CN117872148A - 电池模型参数辨识方法、装置、计算机设备和存储介质 - Google Patents
电池模型参数辨识方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117872148A CN117872148A CN202311715134.7A CN202311715134A CN117872148A CN 117872148 A CN117872148 A CN 117872148A CN 202311715134 A CN202311715134 A CN 202311715134A CN 117872148 A CN117872148 A CN 117872148A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- battery model
- model parameter
- sliding window
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006978 adaptation Effects 0.000 claims abstract description 165
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 40
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 168
- 230000010287 polarization Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 239000002245 particle Substances 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100045390 Drosophila melanogaster Tao gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池模型参数辨识方法、装置、计算机设备和存储介质。所述方法包括：建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值；基于初始函数适应值和所述实时函数适应值确定目标电池模型参数。也就是说，在进行等效电路模型的电池模型参数辨识时，通过滑窗平均压缩采集的原始电流和电压，输入启发式参数辨识算法，有效的降低了电流和电压同步性对参数辨识精度的影响，提高了参数辨识的准确度以及精度。
Description
技术领域
本申请涉及电动汽车锂电池管理技术领域，特别是涉及一种电池模型参数辨识方法、装置、计算机设备和存储介质。
背景技术
自新能源汽车面世以来，因其具有污染小、噪声低、能源效率高和能源来源多元化等优点备受青睐，在市场迅速发展。锂电池作为市场上主流的电动汽车动力源，是电动汽车不可或缺的组成部分，因此，为了保证电动汽车的正常工作，监控锂电池的性能是常用手段之一。
现有技术中，对于锂电池性能的监控，不仅包括对荷电状态(State of Charge，SOC)、健康状态(State of Health，SOH)等的监控，也包括对锂电池内部参数的监控，由于SOC、SOH和内部参数等并不能直接由测量仪器测得，在电池管理系统(Battery ManagementSystem，BMS)中，通常采用等效电路模型(ECM)模拟电池动力学，即利用RC等效模型，通过实验和计算等办法对模型参数进行识别。然而，由于锂电池内部的电化学反应是一个复杂的非线性过程，温度、放电倍率等因素对锂电池性能影响很大，导致识别的模型参数与真实的性能仍存在一定差距。
因此，相关技术中亟需一种能够提高参数辨识准确度以及精度的方式。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高参数辨识准确度以及精度的电池模型参数辨识方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种电池模型参数辨识方法。所述方法包括：
建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；
基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；
基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值；
基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
可选的，在本申请的一个实施例中，所述方法还包括：
基于所述实时电流数据和实时电压数据确定实时欧姆内阻；
基于所述实时欧姆内阻和标定欧姆内阻确定欧姆极化参数。
可选的，在本申请的一个实施例中，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值包括：
获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定实时电动势；
基于所述实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压；
基于所述实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值。
可选的，在本申请的一个实施例中，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数包括：
比较所述初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数；
基于多个所述初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值；
基于所述初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将所述函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数。
可选的，在本申请的一个实施例中，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数之后包括：
基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数。
可选的，在本申请的一个实施例中，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值之前包括：
