一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统与流程

背景技术：
：

动力电池广泛应用于新能源汽车领域，是新能源汽车的核心零部件，同时也是决定新能源汽车使用寿命、安全性和经济性的关键因素。动力电池系统是一类具有强时变非线性非均一特点的动态系统，随着对电池安全、热管理和寿命等问题的日趋重视，准确地获得电池的荷电、能量、健康、安全、峰值功率等状态信息和实时剩余寿命、剩余时间等的预测是电池使用过程中关注的核心问题和电池管理系统的核心功能。因此，往往需要一些特殊的传感器和检测设备去观察电池关键变量的变化，然而由于某些关键质量变量的传感器价格昂贵、可靠性差或者具有很大的测量滞后性等缺点，导致一些重要的过程变量不能实时有效地测量。为了解决这些问题，基于模型的电池管理方法得到广泛发展和使用，其中建立精确的电池仿真模型是实现电池状态估计与预测等功能的核心与前提。

现有电池模型按照建立的理论依据的区别，主要可分为电化学原理模型、等效电路模型和经验模型三类。电化学原理模型从电池本质电化学机理的角度分析电池运行过程中的性能变化规律，该类模型在SOH估计、RUL预测、热监控等方面具有一定优势，但模型极为复杂，参数众多，所需计算量大，同时SOC估计方面表现欠佳。等效电路模型通过对大量状态数据的分析，基于系统工作原理搭建电气元件构成的电路模型，对系统动态特性进行等效或近似，该类模型主要用于SOC估计，模型较为简单，计算量小，但难以实现SOH估计、RUL预测和热监控，同时在电池低电荷状态时有失效的趋势。经验模型不考虑锂离子电池内部的电化学反应及工作过程，直接从电池性能测试数据和状态监测数据(电压、电流、温度、阻抗等)挖掘其中隐含的电池状态信息及其演变规律，该类模型在一定程度上可以克服模型动态精度较差及普适性较差的问题，但需要大量数据进行训练，同时易受数据不确定性和不完整性的影响，鲁棒性和适应性较差。可以看出，虽然现有的各种电池模型相关理论已经较为成熟，但各种模型互有优劣，均只能够实现电池管理系统的一部分功能，在其余方面表现差甚至根本无法实现部分功能，或者在某些条件下失效，尚没有一种电池模型在多工况、多环境、多阶段下均能实现电池管理系统所需的全部功能。

基于此，本发明提出了一种基于自适应权重方法的电池多模型融合建模方法。通过深入分析不同电池模型在多工况、多环境、多阶段下的精度、稳定性、计算量和存储空间等性能特点，使用自适应权重方法赋予不同模型以不同权重或进行模型工作模式的切换，确保输出的融合模型或选中模型在任意使用条件下均能够以最优模式工作，最终实现对关键参数和性能进行精确、可靠的预测和跟踪，提升控制性能的整体品质。本发明还提出了使用上述基于自适应权重方法的电池多模型融合建模方法的电池管理系统。

技术实现要素：
：

本发明涉及一种基于自适应权重方法的电池多模型融合建模方法。

首先，依据电池系统模型的相关理论，建立多种单一电池模型；

其次，依据所述单一模型的特点，为其选取合适的参数辨识方法，利用所获实验数据进行参数辨识；

然后，依据已建立的单一电池模型，在多种工况条件下、外界环境下对所述电池模型进行仿真，将仿真值与实验数据进行对比，分析各模型在各条件下的精度、稳定性、鲁棒性等综合性能；

最后，依据所述分析，对所建立的模型进行融合，使用自适应算法为各模型在不同条件下赋予不同的权重，确保该条件下占优模型具有更高权重；必要时进行工作模式的切换，确保所述融合模型在任意使用条件下均能够以最优模式工作，最终实现了多工况、多状态下的多状态联合精确估计。

优选地，所述电池模型包括并不仅包括：伪二维电化学模型、n阶RC等效电路模型、交流阻抗模型。

优选地，所述参数辨识方法包括并不仅包括：卡尔曼滤波、H无穷卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法、最小均方根算法。

本发明还涉及一种电池管理系统，包括：传感器，实时采集电池系统信号，将所述信号输入至各单一电池模型；单一电池模型，所述单一电池模型至少两种，所述各单一电池模型独立完成电池管理系统的至少一类功能，并分别输出状态量；

