一种动力锂电池模型参数辨识和剩余电量的估计方法技术

本发明专利技术公开了一种动力锂电池模型参数辨识和剩余电量的估计方法，步骤1：建立锂电池的二阶阻抗电容模型的状态空间方程；步骤2：建立端电压与开路电压关于电流的关系的回归模型；步骤3：对回归模型进行基于迭代学习的递推最小二乘法的参数辨识；步骤4：利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差，通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合；步骤5：验证步骤4得到的非线性函数和参数集合构成的电池模型精度；步骤6：采集电流和电压数据，通过扩展卡尔曼滤波进行剩余电量的估计；本发明专利技术模型参数辨识精确度高，剩余电量估计值误差小，具有良好应用前景。

【技术实现步骤摘要】
一种动力锂电池模型参数辨识和剩余电量的估计方法
本专利技术涉及新能源汽车电池管理
，具体涉及一种动力锂电池模型参数辨识和剩余电量的估计方法。
技术介绍
在国务院“十三五”国家科技创新规划中，发展新能源汽车是建立健全交通运输核心技术体系的第一项目。我国在新能源汽车发展上主推纯电动汽车，动力锂电池是纯电动汽车的核心能量来源。锂电池的剩余电量，即可用容量占额定容量的百分比，是保证锂电池安全工作，延长可用寿命的一个重要参数。锂电池内部电化学反应的复杂性，造成了电池系统的强非线性。目前也没有传感器能够直接测量剩余电量。所以，研究动力锂电池电池剩余电量的估计系统和估计方法，对于电动汽车发展是必要的。在以往的剩余电量估计研究中，一般都使用基于模型的方法。一个准确的电池模型，在剩余电量的估计中扮演很重要的角色。因为其简便性和有效性，锂电池的等效电路模型被广泛地用来模拟电池的动态性能。对于等效电路模型参数的辨识方法，可以被大致分为离线辨识和在线辨识两类。其中离线辨识方法有曲线拟合法，离线最小二乘法等。离线方法通常用来处理新电池，且辨识的模型在电池寿命周期内是固定的。但是，总所周知的是电池的动态性能与它的温度，剩余电量和老化程度有关。因此，在线的辨识方法被提出来解决这些问题，如在线最小二乘法，双扩展卡尔曼滤波法等。通常，这些在线辨识方法只能辨识时不变和缓时变的模型参数。不过对于锂电池，因为内部的强非线性特性，其模型参数必然不会是时不变和缓时变的，上述在线辨识方法就会存在由于只能辨识时不变和缓时变的模型参数，导致建模精度下降的问题，进而成为造成剩余电量估计不准的主要因素。
技术实现思路
本专利技术提供一种通过观测电池之前的动态行为，在下一步迭代过程中提高辨识的精度，能够有效地辨识非线性电池模型参数，提高模型精度和剩余电量估计精度的动力锂电池模型参数辨识和剩余电量的估计方法。本专利技术采用的技术方案是：一种动力锂电池模型参数辨识和剩余电量的估计方法，包括以下步骤：步骤1：建立锂电池的二阶阻抗电容模型的状态空间方程；步骤2：根据步骤1得到的模型建立端电压与开路电压关于电流的关系的回归模型；步骤3：对步骤2得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识；步骤4：利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差，通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合；步骤5：验证步骤4得到的非线性函数和参数集合构成的电池模型精度；步骤6：采集电流和电压数据，通过扩展卡尔曼滤波进行剩余电量的估计。进一步的，所述步骤1的具体过程包括以下步骤：S11：建立被控对象的等效电路模型：将电阻R0、R1、R2依次串联在电池包UOC的输出端，并将电容C1与电阻R1并联，电容C2与电阻R2并联；S12：根据上述等效电路模型建立系统的微分方程组，状态方程为：输出方程为：UT＝UOC(SOC)-R0IT-U1-U2(2)其中，U1和U2分别表示为电容C1和C2两端电压，IT为流经电阻R0的电流，SOC为剩余电量，UOC(SOC)为开路电压与剩余电量SOC的函数关系，UT为端电压，Qn为额定容量，为电压U1，U2和剩余电量SOC关于时间的导数。