CN113447818B - 电池等效电路模型的辨识方法及系统 - Google Patents

电池等效电路模型的辨识方法及系统 Download PDF

Info

Publication number
CN113447818B
CN113447818B CN202110621156.1A CN202110621156A CN113447818B CN 113447818 B CN113447818 B CN 113447818B CN 202110621156 A CN202110621156 A CN 202110621156A CN 113447818 B CN113447818 B CN 113447818B
Authority
CN
China
Prior art keywords
model
matrix
order
calculating
equation
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
CN202110621156.1A
Other languages
English (en)
Other versions
CN113447818A (zh
Inventor
林鹏
金鹏
孙力
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.)
North China University of Technology
Original Assignee
North China 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 North China University of Technology filed Critical North China University of Technology
Priority to CN202110621156.1A priority Critical patent/CN113447818B/zh
Publication of CN113447818A publication Critical patent/CN113447818A/zh
Application granted granted Critical
Publication of CN113447818B publication Critical patent/CN113447818B/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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明实施例提供了一种电池等效电路模型的辨识方法及系统，该方法包括基于N阶PNGV模型中待辨识的模型参数联立差分方程；通过参数估计算法计算差分方程的系数；基于差分方程，通过最优模型选择准则计算N阶PNGV模型的最优度；在优先度中选取最小最优度所对应的最优度最小值对应阶次；基于差分方程和最优度最小值对应阶次，计算模型参数。本发明实施例提供的技术方案能够实现实时在线确定最优电池性能的电池等效电路模型，整体步骤流程复杂度不高、计算量不大，为高精度的电池特性分析以及电池状态估计提供基础。

Description

电池等效电路模型的辨识方法及系统
【技术领域】
本发明涉及电池检测技术领域，尤其涉及一种电池等效电路模型的辨识方法及系统。
【背景技术】
电池在各个领域应用广泛，因此成为不可替代的能量来源装置。电池在使用过程中极易发生过充、过放以及热失控等安全问题，所以必须严加监控。N阶PNGV模型以其结构简单、动态特性好广泛应用于电池的状态估计以及电池特性仿真上。虽然描述电池所用等效电路模型的阶次越高，模型的精度也越高，越能模拟真实的电池特性，但会带来计算量大以及复杂度高等问题。并且电池的状态在使用过程中时刻在变化，采用单一的电池模型结构不能满足高精度的电池特性的模拟。
【发明内容】
有鉴于此，本发明实施例提供了一种电池等效电路模型的辨识方法及系统，用以解决现有技术存在的高阶次等效电路模型所需的计算量大、复杂度高且单一的等效电路模型结构无法满足高精度的电池特性的模拟的技术问题。
第一方面，本发明实施例提供了一种电池等效电路模型的辨识方法，包括以下步骤：
基于N阶PNGV模型中待辨识的模型参数联立差分方程；
通过参数估计算法计算所述差分方程的系数；
基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度；
在所述优先度中选取最小最优度所对应的最优度最小值对应阶次；
基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数。
通过本实施例提供的方案，对差分方程采用参数估计算法和最优模型选择准则分别计算，从而实现实时在线确定最优电池特性所对应的电池等效电路模型的模型参数，流程简单，计算量小，易于推广使用。
在一种优选的实施方案中，在基于N阶PNGV模型中待辨识的模型参数联立差分方程的步骤中，包括以下步骤：
建立N阶PNGV模型，获取所述PNGV模型中待辨识的模型参数；
基于所述模型参数联立状态方程；
将所述状态方程转化成差分方程。
通过本实施例提供的方案，建立模型参数的状态方程，再转化成差分方程，能够通过模型参数和差分方程之间的数学关系来得到模型参数的计算结果。
