CN111400935B - 基于似然函数的锂电池三阶模型参数辨识方法及*** - Google Patents

Abstract

本发明公开了一种基于似然函数的锂电池三阶模型参数辨识方法及***，涉及一种估计锂电池在不同温度、不同SOC和充放电电流作用下电池模型参数的方法，包括以下步骤：建立锂电池三阶电池模型；采集不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I；采用似然函数构建辨识模型，将采集的数据代入辨识模型中计算出电池模型参数；将辨识后的参数代入三阶电池模型，得到电池端电压并与测得的端电压对比。本发明操作方法简单有效，可精确地估算出锂电池的内阻参数。

Description

基于似然函数的锂电池三阶模型参数辨识方法及***

技术领域

本发明属于电池性能管理领域，更具体地，涉及一种基于似然函数的锂电池三阶模型参数辨识方法及***。

背景技术

锂离子电池具有循环寿命长、高温性能好、稳定性好、价格适中等优点，成为新能源汽车动力电池的首选。当前锂离子电池的模型主要有电化学模型、等效电路模型及黑箱模型。

等效电路模型采用线性变参数建模的方法，使用电阻电容、可控电压源等理想电路元件模拟电池工作特性，具有结构简单、参数少、精度较高等优点，且原理清晰，能较准确的反应出电池的动静态性能，易于实时***实现，便于进行电池SOC估算，是目前研究和应用最多的模型。电池模型阶数越高接近实际模型的程度越高，但是模型结构就会越复杂，通过分析不同等效电路结构，可以得到三阶到五阶电池外特性误差相差不大，综合复杂度与准确性，选择三阶等效电路模型。

极大似然法是数理统计中最常用到的参数估计方法之一。最小二乘估计是从固定样本的角度来考虑估计问题的，存在因数据增多出现的数据饱和问题，而极大似然估计则是从大样本的角度来考虑估计问题的。它是一种概率论在统计学的应用：已知某个参数能使这个样本出现的概率最大，当然就不会再去选择其他小概率的样本，因此将这个参数作为估计的真实值。在大样本条件下选择最大似然函数具有很好的实用性能。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种基于似然函数的锂电池三阶模型参数辨识方法及***，通过采集不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I数据，并基于该数据应用最大似然法建立辨识模型对锂电池的相关参数进行辨识。

为实现上述目的，按照本发明的一个方面，提供了一种基于似然函数的锂电池三阶模型参数辨识方法，包括：

(1)建立锂电池三阶电池模型；

(2)采集不同温度、不同SOC和充放电电流作用下的所述三阶电池模型的输出电压和电池总电流；

(3)采用似然函数构建辨识模型；

(4)将采集的所述三阶电池模型的输出和电池总电流代入所述辨识模型中计算出所述三阶电池模型的参数。

优选地，所述三阶电池模型包括：电池OCV，欧姆电阻R_ac，电荷转移电阻R_ct，电荷转移电容C_ct，第一扩散电阻R_wb1，第一扩散电容C_wb1，第二扩散电阻R_wb2，第二扩散电容C_wb2；

其中，所述电池OCV的第一端与所述欧姆电阻R_ac的第一端连接，所述欧姆电阻R_ac的第二端与所述电荷转移电阻R_ct的第一端及所述电荷转移电容C_ct的第一端连接，所述电荷转移电阻R_ct的第二端及所述电荷转移电容C_ct的第二端连接后，与所述第一扩散电阻R_wb1的第一端及所述第一扩散电容C_wb1的第一端连接，所述第一扩散电阻R_wb1的第二端及所述第一扩散电容C_wb1的第二端连接后，与所述第二扩散电阻R_wb2的第一端及所述第二扩散电容C_wb2的第一端连接，所述第二扩散电阻R_wb2的第二端与所述第二扩散电容C_wb2的第二端连接后，与所述电池OCV的第二端连接。

优选地，步骤(1)包括：

所述三阶电池模型的离散化后的电池状态方程为：

其中，T为采样间隔，k为采样时刻，I表示电池总电流，U_ct表示R_ctC_ct网络的电压，τ_ct表示R_ctC_ct网络的时间常数，U_wb1表示R_wb1C_wb1网络的电压，τ_wb1表示R_wb1C_wb1网络的时间常数，U_wb2表示R_wb2C_wb2网络的电压，τ_wb2表示R_wb2C_wb2网络的时间常数，SOC表示电池荷电状态，C表示电池容量，且R_wb1＝3R_wb2，τ_wb1＝3τ_wb2；

