CN113190969A - 一种基于信息评估机制的锂电池模型参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于信息评估机制的锂电池模型参数辨识方法，首先对处于动态工况的动力锂电池进行信息采集，在本实施例中为量测电流及电压；然后，对采集到的信息进行评估，生成评估系数，最后，根据评估系数引导最小二乘更新参数向量及协方差矩阵，对模型中的参数进行辨识。本发明方法能够在对模型参数进行辨识之前，对数据中所包含的信息量进行预评估，从而滤除无效信息对参数辨识的干扰与影响；能够有效缓解传统的递推最小二乘法受激励不充分和量测噪声等问题的干扰，辨识结果容易出现偏差的问题，提高参数辨识的精确度及稳定性；能够以递推的形式实现，所需计算量低，能够适用于电池管理系统。

Description

一种基于信息评估机制的锂电池模型参数辨识方法

技术领域

本发明属于动力锂电池应用领域，具体涉及一种基于信息评估机制的锂电池模型参数辨识方法。

背景技术

动力锂电池因具备高能量密度、无记忆效应和低自放电率等多种优势，已经成为了当前电动汽车和固定式储能的重要解决方案，在锂电池的应用中，为确保电池组的工作性能，防止电池过充过放，电池管理系统的地位至关重要。电池管理系统的基本功能包括电池荷电状态的估算，为提高荷电状态估计的准确性和便捷性，基于模型的估计方法通过预先建立电池状态空间方程，利用粒子滤波、卡尔曼滤波等方法，实现对锂电池荷电状态的在线估计。然而，这些基于模型的方法的性能与准确的电池模型的精度性有很大关系。

常用的电池模型包括等效电路模型，电化学模型，数据驱动模型等。其中等效电路模型结构简单，涉及参数少，能够描述电池的动态性能，得到了广泛的研究与应用。

由于等效电路模型的参数随电流倍率、温度、荷电状态等因素变化，因此需要对等效电路模型的参数进行在线辨识。其中，递推最小二乘法所需的计算量小，能够很好的应用于电池管理系统。然而，递推最小二乘法对量测噪声比较敏感，从而降低等效电路模型的精度。此外，递推最小二乘法的性能还会受到电流激励的影响，当电流激励不足时，递推最小二乘法的稳定性显著降低，从而细小的误差也会使参数辨识结果产生较大的偏移。

等效电路模型参数辨识结果与传感器量测得电流电压等信息量直接相关，通过对这些信息进行预评估，将评估结果应用于参数辨识算法中，能够有效降低量测噪声干扰以及激励不充分的影响，从而提高参数辨识算法的稳定性与可靠性。

发明内容

针对现有技术中的上述不足，本发明提供的基于信息评估机制的锂电池模型参数辨识方法通过对用于参数辨识的数据信息进行预估，将其评估系数应用于递推最小二乘法中，以降低无效数据对参数辨识的影响，从而提高动力锂电池模型参数辨识的准确性。

为了达到上述发明目的，本发明采用的技术方案为：一种基于信息评估机制的锂电池模型参数辨识方法，包括以下步骤：

S1、采集处于动态工况的动力锂电池的信息量；

S2、基于采集的信息量，确定锂电池模型的参数辨识信息的评估系数；

S3、基于评估系数的变化趋势，通过最小二乘法对由采集的信息量计算得到的参数向量

和协方差矩阵P_k进行更新，初始化参数P_mem和θ_mem，并判断更新后的锂电池模型对应的评估系数是否降低；

若是，则进入步骤S4；

若否，则进入步骤S5；

S4、将参数向量

和协方差矩阵P_k分别记忆为参数P_mem和θ_mem，进入步骤S5；

S5、设定参数辨识的时间尺度T_l，并判断当前时间是否达到时间尺度；

若是，则进入步骤S6；

若否，则返回步骤S1；

S6、基于当前的P_mem和θ_mem对锂电池模型参数进行辨识。

进一步地，所述步骤S1中的信息量包括量测电流和量测电压。

进一步地，所述步骤S2具体为：

S21、基于采集的信息量，计算敏感性向量S_y,k；

S22、基于每个时刻对应的敏感性向量S_y,k，以递推的形式确定费雪信息矩阵的逆矩阵

S23、根据逆矩阵

确定参数辨识信息的评估系数C_k。

进一步地，所述步骤S21中的敏感性向量S_y,k为：

式中，S_y,k为在时刻k关于端部电压U_t的敏感性向量，R₀、R_p和C_p均为锂电池模型对应待辨识的参数；其中，

其中I_t,k、I_t,k-1分别为k时刻和k-1时刻的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压，