在一种优选的实施方案中，在通过参数估计算法计算所述差分方程的系数的步骤中，包括以下步骤：
对所述电池的电压和电流进行i次观测；
定义阶次j包括参数阶次和噪声阶次；
获取所述差分方程的系数矩阵和状态矩阵；
将所述系数矩阵和所述状态矩阵分别修改为具有误差矩阵的表达式；
基于所述状态矩阵建立协方差矩阵；
确定所述误差矩阵、所述系数矩阵和所述协方差矩阵的初值；
对所述电池进行第i＝i+1次观测；
基于所述状态矩阵和所述协方差矩阵计算增益矩阵；
基于所述差分方程、所述状态矩阵和所述增益矩阵计算所述系数矩阵，得到所述系数矩阵的估算结果；
基于所述增益矩阵和所述状态矩阵，更新所述协方差矩阵。
通过本实施例提供的方案，采用相邻两次观测，即i次和i+1次观测，来计算系数矩阵的估算结果，利用多次迭代运算，提高系数矩阵的估算结果的准确性。
在一种优选的实施方案中，在基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度的步骤中，包括以下步骤：
基于所述差分方程、所述状态矩阵和所述系数矩阵，计算所述误差矩阵；
基于所述估算结果得到所述模型参数中端电压的估计值；
基于所述差分方程、所述误差矩阵和端电压的估计值，计算所述系数矩阵的似然函数；
基于所述似然函数、所述参数阶次和所述噪声阶次，通过最优模型选择准则计算所述N阶PNGV模型的最优度。
通过本实施例提供的方案，采用最优模型选择准则对电池等效电路模型的电池特性的最优度进行计算，确保所得到的最优度的准确性。
在一种优选的实施方案中，在在所述优先度中选取最小最优度所对应的最优度最小值对应阶次的步骤中，包括以下步骤：
令所述阶次j＝j+1；
重复执行计算所述差分方程的系数矩阵的步骤以及计算所述N阶PNGV模型的最优度的步骤，获得多个阶次值，直至j＝N结束重复；
在所述多个阶次值中在所述优先度中选取最小最优度所对应的最优度最小值对应阶次。
通过本实施例提供的方案，采用多次迭代运算的方式，寻找能够达到的最优度中的最小值，即最容易达到的最优电池特性所对应的电池等效电路模型的阶次。
在一种优选的实施方案中，在基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数的步骤中，包括以下步骤：
基于所述差分方程，建立所述系数矩阵和所述模型参数之间的转化关系；
令N为所述最优度最小值对应阶次中的参数阶次，并根据所述转化关系计算所述模型参数；
重复执行计算所述差分方程的系数矩阵的步骤、计算所述N阶PNGV模型的最优度的步骤、选取所述最优度最小值对应阶次的步骤以及计算所述模型参数的步骤，直至所述观测结束。
通过本实施例提供的方案，针对N阶PNGV模型建立差分方程和模型参数之间的数学关系，以便于得到系数矩阵的估算结果以及最优度最小值对应阶次之后能够快速计算出N阶PNGV模型的模型参数。
在一种优选的实施方案中，在确定所述误差矩阵、所述系数矩阵和所述协方差矩阵的初值的步骤中，包括以下步骤：
令所述误差矩阵为0；
对所述电池进行n次观测；
通过所述差分方程和所述状态矩阵计算所述系数矩阵和所述协方差矩阵的初值；
执行第n+1次观测，通过所述参数估计算法计算所述系数矩阵；
或者，包括以下步骤：
令所述误差矩阵为0；
令所述系数矩阵为0，所述协方差矩阵的初值为Pj＝σ2E，E为单位矩阵，σ2≥106。
通过本实施例提供的方案，利用递推算法计算系数矩阵和协方差矩阵的初值，或者利用定义初值的方法，节省计算初值的计算资源，提高计算速度。
第二方面，本发明实施例提供了一种电池等效电路模型的辨识系统，包括：建立模块、第一计算模块、第二计算模块、选取模块和第三计算模块；
所述建立模块用于基于N阶PNGV模型中待辨识的模型参数联立差分方程；
所述第一计算模块用于通过参数估计算法计算所述差分方程的系数；
所述第二计算模块用于基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度；
所述选取模块用于在所述优先度中选取最小最优度所对应的最优度最小值对应阶次；
所述第三计算模块用于基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数。
通过本实施例提供的方案，利用五个模块对差分方程采用参数估计算法和最优模型选择准则分别计算，从而实现实时在线确定最优电池特性所对应的电池等效电路模型的模型参数，流程简单，计算量小，易于推广使用。
第三方面，本发明实施例提供了一种终端设备，包括：存储器和处理器：
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，以使所述终端设备执行如第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，包括程序或指令，当所述程序或指令在计算机上运行时，如第一方面所述的方法被执行。
与现有技术相比，本技术方案至少具有如下有益效果：
本发明实施例所公开的电池等效电路模型的辨识方法及系统，通过对差分方程的系数矩阵和状态矩阵运用诸如最小二乘算法之类的参数估计算法和诸如AIC准则、BIC准则之类的最优模型选择准则，来算出能够描述最优电池特性的电池等效电路模型的各阶次的优先度中最优度最小值对应阶次的模型参数，能够实现实时在线确定最优电池性能的电池等效电路模型，整体步骤流程复杂度不高、计算量不大，为高精度的电池特性分析以及电池状态估计提供基础。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例1所提供的电池等效电路模型的辨识方法的步骤流程图；
