一种参数辨识方法、装置、存储介质及计算机设备

技术领域

本发明涉及到电池技术领域，尤其涉及一种参数辨识方法、装置、存储介质及计算机设备。

背景技术

电池状态估算一直是电池运用的行业难题，比如运用电池的荷电状态（Stateofcharge，SOC）观测剩余电量，使用电池的健康状态（State Of Health，SOH）监督电池寿命，利用电池的功能状态（State of Function，SOF）检验电池充放电功能等等。这些状态估算方法大体可以分为三类，一类是基于表征参数的方法，比如使用内阻变化表征SOH，使用开路电压表征SOC；第二类是基于模型的方法，这类以电池模型为契机，通过模型输出和实际输出的关系修正状态量，比如卡尔曼类滤波估算SOC,粒子群滤波估算SOC等；第三类是基于数据驱动的方法，这类是以前期大量测试数据或者实时数据为基础，对其进行简化，抽象和模拟的过程，比如神经网络算法估算SOC，深度学习算法估算SOH。

这三类方法中基于表征参数的方法易受不确定性因素影响，精度差，鲁棒性好；基于模型的方法对模型准确度依赖性强，精度好，鲁棒性好；基于数据驱动的方法，算法复杂度高，对训练数据的依赖性高，精度好，鲁棒性差。

基于模型的方法中对于模型参数具有很强的依赖性，因为电池是一个非线性时变强耦合的系统，所以要保证全生命周期模型参数的可靠性一直是行业难题和研究方向，当前电池模型有电化学模型、等效电路模型和电热模型等等。等效电路模型又可以分为Rint模型（内阻模型），Thevenin模型（戴维南模型）和PNGV（The Partnership for a NewGeneration of Vehicles，新一代汽车合作伙伴计划）模型等等。等效电路模型就是使用电容、电感和电阻元器件模拟电池系统。相应的这些元器件的值会随着电池荷电状态、温度和老化程度发生改变。目前较为传统的方法是使用HPPC（Hybrid PulsePowerCharacteristic，混合动力脉冲能力特性）试验拟合元器件的值获得某一时刻的参数值。但是电池使用的动态系统中参数随着温度和老化状态时刻发生改变，固定的参数值已经不能满足需求。所以自动参数辨识技术应运而生，使用最小二乘法、卡尔曼滤波算法、粒子群滤波算法等等拟合和搜索算法。

无论是上述专利使用的遗忘因子的最小二乘法，还是卡尔曼滤波算法、遗传算法或者粒子群算法等拟合算法或者搜索算法进行在线参数辨识，其已知参数一般是电压，电流、SOC和容量。众所周知SOC作为一个估算值，其本身存在估算误差，电池参数影响SOC估算，反过来SOC影响电池参数的辨识，这是一个高度耦合的过程，再者在进行实时参数辨识时，还需要保留对上一时刻极化电压的估算，又增加了一个可变估算量。无论电池参数、极化电压、SOC和容量发生较大偏离，整个电池辨识就会发散，模型系统不稳定，鲁棒性差。这也是在线参数辨识方法无法运用到实际项目中的主要原因，风险太高。

发明内容

本发明的目的是提供一种参数辨识方法、装置、存储介质及计算机设备，通过利用目标状态下的目标充放电数据得到的参数进行演绎得到目标参数数据，保证电池模型的稳定性，提高算法的鲁棒性，同时保证电池参数长效预测准确性。

为实现上述目的，本发明提供了如下方案：

一种参数辨识方法，所述方法包括：

获取充放电数据和预设条件；

根据所述预设条件，从所述充放电数据中筛选出目标状态下的目标充放电数据；

对所述目标充放电数据，进行数据处理，得到目标数据；

获取参数库中的当前数据；

根据所述当前数据和所述目标数据，构建修正系数模型，获取目标参数数据。

可选的，所述预设条件为电池静置时长大于预设时长。

可选的，所述参数库包括样本参数库，所述根据所述当前数据和所述目标数据，构建修正系数模型，获取目标参数数据之后，还包括：

将所述目标参数数据存入所述样本参数库中。

可选的，所述参数库还包括预设参数规则和初始参数库，所述根据所述当前数据和所述目标数据，构建修正系数模型，获取目标参数数据，包括：

确定预辨识状态参数数据；

根据所述当前数据和所述目标数据，得到所述预辨识状态参数数据对应的修正系数组；

根据所述修正系数组，更新所述初始参数库中的初始数据到中间参数数据；

将所述中间参数数据中不满足所述预设参数规则的参数剔除，得到所述目标参数数据。

可选的，所述初始参数库中的初始数据包括多个状态参数以及与所述多个状态参数对应的电池参数，所述预辨识状态参数数据包括多个预辨识状态参数，所述修正系数组包括与所述多个预辨识状态参数对应的多个修正系数，所述根据所述修正系数组，更新所述初始参数库中的初始数据得到中间参数数据，包括：

