CN110378571A - 一种基于多新息最小二乘算法的锂电池参数辨识方法 - Google Patents
一种基于多新息最小二乘算法的锂电池参数辨识方法 Download PDFInfo
- Publication number
- CN110378571A CN110378571A CN201910552914.1A CN201910552914A CN110378571A CN 110378571 A CN110378571 A CN 110378571A CN 201910552914 A CN201910552914 A CN 201910552914A CN 110378571 A CN110378571 A CN 110378571A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- parameter
- identification
- moment
- identified
- 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
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 182
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000010287 polarization Effects 0.000 claims description 22
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 208000035155 Mitochondrial DNA-associated Leigh syndrome Diseases 0.000 description 12
- 208000003531 maternally-inherited Leigh syndrome Diseases 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 239000005955 Ferric phosphate Substances 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- QSNQXZYQEIKDPU-UHFFFAOYSA-N [Li].[Fe] Chemical compound [Li].[Fe] QSNQXZYQEIKDPU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 229940032958 ferric phosphate Drugs 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于多新息最小二乘算法的锂电池参数辨识方法。针对在锂电池参数辨识过程中，目前参数辨识方法收敛速度和辨识精度有限，导致不能对锂电池参数进行实时快速跟踪的问题，提出一种锂电池参数辨识方法。该方法基于多新息最小二乘算法，将锂电池辨识模型中标量新息扩展为向量新息或者新息矩阵，在迭代计算过程中可以更充分地利用每一时刻的新息，提高数据利用效率，加速算法收敛，提高参数辨识精度。通过建模与仿真，验证了该方法有效提升锂电池参数辨识收敛速度和辨识精度。
Description
技术领域
本发明属于电网储能***运行、控制技术领域，尤其涉及一种基于多新息最小二乘算法的锂电池参数辨识方法。
背景技术
电池储能技术在电网发电、输电、配电、用电各个环节均有非常广阔的应用前景，尤其在可再生能源并网、电网辅助服务、分布式及微网、用户侧储能等场景，储能技术已经展现出了较高的实际应用价值。锂离子电池由于能量密度高、循环寿命长、高输出电压、低自放电率等优点，成为储能领域应用最广泛的电池种类。为了保证储能电站的安全可靠运行，电池管理***需要监测锂电池的内部状态，然而电池管理***实际可获得的仅有锂电池端口电压和电流，锂电池内部状态则需要进行估计，因而对锂电池参数辨识的快速性和精确度有较高的要求。
锂电池参数辨识算法的好坏直接决定了辨识结果的精确度和可靠性。在对锂电池储能***进行在线参数辨识时，由于在线数据获取的限制，每一时刻只有一组电压、电流数据；同时初始参数值的设定会对辨识结果有影响，当初始参数值设置不合理时，参数辨识结果精度往往较差，不能很好的对时变参数进行跟踪。目前常用的锂电池参数辨识算法中，递推最小二乘算法进行参数辨识过程中会随着数据量的增大会出现数据饱和等问题，对于时变***不能很好地对参数进行跟踪。偏差补偿最小二乘算法要求***输入具有平稳性和各态遍历性，在实际中很难满足。
发明内容
发明目的：针对以上问题，本发明提出一种基于多新息最小二乘算法的锂电池参数辨识方法，该方法将锂电池辨识模型中标量新息扩展为向量新息或者新息矩阵，在迭代计算过程中可以更充分地利用每一时刻的新息，提高数据利用效率，加速算法收敛，提高参数辨识精度。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于多新息最小二乘算法的锂电池参数辨识方法，包括以下步骤：
(1)采集一定时间内的锂电池端电压、工作电流数据，确定数据总时间断面数kmax；初始化待辨识参数θ和待辨识参数的协方差矩阵P；设k＝1，k表示当前时刻；设定参数辨识终止条件；所述参数辨识终止条件是指遍历所有时刻，即k＝kmax；所述待辨识参数θ表示如下：
θ＝[a1,a2,a3]T (1)
