够提高辨识结果的精确度，从而提高了建立的等效电路模型的准确度。
综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的电池等效电路模型参数辨识方法，基于同样的思路，本申请实施例还提供一种电池等效电路模型参数辨识装置。
图4是根据本申请一实施例的一种电池等效电路模型参数辨识装置的结构示意图，如图4所示，电池等效电路模型参数辨识装置包括：
建立及确定模块410，用于建立电池的等效电路模型对应的数学模型，确定数学模型中的待辨识参数；待辨识参数用于确定电池的荷电状态SOC；
执行模块420，用于按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压；
计算模块430，用于基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果；
更新模块440，用于基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。
在一个实施例中，执行模块420包括：
第一执行单元，用于按照多个指定充放电倍率，分别对电池执行脉冲充放电试验；指定充放电倍率与电池的额定容量之间正相关；
第一确定单元，用于确定在各SOC和各指定充放电倍率下，电池的第一端电压。
在一个实施例中，针对任一充放电电流、任一SOC对应的第一端电压，计算模块430包括：
第二确定单元，用于根据预设的电池对应的待辨识参数的取值范围，确定取值范围中包括的第一数量个初值元素；
第三确定单元，用于根据第一数量个初值元素，确定第一数量个粒子分别对应的第一位置和第一速度；以及，确定对各粒子进行迭代的迭代环境数据，迭代环境数据包括退火率和退火温度；粒子用于表征初值元素，以使通过迭代粒子，实现对初值元素的迭代；
第四确定单元，用于基于第一位置和第一速度，确定各粒子分别对应的第一适应值；
更新及确定单元，用于在第一退火温度下，更新各粒子的位置和速度，得到各粒子分别对应的第二位置和第二速度；基于第二位置和第二速度，确定更新后的各粒子分别对应的第二适应值；
判断单元，用于基于第一适应值与第二适应值之间的第一函数关系，判断更新后的各粒子是否满足迭代终止条件；迭代终止条件包括：迭代次数达到第一预设阈值、更新后的粒子的适应值小于或等于第二预设阈值中的至少一项；
第二执行单元，用于若是，则停止迭代，并根据第二适应值确定离线辨识结果；若否，则继续对迭代环境数据和第二适应值进行更新，并基于更新后的迭代环境数据和第三适应值确定离线辨识结果，直至满足迭代终止条件。
在一个实施例中，第三确定单元具体用于：
将各初值元素分别确定为各粒子对应的第一位置；
根据预设的第一位置与第一速度之间的第二函数关系，确定各第一位置分别对应的第一速度。
在一个实施例中，更新及确定单元具体用于：
在第一退火温度下，根据各粒子分别对应的第一位置和第一速度，将每个粒子对应的第一位置确定为个体最优位置，以及将第一适应值最小的粒子对应的第一位置确定为全局最优位置；
基于预设的位置更新方式和速度更新方式，利用个体最优位置和全局最优位置，更新各粒子的位置和速度，得到各粒子分别对应的第二位置和第二速度。
在一个实施例中，更新及确定单元具体用于：
根据第二位置确定待辨识参数对应的初值元素；
基于预设的初值元素、充放电电流与电池的端电压之间的第一对应关系，确定在充放电电流下初值元素对应的第二端电压；
基于预设的端电压与适应值之间的第二对应关系，确定第二端电压对应的第二适应值；
第二预设阈值基于第二端电压与第一端电压之间的差值对应的适应值而确定。
在一个实施例中，更新模块440包括：
第五确定单元，用于确定数学模型对应的参数辨识模型；参数辨识模型用于对待辨识参数进行在线参数辨识，包括第一参数向量、第二参数向量、估计误差和状态向量；
第六确定单元，用于基于离线辨识结果，确定第一参数向量和状态向量分别对应的先验估计；以及，确定第二参数向量的协方差和估计误差的协方差分别对应的先验估计；
更新单元，用于根据参数辨识模型，按照预设时间间隔对第一参数向量、第二参数向量的协方差、估计误差的协方差和状态向量进行更新；
第七确定单元，用于基于更新后的第一参数向量、第二参数向量的协方差、估计误差的协方差和状态向量分别对应的后验估计，确定待辨识参数对应的目标辨识结果。
在本申请实施例中，通过建立电池的等效电路模型对应的数学模型，能够确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数，并按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，从而基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果，并基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。可见，该装置能够将离线辨识结果作为在线参数辨识的初始值，并基于在线参数辨识算法，对离线辨识结果进行更新，克服了离线方法收敛速度慢，不适用实车使用的缺点，实现了对辨识结果的实时修正的效果，相较于传统的采用单一方法(离线方法或在线方法)进行参数辨识的方式而言，能够提高辨识结果的精确度，从而提高了建立的等效电路模型的准确度。
本领域的技术人员应可理解，图4中的电池等效电路模型参数辨识装置能够用来实现前文所述的电池等效电路模型参数辨识方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。
基于同样的思路，本申请实施例还提供一种电池等效电路模型参数辨识设备，如图5所示。电池等效电路模型参数辨识设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对电池等效电路模型参数辨识设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在电池等效电路模型参数辨识设备上执行存储器502中的一系列计算机可执行指令。电池等效电路模型参数辨识设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
具体在本实施例中，电池等效电路模型参数辨识设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对电池等效电路模型参数辨识设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
建立电池的等效电路模型对应的数学模型，确定数学模型中的待辨识参数；待辨识参数用于确定电池的荷电状态SOC；