进一步的，所述步骤2的具体过程如下：S21：根据步骤1中的二阶阻抗电容模型，UT-UOC(SOC)关于电流IT的传递函数G(s)可以表示为：其中s为拉氏变换的复变量，相关系数α1,α2,α3,α4,α5满足S22：将公式(3)离散化，令h为采样间隔，z为离散化运算符；我们可以得到传递函数G(s)经过离散化后的传递函数G(z-1)为：其中，β1,...,β5是替代因子并满足S23:将带回公式(4)并与公式(3)相比较，根据两个公式所对应系数相等，可得到电池模型参数R0,R1,R2,C1,C2与替代因子β1,β2,β3,β4,β5的关系，并在迭代完成后，用迭代得到的替代因子来反解出模型参数：S24：由公式(4)可得UT-UOC(SOC)关于电流IT有如下递推关系：其中：k为离散时间轴，表示第k时刻；UT(k)为端电压，UT(k)为第k时刻的端电压，UOC(k)，UOC(k-1)，UOC(k-2)分别为第k，k-1，k-2时刻的开路电压；令UOC(k)＝UOC(k-1)＝UOC(k-2)，，我们可以得到：引入定义：y(k)＝UT(k)为端电压，u(k)＝IT(k)为电流，φ(k)＝[1,y(k-1),y(k-2),u(k),u(k-1),u(k-2)]T为k时刻的回归元，是包括相应时刻k,k-1或k-2的开路电压及电流的矩阵，θ(k)＝[(1-β1-β2)UOC,β1,β2,β3,β4,β5]为迭代参数，是包括替代因子和开路电压的矩阵，我们可以得到如下回归模型：y(k)＝φT(k)θ(k)+ω(k)(8)其中φ(k)为回归元，θ(k)为未知时变参数集合，ω(k)为建模误差。进一步的，所述步骤3的具体过程如下：S31：根据步骤2得到的回归模型(8)可以转化成如下二维形式：yj(k)＝φjT(k)θj(k)+ωj(k)(9)其中k为离散时间轴，j为迭代轴，表示第j次迭代，ωj(k)被假设为白噪声，其方差为σ2，yj(k)，θj(k)，ωj(k)，φjT(k)为yj(k)为第j次迭代的端电压，θj(k)为第j次迭代的迭代参数，是包括替代因子和开路电压的矩阵，ωj(k)为第j次迭代的白噪声，φjT(k)为k时刻，第j次迭代的回归元矩阵的转置矩阵；令回归模型可以被写成：yj(k)＝φjT(k)θ(k)+ωj(k)(10)S32：对公式(10)得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识，通过已知向量yj(k)和φjT(k)，得到参数向量θ(k)的估计值令Yj(k)＝[y0(k)y1(k)...yj(k)]TΦj(k)＝[φ0(k)φ1(k)...φj(k)]TΩj(k)＝[ω0(k)ω1(k)...ωj(k)]T其中Yj(k)为端电压集合矩阵，Φj(k)为回归元集合矩阵，Ωj(k)为建模误差集合矩阵；由公式(10)可以得到如下矩阵形式：Yj(k)＝ΦjT(k)θ(k)+Ωj(k)(11)S33：则参数的最小二乘估计可以表示为：S34：建立递推最小二乘法，定义矩阵Pj(k)的逆矩阵为：Pj(k)为回归元集合矩阵Φj(k)的乘积矩阵的逆矩阵则：根据矩阵逆公式，对于任意矩阵A,B,C,D,有(A+BCD)-1＝A-1-A-1B(C-1+DA-1B)-1DA-1成立，并使B＝φj(k)，C＝1，带入该公式可以得到：则有：S35：将公式(13)带入公式(12)，可得：所以移项可得：将公式(14)带入公式(18)，可得：将公式(16)带入上式，则有:其中εj(k)为校正误差；基于迭代学习的递推最小二乘法总结如下：进一步的，所述步骤4的参数估计过程如下：S41：设定每次实验的电流uj(k)，进行满电到放空的重复性实验；S42：根据基于迭代学习的递推最小二乘辨识方法：第j次实验的预测误差εj定义为：通过εj收敛，得到回归模型的系数，并解方程组(5)，求得非线性函数UOC以及参数集合R0,R1,R2,C1,C2。进一步的，所述步骤5过程如下：设计放电工况，采集电流本文档来自技高网...