图2是本发明实施例1所提供的电池等效电路模型的辨识方法中，步骤Step100的步骤流程图；
图3是本发明实施例1所提供的电池等效电路模型的辨识方法中，步骤Step200的步骤流程图；
图4是本发明实施例1所提供的电池等效电路模型的辨识方法中，步骤Step300的步骤流程图；
图5是本发明实施例1所提供的电池等效电路模型的辨识方法中，步骤Step400的步骤流程图；
图6是本发明实施例1所提供的电池等效电路模型的辨识方法中，步骤Step500的步骤流程图；
图7是本发明实施例1所提供的电池等效电路模型的辨识方法的详细步骤总流程图；
图8是本发明实施例2所提供的电池等效电路模型的辨识系统的模块示意图。
附图标记：
1-建立模块；2-第一计算模块；3-第二计算模块；4-选取模块；5-第三计算模块。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明实施例1公开了一种电池等效电路模型的辨识方法，包括以下步骤：
Step100：基于N阶PNGV模型中待辨识的模型参数联立差分方程。
Step200：通过参数估计算法计算差分方程的系数。
Step300：基于差分方程，通过最优模型选择准则计算N阶PNGV模型的最优度。
Step400：在优先度中选取最小最优度所对应的最优度最小值对应阶次。
Step500：基于差分方程和最优度最小值对应阶次，计算模型参数。
本实施例1的电池等效电路模型的辨识方法，对差分方程采用参数估计算法和最优模型选择准则分别计算，从而实现实时在线确定最优电池特性所对应的电池等效电路模型的模型参数，流程简单，计算量小，易于推广使用。
如图2所示，在本实施例1的电池等效电路模型的辨识方法中，在步骤Step100“基于N阶PNGV模型中待辨识的模型参数联立差分方程”中，包括以下步骤：
Step101：建立N阶PNGV模型，获取PNGV模型中待辨识的模型参数。
Step102：基于模型参数联立状态方程U(k)。
Step103：将状态方程U(k)转化成差分方程y(k)。
对于N阶PNGV模型，其待辨识的模型参数具体包括电流I、端电压U、开路电压Uo、极化电压Up、极化电容Cp、等效电容Cb和欧姆压降RI，采用步骤Step101将这些模型参数的状态方程U(k)表示为公式(1)：
Figure BDA0003099951090000081
其中，τp,i＝Rp,iCp,i，公式(2)。采用步骤Step103将公式(1)的状态方程U(k)转化成差分方程y(k)，状态方程U(k)表示为公式(3)：/>
Figure BDA0003099951090000082
公式(3)可写成公式(4)的形式：/>
Figure BDA00030999510900000810
其中，y(k)＝U(k)，θ＝[α0 α1 α2 … β0 β1 β2 … βN]，
Figure BDA0003099951090000083
θ是系数矩阵，/>
Figure BDA0003099951090000084
是状态矩阵。
本实施例1的电池等效电路模型的辨识方法，建立模型参数的状态方程U(k)，再转化成差分方程y(k)，能够通过模型参数和差分方程y(k)之间的数学关系来得到模型参数的计算结果。
如图3所示，在本实施例1的电池等效电路模型的辨识方法中，在步骤Step200“通过参数估计算法计算差分方程y(k)的系数θ”中，包括以下步骤：
Step201：对电池的电压U和电流I进行i次观测。
Step202：定义阶次j包括参数阶次
Figure BDA0003099951090000085
和噪声阶次/>
Figure BDA0003099951090000086
Step203：获取差分方程y(k)的系数矩阵θ和状态矩阵
Figure BDA0003099951090000087
Step204：将系数矩阵θ和状态矩阵
Figure BDA0003099951090000088
分别修改为具有误差矩阵ε的表达式。
Step205：基于状态矩阵
Figure BDA0003099951090000089
建立协方差矩阵PN。
Step206：确定误差矩阵ε、系数矩阵θ和协方差矩阵PN的初值。
Step207：对电池进行第i＝i+1次观测。
Step208：基于状态矩阵
Figure BDA0003099951090000091
和协方差矩阵PN计算增益矩阵G。
Step209：基于差分方程y(k)、状态矩阵
Figure BDA0003099951090000092
和增益矩阵G计算系数矩阵θ，得到系数矩阵θ的估算结果。
Step210：基于增益矩阵G和状态矩阵
Figure BDA0003099951090000093
更新协方差矩阵PN。
在步骤Step200中所采用的参数估计算法包含但不仅限于诸如最小二乘类的算法，如最小二乘算法(LS)、递推最小二乘算法(RLS)、递推增广最小二乘算法(RELS)、带遗忘因子的递推最小二乘算法(RFF)等。
步骤Step202中，阶次
Figure BDA0003099951090000094