按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压；
基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果；
基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。
在本申请实施例中，通过建立电池的等效电路模型对应的数学模型，能够确定数学模型中的、用于确定电池的荷电状态SOC的待辨识参数，并按照不同充放电电流分别对电池执行脉冲充放电试验，以确定在各充放电电流下、电池的不同SOC分别对应的第一端电压，从而基于离线参数辨识算法、各充放电电流和各SOC分别对应的第一端电压，计算得到在各充放电电流、电池的不同SOC下待辨识参数对应的离线辨识结果，并基于在线参数辨识算法，对离线辨识结果进行更新，得到待辨识参数对应的目标辨识结果。可见，该设备能够将离线辨识结果作为在线参数辨识的初始值，并基于在线参数辨识算法，对离线辨识结果进行更新，克服了离线方法收敛速度慢，不适用实车使用的缺点，实现了对辨识结果的实时修正的效果，相较于传统的采用单一方法(离线方法或在线方法)进行参数辨识的方式而言，能够提高辨识结果的精确度，从而提高了建立的等效电路模型的准确度。
本申请实施例还提出了一种存储介质，该存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述电池等效电路模型参数辨识方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电池等效电路模型参数辨识方法，其特征在于，包括：
建立电池的等效电路模型对应的数学模型，确定所述数学模型中的待辨识参数；所述待辨识参数用于确定所述电池的荷电状态SOC；
按照不同充放电电流分别对所述电池执行脉冲充放电试验，以确定在各所述充放电电流下、所述电池的不同SOC分别对应的第一端电压；
基于离线参数辨识算法、各所述充放电电流和各所述SOC分别对应的所述第一端电压，计算得到在各所述充放电电流、所述电池的不同SOC下所述待辨识参数对应的离线辨识结果；
基于在线参数辨识算法，对所述离线辨识结果进行更新，得到所述待辨识参数对应的目标辨识结果。
2.根据权利要求1所述的方法，其特征在于，所述按照不同充放电电流分别对所述电池执行脉冲充放电试验，以确定在各所述充放电电流下、所述电池的不同SOC分别对应的第一端电压，包括：
按照多个指定充放电倍率，分别对所述电池执行所述脉冲充放电试验；所述指定充放电倍率与所述电池的额定容量之间正相关；
确定在各所述SOC和各所述指定充放电倍率下，所述电池的所述第一端电压。
3.根据权利要求1所述的方法，其特征在于，针对任一所述充放电电流、任一所述SOC对应的所述第一端电压，所述基于离线参数辨识算法、各所述充放电电流和各所述SOC分别对应的所述第一端电压，计算得到在各所述充放电电流、所述电池的不同SOC下所述待辨识参数对应的离线辨识结果，包括：
根据预设的所述电池对应的所述待辨识参数的取值范围，确定所述取值范围中包括的第一数量个初值元素；
根据所述第一数量个初值元素，确定所述第一数量个粒子分别对应的第一位置和第一速度；以及，确定对各所述粒子进行迭代的迭代环境数据，所述迭代环境数据包括退火率和退火温度；所述粒子用于表征所述初值元素，以使通过迭代所述粒子，实现对所述初值元素的迭代；
基于所述第一位置和所述第一速度，确定各所述粒子分别对应的第一适应值；
在第一退火温度下，更新各所述粒子的位置和速度，得到各所述粒子分别对应的第二位置和第二速度；基于所述第二位置和所述第二速度，确定更新后的各所述粒子分别对应的第二适应值；
基于所述第一适应值与所述第二适应值之间的第一函数关系，判断更新后的各所述粒子是否满足迭代终止条件；所述迭代终止条件包括：迭代次数达到第一预设阈值、更新后的粒子的适应值小于或等于第二预设阈值中的至少一项；
若是，则停止迭代，并根据所述第二适应值确定所述离线辨识结果；若否，则继续对所述迭代环境数据和所述第二适应值进行更新，并基于更新后的所述迭代环境数据和第三适应值确定所述离线辨识结果，直至满足所述迭代终止条件。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一数量个初值元素，确定所述第一数量个粒子分别对应的第一位置和第一速度，包括：
将各所述初值元素分别确定为各所述粒子对应的所述第一位置；
根据预设的所述第一位置与所述第一速度之间的第二函数关系，确定各所述第一位置分别对应的所述第一速度。
5.根据权利要求3所述的方法，其特征在于，所述在第一退火温度下，更新各所述粒子的位置和速度，得到各所述粒子分别对应的第二位置和第二速度，包括：
在所述第一退火温度下，根据各所述粒子分别对应的所述第一位置和所述第一速度，将每个粒子对应的所述第一位置确定为个体最优位置，以及将所述第一适应值最小的粒子对应的所述第一位置确定为全局最优位置；
基于预设的位置更新方式和速度更新方式，利用所述个体最优位置和所述全局最优位置，更新各所述粒子的所述位置和所述速度，得到各所述粒子分别对应的所述第二位置和所述第二速度。
6.根据权利要求3所述的方法，其特征在于，所述基于所述第二位置和所述第二速度，确定更新后的各所述粒子分别对应的第二适应值，包括：
根据所述第二位置确定所述待辨识参数对应的所述初值元素；
基于预设的初值元素、充放电电流与所述电池的端电压之间的第一对应关系，确定在所述充放电电流下所述初值元素对应的第二端电压；
基于预设的端电压与适应值之间的第二对应关系，确定所述第二端电压对应的所述第二适应值；
所述第二预设阈值基于所述第二端电压与所述第一端电压之间的差值对应的适应值而确定。
7.根据权利要求1所述的方法，其特征在于，所述基于在线参数辨识算法，对所述离线辨识结果进行更新，得到所述待辨识参数对应的目标辨识结果，包括：
确定所述数学模型对应的参数辨识模型；所述参数辨识模型用于对所述待辨识参数进行在线参数辨识，包括第一参数向量、第二参数向量、估计误差和状态向量；
基于所述离线辨识结果，确定所述第一参数向量和所述状态向量分别对应的先验估计；以及，确定第二参数向量的协方差和估计误差的协方差分别对应的先验估计；
根据所述参数辨识模型，按照预设时间间隔对所述第一参数向量、所述第二参数向量的协方差、所述估计误差的协方差和所述状态向量进行更新；
基于更新后的所述第一参数向量、所述第二参数向量的协方差、所述估计误差的协方差和所述状态向量分别对应的后验估计，确定所述待辨识参数对应的所述目标辨识结果。
8.一种电池等效电路模型参数辨识装置，其特征在于，包括：
