CN117538760A - 一种铅酸蓄电池参数辨识方法及相关装置 - Google Patents
一种铅酸蓄电池参数辨识方法及相关装置 Download PDFInfo
- Publication number
- CN117538760A CN117538760A CN202410034121.1A CN202410034121A CN117538760A CN 117538760 A CN117538760 A CN 117538760A CN 202410034121 A CN202410034121 A CN 202410034121A CN 117538760 A CN117538760 A CN 117538760A
- Authority
- CN
- China
- Prior art keywords
- battery
- parameter identification
- lead
- identification result
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 239000002253 acid Substances 0.000 title claims abstract description 59
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 39
- 238000012546 transfer Methods 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010351 charge transfer process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- G01R31/379—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 for lead-acid batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种铅酸蓄电池参数辨识方法及相关装置,通过建立VRLA电池等效电路模型并离散化,采用斜坡函数采样;然后,提出了基于自适应遗忘因子的递推最小二乘法的蓄电池阻抗参数辨识;接着,提出了基于电池阻抗谱分段参数辨识方法,并采用K‑means算法对不同频率下的辨识结果进行聚类分析,得到了最优参数辨识结果。与现有技术相比,本申请(1)减了VRLA蓄电池等效电路模型参数的辨识时间;(2)考虑了电池的内部响应特性,提升了参数辨识精度。从而解决了现有铅酸蓄电池参数辨识技术辨识速度慢且精确度较低的问题。
Description
技术领域
本申请涉及蓄电池参数辨识技术领域,尤其涉及一种铅酸蓄电池参数辨识方法及相关装置。
背景技术
目前,我国的配电终端和变电站采用阀控式铅酸蓄电池(Valve-Regulated Leadacid battery,VRLAB)作为后备电源,在紧急情况下对断路器分合闸机构、隔离开关、继电保护装置等重要负荷进行供电,是维持电力设备安全可靠运行的重要保障。对蓄电池阻抗参数的准确辨识是电池精确核容的前提,对电池运行健康状态的实时评估具有重要意义。
现阶段的电池阻抗参数辨识方法可分为时域法和频域法两类。基于时域的辨识方法通常采用脉冲电流或恒流形式对电池进行充放电来获得实验数据,操作简单但是辨识时间较长,无法满足电池参数在实际应用中的多变性。基于频域的辨识方法是对电池进行交流扫频,得到不同频率下的电化学阻抗谱,阻抗谱分为高、中、低频区段,分别对应电池欧姆阻抗、电荷传递阻抗和浓差极化阻抗,可以更好的描述电池阻抗特性。
然而,VRLA蓄电池的动态特性分布在一个较宽的频率范围内,包含快速响应环节和缓慢变化环节,但现阶段参数辨识算法难以兼顾电池每一环节的准确辨识,对于时间常数大的环节极易导致数据饱和,对于时间常数小的环节可能产生信息丢失,最终导致辨识结果振荡或发散。因此,亟需设计一种辨识速度快且精确度较高的铅酸蓄电池参数辨识方法。
发明内容
本申请提供了一种铅酸蓄电池参数辨识方法及相关装置,用于解决现有铅酸蓄电池参数辨识技术辨识速度慢且精确度较低的问题。
有鉴于此,本申请第一方面提供了一种铅酸蓄电池参数辨识方法,所述方法包括:
根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对所述KCL和KVL方程进行拉氏变换得到传递函数,并对所述传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式;
对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于所述最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2;
采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
可选地,所述对所述传递函数进行离散变换,包括:
基于部分分式法对所述传递函数进行Z变换,并采用斜坡函数进行信号采样。
可选地,所述采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据,包括:
采用基于电化学阻抗谱的分段辨识方法,分别对R0、R1和C1、R2和C2三组参数进行辨识处理,辨识处理过程包括:对铅酸蓄电池进行交流扫频,得到不同频率下电池阻抗的实部和虚部,并采用Z-view软件拟合得到的阻抗谱曲线,其中,所述阻抗谱曲线的各分段的特征与电池等效电路环节相对应。
可选地,所述将不同区段多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,包括:
采用K-means算法将不同区段多频率下的参数辨识结果数据聚类成k个簇,采用欧氏距离计算公式获取各类别的聚类中心,得到最优参数辨识结果。
本申请第二方面提供一种铅酸蓄电池参数辨识系统,所述系统包括:
建立单元,用于根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对所述KCL和KVL方程进行拉氏变换得到传递函数,并对所述传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式;
计算单元,用于对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于所述最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2;
辨识单元,用于采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
聚类单元,用于将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
可选地,所述对所述传递函数进行离散变换,包括:
基于部分分式法对所述传递函数进行Z变换,并采用斜坡函数进行信号采样。
可选地,所述辨识单元,具体用于:
采用基于电化学阻抗谱的分段辨识方法,分别对R0、R1和C1、R2和C2三组参数进行辨识处理,辨识处理过程包括:对铅酸蓄电池进行交流扫频,得到不同频率下电池阻抗的实部和虚部,并采用Z-view软件拟合得到的阻抗谱曲线,其中,所述阻抗谱曲线的各分段的特征与电池等效电路环节相对应。
可选地,所述将不同区段多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,包括:
采用K-means算法将不同区段多频率下的参数辨识结果数据聚类成k个簇,采用欧氏距离计算公式获取各类别的聚类中心,得到最优参数辨识结果。
本申请第三方面提供一种铅酸蓄电池参数辨识设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的铅酸蓄电池参数辨识方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的铅酸蓄电池参数辨识方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种铅酸蓄电池参数辨识方法,通过建立VRLA电池等效电路模型并离散化,采用斜坡函数采样;然后,提出了基于自适应遗忘因子的递推最小二乘法的蓄电池阻抗参数辨识。接着,提出了基于电池阻抗谱分段参数辨识方法,并采用K-means算法对不同频率下的辨识结果进行聚类分析,得到了最优参数辨识结果。与现有技术相比,本申请(1)减少了VRLA蓄电池等效电路模型参数的辨识时间;(2)考虑了电池的内部响应特性,提升了参数辨识精度。从而解决了现有铅酸蓄电池参数辨识技术辨识速度慢且精确度较低的问题。
附图说明
图1为本申请实施例中提供的一种铅酸蓄电池参数辨识方法的流程示意图;
图2为本申请实施例中提供的VRLA电池等效电路模型图;
图3为本申请实施例中提供的VRLA电池输入-输出系统框图;
图4为本申请实施例中提供的基于自适应遗忘因子的最小二乘法参数辨识流程图;
图5为本申请实施例中提供的VRLA电池阻抗谱图;
图6为本申请实施例中提供的R0参数辨识结果图;
图7为本申请实施例中提供的 R1参数辨识结果图;
图8为本申请实施例中提供的 C1参数辨识结果图;
图9为本申请实施例中提供的R2参数辨识结果图;
图10为本申请实施例中提供的 C2参数辨识结果图;
图11为本申请实施例中提供的VRLA电池端电压实际值和仿真值输出电压曲线;
图12为本申请实施例中提供的VRLA电池端电压实际值和仿真值误差图;
图13为本申请实施例中提供的一种铅酸蓄电池参数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,都属于本申请保护的范围。
请参阅图1,本申请实施例中提供的一种铅酸蓄电池参数辨识方法,包括:
步骤101、根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对KCL和KVL方程进行拉氏变换得到传递函数,并对传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式。
需要说明的是:传递函数进行离散变换,包括:基于部分分式法对所述传递函数进行Z变换,并采用斜坡函数进行信号采样。
以下为步骤101的原理说明:
1、铅酸蓄电池(VRLA电池)等效电路模型:
基于铅酸蓄电池二阶RC电路等效模型如图2所示。图2中U ocv为开路电压、R 0为欧姆内阻、R 1和C 1回路描述电池内部的传荷过程,R 2和C 2回路描述电池内部离子扩散的过程,U为电池输出电压。
根据KCL、KVL,基于图2列出下列方程:
(1)
式中,R0为欧姆内阻,R1、R2为极化电阻,C1、C2为极化电容,I(t)为电池充放电电流,U(t)为蓄电池端电压,U1(t)为R1C1回路的端电压,U(t)为R2C2回路的端电压;
式(1)通过拉普拉斯变换可得其在频域下表达式:
(2)
由式(2)得到VRLA电池输入-输出系统控制框图如图3所示:
图3中传递函数G(s)如下:
(3)
对于线性连续系统采用拉氏变换分析,而线性离散系统则采用Z变换分析。因此,对传递函数G(s)采用部分分式法进行Z变换,G(s)的离散形式如下所示:
(4)
令eTs=Z,得到G(s)的Z变换为:
(5)
(6)
对于连续信号的采样有以下三种方式:脉冲采样、斜坡采样和加速度采样,其中脉冲采样是一种常见的采样方式,在固定的采样时间间隔内对数据进行采集,而斜坡采样和加速度采样可以根据电池的响应速度来自适应地调整采样率,由于电池为二型系统,在斜坡信号采样下稳态误差终值为0,能够实现误差跟踪,本文以单位斜坡采样信号作为数据采样方式。以单位斜坡采样信号r(t)为例分析系统稳态误差,R(z)为输入信号,G(z)为G(s)的Z变换,k v 为速度误差系数,e sr 为稳态误差终值,如下所示:
(7)
(8)
(9)
(10)
(11)
基于公式(6)建立系统差分方程,令,则化简为:
(12)
由于VRLA蓄电池的开路电压受到容量SOC、温度T和老化因素L的影响,并且随着时间而变化,其函数关系如下:
(13)
对式(7)求导如下:
(14)
在采样时间T内,容量、温度和老化的变化是缓慢的,可以视为不变,因此式(14)可化简为:
(15)
由式(14)可得:
(16)
基于式(16),式(12)可化简为:
(17)
步骤102、对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2。
需要说明的是,VRLA电池是一个非线性时变系统,通常采用离线的方式进行参数辨识,在实际应用中辨识流程相对繁琐,为提高其辨识的速动性和准确性,采用递推最小二乘法进行在线参数辨识。因此,需建立电池等效模型参数与最小二乘法的关联关系,将式(17)写成最小二乘法形式:
(18)
式中,φ(k)为数据向量,θ为待辨识参数,如下所示:
(19)
(20)
具体递推最小二乘法辨识步骤如下:
步骤一:产生给定频率下电流正弦波输入信号I(k);
步骤二:电池系统产生输出电压信号U(k);
步骤三:给定数据样本矩阵Hm和观测向量Zm,Vm为测量误差,如下:
(21)
步骤四:初始化协方差P(0)、参数矩阵θ(0),为了方便递推算法迭代,取θ(0)等于0,P(0)等于αI,α取104~106,I为单位矩阵;
步骤五:估计待辨识参数,令/>,增益矩阵/>,则:
(22)
(23)
(24)
步骤六:当辨识结果的最大误差小于时,且迭代次数大于输入信号的循环次数/>时(/>,N为待辨识次数个数),输出分离估计参数/>;
随着递推次数的增加,由于递推计算的舍入误差,不仅新的观测值对参数估计不起修正作用,反而使失去正定性,导致估计误差增加。因此引入自适应遗忘因子/>,如式(20)所示,根据误差大小更新新旧数据权重,从而提高辨识精度。
(25)
式中,为遗忘因子的区间范围,通常取[0.95,1],/>为控制因子,通常取500以达到调节遗忘因子的最好效果,e为电池系统与其等效模型的输出误差,M为开窗窗口,通常设定为50可消除误差分布的影响;
综上可得基于自适应遗忘因子的最小二乘法递推公式:
(26)
图4为基于自适应遗忘因子的最小二乘法参数辨识流程:
由上述最小二乘法递推公式计算得到k1、k2、k3、k4、k5,令τ1=R1C1,τ2=R2C2,电池模型参数R0、R1、R2、C1、C2由下式计算可得:
(27)
步骤103、采用基于电化学阻抗谱的分段辨识方法,对模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
需要说明的是,为更好的体现电池内部的阻抗特性,本文采用基于电化学阻抗谱的分段辨识方法,分别对R0、R1和C1、R2和C2三组参数进行辨识。首先对电池进行交流扫频,得到不同频率下电池阻抗的实部和虚部,并采用Z-view软件拟合得到的阻抗谱曲线如图5所示,每个分段的特征与电池等效电路环节相对应,其中L为蓄电池内部电感,R0为阻抗谱曲线与实轴的交点,R1、C1表征阻抗谱上高频的半圆区段,R2、C2表征阻抗谱上低频半圆区段。
步骤104、将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
需要说明的是,将分段区域不同频率下的参数辨识结果,采用K-means算法将数据聚类成k个簇,采用欧氏距离计算公式找到各类别的聚类中心,得到最优参数辨识结果;并输出最优参数R0、R1、R2、C1、C2。
基于电池阻抗谱分段辨识的方法获取电池模型参数,具体流程如下:
步骤一:采用频率范围为0-1khz,步长为10hz的交流正弦波对VRLA电池进行扫频,得到电池阻抗谱曲线,在高频区间内,欧姆内阻R0为阻抗谱曲线与实轴的交点。
步骤二:在中频区段内,找到一段频率点的斜率ki<ε(ε趋于0),且ki-ki-1<ε,即为圆弧的最平稳一段,分别取附近10个不同的频率点,对电池模型参数R1、C1进行参数辨识。
步骤三:在低频区段内,找到一段频率点的斜率ki趋近于1,且ki-ki-1<ε,分别取10个不同的频率点,对电池模型参数R2、C2进行参数辨识。
步骤四:采用K-means算法将步骤三的辨识结果数据R1、C1分为两个聚类,并得到其聚类中心,同理得到R2、C2的聚类中心。
步骤五:基于以上步骤得到的分段参数辨识结果,输出电池模型参数。
以下为本申请实施例提供的一种铅酸蓄电池参数辨识方法的实验与仿真分析说明:
本申请实施例搭建了VRLA电池充放电实验平台。为获取电池开路电压与容量的关系曲线(OCV-SOC),选取6次多项式函数对测试数据进行曲线拟合,OCV-SOC函数关系如下:
(28)
基于上述的电池阻抗谱分段辨识的方法获取电池模型参数结果如下:
表1 中频段内不同频率下R1、C1参数辨识结果
表2 低频区段内不同频率下R2、C2参数辨识结果
采用K-means算法将表1中的数据R1、C1分为两个聚类,以及表2中的数据R2、C2分为两个聚类,分别得到其聚类中心。
基于以上的分段参数辨识结果,输出电池模型参数,如表3所示:
表3 分段参数辨识结果
为了验证上述辨识结果的准确性,基于VRLA电池二阶电路等效模型在Matlab/Simulink环境下搭建电池参数辨识仿真模型。
将实验获得的数据导入仿真模型,得到VRLA电池R0、R1、R2、C1、C2参数辨识结果,如图6、7、8、9、10所示。由于初始值设定存在较大的误差,参数辨识曲线在初始阶段存在较大的波动,经过迭代之后最终趋于稳定。
图11为VRLA电池端电压实际值和仿真值输出电压曲线,可以看出两者曲线基本吻合,其电压误差如图12所示,两者误差在0.01V上下波动,最大误差不超过0.1V。
综上所述,本申请实施例中提供的一种铅酸蓄电池参数辨识方法,在递推最小二乘法的基础上引入了自适应遗忘因子,并且基于电池阻抗谱分段参数辨识方法,采用K-means算法找到不同区段对应电池参数最优的辨识结果,通过搭建电池参数辨识仿真模型与实验得到的参数辨识结果对比,整体误差在0.1%内,验证了该方法的准确性,有效提高了VRLA电池等效模型参数的辨识精度。