其中，/>
Figure BDA0003099951090000095
为电池模型参数的参数阶次，/>
Figure BDA0003099951090000096
为噪声的噪声阶次。步骤Step203所获取的差分方程y(k)的系数矩阵θ和状态矩阵/>
Figure BDA0003099951090000097
即为公式(4)中的系数矩阵θ和状态矩阵/>
Figure BDA0003099951090000098
步骤Step204中，引入误差矩阵ε，以估算系数矩阵θ的极值，则系数矩阵θ和状态矩阵/>
Figure BDA0003099951090000099
可分别修改为：
Figure BDA00030999510900000910
以及
θ＝[α0 α1 … αj β0 … βj λ0 … λj]T。步骤Step207中，通过迭代观测的方式，计算在各个采样观测条件下，系数矩阵θ的值。步骤Step208中，通过公式(5)：
Figure BDA00030999510900000911
来计算第i次观测下，增益矩阵G(i)的值。步骤Step209中，通过公式(6)：/>
Figure BDA00030999510900000912
来计算第i次观测下，系数矩阵θ的估算结果。步骤Step210中，通过公式(7)：/>
Figure BDA00030999510900000913
来计算第i次观测下，协方差矩阵PN的值。
本实施例1的电池等效电路模型的辨识方法，采用相邻两次观测，即i次和i+1次观测，来计算系数矩阵θ的估算结果，利用多次迭代运算，提高系数矩阵θ的估算结果的准确性。
在本实施例1的电池等效电路模型的辨识方法中，在步骤Step206“确定误差矩阵ε、系数矩阵θ和协方差矩阵PN的初值”中，误差矩阵ε、系数矩阵θ和协方差矩阵PN的初值的确定具有以下两种方法。
方法1：
令误差矩阵ε为0，即ε(0)＝0。
对电池进行n次观测(n>2)。
通过差分方程y(k)和状态矩阵
Figure BDA0003099951090000101
计算系数矩阵θ和协方差矩阵PN的初值。利用公式(8)和公式(9)求得θ和PN的初值，公式(8)和公式(9)如下：
θ(n)＝(ΦT(n)Φ(n))-1ΦT(n)Y(n) 公式(8)，
P(n)＝(ΦT(n)Φ(n))-1 公式(9)。
执行第n+1次观测，通过参数估计算法计算系数矩阵θ。
方法2：
令误差矩阵ε为0，即ε(0)＝0。
令系数矩阵θ为0，即令θ＝0，协方差矩阵PN的初值为Pj＝σ2E，E为单位矩阵，σ2≥106。
本实施例1的电池等效电路模型的辨识方法，利用递推算法计算系数矩阵θ和协方差矩阵PN的初值，或者利用定义初值的方法，节省计算初值的计算资源，提高计算速度。
如图4所示，在本实施例1的电池等效电路模型的辨识方法中，在步骤Step300“基于差分方程y(k)，通过最优模型选择准则计算N阶PNGV模型的最优度”中，包括以下步骤：
Step301：基于差分方程y(k)、状态矩阵
Figure BDA0003099951090000102
和系数矩阵θ，计算误差矩阵ε。
Step302：基于估算结果得到模型参数中端电压的估计值yestimated。
Step303：基于差分方程y(k)、误差矩阵ε和端电压的估计值yestimated，计算系数矩阵θ的似然函数
Figure BDA0003099951090000111
Step304：基于似然函数
Figure BDA0003099951090000112
参数阶次/>
Figure BDA0003099951090000113
和噪声阶次/>
Figure BDA0003099951090000114
通过最优模型选择准则计算N阶PNGV模型的最优度。
在步骤Step300中所采用的最优模型选择准则为确定能够描述最优电池特性的电池等效电路模型的准则，其可采用包含但不仅限于AIC准则、BIC准则、KICc准则、F检验法等。以AIC和KICc为例说明确定能够描述最优电池特性的等效电路模型的准则。其中，基于AIC准则的电池等效电路模型最优度的辨识方法如公式(10)所示：
Figure BDA0003099951090000115
基于KICc准则的电池等效电路模型最优度的辨识方法如公式(11)所示：/>
Figure BDA0003099951090000116
其中，i为数据长度，/>
Figure BDA0003099951090000117
为似然函数，/>
Figure BDA0003099951090000118
为系数矩阵θ的极大似然估计值，/>
Figure BDA0003099951090000119
为PNGV模型的总阶次，/>
Figure BDA00030999510900001110
为模型参数的参数阶次，/>
Figure BDA00030999510900001111
为噪声的噪声阶次。似然函数/>
Figure BDA00030999510900001112
可由公式(12)计算得到：/>
Figure BDA00030999510900001113
其中yestimated为端电压的估计值。需要注意的是，参数阶次/>
Figure BDA00030999510900001114
和噪声阶次/>
Figure BDA00030999510900001115
