一种针对损失数据的锂离子电池参数辨识及SOC估计方法技术

本发明专利技术公开了一种针对损失数据的锂离子电池参数辨识及SOC估计方法，包括：采用一阶RC等效电路模型估计电池内部状态；利用基于变递推间隔辅助模型最小二乘法结合扩展卡尔曼滤波器，将已损失的数据通过辅助模型进行计算输出，实现一阶RC等效电路模型的参数辨识；基于参数辨识结果计算得到模型的开路电压，通过SOC

【技术实现步骤摘要】
一种针对损失数据的锂离子电池参数辨识及SOC估计方法


[0001]本专利技术涉及锂电池荷电状态估计的
，尤其涉及一种针对损失数据的锂离子电池参数辨识及SOC估计方法。

技术介绍

[0002]由于在减少碳排放和提高能源利用效率方面的杰出贡献，电池储能系统被广泛应用在智能电网和电动汽车等领域，锂电池由于本身具有能量密度高，成本低，使用寿命长的优点，因此被广泛应用于电子设备，新能源汽车和储能系统中，然而随着电池储能设备的快速发展，关于锂电池安全性和可靠性的讨论也日益突出。电池的安全性和高效性需要先进的BMS(Battery Management System)来对电池进行监视和管理，通过BMS进行准确的电池状态估计包括SOC、SOH和SOP等可以防止电池的过充过放的发生，充分利用电池的当前最佳性能并且指导电池的退役和梯次利用。而上述电池状态估计的核心是SOC估计，由于SOC难以直接测量获得，因此需要通过建立模型并使用外端口的电压和电流信号进行动态的SOC估计。
[0003]锂离子电池作为典型的“黑箱”系统，它的状态受到多种因素的实时影响，如环境温度，循环次数，充放电电流倍率等，因此，需要将锂电池的“黑箱”系统“灰箱”化，即建立等效的模型获取内部状态，电池模型主要分为电化学模型以及等效电路模型。其中，电化学模型具有描述微观量的能力，例如细胞电流和电压以及微观尺度上的局部浓度，用于细胞浓度，电势，电流和温度，它的优势是可以更好地预测电池的内部空间和时间状态，例如固态/电解质相的浓度以及两个电极的电流/电势分布，尽管电化学模型详尽描述了电池的反应过程，但该模型结构复杂，参数和计算过程多，实用精度低，难以精确建模。因此，很少在BMS中使用；等效电路模型作为电池模型中的一种，比电化学模型更实用，因为等效电路模型可以利用电参数(如充放电电流和电池端电压)进行估计，并且电路参数比电化学模型参数更容易在线测量，等效电路模型使用电路元件描述电池的外部特性与各种动态特性，由于其结构简单、计算方便、参数含义明确、易于工程实现等特点，被广泛应用于锂电池的建模和SOC估计中，与其他模型相比，RC模型具有结构简单、精度高等优点。
[0004]完成模型建立后，需要与之匹配的SOC估计方法，迄今为止，有大量的SOC实时估计方法，可以分为四类。
[0005]首先是查表法，锂电池的SOC与它们的外部特征参数具有直接映射关系，例如开路电压，阻抗等。因此，通过测量这些参数，使用根据SOC与一个或多个参数之间建立的关系进行查表，便可以推断出SOC，假设电池OCV与SOC的关系已知就可以通过测量OCV值来估计SOC，OCV查表法被用于大多数电池管理技术的SOC估计中，可以有效地用于校准错误的SOC，但是这种方法无法进行实时精确的SOC估计，因为如需测量精确的OCV值需要断开电池与负载并静置一段时间，另一方面，通过阻抗与SOC的关系查表也可以得到对应的SOC，然而电池阻抗的测量依赖于测量设备，更适用于实验室环境。其次是基于数据驱动的估算方法，数据驱动的估算方法仅使用系统的输入输出数据来进行估算，由于这些方法不需要精确的数学
模型，因此省略了在数学建模步骤中引入的估计和假设。例如使用神经网络来进行SOC估算，其中输入层包含电流，温度，SOC，电压为输出层，该方法具有较高的计算精度。安时积分法也是应用十分广泛的SOC估算方法，当锂电池的最大可用容量和SOC初始值已知并且可以精确测量其电流时，安时积分法可以精确估计SOC，该方法估算精度高，在整个估计过程中不会出现明显的偏差，然而，安时积分法有三个缺陷，首先，初始SOC值必须为已知量，否则估计结果会出现固定偏差，其次，不可避免的会因噪声和温度变化等随机干扰而导致电池电流的测量误差进而影响估算精度。最后就是研究最为深入的基于模型的估算方法随着电池技术的发展，已经提出了许多用于车辆电源管理和BMS的电池模型，基于模型的方法具有估计精度高、实时性好、适应性强等优点，非常适合在线应用。
[0006]尽管上述的方法在实验室环境下都有良好的效果，但在实际应用中还存在着许多挑战，由于传感器的缺陷以及噪声、电磁干扰，实际BMS会包含大量的噪声数据，并且当数据量达到一定规模后，甚至会出现数据丢失的情况，这些会大幅影响模型的精度，而上述方法均未考虑这些扰动对参数辨识结果的影响。依然面临着以下挑战：
[0007](1)上述方法往往依赖完整的不受干扰的充电数据直接作为输入或提取特征作为输入来估计SOC，但在电池实际的使用过程中，受传感器的缺陷、噪声及电磁干扰，实际输入数据中会包含大量的噪声数据，因此要消除噪声对于数据的干扰进行参数辨识并在线估计SOC。
[0008](2)通过分析实际工况中的电流电压数据时发现，当数据规模较大后，由于采样或传输手段的限制，会出现数据丢失的情况，传统的插值法、多项式拟合法只能应用于离线参数辨识中，无法实现数据丢失下实时在线的参数辨识。

