CN113391212A - 一种锂离子电池等值电路参数在线辨识方法及系统 - Google Patents

一种锂离子电池等值电路参数在线辨识方法及系统 Download PDF

Info

Publication number
CN113391212A
CN113391212A CN202110698437.7A CN202110698437A CN113391212A CN 113391212 A CN113391212 A CN 113391212A CN 202110698437 A CN202110698437 A CN 202110698437A CN 113391212 A CN113391212 A CN 113391212A
Authority
CN
China
Prior art keywords
link
current
equivalent circuit
identification
identification result
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.)
Granted
Application number
CN202110698437.7A
Other languages
English (en)
Other versions
CN113391212B (zh
Inventor
施啸寒
李�杰
张恒旭
王晓磊
石淼岩
李泽宇
周博曦
吴晓庆
贺存哲
路致远
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.)
Shandong University
Huaneng Shandong Power Generation Co Ltd
Original Assignee
Shandong University
Huaneng Shandong Power Generation Co Ltd
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 Shandong University, Huaneng Shandong Power Generation Co Ltd filed Critical Shandong University
Priority to CN202110698437.7A priority Critical patent/CN113391212B/zh
Publication of CN113391212A publication Critical patent/CN113391212A/zh
Application granted granted Critical
Publication of CN113391212B publication Critical patent/CN113391212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/367—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
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/08—Measuring resistance by measuring both voltage and current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2605—Measuring capacitance
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种锂离子电池等值电路参数在线辨识方法及系统，该方法包括：等值电路参数在线辨识算法初始化，根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，根据新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节执行：极化电压计算、数据低通滤波处理、滤波后数据重采样、被重采样抽中后启动RC环节RLS估计器这些操作，从而实现对各RC环节中RC参数的辨识，返回重新进行下一循环的欧姆内阻辨识，直到等值电路参数在线辨识算法终止。该系统包括：初始化模块、欧姆内阻辨识模块、RC参数辨识模块和循环控制模块。通过本申请，能够提高等值电路参数辨识精度和准确性。

Description

一种锂离子电池等值电路参数在线辨识方法及系统
技术领域
本申请涉及电池储能系统控制技术领域，特别是涉及一种锂离子电池等值电路参数在线辨识方法及系统。
背景技术
在电池储能系统控制领域，随着绿色交通和低碳能源的发展，锂离子电池以其优异的性能和易于商业化推广的特点，成为电动汽车和电网用电池储能的主流选择。但是锂离子电池同时具有价格相对较高、耐过充过放能力有限以及存在热失控隐患等特点，因此，需要对锂离子电池进行状态监控，确保其安全可靠地运行。
精准的动态模型是进行高效电池管理和监控的基础，而等值电路是电池管理系统中主要采用的电池动态模型，当电路结构确定时，电池动态模型精度主要由等值电路参数来决定。因此，为适应不同温度、不同充放电倍率等工况变化导致的电池参数变化，根据电池的实时运行电气数据在线辨识参数，是改善电池等效电路模型精度的重要方法。
目前的锂离子电池等值电路参数在线辨识方法，通常是：基于RLS(RecursiveLeast Squares，递推最小二乘法)的在线参数识别方法。该方法直接使用传感器输出的测量数据同时计算等值电路中所有电路元件参数，未考虑测量数据采样频率与所识别电路参数惯性时间常数的匹配问题。
然而，若基于实时测量数据直接计算等值电路参数，可能出现电气测量值采样周期与RC环节惯性时间常数不匹配的情况，进而引发识别结果振荡甚至发散的情况。当采样频率过高时，可能导致参数估计结果对噪声敏感而剧烈波动，从而导致参数辨识精度较差。当采样频率过低时，可能在离散化过程中引入较大误差而丢失有用信息，也会使得参数辨识精度较差。特别是当等值电路中存在多个时间常数差异显著的RC环节时，使用同一组测量数据同时计算所有识别参数，无法保证所有RC环节具有合理的噪声敏感度和离散误差，进而出现识别结果受噪声影响而不收敛的问题，也会影响参数辨识精度。因此，目前的锂离子电池等值电路参数在线辨识方法用于含多个时间常数差异显著的多个RC环节的等值电路参数辨识时精度较差。
发明内容
本申请提供了一种锂离子电池等值电路参数在线辨识方法及系统，以解决现有技术中的锂离子电池等值电路参数在线辨识方法使得参数辨识精度较差的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种锂离子电池等值电路参数在线辨识方法，所述方法应用于包含多个RC环节的等值电路，所述方法包括：
S1：等值电路参数在线辨识算法初始化；
S2：根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果；
S3：根据所述新增实时测量数据和更新后的等值电路参数辨识结果，对任一RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果，所述RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC参数辨识结果，任一RC环节的所述RC参数包括：极化电容和极化电阻；
返回步骤S2，直到等值电路参数在线辨识算法终止。
可选地，所述等值电路参数在线辨识算法初始化，包括：
通过设置等值电路模型参数初始值，对等值电路模型参数进行初始化，所述等值电路模型参数包括：欧姆内阻r、任一RC环节的极化电容Cpj和极化电阻rpj，其中，j＝1,2…N，为各RC环节编号；
初始化测量数据采样周期Ts，并根据所述等值电路模型参数初始值，利用公式τj＝rpjCpj计算各RC环节惯性时间常数，τj为第j个RC环节的时间常数；
根据所述测量数据采样周期Ts和时间常数τj，利用公式
Figure RE-GDA0003166343220000021
计算得出第j个RC环节的最优重采样周期Tsj，其中，round(·)为取整函数；
