CN113030734A - 电气模型参数的辨识方法及装置 - Google Patents

Abstract

本申请公开了电气模型参数的辨识方法和装置，其方法包括：将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集；根据预设间隔将数据集分割为多个子数据集；将各子数据集分别分割为阶段数据集；根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；根据电气模型参数特征值确定各子数据集对应的电气模型参数；汇总各子数据集对应的电气模型参数，得到电气模型参数。本申请的方法具有自动化、批量化、处理速度快的特点，普适性强，可兼容不同厂家、不同型号的电池系统，显著提供了对电气模型参数的辨别效率；且数据及结果方便管理和维护。

Description

电气模型参数的辨识方法及装置

技术领域

本申请涉及电池系统制造技术领域，具体涉及一种电气模型参数的辨识方法及装置。

背景技术

在汽车电动化、电化学储能应用越来越广泛的时代背景下，锂离子动力电池得到快速推广应用，其中电池的荷电状态值(State of Charge,SOC)的评估愈发显得重要，基于电池电气模型的卡尔曼滤波算法逐渐成为SOC计算的主流算法，而电池系统的电气模型参数的获得是该算法实现的基本前提。

以戴维南模型二阶RC电路为例，电池系统的电气模型参数通常通过混合动力脉冲能力特性(Hybrid Pulse Power Characteristic，HPPC)实验获取，HPPC实验会产生海量的实验数据，通常以Excel文档方式存储。

在一些方案中，从上述的Excel文档中辨识出SOC计算时所需要的参数，通常采用人工的方式，由于数据量极大，人工通过excel表格提取参数极其困难，如工作量巨大，高重复性，耗时久，以8个样本为例，完成高温、常温、低温下各一次充放电过程中的参数辨识需要对48个样本进行1008次HPPC实验数据处理分析，人工提取数据不够客观，且容易出错，影响SOC计算结果的准确性；另有一些诸如利用Matlab进行数据处理的手段，不能够兼容不同厂家、不同信号、不同种类的电池系统，需要针对不同的电池系统进行计算逻辑的设计，普适性差。

需要说明的是，这里的陈述仅提供与本申请有关的背景信息，而不必然地构成现有技术。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的电气模型参数的辨识方法及装置。

依据本申请的第一方面，提供了一种电气模型参数的辨识方法，包括：

将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集；

根据预设间隔将数据集分割为多个子数据集；

将各子数据集分别分割为阶段数据集，阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；

根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；

根据电气模型参数特征值确定各子数据集对应的电气模型参数；

汇总各子数据集对应的电气模型参数，得到电气模型参数。

可选的，上述的方法还包括：

汇总并分析对一个电池系统进行多次平行的HPPC实验获得的电气模型参数，得到电池系统的电气模型参数典型值。

可选的，上述方法是基于python语言的pandas数据分析包实现的；

将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集包括：

读取存储有HPPC实验数据的Excel表中目标sheet中的数据；

提取目标sheet中的目标列和目标行的数据；

将目标列和目标行的数据转化为DataFrame类型的数据集。

可选的，在上述的方法中，预设间隔为HPPC实验中，进行充/放电的SOC间隔；

根据预设间隔将数据集分割为多个子数据集包括：

根据SOC间隔将数据集分割为多个子数据集。

可选的，在上述的方法中，子数据集包括HPPC实验的各阶段起始工步序号，各阶段起始工步序号分别对应HPPC实验的静置阶段、充/放电阶段和静置恢复阶段；

将各子数据集分别分割为阶段数据集包括：

根据各阶段起始工步序号将各子数据集分别分割为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

可选的，在上述的方法中，根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值包括：

对各阶段数据集进行以下的至少一项：索引、切片、判断、求取平均值，得到各子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值。

可选的，在上述的方法中，根据电气模型参数特征值确定所述电气模型参数包括：

根据直流内阻特征值确定直流内阻值；

根据开路电压特征值确定开路电压值；

对二阶RC电路特征值进行曲线拟合，确定RC参数值，RC参数值包括：第一电阻值、第一电容值、第二电阻值、第二电容值。

依据本申请的第二方面，提供了一种电气模型参数的辨识方法，包括：

将电气模型参数输入至卡尔曼滤波算法的电气模型中，以确定电池系统的荷电状态值；其中，电气模型参数是根据上述任一的方法确定的。

依据本申请的第三方面，提供了一种电气模型参数的辨识装置，包括：

转化单元，用于将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集；

分割单元，用于根据预设间隔将数据集分割为多个子数据集；用于将各子数据集分别分割为阶段数据集，阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；