若选取的值太大则会出现过拟合和计算过于复杂等问题，因此，参数阶次/>
Figure BDA00030999510900001116
和噪声阶次/>
Figure BDA00030999510900001117
的最大值优选取20。
步骤Step301中，误差矩阵ε通过公式(13)：
Figure BDA00030999510900001118
来计算第i次观测下，误差矩阵ε的值。步骤Step303中，通过公式(12)计算得到系数矩阵θ的似然函数
Figure BDA00030999510900001119
步骤Step304中，采用最优模型选择准则中包含但不仅限于公式(10)和公式(11)所对应的某一准则，来计算电池等效电路模型的阶次，进而计算最优度。
本实施例1的电池等效电路模型的辨识方法，采用最优模型选择准则对电池等效电路模型的电池特性的最优度进行计算，确保所得到的最优度的准确性。
如图5所示，在本实施例1的电池等效电路模型的辨识方法中，在步骤Step400“在优先度中选取最小最优度所对应的最优度最小值对应阶次”中，包括以下步骤：
Step401：令阶次j＝j+1。
Step402：重复执行计算差分方程y(k)的系数矩阵θ的步骤以及计算N阶PNGV模型的最优度的步骤，获得多个阶次值，直至j＝N结束重复。
Step403：在多个阶次值中在优先度中选取最小最优度所对应的最优度最小值对应阶次。
本实施例1的电池等效电路模型的辨识方法，采用多次迭代运算的方式，寻找能够达到的最优度中的最小值，即最容易达到的最优电池特性所对应的电池等效电路模型的阶次。
如图6所示，在本实施例1的电池等效电路模型的辨识方法中，在步骤Step500“基于差分方程和最优度最小值对应阶次，计算模型参数”中，包括以下步骤：
Step501：基于差分方程y(k)，建立系数矩阵θ和模型参数之间的转化关系。
Step502：令N为最优度最小值对应阶次中的参数阶次，并根据转化关系计算模型参数。
Step503：重复执行计算差分方程的系数矩阵的步骤、计算N阶PNGV模型的最优度的步骤、选取最优度最小值对应阶次的步骤以及计算模型参数的步骤，直至观测i＝L结束。
步骤Step501中，转化关系如公式(14)和公式(15)所示：
Figure BDA0003099951090000131
步骤Step502中，先令PNGV模型的阶次N为参数阶次
Figure BDA0003099951090000132
即/>
Figure BDA0003099951090000133
通过公式(14)和公式(15)的转化关系，计算能够描述最优电池特性的N阶PNGV模型的模型参数。最后，通过步骤Step503，重复执行步骤Step200和步骤Step300，直至观测i＝L次采样结束。最终输出具有最优电池特性的电池等效电路模型PNGV模型所对应的阶次N，以及该N阶PNGV模型的模型参数的最终结果。
本实施例1的电池等效电路模型的辨识方法，针对N阶PNGV模型建立差分方程y(k)和模型参数之间的数学关系，以便于得到系数矩阵θ的估算结果以及最优度最小值对应阶次之后能够快速计算出N阶PNGV模型的模型参数。
如图7所示，本实施例1的电池等效电路模型的辨识方法的详细步骤流程图如下：
Step101：建立N阶PNGV模型，获取PNGV模型中待辨识的模型参数。
Step102：基于模型参数联立状态方程U(k)。
Step103：将状态方程U(k)转化成差分方程y(k)。
Step201：对电池的电压和电流进行i次观测。
Step202：定义阶次j包括参数阶次
Figure BDA0003099951090000134
和噪声阶次/>
Figure BDA0003099951090000135
Step203：获取差分方程y(k)的系数矩阵θ和状态矩阵
Figure BDA0003099951090000141
Step204：将系数矩阵θ和状态矩阵
Figure BDA0003099951090000142
分别修改为具有误差矩阵ε的表达式。
Step205：基于状态矩阵
Figure BDA0003099951090000143
建立协方差矩阵PN。
Step206：确定误差矩阵ε、系数矩阵θ和协方差矩阵PN的初值。
Step207：对电池进行第i＝i+1次观测。
Step208：基于状态矩阵
Figure BDA0003099951090000144
和协方差矩阵PN计算增益矩阵G。
Step209：基于差分方程y(k)、状态矩阵
Figure BDA0003099951090000145
和增益矩阵G计算系数矩阵θ，得到系数矩阵θ的估算结果。
Step210：基于增益矩阵G和状态矩阵
Figure BDA0003099951090000146
更新协方差矩阵PN。
Step301：基于差分方程y(k)、状态矩阵
Figure BDA0003099951090000147
和系数矩阵θ，计算误差矩阵ε。
Step302：基于估算结果得到模型参数中端电压的估计值yestimated。
Step303：基于差分方程y(k)、误差矩阵ε和端电压的估计值yestimated，计算系数矩阵θ的似然函数
Figure BDA0003099951090000148
Step304：基于似然函数
Figure BDA0003099951090000149
参数阶次/>