判断当前时刻能否被滑窗整除，若不能整除，则重新基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
可选的，在本申请的一个实施例中，所述方法还包括：
判断所述电池模型参数是否完成初始化，若所述电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定目标电池模型参数。
第二方面，本申请还提供了一种电池模型参数辨识装置。所述装置包括：
数据采集模块，用于建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；
数据处理模块，用于基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；
函数适应值确定模块，用于基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值，其中，所述初始电池模型参数由电池模型参数初始化得到；
电池模型参数确认模块，用于基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述各个实施例所述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例所述方法的步骤。
上述电池模型参数辨识方法、装置、计算机设备和存储介质，首先，建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；之后，基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；之后，基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值；最后，基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。也就是说，在进行等效电路模型的电池模型参数辨识时，通过滑窗平均压缩采集的原始电流和电压，输入启发式参数辨识算法，有效的降低了电流和电压同步性对参数辨识精度的影响，提高了参数辨识的准确度以及精度。
附图说明
图1为一个实施例中电池模型参数辨识方法的应用环境图；
图2为一个实施例中电池模型参数辨识方法的流程示意图；
图3为一个实施例中等效电路模型的示意图；
图4为一个实施例中欧姆极化参数确定方法的流程示意图；
图5为一个实施例中电池模型参数辨识方法具体实施步骤的流程示意图；
图6为一个实施例中电池模型参数辨识装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的电池模型参数辨识方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电池模型参数辨识方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S201：建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
本申请实施例中，首先，建立锂电池等效电路模型，等效电路模型(EquivalentCircuit Model，ECM)是用电路中的电器元件，如电阻、电容、电压源、电流源等构建电路来模拟电池的电性能。可选的，如图3所示，建立二阶等效电路模型ECM，当模型上电时，实时采集其上电数据，包括实时电流数据和实时电压数据。
S203：基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压。
本申请实施例中，基于锂电池等效电路模型采集实时电流数据和实时电压数据之后，计算滑窗平均电流和滑窗平均电压，具体应用中，实时电流数据和实时电压数据采集周期为100ms，滑窗的窗口长度优选取10，则分别取10个实时电流数据和10个实时电压数据计算平均值，得到滑窗平均电流I_MovAvg和滑窗平均电压U_MovAvg。
S205：基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值。
本申请实施例中，采用粒子群优化算法(Particle Swarm Optimization，PSO)确定目标电池模型参数，具体的，如图3所示，每个粒子对应一个电池模型参数R1、C1、R2、C2，可选的，优选10个粒子，即取i＝[1，10]，即在每个时刻有10个电池模型参数的估计值，需要说明的是，i的取值为一经验值，当粒子越多时，越快找到最优位置即目标电池模型参数，但同时需要更多的计算资源。在锂电池等效电路模型建立好之后，首次上电，会对电池模型参数初始化得到初始电池模型参数，即对粒子i的位置和速度进行初始化，具体的，如下述公式所示：
Pi，0＝lb+[ub-lb]*u0，Vi，0＝lb+[ub-lb]*v0；
其中，Pi，0表示粒子i初始位置，Vi，0表示粒子i初始速度，ub表示位置上限值，lb表示位置下限值；u0和v0表示[0，1]服从正态分布的随机数。之后，在当前采样时刻，基于初始电池模型参数和滑窗平均电流、滑窗平均电压评估当前时刻电池模型参数的实时函数适应值。具体的，将当前时刻计算得到的滑窗平均电流和滑窗平均电压作为输入，结合初始电池模型参数，即结合初始粒子i的位置和速度，计算当前时刻每个粒子的函数适应值。
S207：基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
本申请实施例中，初始函数适应值是根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到，即上一时刻粒子i的函数适应值根据上一时刻粒子i的位置和速度、上一时刻滑窗平均电流和上一时刻滑窗平均电压评估得到。在评估得到当前时刻的所有电池模型参数估计值对应的实时函数适应值之后，基于初始函数适应值和实时函数适应值确定目标电池模型参数，具体的，通过比较上一时刻粒子i的函数适应值和当前时刻粒子i的函数适应值，更新粒子i的函数适应值，选择更合适的函数适应值。同时，比较当前时刻所有粒子的函数适应值，找到当前时刻群体最优位置即最优电池模型参数，将其函数适应值与上一时刻的群体最优位置即最优的电池模型参数对应的函数适应值作比较，将较小者对应的最优电池模型参数作为目标电池模型参数。