根据所述等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值θj，其中，θj为第j个RC环节的中间变量初始值，j＝1,2…N；
对欧姆内阻和各RC环节的RLS估计器的协方差矩阵Pr及Pj进行初始化，其中，Pj为第j个RC环节的协方差矩阵，j＝1，2…N；
将各RC环节的数据重采样计数器Nj置零。
可选地，根据所述等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值的方法，具体为：
利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算得出aj，bj；
利用aj，bj组合成中间变量初始值
Figure RE-GDA0003166343220000031
可选地，所述根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，包括：
获取当前时刻k的电池端电压采样值Uc(k)和电池电流采样值Ic(k)；
利用SOC估计算法计算锂离子电池当前时刻的荷电状态SOC(k)；
根据所述荷电状态，利用电池SOC-OCV曲线或函数，计算得出当前时刻的电池开路电压OCV(k)；
依次根据各RC环节的RC参数辨识结果，利用公式Upj(k)＝ajUpj(k-1)+bjIc(k-1)，计算得出任一RC环节的极化电压Upj；
根据所述电池端电压采样值、电池开路电压以及各RC环节的极化电压，利用公式
Figure RE-GDA0003166343220000032
计算得出欧姆压降Ur(k)；
直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果。
可选地，所述直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，包括：
利用公式pr(k)＝Ur(k)，φr(k)＝Ic(k)，计算欧姆内阻RLS估计器的输入向量；
利用公式
Figure RE-GDA0003166343220000033
计算欧姆内阻RLS估计器的增益矩阵，其中[·]T为矩阵转置；
利用公式r(k)＝r(k-1)+Kr(k)[pr(k)-φr(k)r(k-1)]，更新欧姆内阻辨识结果；
利用公式
Figure RE-GDA0003166343220000034
更新欧姆内阻RLS估计器的协方差矩阵。
可选地，利用SOC估计算法计算电池当前时刻荷电状态SOC(k)，具体为：
利用公式
Figure RE-GDA0003166343220000035
计算电池当前时刻荷电状态SOC(k)，其中，Ic(k-1)为上一时刻电流采样值，Cap为电池容量，η为库伦效率。
可选地，根据所述新增实时测量数据和更新后的等值电路参数辨识结果，依次对各 RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果的方法，包括：
利用公式
Figure RE-GDA0003166343220000041
构建当前RC环节的极化电压；
对当前RC环节的极化电压和电池充电电流进行低通滤波处理，获取低通滤波处理后的数据；
对低通滤波处理后的数据进行重采样；
当前滤波后数据被重采样抽中时，将重采样计数器Nj置零，并启动当前RC环节的RLS估计器更新辨识结果；
根据当前RC环节的RLS估计器更新的辨识结果，利用公式
Figure RE-GDA0003166343220000042
计算当前参数辨识结果下的最优重采样周期T′sj，其中，τ′j＝rpjCpj为当前辨识结果下的RC环节惯性时间常数；
判断当前参数辨识结果下的最优重采样周期是否满足：T′sj＞2Tsj or T′sj＜Tsj/2；
如果满足，则修改当前RC环节最优重采样周期Tsj＝T′sj，重启当前RC环节的RLS估计器；
根据当前RC环节参数辨识结果，利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算aj，bj，并组合成中间变量初始值
Figure RE-GDA0003166343220000043
采用一阶线性近似或不敏变换法，计算得出Pj在Tsj修改为T′sj时的取值；
如果不满足，判定当前参数辨识结果下的最优重采样周期不需要修改，直接进入下一个RC环节的参数识别。
可选地，所述对低通滤波处理后的数据进行重采样，包括：
计算当前时刻距离上一次数据重采样抽中时刻的时间段NjTs；
判断所述时间段NjTs是否等于当前RC环节的最优重采样周期Tsj；
如果是，判定当前滤波后数据被重采样抽中；
如果否，判定当前滤波后数据未被重采样抽中。
可选地，所述将重采样计数器Nj置零，并启动当前RC环节的RLS估计器更新辨识结果，包括：
利用公式pjf(k)＝yjf(k)，φjf(k)＝[yjf(k-1)，Ijf(k)]T，计算当前RC环节的RLS估计器输入向量；
利用公式，
Figure RE-GDA0003166343220000051
计算当前RC环节的RLS估计器增益矩阵；
利用公式θj(k)＝θj(k-1)+Kj(k)[pjf(k)-φjf(k)θj(k-1)]，更新当前RC环节辨识过程中的中间变量；
利用公式
Figure RE-GDA0003166343220000052
更新当前RC环节的RLS估计器协方差矩阵；
利用公式
Figure RE-GDA0003166343220000053
将所述中间变量转换为当前RC环节的辨识参数。
一种锂离子电池等值电路参数在线辨识系统，所述系统应用于包含多个RC环节的等值电路，所述系统包括：
初始化模块，用于控制等值电路参数在线辨识算法初始化；
欧姆内阻辨识模块，用于根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果；
RC参数辨识模块，用于根据所述新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC 参数辨识结果，所述RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC参数辨识结果，任一RC环节的所述RC参数包括：极化电容和极化电阻；
循环控制模块，用于重新启动所述欧姆内阻辨识模块和RC参数辨识模块，分别更新等值电路欧姆内阻辨识结果和各RC环节的RC参数辨识结果，直到等值电路参数在线辨识算法终止。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请提供一种锂离子电池等值电路参数在线辨识方法，该辨识方法首先对等值电参数在线辨识算法进行初始化，其次根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，然后根据新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节执行：极化电压计算、数据低通滤波处理、滤波后数据重采样、被重采样抽中后启动RC环节RLS估计器这些操作，从而实现对各RC环节中RC参数的辨识。最后根据下一次获取的新增实时测量数据和最新的等值电路参数辨识结果，再次对等值电路欧姆内阻、各RC环节的RC参数进行辨识，以此循环，直到等值电路参数在线辨识算法终止。
本实施例在利用欧姆内阻RLS估计器进行等值电路欧姆内阻辨识时，所依据的是新增实时测量数据和当前的等值电路参数辨识结果，利用递推最小二乘法进行参数辨识，能够确保数据的及时更新，有利于提高参数识别精度。在利用RC环节RLS估计器对任一RC环节的RC参数进行辨识时，根据重采样周期与当前RC环节惯性时间常数的匹配关系对滤波数据进行重采样，也就是根据RC环节惯性时间常数的实际值对原有测量数据进行重采样，因此，基于重采样数据构建的用于不同RC环节的识别数据集更加适用于对应RC环节的参数辨识，识别数据集的采样频率与RC环节时间常数匹配，能够有效避免采样频率过高导致参数估计结果对噪声过度敏感，以及采样频率过低导致信息丢失的情况，从而大大提高参数辨识精度。而且，由于不同RC环节描述的极化情况不同，比如有的RC环节描述活性极化，有的RC环节描述浓差极化，使得不同RC环节的时间常数差别比较明显，本实施例在对多个RC环节的RC参数进行辨识时，每次循环中依次对每个RC环节进行参数辨识，下一个RC环节的参数辨识依据上一个RC环节的参数辨识结果，从而实现解耦辨识，这种解耦辨识的方法，能够有效降低不同RC环节之间的交互影响，避免识别结果不收敛的问题，也有利于大大提高等值电路参数辨识精度。