Figure BDA00030999510900001410
和噪声阶次/>
Figure BDA00030999510900001411
通过最优模型选择准则计算N阶PNGV模型的最优度。
Step401：令阶次j＝j+1。
Step402：重复执行计算差分方程y(k)的系数矩阵θ的步骤以及计算N阶PNGV模型的最优度的步骤，获得多个阶次值，直至j＝N结束重复。
Step403：在多个阶次值中在优先度中选取最小最优度所对应的最优度最小值对应阶次。
Step501：基于差分方程y(k)，建立系数矩阵θ和模型参数之间的转化关系。
Step502：令N为最优度最小值对应阶次中的参数阶次，并根据转化关系计算模型参数。
Step503：重复执行计算差分方程y(k)的系数矩阵θ的步骤、计算N阶PNGV模型的最优度的步骤、选取最优度最小值对应阶次的步骤以及计算模型参数的步骤，直至观测i＝L结束。
其中，步骤Step101至步骤Step103顺序执行且位于所有步骤之前，步骤Step201至步骤Step304顺序执行且可根据步骤Step402重复顺序执行，步骤Step207至步骤Step502顺序执行且可根据步骤Step503重复顺序执行，直至观测结束，步骤Step501可顺序接在步骤Step103之后执行。
实施例2
如图8所示，本发明实施例2提供了一种电池等效电路模型的辨识系统，该系统包括：建立模块1、第一计算模块2、第二计算模块3、选取模块4和第三计算模块5，建立模块1、第一计算模块2、第二计算模块3、选取模块4和第三计算模块5互相通信连接。
建立模块1用于基于N阶PNGV模型中待辨识的模型参数联立差分方程。
第一计算模块2用于通过参数估计算法计算差分方程的系数。
第二计算模块3用于基于差分方程，通过最优模型选择准则计算N阶PNGV模型的最优度。
选取模块4用于在优先度中选取最小最优度所对应的最优度最小值对应阶次。
第三计算模块5用于基于差分方程和最优度最小值对应阶次，计算模型参数。
本实施例2的电池等效电路模型的辨识系统，利用五个模块对差分方程采用参数估计算法和最优模型选择准则分别计算，从而实现实时在线确定最优电池特性所对应的电池等效电路模型的模型参数，流程简单，计算量小，易于推广使用。
实施例3
本发明实施例3提供了一种终端设备，包括：存储器和处理器；存储器，用于存储计算机程序；处理器，用于执行存储器中存储的计算机程序，以使终端设备执行如本发明实施例1所公开的方法。
实施例4
本发明实施例4提供了一种计算机可读存储介质，包括程序或指令，当程序或指令在计算机上运行时，如本发明实施例1所公开的方法被执行。
本发明实施例所公开的电池等效电路模型的辨识方法及系统，通过对差分方程的系数矩阵和状态矩阵运用诸如最小二乘算法之类的参数估计算法和诸如AIC准则、BIC准则之类的最优模型选择准则，来算出能够描述最优电池特性的电池等效电路模型的各阶次的优先度中最优度最小值对应阶次的模型参数，能够实现实时在线确定最优电池性能的电池等效电路模型，整体步骤流程复杂度不高、计算量不大，为高精度的电池特性分析以及电池状态估计提供基础。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种电池等效电路模型的辨识方法，其特征在于，包括以下步骤：
基于N阶PNGV模型中待辨识的模型参数联立差分方程，所述待辨识的模型参数具体包括开路电压、极化电压、极化电容、等效电容和欧姆压降；
通过参数估计算法计算所述差分方程的系数；
基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度；
在优先度中选取最小最优度所对应的最优度最小值对应阶次；
基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数；在基于N阶PNGV模型中待辨识的模型参数联立差分方程的步骤中，包括以下步骤：
建立N阶PNGV模型，获取所述PNGV模型中待辨识的模型参数；
基于所述模型参数联立状态方程；
将所述状态方程转化成差分方程；
其中，所述状态方程为
Figure FDA0004271099650000011
τp,i＝Rp,iCp,i，将所述状态方程U(k)转化成所述差分方程y(k)，所述状态方程U(k)表示为/>
Figure FDA0004271099650000012
所述差分方程y(k)表示为/>
Figure FDA0004271099650000015
其中，y(k)＝U(k)，θ＝[α0 α1 α2 … β0 β1 β2 …βN]，/>
Figure FDA0004271099650000013
θ是系数矩阵，/>
Figure FDA0004271099650000014
是状态矩阵。
2.根据权利要求1所述的电池等效电路模型的辨识方法，其特征在于，在通过参数估计算法计算所述差分方程的系数的步骤中，包括以下步骤：
对所述电池的电压和电流进行i次观测；
定义阶次j包括参数阶次和噪声阶次；
获取所述差分方程的系数矩阵和状态矩阵；
将所述系数矩阵和所述状态矩阵分别修改为具有误差矩阵的表达式；
基于所述状态矩阵建立协方差矩阵；
确定所述误差矩阵、所述系数矩阵和所述协方差矩阵的初值；
对所述电池进行第i＝i+1次观测；
基于所述状态矩阵和所述协方差矩阵计算增益矩阵；
基于所述差分方程、所述状态矩阵和所述增益矩阵计算所述系数矩阵，得到所述系数矩阵的估算结果；
