CN117949829A - 一种电池模型参数辨识方法、设备、介质及产品 - Google Patents
一种电池模型参数辨识方法、设备、介质及产品 Download PDFInfo
- Publication number
- CN117949829A CN117949829A CN202410134827.5A CN202410134827A CN117949829A CN 117949829 A CN117949829 A CN 117949829A CN 202410134827 A CN202410134827 A CN 202410134827A CN 117949829 A CN117949829 A CN 117949829A
- Authority
- CN
- China
- Prior art keywords
- battery
- open
- parameter identification
- circuit voltage
- model
- 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 42
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001539473 Euphoria Species 0.000 description 1
- 206010015535 Euphoric mood Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种电池模型参数辨识方法、设备、介质及产品,涉及电动汽车动力电池领域。该方法首先建立电池等效电路模型的离散状态空间方程,进行HPPC测试,获得开路电压、负载电流以及开路电压与荷电状态关系曲线,然后根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果,最后设定所述离散状态空间方程中参数的取值范围,并将参数辨识结果作为初始值,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,获得所述电池等效电路模型的最优参数。本发明解决了电池模型参数过拟合问题,使得电池模型在HPPC、恒流充放电工况下具有较好的鲁棒性和准确性。
Description
技术领域
本发明涉及电动汽车动力电池领域,特别是涉及一种电池模型参数辨识方法、设备、介质及产品。
背景技术
电动汽车作为传统汽车的替代品,正越来越受到关注。锂离子电池由于其高能量密度、低自放电率、长循环寿命和无污染性等优点,已成为电动汽车的重要动力电池类型。考虑到电动汽车的复杂和动态特性,电池管理系统(Battery Management System,BMS)对于确保电池在安全限制范围内可靠高效地运行至关重要。在BMS的关键功能中,SOC(Stateof charge,荷电状态)是确保电池安全充放电的重要参数,但SOC无法直接使用电子传感器进行测量,必须使用间接计算方法来获取SOC。常用的方式是模型估计法,比如扩展卡尔曼滤波等。为了使BMS能够有效地管理电池,有必要建立一个准确的电池模型,同时,模型参数的准确辨识越来越被重视。
传统的电池建模方法包括:电化学模型、神经网络模型和等效电路模型,根据对精度、配置工作量、计算复杂性和实施简易性的最关键建模要求,其中应用最广泛的是等效电路模型(ECM,Equivalent Circuit Model)。锂离子电池等效电路模型的参数识别是建模的重点。目前的识别方法主要包括在线识别和离线识别。在线识别可以根据电池环境和当前状态实时修改参数。传统的在线识别方法包括递归最小二乘法,但其在一些情况下存在一个较大的参数误差的问题。离线识别可以使用大量的实验数据,识别结果具有较高的准确性和适应性。
常用的离线参数辨识方法,例如使用Matlab中的cftool工具箱拟合得到参数,但可能得到为负的参数,内阻太大等不符合物理意义的参数;同时在其他工况下,基于HPPC工况的拟合过程中参数存在多解,仅求出误差最小的解存在过拟合现象,泛化性不高。
发明内容
本发明的目的是提供一种电池模型参数辨识方法、设备、介质及产品,可解决电池模型参数过拟合问题。
为实现上述目的,本发明提供了如下方案:
一种电池模型参数辨识方法,包括:
建立电池等效电路模型的离散状态空间方程;
进行HPPC测试,获得开路电压、负载电流以及开路电压与荷电状态关系曲线;
根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果;
设定所述离散状态空间方程中参数的取值范围,并将参数辨识结果作为初始值,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,获得所述电池等效电路模型的最优参数。
可选地,建立电池等效电路模型的离散状态空间方程,具体包括:
建立电池二阶等效电路模型;
基于基尔霍夫定理,得到电池二阶等效电路模型的电压微分方程和端电压表达式为:UT=UOC-I·R0-U1-U2、和/>式中,UT表示电池端电压,Uoc表示开路电压,I表示负载电流,R0表示电池内部欧姆电阻,U1和U2分别表示电池二阶等效电路模型中两个RC网络的瞬态电压,/>和/>分别表示U1和U2的一阶导数,R1、C1分别表示电池的电化学极化电阻和电容,R2、C2分别表示电池的浓差极化电阻和电容;
