CN110058161B - 一种锂离子电池模型参数的分布式辨识方法及装置 - Google Patents
一种锂离子电池模型参数的分布式辨识方法及装置 Download PDFInfo
- Publication number
- CN110058161B CN110058161B CN201910419717.2A CN201910419717A CN110058161B CN 110058161 B CN110058161 B CN 110058161B CN 201910419717 A CN201910419717 A CN 201910419717A CN 110058161 B CN110058161 B CN 110058161B
- Authority
- CN
- China
- Prior art keywords
- discrete
- ion battery
- identification
- lithium ion
- 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.)
- Active
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012546 transfer Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 43
- 230000010287 polarization Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000011426 transformation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000003638 chemical reducing agent Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- 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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提供了锂离子电池模型参数的分布式辨识方法及装置。锂离子电池模型参数的分布式辨识方法包括将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化;将锂离子电池***离散传递函数拆分成两个离散子模型;分别对两个离散子模型进行辨识,得到离散子模型的模型参数;判断离散子模型的待辨识参数的收敛性:若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识。
Description
技术领域
本公开属于电池模型参数辨识技术领域,尤其涉及一种锂离子电池模型参数的分布式辨识方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着环境污染的日益加剧和化石能源的逐渐枯竭,电动汽车迎来了历史性的发展机遇。动力电池作为电动汽车的主要核心部件,其性能指标直接影响电动汽车的整体性能。在众多类型的电池中,锂离子电池以其在重量比能量、体积比能量以及循环寿命等方面具有的独特优势,日益成为关注的焦点。为确保锂离子电池安全可靠运行,电池管理***(BMS)需要对电池的荷电状态(State of Charge,SOC)、健康状态(State of Health,SOH)以及功率状态(State of Power,SOP)等内部状态做出准确的估计。然而,由于这些内部状态无法通过传感器测量的方式直接得到,因此通常需要借助电池模型进行推断和预测。相比准二维模型、单粒子模型和解析模型等其他电池模型,等效电路模型因其具有计算量小、结构简单、易于实现等特点而备受关注。
在等效电路模型结构已知的情况下,模型参数的辨识精度直接影响了模型的预测准确性。传统的算法在辨识模型参数时,隐含的前提条件是被辨识***为单时间尺度***。然而,对于锂离子电池而言,其本质上是一个刚性***,内部的电化学过程呈现出不同的时间尺度,相差约一个或两个数量级。
发明人发现,当传统的方法如递推最小二乘法在应用于电池***时,会出现模型参数辨识精度低、建模效果差的问题。
发明内容
为了解决上述问题,本公开的第一个方面提供一种锂离子电池模型参数的分布式辨识方法,其可以有效提高参数的辨识精度和模型的预测性能。
为了实现上述目的,本公开采用如下技术方案:
一种锂离子电池模型参数的分布式辨识方法,包括:
将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化;
将锂离子电池***离散传递函数拆分成两个离散子模型;
分别对两个离散子模型进行辨识,得到离散子模型的模型参数;
判断离散子模型的待辨识参数的收敛性:
若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;
若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并进一步求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识,直至离散子模型的待辨识参数均收敛或满足辨识停止条件为止。