上述电池模型参数辨识方法中，首先，建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；之后，基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；之后，基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值；最后，基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。也就是说，在进行等效电路模型的电池模型参数辨识时，通过滑窗平均压缩采集的原始电流和电压，输入启发式参数辨识算法，有效的降低了电流和电压同步性对参数辨识精度的影响，提高了参数辨识的准确度以及精度。
在本申请的一个实施例中，所述方法还包括：
S301：基于所述实时电流数据和实时电压数据确定实时欧姆内阻。
S303：基于所述实时欧姆内阻和标定欧姆内阻确定欧姆极化参数。
在本申请的一个实施例中，在基于锂电池等效电路模型采集实时电流数据和实时电压数据之后，计算实时欧姆内阻R0_Calc，具体计算公式如下式所示：
R0_Calc＝(U(k)-U(k-1))/(I(k)-I(k-1))；
其中，U(k)和U(k-1)分别表示k和k-1时刻的实时电压，I(k)和I(k-1)分别表示k-1时刻的实时电流。之后，基于电池实时荷电状态SOC和电池实时温度查离线标定欧姆内阻表确定当前时刻对应的标定欧姆内阻R0_LTU，离线标定欧姆内阻表是采用混合脉冲测试法HPPC通过测试不同温度和荷电状态SOC下的内阻得到的。之后，采用卡尔曼滤波算法(Kalman Filter，KF)融合实时欧姆内阻R0_Calc和标定欧姆内阻R0_LTU，输出欧姆极化参数，即欧姆内阻R0。如图4所示，其中，实时欧姆内阻R0_Calc为量测值，标定欧姆内阻R0_LTU为观测值，系统状态方程和观测方程如下式所示：
R0_LTUk＝R0_LTUk-1+Wk-1，R0_Calck＝R0_LTUk+Vk；
其中，Wk-1是服从高斯分布的预测过程噪声，Vk是服从高斯分布的观测噪声。卡尔曼滤波算法时间更新方程如下式所示：
其中，表示k时刻的先验状态估计值，滤波融合后的欧姆内阻R0，表示k-1时刻的后验状态估计值，/>表示k时刻的先验估计协方差，Pk-1表示k-1时刻的后验估计协方差，Q表示过程激励噪声协方差。卡尔曼滤波算法状态更新方程如下式所示：
其中，表示k时刻的后验状态估计值，即滤波融合后的欧姆内阻R0；/>表示k时刻的先验状态估计值；Pk表示k时刻的后验估计协方差；/>表示k时刻的先验估计协方差；R表示过程量测噪声协方差。
本实施例中，通过基于实时电流数据和实时电压数据确定实时欧姆内阻，基于实时欧姆内阻和标定欧姆内阻确定欧姆极化参数，直接用采集的原始电流和电压辨识，同时考虑了电池荷电状态SOC和电池温度对欧姆内阻的影响，提高了欧姆极化参数辨识的准确率。
在本申请的一个实施例中，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值包括：
S401：获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定实时电动势。
S403：基于所述实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压。
S405：基于所述实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值。
在本申请的一个实施例中，首先，获取实时电池荷电状态和实时电池温度，基于实时荷电状态和实时电池温度查离线标定的SOC-EMF表得到当前k-j*T时刻的电池电动势。之后，基于实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压，取[k-N*T，k]区间内的滑窗平均电流I_MovAvg和滑窗平均电压U_MovAvg，作为输入，具体计算方式如下述公式所示：
OCVk-j*T＝EMFk-j*T-R0*I_MovAvg-u1,k-j*T-u2,k-j*T；
其中，如图3所示，OCVk-j*T表示当前k-j*T时刻基于i粒子计算出来的电池端电压，EMFk-j*T表示当前k-j*T时刻的电池电动势，R0表示欧姆极化参数即欧姆内阻，I_MovAvg表示滑窗平均电流，Tao1＝R1*C1，Tao2＝R2*C2，△t表示递推时间步长。
最后，基于实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值，具体计算方式如下述公式所示：
其中，N优选300，Fiti表示实时电池模型参数的实时函数适应值，OCVk-j*T表示当前k-j*T时刻基于i粒子计算出来的电池端电压，U_MovAvgk-j*T表示滑窗平均电压。
本实施例中，通过获取实时电池荷电状态和实时电池温度，基于实时荷电状态和实时电池温度确定实时电动势，基于实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压，基于实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值，能够准确计算实时电池模型参数的函数适应值。
在本申请的一个实施例中，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数包括：
S501：比较所述初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数。
S503：基于多个所述初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值。
S505：基于所述初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将所述函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数。
在本申请的一个实施例中，首先，比较初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数，即如果粒子i的历史函数适应值大于实时函数适应值Fiti，则将粒子i的最优位置更新为当前位置即实时电池模型参数，否则，不更新。之后，基于多个初始函数适应值确定初始函数适应值最小值，基于多个实时函数适应值确定实时函数适应值最小值，比较初始函数适应值最小值和实时函数适应值最小值，将较小的函数适应值最小值对应的实时电池模型参数确定为目标模型参数，即更新后粒子历史最优位置函数适应值的最小值，小于粒子历史最优位置的函数适应值，则将更新后的粒子历史最优位置函数适应值最小值对应的粒子作为更新后的群体全局最优位置，即输出目标粒子，对应一个最优参数R1、C1、R2、C2。