根据所述电压微分方程和所述端电压表达式,确定电池二阶等效电路模型的离散状态空间方程为:
UT,k=UOC,k-U1,k-U2,k-IkR0;
式中,U1,k和U2,k分别表示电池二阶等效电路模型中两个RC网络的瞬态电压离散值,Ts表示采样时间,Ik表示负载电流离散值,UT,k表示电池端电压离散值,Uoc,k表示开路电压离散值,τ1和τ2分别表示第一时间常数和第二时间常数,τ1=R1*C1,τ2=R2*C2,下角标k表示离散时刻k。
可选地,开路电压与荷电状态关系曲线的获得方法包括:
从电池的满电状态开始,每放5%荷电状态后经过预设时间静置,采集一次开路电压;
根据荷电状态和采集的开路电压,建立开路电压与荷电状态关系曲线。
可选地,根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果,具体包括:
根据开路电压、负载电流以及开路电压与荷电状态关系曲线,将所述离散状态空间方程作为拟合的目标函数,使用Matlab中多元非线性回归函数nlinfit函数进行参数辨识,获得参数辨识结果为[R0,R1,R2,C1,C2]。
可选地,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,具体包括:
采用协方差矩阵自适应进化策略,在以脉冲点为中心的5%荷电状态变化的恒流放电片段优化所述离散状态空间方程的参数。
一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述电池模型参数辨识方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述电池模型参数辨识方法的步骤。
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电池模型参数辨识方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实施例的一种电池模型参数辨识方法、设备、介质及产品,以离散状态空间方程的参数辨识结果作为协方差矩阵自适应进化策略(CMA-ES)的初始值,迭代寻优具有物理意义的参数,解决了电池模型参数过拟合问题,使得电池模型在HPPC、恒流充放电工况下具有较好的鲁棒性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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他的附图。
图1为本发明实施例1提供的电池模型参数辨识方法流程示意图;
图2为本发明实施例1提供的2RC电路图;
图3为本发明实施例1提供的CMA-ES算法流程图;
图4为本发明实施例1提供的CMA-ES辨识参数流程图;
图5为本发明实施例1提供的HPPC电流曲线示意图;
图6为本发明实施例1提供的V_model模型电压曲线和V_experiment实验测量电压曲线示意图;
图7为本发明实施例1提供的模型电压估计误差示意图;
图8为本发明实施例1提供的恒流放电电压示意图;
图9为计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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他实施例,都属于本发明保护的范围。
现有的电池模型参数辨识方法,常常会出现过拟合,不能在非HPPC工况得到较准确的模型电压,比如使用Matlab中的cftool工具箱辨识参数,改变参数初始值和范围,得到的参数都会有差别,无法判断那一组参数更能代表电池内部实际的情况的。
本发明主要用于电池等效电路模型参数辨识,以拟合到的参数作为协方差矩阵自适应进化策略(CMA-ES)算法的初始值,迭代寻优具有物理意义的参数,以使电池模型在HPPC、恒流充放电工况下具有较好的鲁棒性和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例中的电池模型参数辨识方法,包括:
步骤1:建立电池等效电路模型的离散状态空间方程。
建立如图2所示电池二阶等效模型,为降低电池电化学极化和浓差极化反应速率不同造成的误差,该模型采用了两个RC并联网络。如图2所示,R0用来描述电池内部的欧姆电阻效应,RC回路用来描述电池的极化效应,在电池端表现为电池的回弹特性,其中,R1、C1分别表示电池的电化学极化电阻和电容;R2、C2分别表示电池的浓差极化电阻和电容;UT表示电池端电压。模型中的Uoc是一个电压源(即开路电压),它随着电池的SOC而变化,可以看作是SOC的函数;I表示负载电流。并基于基尔霍夫定理,可得到二阶RC模型的电压微分方程以及端电压表达式推导出如下公式:
UT=UOC-I·R0-U1-U2 (1)
两个RC网络的瞬态电压分别用U1和U2表示。
结合(1)(2)(3)公式,可得到电池模型的离散状态空间方程:
UT,k=UOC,k-U1,k-U2,k-IkR0 (6)
步骤2:进行HPPC测试,获得开路电压、负载电流以及开路电压与荷电状态关系曲线。
完成了电池建模后但R0、R1等参数还没有确定需要进行HPPC测试,获得开路电压Uoc、负载电流离散值Ik,同时每放5%SOC后经过长时间静置后采集开路电压,建立开路电压(OCV)与SOC的关系曲线,用于参数辨识。使用SOC=0.9这部分HPPC数据和恒流放电数据说明方法流程。HPPC电流曲线如图5所示。