参数确定单元，用于根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；用于根据电气模型参数特征值确定各子数据集对应的电气模型参数；

汇总单元，用于汇总所述各子数据集对应的电气模型参数，得到电气模型参数。

可选的，汇总单元，还用于汇总并分析对一个电池系统进行多次平行的HPPC实验获得的电气模型参数，得到电池系统的电气模型参数典型值。

可选的，上述装置是基于python语言的pandas数据分析包实现的；转化单元，用于读取存储有HPPC实验数据的Excel表中目标sheet中的数据；提取目标sheet中的目标列和目标行的数据；将目标列和目标行的数据转化为DataFrame类型的数据集。

可选的，在上述的装置中，预设间隔为HPPC实验中，进行充/放电的SOC间隔；分割单元，用于根据SOC间隔将数据集分割为多个子数据集。

可选的，在上述的装置中，子数据集包括HPPC实验的各阶段起始工步序号，各阶段起始工步序号分别对应HPPC实验的静置阶段、充/放电阶段和静置恢复阶段；分割单元，用于根据各阶段起始工步序号将各子数据集分别分割为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

可选的，在上述的装置中，参数确定单元，用于对各阶段数据集进行以下的至少一项：索引、切片、判断、求取平均值，得到各子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值。

可选的，在上述的装置中，参数确定单元，用于根据直流内阻特征值确定直流内阻值；用于根据开路电压特征值确定开路电压值；以及用于对二阶RC电路特征值进行曲线拟合，确定RC参数值，RC参数值包括：第一电阻值、第一电容值、第二电阻值、第二电容值。

根据本申请的第四方面，提供了一种电气模型参数的辨识装置，包括：输入单元，用于将电气模型参数输入至卡尔曼滤波算法的电气模型中，以使电气模型确定电池系统的荷电状态值；其中，电气模型参数是根据上述任一的方法确定的。

依据本申请的第五方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行如上述任一所述的电气模型参数的辨识方法。

依据本申请的第六方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的电气模型参数的辨识方法。

综上所述，本申请通过将HPPC实验的原始数据根据HPPC实验的不同实验阶段分割为各阶段数据集，并依据这种对应关系，确定出HPPC实验过程中每一个充/放阶段的特征值，根据特征值即可确定出每一个充/放阶段的电气模型参数，最后将所有电气模型参数汇总，即可得到电池系统在整个HPPC实验过程中的电气模型参数；本申请的方法具有自动化、批量化、处理速度快的特点，普适性强，可兼容不同厂家、不同型号的电池系统，显著提供了对电气模型参数的辨别效率；且数据及结果方便管理和维护。

由上述可知，本申请的技术方案，上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的电气模型参数的辨识方法的流程示意图；

图2示出了戴维南模型二阶RC电路的结构示意图；

图3示出了锂离子电池系统进行HPPC子实验的放电曲线示意图；

图4示出了根据本申请另一个实施例的电气模型参数的辨识方法的流程示意图；

图5示出了根据本申请一个实施例的电气模型参数的辨识装置的结构示意图；

图6示出了根据本申请另一个实施例的电气模型参数的辨识装置的结构示意图；

图7示出了根据本申请一个实施例的电子设备的结构示意图；

图8示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

本申请的构思在于，针对现有技术中人工识别数据具有效率低下，准确度低的现状，设计一种自动化、普适性强的电气模型参数的辨识方法，该方法能够快速处理批量化的数据，快速得到SOC值计算所需要的电气模型参数，显著提升了电气模型参数识别的效率和准确性，进一步的，提供了SOC值的计算精度。

图1示出了根据本申请一个实施例的电气模型参数的辨识方法的流程示意图，从图1可以看出，该方法包括：

步骤S110，将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集。

本申请的电气模型参数的辨识方法可以用于各种类型的电池系统，如锂离子电池、液流电池、铅酸蓄电池等。

基于电池电气模型的卡尔曼滤波算法逐渐成为SOC值计算的主流算法，而电气模型参数辨识是该算法实现的基本前提。以图2示出的戴维南模型二阶RC电路为例，需要辨别高温、常温、低温下不同SOC状态下的开路电压(Open Circuit Voltage，OCV)、直流电阻R0、以及R1、C1、R2、C2等参数。这些参数的获得目前主要通过对不同SOC状态下电池系统进行混合动力脉冲能力特性HPPC实验，HPPC实验的参数变数包括充电过程参数辨识、放电过程参数辨识，充电过程与放电过程类似，以放电过程为例，SOC范围为100％-0％，如每间隔5％SOC进行一次HPPC子实验，共计21次实验，数据记录间隔为0.1秒，放电过程耗时45h左右；且考虑到实验误差，一般会同时进行多组平行实验，如8组平行试验，实验数据通常以Excel表格形式存储。