本实施例中，通过比较初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数，基于多个初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值，基于初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数，提高了电池模型参数辨识的准确性。
在本申请的一个实施例中，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数之后包括：
基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数。
在本申请的一个实施例中，在每次确定当前时刻的电池模型参数之后，都需要更新对应的粒子的速度和位置，具体的，K时刻粒子i的速度Vi，k更新公式如下式所示：
Vi,k＝a*Vi,k-T+w1*u1*(pBesti,k-T-Pi,k-T)+w2*u2*(gBestk-T-Pi，k-T)；
其中，a表示惯性系数，一般取0.5，w1、w2表示加速常数，一般取2，u1、u2表示[0，1]服从正态分布的随机数，pBesti,k-T表示i粒子k-T时刻的历史最优位置即对应的历史时刻的电池模型参数之一，Pi，k-T表示i粒子k-T时刻的位置即对应的历史时刻的所有电池模型参数，gBestk-T表示k-T时刻的全局最优位置即历史时刻的目标电池模型参数。
K时刻粒子i的位置Pi,k更新公式如下式所示：
其中，Vi,k表示K时刻粒子i的速度，ub和lb为预设阈值，ub表示位置上限值，lb表示位置下限值。
本实施例中，通过基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数，便于下一时刻的电池模型参数辨识。
在本申请的一个实施例中，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值之前包括：
判断当前时刻能否被滑窗整除，若不能整除，则重新基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
在本申请的一个实施例中，在评估实时函数适应值之前，判断当前K时刻能否被滑窗的窗口长度T整除，如果不能整除，则重新基于锂电池等效电路模型采集实时电流数据和实时电压数据，重新判断。具体应用中，例如，需要五分钟的滑窗数据辨识电池模型参数，如果电流和电压数据采集周期为100ms，不进行滑窗平均计算和时刻整除判断，则评估函数适应值需要循环3000次，但是经过处理后，以窗口长度T＝10为例，评估函数适应值需要循环的次数锐减到300次，同时需要的内存空间也缩减了10倍。
本实施例中，通过判断当前时刻能否被滑窗整除，若不能整除，则重新基于锂电池等效电路模型采集实时电流数据和实时电压数据，能够降低计算频率，减少评估函数适应值时的循环计算次数。
在本申请的一个实施例中，所述方法还包括：
判断所述电池模型参数是否完成初始化，若所述电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定目标电池模型参数。
在本申请的一个实施例中，锂电池等效电路模型建立好之后，首次上电时，电池模型参数是无效的默认值，因此，通过判断电池模型参数是否是默认值，从而判断电池模型参数是否完成初始化，如果电池模型参数未完成初始化，即电池模型参数是无效的默认值时，是无法评估函数适应值的，此时获取实时电池荷电状态和实时电池温度，基于实时荷电状态和实时电池温度查离线标定的电池模型参数表，确定当前时刻的目标电池模型参数，其中，离线标定的电池模型参数表是采用混合脉冲测试法HPPC通过测试不同温度和荷电状态SOC下的电池模型参数得到的。
本实施例中，通过判断电池模型参数是否完成初始化，若电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于实时荷电状态和实时电池温度确定目标电池模型参数，考虑到了首次上电的情况，提高了电池模型参数辨识的准确率。
下面以一个具体实施例说明本申请电池模型参数辨识方法的具体实施步骤。如图5所示，首先，S601，建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。之后，S603-S605，基于所述实时电流数据和实时电压数据确定实时欧姆内阻，基于所述实时欧姆内阻和标定欧姆内阻确定欧姆极化参数。
之后，S607，基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压。之后，S609，判断当前时刻能否被滑窗整除，若不能整除，则重新基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。之后，S611，判断所述电池模型参数是否完成初始化，若所述电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定目标电池模型参数。
之后，S613，基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值。具体的，S615-S619，获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定实时电动势；基于所述实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压；基于所述实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值。
最后，S621，基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。具体的，S623-S627，比较所述初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数；基于多个所述初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值；基于所述初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将所述函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数。S629，基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池模型参数辨识方法的电池模型参数辨识装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池模型参数辨识装置实施例中的具体限定可以参见上文中对于电池模型参数辨识方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电池模型参数辨识装置600，包括：数据采集模块601、数据处理模块603、函数适应值确定模块605和电池模型参数确认模块607，其中：
