电池模型的参数辨识方法与系统、电子设备及存储介质技术方案

本申请提供一种电池模型的参数辨识方法与系统、电子设备及存储介质，所述方法包括：确定电池模型中的待辨识参数以及模型观测物理量，获取待辨识参数的范围以及模型观测物理量对应的传感器采集时序数据；基于贝叶斯理论构建待辨识的参数的后验分布模型；基于待辨识参数的范围、模型观测物理量对应的传感器采集时序数据以及后验分布模型，采用采样方法从后验分布中抽样获取采样样本以近似后验分布；基于所述采样样本获取待辨识参数的辨识结果。本申请缓解了参数辨识问题的不适定性，同时，辨识结果的不确定性可衡量，实现了电池模型参数的快速、高效、准确辨识。准确辨识。准确辨识。

【技术实现步骤摘要】
电池模型的参数辨识方法与系统、电子设备及存储介质


[0001]本申请属于锂离子电池
，涉及一种电池模型的参数辨识方法与系统、电子设备及存储介质。

技术介绍

[0002]锂离子电池性能的提高很大程度上依赖于精确的电化学模型。建立精确的电化学模型是提高锂离子电池仿真准确性的重要前提和基础。对电化学模型中的重要参数进行参数辨识是获取准确的电化学模型参数的重要手段之一。参数辨识是根据实验数据和建立的电化学模型来确定一组参数值，使得由电池模型(等效电路模型或电化学模型)计算的到的数值结果可以很好的拟合实验数据，从而可以为生产过程进行预测，提供一定的理论指导。当计算得到的数值结果和测试值之间的误差较大时，就认为该电化学模型与实际的过程不符合或者差距较大，进而修改模型，重新选择参数。因此，参数辨识是一个反问题。
[0003]在实际问题中，反问题通常是不适定的。一个问题是适定的是指该问题的解是存在且唯一的，并且解是连续依赖于观测数据。参数辨识问题通常来说是不适定的，具体是指观测数据的微小变化会引起解的巨大波动。
[0004]在锂电池模型的参数辨识问题中目前最常用的是启发式算法或者数据驱动型的算法，启发式算法是基于直观经验构造的，在可接受的花费中给出优化问题的可行解，是一个具体数值。数据驱动型算法主要通过算法在参数值的合理范围内不断试探新的参数值，电化学模型内部参数极，数据驱动型算法极为耗时。