本申请可以基于现有的编程语言中的任意一种实现，如C++、JAVA等，因此首先，将存储于Excel表格中的HPPC实验数据转换为程序语言可以识别的数据类型，并形成数据集。

步骤S120，根据预设间隔将数据集分割为多个子数据集。

承上所述，一次完整的HPPC实验由若干HPPC子实验组成，一次完整的HPPC实验将电池系统的电量由100％释放到0，或者将电量由0充满，即100％。

以放电过程为例，每一次HPPC子实验都产生一条如图3所示的放电曲线，即产生一组与一次HPPC子实验对应的数据。因此，为了方便处理数据，可以根据一次HPPC子实验的预计时间或者SOC间隔将HPPC实验的数据集分割为各HPPC子实验对应的子数据集。

在本申请的一些实施例中，预设间隔为SOC间隔,以SOC间隔为5％为例，电池系统从SOC为100％释放到0的过程中，按照5％的间隔，会进行21次HPPC子实验，因此，可以将数据集分割为21个子数据集，一个子数据集包含了一次HPPC子实验的实验数据。

步骤S130，将各子数据集分别分割为阶段数据集，阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

以图3所示，一个HHPC子实验中包括三个阶段，分别为静置阶段、充/放电阶段和静置恢复阶段；图3中的AB段对应静置阶段、BC段对应充/放电阶段、CD段对应静置恢复阶段。

将上述得到的各HHPC子实验对应的子数据集进行分割处理，分别得到与AB段、BC段、CD段对应的阶段数据集。

以预设间隔为SOC间隔,SOC间隔为5％为例，将数据集分割为21子数据集，每个子数据集又被分为3个阶段数据集。

步骤S140，根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；

在将数据集分割完毕后，就进入了对数据处理的阶段，仍然以锂离子电池放电过程为例，电气模型参数值包括但不限于图2和图3中涉及的开路电压、直流电阻R0、以及R1、C1、R2、C2等，这些参数值是基于特征值来得到的，而特征值包括但不限于图3中的A点电压、B点电压、C点电压、D点电压、A到C过程的平均电流、A到C时间，以及C到D过程段的电压及时间等。

以一个子数据集的静置阶段数据集为例，静置阶段数据集与AB段对应，因此，可以认为静置阶段数据集开头的一个电压值或者几个电压值的平均值为A点电压，同理，通过这种对应关系，可以得到上述的特征值。

步骤S150，根据电气模型参数特征值确定各子数据集对应的电气模型参数。

任然以一个子数据集为例，通过对上述得到的特征值进行计算，可以得到一个子数据对应的电气模型参数值。如通过A点电压、B点电压，平均电流等特征值，可计算出该子数据集对应的SOC状态下的开路电压OCV及放电直流内阻R0,又如通过C电压、D电压与时间数据，基于电路特性，进行自定义公式拟合，再结合A到C时间，C点电压等特征值，可求出R1、C1、R2、C2值；重复该处理过程，依次完成对21个子数据集的处理，得到21组电气模型参数。

步骤S160，汇总各子数据集对应的电气模型参数，得到电气模型参数。

最后，将上述得到的21组电气模型参数汇总，即得到完整的电气模型参数。电气模型参数可以以数据集的形式呈现，如DataFrame类型的结果数据集，其中，为了方便数据查找和管理，该结果数据集的列索引可以为SOC＝100％，S0C＝95％…SOC＝0％，行索引为OCV、R0、R1、C1、R2、C2等。