式中，Ts为采样时间间隔；R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容；a1,a2,a3表示待辨识参数向量的元素；
根据锂电池一阶RC等效电路模型建立锂电池电气量关系，表示如下：
式中，E(t)为锂电池电动势，i(t)为锂电池工作电流，VC(t)为锂电池的极化电容两端电压，VOC(t)为锂电池端电压，R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容；
(2)对步骤(1)中锂电池电气量关系进行拉式变换，得到锂电池***的传递函数，对传递函数进行Z变换，得到该***的差分方程，表示如下：
U(k)＝a1U(k-1)+a2I(k)+a3I(k-1) (6)
式中，U(k)、U(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池端口电压；I(k)、I(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池工作电流；
(3)根据锂电池差分方程建立锂电池参数辨识的ARX模型(Autoregressive modelwith eXogenous input)，模型表示如下：
式中，y(k)为k时刻ARX模型的输出，为k时刻信息向量，θ为待辨识参数向量；
(4)根据步骤(3)所述模型构造锂电池***标量新息，表示如下：
式中，v(k)为k时刻新息，为k-1时刻待辨识参数向量估计值；
(5)根据多新息理论，将步骤(4)所述标量新息扩展为新息向量，表示如下：
式中，V(p,k)为k时刻新息向量，p表示新息长度；
(6)根据步骤(5)所述新息向量建立锂电池***多新息最小二乘算法辨识模型：
Y(p,k)＝φT(p,k)θ(k-1)+V(p,k) (10)
Y(p,k)＝[y(k),y(k-1),...,y(y-p+1)]T (11)
式中，Y(p,k)表示辨识模型k时刻输出向量；φT(p,k)表示k时刻信息矩阵；
(7)根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，得出锂电池待辨识参数θ的辨识结果；
(8)根据步骤(7)输出的参数θ的辨识结果求得锂电池电气参数：锂电池的内阻R0、锂电池极化电阻R1、锂电池极化电容C，参数辨识结束。
进一步，步骤(7)所述根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，方法如下：
(7.1)读取k时刻锂电池端电压、工作电流数据，根据式(9)、式(11)、式(12)构造k时刻新息向量V(p,k)、辨识模型的输出向量Y(p,k)以及信息矩阵φT(p,k)；
(7.2)更新待辨识参数的增益矩阵L(k)：
L(k)＝P(k-1)φ(p,k)[Ip+φT(p,k)P(k-1)φ(p,k)]-1 (13)
式中，Ip表示p阶单位矩阵，P(k-1)为k-1时刻待辨识参数的协方差矩阵；
(7.3)更新待辨识参数θ：
(7.4)更新待辨识参数的协方差矩阵P：
P(k)＝P(k-1)-L(k)φT(p,k)P(k-1) (15)
(7.5)判断是否满足参数辨识终止条件，若满足，结束更新待辨识参数θ，输出参数θ的辨识结果；否则，k＝k+1，返回步骤(7.1)。
进一步，步骤(8)所述求得锂电池电气参数的方法如下：根据步骤(7)输出的辨识参数θ和式(1)可得a1,a2,a3的参数辨识结果；根据a1,a2,a3和式(2)-(4)求得锂电池电气参数R0、R1、C。
进一步，在进行锂电池建模过程中，确定所用锂电池的E-SOC曲线，结合锂电池电气量关系，求取锂电池状态空间方程；所述锂电池状态空间方程如下：
式中，Sk为锂电池k时刻荷电状态(SOC)，E(Sk)为锂电池E-SOC关系曲线，Q0为锂电池容量；在状态方程中，对应k时刻，输入量为电流ik，输出为锂电池端电压VOC,k，状态变量为荷电状态Sk和极化电容两端电压VC,k。
进一步，根据参数辨识模型输出的锂电池电气参数R0、R1、C以及输入电流值，结合锂电池状态空间方程，得到一阶RC等效电路模型的锂电池端电压值VOC,k；通过比较一阶RC等效电路模型的锂电池端电压值与实验测得的锂电池端电压值，评估参数辨识结果的准确性。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
本发明建立锂电池参数辨识的ARX模型，在ARX模型基础上根据每一时刻的电压、电流数据构建新息向量及信息矩阵，通过新息向量对前一时刻的参数估计结果进行修正，同时考虑噪声对参数辨识过程的影响，本发明通过提升有限数据信息的利用效率，加速参数辨识结果收敛，提升参数辨识精度，具有工程应用价值。
附图说明
图1是锂电池一阶RC等效电路模型图；
图2是本发明方法的流程图；
图3是DST动态压力测试电流波形图；
图4是DST动态压力测试电压波形图；
图5是实验所用锂电池E-SOC曲线；
图6是参数θ初值为10-5时绝对误差对比图；
图7是参数θ初值为10-3时绝对误差对比图；