技术实现思路

[0005]本申请的目的在于提供一种电池模型的参数辨识方法与系统、电子设备及存储介质，用于解决参数辨识不适定且耗时长的问题。
[0006]第一方面，本申请提供一种电池模型的参数辨识方法，所述方法包括：确定电池模型中的待辨识参数以及模型观测物理量，获取待辨识参数的范围以及模型观测物理量对应的传感器采集时序数据；基于贝叶斯理论构建待辨识的参数的后验分布模型；基于待辨识参数的范围、模型观测物理量对应的传感器采集时序数据以及后验分布模型，采用采样方法从后验分布中抽样获取采样样本以近似后验分布；基于所述采样样本获取待辨识参数的辨识结果。本申请中，从统计的观点出发，将待辨识参数看成随机变量并赋予概率密度函数，并将参数辨识问题转化为从后验分布中抽样，在一定程度上缓解了参数辨识问题的不适定性，同时，辨识结果的不确定性可衡量，实现了电池模型参数的快速、高效、准确辨识。
[0007]在第一方面的一种实现方式中，基于贝叶斯理论构建待辨识的参数的后验分布模型包括：构建后验概率密度函数：其中，为待辨识参数组成的向量，V为模型观测物理量，为后验概率密度函数，为先验概率密度函数，为似然函数，P(V)为归一化常数，
∝
为正比于符号；确定先验概率密度函数
和似然函数
[0008]在第一方面的一种实现方式中，所述先验概率密度函数为分段常数。
[0009]在第一方面的一种实现方式中，所述似然函数确定为：
[0010][0011][0012]其中，t为时间，V(t)为t时刻模型观测物理量对应的传感器采集数据，为t时刻模型观测物理量的观测值，t
f
为积分上限，σ为模型观测物理量对应的传感器采集数据的标准差。
[0013]在第一方面的一种实现方式中，所述采样方法包括马尔科夫链蒙特卡洛方法、Gibbs采样方法、M
‑
H采样方法中的任意一种。
[0014]在第一方面的一种实现方式中，基于所述采样样本获取待辨识参数的辨识结果包括：将任意一个采样样本中对应的待辨识参数的数值作为待辨识参数的辨识结果，或，对所有采样样本中待辨识参数的数值一一对应取均值，将所述均值作为待辨识参数的辨识结果。本实现方式中，将任意一个采样样本的待辨识参数的数值作为待辨识参数的辨识结果能够快速确定电池模型的辨识结果，进一步，通过取均值的方式确定待辨识参数的辨识结果，提高了参数辨识结果的准确性。
[0015]在第一方面的一种实现方式中，所述方法还包括：对所述采样样本中的待辨识参数的样本值进行统计学分析以获取待辨识参数的辨识结果的不确定性量化值。本实现方式中，以后验分布中的样本代表总体，从而得到关于参数辨识结果的统计信息，量化其不确定性，为建立锂离子电池的电化学模型提供理论依据。
[0016]第二方面，本申请提供一种电池模型的参数辨识系统，所述系统包括：采集模块，被配置为确定电池模型中的待辨识参数以及模型观测物理量，并获取待辨识参数的范围以及模型观测物理量对应的传感器采集时序数据；模型构建模块，被配置为基于贝叶斯理论构建待辨识的参数的后验分布模型；采样模块，被配置为基于待辨识参数的范围、模型观测物理量对应的传感器采集时序数据以及后验分布模型，采用采样方法从后验分布中抽样获取采样样本以近似后验分布；辨识输出模块，基于所述采样样本获取待辨识参数的辨识结果。
[0017]第三方面，本申请提供一种电子设备，所述电子设备包括：存储器，被配置为存储计算机程序；以及处理器，被配置为调用所述计算机程序以执行根据本申请第一方面所述的电池模型的参数辨识方法。
[0018]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现本申请第一方面所述的电池模型的参数辨识方法。
[0019]如上所述，本申请所述的电池模型的参数辨识方法与系统、电子设备及存储介质，具有以下有益效果：
[0020]本申请从统计的观点出发，将待辨识参数看成随机变量并赋予概率密度函数，并将参数辨识问题转化为从后验分布中抽样，在一定程度上缓解了参数辨识问题的不适定性，同时，辨识结果的不确定性可衡量，实现了电池模型参数的快速、高效、准确辨识；
[0021]本申请以后验分布中的样本代表总体，从而得到关于参数辨识结果的统计信息，量化其不确定性，为建立锂离子电池的电池模型提供理论依据。
附图说明
[0022]图1显示为本申请一实施例中所述的一种电池模型的参数辨识方法的硬件应用场景示意图。
[0023]图2显示为本申请一实施例中所述的一种电池模型的参数辨识方法的流程示意图。
[0024]图3显示为本申请另一实施例中所述的一种电池模型的参数辨识方法的流程示意图。
[0025]图4显示为本申请一实施例中所述的一种电池模型的参数辨识系统的结构框图。
[0026]图5显示为本申请一实施例中所述的一种电子设备的结构框图。
[0027]元件标号说明
[0028]11
ꢀꢀꢀꢀꢀꢀꢀꢀ
传感器
[0029]12
ꢀꢀꢀꢀꢀꢀꢀꢀ
数据采集器
[0030]13
ꢀꢀꢀꢀꢀꢀꢀꢀ
服务器
[0031]14
ꢀꢀꢀꢀꢀꢀꢀꢀ
终端
[0032]4ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
参数辨识系统
[0033]41
ꢀꢀꢀꢀꢀꢀꢀꢀ
采集模块
[0034]42
ꢀꢀꢀꢀꢀꢀꢀꢀ
模型构建模块<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池模型的参数辨识方法，其特征在于，所述方法包括：确定电池模型中的待辨识参数以及模型观测物理量，获取待辨识参数的范围以及模型观测物理量对应的传感器采集时序数据；基于贝叶斯理论构建待辨识的参数的后验分布模型；基于待辨识参数的范围、模型观测物理量对应的传感器采集时序数据以及后验分布模型，采用采样方法从后验分布中抽样获取采样样本以近似后验分布；基于所述采样样本获取待辨识参数的辨识结果。2.根据权利要求1所述的电池模型的参数辨识方法，其特征在于，基于贝叶斯理论构建待辨识的参数的后验分布模型包括：构建后验概率密度函数：其中，为待辨识参数组成的向量，V为模型观测物理量，为后验概率密度函数，为先验概率密度函数，为似然函数，P(V)为归一化常数，
∝
为正比于符号；确定先验概率密度函数和似然函数3.根据权利要求2所述的电池模型的参数辨识方法，其特征在于，所述先验概率密度函数为分段常数。4.根据权利要求2所述的电池模型的参数辨识方法，其特征在于，所述似然函数确定为：确定为：其中，t为时间，V(t)为t时刻模型观测物理量对应的传感器采集数据，为t时刻模型观测物理量的观测值，t
f
为积分上限，σ为模型观测物理量对应的传感器采集数据的标准差。5.根据权利要求1所述的电池模型的参数辨识方法，其特征在于，所述采样方法包括马尔科夫链蒙特卡洛方法、Gibbs采样方法、M
‑
H采样方法中...

【专利技术属性】
技术研发人员：李倩，陈晓华，顾单飞，江铭臣，赵恩海，严晓，陈思元，韦良长，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：