步骤3:根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果。
先使用Matlab中多元非线性回归函数nlinfit函数进行参数辨识,输入HPPC数据中的电压、电流和OCV-SOC曲线(开路电压与荷电状态关系曲线),将公式(5)和公式(6)作为需要拟合的目标函数;值得一提的是,辨识参数时所用公式(6)中Uoc(开路电压OCV)是根据SOC变化而变化的,不是固定值。nlinfit函数可以得到参数辨识的结果:[0.00116,0.00113,0.00143,5692,74633.6]。将得到的参数作为CMA-ES算法中需要迭代的参数的初始值。
步骤4:设定所述离散状态空间方程中参数的取值范围,并将参数辨识结果作为初始值,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,获得所述电池等效电路模型的最优参数。
用CMA-ES在脉冲点附近一个5%SOC变化的恒流放电片段来优化nlinfit函数得到的参数,使优化后的参数能在恒流放电工况仍具有较高精度。CMA-ES算法中每个个体包含5个维度,对应二阶等效模型的5个参数[R0,R1,R2,C1,C2],将每个个体的参数代入步骤1中建立的方程(5)和方程(6),计算对应的模型电压UT,k,以模型电压和测量电压间的误差作为个体适应度函数评价个体。
CMA-ES算法流程如图3所示,CMA-ES辨识参数流程如图4所示。协方差矩阵自适应进化策略优化离散状态空间方程的参数的具体过程如下:
4.1生成个体;在每次迭代步骤t中,通过从多元正态分布中进行采样,生成新的个体xi。
其中N(O,C(t))表示均值为零、协方差矩阵为C(t)的多元正态分布,σ(t)表示第t代种群的搜索步长,m(t)表示第t代种群的均值,表示第t+1代种群的第i个个体。
同时个体需要在限定范围内,界限为:R0L<R0<R0H,R1L<R1<R1H,R2L<R2<R2H,C1L<C1<C1H,C2L<C2<C2H。L下标表示该值的下线,H下标表示该值上限。
4.2计算适应度;适应度计算公式(8)所示,计算每一个新个体的适应度,并进行适应度从小到达排序,此时适应度对应的个体也按照此顺序排序;根据适应度排序,截取前μ个个体进行参数更新,一般采取μ=[λ/2]。
4.3算法停止迭代条件:1、是否达到迭代次数;2、判断适应度是否满足小于15mV,即MAE中是否有小于15mV。
4.4参数更新
4.4.1均值向量m的更新方式为:
其中,wi是第i个最佳候选解对应的权重,xi:λ和cm是均值向量更新的学习率。
4.4.2进化路径
CMA-ES算法利用两条进化路径来累积均值向量更新的连续步骤,以进行累积步长自适应(CSA)和秩一协方差矩阵的更新。用于CSA的进化路径和用于秩一协方差矩阵更新的进化路径的更新方式如下(10)和(11):
其中,μw是所谓的有效方差选择质量,定义为cσ是累积因子,cc是累积因子,hσ通常取值为一。
4.4.3进化路径进化路径用于更新步长和协方差矩阵:
其中,dσ是步长更新的阻尼因子。协方差矩阵的更新方式为:
在本实例中使用的电池型号为:欣旺达INP05P,额定容量为5.3Ah。CMA-ES算法中初始参数取值如下:种群大小为8,迭代次数为50次。使用SOC=0.9部分HPPC数据和恒流放电数据测试。
经过CMA-ES算法迭代完成后可以得到使用参数辨识的最优解的辨识效果如图6至图8所示。图6为V_model模型电压曲线和V_experiment实验测量电压曲线示意图。图7为模型电压估计误差示意图。图8为恒流放电电压示意图。使用CMA-ES优化后的参数进行端电压模拟,HPPC数据模型端电压与实际端电压之间的MAE为0.00258V,同时恒流放电条件MAE为0.011V。
CMA-ES迭代寻优获得具有物理意义的参数,以使电池模型在HPPC和恒流放电工况下具有较好的鲁棒性和准确性。
本发明通过引进算法对锂离子电池模型进行参数辨识,CMA-ES算法的核心思想是通过自适应地更新多元高斯分布的协方差矩阵来探索搜索空间,这种参数更新方案使得CMA-ES能够在搜索过程中自动调整搜索步长和方向,从而克服了在复杂的多模态优化问题中陷入局部最优的挑战。
实施例2
一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序以实现实施例1中的电池模型参数辨识方法的步骤。
一种计算机设备,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的电池模型参数辨识方法。
需要说明的是,本发明所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)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),均为经对象授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,本发明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 AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本发明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。本发明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。