图8是参数θ初值为10-1时绝对误差对比图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本实施例模型为锂电池一阶RC等效电路模型，拓扑结构如图1所示。本实施例以磷酸铁锂电池为对象展开，所选用磷酸铁锂电池额定端电压为3.5V，额定容量为20Ah。对充满电的锂电池进行循环动态压力测试(dynamic stress test，DST)直至放电截止电压2.5V停止实验，得到9702个断面时刻，实验电流波形如图3所示，实验电压波形如图4所示。通过该实验所获取的电压电流数据来验证多新息最小二乘算法(MILS)的参数辨识效果与可行性，并与递推最小二乘算法(RLS)、偏差补偿最小二乘算法(BCRLS)进行比较，验证三种算法参数辨识结果的精度以及对初值的敏感程度。按照本实施例方法进行三次锂电池参数辨识，参数θ初值分别取为10-5、10-3、10-1，协方差矩阵初始值均选为3.5倍单位矩阵。
本发明所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，包括以下步骤：
(1)采集一定时间内的锂电池端电压、工作电流数据，确定数据总时间断面数kmax；本实施例中所述实验持续9702个断面时刻，即kmax＝9702；初始化待辨识参数θ和待辨识参数的协方差矩阵P；设k＝1，k表示当前时刻；设定参数辨识终止条件；所述参数辨识终止条件是指遍历所有时刻，即k＝kmax；所述待辨识参数θ表示如下：
θ＝[a1,a2,a3]T (1)
式中，Ts为采样时间间隔；R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容；a1,a2,a3表示待辨识参数向量的元素；在本实施例中，采样时间间隔为1秒；
根据锂电池一阶RC等效电路模型建立锂电池电气量关系，表示如下：
式中，E(t)为锂电池电动势，i(t)为锂电池工作电流，VC(t)为锂电池的极化电容两端电压，VOC(t)为锂电池端电压，R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容；
(2)对步骤(1)中锂电池电气量关系进行拉式变换，得到锂电池***的传递函数，对传递函数进行Z变换，得到该***的差分方程，表示如下：
U(k)＝a1U(k-1)+a2I(k)+a3I(k-1) (6)
式中，U(k)、U(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池端口电压；I(k)、I(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池工作电流；在本实施例中，锂电池端口电压和工作电流均由实验获取，电流波形如图3所示，电压波形如图4所示；
(3)根据锂电池差分方程建立锂电池参数辨识的ARX模型(Autoregressive modelwith eXogenous input)，模型表示如下：
式中，y(k)为k时刻ARX模型的输出，为k时刻信息向量，θ为待辨识参数向量；
(4)根据步骤(3)所述模型构造锂电池***标量新息，表示如下：
式中，v(k)为k时刻新息，为k-1时刻待辨识参数向量估计值；
(5)根据多新息理论，将步骤(4)所述标量新息扩展为新息向量，表示如下：
式中，V(p,k)为k时刻新息向量，p表示新息长度；
(6)根据步骤(5)所述新息向量建立锂电池***多新息最小二乘算法辨识模型：
Y(p,k)＝φT(p,k)θ(k-1)+V(p,k) (10)
Y(p,k)＝[y(k),y(k-1),...,y(y-p+1)]T (11)
式中，Y(p,k)表示辨识模型k时刻输出向量；φT(p,k)表示k时刻信息矩阵；
(7)根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，得出锂电池待辨识参数θ的辨识结果；
(8)根据步骤(7)输出的参数θ的辨识结果求得锂电池电气参数：锂电池的内阻R0、锂电池极化电阻R1、锂电池极化电容C，参数辨识结束。
步骤(7)所述根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，方法如下：
(7.1)读取k时刻锂电池端电压、工作电流数据，根据式(9)、式(11)、式(12)构造k时刻新息向量V(p,k)、辨识模型的输出向量Y(p,k)以及信息矩阵φT(p,k)；
(7.2)更新待辨识参数的增益矩阵L(k)：
L(k)＝P(k-1)φ(p,k)[Ip+φT(p,k)P(k-1)φ(p,k)]-1 (13)
式中，Ip表示p阶单位矩阵，P(k-1)为k-1时刻待辨识参数的协方差矩阵；
(7.3)更新待辨识参数θ：
(7.4)更新待辨识参数的协方差矩阵P：
P(k)＝P(k-1)-L(k)φT(p,k)P(k-1) (15)
(7.5)判断是否满足参数辨识终止条件，本实施例中实验持续9702个断面时刻，即参数变数辨识终止条件为k＝9702；若满足，结束更新待辨识参数θ，输出参数θ的辨识结果；否则，k＝k+1，返回步骤(7.1)。
步骤(8)所述求得锂电池电气参数的方法如下：根据步骤(7)输出的辨识参数θ和式(1)可得a1,a2,a3的参数辨识结果；根据a1,a2,a3和式(2)-(4)求得锂电池电气参数R0、R1、C。
在进行锂电池建模过程中，确定所用锂电池的E-SOC曲线，结合锂电池电气量关系，求取锂电池状态空间方程；所述锂电池状态空间方程如下：
式中，Sk为锂电池k时刻荷电状态(SOC)，E(Sk)为锂电池E-SOC关系曲线，通过实验获取，Q0为锂电池容量；在状态方程中，对应k时刻，输入量为电流ik，输出为锂电池端电压VOC,k，状态变量为荷电状态Sk和极化电容两端电压VC,k。
根据参数辨识模型输出的锂电池电气参数R0、R1、C以及输入电流值，结合锂电池状态空间方程，得到一阶RC等效电路模型的锂电池端电压值VOC,k；通过比较一阶RC等效电路模型的锂电池端电压值与实验测得的锂电池端电压值，评估参数辨识结果的准确性。
