一种储能用锂电池参数辨识与SOC估算方法与流程

本发明属于锂电池，具体涉及一种储能用锂电池参数辨识与soc估算方法。

背景技术：

1、目前，锂电池参数辨识常用的方法主要分为两大类，即离线辨识与在线辨识，离线辨识计算量小，通过电池模型，推算出端电压与各个参数之间的关系表达式，之后可通过脉冲充放电实验得到电池端电压数据，进行计算便可求得。但所求得的参数为某一soc时的值，未能做到实时变化，只能确定实验所计算的soc点的数据，不会随着电池soc的变化而变化，并且离线辨识需要完整的实验数据，需等到工况完成后才能辨识，因此参数辨识精度不高，实时性差。

2、在线辨识包括最小二乘法、卡尔曼滤波法、hinf法、遗传算法辨识等。最小二乘法算法简单，便于实现且收敛速度快。因此被广泛应用于参数辨识。与最小二乘法相比递推最小二乘法能够利用当前时刻的实验数据和上一刻所辨识的参数对现在时刻所辨识的参数加以调整与修正，实现在线参数辨识时计算量更小，更适合于储能电池在线实时估计soc，但递推最小二乘法进行参数辨识存在“数据饱和”问题，即历史数据堆叠导致辨识结果不能反应新数据特性。

3、国内外储能电池soc估算方法大致可分为三类：分别是传统实验法、基于数据驱动法、基于模型法。

4、传统实验法主要包括安时积分法、开路电压法。安时积分法只需要计算电池充放电时的电量便可进行soc估计，但估算精确度很大程度上依赖soc初始值，且会产生累计误差。

5、开路电压法只需要确定电池ocv与soc关系即可确定电池soc，虽然开路电压法简单易行，但不能实现在线测量，测量开路电压时需要长时间静置，若静置时间不足，就无法得到准确的soc值，因此不适用于运行状态的soc估算；

6、基于数据驱动的方法包括神经网络法、深度学习法、支持向量机。虽然此类方法不要求了解电池内部反应机理，但必须使用大量的数据处理来作训练样本，运算量很大，对电脑处理器能力有很大的要求。

7、基于模型法分为电化学法、等效电路模型等。电化学法虽然能够较真实的反应电池内部反应机理，物理特征明确，估算精度高，但模型复杂，某些参数需要进行标定才能确定，计算量大。

8、由于电池运行工况为非线性工况，传统卡尔曼滤波适用于线性系统，因此不能直接用于储能电池soc估算。因此许多研究人员对此进行了改进，如使用扩展卡尔曼滤波(extended kalman filter,ekf),利用泰勒级数展开，将非线性转化为线性，但忽略了二阶及以上的高阶项，因此在有高阶次系统时，算法精度低且需要计算雅可比矩阵，计算较为复杂；

9、使用自适应扩展卡尔曼滤波优化ekf估算时噪声的影响，提高soc估算的准确性；使用无迹卡尔曼滤波(ukf)将状态变量及误差协方差通过ut变换得到离散的sigma点集，再将每个sigma点代入非线性方程中，实现非线性系统线性化。但在应用中，若数据误差过大或出现sigma权值为负时，无迹卡尔曼滤波估算的稳定性将受到影响。

10、传统上的电池soc估算精度受历史数据影响以及噪声干扰，从而导致的精度无法保障，进而导致电池组在使用时容易出现过充过放等现象，电池寿命得不到保障，电池利用率较差。

技术实现思路

1、本发明的目的在于提供一种储能用锂电池参数辨识与soc估算方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种储能用锂电池参数辨识与soc估算方法，包括以下步骤：