为了解决上述问题,本公开的第二个方面提供一种锂离子电池模型参数的分布式辨识装置,其可以有效提高参数的辨识精度和模型的预测性能。
为了实现上述目的,本公开采用如下技术方案:
一种锂离子电池模型参数的分布式辨识装置,包括:
传递函数离散化模块,其用于将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化;
传递函数拆分模块,其用于将锂离子电池***离散传递函数拆分成两个离散子模型;
离散子模型参数辨识模块,其用于分别对两个离散子模型进行辨识,得到离散子模型的模型参数;
辨识参数收敛性判断模块,其用于判断离散子模型的待辨识参数的收敛性:
若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;
若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并进一步求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识,直至离散子模型的待辨识参数均收敛或满足辨识停止条件为止。
为了解决上述问题,本公开的第三个方面提供一种计算机可读存储介质,其可以有效提高参数的辨识精度和模型的预测性能。
为了实现上述目的,本公开采用如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的锂离子电池模型参数的分布式辨识方法。
为了解决上述问题,本公开的第四个方面提供一种电子设备,其可以有效提高参数的辨识精度和模型的预测性能。
为了实现上述目的,本公开采用如下技术方案:
一种电子设备,包括存储器、处理器及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程序时实现上述所述的锂离子电池模型参数的分布式辨识方法。
本公开的有益效果是:
(1)参数估计精度高:
本公开将锂离子电池二阶RC模型拆分为两个子模型,然后分别进行估计,相比传统的递推最小二乘方法,能够避免被估参数之间的相互干扰,因而可以提高参数辨识的精度和模型的预测性能。
(2)有利于电动汽车整车的仿真、设计与优化:
本公开得到的准确电池模型可以用于电动汽车电机、减速器的参数匹配与优化设计中,提高整车的经济性和动力性。
(3)计算量小,执行效率高,极具实用价值:
本公开不仅辨识精度高,而且由于向量维数的降低,使得其计算量小、所需存储空间少、执行效率高,特别适合应用于车载BMS中对模型参数进行在线估计;同时可以与EKF、UKF、H∞等算法配合对电池的内部状态如SOC、SOH、SOP等进行估计。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例提供的锂离子电池模型参数的分布式辨识方法流程图。
图2是本公开实施例提供的锂离子电池二阶RC等效电路模型图。
图3是本公开实施例提供的锂离子电池模型参数的分布式辨识***结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
事实上,电池的不同时间尺度特性不仅体现在测试数据上,而且也表现在电池模型上。因此,本公开基于电池模型不同时间尺度可以分离的特性,提出一种分布式最小二乘(Decentralized Least Squares,DLS)的电池模型参数辨识方法,可以有效提高参数的辨识精度和模型的预测性能。
实施例一
图1给出本实施例的锂离子电池模型参数的分布式辨识方法流程图。
如图1所示,本实施例的锂离子电池模型参数的分布式辨识方法,包括:
步骤1:将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化。
如图2所示,锂离子电池二阶RC等效电路模型的传递函数可表示为:
其中,R0为锂离子电池欧姆内阻,R1为电化学极化电阻,R2为浓差极化电阻,τ1为电化学极化时间常数,τ2为浓差极化时间常数。
为了把***的传递函数应用于数字离散***,需要将***的传递函数从s域变换到z域。为了保证变换前后***稳定性方面的一致性,采用双线性变换的方法进行转换,可以得到其离散传递函数如式(2)所示:
其中,b1、b2、b3、b4和b5均为其离散传递函数的系数,为R0、R1、R2、τ1和τ2的函数,参数a1、a2与b1、b2之间的关系可以表示为:
a1+a2=-b1;a1*a2=-b2。
步骤2:将锂离子电池***离散传递函数拆分成两个离散子模型。
由式(2)可以看出,该***有两个极点,因此可以将其变换为两个子模型分别进行辨识。
步骤3:分别对两个离散子模型进行辨识,得到离散子模型的模型参数。
将辨识过程中预测误差平方累加和最小时的模型参数,作为模型参数的最终解。
具体地,首先令Wk=Uk-Ek,dk=Wk(1+a2z-1),可得到子模型1的表达式如下:
式中,Λk=(-dk-1,Ik,Ik-1,Ik-2)T,β=(a1,b3,b4,b5)T。
其中,Uk、Ek、Ik分别表示k时刻锂离子电池端电压、电动势和电流值的大小。
式中,Q=(Λ1,Λ2,...,ΛN)T,D=(d1,d2,...,dN)T。
式中,εk为零均值白噪声。
类似的,可求得子模型2参数向量的解为:
步骤4:判断离散子模型中待辨识参数的收敛性:
若离散子模型中待辨识参数均收敛,则跳转到步骤6;
若存在离散子模型中待辨识参数均不收敛的情况,则进入步骤5。
