一种动力电池融合建模方法技术

本发明专利技术提供了一种动力电池融合建模方法，其对各模型在各环境下的精度分析，确立相应的模型权值，并通过神经网络来体现模型融合规则，最大化利用各模型的优点，能够实现复杂工况下动力电池电压的高精度预测。使用神经网络来表现模型融合的规则，既能体现各模型在不同工作环境下的优劣，也无需存储多种复杂工况下的权值信息，进行复杂的查表寻找，极大地降低了硬件需求，减小了计算量，并提高了实时性。

A fusion modeling method of power battery

【技术实现步骤摘要】
一种动力电池融合建模方法
本专利技术涉及动力电池管理
，尤其是动力电池系统建模技术及电池管理系统。
技术介绍
现阶段对动力电池的分析与预测中，动力电池模型是一种较为核心的数学工具。但由于动力电池具有化学反应过程复杂、反应过程影响因素多且系统具有高度不确定性等特点，无论是在学术界还是工业界，其建模研究一直是一个多学科、多领域的研究热点和难点。目前，常用的动力电池模型大体可分为等效电路模型、黑箱模型、电化学模型三类。其中，等效电路模型具有结构简单、鲁棒性强的有点，但作为一种半经验模型，其参数缺少实际意义；黑箱模型需要经过大量的实验参数训练，对于锂离子电池来说实用性较差；电化学模型作为一种机理模型，其参数所具有实际意义较强，但模型结构复杂，相应的计算量也较大。简而言之，目前常见的动力电池模型各有利弊，适用场合也不尽相同，对于动力电池这种工作环境复杂的系统，各种模型都存在一定的局限性。对于单一模型不能完全解决动力电池建模问题这一现象，模型融合的思路得到了广泛的关注。但目前的模型融合方式中大多采用固定权值和在线比较一定窗口期拟合结果的形式进行融合。固定权值的思路不能充分体现出各模型在不同工作环境下的优劣，而在线比较的方式需要储存一定量的数据，实时比较计算，对硬件要求大。
技术实现思路
有鉴于此，本专利技术目的在于提出一种能够对各模型在各环境下的精度分析，最大化利用各模型的优点的方法，以实现动力电池电压的高精度预测。本专利技术提供了一种动力电池融合建模方法，具体包括以下步骤：步骤一、依据电池系统模型的相关理论，建立多种单一电池模型，为每个所述单一电池模型选取合适的参数辨识方法，并利用实验数据分别进行参数辨识；步骤二、根据每个所建立的单一电池模型，对多种工作环境(老化状态、温度)下的工况数据如电流、端电压、温度等进行拟合，依据工况数据的实际测量值与拟合值之间的对比结果，确定各SOC下每个单一电池模型的加权系数；步骤三、以动力电池的工作环境参数、SOC作为输入，以每个所述单一电池模型的加权系数作为输出，建立并训练神经网络模型；步骤四、对于任意电流激励，对每个单一电池模型分别进行端电压预测，并结合经训练的神经网络模型得到的所述加权系数，建立动力电池加权融合模型，最终得到动力电池端电压预测值。进一步地，单一电池模型包括但不限于：伪二维模型、Thevenin模型、双极化模型、分数阶模型。进一步地，所述步骤一中采用的参数辨识方法包括但不限于：遗传算法、最小二乘算法、最小均方根算法、粒子群算法。进一步地，所述步骤二中依据工况数据的实际测量值与拟合值之间的对比结果，确定各SOC下每个单一电池模型的加权系数，基于以下公式确定：其中，wi为第i个模型在该SOC下的加权系数；σi为第i个模型在该SOC下的拟合值与实际测量值的方差。进一步地，所述步骤二中以1％的SOC间隔作为一组数据，用于确定各SOC下单一电池模型的加权系数。进一步地，所述步骤三中选用的神经网络模型包括但不限于：BP网络模型、Hopfield网络模型、BAM网络模型；针对神经网络模型训练的方法包括但不限于：梯度下降法及其变种和改进算法、Adagrad算法、Adadelta算法。进一步地，在所述加权融合过程中，还基于附加的融合规则进行选取：依据电池管理系统所选择的单一电池模型和电池主要工作环境所额外考虑的提高估计精度的融合策略，如在低SOC下(SOC≤5％)时，由于Thevenin模型、双极化模型和分数阶模型可能存在震荡发散现象，若选择的模型中包含电化学模型，预测结果可完全由电化学模型确定。相应的，本专利技术还提供了一种电池管理系统，基于前述的动力电池融合建模方法，对动力电池的端电压进行加权融合预测。上述本专利技术所提供的动力电池融合建模方法及电池管理系统，相对于现有技术至少具有以下有益效果：方法中通过对各模型在各环境下的精度分析，确立相应的模型权值，并通过神经网络来体现模型融合规则，最大化利用各模型的优点，能够实现复杂工况下动力电池电压的高精度预测。使用神经网络来表现模型融合的规则，既能体现各模型在不同工作环境下的优劣，也无需存储多种复杂工况下的权值信息，进行复杂的查表寻找，极大地降低了硬件需求，减小了计算量，并提高了实时性。附图说明图1为本专利技术所提供方法的流程图；图2为动力电池Thevenin模型；图3为动力电池双极化模型；图4为动力电池分数阶模型；图5为动力电池电化学模型；图6为BP网络模型图；图7为本专利技术一实例中的各模型权值；图8为本专利技术一实例中的各模型电压仿真结果。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术所提供的一种动力电池融合建模方法，如图1所示，具体包括以下步骤：步骤一、依据电池系统模型的相关理论，建立多种单一电池模型，为每个所述单一电池模型选取合适的参数辨识方法，并利用实验数据分别进行参数辨识；步骤二、根据每个所建立的单一电池模型，对多种工作环境(老化状态、温度)下的工况数据如电流、端电压、温度等进行拟合，依据工况数据的实际测量值与拟合值之间的对比结果，确定各SOC下每个单一电池模型的加权系数；步骤三、以动力电池的工作环境参数、SOC作为输入，以每个所述单一电池模型的加权系数作为输出，建立并训练神经网络模型；步骤四、对于任意电流激励，对每个单一电池模型分别进行端电压预测，并结合经训练的神经网络模型得到的所述加权系数，建立动力电池加权融合模型，最终得到动力电池端电压预测值。在本专利技术的一个优选实施方式中，所选用的一个单一电池模型包括如图2所示的Thevenin模型，其由一个表征动力电池开路电压的理想电压源UOC和一个表征动力电池的欧姆内阻的理想电阻RT，再加上一个由极化内阻RD和极化电容CD组成的RC并联网络，三者串联而成。图中，Ut为端电压，iL为施加电流，UD为RC并联网络的压降，用来模拟动力电池的极化电压。该电路模型的电路方程可表示为：式中，UD为RC并联网络的压降，用来模拟动力电池的极化电压；表示极化电压UD对时间的导数；iL为对电池施加的电流；CD为极化电容；RD为极化内阻；RT为Thevenin模型的欧姆内阻；Ut为电池端电压；UOC为电池开路电压。通过进行离散化得到：Ut,k＝ΦTθT式中，下标k、k-1代表k、k-1时刻的值；Δt为采样间隔；ΦT为Thevenin模型的数据矩阵；θT为Thevenin模型的参数矩阵；c1,T、c2,T、c3,T为Thevenin模型的系数，由其可解出前述Thevenin模型电路表达式中各电路元件值，为了本文档来自技高网...