建立及确定模块，用于建立电池的等效电路模型对应的数学模型，确定所述数学模型中的待辨识参数；所述待辨识参数用于确定所述电池的荷电状态SOC；
执行模块，用于按照不同充放电电流分别对所述电池执行脉冲充放电试验，以确定在各所述充放电电流下、所述电池的不同SOC分别对应的第一端电压；
计算模块，用于基于离线参数辨识算法、各所述充放电电流和各所述SOC分别对应的所述第一端电压，计算得到在各所述充放电电流、所述电池的不同SOC下所述待辨识参数对应的离线辨识结果；
更新模块，用于基于在线参数辨识算法，对所述离线辨识结果进行更新，得到所述待辨识参数对应的目标辨识结果。
9.一种电池等效电路模型参数辨识设备，其特征在于，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现权利要求1-7任一项所述的电池等效电路模型参数辨识方法。
10.一种存储介质，其特征在于，所述存储介质用于存储计算机程序，所述计算机程序被处理器执行以实现权利要求1-7任一项所述的电池等效电路模型参数辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110024627.0A CN112881921A (zh) | 2021-01-08 | 2021-01-08 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110024627.0A CN112881921A (zh) | 2021-01-08 | 2021-01-08 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112881921A true CN112881921A (zh) | 2021-06-01 |
Family
ID=76047322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110024627.0A Pending CN112881921A (zh) | 2021-01-08 | 2021-01-08 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112881921A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113777500A (zh) * | 2021-09-29 | 2021-12-10 | 东方电气集团科学技术研究院有限公司 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
| CN114047451A (zh) * | 2021-12-21 | 2022-02-15 | 杭州义益钛迪信息技术有限公司 | 蓄电池状态识别方法及装置 |
| CN114201232A (zh) * | 2021-12-01 | 2022-03-18 | 东莞新能安科技有限公司 | 电池管理系统参数配置方法、装置、系统以及上位机 |
| CN115201687A (zh) * | 2022-07-13 | 2022-10-18 | 西南交通大学 | 基于在线宽频带阻抗的电池模型参数和SoC联合估计方法 |
| CN117233618A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
| CN104408257A (zh) * | 2014-11-28 | 2015-03-11 | 江苏大学 | 基于模拟退火粒子群算法的混合动力汽车参数优化方法 |
| CN106338695A (zh) * | 2016-10-09 | 2017-01-18 | 深圳市沃特玛电池有限公司 | 一种基于粒子群算法的电池模型参数辨识方法 |
| CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
| CN110208704A (zh) * | 2019-04-29 | 2019-09-06 | 北京航空航天大学 | 一种基于电压滞后效应的锂电池建模方法和系统 |
| CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
| CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
| CN112147514A (zh) * | 2020-09-25 | 2020-12-29 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
| WO2021197038A1 (zh) * | 2020-03-31 | 2021-10-07 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置，电池管理系统 |
-
2021
- 2021-01-08 CN CN202110024627.0A patent/CN112881921A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
| CN104408257A (zh) * | 2014-11-28 | 2015-03-11 | 江苏大学 | 基于模拟退火粒子群算法的混合动力汽车参数优化方法 |
| CN106338695A (zh) * | 2016-10-09 | 2017-01-18 | 深圳市沃特玛电池有限公司 | 一种基于粒子群算法的电池模型参数辨识方法 |
| CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
| CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN110208704A (zh) * | 2019-04-29 | 2019-09-06 | 北京航空航天大学 | 一种基于电压滞后效应的锂电池建模方法和系统 |
| CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
| CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
| WO2021197038A1 (zh) * | 2020-03-31 | 2021-10-07 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置，电池管理系统 |
| CN112147514A (zh) * | 2020-09-25 | 2020-12-29 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