所述三阶电池模型离散化后的预测电池模组端电压：

y_k+1＝U_ocv-U_ct(k)-U_wb1(k)-U_wb2(k)-R_acI(k)

其中，y_k+1表示预测的电池模组端电压，U_ocv表示电池开路电压，R_ac表示欧姆内阻。

优选地，步骤(3)包括：

(3.1)对所述电池状态方程和所述预测电池模组端电压进行Z变换后，再进行Z逆变换得到：

U_d(k+3)＝θ₁U_d(k+2)+θ₂U_d(k+1)+θ₃U_d(k)+θ₄I(k+3)+θ₅I(k+2)+θ₆I(k+1)+θ₇I(k)，U_d(k)＝(y_k-U_OCV)；

(3.2)由

得到辨识模型，y_k为预测的电池模组端电压，其中：θ＝[θ₁ θ₂θ₃ θ₄ θ₅ θ₆ θ₇]，

θ₁＝b₁+b₃+b₅，θ₂＝-(b₁b₃+b₁b₅+b₃b₅)，θ₃＝b₁b₃b₅，θ₄＝-R_ac，θ₅＝R_ac(b₁+b₃+b₅)-(b₂+b₄+b₆)，θ₆＝(b₃+b₅)b₂+(b₁+b₅)b₄+(b₁+b₃)b₆-R_ac(b₁b₃+b₁b₅+b₃b₅)，θ₇＝b₁b₃b₅R_ac-b₃b₅b₂-b₁b₄b₅-b₁b₃b₆，b₁＝exp(-T/τ_ct)，b₂＝R_ct*(1-exp(-T/τ_ct))，b₃＝exp(-T/τ_wb1)，b₄＝R_wb1*(1-exp(-T/τ_wb1))，b₅＝exp(-T/τ_wb2)。

优选地，步骤(4)包括：

(4.1)对电池模组端电压的分布函数取对数可得：

其中，n表示采集的电池模型输出电压和电池总电流的总样本数，σ表示方差，其中，y(k)为实际测得的电池模组端电压，

(4.2)设梯度算子为

将采集的所述三阶电池模型的输出电压和电池总电流代入步骤(4.1)中的公式中，并令

计算出矩阵θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]的各个元素值；

(4.3)根据所述三阶电池模型参数值与θ之间的关系倒推出所述三阶电池模型参数值大小。

按照本发明的另一方面，提供了一种基于似然函数的锂电池三阶模型参数辨识***，包括：

电池模型构建模块，用于建立锂电池三阶电池模型；

数据采集模块，用于采集不同温度、不同SOC和充放电电流作用下的所述三阶电池模型的输出电压和电池总电流；

辨识模型构建模块，用于采用似然函数构建辨识模型；

参数确定模块，用于将采集的所述三阶电池模型的输出和电池总电流代入所述辨识模型中计算出所述三阶电池模型的参数。

优选地，所述三阶电池模型包括：电池OCV，欧姆电阻R_ac，电荷转移电阻R_ct，电荷转移电容C_ct，第一扩散电阻R_wb1，第一扩散电容C_wb1，第二扩散电阻R_wb2，第二扩散电容C_wb2；

其中，所述电池OCV的第一端与所述欧姆电阻R_ac的第一端连接，所述欧姆电阻R_ac的第二端与所述电荷转移电阻R_ct的第一端及所述电荷转移电容C_ct的第一端连接，所述电荷转移电阻R_ct的第二端及所述电荷转移电容C_ct的第二端连接后，与所述第一扩散电阻R_wb1的第一端及所述第一扩散电容C_wb1的第一端连接，所述第一扩散电阻R_wb1的第二端及所述第一扩散电容C_wb1的第二端连接后，与所述第二扩散电阻R_wb2的第一端及所述第二扩散电容C_wb2的第一端连接，所述第二扩散电阻R_wb2的第二端与所述第二扩散电容C_wb2的第二端连接后，与所述电池OCV的第二端连接。