步骤5:判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识且进入步骤6;若不满足辨识停止条件,则返回步骤3;
在本实施例中,辨识停止条件为当前执行次数大于预设阈值(比如:2000次)。
需要说明的是,在其他实施例中,辨识停止条件也可设置为其他条件。
步骤6:求解二阶RC等效电路模型中RC参数的值。
最后,图2所示二阶RC等效电路模型中的参数可以利用如下所示的方程组进行求解。
式中,T为采样周期。
本实施例所产生的效果为:
(1)参数估计精度高:
将锂离子电池二阶RC模型拆分为两个子模型,然后分别进行估计,相比传统的递推最小二乘方法,能够避免被估参数之间的相互干扰,因而可以提高参数辨识的精度和模型的预测性能。
(2)有利于电动汽车整车的仿真、设计与优化:
本实施例得到的准确电池模型可以用于电动汽车电机、减速器的参数匹配与优化设计中,提高整车的经济性和动力性。
(3)计算量小,执行效率高,极具实用价值:
本实施例不仅辨识精度高,而且由于向量维数的降低,使得其计算量小、所需存储空间少、执行效率高,特别适合应用于车载BMS中对模型参数进行在线估计;同时可以与EKF、UKF、H∞等算法配合对电池的内部状态如SOC、SOH、SOP等进行估计。
实施例二
如图3所示,本实施例的一种锂离子电池模型参数的分布式辨识装置,包括:
(1)传递函数离散化模块,其用于将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化。
如图2所示,锂离子电池二阶RC等效电路模型的传递函数可表示为:
其中,R0为锂离子电池欧姆内阻,R1为电化学极化电阻,R2为浓差极化电阻,τ1为电化学极化时间常数,τ2为浓差极化时间常数。
为了把***的传递函数应用于数字离散***,需要将***的传递函数从s域变换到z域。为了保证变换前后***稳定性方面的一致性,采用双线性变换的方法进行转换,可以得到其离散传递函数如式(2)所示:
其中,b1、b2、b3、b4和b5均为其离散传递函数的系数,为R0、R1、R2、τ1和τ2的函数,参数a1、a2与b1、b2之间的关系可以表示为:
a1+a2=-b1;a1*a2=-b2。
(2)传递函数拆分模块,其用于将锂离子电池***离散传递函数拆分成两个离散子模型。
由式(2)可以看出,该***有两个极点,因此可以将其变换为两个子模型分别进行辨识。
(3)离散子模型参数辨识模块,其用于分别对两个离散子模型进行辨识,得到离散子模型的模型参数。
将辨识过程中预测误差平方累加和最小时的模型参数,作为模型参数的最终解。
具体地,首先令Wk=Uk-Ek,dk=Wk(1+a2z-1),可得到子模型1的表达式如下:
式中,Λk=(-dk-1,Ik,Ik-1,Ik-2)T,β=(a1,b3,b4,b5)T。
其中,Uk、Ek、Ik分别表示k时刻锂离子电池端电压、电动势和电流值的大小。
式中,Q=(Λ1,Λ2,...,ΛN)T,D=(d1,d2,...,dN)T。
式中,εk为零均值白噪声。
类似的,可求得子模型2参数向量的解为:
(4)辨识参数收敛性判断模块,其用于判断离散子模型的辨识参数的收敛性:
若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;
若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并进一步求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识,直至离散子模型的待辨识参数均收敛或满足辨识停止条件为止。
在本实施例中,辨识停止条件为当前执行次数大于预设阈值(比如:2000次)。
需要说明的是,在其他实施例中,辨识停止条件也可设置为其他条件。
最后,图2所示二阶RC等效电路模型中的参数可以利用如下所示的方程组进行求解。
式中,T为采样周期。
本实施例所产生的效果为:
(1)参数估计精度高:
将锂离子电池二阶RC模型拆分为两个子模型,然后分别进行估计,相比传统的递推最小二乘方法,能够避免被估参数之间的相互干扰,因而可以提高参数辨识的精度和模型的预测性能。
(2)有利于电动汽车整车的仿真、设计与优化:
本实施例得到的准确电池模型可以用于电动汽车电机、减速器的参数匹配与优化设计中,提高整车的经济性和动力性。
(3)计算量小,执行效率高,极具实用价值:
本实施例不仅辨识精度高,而且由于向量维数的降低,使得其计算量小、所需存储空间少、执行效率高,特别适合应用于车载BMS中对模型参数进行在线估计;同时可以与EKF、UKF、H∞等算法配合对电池的内部状态如SOC、SOH、SOP等进行估计。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的锂离子电池模型参数的分布式辨识方法。
本实施例所产生的效果为:
(1)参数估计精度高:
将锂离子电池二阶RC模型拆分为两个子模型,然后分别进行估计,相比传统的递推最小二乘方法,能够避免被估参数之间的相互干扰,因而可以提高参数辨识的精度和模型的预测性能。
(2)有利于电动汽车整车的仿真、设计与优化:
本实施例得到的准确电池模型可以用于电动汽车电机、减速器的参数匹配与优化设计中,提高整车的经济性和动力性。
(3)计算量小,执行效率高,极具实用价值:
