一种动力电池的分数阶KiBaM模型参数辨识方法及系统与流程

文档序号:11229064阅读:1067来源:国知局
一种动力电池的分数阶KiBaM模型参数辨识方法及系统与流程

本发明属于动力电池建模领域,尤其涉及一种动力电池的分数阶kibam模型参数辨识方法及系统。



背景技术:

随着世界技术的革新,面临石油消耗的危机和大气环境污染的加剧,增加了对混合动力汽车、纯电动汽车、燃料电池汽车等电动汽车研发的投入与政策的扶持力度成为各国能源发展战略的重要举措。在新能源发展体系中,动力电池作为电动汽车动力系统、光伏电站和储能电站能源存储的关键部分,如何更好降低动力电池的生产成本,延长动力电池寿命和充分使用电池可用容量便成为了当前的研究热点。电池荷电状态估计是电动汽车车用动力电池系统研究的难点之一,电池剩余电量估算的精度直接关系到电动汽车的使用性能,而电池模型的建立是电池荷电状态估计的基础。电池模型描述了电池内部状态变量与外部特性之间的特定关系,准确的电池荷电状态估计是需要建立一个有效的电池模型作为保障的。

现有常用的动力电池模型有两种:无量纲的电化学模型和有量纲的等效电路模型。电化学模型对应电池内部微观尺度的动力学信息,即使应用首性原理(firstprinciple)仍很难与电压、电流等外特性量化关联。

但是,现有的分数阶模型辨识要么在频域内采用阻抗谱分析、伯德图、奈奎斯特曲线等方法,利用电化学工作站等动力电池测试仪器获得无损激励下动力电池的精确模型;要么通过获取电压、电流等外部数据应用整数阶建模的方法在时域内实现分数阶模型参数的辨识。二者各有利弊且均存在一定的缺陷:首先,阻抗谱分析针对的是半电池,其输入必须是对电池无损的持续激励,不适用于实际工况,其应用局限在电池的研发阶段。第二,时域内的模型辨识可以获得非常精确的模型,但是分数阶模型的时域辨识缺乏相应的理论方法因此存在一定困难,如利用grunwald-letnikov等方法获得的离散模型存在计算量巨大从而无法应用等问题)。第三,分数阶阶次的辨识是分数阶模型辨识的关键环节,然而现有的分数阶阶次辨识方法多采用区间分割法容易陷入伪阶次的情况,极大地影响了模型辨识的精度。



技术实现要素:

为了解决现有技术的缺点,本发明的第一目的是提供一种动力电池的分数阶kibam模型参数辨识方法。该方法能够保留全部模型参数的物理意义,利用分数阶阶次的全参数自适应辨识方法,在其他参数未精确已知时能够通过迭代学习获得精确的阶次,不仅能够提高模型的精度,同时满足实际工况下动力电池测试、模拟和bms的实际需求,更进一步通过结合其他技术能够更好的实现动力电池内部多状态的精确综合估计。

本发明的一种动力电池的分数阶kibam模型参数辨识方法,所述动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成;线性动态环节为动力的电池时间常数构成的线性参数向量,非线性静态环节为动力电池的非线性放电特性相关的非线性参数向量;所述动力电池的分数阶kibam模型参数辨识方法包括:

步骤1:初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量;

步骤2:利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型;

步骤3:采集动力电池的实际输出,计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数;否则,返回步骤1。

进一步的,在所述步骤1中,利用最小二乘辨识方法辨识非线性参数向量。

进一步的,在所述步骤2中,利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

本发明的第二目的是提供一种动力电池的分数阶kibam模型参数辨识系统。该系统能够保留全部模型参数的物理意义,利用分数阶阶次的全参数自适应辨识,在其他参数未精确已知时能够通过迭代学习获得精确的阶次,不仅能够提高模型的精度,同时满足实际工况下动力电池测试、模拟和bms的实际需求,更进一步通过结合其他技术能够更好的实现动力电池内部多状态的精确综合估计。

本发明的一种动力电池的分数阶kibam模型参数辨识系统,所述动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成;线性动态环节为动力的电池时间常数构成的线性参数向量,非线性静态环节为动力电池的非线性放电特性相关的非线性参数向量;所述动力电池的分数阶kibam模型参数辨识系统包括:

非线性参数向量辨识模块,其用于初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量;

线性参数向量辨识模块,其用于利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型;

模型最优参数获取模块,其用于采集动力电池的实际输出,计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数。