优选地，所述电池模型构建模块包括：

电池状态方程建立模块，用于建立所述三阶电池模型的离散化后的电池状态方程为：

其中，T为采样间隔，k为采样时刻，I表示电池总电流，U_ct表示R_ctC_ct网络的电压，τ_ct表示R_ctC_ct网络的时间常数，U_wb1表示R_wb1C_wb1网络的电压，τ_wb1表示R_wb1C_wb1网络的时间常数，U_wb2表示R_wb2C_wb2网络的电压，τ_wb2表示R_wb2C_wb2网络的时间常数，SOC表示电池荷电状态，C表示电池容量，且R_wb1＝3R_wb2，τ_wb1＝3τ_wb2；

电池模组端电压获取模块，用于获取所述三阶电池模型离散化后的预测电池模组端电压：

y_k+1＝U_ocv-U_ct(k)-U_wb1(k)-U_wb2(k)-R_acI(k)

其中，y_k+1表示预测的电池模组端电压，U_ocv表示电池开路电压，R_ac表示欧姆内阻。

优选地，所述辨识模型构建模块包括：

变换模块，用于对所述电池状态方程和所述预测电池模组端电压进行Z变换后，再进行Z逆变换得到：

U_d(k+3)＝θ₁U_d(k+2)+θ₂U_d(k+1)+θ₃U_d(k)+θ₄I(k+3)+θ₅I(k+2)+θ₆I(k+1)+θ₇I(k)，U_d(k)＝(y_k-U_OCV)；

辨识模型构建子模块，用于由

得到辨识模型，y_k为预测的电池模组端电压，其中：θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]，

θ₁＝b₁+b₃+b₅，θ₂＝-(b₁b₃+b₁b₅+b₃b₅)，θ₃＝b₁b₃b₅，θ₄＝-R_ac，θ₅＝R_ac(b₁+b₃+b₅)-(b₂+b₄+b₆)，θ₆＝(b₃+b₅)b₂+(b₁+b₅)b₄+(b₁+b₃)b₆-R_ac(b₁b₃+b₁b₅+b₃b₅)，θ₇＝b₁b₃b₅R_ac-b₃b₅b₂-b₁b₄b₅-b₁b₃b₆，b₁＝exp(-T/τ_ct)，b₂＝R_ct*(1-exp(-T/τ_ct))，b₃＝exp(-T/τ_wb1)，b₄＝R_wb1*(1-exp(-T/τ_wb1))，b₅＝exp(-T/τ_wb2)。

优选地，所述参数确定模块包括：

第一计算模块，用于对电池模组端电压的分布函数取对数可得：

其中，n表示采集的电池模型输出电压和电池总电流的总样本数，σ表示方差，其中，y(k)为实际测得的电池模组端电压，

第二计算模块，用于设梯度算子为

将采集的所述三阶电池模型的输出电压和电池总电流代入所述第一计算模块的公式中，并令

计算出矩阵θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]的各个元素值；

参数确定子模块，用于根据所述三阶电池模型参数值与θ之间的关系倒推出所述三阶电池模型参数值大小。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)首次提出用最大似然函数方法建立辨识模型，并将其应用于计算锂电池三阶模型参数，处理后的数据更精确，并考虑了不同温度、不同SOC和充放电电流的情况。

(2)采用最大似然函数进行模型参数辨识在70％SOC点进行混合动力汽车的loadcycle工况验证可得采用似然函数进行参数估计得到的参数值跟随实际的参数值，测量端电压的误差MAE小于0.0084V,方法更简单，可以解决最小二乘法因数据增多出现的数据饱和问题，且收敛性无偏或者渐近无偏，当样本数目增加时，收敛性质会更好。

附图说明

图1是本发明实施例提供的一种基于似然函数的锂电池三阶模型参数辨识方法的流程示意图；

图2是本发明实施例提供的一种0°时采集的实验数据，其中，(a)为充放电电流，(b)为输出端电压；

图3是本发明实施例提供的一种20A充放电电流下的参数化结果，其中，(a)为R_ac参数化结果，(b)为R_ct参数化结果，(c)为R_wb1参数化结果，(d)为C_wb1参数化结果，(e)为C_ct参数化结果；

图4是本发明实施例提供的一种不同温度下R_ac参数在不同充放电电流下的值，其中，(a)为35°时参数值，(b)为20°时参数值，(c)为0°时参数值，(d)为-20°时参数值；