数据中心，接受各状态量，对其归纳整理后输入至融合中心；融合中心，依据环境因素对每一类所述功能确立融合规则；电池状态估计中心,对于每个所述功能，将多个所述状态量按照所述融合规则进行融合，输出该功能的融合后的电池状态估计值。

优选地，所述融合后的电池状态估计值反馈至融合中心，融合中心根据电池状态实时对融合规则进行调整。

优选地，将融合后的电池状态估计值反馈至各单一电池模型，各单一电池模型依据当前电池状态对各单一电池模型进行调整

优选地，所述信号包括电流、端电压、温度的至少一个。

优选地，各单一电池模型使用各自的参数辨识方法对当前电池的参数进行辨识，并对当前的电池状态进行估计，分别得到各自的状态量。

优选地，环境因素包括当前温度、工况、电池工作区间、电池老化程度中的至少一种或多种。

优选地，所述融合规则是对各单一电池模型的每类功能设置权重因子。

本发明所提出的联合估计方法与传统方法相比具有以下优势：

(1)能够实现电池管理系统所需的全部功能，包括并不仅包括SOC估计、SOH估计、剩余寿命预测、电池热失控预测等；

(2)适用范围广，在所有工况条件、所有外界环境、所有电池状态下均能够实现电池管理系统所需的全部功能。

附图说明：

图1动力电池系统多状态联合估计融合模型流程图；

图2电化学模型原理示意图；

图3为n阶RC等效电路模型示意图；

图4遗传算法流程图；

图5算例1各模型SOC估计结果；

图6算例2各模型端电压仿真结果；

具体实施方式：

如本领域公知的，本发明的动力电池系统包括动力电池单体、动力电池包、或者成组后的动力电池。

本发明使用OCV代表开路电压，SOC代表电池荷电状态，SOH代表电池健康状态，RUL代表电池剩余寿命，SOE表示电池能量状态，SOP表示电池功率状态。

本发明的电池管理系统的功能包括但不限于：SOC估计、SOH估计、RUL预测、SOE估计、SOP估计、电池热监控。本发明所述的一种动力电池系统多状态联合估计融合模型流程如附图1所示。

本发明所述的动力电池系统多状态联合估计融合模型的建立方法包括：单一电池模型的建立、单一电池模型参数辨识和状态估计、单一电池模型评价、融合模型的建立四个部分。下面分别对上述四个部分进行详细叙述：

1、单一电池模型的建立

现有电池模型按照建立的理论依据的区别，主要可分为电化学原理模型、等效电路模型和经验模型三类。对于电池管理系统的不同功能而言，在不同外界条件以及不同工况下，不同模型表现互有优劣。为了得到在任意状态下均能实现电池管理系统所需的全部功能的融合模型，需要建立多个单一电池模型。建立所述融合模型用到的单一电池模型数量越多、种类越全，最终获得的融合模型的性能越全面。所用的单一电池模型种类和数量，可由使用要求、使用条件综合决定。本发明以伪二维电化学模型、n阶RC等效电路模型、交流阻抗模型为例，三种模型的具体建立过程如下：

步骤①：基于各单一电池模型的理论依据，建立各单一电池模型对应的数学方程，对电池充放电行为进行描述。

如图2示出电化学模型原理示意图。放电过程中，锂离子由负极材料粒子中扩散到表面，通过电化学反应释放到电解液当中，同时等电量的电子也被释放出；随后锂离子朝正极方向扩散，通过隔膜后到达正极，并在正极活性材料表面发生电化学反应进而扩散入正极活性粒子内部。与此同时，负极中被释放出来的电子在活性材料中向负极集流体方向运动，并在外电路中形成电流，到达正极集流体后最终进入正极活性粒子内部，实现电荷平衡。伪二维电化学模型所建立数学方程如下：