进一步的,在所述非线性参数向量辨识模块中,利用最小二乘辨识方法辨识非线性参数向量。

进一步的,在所述线性参数向量辨识模块中,利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

本发明还提供了另一种动力电池的分数阶kibam模型参数辨识系统。

本发明的一种动力电池的分数阶kibam模型参数辨识系统,所述动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成;线性动态环节为动力的电池时间常数构成的线性参数向量,非线性静态环节为动力电池的非线性放电特性相关的非线性参数向量;所述动力电池的分数阶kibam模型参数辨识系统包括:

数据采集装置,其被配置为:采集动力电池的实际输出并传送至服务器;

所述服务器,其被配置为:

初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量;

利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型;

计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数。

进一步的,所述服务器,还被配置为:利用最小二乘辨识方法辨识非线性参数向量。

进一步的,所述服务器,还被配置为:利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

进一步的,所述服务器还与显示装置相连,所述显示装置用于展示动力电池的分数阶kibam模型的最优参数。

本发明的有益效果为:

(1)本发明的该方法保留了全部模型参数的物理意义,如kibam非线性项对应着动力电池的欧姆内阻,w和cpe分别对应动力电池内部不同位置的扩散性质等;该方法适用于caputo,riemann-liouville,grunwald-letnikov等多种分数阶导数的定义,且兼容各式分数阶算子的高精度计算方法;该方法首次提出了分数阶阶次的全参数自适应辨识方法,在其他参数未精确已知时能够通过迭代学习获得精确的阶次。

(2)本方法不仅能够提高模型的精度,同时满足实际工况下动力电池测试、模拟和bms的实际需求,更进一步通过结合其他技术能够更好的实现动力电池内部多状态的精确综合估计。

(3)本方法的迭代学习分数阶阶次辨识方法是全参数自适应的,避免了区间分割法可能会造成的伪阶次问题,从而有效减少了模型的标定次数。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。

图1是动力电池的分数阶kibam模型;

图2是动力电池的分数阶kibam模型参数辨识方法流程图;

图3是锂电池等效电路结构;

图4是辨识得到的动力电池模型输出与实际输出对比效果图;

图5是一种动力电池的分数阶kibam模型参数辨识系统结构示意图;

图6是另一种动力电池的分数阶kibam模型参数辨识系统结构示意图。

具体实施方式

应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

鉴于充放电的需求,其负极的多孔(分形)性必然存在,从而引出了瓦尔堡阻抗(w元件)和cpe元件的概念,他们已成为动力电池等效电路模型的必备元件,而这两个元件均为分数阶的,因此分数阶等效电路模型蕴含着更多的物理意义,其参数与动力电池内部特性紧密关联,在实际应用中可有效避免模型的频繁标定。

1.1电池模型建立

动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成,如图1所示。

动态线性环节为如下等比例阶次分数阶传递函数形式:

其中,正整数r和h均假设已知,p、p分别表示iα、jα阶次分数阶微分,bi、aj分别表示iα、jα阶次分数阶微分相应的系数且均为常数。

其中,动态线性环节对应动力电池的时间常数。分数阶阶次α对应电池内部电子的扩散。

式(1)中含有h+r+1个线性参数构成线性参数向量θl:

θl=[ah,…,a1,br,…,b0]t

非线性静态部分f(u)由多项式表示:

f(u)=β0+β1u+β2u2+…+βmum

其中,u表示动力电池输入量;βk表示非线性静态部分的系统,k=0,1,…,m,m为自然数。

非线性参数向量θn由m+1个参数构成:

θn=[β0β1β2…βm]t

其中,非线性参数向量对应电池的非线性容量特征。

非线性参数向量的物理意义为电池不同部分间的扩散过程,即对应不同工作负载和电极材料的缓冲区电子。

1.2参数辨识问题的定义

电池模型建立好后,模型中参数辨识问题定义为:给定采集到的系统输入数据u(i)和输出数据y(i),其中,i=1,2,…,n;n为正整数。寻找动力电池的分数阶kibam模型的分数阶以及相关参数使得动力电池系统的成本函数达到最小值。

动力电池系统的成本函数为:

其中,v=y-g(p)f(u)。

图2是动力电池的分数阶kibam模型参数辨识方法流程图。

如图2所示,本发明的动力电池的分数阶kibam模型参数辨识方法包括:

步骤1:初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量。

以图3所示的锂电池等效电路结构为例,n元件表示电池的非线性容量特征;rc环节(rc值)对应电池的时间常数;w元件对应电子在负极的扩散。

在步骤1中,利用最小二乘辨识方法辨识非线性参数向量。

对该结构建立分数阶kibam模型,其中rs表示非线性环节,后部分表示线性环节。根据dst(动态压力测试)标准,采集得到的i/v数据作为待辨识模型的输入输出数据。测试根据锂电池性质中选取warburg阻抗阶次为β=0.5,等效电路中的其它参数分别为rs=19.1mω,rp=15.6mω,y0=1.24mho,y1=370mho,α=0.665。由此得到交流阻抗为:

其中,非线性项rs随误差变化。

步骤2:利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型。

在步骤2中,利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

步骤3:采集动力电池的实际输出,计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数;否则,返回步骤1。

在本实施例中,动力电池的电流信号作为整个动力电池系统的输入信号,动力电池的电压信号作为整个动力电池系统的输出信号。

实验辨识得到的分数阶模型与实际输出的对比效果见图4,其中rs∈[34,37.7]。

本发明的该方法保留了全部模型参数的物理意义,如kibam非线性项对应着动力电池的欧姆内阻,w和cpe分别对应动力电池内部不同位置的扩散性质等;该方法适用于caputo,riemann-liouville,grunwald-letnikov等多种分数阶导数的定义,且兼容各式分数阶算子的高精度计算方法;该方法首次提出了分数阶阶次的全参数自适应辨识方法,在其他参数未精确已知时能够通过迭代学习获得精确的阶次。

本方法不仅能够提高模型的精度,同时满足实际工况下动力电池测试、模拟和bms的实际需求,更进一步通过结合其他技术能够更好的实现动力电池内部多状态的精确综合估计。

图5是一种动力电池的分数阶kibam模型参数辨识系统结构示意图;

如图5所示,动力电池的分数阶kibam模型参数辨识系统,所述动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成;线性动态环节为动力的电池时间常数构成的线性参数向量,非线性静态环节为动力电池的非线性放电特性相关的非线性参数向量;所述动力电池的分数阶kibam模型参数辨识系统包括:

(1)非线性参数向量辨识模块,其用于初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量;

在所述非线性参数向量辨识模块中,利用最小二乘辨识方法辨识非线性参数向量。

(2)线性参数向量辨识模块,其用于利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型;

在所述线性参数向量辨识模块中,利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

(3)模型最优参数获取模块,其用于采集动力电池的实际输出,计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数。

在本实施例中,动力电池的电流信号作为整个动力电池系统的输入信号,动力电池的电压信号作为整个动力电池系统的输出信号。

本发明的动力电池的分数阶kibam模型参数辨识系统。该系统能够保留全部模型参数的物理意义,利用分数阶阶次的全参数自适应辨识,在其他参数未精确已知时能够通过迭代学习获得精确的阶次,不仅能够提高模型的精度,同时满足实际工况下动力电池测试、模拟和bms的实际需求,更进一步通过结合其他技术能够更好的实现动力电池内部多状态的精确综合估计。

图6是另一种动力电池的分数阶kibam模型参数辨识系统结构示意图。

如图6所示,本发明的一种动力电池的分数阶kibam模型参数辨识系统,所述动力电池的分数阶kibam模型由一个非线性静态环节与线性动态环节串联构成;线性动态环节为动力的电池时间常数构成的线性参数向量,非线性静态环节为动力电池的非线性放电特性相关的非线性参数向量;所述动力电池的分数阶kibam模型参数辨识系统包括:

(1)数据采集装置,其被配置为:采集动力电池的实际输出并传送至服务器;

(2)所述服务器,其被配置为:

初始化线性参数向量,利用迭代学习辨识方法来辨识所述分数阶kibam模型的分数阶阶次,得到分数阶阶次初值,由此辨识非线性参数向量;

利用辨识的非线性参数向量,再结合分数阶阶次,辨识线性参数向量,进而确定出动力电池的分数阶kibam模型;

计算并判断所确定的动力电池的分数阶kibam模型输出与采集的动力电池实际输出偏差的范数是否达到最小值,若是,则结束辨识,得到动力电池的分数阶kibam模型的最优参数。

在本实施例中,动力电池的电流信号作为整个动力电池系统的输入信号,动力电池的电压信号作为整个动力电池系统的输出信号。

其中,所述服务器,还被配置为:利用最小二乘辨识方法辨识非线性参数向量。

所述服务器,还被配置为:利用最小二乘辨识方法辨识线性参数向量。

在辨识和参数估计领域中,最小二乘辨识法即可用于动态系统也可以用于静态系统,即可用于线性系统也可用于非线性系统,即可用于离线估计又可用于在线估计;而且在随机的环境下,利用最小二乘法时,并不要求观测数据提供出有关它的概率统计方面的信息,而用这种方法所获得的估计结果,有相当好的统计特性,而且利用最小二乘原理所拟定的辨识算法在实施上比较简单。

在另一实施例,服务器还与显示装置相连,所述显示装置用于展示动力电池的分数阶kibam模型的最优参数。

上述典例虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形(如分数阶高阶模型和分数阶hammerstein-wiener模型等)仍在本发明的保护范围以内。

上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1