图5是本发明实施例提供的一种电池模型参数化验证结果，其中，

(a)为loadcycle工况输入电流，(b)为实测电压与仿真电压对比，

(c)为放大后的某区域实测电压与仿真电压对比，(d)为仿真电压误差绝对值；

图6是本发明实施例提供的一种三阶等效电路模型；

图7是本发明实施例提供的一种***框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不必用于描述特定的顺序或先后次序。

本发明提出了一种基于似然函数的锂电池三阶模型参数辨识方法及***，可精确辨识锂电池在不同温度、不同SOC和充放电电流作用下的参数。

如图1所示是本发明实施例提供的一种基于似然函数的锂电池三阶模型参数辨识方法的流程示意图，通过建立锂电池三阶电池模型，采集不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I，然后采用似然函数构建辨识模型，将采集的数据代入辨识模型中计算出电池模型参数。包括以下步骤：

S1：建立锂电池三阶电池模型；

S2：采集不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I；

S3：采用似然函数构建辨识模型；

S4：将采集的数据代入辨识模型中计算出电池模型参数。

在本发明实施例中，步骤S1包括以下步骤：

建立如图6所示的锂电池三阶电池模型，具体如下：

该锂电池三阶电池模型包括：电池OCV，欧姆电阻R_ac，电荷转移电阻R_ct，电荷转移电容C_ct，第一扩散电阻R_wb1，第一扩散电容C_wb1，第二扩散电阻R_wb2，第二扩散电容C_wb2；

其中，电池OCV的第一端与欧姆电阻R_ac的第一端连接，欧姆电阻R_ac的第二端与电荷转移电阻R_ct的第一端及电荷转移电容C_ct的第一端连接，电荷转移电阻R_ct的第二端及电荷转移电容C_ct的第二端连接后，与第一扩散电阻R_wb1的第一端及第一扩散电容C_wb1的第一端连接，第一扩散电阻R_wb1的第二端及第一扩散电容C_wb1的第二端连接后，与第二扩散电阻R_wb2的第一端及第二扩散电容C_wb2的第一端连接，第二扩散电阻R_wb2的第二端与第二扩散电容C_wb2的第二端连接后，与电池OCV的第二端连接。

离散化后的电池状态方程：

其中，T为采样间隔，k为采样时刻，I表示电池总电流，U_ct表示R_ctC_ct网络的电压，τ_ct表示R_ctC_ct网络的时间常数，U_wb1表示R_wb1C_wb1网络的电压，τ_wb1表示R_wb1C_wb1网络的时间常数，U_wb2表示R_wb2C_wb2网络的电压，τ_wb2表示R_wb2C_wb2网络的时间常数，SOC表示电池荷电状态，C表示电池容量，且R_wb1＝3R_wb2，τ_wb1＝3τ_wb2。

离散化后的预测电池模组端电压：

y_k+1＝U_ocv-U_ct(k)-U_wb1(k)-U_wb2(k)-R_acI(k)

其中，y_k+1表示预测的电池模组端电压，U_ocv表示电池开路电压，R_ac表示欧姆内阻。

在本发明实施例中，步骤S2包括以下步骤：

采集不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I。例如，可以采集具体值为温度T＝[-20 0 20 35]、SOC＝[10％、20％、30％、40％、50％、60％、70％、80％、90％]、充放电电流I＝[-140,-40,0,20,65]A。

在本发明实施例中，步骤S3包括以下步骤：

采用似然函数构建辨识模型，具体如下：

S3.1：对步骤S1得到的电池状态方程和预测电池模组端电压进行Z变换，然后进行Z逆变换得到：

U_d(k+3)＝θ₁U_d(k+2)+θ₂U_d(k+1)+θ₃U_d(k)+θ₄I(k+3)+θ₅I(k+2)+θ₆I(k+1)+θ₇I(k)

U_d(k)＝(y_k-U_OCV)

S3.2：得到预测电池模组端电压：

其中：θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]

各参数之间对应关系如下：

θ₁＝b₁+b₃+b₅，θ₂＝-(b₁b₃+b₁b₅+b₃b₅)，θ₃＝b₁b₃b₅

θ₄＝-R_ac，θ₅＝R_ac(b₁+b₃+b₅)-(b₂+b₄+b₆)