以上为本申请实施例中提供的一种铅酸蓄电池参数辨识方法,以下为本申请实施例中提供的一种铅酸蓄电池参数辨识系统。
请参阅图13,本申请实施例中提供的一种铅酸蓄电池参数辨识系统,包括:
建立单元201,用于根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对KCL和KVL方程进行拉氏变换得到传递函数,并对传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式;
计算单元202,用于对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2;
辨识单元203,用于采用基于电化学阻抗谱的分段辨识方法,对模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
聚类单元204,用于将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
本申请提供了一种铅酸蓄电池参数辨识系统,通过建立VRLA电池等效电路模型并离散化,采用斜坡函数采样;然后,提出了基于自适应遗忘因子的递推最小二乘法的蓄电池阻抗参数辨识。接着,提出了基于电池阻抗谱分段参数辨识方法,并采用K-means算法对不同频率下的辨识结果进行聚类分析,得到了最优参数辨识结果。与现有技术相比,本申请(1)减少了VRLA蓄电池等效电路模型参数的辨识时间;(2)考虑了电池的内部响应特性,提升了参数辨识精度。从而解决了现有铅酸蓄电池参数辨识技术辨识速度慢且精确度较低的问题。
进一步地,本申请实施例中还提供了一种铅酸蓄电池参数辨识设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述方法实施例所述的铅酸蓄电池参数辨识方法的步骤。
进一步地,本申请实施例中还提供了计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述方法实施例所述的铅酸蓄电池参数辨识方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种铅酸蓄电池参数辨识方法,其特征在于,包括:
根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对所述KCL和KVL方程进行拉氏变换得到传递函数,并对所述传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式;
对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于所述最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2;
采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
2.根据权利要求1所述的铅酸蓄电池参数辨识方法,其特征在于,所述对所述传递函数进行离散变换,包括:
基于部分分式法对所述传递函数进行Z变换,并采用斜坡函数进行信号采样。
3.根据权利要求1所述的铅酸蓄电池参数辨识方法,其特征在于,所述采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据,包括:
采用基于电化学阻抗谱的分段辨识方法,分别对R0、R1和C1、R2和C2三组参数进行辨识处理,辨识处理过程包括:对铅酸蓄电池进行交流扫频,得到不同频率下电池阻抗的实部和虚部,并采用Z-view软件拟合得到的阻抗谱曲线,其中,所述阻抗谱曲线的各分段的特征与电池等效电路环节相对应。
4.根据权利要求1所述的铅酸蓄电池参数辨识方法,其特征在于,所述将不同区段多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,包括:
采用K-means算法将不同区段多频率下的参数辨识结果数据聚类成k个簇,采用欧氏距离计算公式获取各类别的聚类中心,得到最优参数辨识结果。
5.一种铅酸蓄电池参数辨识系统,其特征在于,包括:
建立单元,用于根据铅酸蓄电池等效电路模型建立KCL和KVL方程,并对所述KCL和KVL方程进行拉氏变换得到传递函数,并对所述传递函数进行离散变换,得到可应用于最小二乘法的数学形式,从而转化为最小二乘法形式;
计算单元,用于对最小二乘法形式的传递函数进行推理变换,得到基于自适应遗忘因子的最小二乘法递推公式,基于所述最小二乘法递推公式,获取铅酸蓄电池的模型参数R0、R1、R2、C1、C2;
辨识单元,用于采用基于电化学阻抗谱的分段辨识方法,对所述模型电池参数进行辨识,得到不同区段下多频率下的参数辨识结果数据;
聚类单元,用于将不同区段下多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,并输出最优参数R0、R1、R2、C1、C2。
6.根据权利要求5所述的铅酸蓄电池参数辨识系统,其特征在于,所述对所述传递函数进行离散变换,包括:
基于部分分式法对所述传递函数进行Z变换,并采用斜坡函数进行信号采样。
7.根据权利要求5所述的铅酸蓄电池参数辨识系统,其特征在于,所述辨识单元,具体用于:
采用基于电化学阻抗谱的分段辨识方法,分别对R0、R1和C1、R2和C2三组参数进行辨识处理,辨识处理过程包括:对铅酸蓄电池进行交流扫频,得到不同频率下电池阻抗的实部和虚部,并采用Z-view软件拟合得到的阻抗谱曲线,其中,所述阻抗谱曲线的各分段的特征与电池等效电路环节相对应。
8.根据权利要求5所述的铅酸蓄电池参数辨识系统,其特征在于,所述将不同区段多频率下的参数辨识结果数据,采用K-means算法进行聚类分析,得到最终的辨识结果,包括:
采用K-means算法将不同区段多频率下的参数辨识结果数据聚类成k个簇,采用欧氏距离计算公式获取各类别的聚类中心,得到最优参数辨识结果。