基于所述增益矩阵和所述状态矩阵，更新所述协方差矩阵。
3.根据权利要求2所述的电池等效电路模型的辨识方法，其特征在于，在基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度的步骤中，包括以下步骤：
基于所述差分方程、所述状态矩阵和所述系数矩阵，计算所述误差矩阵；
基于所述估算结果得到所述模型参数中端电压的估计值；
基于所述差分方程、所述误差矩阵和端电压的估计值，计算所述系数矩阵的似然函数；
基于所述似然函数、所述参数阶次和所述噪声阶次，通过最优模型选择准则计算所述N阶PNGV模型的最优度。
4.根据权利要求3所述的电池等效电路模型的辨识方法，其特征在于，在优先度中选取最小最优度所对应的最优度最小值对应阶次的步骤中，包括以下步骤：
令所述阶次j＝j+1；
重复执行计算所述差分方程的系数矩阵的步骤以及计算所述N阶PNGV模型的最优度的步骤，获得多个阶次值，直至j＝N结束重复；
在所述多个阶次值中在优先度中选取最小最优度所对应的最优度最小值对应阶次。
5.根据权利要求4所述的电池等效电路模型的辨识方法，其特征在于，在基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数的步骤中，包括以下步骤：
基于所述差分方程，建立所述系数矩阵和所述模型参数之间的转化关系；
令N为所述最优度最小值对应阶次中的参数阶次，并根据所述转化关系计算所述模型参数；
重复执行计算所述差分方程的系数矩阵的步骤、计算所述N阶PNGV模型的最优度的步骤、选取所述最优度最小值对应阶次的步骤以及计算所述模型参数的步骤，直至所述观测结束。
6.根据权利要求2所述的电池等效电路模型的辨识方法，其特征在于，在确定所述误差矩阵、所述系数矩阵和所述协方差矩阵的初值的步骤中，包括以下步骤：
令所述误差矩阵为0；
对所述电池进行n次观测；
通过所述差分方程和所述状态矩阵计算所述系数矩阵和所述协方差矩阵的初值；
执行第n+1次观测，通过所述参数估计算法计算所述系数矩阵；
或者，包括以下步骤：
令所述误差矩阵为0；
令所述系数矩阵为0，所述协方差矩阵的初值为Pj＝σ2E，E为单位矩阵，σ2≥106。
7.一种电池等效电路模型的辨识系统，其特征在于，包括：建立模块、第一计算模块、第二计算模块、选取模块和第三计算模块；
所述建立模块用于基于N阶PNGV模型中待辨识的模型参数联立差分方程，所述待辨识的模型参数具体包括电流、端电压、开路电压、极化电压、极化电容、等效电容和欧姆压降；
所述第一计算模块用于通过参数估计算法计算所述差分方程的系数；
所述第二计算模块用于基于所述差分方程，通过最优模型选择准则计算所述N阶PNGV模型的最优度；
所述选取模块用于在优先度中选取最小最优度所对应的最优度最小值对应阶次；
所述第三计算模块用于基于所述差分方程和所述最优度最小值对应阶次，计算所述模型参数；
所述建立模块具体用于建立N阶PNGV模型，获取所述PNGV模型中待辨识的模型参数；
基于所述模型参数联立状态方程；
将所述状态方程转化成差分方程；
其中，所述状态方程为
Figure FDA0004271099650000041
τp,i＝Rp,iCp,i，将所述状态方程U(k)转化成所述差分方程y(k)，所述状态方程U(k)表示为/>
Figure FDA0004271099650000051
所述差分方程y(k)表示为/>
Figure FDA0004271099650000052
其中，y(k)＝U(k)，θ＝[α0 α1 α2 … β0β1 β2 …βN]，/>
Figure FDA0004271099650000053
θ是系数矩阵，/>
Figure FDA0004271099650000054
是状态矩阵。
8.一种终端设备，其特征在于，包括：存储器和处理器：
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，以使所述终端设备执行如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，包括程序或指令，当所述程序或指令在计算机上运行时，如权利要求1至6中任一项所述的方法被执行。
CN202110621156.1A 2021-06-03 2021-06-03 电池等效电路模型的辨识方法及系统 Active CN113447818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110621156.1A CN113447818B (zh) 2021-06-03 2021-06-03 电池等效电路模型的辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110621156.1A CN113447818B (zh) 2021-06-03 2021-06-03 电池等效电路模型的辨识方法及系统

Publications (2)

Publication Number Publication Date
CN113447818A CN113447818A (zh) 2021-09-28
CN113447818B true CN113447818B (zh) 2023-07-14

Family