θ₆＝(b₃+b₅)b₂+(b₁+b₅)b₄+(b₁+b₃)b₆-R_ac(b₁b₃+b₁b₅+b₃b₅)

θ₇＝b₁b₃b₅R_ac-b₃b₅b₂-b₁b₄b₅-b₁b₃b₆

b₁＝exp(-T/τ_ct)，b₂＝R_ct*(1-exp(-T/τ_ct))

b₃＝exp(-T/τ_wb1)，b₄＝R_wb1*(1-exp(-T/τ_wb1))，b₅＝exp(-T/τ_wb2)。

在本发明实施例中，步骤S4中，采集的数据为不同时刻的电池模型输出电压U_d和电池总电流I，需要计算的电池模型参数为：R_ac、R_ct、R_wb1、C_wb1、C_ct。具体计算方法如下：

S4.1：辨识模型为

其中，

U_OCV为实验获取开路电压，y_k为预测的电池模组端电压。因为量测误差呈正态分布，所以y_k分布函数满足下式：

对L(θ)取对数可得：

其中，n表示采集的电池模型输出电压U_d和电池总电流I的总样本数，σ表示方差，y(k)为实际测得的电池模组端电压。

S4.2：设梯度算子为

将采集的数据代入公式(1)，并令

计算出矩阵θ＝[θ₁ θ₂ θ₃ θ₄θ₅ θ₆ θ₇]的各个元素值；

S4.3：根据三阶电池模型参数值与θ之间的关系倒推出三阶电池模型参数值大小。

其中，似然函数是一种从大样本的角度来考虑估计问题的统计方法，设总体X为离散型随机变量，θ＝(θ₁,θ₂,···,θ_k)为多维参数向量，X₁,X₂,···X_n是来自X的样本，x₁,x₂,···,x_n是样本值，概率计算式为P{X_i＝x_i}＝p(x_i；θ₁,···,θ_k)则似然函数的公式见下式：

在已知试验结果(即是样本)的情况下，L(θ)用来估计满足这些样本分布的参数，把可能性最大的那个参数作为真实的参数估计。

如图7所示，在本发明的另一实施例中，还提供了一种基于似然函数的锂电池三阶模型参数辨识***，包括：

电池模型构建模块201，用于建立锂电池三阶电池模型；

数据采集模块202，用于采集不同温度、不同SOC和充放电电流作用下的三阶电池模型的输出和电池总电流；

辨识模型构建模块203，用于采用似然函数构建辨识模型；

参数确定模块204，用于将采集的三阶电池模型的输出和电池总电流代入辨识模型中计算出三阶电池模型的参数。

其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。

为展示本发明提出的基于似然函数的锂电池三阶模型参数辨识，在此以一个实例说明。以某公司提供的LR1865SV锂电池为实验对象，通过电池测试平台采集实验数据——电池充放电***Arbin BT2000-5V500A、高低温实验箱HL T402P，LR1865SV锂电池标称电压4.1V，标称容量7.65Ah。采集电池实验数据，温度包括-20、0、20、35这4个温度点，涵盖了电池运行遍历的温度点，SOC值为10％-90％每隔10％采集一次，对于随电流变化的参数R_ac采集-140、-40、0、20、65输入电流下的充放电电流及输出端电压。

以下结合附图和实施方法对本发明作进一步说明。

如图2所示，测量获取锂电池不同温度、不同SOC和充放电电流作用下的电池模型输出U_d和电池总电流I的方法为复合脉冲测试，其主要测试步骤为：

(1)测试前，用标准的CC-CV(恒流-恒压)充电方式将电池充满为100％，并静置大概三小时，使其趋于平衡状态；

(2)对动力电池实施恒流(一般为1/3C，在此C为电池标称容量值，1/3C也就是12A电流)放电，使其SOC向下移动至90％，静置大约1小时，然后加载复合脉冲激励序列(为自定义序列，如图2中(a)所示)，在此为1C-3C充放电电流。