分别为R₀、R_p和C_p的估算值，上标T为转置运算符；

所述步骤S22中的费雪信息矩阵的逆矩阵

为：

式中，λ₂为信息评估对应的遗忘因子，

为输出电压对应噪声的方差；

所述步骤S23中的评估系数C_k为：

式中，C_k为时刻k对应的评估系数，

为

中的对角元素，i＝1,2,3。

进一步地，所述步骤S3中，通过最小二乘法对锂电池模型的参数向量

和协方差矩阵P_k进行更新时的更新式为：

式中，K_k为k时刻的增益矩阵，P_k为k时刻的协方差矩阵，

为k时刻的参数向量，λ₁为递推最小二乘对应的遗忘因子，x_k为输入向量，且x_k＝[I_k,I_k-1,U_oc-U_t,k-1]^T，其中I_k，I_k-1为k时刻与k-1时刻对应的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压。

进一步地，所述步骤S6中，将P_mem和θ_mem分别赋值给协方差矩阵P_k和参数向量

进而辨识得到的锂电池模型参数

和

分别为：

式中，T_s为采样间隔，且设为1秒，θ₁、θ₂、θ₃分别为参数向量

中的三个参数。

本发明的有益效果为：

(1)本发明方法能够在对模型参数进行辨识之前，对数据中所包含的信息量进行预评估，从而滤除无效信息对参数辨识的干扰与影响；

(2)本发明方法能够有效缓解传统的递推最小二乘法受激励不充分和量测噪声等问题的干扰，辨识结果容易出现偏差的问题，提高参数辨识的精确度及稳定性；

(3)本发明方法能够以递推的形式实现，所需计算量低，能够适用于电池管理系统。

附图说明

图1为本发明提供的一阶戴维南模型示意图。

图2为本发明提供的基于信息评估机制的锂电池模型参数辨识方法流程图。

图3为本发明提供的参数辨识仿真结果示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

在本实施例中，锂电池等效电路模型选取为一阶戴维南模型，如图1所示，其中包括一个欧姆电阻以及一个并联电阻电容网络，其中参数辨识的关键环节包括信息采集、信息评估、参数向量及协方差矩阵更新和模型参数辨识等。

具体地，如图2所示，包括以下步骤：

S1、采集处于动态工况的动力锂电池的信息量；

S2、基于采集的信息量，确定锂电池模型的参数辨识信息的评估系数；

S3、基于评估系数的变化趋势，通过最小二乘法对由采集的信息量计算得到的参数向量

和协方差矩阵P_k进行更新，初始化参数P_mem和θ_mem，并判断更新后的锂电池模型对应的评估系数是否降低；

若是，则进入步骤S4；

若否，则进入步骤S5；

S4、将参数向量

和协方差矩阵P_k分别记忆为参数P_mem和θ_mem，进入步骤S5；

S5、设定参数辨识的时间尺度T_l，并判断当前时间是否达到时间尺度；

若是，则进入步骤S6；

若否，则返回步骤S1；

S6、基于当前的P_mem和θ_mem对锂电池模型参数进行辨识。

本实施例的步骤S1中，首先对处于工况动态的动力锂电池进行信息采集，能够采集的到信息量游戏，通常电池的两端的电压及电流比较容易获取，因此，本实施例中采集的信息量包括量测电流U_t和量测电压；

这里的量测电压是指电池端部的电压，后面的电容电压U_p是通过计算得到的，

其中，U_oc为电池开路电压，可通过离线测试得出；

本实施例中的步骤S2具体为：

S21、基于采集的信息量，计算敏感性向量S_y,k；

锂电池模型参数的变化量对端部电压响应的影响而可以表示为电压响应关于模型参数的偏导数，即敏感性向量S_y,k为：

式中，S_y,k为在时刻k关于端部电压U_t的敏感性向量，R₀、R_p和C_p均为锂电池模型对应待辨识的参数；其中，

其中I_t,k、I_t,k-1分别为k时刻和k-1时刻的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压，

分别为R₀、R_p和C_p的估算值，上标T为转置运算符；

S22、基于每个时刻对应的敏感性向量S_y,k，以递推的形式确定费雪信息矩阵的逆矩阵

S23、根据逆矩阵

确定参数辨识信息的评估系数C_k。

具体地，通过求解每个时刻的敏感性向量，可以得出费雪信息矩阵的递推形式为：

式中，F_k为时刻k所对应的费雪信息矩阵，λ₁为用于信息评估的遗忘因子，

为输出电压对应噪声的方差；

费雪信息矩阵的逆矩阵

为：

式中，λ₂为信息评估对应的遗忘因子，

为输出电压对应噪声的方差

所述步骤S23中的评估系数C_k为：

式中，C_k为时刻k对应的评估系数，

为

中的对角元素，i＝1,2,3。

本实施例的步骤S3中，通过评估系数的变化趋势，引导最小二乘法对参数向量

和协方差矩阵P_k进行更新时的更新式为：

式中，K_k为k时刻的增益矩阵，P_k为k时刻的协方差矩阵，

为k时刻的参数向量，λ₁为递推最小二乘对应的遗忘因子，x_k为输入向量，且x_k＝[I_k,I_k-1,U_oc-U_t,k-1]^T，其中I_k，I_k-1为k时刻与k-1时刻对应的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压。

