开云优惠体育网页版入口

专利名称：一种两阶段电池模型参数辨识方法

专利类型：发明专利

专利申请号：CN202311828453.9

专利申请（专利权）人：雅安市卓安新能源开云优惠体育网页版入口发展有限责任公司,西南交通大学
权利人地址：四川省雅安市雨城区育才路202号

专利发明（设计）人：胡远江,陈俊雄,雍美秀,黄德青,钟行,秦娜,李梓钰

专利摘要：本发明公开了一种两阶段电池模型参数辨识方法，包括以下步骤：S1、基于电池n阶RC等效电路模型和采样电流，得到带噪声的开路电压序列，即OCVN序列；S2、建立OCVN与真实SOC之间的映射关系；S3、采用n阶多项式将OCVN?SOC映射点进行拟合，并计算拟合误差函数；S4、得到最终的电池模型参数。本发明提出的两阶段电池模型参数辨识方法避免了对OCV?SOC曲线已知和特定工况的依赖，参数辨识难度低，不易陷入局部最优。同时本发明有助于全生命周期下的电池参数更新与健康状态估计。

主权利要求：
1.一种两阶段电池模型参数辨识方法，其特征在于，包括以下步骤：S1、基于电池n阶RC等效电路模型和采样电流，利用当前的电池模型参数结合电流序列计算出电池内阻压降序列和极化电压序列，并将电池内阻压降序列和极化电压序列从电池端电压序列中减去，得到带噪声的开路电压序列，即OCVN序列；
OCVN序列的计算公式如下：
Uocvn,s＝Uocv,s+vs＝Ut,s?U0,s?(U1,s+U2,s+…+Un,s)；
其中，Uocvn,s表示OCVN序列，Uocv,s为电池真实OCV序列，vs为噪声电压序列，Ut,s为电池端电压序列，U0,s为电池内阻压降序列，Un,s为第n个RC结构上的极化电压序列；
k时刻的电池内阻压降为R0Ik，其中R0和Ik分别为欧姆内阻和工作电流；k时刻第n个RC结构上的极化电压为 其中Rn和Cn分别为第n个RC结构的极化内阻和极化电容，△t为时间步长，Un,k?1为k?1时刻第n个RC结构上的极化电压；
S2、将S1中的OCVN序列与来自于库伦计数法的真实SOC序列相结合，建立OCVN与真实SOC之间的映射关系；
S3、采用n阶多项式将OCVN?SOC映射点进行拟合，并计算拟合误差函数；OCVN?SOC映射点拟合的方法为：将电池的真实OCV?SOC曲线的单调形态作为先验信息，基于预设的OCV?SOC曲线n阶多项式形态函数，将OCVN?SOC映射点进行拟合；
S4、基于当前的电池模型参数和拟合误差函数，采用优化算法得到最佳的电池模型参数。
2.根据权利要求1所述的一种两阶段电池模型参数辨识方法，其特征在于，所述S4的方法为：以电池模型参数为优化变量，以拟合误差函数作为目标函数，采用粒子群优化算法循环迭代，最后一个循环得到的那组参数即为最佳的电池模型参数。
3.根据权利要求2所述的一种两阶段电池模型参数辨识方法，其特征在于，采用90％?
20％中间SOC区域的电池动态工况数据实现电池模型参数辨识。 说明书 : 一种两阶段电池模型参数辨识方法技术领域[0001] 本发明涉及锂离子电池模型参数辨识领域，尤其涉及一种在OCV?SOC曲线未知情况下针对电池动态放电工况的两阶段电池模型参数辨识方法。背景技术[0002] 现有的电池模型参数辨识方法众多，例如基于滤波的卡尔曼滤波器(KF)和基于优化的粒子群优化(PSO)。然而，这些方法大多都需要依赖于电池OCV?SOC曲线已知的前提进行参数辨识，并且还需要特定的工况，如混合功率脉冲特性(HPPC)测试工况，其辨识原理如图1所示。[0003] 虽然递推最小二乘法(RLS)可以不依赖于电池OCV?SOC曲线已知，但是其应用在动态工况中辨识的参数波动较大，通常需要二次处理。此外，一些学者定义了若干OCV点，将其与电池模型参数一起进行辨识，但这将导致一个高维的优化空间，从而极大增加寻优的计算量，并且更容易陷入局部最优，该类方法的辨识原理如图2所示。因此，如何在电池OCV?SOC曲线未知的情况下针对普通的电池动态放电工况进行电池模型参数辨识至今是一个难题。发明内容[0004] 为了解决现有的电池模型参数辨识方法对OCV?SOC曲线已知和特定工况的依赖、计算量大、优化难度高以及容易陷入局部最优的问题，本发明提出一种两阶段电池模型参数辨识方法，包括以下步骤：[0005] S1、基于电池n阶RC等效电路模型和采样电流，利用当前的电池模型参数结合电流序列计算出电池内阻压降序列和极化电压序列，并将电池内阻压降序列和极化电压序列从电池端电压序列中减去，得到带噪声的开路电压序列，即OCVN序列；[0006] S2、将S1中的OCVN序列与来自于库伦计数法的真实SOC序列相结合，建立OCVN与真实SOC之间的映射关系；[0007] S3、采用n阶多项式将OCVN?SOC映射点进行拟合，并计算拟合误差函数；[0008] S4、基于当前的电池模型参数和拟合误差函数，采用优化算法得到最佳的电池模型参数。