4、s1、选定二阶rc等效电路模型，ffrls在线参数识别；

5、s2、将辨识的参数以及电流工况带入神经网络进行训练；

6、s3、以电压为输出，将输出结果带入aukf进行soc估算。

7、优选的，所述s1中，通过加入遗忘因子来减弱历史数据的影响，加强当前数据在算法中的比重，进而减轻数据饱和产生的影响；

8、

9、式中，εk为估计误差；yk为系统实际输出；为系统观测数据矩阵；θ(k-1)为上一时刻辨识参数的估计向量；kk为估计增益矩阵；p(k-1)为误差协方差矩阵；μ-1为遗忘因子，一般取值为0.95～1.00，本发明取0.97；

10、锂离子电池等效电路模型拉氏变换方程为：

11、

12、传递函数方程为：

13、

14、式中，g(s)为系统传递函数，s为拉普拉斯算子，τ1为r1c1。τ2为r2c2，双线性变换公式为：

15、

16、式中，z为z域变量，

17、通过(4)式将(3)、(2)式离散化，变换后的方程为：

18、

19、式中，a1～a5为待定系数。y(k)矩阵形式为:

20、

21、令观测矩阵:

22、

23、令待估参数矩阵：

24、θ＝[a1 a2 a3 a4 a5]t                (8)

25、根据(8)、(7)式与(6)式得到锂离子电池各电阻电容与待辨识参数之间的关系为：

26、

27、优选的，所述s2中，选择非线性自回归神经网络进行实验，首先要进行神经网络训练，将ffrls辨识出的参数以及电流工况作为训练数据，带入神经网络进行训练，narx神经网络可将目标输出为输入信号的无噪声版本，确保输出电压更加准确，并调整各项参数，所需调整的参数有隐含层神经元个数、输入输出延时等等；

28、训练时，选择levenberg-marquardt(l-m)算法作为神经网络学习算法，l-m算法不需要计算hessian矩阵，同时可以控制步长，对初始值依赖性小，即使初始值距离最优值很远，也可以迅速找到局部最优值，各层系数权重更新公式如下：

29、

30、式中，en-1为n-1时刻的误差函数；et(x)为训练误差；jn-1为en-1的雅可比矩阵；μ为比例系数；ωn和ωn-1分别为第n次和第n-1次网络迭代时各层系数权重值。

31、优选的，所述s3中，aukf具体公式如下：

32、1.初始化状态变量均值及协方差：

33、

34、式中，x0为初始状态变量；为初始变量均值；p0为初始状态协方差。

35、2.sigma点计算：

36、

37、式中，n取3，为状态变量维度；α为比例因子，应满足10-4≤α≤1；k取0。

38、3.计算sigma加权系数

39、

40、式中，为协方差权重，为均值权重；β为高斯分布，本发明取2。

41、4.时间更新

42、

43、5.计算下一时刻新sigma点

44、

45、6.更新系统状态以及协方差

46、

47、式中，为预测观测值；为预测观测值均值；pxy为预测观测协方差；pyy为预测观测方差；k(k+1)为卡尔曼增益；x(k+1|k)为最优状态估计；p(k+1|k)为协方差矩阵；

48、7.更新观测噪声与状态噪声协方差：

49、

50、式中，d(k)为自适应因子；e(k)为残差；b为遗忘因子，一般0.95≤b≤1，本发明取0.975。

51、优选的，通过式更新系统状态以及协方差、更新观测噪声与状态噪声协方差,改进ukf算法估算soc值时状态噪声协方差与测量噪声协方差为预定值的问题，实现实时更新锂离子电池系统状态噪声以及系统观测噪声，但是当状态变量协方差为非对称的正定矩阵时，则不能够楚列斯基(cholesky)分解，进而使得算法无法进行，由于状态噪声以及观测噪声协方差为互不相关的高斯白噪声，且会影响到状态噪声协方差，因此需要对状态噪声以及观测噪声协方差进行修正，修正公式如下：

52、

53、与现有技术相比，本发明的有益效果是：

54、本发明通过将ffrls与narxnn相结合的aukf算法，相比ffrls-aukf算法估算误差降低1.18％，并通过多组储能电池运行工况对算法进行验证，该算法可保证soc估算误差在0.5％左右，估算速度快、精度高，所提出的算法具有很好的准确性与可靠性。