Non-Patent Citations (1)
| Title |
|---|
| 夏向阳, 中国矿业大学出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113777500A (zh) * | 2021-09-29 | 2021-12-10 | 东方电气集团科学技术研究院有限公司 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
| CN114201232A (zh) * | 2021-12-01 | 2022-03-18 | 东莞新能安科技有限公司 | 电池管理系统参数配置方法、装置、系统以及上位机 |
| CN114201232B (zh) * | 2021-12-01 | 2023-08-22 | 东莞新能安科技有限公司 | 电池管理系统参数配置方法、装置、系统以及上位机 |
| CN114047451A (zh) * | 2021-12-21 | 2022-02-15 | 杭州义益钛迪信息技术有限公司 | 蓄电池状态识别方法及装置 |
| CN114047451B (zh) * | 2021-12-21 | 2023-12-12 | 杭州义益钛迪信息技术有限公司 | 蓄电池状态识别方法及装置 |
| CN115201687A (zh) * | 2022-07-13 | 2022-10-18 | 西南交通大学 | 基于在线宽频带阻抗的电池模型参数和SoC联合估计方法 |
| CN115201687B (zh) * | 2022-07-13 | 2023-08-29 | 西南交通大学 | 基于在线宽频带阻抗的电池模型参数和SoC联合估计方法 |
| CN117233618A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
| CN117233618B (zh) * | 2023-11-16 | 2024-01-19 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112881921A (zh) | 电池等效电路模型参数辨识方法、装置、设备及存储介质 | |
| Peng et al. | An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries | |
| Kim et al. | Model-based condition monitoring for lithium-ion batteries | |
| Shen et al. | Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach | |
| Xiong et al. | A set membership theory based parameter and state of charge co-estimation method for all-climate batteries | |
| CN110011374B (zh) | 一种电池充放电电流的控制方法、系统及终端设备 | |
| CN110688808B (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
| Gholizade‐Narm et al. | Lithium‐ion battery state of charge estimation based on square‐root unscented Kalman filter | |
| Zhao et al. | State of charge estimation based on a new dual-polarization-resistance model for electric vehicles | |
| CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
| CN108872865B (zh) | 一种防滤波发散的锂电池soc估算方法 | |
| CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
| CN110058161B (zh) | 一种锂离子电池模型参数的分布式辨识方法及装置 | |
| CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
| CN111208433A (zh) | 电池二阶rc等效电路模型参数辨识的方法及装置 | |
| CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
| CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
| CN115902628A (zh) | 一种电池内阻的计算方法、装置、设备及存储介质 | |
| CN117805621A (zh) | 一种电池容量估计方法、装置、设备及存储介质 | |
| Liu et al. | A novel adaptive H‐infinity filtering method for the accurate SOC estimation of lithium‐ion batteries based on optimal forgetting factor selection | |
| Vedhanayaki et al. | Certain investigation and implementation of Coulomb counting based unscented Kalman filter for state of charge estimation of lithium-ion batteries used in electric vehicle application | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及系统 | |
| CN110764003A (zh) | 锂电池荷电状态估算方法、装置和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
| RJ01 | Rejection of invention patent application after publication |