(3)重复上一步，使其SOC不断移动至80％、70％，直至SOC为20％为止。

图2为0°、70％SOC时采集的部分数据。图2中(a)为充放电电流、图2中(b)为输出端电压。

将某一温度下某一SOC点采集的参数代入本发明提出的用似然函数建立的模型中进行计算，可得出在该温度下该SOC值下的电池参数值((1)R_ac(2)R_ct(3)R_wb1(4)C_wb1(5)C_ct)，计算得到所有温度下所有SOC值下的电池参数值，将其按照对应参数值画在一个图中得到图3不同温度下的参数化结果，其中，图3中(a)为R_ac参数化结果，图3中(b)为R_ct参数化结果，图3中(c)为R_wb1参数化结果，图3中(d)为C_wb1参数化结果，图3中(e)为C_ct参数化结果。同理可得图4不同温度下R_ac参数在不同充放电电流下的值，其中，图4中(a)为35°时参数值，(b)为20°时参数值，(c)为0°时参数值，(d)为-20°时参数值。

将上述模型参数值做成表格，在matlab里建立电池仿真模型，采用查表方式给电池参数赋响应值。在T＝20°室温下采用混合动力电车的一种loadcycle工况进行算法仿真与实验验证。loadcycle工况是指重度混合动力汽车的一种典型工况，类似于UDDS、NEDC等试验工况。通过试验车在多个典型城郊实际工况数据统计，提取共性工况数据，包含城市、城郊、高速、越野工况，涵盖车辆的内燃机驱动模式、整车纯电驱动模式、混合动力模式、怠速发电模式等工作模式切换，用整车仿真软件cruse模拟这种驾驶循环可得到loadcycle工况电池，电流如图5中(a)所示。在T＝20°、SOC＝70％满载的情况下，验证结果如图5所示。其中，仿真电压为loadcycle工况电流下仿真得到的电池模型输出电压，图5中(b)为实测电压与仿真电压对比。图5中(c)为放大后某区域实测电压与模型仿真输出电压对比，图5中(d)为仿真电压误差绝对值。由图5可以看出虽然工况复杂，电池处于不断充放电状态，且充放电倍率不断变化，但是电池端电压仿真值可以很好的跟随实验测量值，说明采用似然函数进行参数估计得到的参数值跟随实际的参数值。最大误差绝对值小于0.036V，平均绝对误差MAE为0.0084V，均方根误差为0.0149V，精度较高。

本发明的基于似然函数的三阶电池模型参数辨识能实现对电池模型参数的估算，操作简单有效，同时具有较高的精度。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于似然函数的锂电池三阶模型参数辨识方法，其特征在于，包括：

(1)建立锂电池三阶电池模型；

(2)采集不同温度、不同SOC和充放电电流作用下的所述三阶电池模型的输出电压和电池总电流；

(3)采用似然函数构建辨识模型；

(4)将采集的所述三阶电池模型的输出和电池总电流代入所述辨识模型中计算出所述三阶电池模型的参数；

步骤(3)包括：

(3.1)对三阶电池模型的离散化后的电池状态方程和三阶电池模型离散化后的预测电池模组端电压进行Z变换后，再进行Z逆变换得到：

U_d(k+3)＝θ₁U_d(k+2)+θ₂U_d(k+1)+θ₃U_d(k)+θ₄I(k+3)+θ₅I(k+2)+θ₆I(k+1)+θ₇I(k)，U_d(k)＝(y_k-U_OCV)，U_ocv表示电池开路电压；

(3.2)由

得到辨识模型，y_k为预测的电池模组端电压，其中：θ＝[θ₁ θ₂ θ₃θ₄ θ₅ θ₆ θ₇]，

θ₁＝b₁+b₃+b₅，θ₂＝-(b₁b₃+b₁b₅+b₃b₅)，θ₃＝b₁b₃b₅，θ₄＝-R_ac，θ₅＝R_ac(b₁+b₃+b₅)-(b₂+b₄+b₆)，θ₆＝(b₃+b₅)b₂+(b₁+b₅)b₄+(b₁+b₃)b₆-R_ac(b₁b₃+b₁b₅+b₃b₅)，θ₇＝b₁b₃b₅R_ac-b₃b₅b₂-b₁b₄b₅-b₁b₃b₆，b₁＝exp(-T/τ_ct)，b₂＝R_ct*(1-exp(-T/τ_ct))，b₃＝exp(-T/τ_wb1)，b₄＝R_wb1*(1-exp(-T/τ_wb1))，b₅＝exp(-T/τ_wb2)，T为采样间隔，k为采样时刻，I表示电池总电流，欧姆电阻R_ac，τ_ct表示R_ctC_ct网络的时间常数，电荷转移电阻R_ct，电荷转移电容C_ct，τ_wb1表示R_wb1C_wb1网络的时间常数，第一扩散电阻R_wb1，第一扩散电容C_wb1，τ_wb2表示R_wb2C_wb2网络的时间常数，第二扩散电阻R_wb2，第二扩散电容C_wb2。