本实施例不仅辨识精度高,而且由于向量维数的降低,使得其计算量小、所需存储空间少、执行效率高,特别适合应用于车载BMS中对模型参数进行在线估计;同时可以与EKF、UKF、H∞等算法配合对电池的内部状态如SOC、SOH、SOP等进行估计。
实施例四
本实施例提供了一种电子设备,包括存储器、处理器及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程序时实现如图1所示的锂离子电池模型参数的分布式辨识方法。
本实施例所产生的效果为:
(1)参数估计精度高:
将锂离子电池二阶RC模型拆分为两个子模型,然后分别进行估计,相比传统的递推最小二乘方法,能够避免被估参数之间的相互干扰,因而可以提高参数辨识的精度和模型的预测性能。
(2)有利于电动汽车整车的仿真、设计与优化:
本实施例得到的准确电池模型可以用于电动汽车电机、减速器的参数匹配与优化设计中,提高整车的经济性和动力性。
(3)计算量小,执行效率高,极具实用价值:
本实施例不仅辨识精度高,而且由于向量维数的降低,使得其计算量小、所需存储空间少、执行效率高,特别适合应用于车载BMS中对模型参数进行在线估计;同时可以与EKF、UKF、H∞等算法配合对电池的内部状态如SOC、SOH、SOP等进行估计。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种锂离子电池模型参数的分布式辨识方法,其特征在于,包括:
将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化;
将锂离子电池***离散传递函数拆分成两个离散子模型;
分别对两个离散子模型进行辨识,得到离散子模型的模型参数;
判断离散子模型的待辨识参数的收敛性:
若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;
若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并进一步求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识,直至离散子模型的待辨识参数均收敛或满足辨识停止条件为止;
锂离子电池二阶RC等效电路模型的传递函数表示为:
其中,R0为锂离子电池欧姆内阻,R1为电化学极化电阻,R2为浓差极化电阻,τ1为电化学极化时间常数,τ2为浓差极化时间常数;
采用双线性变换的方法进行转换,得到其离散传递函数如式(2)所示:
其中,b1、b2、b3、b4和b5均为其离散传递函数的系数,为R0、R1、R2、τ1和τ2的函数,参数a1、a2与b1、b2之间的关系表示为:
a1+a2=-b1;a1*a2=-b2;
由式(2)看出,该***有两个极点,因此将其变换为两个子模型分别进行辨识;
具体地,首先令Wk=Uk-Ek,dk=Wk(1+a2z-1),得到子模型1的表达式如下:
式中,Λk=(-dk-1,Ik,Ik-1,Ik-2)T,β=(a1,b3,b4,b5)T;
其中,Uk、Ek、Ik分别表示k时刻锂离子电池端电压、电动势和电流值的大小;
2.如权利要求1所述的一种锂离子电池模型参数的分布式辨识方法,其特征在于,为保证变换前后***稳定性的一致性,采用双线性变换的方法离散化锂离子电池***传递函数。
3.如权利要求1所述的一种锂离子电池模型参数的分布式辨识方法,其特征在于,辨识停止条件为当前执行次数大于预设阈值。
4.如权利要求1所述的一种锂离子电池模型参数的分布式辨识方法,其特征在于,将辨识过程中预测误差平方累加和最小时的模型参数,作为模型参数的最终解。
5.一种锂离子电池模型参数的分布式辨识装置,其特征在于,包括:
传递函数离散化模块,其用于将锂离子电池二阶RC等效电路模型的连续***传递函数进行离散化;
传递函数拆分模块,其用于将锂离子电池***离散传递函数拆分成两个离散子模型;
离散子模型参数辨识模块,其用于分别对两个离散子模型进行辨识,得到离散子模型的模型参数;
辨识参数收敛性判断模块,其用于判断离散子模型的待辨识参数的收敛性:
若离散子模型的待辨识参数均收敛,则进一步求解二阶RC等效电路模型中RC参数的值;
若离散子模型中待辨识参数不满足收敛性要求,则判断是否满足辨识停止条件,若满足辨识停止条件,则停止辨识并进一步求解二阶RC等效电路模型中RC参数的值;若不满足辨识停止条件,则继续对两个离散子模型进行辨识,直至离散子模型的待辨识参数均收敛或满足辨识停止条件为止;
锂离子电池二阶RC等效电路模型的传递函数表示为:
其中,R0为锂离子电池欧姆内阻,R1为电化学极化电阻,R2为浓差极化电阻,τ1为电化学极化时间常数,τ2为浓差极化时间常数;
采用双线性变换的方法进行转换,得到其离散传递函数如式(2)所示:
其中,b1、b2、b3、b4和b5均为其离散传递函数的系数,为R0、R1、R2、τ1和τ2的函数,参数a1、a2与b1、b2之间的关系表示为:
a1+a2=-b1;a1*a2=-b2;
由式(2)看出,该***有两个极点,因此将其变换为两个子模型分别进行辨识;
具体地,首先令Wk=Uk-Ek,dk=Wk(1+a2z-1),得到子模型1的表达式如下:
式中,Λk=(-dk-1,Ik,Ik-1,Ik-2)T,β=(a1,b3,b4,b5)T;
其中,Uk、Ek、Ik分别表示k时刻锂离子电池端电压、电动势和电流值的大小;