本申请还提供一种锂离子电池等值电路参数在线辨识系统。该系统主要包括：初始化模块、欧姆内阻辨识模块、RC参数辨识模块和循环控制模块。通过初始化模块能够控制等值电路参数在线辨识算法初始化，从而确保在线参数识别的准确性。通过欧姆内阻辨识模块，能够利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，且本实施例中欧姆内阻辨识模块依据新增实时测量数据和当前的等值电路参数辨识结果进行欧姆内阻辨识结果更新，这种递推方式，有利于提高参数辨识的精度。通过RC参数辨识模块，能够根据新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节的RC参数进行辨识。该RC参数辨识模块在利用RC环节RLS估计器对任一RC环节的RC 参数进行辨识时，根据重采样周期与当前RC环节惯性时间常数的匹配关系对滤波数据进行重采样，使得识别数据集的采样频率与RC环节时间常数匹配，这种重采样方法能够有效避免采样频率过高或者过低所导致的参数辨识精度问题，有利于大大提高RC参数辨识精度。而且，本实施例的RC参数辨识模块在每次循环中依次对每个RC环节进行参数辨识，下一个RC环节的参数辨识依据上一个RC环节的参数辨识结果，这种解耦辨识的过程，能够有效降低不同RC环节之间的交互影响，避免识别结果不收敛的问题，也有利于大大提高等值电路参数辨识精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种锂离子电池等值电路参数在线辨识方法的流程示意图；
图2为本申请实施例中的二阶RC等值电路模型示意图；
图3为本申请实施例中RC环节阻容参数对中间识别变量一阶偏差灵敏度曲线；
图4为本申请实施例中基于重采样数据的解耦参数识别流程图；
图5为本申请实施例中添加噪声前后放电HPPC试验电压电流曲线示意图；
图6为本申请实施例中等值电路参数在线辨识方法与常规递推最小二乘法辨识结果的对比示意图；
图7为本申请实施例中等值电路参数在线辨识方法与常规递推最小二乘法辨识结果的电压对比示意图；
图8为本申请实施例所提供的一种锂离子电池等值电路参数在线辨识系统的结构示意图。
具体实施方式
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做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。
为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1，图1为本申请实施例所提供的一种锂离子电池等值电路参数在线辨识方法的流程示意图。由图1可知，本申请实施例所提供的一种锂离子电池等值电路参数在线辨识方法，主要包括如下过程：
S1：等值电路参数在线辨识算法初始化。
等值电路是电池管理系统中比较常用的电池动态模型，通常包括：内阻模型等值电路、PGNV(Partership for a New Generation of Vehicles)模型等值电路和N阶RC 模型等值电路，本实施例中的辨识方法应用于包含多个RC环节的等值电路，也就是采用N阶RC模型等值电路。
本实施例中的锂离子电池等值电路参数在线辨识方法基于实时测量数据，依次独立更新等值电路中欧姆内阻及多个时间常数显著差异的RC环节参数。
在线参数辨识算法初始化主要用于完成在线参数辨识算法启动所需的初始条件，主要包括：电路参数初始化、RLS估计器参数初始化以及数据重采样器初始化三方面。本实施例中的算法采用RLS递推形式实现，即：使用最新的测量结果对上一步的辨识结果进行修正。具体地，步骤S1包括如下过程：
S11：通过设置等值电路模型参数初始值，对等值电路模型参数进行初始化。
其中，等值电路模型参数包括：欧姆内阻r、任一RC环节的极化电容Cpj和极化电阻rpj，其中，j＝1,2…N，为各RC环节的编号，N为自然数。以二阶RC等值电路为例，需要给出给出r0、rp10、Cp10、rp20、Cp20五个参数。等值电路模型参数初始值一般采用经验估算值或者采用基于某实验数据的离线参数辨识结果。本申请实施例中的二阶RC等值电路模型示意图可以参见图2所示。
S12：初始化测量数据采样周期Ts，并根据等值电路模型参数初始值，利用公式τj＝rpjCpj计算各RC环节惯性时间常数，其中，τj为第j个RC环节的时间常数。
测量数据也就是传感器实际检测到的数据。
S13：根据测量数据采样周期Ts和时间常数τj，利用公式
Figure RE-GDA0003166343220000081
计算得出第j个RC环节的最优重采样周期Tsj，其中，round(·)为取整函数，Tsj选择为与1/20RC时间常数最近接的整数倍数据采样周期。
本实施例对于欧姆内阻辨识不进行重采样，每增加1组测量数据，进行1次参数辨识。对于各RC环节的RC参数，采用如上公式计算最优重采样周期。
本实施例根据测量数据采样周期和时间常数计算最优重采样周期，能够确保重采样频率与RC环节时间常数相匹配，根据RC环节惯性时间常数的实际值对原有数据进行重采样，从而避免采样频率过高导致参数估计结果对噪声过度敏感，以及采样频率过低导致信息丢失的情况，这种方法能够兼顾到离散化误差以及噪声敏感性，进而大大提高参数辨识精度。
S14：根据等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值θj。其中，θj为第j个RC环节的中间变量初始值，j＝1，2…N。
具体地，步骤S14采用如下方法：
S141：利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算得出aj，bj；
S142：利用aj，bj组合成中间变量初始值
Figure RE-GDA0003166343220000091
S15：对欧姆内阻和各RC环节的RLS估计器的协方差矩阵Pr及Pj进行初始化，其中，Pr为欧姆内阻的协方差矩阵，Pj为第j个RC环节的协方差矩阵，j＝1，2…N。
本实施例采用不同的数据集对欧姆内阻和多个时间常数不同的RC环节分别识别，因此由多个RLS估计器，主要分为欧姆内阻RLS估计器和RC环节的RLS估计器。每个RLS 估计器原理相同，但用于参数辨识的数据集不同，输入输出数据向量及协方差矩阵也不同。以二阶RC等值电路为例，欧姆内阻使用协方差矩阵Pr，RC环节1采用协方差矩阵P1，RC 环节2采用协方差矩阵P2。实际应用中，协方差矩阵通常可设计为较大数，以增加实时测量数据在参数时变过程中的作用。
S16：将各RC环节的数据重采样计数器Nj置零。
通过将各RC环节的数据重采样计数器置零，能够启动在线辨识算法。
继续参见图1可知，等值电路参数在线辨识算法初始化之后，执行步骤S2：根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果。
此处的当前的等值电路参数辨识结果，根据不同情景取值不同，具体为：
当新增实时测量数据为等值电路参数在线辨识算法初始化后的第一次新增实时测量数据时，当前的等值电路参数辨识结果为初始化值；当新增实时测量数据为等值电路参数在线辨识算法初始化后的第M次新增实时测量数据时，当前的等值电路参数辨识结果为上一循环的等值电路参数辨识结果，其中，M为自然数，且M≥2。
具体地，步骤S2包括如下过程：
S21：获取当前时刻k的电池端电压采样值Uc(k)和电池电流采样值Ic(k)。
电池电流采样值也就是图2中的电池充电电流Ic的采样值。
S22：利用SOC估计算法计算锂离子电池当前时刻的荷电状态SOC(k)。
本实施例中计算锂离子电池荷电状态的SOC估计方法有很多种，可以采用安时积分法等。具体地，采用安时积分法法时，步骤S22具体为：
利用公式
Figure RE-GDA0003166343220000101
计算电池当前时刻荷电状态SOC(k)，其中，Ic(k-1)为上一时刻电流采样值，Cap为电池容量，η为库伦效率。
