一种动力电池系统在线参数辨识与回溯方法与流程

本发明涉及动力电池系统管理技术领域，尤其是动力电池的参数辨识技术。

背景技术：

状态估计作为动力电池管理系统的核心功能之一，其精确性及稳定性通常需要以荷电状态(soc)、健康状态(soh)、功率状态(sop)等参数的精确辨识为基础。现有的对上述参数进行在线辨识的方法中，通常是利用电流、端电压等测量信息实时得到当前状态下的参数值，适用于复杂多变的实车系统。然而，目前常用的基于递推最小二乘的辨识方法缺乏对参数的合理约束，辨识结果稳定性较差，在复杂工况下参数辨识结果可能出现异常抖动，甚至出现发散的现象，使得辨识得到的参数失去其物理意义，不便于利用在后续的状态估计中。因此，本领域需要一种稳定性强的、能对参数的异常抖动进行有效抑制的参数辨识方法。

技术实现要素：

针对本领域中存在的上述技术问题，本发明提供了一种能有效抑制抖动的动力电池系统在线参数辨识与回溯方法，具体包括以下步骤：

步骤1、建立动力电池的状态空间模型；

步骤2、实时在线获取并存储动力电池运行过程中的端电压和电流信息；

步骤3、基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识；

步骤4、基于此前若干时刻的参数辨识结果，动态设定参数的上、下边界约束，对当前时刻的初步参数辨识结果进行约束；

步骤5、利用步骤4得到的参数辨识结果进行端电压预测，得到端电压预测误差；

步骤6、判断所述端电压预测误差是否超过设定范围，若未超过设定范围，则跳转至步骤8，否则转入步骤7；

步骤7、在回溯步数s达到设定的最大步数前，将s步之前的参数值作为当前时刻的参数辨识结果，并返回至所述步骤5。若s已达到最大步数则停止回溯，选取回溯过程中端电压预测误差最小的一组参数值作为当前时刻的参数辨识结果；

步骤8、输出当前时刻的参数辨识结果，并执行下一时刻的在线参数辨识。

进一步地，所述步骤1中基于动力电池一阶rc等效电路模型建立的所述状态空间模型，所述模型参数具有以下关系：

并且，

其中，k表示时刻，ut和i分别表示端电压和电流，φ表示测量的数据矩阵，θ表示需要辨识的未知参数矢量，δt表示系统的采样周期，uoc表示开路电压ocv，ro表示欧姆内阻，rp表示极化内阻，τ表示时间常数。

进一步地，所述步骤3中的基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识具体包括：

步骤3.1、计算增益矩阵其中pk-1表示上一时刻的误差协方差矩阵；

步骤3.2、计算误差协方差矩阵pk＝(i-kkφk)pk-1/μ，其中i表示单位矩阵，μ表示遗忘因子；

步骤3.3、更新未知参数矢量θk＝θk-1+kk(yk-φkθk-1)；

步骤3.4、根据所述更新的未知参数矢量求解初步参数辨识结果：

进一步地，所述步骤4具体包括：

步骤4.1、计算此前若干时刻的参数辨识结果的均值μ和标准差σ；

步骤4.2、动态地将各参数的上边界值设定为μ+3σ，下边界值设定μ-3σ和0中的较大值；

步骤4.3，判断当前时刻的所述初步参数辨识结果是否超过了相应的参数边界约束，若超过了边界约束，则令该参数等于相应的边界值。

上述本发明所提供的方法通过对此前若干时刻的参数辨识结果设置动态的边界约束，来实现对当前时刻的参数辨识结果进行约束，可以有效遏制递推最小二乘法在参数在线辨识过程中出现参数的异常抖动现象；同时，根据端电压预测误差判断参数辨识结果是否出现异常，通过对参数进行回溯可以减小端电压预测误差；因此，本发明相对于现有技术能够显著提高参数辨识算法的稳定性。基于本发明得到的模型参数，可进一步应用于动力电池包括soc和sop在内的状态估计。

附图说明

图1是本发明提供方法的流程示意图

图2是动力电池状态空间模型所基于的等效电路示意图

图3是udds工况的参数辨识结果对比

图4是udds工况的端电压预测误差对比

具体实施方式

下面结合附图对本发明所提供的一种动力电池系统在线参数辨识与回溯方法进行详细说明。

本发明所提供的方法如图1所示，具体包括以下步骤：

步骤1、建立动力电池的状态空间模型；

步骤2、实时在线获取并存储动力电池运行过程中的端电压和电流信息；

步骤3、基于递推最小二乘法对所述状态空间模型进行在线初步参数辨识；

步骤4、基于此前若干时刻的参数辨识结果，动态设定参数的上、下边界约束，对当前时刻的初步参数辨识结果进行约束；

步骤5、利用步骤4得到的参数辨识结果进行端电压预测，得到端电压预测误差；

步骤6、判断所述端电压预测误差是否超过设定范围，若未超过设定范围，则跳转至步骤8，否则转入步骤7；

步骤7、在回溯步数s达到设定的最大步数前，将s步之前的参数值作为当前时刻的参数辨识结果，并返回至所述步骤5。若s已达到最大步数则停止回溯，选取回溯过程中端电压预测误差最小的一组参数值作为当前时刻的参数辨识结果；

步骤8、输出当前时刻的参数辨识结果，并执行下一时刻的在线参数辨识。

所述步骤2中所述的动力电池状态空间模型基于图2所示的一阶rc等效电路模型建立。

在本发明的一个优选实施例中，选用镍钴锰三元锂电池为研究对象，其额定容量为2ah，充、放电截止电压分别为4.1v和3.0v。实验工况为城市道路循环工况(udds)。用电池测试设备测量得出的端电压值作为参考值，与所述算法的端电压预测值作对比，以验证算法的端电压预测精度。同时，将本发明提出的参数辨识与回溯方法与传统的带遗忘因子的递推最小二乘辨识方法进行比较，以说明所述方法得到的在线参数辨识结果的稳定性。

图3所示为在udds工况下，传统的带遗忘因子的递推最小二乘法与本发明所提供的在线参数辨识与回溯方法的辨识结果对比。图4所示为在udds工况下，传统的带遗忘因子的递推最小二乘法与本发明所提供的在线参数辨识与回溯方法的端电压预测误差对比。由图3和图4可知，传统方法得到的参数辨识结果存在明显的抖动，尤其是在13600秒之后，soc低于10％的状态下，参数的抖动异常剧烈，且端电压预测误差也明显增大，可见此时算法已经发散；而本发明所提出方法得到的参数辨识结果，其抖动幅度明显小于传统方法的结果，参数值虽然仍存在抖动现象，但在合理的可接受范围内，端电压预测误差也明显减小，误差的均方根值为8.1mv，且即使在低soc区域，其最大预测误差也小于0.1v。因此，本发明所提出的在线参数辨识与回溯方法，相比于传统的带遗忘因子的递推最小二乘法具有更好的稳定性，在动力电池的低soc阶段，可以明显减少参数的异常抖动，参数辨识结果仍可保持较好的稳定性，且端电压预测误差也有所减小。

以上所述的具体实施方式，显示和描述了本发明的基本原理和主要特征。本领域的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和原则的情况下，本发明还会有各种变化和修改，这些变化和修改都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求及其等效物界定。