2.根据权利要求1所述的方法，其特征在于，所述三阶电池模型包括：电池OCV，欧姆电阻R_ac，电荷转移电阻R_ct，电荷转移电容C_ct，第一扩散电阻R_wb1，第一扩散电容C_wb1，第二扩散电阻R_wb2，第二扩散电容C_wb2；

其中，所述电池OCV的第一端与所述欧姆电阻R_ac的第一端连接，所述欧姆电阻R_ac的第二端与所述电荷转移电阻R_ct的第一端及所述电荷转移电容C_ct的第一端连接，所述电荷转移电阻R_ct的第二端及所述电荷转移电容C_ct的第二端连接后，与所述第一扩散电阻R_wb1的第一端及所述第一扩散电容C_wb1的第一端连接，所述第一扩散电阻R_wb1的第二端及所述第一扩散电容C_wb1的第二端连接后，与所述第二扩散电阻R_wb2的第一端及所述第二扩散电容C_wb2的第一端连接，所述第二扩散电阻R_wb2的第二端与所述第二扩散电容C_wb2的第二端连接后，与所述电池OCV的第二端连接。

3.根据权利要求2所述的方法，其特征在于，步骤(1)包括：

所述三阶电池模型的离散化后的电池状态方程为：

其中，T为采样间隔，k为采样时刻，I表示电池总电流，U_ct表示R_ctC_ct网络的电压，τ_ct表示R_ctC_ct网络的时间常数，U_wb1表示R_wb1C_wb1网络的电压，τ_wb1表示R_wb1C_wb1网络的时间常数，U_wb2表示R_wb2C_wb2网络的电压，τ_wb2表示R_wb2C_wb2网络的时间常数，SOC表示电池荷电状态，C表示电池容量，且R_wb1＝3R_wb2，τ_wb1＝3τ_wb2；

所述三阶电池模型离散化后的预测电池模组端电压：

y_k+1＝U_ocv-U_ct(k)-U_wb1(k)-U_wb2(k)-R_acI(k)

其中，y_k+1表示预测的电池模组端电压，U_ocv表示电池开路电压，R_ac表示欧姆内阻。

4.根据权利要求3所述的方法，其特征在于，步骤(4)包括：

(4.1)对电池模组端电压的分布函数取对数可得：

其中，n表示采集的电池模型输出电压和电池总电流的总样本数，σ表示方差，其中，y(k)为实际测得的电池模组端电压，

(4.2)设梯度算子为

将采集的所述三阶电池模型的输出电压和电池总电流代入步骤(4.1)中的公式中，并令

计算出矩阵θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]的各个元素值；

(4.3)根据所述三阶电池模型参数值与θ之间的关系倒推出所述三阶电池模型参数值大小。

5.一种基于似然函数的锂电池三阶模型参数辨识***，其特征在于，包括：

电池模型构建模块，用于建立锂电池三阶电池模型；

数据采集模块，用于采集不同温度、不同SOC和充放电电流作用下的所述三阶电池模型的输出电压和电池总电流；

辨识模型构建模块，用于采用似然函数构建辨识模型；

参数确定模块，用于将采集的所述三阶电池模型的输出和电池总电流代入所述辨识模型中计算出所述三阶电池模型的参数；

所述辨识模型构建模块包括：

变换模块，用于对三阶电池模型的离散化后的电池状态方程和三阶电池模型离散化后的预测电池模组端电压进行Z变换后，再进行Z逆变换得到：

U_d(k+3)＝θ₁U_d(k+2)+θ₂U_d(k+1)+θ₃U_d(k)+θ₄I(k+3)+θ₅I(k+2)+θ₆I(k+1)+θ₇I(k)，U_d(k)＝(y_k-U_OCV)，U_ocv表示电池开路电压；