S23：根据当前时刻的荷电状态，利用电池SOC-OCV曲线或函数，计算得出当前时刻的电池开路电压OCV(k)。
本实施例计算电池开路电压时，可以利用电池SOC-OCV曲线，也就是查表方式。也可以利用电池SOC-OCV函数OCV(k)＝fSOC-OCV[SOC(k)]。
S24：依次根据各RC环节的RC参数辨识结果，利用公式 Upj(k)＝ajUpj(k-1)+bjIc(k-1)，计算得出任一RC环节的极化电压Upj。
S25：根据电池端电压采样值、电池开路电压以及各RC环节的极化电压，利用公式
Figure RE-GDA0003166343220000102
计算得出欧姆压降Ur(k)。
S26：直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果。
步骤S26又包括如下过程：
S261：利用公式pr(k)＝Ur(k)，φr(k)＝Ic(k)，计算欧姆内阻RLS估计器的输入向量；
S262：利用公式
Figure RE-GDA0003166343220000103
计算欧姆内阻RLS 估计器的增益矩阵，其中[·]T为矩阵转置；
S263：利用公式r(k)＝r(k-1)+Kr(k)[pr(k)-φr(k)r(k-1)|，更新欧姆内阻辨识结果；
S264：利用公式
Figure RE-GDA0003166343220000111
更新欧姆内阻RLS估计器的协方差矩阵。
继续参见图1可知，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果之后，执行步骤S3：根据新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节：计算极化电压，对极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果。
其中，RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC 参数辨识结果，任一RC环节的RC参数包括：极化电容和极化电阻。
此处更新后的等值电路参数辨识结果包括：当前的等值电路参数辨识结果以及经过步骤S2更新后的等值电路欧姆内阻辨识结果。这种方法，使得本实施例中的数据被更新后，能够及时用于下一步数据更新中，有利于提高数据辨识的精度和准确性。
由步骤S3可知，在一个循环中依次对各RC环节的RC参数进行辨识时，针对每个 RC环节都执行相同的步骤：计算当前RC环节的极化电压，对极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果。也就是：先对原始采样数据滤波，去除上一RC环节参数辨识之外的信号成分，避免噪声对识别结果的影响，有利于提高参数辨识结果的精度和准确性；随后对数据进行数据重采样，当重采样引入新增数据时，启动一次参数判别，否则只进行信号滤波；最后，当参数辨识结果影响到最优采样周期时，重置RL环节RLS估计器，开始新的最优采样周期下的下一轮参数估计。
本实施例执行完毕上一个RC环节的RC参数辨识后，将上一RC环节的参数辨识结果应用于下一个RC环节的RC参数辨识过程中。这种递推方式，能够进一步提高参数辨识结果的精度和准确性。
具体地，步骤S3包括如下过程：
S30：利用公式
Figure RE-GDA0003166343220000112
构建当前RC环节的极化电压。
S31：对当前RC环节的极化电压和电池充电电流进行低通滤波处理，获取低通滤波处理后的数据。
本实施例中低通滤波处理方法，采用1阶巴特沃斯低通滤波器实现，滤波器传递函数为
Figure RE-GDA0003166343220000121
滤波过程为
Figure RE-GDA0003166343220000122
S32：对低通滤波处理后的数据进行重采样。
具体地，步骤S32包括如下过程：
S321：计算当前时刻距离上一次数据重采样抽中时刻的时间段NjTs；
S322：判断该时间段NjTs是否等于当前RC环节的最优重采样周期Tsj；
如果时间段NjTs等于当前RC环节的最优重采样周期Tsj，执行步骤S323：判定当前滤波后数据被重采样抽中，此时，重采样后有新增有效数据。
如果时间段NjTs不等于当前RC环节的最优重采样周期Tsj，执行步骤S324：判定当前滤波后数据未被重采样抽中，也就是重采样后没有新增有效数据。
对低通滤波处理后的数据进行重采样之后，执行步骤S33：当前滤波后数据被重采样抽中时，将重采样计数器Nj置零，并启动当前RC环节的RLS估计器更新辨识结果。
具体地，步骤S33包括如下过程：
S331：利用公式pjf(k)＝yjf(k)，φjf(k)＝[yjf(k-1)，Ijf(k)]T，计算当前RC环节的RLS估计器输入向量。
S332：利用公式
Figure RE-GDA0003166343220000123
计算当前RC环节的RLS估计器增益矩阵。
S333：利用公式θj(k)＝θj(k-1)+Kj(k)[pjf(k)-φjf(k)θj(k-1)]，更新当前RC环节辨识过程中的中间变量。
S334：利用公式
Figure RE-GDA0003166343220000124
更新当前RC环节的RLS估计器协方差矩阵，用于下一次估计。
S335：利用公式
Figure RE-GDA0003166343220000125
将中间变量转换为当前RC环节的辨识参数。
本实施例中中间变量存在偏差时，将导致识别的RC环节的阻容参数出现偏差，且阻容参数偏差值对中间变量偏差值的一阶微分，也即一阶灵敏度，与识别用数据采样频率Ts有关。一阶灵敏度表达式为：
Figure RE-GDA0003166343220000131
本申请实施例中RC环节阻容参数对中间识别变量一阶偏差灵敏度曲线可以参见图3所示。图3中τj＝30或300，rpj＝0.01’ Sτ2a、Sr2a、Sr2b分别为Ts的先减后增函数、减函数和减函数，函数图像如图3所示。其中， Sτ2a在
Figure RE-GDA0003166343220000132
时取到极小值e，Sr2a、Sr2b随着Ts增加(采样频率fs越小)而减小。
更新辨识结果后，执行步骤S34：根据当前RC环节的RLS估计器更新的辨识结果，利用公式
Figure RE-GDA0003166343220000133
计算当前参数辨识结果下的最优重采样周期T′sj。
其中，τ′j＝rpjCpj为当前辨识结果下的RC环节惯性时间常数。
S35：判断当前参数辨识结果下的最优重采样周期是否满足：T′sj＞2Tsj or T′sj＜Tsj/2。
也就是，只有最优重采样周期增加为当前使用的重采样周期的2倍或减小为当前使用的重采样周期的1/2时，才更新重采样周期。由于参数辨识中间变量与重采样周期有关，本实施例通过当前参数识别结果下的最优重采样周期判断是否需要更改，能够避免重采样周期频率变化而导致辨识过程振荡，有利于提高参数辨识的稳定性和精度。
如果当前参数辨识结果下的最优重采样周期满足如上条件，执行步骤S36：则修改当前RC环节最优重采样周期Tsj＝T′sj，重启当前RC环节的RLS估计器。
具体地，步骤S36包括如下过程：
S361：根据当前RC环节参数辨识结果，利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算 aj，bj，并组合成中间变量初始值
Figure RE-GDA0003166343220000134
S362：采用一阶线性近似或不敏变换法，计算得出Pj在Tsj修改为T′sj时的取值，也就是计算协方差矩阵的更新值。
如果当前参数辨识结果下的最优重采样周期不满足：T′sj＞2Tsj or T′sj＜Tsj/2，执行步骤S37：判定当前参数辨识结果下的最优重采样周期不需要修改，直接进入下一个RC环节的参数识别。
以上步骤S30-S37是一个循环中针对任一RC环节更新当前RC环节的RC参数辨识结果的方法，执行完毕S30-S37之后，进行下一RC环节RC参数的辨识，直到当前循环中N个RC环节参数依次辨识完毕。