数据采集模块601，用于建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
数据处理模块603，用于基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压。
函数适应值确定模块605，用于基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值。
电池模型参数确认模块607，用于基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
所述电池模型参数辨识装置还包括欧姆极化参数确定模块，在本申请的一个实施例中，所述欧姆极化参数确定模块用于：
基于所述实时电流数据和实时电压数据确定实时欧姆内阻；
基于所述实时欧姆内阻和标定欧姆内阻确定欧姆极化参数。
在本申请的一个实施例中，所述函数适应值确定模块还用于：
获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定实时电动势；
基于所述实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压；
基于所述实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值。
在本申请的一个实施例中，所述电池模型参数确认模块还用于：
比较所述初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数；
基于多个所述初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值；
基于所述初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将所述函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数。
所述电池模型参数辨识装置还包括电池模型参数更新模块，在本申请的一个实施例中，所述电池模型参数更新模块用于：
基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数。
所述电池模型参数辨识装置还包括采样时间整除确定模块，在本申请的一个实施例中，所述采样时间整除确定模块用于：
判断当前时刻能否被滑窗整除，若不能整除，则重新基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
所述电池模型参数辨识装置还包括初始化确定模块，在本申请的一个实施例中，所述初始化确定模块用于：
判断所述电池模型参数是否完成初始化，若所述电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定目标电池模型参数。
上述电池模型参数辨识装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池模型参数辨识方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池模型参数辨识方法，其特征在于，所述方法包括：
建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；
基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；
基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值；
基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述实时电流数据和实时电压数据确定实时欧姆内阻；
基于所述实时欧姆内阻和标定欧姆内阻确定欧姆极化参数。
3.根据权利要求2所述的方法，其特征在于，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值包括：
获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定实时电动势；
基于所述实时电动势、滑窗平均电流、初始电池模型参数和欧姆极化参数确定实时电池端电压；
基于所述实时电池端电压和滑窗平均电压确定实时电池模型参数的实时函数适应值。
4.根据权利要求1所述的方法，其特征在于，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数包括：
比较所述初始函数适应值和实时函数适应值的大小，将函数适应值较小值对应的电池模型参数确定为实时电池模型参数；
基于多个所述初始函数适应值和实时函数适应值分别确定初始函数适应值最小值和实时函数适应值最小值；
基于所述初始函数适应值最小值和实时函数适应值最小值确定函数适应值最小值，将所述函数适应值最小值对应的实时电池模型参数确定为目标电池模型参数。
5.根据权利要求1所述的方法，其特征在于，所述基于初始函数适应值和所述实时函数适应值确定目标电池模型参数之后包括：
基于所述目标电池模型参数和预设阈值更新所述初始电池模型参数。
6.根据权利要求1所述的方法，其特征在于，所述基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值之前包括：
判断当前时刻能否被滑窗整除，若不能整除，则重新基于所述锂电池等效电路模型采集实时电流数据和实时电压数据。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述电池模型参数是否完成初始化，若所述电池模型参数未完成初始化，则获取实时电池荷电状态和实时电池温度，基于所述实时荷电状态和实时电池温度确定目标电池模型参数。
8.一种电池模型参数辨识装置，其特征在于，所述装置包括：
数据采集模块，用于建立锂电池等效电路模型，基于所述锂电池等效电路模型采集实时电流数据和实时电压数据；
数据处理模块，用于基于所述实时电流数据和实时电压数据确定滑窗平均电流和滑窗平均电压；
函数适应值确定模块，用于基于初始电池模型参数和所述滑窗平均电流、滑窗平均电压评估实时电池模型参数的实时函数适应值，其中，所述初始电池模型参数由电池模型参数初始化得到；