6.如权利要求5所述的一种锂离子电池模型参数的分布式辨识装置,其特征在于,在所述传递函数离散化模块中,为保证变换前后***稳定性的一致性,采用双线性变换的方法离散化锂离子电池***传递函数。
7.如权利要求5所述的一种锂离子电池模型参数的分布式辨识装置,其特征在于,在所述辨识参数收敛性判断模块中,辨识停止条件为当前执行次数大于预设阈值。
8.如权利要求5所述的一种锂离子电池模型参数的分布式辨识装置,其特征在于,在所述离散子模型参数辨识模块中,将辨识过程中预测误差平方累加和最小时的模型参数,作为模型参数的最终解。
9.一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,该程序被处理器执行时实现如权利要求1-4中任一项所述的锂离子电池模型参数的分布式辨识方法。
10.一种电子设备,包括存储器、处理器及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程序时实现如权利要求1-4中任一项所述的锂离子电池模型参数的分布式辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419717.2A CN110058161B (zh) | 2019-05-20 | 2019-05-20 | 一种锂离子电池模型参数的分布式辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419717.2A CN110058161B (zh) | 2019-05-20 | 2019-05-20 | 一种锂离子电池模型参数的分布式辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058161A CN110058161A (zh) | 2019-07-26 |
CN110058161B true CN110058161B (zh) | 2020-09-11 |
Family
ID=67323596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419717.2A Active CN110058161B (zh) | 2019-05-20 | 2019-05-20 | 一种锂离子电池模型参数的分布式辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058161B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412471B (zh) * | 2019-08-08 | 2021-03-12 | 西南科技大学 | 一种锂离子电池组复合电化学极化模型的构建方法 |
CN110888057B (zh) * | 2019-11-27 | 2020-11-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及*** |
CN111707951B (zh) * | 2020-06-22 | 2021-04-06 | 北京理工大学 | 一种电池组一致性评估方法及*** |
CN114966408A (zh) * | 2022-04-29 | 2022-08-30 | 广东汇天航空航天科技有限公司 | 动力电池在线参数辨识方法、装置、设备及载人飞行器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
GB2532726A (en) * | 2014-11-24 | 2016-06-01 | Thunot Andre | Cell internal impedance diagnostic system |
CN106126783A (zh) * | 2016-06-16 | 2016-11-16 | 同济大学 | 一种锂离子电池变时间尺度模型参数估计方法 |
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 |
-
2019
- 2019-05-20 CN CN201910419717.2A patent/CN110058161B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
GB2532726A (en) * | 2014-11-24 | 2016-06-01 | Thunot Andre | Cell internal impedance diagnostic system |
CN106126783A (zh) * | 2016-06-16 | 2016-11-16 | 同济大学 | 一种锂离子电池变时间尺度模型参数估计方法 |
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 |
Non-Patent Citations (1)
Title |
---|
"***辨识(7):递阶辨识原理与方法";丁锋;《南京信息工程大学学报(自然科学版)》;20120430(第02期);97-124页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110058161A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058161B (zh) | 一种锂离子电池模型参数的分布式辨识方法及装置 | |