由图1可知，当前循环中N个RC环节参数依次辨识完毕之后，返回步骤S2，读入下一组采样数据，依次执行步骤S2和S3，对下一个循环的等值电路欧姆内阻和各RC 环节的RC参数进行辨识，直到等值电路参数在线辨识算法终止。
本实施例中的锂离子电池等值电路参数在线辨识方法，为基于重采样数据的解耦参数识别过程，其流程图可以参见图4所示。
以某26650三元锂离子电池为例，验证本实施例所提供的锂离子电池等值电路参数在线辨识方法效果。电池标称容量为5Ah，标称电压3.6V。采用武汉蓝电电池测试系统CT6001A 进行电池放电HPPC测试，并以基于实验数据的在线参数辨识为例展示本方法的效果。
由于实验室环境接近理想环境，测量数据基本无噪声，此处人为在电压电流中分别添加均值为0，标准差分别为20mV和50mA的测量噪声以模拟实际环境，添加噪声前后的试验数据如图5所示。基于添加噪声后试验数据，分别采用常规RLS以及本实施例中方法进行锂离子等值电路模型的在线参数辨识，参数辨识结果如图6所示，本实施例中基于辨识结果的仿真电压与实验电压对比如图7所示。图6的辨识结果表明：由于噪声干扰，常规RLS的参数辨识结果波动很大，不能正确辨识两个RC环节的时间常数，导致其中一个RC环节的时间常数识别结果偏小，甚至出现了负值，并进一步影响到了后续对应RC环节极化电阻和极化电容的辨识结果；而本实施例中的方法通过辨识用数据重构降低了噪声敏感性，使辨识结果受噪声影响小而更加稳定，两个RC环节参数都能合理辨识出来。图7基于辨识结果的计算电压与实验电压的对比表明：基于本实施例中的方法辨识结果所构建的模型对锂离子电池工作特性的模拟更加精确。
实施例二
在图1-图7所示实施例的基础之上参见图8，图8为本申请实施例所提供的一种锂离子电池等值电路参数在线辨识系统的结构示意图。由图8可知，本实施例中的锂离子电池等值电路参数在线辨识系统，主要包括：初始化模块、欧姆内阻辨识模块、RC参数辨识模块和循环控制模块。
其中，初始化模块，用于控制等值电路参数在线辨识算法初始化；欧姆内阻辨识模块，用于根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果；RC参数辨识模块，用于根据新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节：计算极化电压，对极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS 估计器，更新当前RC环节的RC参数辨识结果，RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC参数辨识结果，任一RC环节的RC参数包括：极化电容和极化电阻；循环控制模块，用于重新启动欧姆内阻辨识模块和RC参数辨识模块，分别更新等值电路欧姆内阻辨识结果和各RC环节的RC参数辨识结果，直到等值电路参数在线辨识算法终止。
进一步地，初始化模块包括：等值电路模型参数初始化单元、采样周期初始化单元、最优重采样周期计算单元、中间变量初始值计算单元、协方差矩阵初始化单元和置零单元。
其中，等值电路模型参数初始化单元，用于通过设置等值电路模型参数初始值，对等值电路模型参数进行初始化，等值电路模型参数包括：欧姆内阻r、任一RC环节的极化电容Cpj和极化电阻rpj，其中，j＝1,2…N，为各RC环节编号；采样周期初始化单元，用于初始化测量数据采样周期Ts，并根据等值电路模型参数初始值，利用公式τj＝rpjCpj计算各RC环节惯性时间常数，τj为第j个RC环节的时间常数；最优重采样周期计算单元，用于根据测量数据采样周期Ts和时间常数τj，利用公式
Figure RE-GDA0003166343220000151
计算得出第 j个RC环节的最优重采样周期Tsj，其中，round(·)为取整函数；中间变量初始值计算单元，用于根据等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值θj，其中，θj为第j个RC环节的中间变量初始值，j＝1,2…N；协方差矩阵初始化单元，用于对欧姆内阻和各RC环节的RLS估计器的协方差矩阵Pr及Pj进行初始化，其中，Pr为欧姆内阻的协方差矩阵，Pj为第j个RC环节的协方差矩阵，j＝1,2…N；置零单元，用于将各 RC环节的数据重采样计数器Nj置零。
欧姆内阻辨识模块包括：电压电流采样值获取单元、荷电状态计算单元、电池开路电压计算单元、极化电压计算单元、欧姆压降计算单元和欧姆内阻RLS估计器启动单元。其中，电压电流采样值获取单元，用于获取当前时刻k的电池端电压采样值Uc(k)和电池电流采样值Ic(k)；荷电状态计算单元，用于利用SOC估计算法计算锂离子电池当前时刻的荷电状态SOC(k)；电池开路电压计算单元，用于根据荷电状态，利用电池SOC-OCV曲线或函数，计算得出当前时刻的电池开路电压OCV(k)；极化电压计算单元，用于依次根据各RC 环节的RC参数辨识结果，利用公式Upj(k)＝ajUpj(k-1)+bjIc(k-1)，计算得出任一RC环节的极化电压Upj；欧姆压降计算单元，用于根据电池端电压采样值、电池开路电压以及各 RC环节的极化电压，利用公式
Figure RE-GDA0003166343220000152
计算得出欧姆压降Ur(k)；欧姆内阻RLS估计器启动单元，用于直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果。
RC参数辨识模块包括：极化电压构建单元、滤波单元、重采样单元、置零和启动单元、最优重采样周期更新单元、判断单元、中间变量初始值更新单元和协方差矩阵更新单元。
其中，极化电压构建单元，用于利用公式
Figure RE-GDA0003166343220000161
构建当前RC环节的极化电压；滤波单元，用于对当前RC环节的极化电压和电池充电电流进行低通滤波处理，获取低通滤波处理后的数据；重采样单元，用于对低通滤波处理后的数据进行重采样；置零和启动单元，用于当前滤波后数据被重采样抽中时，将重采样计数器置零，并启动当前RC环节的RLS估计器更新辨识结果；最优重采样周期更新单元，用于根据当前RC环节的RLS估计器更新的辨识结果，利用公式
Figure RE-GDA0003166343220000162
计算当前参数辨识结果下的最优重采样周期T′sj，其中，τ′j＝rpjCpj为当前辨识结果下的RC 环节惯性时间常数；判断单元，用于判断当前参数辨识结果下的最优重采样周期是否满足：T′sj＞2Tsj or T′sj＜Tsj/2，如果满足，则修改当前RC环节最优重采样周期Tsj＝T′sj，重启当前RC环节的RLS估计器，如果不满足，判定当前参数辨识结果下的最优重采样周期不需要修改，直接进入下一个RC环节的参数识别。中间变量初始值更新单元，用于当前参数辨识结果下的最优重采样周期满足：T′sj＞2Tsj or T′sj＜Tsj/2时，根据当前RC 环节参数辨识结果，利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算aj，bj，并组合成中间变量初始值
Figure RE-GDA0003166343220000163
协方差矩阵更新单元，用于当前参数辨识结果下的最优重采样周期满足： T′sj＞2Tsj or T′sj＜Tsj/2时，采用一阶线性近似或不敏变换法，计算得出Pj在Tsj修改为T′sj时的取值。
该实施例中未详细描述的部分可以参见图1-7所示的实施例，两个实施例之间可以互相参照，在此不再赘述。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述方法应用于包含多个RC环节的等值电路，所述方法包括：
S1：等值电路参数在线辨识算法初始化；
S2：根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果；
S3：根据所述新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果，所述RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC参数辨识结果，任一RC环节的所述RC参数包括：极化电容和极化电阻；
返回步骤S2，直到等值电路参数在线辨识算法终止。
