本发明涉及电池模型参数辨识,尤其是涉及一种改进vffrls的锂电池模型参数辨识方法。
背景技术:
1、近年来,由于石油资源的日渐枯竭以及化石燃料带来日益严重的环境污染问题,新能源电动汽车凭借出色的续航性能和环境友好性受到人们的青睐。锂离子电池由于其能量密度高、寿命长、环境友好等优点,被作为动力源在新能源汽车中得到广泛应用。锂离子电池的性能直接影响新能源电动汽车的使用性能。bms是电池应用的关键部分,其核心功能是精确估计和预测电池运行状态,依赖于电池模型和模型参数。目前,如何提高电池模型和参数辨识方法的精度是电池管理亟待解决的关键问题。
2、选取合适的电池模型是保证电池参数辨识的精度的前提。目前比较常用的包括电化学模型、等效电路模型等。其中电化学模型中涉及大量电池内部化学反应,整个建模过程中存在着许多复杂的方程式且要求专业的化学知识,对建模者要求较高。等效电路模型则是利用简单的电路元件的组合来描述电池工作时的电压电流变化关系,模型中具有清晰简单的函数关系式,是大部分学者都选择的建模方式。等效电路模型参数辨识方法主要分为离线参数辨识和在线参数辨识。离线参数辨识的模型参数是固定的,在一些复杂的电池工况下,离线辨识得到的参数值不能准确反映电池当前工作下的电池变化情况。递归最小二乘(rls)算法是一种易于实现的算法,但是,随着数据的增加,会出现数据饱和等现象,不能很好地用于参数识别。为了削弱历史数据对参数辨识的影响,加强当前数据的影响,带遗忘因子的最小二乘算法(ffrls)在rls算法的基础上增加了遗忘因子,以解决数据饱和问题但难以权衡参数辨识能力与收敛性、稳定性之间的关系。
3、动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。递推最小二乘(rls)算法被认为是一种精确的锂离子电池参数辨识方法。然而,传统的rls算法通常采用固定的遗忘因子,电压误差值存在偏差,导致模型精度降低。
技术实现思路
1、本发明的目的是提供一种改进vffrls的锂电池模型参数辨识方法,解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供了一种改进vffrls的锂电池模型参数辨识方法,包括以下步骤:
3、步骤1,电池建模:采用戴维南模型作为电池等效电路模型,运用基尔霍夫定律得到模型的函数关系式,并通过运算得到三个模型参数;
4、步骤2,参数识别:
5、步骤21,通过带有遗忘因子的递推最小二乘法对室温条件下电池主要特性的实验数据进行参数辨识;
6、步骤22,提出修正函数,采用双曲线正切函数的改进形式,将双曲线倒置;
7、步骤3,仿真分析:对vffrls算法的精度、收敛性进行仿真验证。
8、优选的,步骤一中,运用基尔霍夫定律得到电池等效电路模型回路的函数关系式:
9、
10、式中,up表示rc回路的电压,r0表示欧姆内阻,rp代表极化内阻,cp代表极化电容,uoc表示开路电压,u和i表示电池的工作电压和工作电流;
11、将时域转化为频域:
12、
13、令τ=rpcp,得
14、
15、模型传递函数写成如下形式:
16、
17、通过的双曲线变换,对模型传递函数进行离散:
18、
19、令
20、
21、则离散后的公式写成:
22、
23、离散化后的为:
24、u(k)=uoc(k)+k1(u(k-1)-uoc(k-1))+k2i(k)+k3(k-1)
25、其中,k=1,2,3…
26、定义y(k)=u(k),则u(k)写成:
27、y(k)=uoc(k)+k1(u(k-1)-uoc(k-1))+k2i(k)+k3(k-1)
28、模型的数学递归函数如下式所示:
29、
30、将θ=[uoc(k),k1,k2,k3]t作为在线参数辨识算法的输入量进行迭代分解,求出结果后再由相应的反推求得三个模型参数,如下式:
31、
32、优选的,步骤21中,带有遗忘因子的递推最小二乘法的迭代公式如下:
33、
34、
35、θ(k)=θ(k-1)+k(k)e(k)
36、
37、式中表示k时刻的输入信号矢量,θ(k)表示k时刻的权矢量,y(k)为k时刻的期望输出信号,e(k)为先验误差,k(k)为卡尔曼增益矢量,p(k)为k时刻的输入信号矢量的自相关矩阵的逆矩阵,λ为遗忘因子;
38、带遗忘因子的指数加权rls算法,其代价函数为λ为遗忘因子,并且有0<λ≤1,通过具有可变遗忘因子的改进rls算法(vffrls)对参数进行误差估计,公式如下:
39、λ(k)=λmin+(1-λmin)*2l(k)
40、l(k)=-round(ρe2(k))
41、上式中,round(x)是让x为靠近整数的函数,ρ为敏感因子,λmin为遗忘因子的最小值。
42、优选的,步骤22中,基于对λ的理解,提出修正函数的思想:采用双曲线正切函数的改进形式,将双曲线倒置,公式如下:
43、
44、在上式中,-round(x)被删除,并且λ的最大值由λmax代替原来的1从λmax和λmin控制函数的取值范围,m是窗口的大小,a和b控制函数的收敛速度并改善曲线倒置后的顶部形状。
45、优选的,步骤3中,为验证基于vffrls在线辨识锂电池参数的精度,本工作采用dst工况对电池进行测试来验证在线参数辨识的可行性,选用在dst工况下vffrls算法辨识过程中的全部数据,计算仿真结果与实验结果的绝对误差。
46、因此,本发明采用上述改进vffrls的锂电池模型参数辨识方法,具有以下有益效果:
47、(1)本发明基于戴维南模型,提出一种修正遗忘因子的递推最小二乘算法,将传统ffrls算法中的定值遗忘因子改为变量,在不影响算法精度的同时,提升了系统对参数的动态跟踪能力;
48、(2)在dst实验工况下,本发明采用改进的vffrls算法能够成功识别电池模型参数并且不会发生失真的情况,能够快速达到收敛,得到稳定的参数值,并验证了算法的可行性。
49、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
1.一种改进vffrls的锂电池模型参数辨识方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的改进vffrls的锂电池模型参数辨识方法,其特征在于:步骤一中,运用基尔霍夫定律得到电池等效电路模型回路的函数关系式:
3.根据权利要求2所述的改进vffrls的锂电池模型参数辨识方法,其特征在于:步骤21中,带有遗忘因子的递推最小二乘法的迭代公式如下:
4.根据权利要求3所述的改进vffrls的锂电池模型参数辨识方法,其特征在于:步骤22中,基于对λ的理解,提出修正函数的思想:采用双曲线正切函数的改进形式,将双曲线倒置,公式如下:
5.根据权利要求4所述的改进vffrls的锂电池模型参数辨识方法,其特征在于:步骤3中,为验证基于vffrls在线辨识锂电池参数的精度,本工作采用dst工况对电池进行测试来验证在线参数辨识的可行性,选用在dst工况下vffrls算法辨识过程中的全部数据,计算仿真结果与实验结果的绝对误差。