CN108805217B (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及*** | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
Hu et al. | Two time-scaled battery model identification with application to battery state estimation | |
CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及*** | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
Shrivastava et al. | Model‐based state of X estimation of lithium‐ion battery for electric vehicle applications | |
CN112230146B (zh) | 电池充电剩余时间的预测方法、***及设备 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN111426968A (zh) | 一种电动汽车动力电池sop的估算方法及*** | |
CN112881921A (zh) | 电池等效电路模型参数辨识方法、装置、设备及存储介质 | |
CN111044924B (zh) | 一种全工况电池剩余容量确定方法及*** | |
CN111624496A (zh) | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** | |
Huang et al. | State of charge estimation of li-ion batteries based on the noise-adaptive interacting multiple model | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及*** | |
CN115421050A (zh) | 一种电池健康状态的估计方法、***、设备及存储介质 | |
Xiong et al. | Lithium‐Ion Battery Parameters and State of Charge Joint Estimation Using Bias Compensation Least Squares and the Alternate Algorithm | |
CN116794518A (zh) | 一种退役锂电池的荷电状态预测方法及*** | |
Mehta et al. | Selection of three RC branches in equivalent circuit model of lithium-ion batteries for improved accuracy | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
Xia et al. | A novel prior noise correction-adaptive extended Kalman filtering method for the full parameter and state-of-energy co-estimation of the lithium-ion batteries | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
Kim et al. | A real-time condition monitoring for lithium-ion batteries using a low-price microcontroller | |
Wang et al. | Online capacity estimation of lithium-ion batteries by partial incremental capacity curve |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190726 Assignee: WINDSUN SCIENCE & TECHNOLOGY Co.,Ltd. Assignor: SHANDONG University Contract record no.: X2022980012077 Denomination of invention: A distributed identification method and device for lithium-ion battery model parameters Granted publication date: 20200911 License type: Common License Record date: 20220809 |
|
EE01 | Entry into force of recordation of patent licensing contract |