CN108519557A - 一种适用于稀疏数据的动力电池参数辨识方法 - Google Patents

Abstract

本发明提供了一种适用于稀疏数据的动力电池参数辨识方法，基于集员辨识算法，在实际***噪声的统计分布特性难以确定时，不需要对***噪声的统计分布特征作假定，只需知道***噪声的界，通过传感器进行测量引入的误差，机器数的舍入误差以及建模误差都可以看做有界误差的形式。同时该算法具有识别冗余数据的能力，在电池管理***采样间隔增大时，也可保证辨识精度，因而特别适用于稀疏数据的情况，具有显著提高动力电池管理***可靠性等的诸多有益效果。

Description

一种适用于稀疏数据的动力电池参数辨识方法

技术领域

本发明涉及动力电池***领域，尤其涉及一种车载动力电池的参数辨识技术。

背景技术

动力电池作为新能源汽车中的重要组成部分，其电池剩余容量的估算以及电池老化程度的评估可通过电池管理***实现，以使电池的SOC和SOH保持在正常的工作水平内，防止由于电池的过充过放、过流对电池造成的永久损伤，从而提高电池的使用寿命，降低电动汽车的使用成本，而精确的动力电池参数辨识估计是确保内部状态准确在线预估的基础。

在线参数辨识通常能够直接利用电流、端电压等信息实时得到相应SOC下的参数值，适用于复杂多变的实车***，然而现有的基于模型的参数辨识方法稳定性较差，在复杂工况下会产生较大误差，甚至出现发散的现象，且随着车载传感器采样间隔的增大，辨识结果的精度随之降低。常用的基于遗忘因子的递推最小二乘辨识方法，其随机误差需服从零均值、零协方差的正态分布，在实际应用时显然难以得到满足。因此，本领域中尚需要一种不受限于噪声分布，并且在一定程度上能够降低所需数据量的稀疏数据的动力电池参数辨识方法。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种适用于稀疏数据的动力电池参数辨识方法，具体包括以下步骤：

步骤一、实时在线获取并存储动力电池运行过程中的电流、端电压信息；

步骤二、对所述动力电池建立状态空间模型；

步骤三、基于集员辨识算法对所述状态空间模型进行在线参数辨识和更新；

步骤四、利用由所述在线辨识所得到的前一时刻的OCV估计值与当前时刻的参数向量估计值，得到当前时刻下的OCV估计结果，同时根据OCV-SOC的对应关系插值得到OCV的变化曲线；

步骤五、比较基于所述步骤三得到的OCV在线辨识结果与基于所述步骤四通过插值得到的OCV变化曲线，对所述在线辨识结果进行验证。

进一步地，所述步骤二中对所述动力电池建立状态空间模型，具体包括：基于Thevenin等效电路模型并具有如下输入、输出关系：

其中，U_t,i分别表示端电压、电流，k表示时刻，Φ(k)表示由已知的输入量和输出量构成的观测矢量，θ(k)表示需要辨识的未知参数矢量，e(k)表示模型干扰或噪声序列，U_oc(k)表示k时刻的OCV值，a₁,a₂,a₃为待辨识参数矢量的分量。

进一步地，所述步骤三中基于集员辨识算法对所述状态空间模型进行在线参数辨识和更新，具体包括：

3.1、对所述状态空间模型中的观测矢量Φ(k)，未知参数矢量θ(k)，辨识算法中的协方差矩阵P(k)，以及***噪声的界限γ和椭球的半径矢量σ²(k)进行初始化，得到观测矢量初始值Φ(0)，未知参数矢量初始值θ(0)，协方差矩阵初始值P(0)以及椭球的半径矢量σ²(0)。通常情况下根据算法的收敛性以及电池的参数特性，可将Φ(0)，θ(0)设为0，将P(0)设为μ为一个较小的正数，一般取值为μ＝10^-4，I表示n维单位矩阵，取椭球的半径大于零，可令σ²(0)＝1，根据实际测量设备及建模误差等因素确定***噪声界限值γ。

3.2、对当前k时刻下的参数采用以下公式进行递推更新计算，其中k∈(1,2,…)：

其中，δ(k)＝y(k)-Φ(k)θ(k)，G(k)＝Φ(k)^TP(k-1)Φ(k)；

采用椭球优化准则对参数α(k),β(k)进行求解。

进一步地，上述参数α(k),β(k)值的选取关系到最终辨识结果的精确性，因此可以采取最小体积椭球准则min det(P(k))、最小迹椭球准则min tr(P(k))和最小化参数σ²(k)等优化准则来计算。