2.根据权利要求1所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述等值电路参数在线辨识算法初始化，包括：
通过设置等值电路模型参数初始值，对等值电路模型参数进行初始化，所述等值电路模型参数包括：欧姆内阻r、任一RC环节的极化电容Cpj和极化电阻rpj，其中，j＝1,2…N，为各RC环节编号；
初始化测量数据采样周期Ts，并根据所述等值电路模型参数初始值，利用公式τj＝rpjCpj计算各RC环节惯性时间常数，τj为第j个RC环节的时间常数；
根据所述测量数据采样周期Ts和时间常数τj，利用公式
Figure RE-FDA0003166343210000011
计算得出第j个RC环节的最优重采样周期Tsj，其中，round(·)为取整函数；
根据所述等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值θj，其中，θj为第j个RC环节的中间变量初始值，j＝1,2…N；
对欧姆内阻和各RC环节的RLS估计器的协方差矩阵Pr及Pj进行初始化，其中，Pj为第j个RC环节的协方差矩阵，j＝1,2…N；
将各RC环节的数据重采样计数器Nj置零。
3.根据权利要求2所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，根据所述等值电路模型参数初始值，计算各RC环节辨识过程中的中间变量初始值的方法，具体为：
利用公式aj＝exp(-Tsj/τj)，bj＝rpj(1-aj)计算得出aj，bj；
利用aj，bj组合成中间变量初始值
Figure RE-FDA0003166343210000021
4.根据权利要求1所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，包括：
获取当前时刻k的电池端电压采样值Uc(k)和电池电流采样值Ic(k)；
利用SOC估计算法计算锂离子电池当前时刻的荷电状态SOC(k)；
根据所述荷电状态，利用电池SOC-OCV曲线或函数，计算得出当前时刻的电池开路电压OCV(k)；
依次根据各RC环节的RC参数辨识结果，利用公式Upj(k)＝ajUpj(k-1)+bjIc(k-1)，计算得出任一RC环节的极化电压Upj；
根据所述电池端电压采样值、电池开路电压以及各RC环节的极化电压，利用公式
Figure RE-FDA0003166343210000022
计算得出欧姆压降Ur(k)；
直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果。
5.根据权利要求4所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述直接根据当前数据，启动欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果，包括：
利用公式pr(k)＝Ur(k)，φr(k)＝Ic(k)，计算欧姆内阻RLS估计器的输入向量；
利用公式
Figure RE-FDA0003166343210000023
计算欧姆内阻RLS估计器的增益矩阵，其中[·]T为矩阵转置；
利用公式r(k)＝r(k-1)+Kr(k)[pr(k)-φr(k)r(k-1)]，更新欧姆内阻辨识结果；
利用公式
Figure RE-FDA0003166343210000024
更新欧姆内阻RLS估计器的协方差矩阵。
6.根据权利要求4所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，利用SOC估计算法计算电池当前时刻荷电状态SOC(k)，具体为：
利用公式
Figure RE-FDA0003166343210000025
计算电池当前时刻荷电状态SOC(k)，其中，Ic(k-1)为上一时刻电流采样值，Cap为电池容量，η为库伦效率。
7.根据权利要求1所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，根据所述新增实时测量数据和更新后的等值电路参数辨识结果，对任一RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果的方法，包括：
利用公式
Figure RE-FDA0003166343210000031
构建当前RC环节的极化电压；
对当前RC环节的极化电压和电池充电电流进行低通滤波处理，获取低通滤波处理后的数据；
对低通滤波处理后的数据进行重采样；
当前滤波后数据被重采样抽中时，将重采样计数器Nj置零，并启动当前RC环节的RLS估计器更新辨识结果；
根据当前RC环节的RLS估计器更新的辨识结果，利用公式
Figure RE-FDA0003166343210000032
计算当前参数辨识结果下的最优重采样周期T′sj，其中，τ′j＝rpjCpj为当前辨识结果下的RC环节惯性时间常数；
判断当前参数辨识结果下的最优重采样周期是否满足：T′sj＞2Tsj or T′sj＜Tsj/2；
如果满足，则修改当前RC环节最优重采样周期Tsj＝T′sj，重启当前RC环节的RLS估计器；
如果不满足，判定当前参数辨识结果下的最优重采样周期不需要修改，直接进入下一个RC环节的参数识别。
8.根据权利要求7所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述对低通滤波处理后的数据进行重采样，包括：
计算当前时刻距离上一次数据重采样抽中时刻的时间段NjTs；
判断所述时间段NjTs是否等于当前RC环节的最优重采样周期T′sj；
如果是，判定当前滤波后数据被重采样抽中；
如果否，判定当前滤波后数据未被重采样抽中。
9.根据权利要求7所述的一种锂离子电池等值电路参数在线辨识方法，其特征在于，所述将重采样计数器Nj置零，并启动当前RC环节的RLS估计器更新辨识结果，包括：
利用公式pjf(k)＝yjf(k)，φjf(k)＝[yjf(k-1)，Ijf(k)]T，计算当前RC环节的RLS估计器输入向量；
利用公式，
Figure RE-FDA0003166343210000041
计算当前RC环节的RLS估计器增益矩阵；
利用公式θj(k)＝θj(k-1)+Kj(k)[pjf(k)-φjf(k)θj(k-1)]，更新当前RC环节辨识过程中的中间变量；
利用公式
Figure RE-FDA0003166343210000042
更新当前RC环节的RLS估计器协方差矩阵；
利用公式
Figure RE-FDA0003166343210000043
将所述中间变量转换为当前RC环节的辨识参数。
10.一种锂离子电池等值电路参数在线辨识系统，其特征在于，所述系统应用于包含多个RC环节的等值电路，所述系统包括：
初始化模块，用于控制等值电路参数在线辨识算法初始化；
欧姆内阻辨识模块，用于根据新增实时测量数据和当前的等值电路参数辨识结果，利用欧姆内阻RLS估计器更新等值电路欧姆内阻辨识结果；
RC参数辨识模块，用于根据所述新增实时测量数据和更新后的等值电路参数辨识结果，依次对各RC环节：计算极化电压，对所述极化电压和电池充电电流进行低通滤波，根据重采样周期与当前RC环节惯性时间常数的匹配关系对低通滤波后数据进行重采样，并在当前滤波后数据被重采样抽中时启动RC环节的RLS估计器，更新当前RC环节的RC参数辨识结果，所述RC环节的RLS估计器用于利用相应的辨识用数据集，更新各RC环节的RC参数辨识结果，任一RC环节的所述RC参数包括：极化电容和极化电阻；
循环控制模块，用于重新启动所述欧姆内阻辨识模块和RC参数辨识模块，分别更新等值电路欧姆内阻辨识结果和各RC环节的RC参数辨识结果，直到等值电路参数在线辨识算法终止。
CN202110698437.7A 2021-06-23 2021-06-23 一种锂离子电池等值电路参数在线辨识方法及系统 Active CN113391212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698437.7A CN113391212B (zh) 2021-06-23 2021-06-23 一种锂离子电池等值电路参数在线辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698437.7A CN113391212B (zh) 2021-06-23 2021-06-23 一种锂离子电池等值电路参数在线辨识方法及系统