将与所述预辨识状态参数相同的所述状态参数相对应的电池参数作为所述预辨识状态参数对应的待修正参数；

将所述待修正参数输入至所述修正系数模型中，得到所述中间参数中所述预辨识状态参数对应的修正参数。

可选的，所述初始参数库中还包括状态参数数据，所述确定预辨识状态参数数据，包括：

获取历史温度数据；

根据所述历史温度数据，得到多个温度区间对应的频次；

根据所述多个温度区间对应的频次，将频次最高的温度区间作为待获取数据的温度区间；

筛选出位于所述待获取数据的温度区间内的所述状态参数数据作为所述预辨识状态参数数据。

另一方面，本发明还提供了一种参数辨识装置，所述装置包括：

第一获取单元，用于获取充放电数据和预设条件；

信息确定单元，用于根据所述预设条件，从所述充放电数据中筛选出目标状态下的目标充放电数据；

数据处理单元，用于对所述目标充放电数据，进行数据处理，得到目标数据；

第二获取单元，用于获取参数库中的当前数据；

演绎单元，用于根据所述当前数据和所述目标数据，构建修正系数模型，获取目标参数数据。

可选的，所述演绎单元包括：

数据确定模块，用于确定预辨识状态参数数据；

演绎模块，用于根据所述当前数据和所述目标数据，得到所述预辨识状态参数数据对应的修正系数组；

数据更新模块，用于根据所述修正系数组，更新所述初始参数库中的初始数据得到中间参数数据；

数据剔除模块，用于将所述中间参数数据中不满足所述预设参数规则的参数剔除，得到所述目标参数数据。

另一方面，本发明还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述的参数辨识方法的步骤。

另一方面，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述参数辨识方法的步骤。

本发明提供的一种参数辨识方法、装置、存储介质及计算机设备，通过利用目标状态下的目标充放电数据得到的参数进行演绎得到目标参数数据，保证电池模型的稳定性，提高算法的鲁棒性，同时保证电池参数长效预测准确性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还能够根据这些附图获得其它附图。

图1是本发明实施例提供的一种参数辨识方法的流程图。

图2是本发明实施例提供的一种Thevenin电池模型的电路图。

图3是本发明实施例提供的一种当前数据和所述目标数据，构建修正系数模型，获取目标参数数据之后的方法流程图。

图4是本发明实施例提供的一种根据所述当前数据和所述目标数据，构建修正系数模型，获取目标参数数据的方法流程图。

图5是本发明实施例提供的一种根据所述修正系数组，更新所述初始参数库中的初始数据得到中间参数数据的方法流程图。

图6是本发明实施例提供的一种初始参数库中还包括状态参数数据，所述根据确定预辨识状态参数数据的方法流程图。

图7是本发明实施例提供的在SOH=92%、T=22.5℃、SOC=85%的状态下辨识的电池参数R0=3.5mΩ演绎的参数库和新电池参数库的对比图。

图8是本发明实施例提供的在SOH=92%、T=22.5℃、SOC=85%的状态下辨识的电池参数R1=3.1mΩ演绎的参数库和新电池参数库的对比图。

图9是本发明实施例提供的在SOH=92%、T=22.5℃、SOC=85%的状态下辨识的电池参数C1=66084F演绎的参数库和新电池参数库的对比图。

图10是本发明实施例提供的一种参数辨识装置的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种参数辨识方法、装置、存储介质及计算机设备，通过利用目标状态下的目标充放电数据得到的参数进行演绎得到目标参数数据，保证电池模型的稳定性，提高算法的鲁棒性，同时保证电池参数长效预测准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下介绍本发明的参数辨识方法的实施例，图1是本发明实施例提供的一种参数辨识方法的流程图。本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。如图1所示，本实施例提供了一种参数辨识方法，该方法包括：

S100.获取充放电数据和预设条件；

其中，充放电数据可以是指电池在充放电时所测量得到的信息，可以包括电池的开路电压OCV（Open circuit voltage）和荷电状态SOC。预设条件可以是用户预设的用于筛选充放电数据的条件，预设条件可以包括对充放电数据的时间的限定条件。