技术实现思路

[0009]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0010]鉴于上述现有存在的问题，提出了本专利技术。
[0011]因此，本专利技术解决的技术问题是：传统方法往往依赖完整的不受干扰的充电数据直接作为输入或提取特征作为输入来估计SOC，但在电池实际的使用过程中，受传感器的缺陷、噪声及电磁干扰，实际输入数据中会包含大量的噪声数据，因此要消除噪声对于数据的干扰进行参数辨识并在线估计SOC；通过分析实际工况中的电流电压数据时发现，当数据规模较大后，由于采样或传输手段的限制，会出现数据丢失的情况，传统的插值法、多项式拟合法只能应用于离线参数辨识中，无法实现数据丢失下实时在线的参数辨识。
[0012]为解决上述技术问题，本专利技术提供如下技术方案：采用一阶RC等效电路模型估计电池内部状态；利用基于变递推间隔辅助模型最小二乘法结合扩展卡尔曼滤波器，将已损失的数据通过辅助模型进行计算输出，实现一阶RC等效电路模型的参数辨识；基于参数辨识结果计算得到模型的开路电压，即OCV，通过SOC
‑
OCV拟合曲线计算得到电池的SOC，实现数据缺失下SOC的精确估计。
[0013]作为本专利技术所述的针对损失数据的锂离子电池参数辨识及SOC估计方法的一种优选方案，其中：基于模型的复杂度与计算成本问题，选择所述一阶RC等效电路模型进行分
析，其处理过程包括，根据基尔霍夫定律，所述一阶RC等效电路模型表示为：
[0014][0015]其中，R0为欧姆内阻，RC并联网络中的R
p
和C
p
用作模拟电池端电压的动态特性，C为电池容量，U
A
为电池端电压，U
OC
代表电池的开路电压OCV，U
p
为极化电压，I
A
为充电电流；
...

【技术保护点】

【技术特征摘要】
1.一种针对损失数据的锂离子电池参数辨识及SOC估计方法，其特征在于，包括：采用一阶RC等效电路模型估计电池内部状态；利用基于变递推间隔辅助模型最小二乘法结合扩展卡尔曼滤波器，将已损失的数据通过辅助模型进行计算输出，实现一阶RC等效电路模型的参数辨识；基于参数辨识结果计算得到模型的开路电压，即OCV，通过SOC
‑
OCV拟合曲线计算得到电池的SOC，实现数据缺失下SOC的精确估计。2.如权利要求1所述的针对损失数据的锂离子电池参数辨识及SOC估计方法，其特征在于：基于模型的复杂度与计算成本问题，选择所述一阶RC等效电路模型进行分析，其处理过程包括，根据基尔霍夫定律，所述一阶RC等效电路模型表示为：其中，R0为欧姆内阻，RC并联网络中的R
p
和C
p
用作模拟电池端电压的动态特性，C为电池容量，U
A
为电池端电压，U
OC
代表电池的开路电压OCV，U
p
为极化电压，I
A
为充电电流；通过定义E＝U
b
‑
U
OC
，并对所述一阶RC等效电路模型的公式使用laplace变换，所述一阶RC等效电路模型的传递函数表示为：采用下式所示的双线性变换法获取离散系统传递函数：其中，T
S
为系统采样间隔；根据上式的双线性变换法将系统的传递函数映射到Z平面可得到离散系统传递函数：其中：上式对应的差分方程则为：U(k)＝a1U(k
‑
1)+a2I
A
(k)+a3I
A
(k
‑
1)将其转换为离散时间系统：y(k)＝φ(k)θ(k)+v(k)
其中，信息向量φ(k)＝[U(k
‑
1) I
A
(k) I
A
(k
‑
1)]，待辨识的参数向量θ(k)＝[a
1 a
2 a3]
T
，v(k)为过程噪声；将R0，R
p
，C
p
表示为：3.如权利要求1所述的针对损失数据的锂离子电池参数辨识及SOC估计方法，其特征在于：所述SOC
‑
OCV曲线的拟合的处理过程包括，采用增量电流测试方案拟合所述SOC
‑
OVC曲线，其测试过程为：将电池充满电并静置2h，确保电池SOC＝100％并获取此时的开路电压OCV，以1A的电流进行阶梯放电过程，通过安时积分法确认SOC的值，并在放电10％之后静置2h获取当前SOC下的OCV值，直到电池达到其最低截止电压停止放电，此时对应的SOC为0％。4.如权利要求1或2所述的针对损失数据的锂离子电池参数辨识及SOC估计方法，其特征在于：所述参数辨识的推导方法包括，基于数据缺失的情况，将实际的输出模型表示为：其中，中间变量x(k)为系统无噪声干扰的正确输出，但是其是不能被直接测量获得的，y(k)为实际测量所得的系统输出，受到噪声v(k)的干扰。5.如权利要求4所述的针对损失数据的锂离子电池参数辨识及SOC估计方法，其特征在于：还包括，为处理所述数据丢失的情况，定义一个整数序列{k
s
，s＝0，1，...}，满足0＝k0＜k1＜k2＜k3＜
…
＜k
s
‑1＜k
s
＜
…
，且k
*
＝k
s
‑
k
s
‑1≥1，使得当k＝k
s
时，可得到观测数据y(k)和φ(k)，且序列{y(k
s
)，φ(k
s
)：s＝0，1，...}包含所有可观测的输出数据；将...

【专利技术属性】
技术研发人员：毛玲，金浩，赵晋斌，屈克庆，李芬，董浩，常珊珊，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：