Publications (2)

Publication Number Publication Date
CN113391212A true CN113391212A (zh) 2021-09-14
CN113391212B CN113391212B (zh) 2022-05-17

Family

ID=77623617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698437.7A Active CN113391212B (zh) 2021-06-23 2021-06-23 一种锂离子电池等值电路参数在线辨识方法及系统

Country Status (1)

Country Link
CN (1) CN113391212B (zh)

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9004065D0 (en) * 1990-02-22 1990-04-18 Sloan Power Electronics Ltd Battery charge indicator
US20100153038A1 (en) * 2007-03-23 2010-06-17 Kabushiki Kaisha Toyota-Chuo Kenkyusho State estimating device of secondary battery
CN102253342A (zh) * 2010-03-10 2011-11-23 通用汽车环球科技运作有限责任公司 使用多个采样率的电池状态评估器
WO2012156233A2 (de) * 2011-05-18 2012-11-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie
CN103197251A (zh) * 2013-02-27 2013-07-10 山东省科学院自动化研究所 一种动力锂电池二阶rc等效模型的辨识方法
WO2013125118A1 (ja) * 2012-02-22 2013-08-29 カルソニックカンセイ株式会社 パラメータ推定装置
CN106896325A (zh) * 2017-01-24 2017-06-27 广东恒沃动力科技有限公司 一种电池参数在线辨识方法及系统
CN107064811A (zh) * 2017-03-01 2017-08-18 华南理工大学 一种锂电池soc在线估计方法
WO2017179175A1 (ja) * 2016-04-14 2017-10-19 富士通株式会社 推定装置、推定プログラムおよび充電制御装置
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
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
CN108445402A (zh) * 2018-02-28 2018-08-24 广州小鹏汽车科技有限公司 一种锂离子动力电池荷电状态估计方法及系统
CN108732509A (zh) * 2018-06-06 2018-11-02 哈尔滨工业大学 一种面向空间应用的锂离子电池荷电状态的在线估计方法
CN109061508A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种电动汽车锂电池soh的估计方法
CN109188293A (zh) * 2018-11-08 2019-01-11 武汉理工大学 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
CN110968976A (zh) * 2019-12-24 2020-04-07 武汉理工大学 全钒液流电池等效电路模型参数识别方法
CN111007400A (zh) * 2019-11-22 2020-04-14 西安工程大学 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN111208432A (zh) * 2020-01-16 2020-05-29 北方工业大学 用于电池的二阶rc等效电路模型参数实时辨识方法及装置
CN111208433A (zh) * 2020-01-16 2020-05-29 北方工业大学 电池二阶rc等效电路模型参数辨识的方法及装置
US20200209316A1 (en) * 2017-09-13 2020-07-02 Shandong University New method for iteratively identifying parameters of equivalent circuit model of battery
CN111366855A (zh) * 2020-03-19 2020-07-03 北京理工大学 一种电池等效电路模型抗扰动参数化方法
CN111426967A (zh) * 2020-05-22 2020-07-17 枣庄职业学院 电池等效电路模型的参数在线实时辨识方法
CN111474481A (zh) * 2020-04-13 2020-07-31 深圳埃瑞斯瓦特新能源有限公司 基于扩展卡尔曼滤波算法的电池soc估算方法及装置
CN112345939A (zh) * 2020-09-15 2021-02-09 北京交通大学 基于连续脉冲响应的锂离子电池模型参数辨识方法
US20210063490A1 (en) * 2019-08-27 2021-03-04 Samsung Electronics Co., Ltd. Method and system for determining health parameter of a battery
CN112733411A (zh) * 2020-12-18 2021-04-30 武汉大学 基于二阶差分粒子滤波的锂电池soc估计方法及系统
CN112946499A (zh) * 2021-02-04 2021-06-11 芜湖楚睿智能科技有限公司 基于机器学习的锂电池健康状态及荷电状态联合估算方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9004065D0 (en) * 1990-02-22 1990-04-18 Sloan Power Electronics Ltd Battery charge indicator
US20100153038A1 (en) * 2007-03-23 2010-06-17 Kabushiki Kaisha Toyota-Chuo Kenkyusho State estimating device of secondary battery
CN102253342A (zh) * 2010-03-10 2011-11-23 通用汽车环球科技运作有限责任公司 使用多个采样率的电池状态评估器
WO2012156233A2 (de) * 2011-05-18 2012-11-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie
WO2013125118A1 (ja) * 2012-02-22 2013-08-29 カルソニックカンセイ株式会社 パラメータ推定装置
CN103197251A (zh) * 2013-02-27 2013-07-10 山东省科学院自动化研究所 一种动力锂电池二阶rc等效模型的辨识方法
WO2017179175A1 (ja) * 2016-04-14 2017-10-19 富士通株式会社 推定装置、推定プログラムおよび充電制御装置
CN106896325A (zh) * 2017-01-24 2017-06-27 广东恒沃动力科技有限公司 一种电池参数在线辨识方法及系统