需要说明的是，上述过程是以电气模型的放电过程为例，进行说明的，充电过程与放电过程类似，不再赘述。

由图1所示的方法，本申请通过将HPPC实验的原始数据根据HPPC实验的不同实验阶段分割为各阶段数据集，并依据这种对应关系，确定出HPPC实验过程中每一个充/放阶段的特征值，根据特征值即可确定出每一个充/放阶段的电气模型参数，最后将所有电气模型参数汇总，即可得到电池系统在整个HPPC实验过程中的电气模型参数；本申请的方法具有自动化、批量化、处理速度快的特点，普适性强，可兼容不同厂家、不同型号的电池系统，显著提供了对电气模型参数的辨别效率；且数据及结果方便管理和维护。

在本申请的一些实施例中，上述的方法还包括：汇总并分析对一个电池系统进行多次平行的HPPC实验获得的电气模型参数，得到电池系统的电气模型参数典型值。

为了提高HPPC的准确性，通常会对一个电池系统进行多次平行的HPPC实验，如进行8次平行的HPPC实验，因此会产生8个结果数据集，将这8个结果数据集中的电气模型参数汇总并分析，可以得到电池系统的电气模型参数典型值，如电池系统的容量值等。

在本申请的一些实施例中，上述的方法是基于python语言的pandas数据分析包实现的。

python计算机程序设计语言是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言，pandas数据分析包是基于python语言构建的含有更高级数据结构和工具的数据分析包，尤其是对Excel的处理，显示出强大的功能。

本申请优选采用python语言的pandas数据分析包来实现。因此，需要将HPPC实验数据转化成python语言的pandas数据分析包可识别的数据集，具体的，读取存储有HPPC实验数据的Excel表中目标sheet中的数据，通常的在一个sheet中存储有一个完整HPPC实验原始数据，在HPPC实验包含21个HPPC子实验的情况下，一个sheet包含21个HPPC子实验的原始数据；然后，通过目标行和目标列的索引内容，提取到目标列和目标行中的数据内容，如目标列的索引内容为SOC间隔，目标行的索引内容为电压值，即可通过这个索引内容提取到所需的数据内容；将这些数据转化为pandas数据分析包可识别的DataFrame类型的数据，DataFrame是一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame既有行索引也有列索引，最后，将DataFrame类型的数据形成数据集。

在本申请的一些实施例中，在上述的方法中，子数据集包括HPPC实验的各阶段起始工步序号，各阶段起始工步序号分别对应HPPC实验的静置阶段、充/放电阶段和静置恢复阶段。根据各阶段起始工步序号将各所述子数据集分别分割为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

在HPPC子实验的每一个阶段都具有一个起始工步序号，如起始工步序号为F-10％～5％SOC-AB，可以代表从SOC为10％放电至SOC为5％的过程的静置阶段，通过识别这个起始工步序号，即可HPPC子实验的不同阶段的数据分割开来，一个HPPC子实验可分为三个阶段数据集，分别为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集，其中，充/放电阶段数据集为充电阶段数据集或放电阶段数据集；在一个HPPC实验中，充电和放电是互相排斥的，即一个HPPC实验，只能是充电过程或者放电过程。

一个HPPC实验若为放电过程，则其各HPPC子实验的阶段数据集均包括静置阶段数据集、放电阶段数据集和静置恢复阶段数据集，图3示出了锂离子电池系统进行HPPC子实验的放电曲线示意图，在放电的一个HPPC子实验中，其静置阶段数据集、放电阶段数据集和静置恢复阶段数据集分别对应着图3的曲线的AB段、BC段、CD段。

同理，若一个HPPC实验若为充电过程，则其各HPPC子实验的阶段数据集均包括静置阶段数据集、充电阶段数据集和静置恢复阶段数据集。

在本申请的一些实施例中，在上述的方法中，根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值包括：对各阶段数据集进行以下的至少一项：索引、切片、判断、求取平均值，得到各子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值。

想要计获得目标电气模型参数值，即需要计算目标电气模型参数值所需的特征值。在本申请的一些实施例中，目标电气模型参数值有直流内阻值、开路电压值、以及二阶RC电路的电阻和电容等。针对这些目标电气模型参数值，对各阶段数据集进行索引、切片、判断、求取平均值等操作，可得到上述目标电气模型参数值对应的参数值。

直流内阻特征值包括不限于A点电压、B点电压等，根据获得直流内阻特征值，结合平均电流可以确定出直流内阻值R0；根据开路电压特征值包括不限于A点电压、B点电压等,结合平均电流可以确定出开路电压值。