本实施例所用锂电池E-SOC曲线如图5所示。由于锂电池内阻R0，极化电阻R1，极化电容C的实际值无法直接获得，因此，本实施例通过每一时刻所辨识出的参数和对应时刻的输入电流值得出对应时刻一阶RC等效电路模型的输出电压值VOC,k，通过参数模型输出电压值与实验测得值比较来评估参数辨识结果的准确性。
以参数θ初值为10-5，协方差矩阵初始值为3.5倍单位矩阵启动RLS、BCRLS和MILS三种算法进行参数辨识，图6展示了该初值条件下模型输出值与实验值的绝对误差对比图，图6(a)中选取了辨识过程中全部的数据，图6(b)为图6(a)的局部放大图。
以参数θ初值为10-3，协方差矩阵初始值为3.5倍单位矩阵启动RLS、BCRLS和MILS三种算法进行参数辨识，图7展示了该初值条件下模型输出值与实验值的绝对误差对比图，图7(a)中选取了辨识过程中全部的数据，图7(b)为图7(a)的局部放大图。
以参数θ初值为10-1，协方差矩阵初始值为3.5倍单位矩阵启动RLS、BCRLS和MILS三种算法进行参数辨识，图8展示了该初值条件下模型输出值与实验值的绝对误差对比图，图8(a)中选取了辨识过程中全部的数据，图8(b)为图8(a)的局部放大图。
为了更直接的比较所述三种算法的参数辨识精度，本实施例选取各个参数辨识实验误差数据的第1000至8000个数据点制成误差对比表格，以此对RLS算法、BCRLS算法和MILS算法进行评估。表1为DST动态压力测试误差对比表格。
表1
从图6-8可知，相同的算法启动初值下，MILS算法相对RLS算法和BCRLS算法收敛速度更快，MILS算法在500个断面时刻内即可收敛到20mV以内，RLS和BCRLS则需要更多的断面时刻数，因此，MILS算法能更准确地对时变参数进行跟踪。从表1可看出，MILS算法参数辨识精度也相对更高，验证了MILS算法的可行性。比较图6-8可知，算法启动初值对参数辨识结果有一定影响，当算法启动初值较大时，RLS算法和BCRLS算法参数辨识精度较差，而MILS算法依然表现出快速收敛性和较高精度，MILS算法受初值影响较小。
综合上述实施例结果可知，本发明的锂电池参数辨识方法能够适应锂电池非线性***的工况，参数辨识收敛速度更快，辨识精度更高。
如上，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (7)
1.一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：该方法包括以下步骤：
(1)采集一定时间内的锂电池端电压、工作电流数据，确定数据总时间断面数kmax；初始化待辨识参数θ和待辨识参数的协方差矩阵P；设k＝1，k表示当前时刻；设定参数辨识终止条件；所述参数辨识终止条件是指遍历所有时刻，即k＝kmax；根据锂电池一阶RC等效电路模型建立锂电池电气量关系；所述待辨识参数θ表示如下：
θ＝[a1,a2,a3]T (1)
式中，a1,a2,a3表示待辨识参数向量的元素；
(2)对步骤(1)中锂电池电气量关系进行拉式变换，得到锂电池***的传递函数，对传递函数进行Z变换，得到该***的差分方程，表示如下：
U(k)＝a1U(k-1)+a2I(k)+a3I(k-1) (6)
式中，U(k)、U(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池端口电压；I(k)、I(k-1)分别为经过Z变换后的k时刻和k-1时刻锂电池工作电流；
(3)根据锂电池差分方程建立锂电池参数辨识的ARX模型(Autoregressive modelwith eXogenous input)，模型表示如下：
式中，y(k)为k时刻ARX模型的输出，为k时刻信息向量，θ为待辨识参数向量；
(4)根据步骤(3)所述模型构造锂电池***标量新息，表示如下：
式中，v(k)为k时刻新息，为k-1时刻待辨识参数向量估计值；
(5)根据多新息理论，将步骤(4)所述标量新息扩展为新息向量，表示如下：
式中，V(p,k)为k时刻新息向量，p表示新息长度；
(6)根据步骤(5)所述新息向量建立锂电池***多新息最小二乘算法辨识模型：
Y(p,k)＝φT(p,k)θ(k-1)+V(p,k) (10)
Y(p,k)＝[y(k),y(k-1),...,y(y-p+1)]T (11)
式中，Y(p,k)表示辨识模型k时刻输出向量；φT(p,k)表示k时刻信息矩阵；
(7)根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，得出锂电池待辨识参数θ的辨识结果；
(8)根据步骤(7)输出的参数θ的辨识结果求得锂电池电气参数：锂电池的内阻R0、锂电池极化电阻R1、锂电池极化电容C，参数辨识结束。
2.根据权利要求1所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：步骤(7)所述根据采集到的锂电池端电压、工作电流数据，结合多新息最小二乘算法参数辨识模型对锂电池等效电路参数即待辨识参数θ进行递推辨识，直到满足参数辨识终止条件，方法如下：
(7.1)读取k时刻锂电池端电压、工作电流数据，根据式(9)、式(11)、式(12)构造k时刻新息向量V(p,k)、辨识模型的输出向量Y(p,k)以及信息矩阵φT(p,k)；
(7.2)更新待辨识参数的增益矩阵L(k)：
L(k)＝P(k-1)φ(p,k)[Ip+φT(p,k)P(k-1)φ(p,k)]-1 (13)