进一步地，所述步骤四中所述的利用由所述在线辨识所得到的前一时刻的OCV估计值与当前时刻的参数向量估计值，得到当前时刻下的OCV估计结果，具体包括：

根据所述未知参数矢量θ(k)＝[U_oc(k)-a₁U_oc(k-1)a₁ a₂ a₃]的在线辨识结果，通过k-1时刻的OCV估计值与所述待辨识参数矢量中的分量a₁，得到k时刻的OCV估计结果：

U_oc(k)＝θ₁(k)+a₁(k)U_oc(k-1)

其中，θ₁(k)代表所述未知参数矢量θ(k)的第一个分量。

进一步地，所述步骤四中所述的根据OCV-SOC的对应关系插值得到OCV的变化曲线，具体包括：

4.1、进行开路电压试验，分别得到不同荷电状态下的多个OCV值；

4.2、利用所述步骤一中所采集的电流i(k)，由于动力电池在温度和老化状态相对稳定的情况下，SOC与OCV存在一一对应的映射关系，因此可基于安时积分法得到相应时刻下的SOC值；

4.3、基于所述多个OCV值与所述SOC值，通过线性插值得到OCV-SOC的关系曲线。

上述基于集员辨识算法进行动力电池在线参数辨识的方法，在实际***噪声的统计分布特性难以确定时，不需要对***噪声的统计分布特征作假定，只需知道***噪声的界，通过传感器进行测量引入的误差，机器数的舍入误差以及建模误差都可以看做有界误差的形式。同时该算法具有识别冗余数据的能力，在电池管理***采样间隔增大时，也可保证辨识精度，因而特别适用于稀疏数据的情况，具有显著提高动力电池管理***可靠性等的诸多有益效果。

附图说明

图1是根据本发明所提供的方法的流程示意图

图2是Thevenin等效电路模型示意图示意图

图3是UDDS工况1秒采样间隔OCV辨识结果对比

图4是UDDS工况10秒采样间隔OCV辨识结果对比

图5是DST工况1秒采样间隔OCV辨识结果对比

图6是DST工况10秒采样间隔OCV辨识结果对比

具体实施方式

下面结合附图对本发明所提供的一种适用于稀疏数据的动力电池参数辨识方法，做出进一步详尽的阐释。

本发明所提供的一种适用于稀疏数据的动力电池参数辨识方法，如图1所示，具体包括以下步骤：

步骤一、实时在线获取并存储动力电池运行过程中的电流、端电压信息；

步骤二、对所述动力电池建立状态空间模型；

步骤三、基于集员辨识算法对所述状态空间模型进行在线参数辨识和更新；

步骤四、利用由所述在线辨识所得到的前一时刻的OCV估计值与当前时刻的参数向量估计值，得到当前时刻下的OCV估计结果，同时根据OCV-SOC的对应关系插值得到OCV的变化曲线；

步骤五、比较基于所述步骤三得到的在线辨识结果与基于所述步骤四通过插值得到的OCV变化曲线，对所述在线辨识结果进行验证。

在本申请的一个优选实施例中，选用镍钴锰三元电池NMC为研究对象，其额定容量为25Ah,充放电截止电压分别为4.2V和2.5V，额定电流为7.5A。试验工况为动态应力工况(DST)和城市道路循环工况(UDDS)。用电池测试***测量得出的端电压值作为参考值与所述算法的端电压估计值对比作为误差，来验证稀疏数据情况下算法的稳定性，通过所述OCV-SOC曲线插值得到的OCV结果作为参考值对比估计值为误差，来验证稀疏数据情况下算法的可靠性。同时，将本发明提出的算法与稀疏数据情况下基于遗忘因子的递推最小二乘辨识算法作比较，以说明所述算法在稀疏数据时的适用性与稳定性。