[0009] 优选的，所述OCVN序列的计算公式如下：[0010] Uocvn,s＝Uocv,s+vs＝Ut,s?U0,s?(U1,s+U2,s+…+Un,s)；[0011] 其中，Uocvn,s表示OCVN序列，Uocv,s为电池真实OCV序列，vs为噪声电压序列，Ut,s为电池端电压序列，U0,s为电池内阻压降序列，Un,s为第n个RC结构上的极化电压序列。[0012] 优选的，所述电池内阻压降序列和第n个RC结构上的极化电压序列的计算方法为：[0013] k时刻的电池内阻压降为R0Ik，其中R0和Ik分别为欧姆内阻和工作电流；k时刻第n个RC结构上的极化电压为 其中Rn和Cn分别为第n个RC结构的极化内阻和极化电容，△t为时间步长，Un,k?1为k?1时刻第n个RC结构上的极化电压。[0014] 优选的，所述S3中OCVN?SOC映射点拟合的方法为：[0015] 将电池的真实OCV?SOC曲线的单调形态作为先验信息，基于预设的OCV?SOC曲线n阶多项式形态函数，将OCVN?SOC映射点进行拟合。[0016] 优选的，所述S4的方法为：[0017] 以电池模型参数为优化变量，以拟合误差函数作为目标函数，采用粒子群优化算法循环迭代，最后一个循环得到的那组参数即为最佳的电池模型参数。[0018] 优选的，采用90％?20％中间SOC区域的电池动态工况数据实现电池模型参数辨识。[0019] 本发明的有益效果：[0020] (1)本发明提出了一种在OCV?SOC曲线未知情况下针对电池动态放电工况的两阶段电池模型参数辨识方法，比起现有电池模型参数辨识方法，本发明提出的两阶段电池模型参数辨识方法减少了优化变量维度，不仅降低了计算量，还降低了优化的难度，不易陷入局部最优。[0021] (2)本发明提出的电池模型参数辨识方法可以在OCV?SOC曲线未知情况下利用电池动态放电工况实现模型参数辨识，可以保证该参数辨识方法在电池的不同老化程度下仍能良好地离线工作，有助于全生命周期下的电池参数更新与健康状态估计。附图说明[0022] 图1为现有已知OCV?SOC曲线的电池模型参数辨识方法的原理图；[0023] 图2为现有未知OCV?SOC曲线的电池模型参数辨识方法的原理图；[0024] 图3为本发明实施例的两阶段电池模型参数辨识方法的原理图；[0025] 图4为本发明实施例的两阶段电池模型参数辨识方法的第一阶段原理图；[0026] 图5为本发明实施例的两阶段电池模型参数辨识方法的第二阶段原理图；[0027] 图6为本发明实施例的25℃的DST工况下的真实端电压与模型端电压对比结果示意图；[0028] 图7为本发明实施例的25℃的FUDS工况下的真实端电压与模型端电压对比结果示意图；[0029] 图8为本发明实施例的25℃的FUDS工况下的真实端电压与模型端电压对比结果示意图。具体实施方式[0030] 为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。[0031] 本申请公开了一种两阶段电池模型参数辨识方法，在一个实施例中，其实施原理如图3所示，包括以下步骤：[0032] S1、基于电池n阶RC等效电路模型和采样电流，如图4所示，在第一阶段，利用当前的电池模型参数结合电流序列计算出电池内阻压降序列和极化电压序列，并将电池内阻压降序列和极化电压序列从电池端电压序列中减去，得到带噪声的开路电压序列，即OCVN序列；[0033] OCVN序列的计算公式如下：[0034] Uocvn,s＝Uocv,s+vs＝Ut,s?U0,s?(U1,s+U2,s+…+Un,s)；[0035] 其中，Uocvn,s表示OCVN序列，Uocv,s为电池真实OCV序列，vs为噪声电压序列，Ut,s为电池端电压序列，U0,s为电池内阻压降序列，Un,s为第n个RC结构上的极化电压序列。[0036] k时刻的电池内阻压降为R0Ik，其中R0和Ik分别为欧姆内阻和工作电流；k时刻第n个RC结构上的极化电压为 其中Rn和Cn分别为第n个RC结构的极化内阻和极化电容，△t为时间步长，Un,k?1为k?1时刻第n个RC结构上的极化电压。