式中，Ip表示p阶单位矩阵，P(k-1)为k-1时刻待辨识参数的协方差矩阵；
(7.3)更新待辨识参数θ：
(7.4)更新待辨识参数的协方差矩阵P：
P(k)＝P(k-1)-L(k)φT(p,k)P(k-1) (15)
(7.5)判断是否满足参数辨识终止条件，若满足，结束更新待辨识参数θ，输出参数θ的辨识结果；否则，k＝k+1，返回步骤(7.1)。
3.根据权利要求1或2所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：所述a1,a2,a3表示如下：
式中，Ts为采样时间间隔；R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容。
4.根据权利要求1或2所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：步骤(1)所述根据锂电池一阶RC等效电路模型建立锂电池电气量关系，表示如下：
式中，E(t)为锂电池电动势，i(t)为锂电池工作电流，VC(t)为锂电池的极化电容两端电压，VOC(t)为锂电池端电压，R0为锂电池的内阻，R1为锂电池极化电阻，C为锂电池极化电容。
5.根据权利要求4所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：在进行锂电池建模过程中，确定所用锂电池的E-SOC曲线，结合锂电池电气量关系，求取锂电池状态空间方程；所述锂电池状态空间方程如下：
式中，Sk为锂电池k时刻荷电状态(SOC)，E(Sk)为锂电池E-SOC关系曲线，Q0为锂电池容量；在状态方程中，对应k时刻，输入量为电流ik，输出为锂电池端电压VOC,k，状态变量为荷电状态Sk和极化电容两端电压VC,k。
6.根据权利要求5所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：根据参数辨识模型输出的锂电池电气参数R0、R1、C以及输入电流值，结合锂电池状态空间方程，得到一阶RC等效电路模型的锂电池端电压值VOC,k；通过比较一阶RC等效电路模型的锂电池端电压值与实验测得的锂电池端电压值，评估参数辨识结果的准确性。
7.根据权利要求3所述的一种基于多新息最小二乘算法的锂电池参数辨识方法，其特征在于：步骤(8)所述求得锂电池电气参数的方法如下：根据步骤(7)输出的辨识参数θ和式(1)可得a1,a2,a3的参数辨识结果；根据a1,a2,a3和式(2)-(4)求得锂电池电气参数R0、R1、C。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910552914.1A CN110378571A (zh) | 2019-06-25 | 2019-06-25 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910552914.1A CN110378571A (zh) | 2019-06-25 | 2019-06-25 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378571A true CN110378571A (zh) | 2019-10-25 |
Family
ID=68250662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910552914.1A Pending CN110378571A (zh) | 2019-06-25 | 2019-06-25 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378571A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111308979A (zh) * | 2020-03-09 | 2020-06-19 | 常熟理工学院 | 基于多率迟延状态空间模型的辨识方法及u控制*** |
| CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
| CN113190969A (zh) * | 2021-04-07 | 2021-07-30 | 四川大学 | 一种基于信息评估机制的锂电池模型参数辨识方法 |
| CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
| CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
| CN113884909A (zh) * | 2021-09-30 | 2022-01-04 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池电路参数和漂移电流辨识方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267610A (zh) * | 2014-08-29 | 2015-01-07 | 内蒙古科技大学 | 高精度的高炉冶炼过程异常数据检测及修补方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
-
2019