电池模型参数确认模块，用于基于初始函数适应值和所述实时函数适应值确定目标电池模型参数，其中，所述初始函数适应值根据初始电池模型参数、历史滑窗平均电流和历史滑窗平均电压评估得到。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715134.7A CN117872148A (zh) | 2023-12-13 | 2023-12-13 | 电池模型参数辨识方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715134.7A CN117872148A (zh) | 2023-12-13 | 2023-12-13 | 电池模型参数辨识方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117872148A true CN117872148A (zh) | 2024-04-12 |
Family
ID=90589235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311715134.7A Pending CN117872148A (zh) | 2023-12-13 | 2023-12-13 | 电池模型参数辨识方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117872148A (zh) |
-
2023
- 2023-12-13 CN CN202311715134.7A patent/CN117872148A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
| Lai et al. | Capacity estimation of lithium-ion cells by combining model-based and data-driven methods based on a sequential extended Kalman filter | |
| Lai et al. | Parameter sensitivity analysis and simplification of equivalent circuit model for the state of charge of lithium-ion batteries | |
| Shen et al. | Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach | |
| Remmlinger et al. | State-of-health monitoring of lithium-ion batteries in electric vehicles by on-board internal resistance estimation | |
| Lai et al. | A novel method for state of energy estimation of lithium-ion batteries using particle filter and extended Kalman filter | |
| Li et al. | A comparative study of model-based capacity estimation algorithms in dual estimation frameworks for lithium-ion batteries under an accelerated aging test | |
| CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
| Song et al. | The sequential algorithm for combined state of charge and state of health estimation of lithium-ion battery based on active current injection | |
| JP6449303B2 (ja) | 電池の充電状態を推定するための方法、装置およびシステム | |
| JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
| JP4511600B2 (ja) | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 | |
| KR20190027609A (ko) | 배터리 충전 상태 추정 장치 및 방법 | |
| JP6221884B2 (ja) | 推定プログラム、推定方法および推定装置 | |
| KR20190035441A (ko) | 배터리 노화 진단 방법 및 시스템 | |
| JP2023541417A (ja) | バッテリの充電状態を推定する方法 | |
| JP6421411B2 (ja) | 電池の充電率を推定する推定プログラム、電池の充電率を推定する推定方法、および、電池の充電率を推定する推定装置 | |
| CN108051755A (zh) | 电池内阻获取方法与装置、电池管理系统以及计算机存储可读介质 | |
| Li et al. | A novel Co-estimation framework of state-of-charge, state-of-power and capacity for lithium-ion batteries using multi-parameters fusion method | |
| JP5259190B2 (ja) | ジョイントバッテリー状態とパラメーター推定システム及び方法 | |
| CN106970328B (zh) | 一种soc估算方法及装置 | |
| CN110927582B (zh) | 一种基于多种sigma点的锂电池SOC估计方法 | |
| US20230176131A1 (en) | Method for simulation of battery pack | |
| Dahmardeh et al. | Probabilistic state-of-charge estimation of lithium-ion batteries considering cell-to-cell variability due to manufacturing tolerance | |
| CN117872148A (zh) | 电池模型参数辨识方法、装置、计算机设备和存储介质 |
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 |