CN107064811A (zh) * 2017-03-01 2017-08-18 华南理工大学 一种锂电池soc在线估计方法
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
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
US20200209316A1 (en) * 2017-09-13 2020-07-02 Shandong University New method for iteratively identifying parameters of equivalent circuit model of battery
CN108445402A (zh) * 2018-02-28 2018-08-24 广州小鹏汽车科技有限公司 一种锂离子动力电池荷电状态估计方法及系统
CN108732509A (zh) * 2018-06-06 2018-11-02 哈尔滨工业大学 一种面向空间应用的锂离子电池荷电状态的在线估计方法
CN109061508A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种电动汽车锂电池soh的估计方法
CN109188293A (zh) * 2018-11-08 2019-01-11 武汉理工大学 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
US20210063490A1 (en) * 2019-08-27 2021-03-04 Samsung Electronics Co., Ltd. Method and system for determining health parameter of a battery
CN111007400A (zh) * 2019-11-22 2020-04-14 西安工程大学 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN110968976A (zh) * 2019-12-24 2020-04-07 武汉理工大学 全钒液流电池等效电路模型参数识别方法
CN111208432A (zh) * 2020-01-16 2020-05-29 北方工业大学 用于电池的二阶rc等效电路模型参数实时辨识方法及装置
CN111208433A (zh) * 2020-01-16 2020-05-29 北方工业大学 电池二阶rc等效电路模型参数辨识的方法及装置
CN111366855A (zh) * 2020-03-19 2020-07-03 北京理工大学 一种电池等效电路模型抗扰动参数化方法
CN111474481A (zh) * 2020-04-13 2020-07-31 深圳埃瑞斯瓦特新能源有限公司 基于扩展卡尔曼滤波算法的电池soc估算方法及装置
CN111426967A (zh) * 2020-05-22 2020-07-17 枣庄职业学院 电池等效电路模型的参数在线实时辨识方法
CN112345939A (zh) * 2020-09-15 2021-02-09 北京交通大学 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN112733411A (zh) * 2020-12-18 2021-04-30 武汉大学 基于二阶差分粒子滤波的锂电池soc估计方法及系统
CN112946499A (zh) * 2021-02-04 2021-06-11 芜湖楚睿智能科技有限公司 基于机器学习的锂电池健康状态及荷电状态联合估算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
朱瑞等: "《基于分布式最小二乘法的锂离子电池建模及参数辨识》", 《机 械 工 程 学 报》 *
李泽宇等: "《Online_Estimation_of_Battery_Equivalent_Circuit_Model_Parameters_Using_Decoupled_Least_Squares_Technique》", 《2020 IEEE IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA TECHNICAL CONFERENCE》 *
李泽宇等: "《基于递推最小二乘法的锂离子电池等值参数在线识别》", 《山东电力技术》 *
高睿智: "《电动汽车电池管理系统及其荷电状态估计算法研究》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113391212B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111060820B (zh) 一种基于二阶rc模型的锂电池soc和sop估计方法
CN109188293B (zh) 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
US11156668B2 (en) Method for iteratively identifying parameters of equivalent circuit model of battery
CN111581904A (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN111060824B (zh) 一种基于模型与算法分步融合的荷电状态估计方法
Zhao et al. State of charge estimation based on a new dual-polarization-resistance model for electric vehicles
CN108445422B (zh) 基于极化电压恢复特性的电池荷电状态估算方法
CN112285569B (zh) 一种基于动态阈值模型的电动汽车故障诊断方法
CN113156321A (zh) 一种锂离子电池荷电状态soc的估算方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN114035072A (zh) 一种基于云边协同的电池组多状态联合估计方法
CN112462282B (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
CN113093017A (zh) 一种锂离子电池等效电路模型在线构建方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN114755582A (zh) 一种环境温度不同时锂离子电池健康状态预估方法
CN112147514A (zh) 基于rls的锂电池全工况自适应等效电路模型
Xiong et al. Lithium‐Ion Battery Parameters and State of Charge Joint Estimation Using Bias Compensation Least Squares and the Alternate Algorithm
CN115598535A (zh) 一种考虑健康状态的电池荷电状态估计方法及系统
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
CN113671377A (zh) 一种基于改进ekf算法的锂电池soc估算方法
CN115047357A (zh) 一种锂离子电池状态联合估算方法
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
CN113391212B (zh) 一种锂离子电池等值电路参数在线辨识方法及系统
CN114861413B (zh) 基于交互式多模型的锂离子电池全生命周期soc的估计方法及装置
CN116165545A (zh) 基于无迹卡尔曼滤波和神经网络的电池soc状态估计方法

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