- 2019-06-25 CN CN201910552914.1A patent/CN110378571A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267610A (zh) * | 2014-08-29 | 2015-01-07 | 内蒙古科技大学 | 高精度的高炉冶炼过程异常数据检测及修补方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卫志农 等: "基于多新息最小二乘算法的锂电池参数辨识", 《电力***自动化》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111308979A (zh) * | 2020-03-09 | 2020-06-19 | 常熟理工学院 | 基于多率迟延状态空间模型的辨识方法及u控制*** |
| CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN112526348B (zh) * | 2020-11-18 | 2021-11-09 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
| CN113125965B (zh) * | 2021-04-01 | 2021-11-19 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
| CN113190969A (zh) * | 2021-04-07 | 2021-07-30 | 四川大学 | 一种基于信息评估机制的锂电池模型参数辨识方法 |
| CN113190969B (zh) * | 2021-04-07 | 2022-02-11 | 四川大学 | 一种基于信息评估机制的锂电池模型参数辨识方法 |
| CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
| CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
| CN113884909A (zh) * | 2021-09-30 | 2022-01-04 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池电路参数和漂移电流辨识方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378571A (zh) | 一种基于多新息最小二乘算法的锂电池参数辨识方法 | |
| CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
| CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
| CN106383316B (zh) | 一种梯次利用锂电池性能评价方法 | |
| CN105158698B (zh) | 基于充电电压曲线的电池组健康状态在线估算方法 | |
| CN105912799B (zh) | 一种液态或半液态金属电池的建模方法 | |
| CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
| CN107785624A (zh) | 一种评估锂电池性能的方法 | |
| CN104657520B (zh) | 一种基于大容量储能锂离子电池的电池建模方法 | |
| CN101969198B (zh) | 考虑负荷静态特性的电力***状态估计方法 | |
| CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
| Susanna et al. | Comparison of simple battery model and thevenin battery model for SOC estimation based on OCV method | |
| CN101599643A (zh) | 一种基于指数型目标函数的电力***抗差状态估计方法 | |
| CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
| CN105203963A (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
| CN110289613A (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
| CN103439666A (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
| CN110348062A (zh) | 锂离子电池等效电路模型的构建方法 | |
| CN108445418A (zh) | 一种电池剩余电量估算方法及存储介质 | |
| CN112580289B (zh) | 一种混合电容器功率状态在线估计方法及*** | |
| CN107505574A (zh) | 基于极大似然带渐消因子的ukf锂电池估算方法 | |
| Yan et al. | Electric vehicle battery soc estimation based on gnl model adaptive kalman filter | |
| CN107452998A (zh) | 基于电池荷电状态的车载动力电池均衡策略 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |