【技术实现步骤摘要】
本专利技术涉及电池，尤其涉及一种锂电池电荷状态模型高精度在线辨识方法、系统、存储介质及计算机设备。
技术介绍
1、等效电路模型(equivalent circuit model，ecm)法是电荷状态估计方法中最常用的一种方法；等效电路模型法不直接描述锂电池的电化学和物理特性，而是作为一个模拟模型，通过阻容网络来模拟电池的电学特性；一个理想的等效电路模型可以模拟锂电池在任意电流激励下电压的真实变化。利用等效电路模型法进行电荷状态(state ofcharge，soc)估计的典型流程包含三步：第一步是通过离线测试获取开路电压(opencircuit voltage，ocv)和soc的关系曲线；第二步是根据电池的电流-电压关系来辨识ecm参数；第三步是使用滤波算法结合建立的等效电路模型进行在线soc估计；其中前两步的目标是针对目标电池建立可用的等效电路模型，第三步的目标是使用等效电路模型进行soc估计。
2、锂电池退化会导致ocv曲线和ecm参数的变化，而ocv曲线又是获取ecm参数的基础。目前获取ocv曲线的方法是通过小电流测试或增量电流测试；对于小电流测试，电池需要通过很小的电流充电和放电，以保证电池内部为近似平衡的状态；但由于充电/放电电流很小，测试时间会很长，例如当电流为0.04c倍率时，测试时间需要长达25个小时。增量电流测试由一组恒流脉冲组成，通过多次脉冲充电/放电过程，可以得到多个soc值；在每次脉冲充电/放电之后，电池需要休息几个小时来实现电池内部的重新平衡，因此增量电流测试总的测试时间需要长达几十个小时。
3、综上可知，现有的方法在实际使用上，存在着较多的问题，所以有必要加以改进。
技术实现思路
1、针对上述的缺陷，本专利技术的目的在于提供一种锂电池电荷状态模型高精度在线辨识方法，系统、存储介质及其计算机设备，能够实现锂电池电荷状态估计模型在线建立，具有锂电池全寿命周期高精度soc估计的技术效果。
2、为了实现上述目的，本专利技术提供一种锂电池电荷状态模型高精度在线辨识方法，包括步骤：
3、获取锂电池在若干采样点上测量的状态数据，生成数据集；其中，所述状态数据包括负载电流和终端电压，所述采样点为所述锂电池在满电状态放电至截止电压过程中的时间节点；
4、根据所述数据集和ocv曲线的参数向量进行参数辨识，获得ecm参数向量；
5、根据所述数据集和所述ecm参数向量进行参数辨识，获得ocv曲线的参数向量估计值；
6、判断基于所述参数向量估计值评估的模型精度是否达到预设的第一阈值，若达到所述第一阈值，则输出对应的所述ecm参数向量和ocv曲线参数向量；若未达到所述第一阈值，则判断迭代次数是否达到预设的第二阈值，若达到所述第二阈值则结束流程；否则依据所述数据集进行ecm参数向量和ocv参数向量的迭代辨识。可选的，根据所述数据集和ocv曲线的参数向量进行参数辨识，获得ecm参数向量的步骤包括：
7、根据所述数据集中的第一目标数据和所述ocv曲线的参数向量，通过递归最小二乘算法进行参数辨识，获得ecm参数向量；其中，所述第一目标数据为所述数据集中的第一采样区间内的所述状态数据。
8、可选的，所述根据所述数据集中的第一目标数据和所述ocv曲线初始化的参数向量，通过递归最小二乘算法进行参数辨识，获得ecm参数向量的步骤包括：
9、通过离散库仑计数法基于所述第一目标数据计算所述采样点对应的soc值；
10、根据所述采样点对应的所述soc值和所述ocv曲线的参数向量计算所述锂电池在所述采样点对应的内部压降电压；
11、根据所述第一采样区间内的各个所述采样点的所述soc值和所述内部压降电压，通过递归最小二乘算法进行参数辨识，获得ecm参数向量。
12、可选的，根据所述数据集和所述ecm参数向量进行参数辨识，获得ocv曲线的参数向量估计值的步骤包括：
13、根据所述数据集中的第二目标数据和所述ecm参数向量，通过递归最小二乘算法进行参数辨识，获得ocv曲线的参数向量估计值；其中，所述第二目标数据为所述数据集中的第二采样区间内的所述状态数据。
14、可选的，所述根据所述数据集中的第二目标数据和所述ecm参数向量，通过递归最小二乘算法进行参数辨识，获得ocv曲线的参数向量估计值的步骤包括：
15、通过离散库仑计数法基于所述第二目标数据计算所述采样点对应的soc值；
16、根据所述第二采样区间内的各个所述采样点的所述soc值和所述ecm参数向量，通过递归最小二乘算法进行参数辨识，获得ocv曲线的参数向量估计值。
17、可选的，所述获取锂电池在若干采样点上测量的状态数据，生成数据集的步骤包括：
18、通过传感器测量各个采样点上对应的状态数据，并汇集形成数据集。
19、本专利技术还提供了一种锂电池电荷状态模型高精度在线辨识系统，包括有：
20、初始化单元，用于获取锂电池在若干采样点上测量的状态数据，生成数据集；其中，所述状态数据包括负载电流和终端电压，所述采样点为所述锂电池在满电状态放电至截止电压过程中的时间节点；