二阶RC电路特征值包括但不限于A到C时间、C点电压等，并对这些数值进行曲线拟合，确定RC参数值，RC参数值包括：第一电阻值、第一电容值、第二电阻值、第二电容值。

在得到电气模型参数后，即可将这些电气模式参数输入至卡尔曼滤波算法的电气模型中，电气模型可以利用这些参数确定电池系统的荷电状态值SOC。

图4示出了根据本申请另一个实施例的电气模型参数的辨识方法的流程示意图，从图4中可以看出：获取存储有HPPC实验数据的Excel文件的路径，将Excel文件转化为DataFrame类型数据，并形成数据集，将数据集根据SOC间隔(SOC间隔＝5％)分割为21个子数据集。

以一个子数据集为例，将该子数据集分割为三个阶段数据集，分别为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；对该子数据集中的数据进行索引、切片、判断、求取平均值，得到该子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值；根据直流内阻特征值确定直流内阻值；根据开路电压特征值确定开路电压值；对二阶RC电路特征值进行曲线拟合，确定第一电阻值、第一电容值、第二电阻值、第二电容值。

确定21个HPPC子实验的电气模型参数均获得，汇总该21个HPPC子实验的电气模型参数，得到电气模型参数。

重复上述步骤，获取并分析一个电池系统的8个HPPC平行实验的电气模型参数，确定该电池系统的电气模型参数典型值。

图5示出了根据本申请的一个实施例的电气模型参数的辨识装置的结构示意图，从图5中可以看出，该装置500包括：

转化单元510，用于将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集。

本申请的电气模型参数的辨识方法可以用于各种类型的电池系统，如锂离子电池、液流电池、铅酸蓄电池等。

基于电池电气模型的卡尔曼滤波算法逐渐成为SOC值计算的主流算法，而电气模型参数辨识是该算法实现的基本前提。以图2示出的戴维南模型二阶RC电路为例，需要辨别高温、常温、低温下不同SOC状态下的开路电压(Open Circuit Voltage，OCV)、直流电阻R0、以及R1、C1、R2、C2等参数。这些参数的获得目前主要通过对不同SOC状态下电池系统进行混合动力脉冲能力特性HPPC实验，HPPC实验的参数变数包括充电过程参数辨识、放电过程参数辨识，充电过程与放电过程类似，以放电过程为例，SOC范围为100％-0％，如每间隔5％SOC进行一次HPPC子实验，共计21次实验，数据记录间隔为0.1秒，放电过程耗时45h左右；且考虑到实验误差，一般会同时进行多组平行实验，如8组平行试验，实验数据通常以Excel表格形式存储。

本申请可以基于现有的编程语言中的任意一种实现，如C++、JAVA等，因此首先，将存储于Excel表格中的HPPC实验数据转换为程序语言可以识别的数据类型，并形成数据集。

分割单元520，用于根据预设间隔将数据集分割为多个子数据集；用于将各子数据集分别分割为阶段数据集，阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；

承上所述，一次完整的HPPC实验由若干HPPC子实验组成，一次完整的HPPC实验将电池系统的电量由100％释放到0，或者将电量由0充满，即100％。

以放电过程为例，每一次HPPC子实验都产生一条如图3所示的放电曲线，即产生一组与一次HPPC子实验对应的数据。因此，为了方便处理数据，可以根据一次HPPC子实验的预计时间或者SOC间隔将HPPC实验的数据集分割为各HPPC子实验对应的子数据集。

在本申请的一些实施例中，预设间隔为SOC间隔,以SOC间隔为5％为例，电池系统从SOC为100％释放到0的过程中，按照5％的间隔，会进行21次HPPC子实验，因此，可以将数据集分割为21个子数据集，一个子数据集包含了一次HPPC子实验的实验数据。

以图3所示，一个HHPC子实验中包括三个阶段，分别为静置阶段、充/放电阶段和静置恢复阶段；图3中的AB段对应静置阶段、BC段对应充/放电阶段、CD段对应静置恢复阶段。

将上述得到的各HHPC子实验对应的子数据集进行分割处理，分别得到与AB段、BC段、CD段对应的阶段数据集。

以预设间隔为SOC间隔,SOC间隔为5％为例，将数据集分割为21子数据集，每个子数据集又被分为3个阶段数据集。

参数确定单元530，用于根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；用于根据电气模型参数特征值确定各子数据集对应的电气模型参数。