实施例3
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中的电池模型参数辨识方法的步骤。
实施例4
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实施例1中的电池模型参数辨识方法的步骤。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电池模型参数辨识方法,其特征在于,包括:
建立电池等效电路模型的离散状态空间方程;
进行HPPC测试,获得开路电压、负载电流以及开路电压与荷电状态关系曲线;
根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果;
设定所述离散状态空间方程中参数的取值范围,并将参数辨识结果作为初始值,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,获得所述电池等效电路模型的最优参数。
2.根据权利要求1所述的电池模型参数辨识方法,其特征在于,建立电池等效电路模型的离散状态空间方程,具体包括:
建立电池二阶等效电路模型;
基于基尔霍夫定理,得到电池二阶等效电路模型的电压微分方程和端电压表达式为:UT=UOC-I·R0-U1-U2、和/>式中,UT表示电池端电压,Uoc表示开路电压,I表示负载电流,R0表示电池内部欧姆电阻,U1和U2分别表示电池二阶等效电路模型中两个RC网络的瞬态电压,/>和/>分别表示U1和U2的一阶导数,R1、C1分别表示电池的电化学极化电阻和电容,R2、C2分别表示电池的浓差极化电阻和电容;
根据所述电压微分方程和所述端电压表达式,确定电池二阶等效电路模型的离散状态空间方程为:
UT,k=UOC,k-U1,k-U2,k-IkR0;
式中,U1,k和U2,k分别表示电池二阶等效电路模型中两个RC网络的瞬态电压离散值,Ts表示采样时间,Ik表示负载电流离散值,UT,k表示电池端电压离散值,Uoc,k表示开路电压离散值,τ1和τ2分别表示第一时间常数和第二时间常数,τ1=R1*C1,τ2=R2*C2,下角标k表示离散时刻k。
3.根据权利要求1所述的电池模型参数辨识方法,其特征在于,开路电压与荷电状态关系曲线的获得方法包括:
从电池的满电状态开始,每放5%荷电状态后经过预设时间静置,采集一次开路电压;
根据荷电状态和采集的开路电压,建立开路电压与荷电状态关系曲线。
4.根据权利要求2所述的电池模型参数辨识方法,其特征在于,根据开路电压、负载电流以及开路电压与荷电状态关系曲线,对所述离散状态空间方程的参数进行辨识,获得参数辨识结果,具体包括:
根据开路电压、负载电流以及开路电压与荷电状态关系曲线,将所述离散状态空间方程作为拟合的目标函数,使用Matlab中多元非线性回归函数nlinfit函数进行参数辨识,获得参数辨识结果为[R0,R1,R2,C1,C2]。
5.根据权利要求1所述的电池模型参数辨识方法,其特征在于,采用协方差矩阵自适应进化策略优化所述离散状态空间方程的参数,具体包括:
采用协方差矩阵自适应进化策略,在以脉冲点为中心的5%荷电状态变化的恒流放电片段优化所述离散状态空间方程的参数。
6.一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述电池模型参数辨识方法的步骤。
7.一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,该计算机程序被处理器执行时实现权利要求1-5中任一项所述电池模型参数辨识方法的步骤。
8.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-5中任一项所述电池模型参数辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134827.5A CN117949829A (zh) | 2024-01-30 | 2024-01-30 | 一种电池模型参数辨识方法、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134827.5A CN117949829A (zh) | 2024-01-30 | 2024-01-30 | 一种电池模型参数辨识方法、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117949829A true CN117949829A (zh) | 2024-04-30 |
Family
ID=90791876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134827.5A Pending CN117949829A (zh) | 2024-01-30 | 2024-01-30 | 一种电池模型参数辨识方法、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117949829A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581225A (zh) * | 2018-12-28 | 2019-04-05 | 深圳市超思维电子股份有限公司 | 电池在线参数辨识的能量状态估算方法及电池管理系统 |