9.一种铅酸蓄电池参数辨识设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的铅酸蓄电池参数辨识方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的铅酸蓄电池参数辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034121.1A CN117538760B (zh) | 2024-01-10 | 2024-01-10 | 一种铅酸蓄电池参数辨识方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034121.1A CN117538760B (zh) | 2024-01-10 | 2024-01-10 | 一种铅酸蓄电池参数辨识方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117538760A true CN117538760A (zh) | 2024-02-09 |
CN117538760B CN117538760B (zh) | 2024-04-23 |
Family
ID=89784680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410034121.1A Active CN117538760B (zh) | 2024-01-10 | 2024-01-10 | 一种铅酸蓄电池参数辨识方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117538760B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030041445A1 (en) * | 2001-09-03 | 2003-03-06 | Jee-Hwan Jang | Method of grouping single cells of power sources to build optimal packs using parameters obtained by analysis of impedance spectrum |
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 |
CN107402356A (zh) * | 2017-08-04 | 2017-11-28 | 南京南瑞继保电气有限公司 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
CN111812519A (zh) * | 2020-07-15 | 2020-10-23 | 南京航空航天大学 | 一种电池参数辨识方法及系统 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
US20210325467A1 (en) * | 2020-04-17 | 2021-10-21 | Wuhan University | Method and system for identifying third-order model parameters of lithium battery based on likelihood function |
CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
WO2023274194A1 (zh) * | 2021-06-28 | 2023-01-05 | 中国科学院电工研究所 | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 |
CN115902643A (zh) * | 2022-12-21 | 2023-04-04 | 广东电网有限责任公司 | 一种电池阻抗谱分数阶等效电路模型参数的分步辨识方法 |
CN116224114A (zh) * | 2023-04-04 | 2023-06-06 | 中南大学 | 一种锂电池电化学阻抗谱在线求解方法及系统 |
-
2024
- 2024-01-10 CN CN202410034121.1A patent/CN117538760B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030041445A1 (en) * | 2001-09-03 | 2003-03-06 | Jee-Hwan Jang | Method of grouping single cells of power sources to build optimal packs using parameters obtained by analysis of impedance spectrum |
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 |
CN107402356A (zh) * | 2017-08-04 | 2017-11-28 | 南京南瑞继保电气有限公司 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
US20210325467A1 (en) * | 2020-04-17 | 2021-10-21 | Wuhan University | Method and system for identifying third-order model parameters of lithium battery based on likelihood function |
CN111812519A (zh) * | 2020-07-15 | 2020-10-23 | 南京航空航天大学 | 一种电池参数辨识方法及系统 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