在将数据集分割完毕后，就进入了对数据处理的阶段，仍然以锂离子电池放电过程为例，电气模型参数值包括但不限于图2和图3中涉及的开路电压、直流电阻R0、以及R1、C1、R2、C2等，这些参数值是基于特征值来得到的，而特征值包括但不限于图3中的A点电压、B点电压、C点电压、D点电压、A到C过程的平均电流、A到C时间，以及C到D过程段的电压及时间等。

以一个子数据集的静置阶段数据集为例，静置阶段数据集与AB段对应，因此，可以认为静置阶段数据集开头的一个电压值或者几个电压值的平均值为A点电压，同理，通过这种对应关系，可以得到上述的特征值。

仍然以一个子数据集为例，通过对上述得到的特征值进行计算，可以得到一个子数据对应的电气模型参数值。如通过A点电压、B点电压，平均电流等特征值，可计算出该子数据集对应的SOC状态下的开路电压OCV及放电直流内阻R0,又如通过C电压、D电压与时间数据，基于电路特性，进行自定义公式拟合，再结合A到C时间，C点电压等特征值，可求出R1、C1、R2、C2值；重复该处理过程，依次完成对21个子数据集的处理，得到21组电气模型参数。

汇总单元540，用于汇总所述各子数据集对应的电气模型参数，得到电气模型参数。

最后，将上述得到的21组电气模型参数汇总，即得到完整的电气模型参数。电气模型参数可以以数据集的形式呈现，如DataFrame类型的结果数据集，其中，为了方便数据查找和管理，该结果数据集的列索引可以为SOC＝100％，S0C＝95％…SOC＝0％，行索引为OCV、R0、R1、C1、R2、C2等。

需要说明的是，上述过程是以电气模型的放电过程为例，进行说明的，充电过程与放电过程类似，不再赘述。

由图5所示的装置，本申请通过将HPPC实验的原始数据根据HPPC实验的不同实验阶段分割为各阶段数据集，并依据这种对应关系，确定出HPPC实验过程中每一个充/放阶段的特征值，根据特征值即可确定出每一个充/放阶段的电气模型参数，最后将所有电气模型参数汇总，即可得到电池系统在整个HPPC实验过程中的电气模型参数；本申请的装置具有自动化、批量化、处理速度快的特点，普适性强，可兼容不同厂家、不同型号的电池系统，显著提供了对电气模型参数的辨别效率；且数据及结果方便管理和维护。

在本申请的一些实施例中，汇总单元540，还用于汇总并分析对一个电池系统进行多次平行的HPPC实验获得的电气模型参数，得到电池系统的电气模型参数典型值。

在本申请的一些实施例中，上述装置是基于python语言的pandas数据分析包实现的；转化单元510，用于读取存储有HPPC实验数据的Excel表中目标sheet中的数据；提取目标sheet中的目标列和目标行的数据；将目标列和目标行的数据转化为DataFrame类型的数据集。

在本申请的一些实施例中，在上述的装置中，预设间隔为HPPC实验中，进行充/放电的SOC间隔；分割单元520，用于根据SOC间隔将数据集分割为多个子数据集。

在本申请的一些实施例中，在上述的装置中，子数据集包括HPPC实验的各阶段起始工步序号，各阶段起始工步序号分别对应HPPC实验的静置阶段、充/放电阶段和静置恢复阶段；分割单元520，用于根据各阶段起始工步序号将各子数据集分别分割为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

在本申请的一些实施例中，在上述的装置中，参数确定单元530，用于对各阶段数据集进行以下的至少一项：索引、切片、判断、求取平均值，得到各子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值。

在本申请的一些实施例中，在上述的装置中，参数确定单元530，用于根据直流内阻特征值确定直流内阻值；用于根据开路电压特征值确定开路电压值；以及用于对二阶RC电路特征值进行曲线拟合，确定RC参数值，RC参数值包括：第一电阻值、第一电容值、第二电阻值、第二电容值。