【技术保护点】
1.一种动力电池融合建模方法，其特征在于：具体包括以下步骤：/n步骤一、依据电池系统模型的相关理论，建立多种单一电池模型，为每个所述单一电池模型选取合适的参数辨识方法，并利用实验数据分别进行参数辨识；/n步骤二、根据每个所建立的单一电池模型，对多种工作环境下的工况数据进行拟合，依据工况数据的实际测量值与拟合值之间的对比结果，确定各SOC下每个单一电池模型的加权系数；/n步骤三、以动力电池的工作环境参数、SOC作为输入，以每个所述单一电池模型的加权系数作为输出，建立并训练神经网络模型；/n步骤四、对于任意电流激励，对每个单一电池模型分别进行端电压预测，并结合经训练的神经网络模型得到的所述加权系数，建立动力电池加权融合模型，最终得到动力电池端电压预测值。/n

【技术特征摘要】
1.一种动力电池融合建模方法，其特征在于：具体包括以下步骤：
步骤一、依据电池系统模型的相关理论，建立多种单一电池模型，为每个所述单一电池模型选取合适的参数辨识方法，并利用实验数据分别进行参数辨识；
步骤二、根据每个所建立的单一电池模型，对多种工作环境下的工况数据进行拟合，依据工况数据的实际测量值与拟合值之间的对比结果，确定各SOC下每个单一电池模型的加权系数；
步骤三、以动力电池的工作环境参数、SOC作为输入，以每个所述单一电池模型的加权系数作为输出，建立并训练神经网络模型；
步骤四、对于任意电流激励，对每个单一电池模型分别进行端电压预测，并结合经训练的神经网络模型得到的所述加权系数，建立动力电池加权融合模型，最终得到动力电池端电压预测值。


2.如权利要求1所述的方法，其特征在于：单一电池模型包括：伪二维模型、Thevenin模型、双极化模型、分数阶模型。


3.如权利要求1所述的方法，其特征在于：所述步骤一中采用的参数辨识方法包括：遗传算法、最小二乘算法、最小均方根算法、粒子群算法。


4.如权...

【专利技术属性】
技术研发人员：熊瑞，黄锦涛，王榘，段砚州，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11