一种快速识别车用锂电池参数的离线估计方法

技术领域

本发明涉及一种基于数据滤波的卡尔曼梯度迭代算法的分数阶锂电池辨识方法。

背景技术

化石能源(石油、天然气、煤炭等)在当今能源结构中仍然占据重要地位。然而，随着科学技术的进一步发展，能源问题和环境问题的日益突出，坚持走绿色、低碳、可持续发展道路，就需要构建人与自然和谐共生的关系。加速推进新能源产业的发展成为了时代热点。锂离子电池作为新能源之一，在电动汽车、智能手机等领域都有应用。在巨大的市场需求下，研究高性能的的锂离子电池具有深刻的科学经济价值。

在电动汽车领域中，对于电池的续航能力需求越来越高，实现对锂电池管理系统(BMS)的能量优化迫在眉睫。其中电池荷电状态(SOC)估计是电池管理系统的核心功能，高精度的SOC估算可以有效地降低锂电池成本。锂离子电池常见的模型分为：等效电路模型、电化学反应机理模型及多物理场模型等。从工程实际角度出发，电容表现出的特性是分数阶的，因此采用分数阶等效电路模型能更好的模拟电池的极化效应。把单CPE等效电路模型作为研究对象，以分数阶可辨识数学模型仿真为主线，快速准确的提取模型参数，进而估计SOC和待辨识参数，利用数据滤波和卡尔曼滤波原理，将实现参数和状态的联合估计。本发明旨在用一种快速识别车用锂电池参数的离线估计方法实现参数的有效辨识。

发明内容

本发明旨在用一种基于数据滤波的卡尔曼梯度迭代算法对分数阶锂电池参数进行辨识。

技术层面的解决方案为：

根据数据滤波和卡尔曼滤波原理，实现分数阶锂电池模型的参数和状态的联合估计。

1)构建分数阶锂电池的参数辨识模型：

第一步：构建表示电池荷电状态的SOC和电压特性的分数阶锂电池模型结构如附图1所示：

第二步：根据此等效电路图，构建分数阶锂电池非线性系统模型表达式如下：

定义系统模型如下：

其中，△

第三步：构建单CPE分数阶锂电池模型的伪线性回归辨识模型如下：

第四步：考虑到欧姆电阻变化较快，且对电荷估计状态有重要影响，将R

2)设计出基于数据滤波的梯度迭代参数辨识算法流程：

第一步：启动参数辨识算法；

第二步：令迭代次数k＝0，设置初始值；

第三步：获取单CPE分数阶锂电池的电流数据作为输入数据，电压U

第四步：构建

第五步：构建

第七步：计算μ

第八步：更新

第十步：若

其中各变量的定义如下：

定义输入量I(l)，输出量U

定义其输入构成的数据组为I(L)，输出构成的数据组为U(L)，L为数据长度；

定义

定义

定义

3)根据单CPE分数阶锂电池模型的参数估计方法，最终推导出的数据滤波梯度迭代估计算法为：

步骤(3)中所述基于滤波的卡尔曼梯度迭代估计算法为：

定义

定义U(L)如下：

U(L)＝[U

定义

定义

定义μ

定义

上述算法的具体步骤：

1)启动辨识算法，令k＝1，设置初始值：

2)获取锂电池的电流I(l)作为输入数据，锂电池输出U

3)分别通过式(10)，式(9)，获得

4)通过式(11)计算μ

5)通过式(7)刷新迭代所估计的

6)若

4)基于上述数据滤波的梯度迭代参数辨识算法，设计出卡尔曼状态估计算法：

定义

定义L

定义P

定义

定义

定义

定义

本发明计算准确，适用于基于单CPE分数阶锂电池模型的参数辨识。

下面结合附图和实施例对本发明作进一步说明。

图1是表示分数阶锂电池的内部化学结构图。

图2是表示分数阶锂电池电流和电压特性的单CPE电池模型结构。

图3是表示电池模型用来实验的电流分布。

图4是表示电池模型用来实验的电压分布。

图5是使用该算法后辨识参数A

图6是使用该算法得到的状态估计对比曲线。

图7是使用该算法得到的功率随迭代次数的分布情况。