ε_e为液相体积分数；

c_e为液相锂离子浓度；

x为板极厚度方向；

D^eff_e为锂离子液相有效扩散系数；

a为电极颗粒单位体积的表面积；

t⁰₊为锂离子液相转移系数；

j_r为固相-液相交界面处的锂离子流量密度；

c_s为固相锂离子浓度；

r为固体球形颗粒的半径方向；

D_s为锂离子固相扩散系数；

κ^eff为液相有效离子电导率；

φ_e为锂离子电池液相势能；

R为摩尔气体常数；

T为电池温度；

F为法拉第常数；

i_e为液相电流密度；

σ^eff为固相有效扩散电导率；

φ_s为固相势能，φ_s，p为正极固相势能，φ_s,n为负极固相势能；

i_s为固相电流密度；

i_e为液相电流密度；

j_r为固相-液相交界面处的锂离子流量密度；

i₀为交换电流密度；

α_a和α_c分别为阳极、阴极传递系数；

η为球形颗粒表面过电势，η_p为正极球形颗粒表面过电势，η_n为负极球形颗粒表面过电势；

k_s为电化学反应常数；

c_e为液相锂离子浓度；

c_s,max为活性材料锂离子浓度最大值；

c_e-s为固相-液相交界面处的锂离子浓度；

E_OCV为电极材料开路电势，E_OCV，p为正极电极材料开路电势，E_OCV，n为负极电极材料开路电势；

U_t为端电压。

图3为n阶RC等效电路模型，其所建立数学方程如下：

U_oc为电池开路电压；

U_Di表示在第i个RC网络两端的极化电压；

R_Di表示第i个RC网络的极化电阻；

C_Di表示第i个RC网络的极化电容；

i_L表示流经电池的电流；

U_t为端电压。

交流阻抗模型所建立数学方程如下：

Z为电池交流阻抗；

R为电池内阻；

Y₀为常相位角元件绝对值；

n是一个无量纲的指数，用来衡量常相位角元件偏离纯电容元件的程度，0<n<1；

ω为输入交流电频率；

j为虚数单位；

Z’为电池交流阻抗实部；

Z”为电池交流阻抗虚部。

步骤②：优选的，对于复杂的偏微分方程，采用有限差分法，有限元法等有限分析方法转化为常微分方程。

步骤③：优选的，对于较为简单的低阶常微分方程，建立其状态空间表达式，使用求特征矩阵或双线性变换等方法对其离散化，建立描述电池充放电行为的差分方程。

步骤④：优选的，对于较为复杂的高阶常微分方程，无法求得数值解，采用欧拉法、龙格库塔法等数值计算方法，求得其近似解，建立描述电池充放电行为的差分方程。

至此，已完成三个单一电池模型的建立，如前所述单一电池模型数量越多、 种类越全，最终获得的融合模型的性能越全面，本发明的方法所需的单一模型的数量至少为两个。

2、单一电池模型参数辨识和状态估计

对于所述已建的单一电池模型，其内部参数尚无法确定，需对其进行辨识。常用参数辨识方法可分为离线辨识方法和在线辨识方法。离线辨识方法以总体误差为目标函数，寻找使整体误差最小的一组参数，精度较高，但计算量较大，适用性较差，需要定期进行参数的校准。优选的，常用的离线辨识方法有卡尔曼滤波、H无穷卡尔曼滤波、遗传算法、粒子群算法等。在线辨识方法能够实时追踪输入信号，计算量小，但精度较离线辨识方法略差。常见的在线辨识方法有递推最小二乘算法、最小均方根算法等。

以遗传算法为例，参数的离线辨识具体步骤如下，流程图如图4所示：

步骤①：将工况按SOC工作区间，从100％至0％等分为10个工作区间，每个区间单独进行参数的辨识。可根据实际需要和实际条件调整区间个数。

步骤②：确定决策变量和约束条件。决策变量即为待辨识的参数，约束条件为参数的解空间，即待辨识参数的取值范围。

步骤③：确定目标函数，即各区间电压的误差平方和函数。

步骤④：确定待辨识参数的编码方法和解码方法。

步骤⑤：确定个体基因的评价方法。

步骤⑥：设计遗传因子。

步骤⑦：设置遗传算法的运行参数。

步骤⑧：对待辨识参数进行编码，随机产生若干个初始个体，进行种群初始化。

步骤⑨：计算种群中个体适应度。

步骤⑩：对种群进行遗传、交叉和变异，获得子代。

步骤对子代进行解码，判断是否满足要求。若满足，辨识结束；若不满足，重复步骤⑩。

以递推最小二乘算法为例，在线参数辨识具体步骤如下：

步骤①：将所述建模过程中所获的差分方程写作式4的形式：

步骤②：最小二乘法算法的初始化：分别设置状态向量、参数向量以及最小二乘算法所需的增益向量和误差协方差矩阵的初值。包括：

为状态向量的初始值；

为参数向量估计值的初始值；

K(0)为增益向量的初始值；

P(0)为误差协方差矩阵的初始值。

本领域技术人员根据最小二乘法算法本身的收敛特性以及电池参数变化的范围给定初始值。通常K(0)可将向量中所有元素赋值为0，P(0)可赋值为单位矩阵I乘以10的6次方。由于最小二乘算法本身的鲁棒性，一旦给定了初值，随着时间更新和测量更新，各元素都会更新，所以此初值不影响估计的结果。