图6示出了根据本申请的另一个实施例的电气模型参数的辨识装置的结构示意图，从图6中可以看出，该装置600包括：

输入单元610，用于将电气模型参数输入至卡尔曼滤波算法的电气模型中，以使电气模型确定电池系统的荷电状态值；其中，所述电气模型参数是根据上述任一的方法确定的。

在得到电气模型参数后，即可将这些电气模式参数输入至卡尔曼滤波算法的电气模型中，电气模型可以利用这些参数确定电池系统的荷电状态值SOC。

需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域的普通技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电气模型参数的辨识装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图7示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备700包括处理器710和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器720。存储器720可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器720具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码731的存储空间730。例如，用于存储计算机可读程序代码的存储空间730可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码731。计算机可读程序代码731可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图7所示的计算机可读存储介质。图8示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质800存储有用于执行根据本申请的方法步骤的计算机可读程序代码731，可以被电子设备700的处理器710读取，当计算机可读程序代码731由电子设备700运行时，导致该电子设备700执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码731可以执行上述任一实施例中示出的方法。计算机可读程序代码731可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种电气模型参数的辨识方法，其特征在于，包括：

将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集；

根据预设间隔将所述数据集分割为多个子数据集；

将各所述子数据集分别分割为阶段数据集，所述阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；

根据各所述阶段数据集与HPPC实验不同阶段的对应关系，从各所述阶段数据集确定出各所述子数据集对应的电气模型参数特征值；

根据所述电气模型参数特征值确定各子数据集对应的电气模型参数；

汇总所述各子数据集对应的电气模型参数，得到电气模型参数。

2.根据权利要求1所述的方法，其特征在于，还包括：

汇总并分析对一个电池系统进行多次平行的HPPC实验获得的电气模型参数，得到所述电池系统的电气模型参数典型值。

3.根据权利要求1所述的方法，其特征在于，所述方法是基于python语言的pandas数据分析包实现的；

所述将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集包括：

读取存储有HPPC实验数据的Excel表中目标sheet中的数据；

提取所述目标sheet中的目标列和目标行的数据；

将所述目标列和目标行的数据转化为DataFrame类型的数据集。

4.根据权利要求1所述的方法，其特征在于，所述预设间隔为HPPC实验中，进行充/放电的SOC间隔；

所述根据预设间隔将所述数据集分割为多个子数据集包括：

根据所述SOC间隔将所述数据集分割为多个子数据集。

5.根据权利要求1所述的方法，其特征在于，所述子数据集包括HPPC实验的各阶段起始工步序号，所述各阶段起始工步序号分别对应HPPC实验的静置阶段、充/放电阶段和静置恢复阶段；

所述将各所述子数据集分别分割为阶段数据集包括：

根据所述各阶段起始工步序号将所述各所述子数据集分别分割为静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集。

6.根据权利要求1所述的方法，其特征在于，所述根据各所述阶段数据集与HPPC实验不同阶段的对应关系，从各所述阶段数据集确定出各所述子数据集对应的电气模型参数特征值包括：

对各所述阶段数据集进行以下的至少一项：索引、切片、判断、求取平均值，得到各所述子数据集对应的直流内阻特征值、开路电压特征值、二阶RC电路特征值。

7.根据权利要求6所述的方法，其特征在于，所述根据所述电气模型参数特征值确定所述电气模型参数包括：

根据所述直流内阻特征值确定直流内阻值；

根据所述开路电压特征值确定开路电压值；

对所述二阶RC电路特征值进行曲线拟合，确定RC参数值，所述RC参数值包括：第一电阻值、第一电容值、第二电阻值、第二电容值。

8.一种电气模型参数的辨识方法，其特征在于，包括：

将电气模型参数输入至卡尔曼滤波算法的电气模型中，以确定电池系统的荷电状态值；其中，所述电气模型参数是根据权利要求1～7中任一项所述的方法确定的。

9.一种电气模型参数的辨识装置，其特征在于，包括：

转化单元，用于将混合动力脉冲能力特性HPPC实验数据转化成可识别的数据集；

分割单元，用于根据预设间隔将数据集分割为多个子数据集；用于将各子数据集分别分割为阶段数据集，阶段数据集包括HPPC实验的静置阶段数据集、充/放电阶段数据集和静置恢复阶段数据集；

参数确定单元，用于根据各阶段数据集与HPPC实验不同阶段的对应关系，从各阶段数据集确定出各子数据集对应的电气模型参数特征值；用于根据电气模型参数特征值确定各子数据集对应的电气模型参数；

汇总单元，用于汇总所述各子数据集对应的电气模型参数，得到电气模型参数。

10.一种电气模型参数的辨识装置，其特征在于，包括：

输入单元，用于将电气模型参数输入至卡尔曼滤波算法的电气模型中，以使电气模型确定电池系统的荷电状态值；其中，所述电气模型参数是根据权利要求1～7中任一项所述的方法确定的。

Images