本实施例的步骤S6中，将P_mem和θ_mem分别赋值给协方差矩阵P_k和参数向量

进而辨识得到的锂电池模型参数

和

分别为：

式中，T_s为采样间隔，且设为1秒，θ₁、θ₂、θ₃分别为参数向量

中的三个参数。

实施例2：

基于上述参数辨识方法，获得的参数辨识仿真结果如图3所示，从图中可以看出基于本申请所提方法，等效电路模型中R₀、R_p、C_p三个参数的辨识结果均不会受到量测噪声的干扰而产生较大的偏差，辨识值能够准确地与真实值拟合。

Claims (6)

1.一种基于信息评估机制的锂电池模型参数辨识方法，其特征在于，包括以下步骤：

S1、采集处于动态工况的动力锂电池的信息量；

S2、基于采集的信息量，确定锂电池模型的参数辨识信息的评估系数；

S3、基于评估系数的变化趋势，通过最小二乘法对由采集的信息量计算得到的参数向量

和协方差矩阵P_k进行更新，初始化参数P_mem和θ_mem，并判断更新后的锂电池模型对应的评估系数是否降低；

若是，则进入步骤S4；

若否，则进入步骤S5；

S4、将参数向量

和协方差矩阵P_k分别记忆为参数P_mem和θ_mem，进入步骤S5；

S5、设定参数辨识的时间尺度T_l，并判断当前时间是否达到时间尺度；

若是，则进入步骤S6；

若否，则返回步骤S1；

S6、基于当前记忆的P_mem和θ_mem对锂电池模型参数进行辨识。

2.根据权利要求1所述的基于信息评估机制的锂电池模型参数辨识方法，其特征在于，所述步骤S1中的信息量包括量测电流和量测电压。

3.根据权利要求2所述的基于信息评估机制的锂电池模型参数辨识方法，其特征在于，所述步骤S2具体为：

S21、基于采集的信息量，计算敏感性向量S_y,k；

S22、基于每个时刻对应的敏感性向量S_y,k，以递推的形式确定费雪信息矩阵的逆矩阵

S23、根据逆矩阵

确定参数辨识信息的评估系数C_k。

4.根据权利要求3所述的基于信息评估机制的锂电池模型参数辨识方法，其特征在于，所述步骤S21中的敏感性向量S_y,k为：

式中，S_y,k为在时刻k关于端部电压U_t的敏感性向量，R₀、R_p和C_p均为锂电池模型对应待辨识的参数；其中，

其中I_t,k、I_t,k-1分别为k时刻和k-1时刻的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压，

分别为R₀、R_p和C_p的估算值，上标T为转置运算符；

所述步骤S22中的费雪信息矩阵的逆矩阵

为：

式中，λ₂为信息评估对应的遗忘因子，

为输出电压对应噪声的方差；

所述步骤S23中的评估系数C_k为：

式中，C_k为时刻k对应的评估系数，

为

中的对角元素，i＝1,2,3。

5.根据权利要求4所述的基于信息评估机制的锂电池模型参数辨识方法，其特征在于，所述步骤S3中，通过最小二乘法对锂电池模型的参数向量

和协方差矩阵P_k进行更新时的更新式为：

式中，K_k为k时刻的增益矩阵，P_k为k时刻的协方差矩阵，

为k时刻的参数向量，λ₁为递推最小二乘对应的遗忘因子，x_k为输入向量，且x_k＝[I_k,I_k-1,U_oc-U_t,k-1]^T，其中I_k，I_k-1为k时刻与k-1时刻对应的电池电流，U_oc为电池的开路电压，U_t,k-1为k-1时刻的电池电压。

6.根据权利要求5所述的基于信息评估机制的锂电池模型参数辨识方法，其特征在于，所述步骤S6中，将P_mem和θ_mem分别赋值给协方差矩阵P_k和参数向量

进而辨识得到的锂电池模型参数

和

分别为：

式中，T_s为采样间隔，且设为1秒，θ₁、θ₂、θ₃分别为参数向量

中的三个参数。

Images