CN110456274A (zh) * | 2019-08-29 | 2019-11-15 | 清华大学 | 电池脉冲加热温升速率估计方法 |
US20200003841A1 (en) * | 2017-09-07 | 2020-01-02 | Lg Chem, Ltd. | Apparatus and method for estimating a state of charge of a battery |
WO2020101271A1 (ko) * | 2018-11-12 | 2020-05-22 | 한국전기연구원 | 전지의 정상 및 단락 상태에 대한 온도 변화 예측 방법 |
CN116298913A (zh) * | 2023-03-14 | 2023-06-23 | 佛山科学技术学院 | 一种基于在线离线辨识结合的锂电池荷电状态估计方法 |
US20230236250A1 (en) * | 2022-01-26 | 2023-07-27 | Hyundai Motor Company | Battery voltage prediction apparatus and method |
-
2024
- 2024-01-30 CN CN202410134827.5A patent/CN117949829A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200003841A1 (en) * | 2017-09-07 | 2020-01-02 | Lg Chem, Ltd. | Apparatus and method for estimating a state of charge of a battery |
WO2020101271A1 (ko) * | 2018-11-12 | 2020-05-22 | 한국전기연구원 | 전지의 정상 및 단락 상태에 대한 온도 변화 예측 방법 |
CN109581225A (zh) * | 2018-12-28 | 2019-04-05 | 深圳市超思维电子股份有限公司 | 电池在线参数辨识的能量状态估算方法及电池管理系统 |
CN110456274A (zh) * | 2019-08-29 | 2019-11-15 | 清华大学 | 电池脉冲加热温升速率估计方法 |
US20230236250A1 (en) * | 2022-01-26 | 2023-07-27 | Hyundai Motor Company | Battery voltage prediction apparatus and method |
CN116298913A (zh) * | 2023-03-14 | 2023-06-23 | 佛山科学技术学院 | 一种基于在线离线辨识结合的锂电池荷电状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
Ouyang et al. | Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN112858929A (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN113190969B (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN111812519A (zh) | 一种电池参数辨识方法及系统 | |
CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
CN116699414A (zh) | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 | |
Wang et al. | Identification of fractional-order equivalent circuit model of lithium-ion battery for improving estimation of state of charge | |
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 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
CN112578286B (zh) | 电池soc估计方法及装置 | |
CN117949829A (zh) | 一种电池模型参数辨识方法、设备、介质及产品 | |
CN114295987B (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 | |
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 | |
Yi et al. | A hybrid method for SOC estimation of power battery | |
CN114462294A (zh) | 一种两阶段代理模型辅助参数估计方法以及系统 |
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 |