所述步骤二中对所述动力电池建立状态空间模型基于如图2所示的Thevenin等效电路模型。

图3和图4分别为在UDDS工况下，基于遗忘因子的递推最小二乘法与本发明提出算法在采样间隔1s和10s时的OCV辨识结果对比，图5和图6示出了DST工况下的OCV辨识结果比较，由附图可知，在采样间隔较大时，本发明提出的参数辨识方法仍然适用于稀疏数据，相比于传统的基于遗忘因子的递推最小二乘法，在动力电池低SOC阶段，OCV的辨识结果仍可以保持收敛性，稳定性强，不会出现较大的震荡尖峰。

UDDS工况下，不同采样间隔下OCV辨识结果的均方根统计特性如表1所示：

表1不同采样间隔下OCV辨识结果的均方根统计特性

由表1可见，本发明提出的用于稀疏数据的动力电池参数辨识方法，精度高，均方根估计误差可以控制在5％以内。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种适用于稀疏数据的动力电池参数辨识方法，其特征在于：具体包括以下步骤：

步骤一、实时在线获取并存储动力电池运行过程中的电流、端电压信息；

步骤二、对所述动力电池建立状态空间模型；

步骤三、基于集员辨识算法对所述状态空间模型进行在线参数辨识和更新；

步骤四、利用由所述在线辨识所得到的前一时刻的OCV估计值与当前时刻的参数向量估计值，得到当前时刻下的OCV估计结果，同时根据OCV-SOC的对应关系插值得到OCV的变化曲线；

步骤五、比较基于所述步骤三得到的OCV在线辨识结果与基于所述步骤四通过插值得到的OCV变化曲线，对所述在线辨识结果进行验证。

2.如权利要求1所述的方法，其特征在于：所述步骤二中对所述动力电池建立状态空间模型，具体包括：基于Thevenin等效电路模型并具有如下输入、输出关系：

其中，U_t,i分别表示端电压、电流，k表示时刻，Φ(k)表示由已知的输入量和输出量构成的观测矢量，θ(k)表示需要辨识的未知参数矢量，e(k)表示模型干扰或噪声序列，U_oc(k)表示k时刻的OCV值，a₁,a₂,a₃为待辨识参数矢量的分量。

3.如权利要求2所述的方法，其特征在于：所述步骤三中基于集员辨识算法对所述状态空间模型进行在线参数辨识和更新，具体包括：

3.1、对所述状态空间模型中的观测矢量Φ(k)，未知参数矢量θ(k)，辨识算法中的协方差矩阵P(k)，以及***噪声的界限γ和椭球的半径矢量σ²(k)进行初始化，得到观测矢量初始值Φ(0)，未知参数矢量初始值θ(0)，协方差矩阵初始值P(0)以及椭球的半径矢量σ²(0)。

3.2、对当前k时刻下的参数采用以下公式进行递推更新计算，其中k∈(1,2,…)：

其中，δ(k)＝y(k)-Φ(k)θ(k)，G(k)＝Φ(k)^TP(k-1)Φ(k)；

采用椭球优化准则对参数α(k),β(k)进行求解。

4.如权利要求3所述的方法，其特征在于：所述椭球优化准则采用最小体积椭球准则min det(P(k))、最小迹椭球准则min tr(P(k))和最小化参数σ²(k)等。

5.如权利要求2所述的方法，其特征在于：所述步骤四中所述的利用由所述在线辨识所得到的前一时刻的OCV估计值与当前时刻的参数向量估计值，得到当前时刻下的OCV估计结果，具体包括：

根据所述未知参数矢量θ(k)＝[U_oc(k)-a₁U_oc(k-1) a₁ a₂ a₃]的在线辨识结果，通过k-1时刻的OCV估计值与所述待辨识参数矢量中的分量a₁，得到k时刻的OCV估计结果：

U_oc(k)＝θ₁(k)+a₁(k)U_oc(k-1)

其中，θ₁(k)代表所述未知参数矢量θ(k)的第一个分量。

6.如权利要求1所述的方法，其特征在于：所述步骤四中所述的根据OCV-SOC的对应关系插值得到OCV的变化曲线，具体包括：

4.1、进行开路电压试验，分别得到不同荷电状态下的多个OCV值；

4.2、利用所述步骤一中所采集的电流i(k)，由于动力电池在温度和老化状态相对稳定的情况下，SOC与OCV存在一一对应的映射关系，因此可基于安时积分法得到相应时刻下的SOC值；

4.3、基于所述多个OCV值与所述SOC值，通过线性插值得到OCV-SOC的关系曲线。