步骤③：当采样时间k∈{1,2,...,∞}时，基于电流、电压等信息的不断输入，按式6进行如下递推计算：

为k时刻状态向量；

P(k)为k时刻误差协方差矩阵；

K(k)为k时刻增益向量；

为k时刻参数向量估计值；

y(k)为k时刻差分方程输出量的实验值。

λ为依据采样间隔和最佳遗忘因子曲线获得的最佳遗忘因子，在整个算法过程中为一常数。

至此，已完成单一电池模型的参数辨识。

单一电池模型状态估计：依据所述参数辨识结果，可根据SOC、SOH、RU L等状态的定义对各状态进行估计。

3、单一电池模型评价

将所述各状态估计值与实验测量值进行对比，获得估计结果的误差。对整个参数辨识和状态估计的过程和结果进行评估，获得各单一电池模型的性能指标。所述性能指标至少包括以下指标的一种或几种：

指标①：最大绝对误差(MAE)；

指标②：均方根误差(RMSE)；

指标③：平均估计误差(MEE)；

指标④：算法收敛时间；

指标⑤：计算所需时间；

指标⑥：计算所需存储空间；

指标⑦：算法鲁棒性。

所述评价过程应在各种电池使用条件下进行，以确保可以获得多维度的单一电池模型评价结果。所述电池使用条件至少包括两个以下指标的：

条件①：温度；

条件②：SOC工作区间；

条件③：放电倍率；

条件④：电池老化程度；

条件⑤：电池充放电工况。

4、融合模型的建立

基于所述单一电池模型评价结果，对各单一电池模型进行融合。所述融合过程将从分别从并联融合和串联融合两个方面进行。

并联融合：多个单一电池模型共同完成同一状态的估计。针对不同单一电池模型在不同使用条件下评价指标不同的现象，赋予占优的单一电池模型以更高的权重，以确保融合模型具有尽可能好的性能指标。同时对于性能指标过差的单一电池模型，可以在该使用条件下暂时停止运行以减少计算量和节约存储空间。以本发明所述的电化学模型和等效电路模型为例，电化学模型在SOC估计方面性能较弱，等效电路模型在SOC估计方面性能较佳，但在电池低电荷状态时有实效的趋势。因此，可在高电荷状态时赋予等效电路模型以较高权重，电化学模型较低权重或处于休眠状态；在低电荷状态时激活电化学模型，赋予其较高权重并降低等效电路模型的权重。

串联融合：多个单一电池模型共同完成多状态的联合估计，其估计结果为其他单一电池模型所用。以本发明所述的三个单一电池模型为例，电化学模型在SOH估计、RUL预测方面性能较佳，等效电路模型在SOC估计方面性能较佳，交流阻抗模型在阻抗估计、SOH估计、热监控方面性能较佳。三者可互相为对方提供参数，如电化学模型为等效电路模型提供SOH估计结果，交流阻抗模型为等效电路模型提供阻抗估计结果，均有助于提高等效电路模型的SOC估计精度；等效电路模型为电化学模型和交流阻抗模型提供SOC估计结果，同样有助于二者提高估计精度。

融合模型建立的具体步骤如下，流程图如图1所示：

步骤①：传感器实时采集电池系统电流、端电压、温度等信号；

步骤②：将传感器采集到的信号输入至各单一电池模型，各单一电池模型使用合适的滤波器和参数辨识方法对当前的电池系统参数进行辨识，并对当前的电池状态进行估计，得到各自的状态量，独自完成电池管理系统的部分功能；

步骤③：将各单一电池模型辨识出的电池状态输入至数据中心，数据中心对其归纳整理后输入至融合中心；

步骤④：融合中心依据当前温度、工况、电池工作区间、电池老化程度等环境因素对不同的功能确立相适应的融合规则，所述融合规则是对各模型进行权重分配。也就是说，对于电池的不同功能而言，该步骤是独立进行的，即各模型在对于不同功能都具有不同的权重因子；