[0037] S2、在第二阶段，如图5所示，将S1中的OCVN序列与来自于库伦计数法的真实SOC序列相结合，建立OCVN与真实SOC之间的映射关系；[0038] S3、将电池的真实OCV?SOC曲线的单调形态作为先验信息引入，基于预设的OCV?SOC曲线n阶多项式形态函数，将OCVN?SOC映射点进行拟合，并计算拟合误差函数；[0039] 在一个实施例中，基于预设的OCV?SOC曲线六阶多项式形态函数，采用最小二乘法将90％?20％的SOC范围内的OCVN?SOC映射点进行拟合，并利用均方误差(MSE)公式计算拟合误差函数，其公式如下：[0040][0041] 其中，N为90％?20％的中间SOC区域内的OCVN的样本总数；OCVNi是某一SOC处的OCVN，OCVi是拟合曲线上对应SOC处的OCV。[0042] S4、以电池模型参数为优化变量，以拟合误差函数作为目标函数，采用粒子群优化(PSO)算法循环迭代来寻找最佳的一组电池模型参数，最后一个循环得到的那组参数将被保存下来，作为最佳的电池模型参数。[0043] 本实施例的理论基础是：电池模型参数越准确，输出的OCVN越接近于电池真实OCV，多项式形态函数拟合的误差越小。[0044] 通过试验发现，采用中间SOC区域的电池动态工况数据辨识出的电池模型参数计算得到的OCVN波动较采用高SOC和低SOC区域得到的更。⑶矣捎谠诘绯厥导视τ弥，会尽可能保证其不进行深度充电和放电。因此，本实施例在第二阶段选取的电池动态工况数据范围为90％?20％的中间SOC区域，同理，拟合的范围也为90％?20％的中间SOC区域。[0045] 在一个具体的实施例中，为了验证方案的可行性，利用马里兰大学的磷酸铁锂电池公共数据集对本发明进行了实验验证，该公共数据集包含了在0℃、10℃、20℃、25℃、30℃、40℃和50℃等七个不同温度下，基于三种不同的车辆行驶工况收集而来的电池数据，即动态应力测试(DST)、US06驾车表和联邦城市驾车表(FUDS)，数据的采样时间为1秒。[0046] 在实验中，基于一阶RC电池等效电路模型，采用发明的两阶段电池模型参数辨识方法针对不同温度下的DST数据集进行参数辨识，得到不同温度下的电池模型参数如表1所示。[0047] 表1：利用不同温度下的DST工况数据进行参数辨识的结果[0048]温度(℃) 欧姆内阻(me) 极化内阻(mΩ) 极化电容(kF)0 0.198 0.057 70210 0.171 0.042 84020 0.159 0.031 96725 0.158 0.027 99630 0.154 0.024 106140 0.153 0.019 120350 0.153 0.016 1267[0049] 从表1中给可以看出，随着温度的下降，电池的欧姆内阻和极化内阻逐渐增大，极化电容逐渐减。夥系绯毓ぷ鞯氖导侍匦。[0050] 基于各个温度下辨识出的电池模型参数，结合DST、US06和FUDS工况电流，即可计算出各个温度下的不同工况电流下的电池等效电路模型端电压，25℃下的模型端电压与真实端电压的对比如图6、图7和图8所示。从图中可以看出，模型端电压与真实端电压差异较。乇鹗窃90％?20％的中间SOC区域。[0051] 表2采用均方根误差(RMSE)和最大误差(MAXE)函数汇总了不同温度的DST、US06和FUDS工况下模型端电压误差，具体公式如下：[0052][0053][0054] 其中，M为样本总数；Vi是测量得到的电池真实端电压， 是基于辨识参数计算得到的电池等效电路模型端电压。[0055] 表2：不同温度的DST、US06和FUDS工况下模型端电压误差[0056][0057] 从表2中可以看出，在90％?20％的中间SOC区域，不同温度下的电池模型端电压误差的RMSE在mV级，最高仅有7.3mV，最低可达1.7mV，可以满足电池实际应用对辨识精度的要求。即便是在SOC的全范围，不同温度下的电池模型端电压误差的RMSE最高达到23.2mV，最低可达5.2mV。验证结果充分说明了辨识出的电池模型参数具有较高的精度，特别是在常用的90％?20％的中间SOC区域。实验结果证明了本发明的两阶段电池模型参数辨识方法的可行性和有效性。[0058] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

专利地区：四川

专利申请日期：2023-12-27

专利公开日期：2024-09-17

专利公告号：2024-09-17