WO2023274194A1 (zh) * | 2021-06-28 | 2023-01-05 | 中国科学院电工研究所 | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 |
CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
CN115902643A (zh) * | 2022-12-21 | 2023-04-04 | 广东电网有限责任公司 | 一种电池阻抗谱分数阶等效电路模型参数的分步辨识方法 |
CN116224114A (zh) * | 2023-04-04 | 2023-06-06 | 中南大学 | 一种锂电池电化学阻抗谱在线求解方法及系统 |
Non-Patent Citations (2)
Title |
---|
YONGLIANG ZHENG ET AL.: "A Method to Identify Lithium Battery Parameters and Estimate SOC Based on Different Temperatures and Driving Conditions", ELECTRONICS, vol. 8, no. 12, 22 November 2019 (2019-11-22), pages 1391 * |
范兴明 等: "最小二乘法优化及其在锂离子电池参数辨识中的应用研究", 电工技术学报, 7 December 2023 (2023-12-07), pages 1 - 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117538760B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | State of health estimation of lithium-ion batteries based on the constant voltage charging curve | |
Su et al. | Fast capacity estimation for lithium-ion battery based on online identification of low-frequency electrochemical impedance spectroscopy and Gaussian process regression | |
CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
Sui et al. | Fuzzy entropy-based state of health estimation for Li-ion batteries | |
Luzi et al. | A novel neural networks ensemble approach for modeling electrochemical cells | |
CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Li et al. | Bandwidth based electrical-analogue battery modeling for battery modules | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
Zhou et al. | Research on Online Capacity Estimation of Power Battery Based on EKF‐GPR Model | |
CN117930063A (zh) | 基于电化学阻抗谱与drt预测退役电池健康状态的方法 | |
Xu et al. | Joint estimation of state of charge and state of health of lithium-ion battery based on fractional order model | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
CN117665623A (zh) | 一种储能电池健康状态评价方法、系统、装置及介质 | |
CN117538760B (zh) | 一种铅酸蓄电池参数辨识方法及相关装置 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
Densmore et al. | Modeling the condition of lithium ion batteries using the extreme learning machine | |
Jianwang et al. | Adjustable Scaling Parameters for State of Charge Estimation for Lithium‐Ion Batteries Using Iterative Multiple UKFs | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN112698213B (zh) | 分析电化学电池的电阻抗测量结果 | |
CN112906176B (zh) | 一种电池等效电路模型的健康预测方法及系统 | |
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 | |
Liu et al. | Battery degradation prediction using incremental capacity analysis based on real-world data |
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 |