辨识模型构建子模块，用于由

得到辨识模型，y_k为预测的电池模组端电压，其中：θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]，

θ₁＝b₁+b₃+b₅，θ₂＝-(b₁b₃+b₁b₅+b₃b₅)，θ₃＝b₁b₃b₅，θ₄＝-R_ac，θ₅＝R_ac(b₁+b₃+b₅)-(b₂+b₄+b₆)，θ₆＝(b₃+b₅)b₂+(b₁+b₅)b₄+(b₁+b₃)b₆-R_ac(b₁b₃+b₁b₅+b₃b₅)，θ₇＝b₁b₃b₅R_ac-b₃b₅b₂-b₁b₄b₅-b₁b₃b₆，b₁＝exp(-T/τ_ct)，b₂＝R_ct*(1-exp(-T/τ_ct))，b₃＝exp(-T/τ_wb1)，b₄＝R_wb1*(1-exp(-T/τ_wb1))，b₅＝exp(-T/τ_wb2)，T为采样间隔，k为采样时刻，I表示电池总电流，欧姆电阻R_ac，τ_ct表示R_ctC_ct网络的时间常数，电荷转移电阻R_ct，电荷转移电容C_ct，τ_wb1表示R_wb1C_wb1网络的时间常数，第一扩散电阻R_wb1，第一扩散电容C_wb1，τ_wb2表示R_wb2C_wb2网络的时间常数，第二扩散电阻R_wb2，第二扩散电容C_wb2。

6.根据权利要求5所述的***，其特征在于，所述三阶电池模型包括：电池OCV，欧姆电阻R_ac，电荷转移电阻R_ct，电荷转移电容C_ct，第一扩散电阻R_wb1，第一扩散电容C_wb1，第二扩散电阻R_wb2，第二扩散电容C_wb2；

其中，所述电池OCV的第一端与所述欧姆电阻R_ac的第一端连接，所述欧姆电阻R_ac的第二端与所述电荷转移电阻R_ct的第一端及所述电荷转移电容C_ct的第一端连接，所述电荷转移电阻R_ct的第二端及所述电荷转移电容C_ct的第二端连接后，与所述第一扩散电阻R_wb1的第一端及所述第一扩散电容C_wb1的第一端连接，所述第一扩散电阻R_wb1的第二端及所述第一扩散电容C_wb1的第二端连接后，与所述第二扩散电阻R_wb2的第一端及所述第二扩散电容C_wb2的第一端连接，所述第二扩散电阻R_wb2的第二端与所述第二扩散电容C_wb2的第二端连接后，与所述电池OCV的第二端连接。

7.根据权利要求6所述的***，其特征在于，所述电池模型构建模块包括：

电池状态方程建立模块，用于建立所述三阶电池模型的离散化后的电池状态方程为：

其中，T为采样间隔，k为采样时刻，I表示电池总电流，U_ct表示R_ctC_ct网络的电压，τ_ct表示R_ctC_ct网络的时间常数，U_wb1表示R_wb1C_wb1网络的电压，τ_wb1表示R_wb1C_wb1网络的时间常数，U_wb2表示R_wb2C_wb2网络的电压，τ_wb2表示R_wb2C_wb2网络的时间常数，SOC表示电池荷电状态，C表示电池容量，且R_wb1＝3R_wb2，τ_wb1＝3τ_wb2；

电池模组端电压获取模块，用于获取所述三阶电池模型离散化后的预测电池模组端电压：

y_k+1＝U_ocv-U_ct(k)-U_wb1(k)-U_wb2(k)-R_acI(k)

其中，y_k+1表示预测的电池模组端电压，U_ocv表示电池开路电压，R_ac表示欧姆内阻。

8.根据权利要求7所述的***，其特征在于，所述参数确定模块包括：

第一计算模块，用于对电池模组端电压的分布函数取对数可得：

其中，n表示采集的电池模型输出电压和电池总电流的总样本数，σ表示方差，其中，y(k)为实际测得的电池模组端电压，

第二计算模块，用于设梯度算子为

将采集的所述三阶电池模型的输出电压和电池总电流代入所述第一计算模块的公式中，并令

计算出矩阵θ＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]的各个元素值；

参数确定子模块，用于根据所述三阶电池模型参数值与θ之间的关系倒推出所述三阶电池模型参数值大小。

Images