21、第一辨识单元，用于根据所述数据集和ocv曲线的参数向量进行参数辨识，获得ecm参数向量；
22、第二辨识单元，用于根据所述数据集和所述ecm参数向量进行参数辨识，获得ocv曲线的参数向量估计值；
23、判断处理单元，用于判断基于所述参数向量估计值评估的模型精度是否达到预设的第一阈值，若达到所述第一阈值，则输出对应的所述ecm参数向量和ocv曲线参数向量；若未达到所述第一阈值，则判断迭代次数是否达到预设的第二阈值，若达到所述第二阈值则结束流程；否则依据所述数据集进行ecm参数向量和ocv参数向量的迭代辨识。
24、另外，还提供了一种存储介质和计算机设备，所述存储介质用于存储一种用于执行上述锂电池电荷状态模型高精度在线辨识方法的计算机程序。
25、所述计算机设备包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的锂电池电荷状态模型高精度在线辨识方法。
26、本专利技术所述的锂电池电荷状态模型高精度在线辨识方法及其系统，通过获取锂电池在若干采样点上测量的状态数据，生成数据集；其中，状态数据包括负载电流和终端电压，所述采样点为锂电池在满电状态放电至截止电压过程中的时间节点；根据所述数据集和ocv曲线的参数向量进行参数辨识，获得ecm参数向量；根据所述数据集和ecm参数向量进行参数辨识，获得ocv曲线的参数向量估计值；判断基于所述参数向量估计值评估的模型精度和迭代次数是否达到预设的终止条件，若是则输出对应的ecm参数向量；否则，返回所述根据所述数据集和ocv曲线初始化的参数向量进行参数辨识，获得ecm参数向量的步骤进行迭代辨识。如此，本专利技术能够实现锂电池电荷状本文档来自技高网...
【技术保护点】
1.一种锂电池电荷状态模型高精度在线辨识方法，其特征在于，包括步骤：
2.根据权利要求1所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，根据所述数据集和OCV曲线的参数向量进行参数辨识，获得ECM参数向量的步骤包括：
3.根据权利要求2所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，所述根据所述数据集中的第一目标数据和所述OCV曲线初始化的参数向量，通过递归最小二乘算法进行参数辨识，获得ECM参数向量的步骤包括：
4.根据权利要求1所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，根据所述数据集和所述ECM参数向量进行参数辨识，获得OCV曲线的参数向量估计值的步骤包括：
5.根据权利要求4所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，所述根据所述数据集中的第二目标数据和所述ECM参数向量，通过递归最小二乘算法进行参数辨识，获得OCV曲线的参数向量估计值的步骤包括：
6.根据权利要求1所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，所述获取锂电池在若干采样点上测量的状态数据，生成数据
7.一种锂电池电荷状态模型高精度在线辨识系统，其特征在于，包括有：
8.一种存储介质，其特征在于，用于存储一种用于执行权利要求1～6中任意一种所述锂电池电荷状态模型高精度在线辨识方法的计算机程序。
9.一种计算机设备，包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～6任一项所述锂电池电荷状态模型高精度在线辨识方法。
...【技术特征摘要】
1.一种锂电池电荷状态模型高精度在线辨识方法，其特征在于，包括步骤：
2.根据权利要求1所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，根据所述数据集和ocv曲线的参数向量进行参数辨识，获得ecm参数向量的步骤包括：
3.根据权利要求2所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，所述根据所述数据集中的第一目标数据和所述ocv曲线初始化的参数向量，通过递归最小二乘算法进行参数辨识，获得ecm参数向量的步骤包括：
4.根据权利要求1所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，根据所述数据集和所述ecm参数向量进行参数辨识，获得ocv曲线的参数向量估计值的步骤包括：
5.根据权利要求4所述的锂电池电荷状态模型高精度在线辨识方法，其特征在于，所述...
【专利技术属性】
技术研发人员：秦泰春，苏新明，周月阁，胡芳，李树鹏，陈卓，庞博，张泽然，王笑寒，王雪薇，王鹏飞，杨绪帅，唐学伟，刘毅，
申请(专利权)人：北京卫星环境工程研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。