步骤⑤：对于每个功能，将所述多个状态量按照分配好的权重因子进行融合，完成该功能的融合后的电池状态估计；

步骤⑥：将融合后的输出结果反馈至融合中心，融合中心根据电池状态实时对融合规则进行调整；

步骤⑦：将融合后的输出结果反馈至各单一模型，各单一模型依据当前电池状态对各模型内部进行调整。

算例：

算例1：对于所述n阶RC模型，通常来说RC网络串联的越多模型对于极化特性的描述越准确。但是，增加RC网络意味着模型的复杂度也在增加。因此，利用n阶RC等效电路模型始终存在模型预测精度与计算复杂度之间的权衡问题。常用的n阶RC模型有戴维南(Thevenin)模型、双极化(Double Porlarization，DP)模型以及3阶RC(3rd-RC)模型，分别对应图2中N＝1、2、3的情形。采用多模型概率融合估计方法(MMPFE,Multi-model Probabilities based Fusion Estimation)对这三种单一电池模型进行融合。融合方法采用流程图1所述方法，即三个单一电池模型分别为戴维南模型、双极化模型和3阶RC模型。实时测量的端电压和电流与3个模型的辨识参数一同进入与模型相对应的滤波器进行参数辨识与状态估计，得到荷电状态估计值与端电压的估计值荷电状态的估计值用以作为融合的“基”。端电压的估计值进入融合规则模块，用以计算不同模型的估计权重ω_i(i＝1、2、3)。最终，SOC的融合估计结果是各个模型估计结果的加权并反馈至各模型用以作为下一时刻状态估计的初始值。

其中ω_i满足，

图5展示了在25℃下不同方法的SOC估计分布及相应的估计误差。其中图5(a)SOC估计值分布；图5(b)SOC估计误差分布；图5(c)区域A内SOC估计误差放大图；图5(d)区域B内SOC估计误差放大图。从图5(a)-(b)可以看到，各种方法在一定时间内均能够收敛到SOC真实值，并将估计精度控制在3％以内。在此温度下，Thevenin模型的MAE点与其他两个模型分布不一致。融合估计方法成功地避开了图5(c)-(d)中具有较大估计误差模型的干扰，使得估计误差在总体上得到一定提升。从表1可以看到，经过融合后SOC估计精度的提升较为明显，达到2.94％。在估计可靠性方面，MME提升效果不明显，只有1.90％；然而RMSE结果提高了3.17％，说明该方法在提升估计可靠性方面也是有效的。另外，值得一提的是：相比于2、3阶RC模型的收敛速度，融合估计方法继承了戴维南模型收敛速度快的优点。由此可见，相较于传统模型，本发明所述融合模型能够提高单一功能方面的综合性能。

表1 25℃下的SOC估计误差统计数据

算例2：对于本发明所述的伪二维电化学模型、等效电路模型和交流阻抗模型，三者分别只能够完成电池管理系统所需的部分功能。伪二维电化学模型常用于SOH估计、RUL预测和热监控，在低荷电状态时也可用于SOC估计；等效电路模型常用于正常荷电状态下的SOC估计、SOP估计和SOE估计，在SOH方面表现一般；交流阻抗模型常用于SOH估计和热监控。采用所述自适应权重方法对这三种单一电池模型进行融合，融合方法采用如图1所述方法，即三个单一电池模型分别为伪二维电化学模型、等效电路模型和交流阻抗模型。图中，实时测量的端电压和电流与3个模型的辨识参数一同进入与模型相对应的滤波器进行参数辨识与状态估计，得到各模型独自的各状态估计值与端电压的估计值。端电压的估计值进入融合中心，结合当前使用条件确立融合规则，依据融合规则分配各模型 在各功能方面的权重，最终实现融合模型的各功能。最后，将各状态估计结果反馈至融合中心自适应优化融合规则和权重分配，反馈至各单一电池模型优化单一电池模型仿真精度。图6为各单一模型、融合模型对端电压的仿真结果和端电压测量值。表2为某时刻某状态下某三元材料锂离子电池各状态估计结果。由此可见，相较于传统模型，本发明所述融合模型能够实现电池管理系统所需的全部功能。

表2融合模型状态估计结果