ID=77810685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110621156.1A Active CN113447818B (zh) 2021-06-03 2021-06-03 电池等效电路模型的辨识方法及系统

Country Status (1)

Country Link
CN (1) CN113447818B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679196A (zh) * 2020-04-30 2020-09-18 北方工业大学 一种pngv模型参数的在线辨识方法、装置、计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699907B (zh) * 2016-01-28 2019-03-26 广州市香港科大霍英东研究院 一种基于动态阻抗校正的电池soc估计方法及系统
CN107957555A (zh) * 2017-10-19 2018-04-24 重庆三峡学院 一种估算动力锂电池SoC的新方法
CN109884528B (zh) * 2019-02-25 2020-03-31 江苏大学 一种带温度输入的锂离子电池开路电压估算方法及系统
CN111723454A (zh) * 2020-04-30 2020-09-29 北方工业大学 一种二阶pngv模型参数的在线生成方法、装置和计算机设备
CN111426956B (zh) * 2020-05-12 2021-08-13 南京林业大学 考虑温度及迟滞效应的分数阶动力电池soc估算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679196A (zh) * 2020-04-30 2020-09-18 北方工业大学 一种pngv模型参数的在线辨识方法、装置、计算机设备

Also Published As

Publication number Publication date
CN113447818A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
CN110398691B (zh) 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法
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
CN111060834A (zh) 一种动力电池健康状态估算方法
CN108089135B (zh) 一种基于极限学习模型的电池状态预测系统及其实现方法
Alfi et al. Hybrid state of charge estimation for lithium‐ion batteries: design and implementation
CN111208433A (zh) 电池二阶rc等效电路模型参数辨识的方法及装置
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN116413629A (zh) 基于物理信息神经网络的航天器锂电池健康状态估计方法
CN113391216A (zh) 基于响应曲面设计的铅酸电池可用容量估算方法和装置
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
Lin et al. Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
CN117420447A (zh) 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置
CN117452234A (zh) 改进参数辨识与无穷算法融合的soc估计方法及系统
CN113125969B (zh) 基于aukf的电池数据处理方法、设备和介质
CN113447818B (zh) 电池等效电路模型的辨识方法及系统
Sun et al. Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares
CN114818371A (zh) 一种基于双记忆长度的限定记忆法的锂电池参数辨识方法
CN113406497B (zh) 电池等效电路模型的参数辨识方法及系统
CN111723454A (zh) 一种二阶pngv模型参数的在线生成方法、装置和计算机设备
Wu et al. State-of-Charge and State-of-Health Joint Estimation of Lithium-Ion Battery Based on Iterative Unscented Kalman Particle Filtering Algorithm With Fused Rauch–Tung–Striebel Smoothing Structure
CN111208434A (zh) 一阶rc等效电路模型的参数辨识方法及装置
CN116340766B (zh) 基于滑动窗口的锂电池soc在线预测方法与相关设备

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