【技术保护点】
一种动力锂电池模型参数辨识和剩余电量的估计方法，其特征在于，包括以下步骤：步骤1：建立锂电池的二阶阻抗电容模型的状态空间方程；步骤2：根据步骤1得到的模型建立端电压与开路电压关于电流的关系的回归模型；步骤3：对步骤2得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识；步骤4：利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差，通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合；步骤5：验证步骤4得到的非线性函数和参数集合构成的电池模型精度；步骤6：采集电流和电压数据，通过扩展卡尔曼滤波进行剩余电量的估计。

【技术特征摘要】
1.一种动力锂电池模型参数辨识和剩余电量的估计方法，其特征在于，包括以下步骤：步骤1：建立锂电池的二阶阻抗电容模型的状态空间方程；步骤2：根据步骤1得到的模型建立端电压与开路电压关于电流的关系的回归模型；步骤3：对步骤2得到的回归模型进行基于迭代学习的递推最小二乘法的参数辨识；步骤4：利用满足步骤3参数辨识过程对放电电流条件的实验数据进行基于迭代学习的递推最小二乘辨识方法得到预测误差，通过预测误差收敛得到状态空间方程的参数中的非线性函数和参数集合；步骤5：验证步骤4得到的非线性函数和参数集合构成的电池模型精度；步骤6：采集电流和电压数据，通过扩展卡尔曼滤波进行剩余电量的估计。2.根据权利要求1所述的一种动力锂电池模型参数辨识和剩余电量的估计方法，其特征在于，所述步骤1的具体过程包括以下步骤：S11：建立被控对象的等效电路模型：将电阻R0、R1、R2依次串联在电池包UOC的输出端，并将电容C1与电阻R1并联，电容C2与电阻R2并联；S12：根据上述等效电路模型建立系统的微分方程组，状态方程为：输出方程为：UT＝UOC(SOC)-R0IT-U1-U2(2)其中，U1和U2分别表示为电容C1和C2两端电压，IT为流经电阻R0的电流，SOC为剩余电量，UOC(SOC)为开路电压与剩余电量SOC的函数关系，UT为端电压，Qn为额定容量，分别为电压U1，U2和剩余电量SOC关于时间的导数。3.根据权利要求2所述的一种动力锂电池模型参数辨识和剩余电量的估计方法，其特征在于，所述步骤2的具体过程如下：S21：根据步骤1中的二阶阻抗电容模型，UT-UOC(SOC)关于电流IT的传递函数G(s)可以表示为：其中s为拉氏变换的复变量，相关系数α1,α2,α3,α4,α5满足α3＝R0，S22：将公式(3)离散化，令h为采样间隔，z为离散化运算符；得到传递函数G(s)经过离散化后的传递函数G(z-1)为：其中，β1,...,β5是替代因子并满足S23：将带回公式(4)并与公式(3)相比较，根据两个公式所对应系数相等，可得到电池模型参数R0,R1,R2,C1,C2与替代因子β1,β2,β3,β4,β5的关系，并在迭代完成后，用迭代得到的替代因子来反解出模型参数：S24：由公式(4)可得UT-UOC(SOC)关于电流IT有如下递推关系：其中：k为离散时间轴，表示第k时刻；UT(k)为端电压，UT(k)为第k时刻的端电压，UOC(k)，UOC(k-1)，UOC(k-2)分别为第k，k-1，k-2时刻的开路电压；令UOC(k)＝UOC(k-1)＝UOC(k-2)，我们可以得到：引入定义：y(k)＝UT(k)为端电压，u(k)＝IT(k)为电流，φ(k)＝[1,y(k-1),y(k-2),u(k),u(k-1),u(k-2)]T为k时刻的回归元，是包括相应时刻k,k-1或k-2的开路电压及电流的矩阵，θ(k)＝[(1-β1-β2)UOC,β1,β2,β3,β4,β5]为迭代参数，是包括替代因子和开路电压的矩阵，得到如下回归模型：y(k)＝φT(k)θ(k)+ω(k)(8)其中φ(k)为回归元，θ(k)为未知时变参数集合，ω(k)为建模误差。4.根据权利要求3所述的一种动力锂电池模型参数辨识和剩余电量的估计...

【专利技术属性】
技术研发人员：祝乔，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51