S200.根据预设条件，从充放电数据中筛选出目标状态下的目标充放电数据；

其中，目标状态可以是指电池所处的状态，目标状态下的目标充放电数据可以是指处于目标状态下的充放电数据，从充放电数据中筛选出的目标充放电数据可以是如保持充电状态的时长超过预设时间的充电数据，或保持放电状态下超过预设时间的放电数据等。采用目标状态下的参数数据，能够保证在当前状态下不受温度、以前SOC估算误差、极化电压和误差协方差等影响，保证该状态参数的相对准确。

S300.对目标充放电数据进行数据处理，得到目标数据；

其中，目标数据可以是指用于辨识参数的单个状态下的数据，目标数据可以包括在该单个状态下的电池欧姆内阻R

式中，

以上是以Thevenin电池模型为例，也可以是高阶RC模型或其他模型，在此不做限定。

S400.获取参数库中的当前数据；

其中，参数库可以是指存储用于辨识参数的数据的库，参数库可以包括初始参数库和样本参数库，其中，初始参数库可以用于存储初始数据，初始数据可以是由用户输入的初始数据，也可以是由其他系统导入的通过HPPC试验标定电池参数形成的初始数据，样本参数库可以用于存储样本数据，样本数据可以是指用于算法演绎的历史数据，历史数据可以是历史的目标参数数据，当前数据可以是指在参数库中当前所存储的数据，当前数据可以是包括初始数据和样本数据，可以通过从参数库中读取的方式获取当前数据。

S500.根据当前数据和目标数据，构建修正系数模型，获取目标参数数据。

其中，可以通过利用当前数据和目标数据进行修正系数模型的构建，以得到目标参数数据，目标参数数据可以为多个不同状态下的电池参数。具体地，修正系数模型的算法可以为经验阈值算法、模糊神经网络算法、基于规则的神经网络算法、LSTM神经网络算法（Long Short-Term Memory，长短期记忆网络）等多种算法中的一种。通过利用目标状态下的目标充放电数据得到的参数进行演绎得到目标参数数据，保证电池模型的稳定性，提高算法的鲁棒性，同时保证电池参数长效预测准确性。

在一个可能的实施方式中，预设条件可以为电池静置时长大于预设时长。具体地，通过长时间静置得到电压值即为OCV，可以保证此时极化参数产生的极化电压约为0，消除了以前时间参数对该状态的影响，还可以使得电池内部温度和传感器温度相对接近。运用辨识算法准确估算某一温度、SOC和老化状态电池参数，保证粒子群算法或者最小二乘法等在该时刻一定收敛，参数在该时刻相对准确，电池模型在该SOC点的稳定。

在一个可能的实施方式中，图3是本发明实施例提供的一种当前数据和目标数据，构建修正系数模型，获取目标参数数据之后的方法流程图，参数库包括样本参数库，根据当前数据和目标数据，构建修正系数模型，获取目标参数数据之后，还包括：

S600.将目标参数数据存入样本参数库中。

其中，样本参数库可以用于存储样本数据，样本数据可以是指用于算法演绎的历史数据，历史数据可以是历史的目标参数数据。目标参数数据可以是指通过辨识得到的参数，目标参数数据可以包括多个不同状态下的电池欧姆内阻R

在一个可能的实施方式中，图4是本发明实施例提供的一种根据当前数据和目标数据，构建修正系数模型，获取目标参数数据的方法流程图，参数库还包括预设参数规则和初始参数库，根据当前数据和目标数据，构建修正系数模型，获取目标参数数据，包括：

S301. 确定预辨识状态参数数据；

其中，状态参数数据可以是指用于表征电池多个不同状态的参数数据，预辨识状态参数数据可以是指待辨识的多个状态的参数数据，预辨识状态参数数据可以包括温度、SOC和OCV，如温度为25℃、SOC为0.5且OCV为3.643是状态参数数据中的一组状态参数，预辨识状态参数数据可以是用户根据需要预设的状态参数数据，也可以是在预设的状态参数数据中筛选出部分的状态参数数据。

S302.根据当前数据和目标数据，得到预辨识状态参数数据对应的修正系数组；

其中，修正系数组可以是指用于修正初始数据以使修正后的参数更接近实际值。可以通过利用当前数据和目标数据进行算法的演绎，得到修正系数组。具体地，演绎的算法可以为经验阈值算法、模糊神经网络算法、基于规则的神经网络算法、LSTM神经网络算法等多种算法中的一种。通过目标状态下的即在某一SOC点、某一温度和某一老化状态下的电池参数，通过修正系数模型的运算得到预辨识状态参数数据对应的修正系数组即其他SOC点、其他温度点或者其他老化状态的电池参数，即实现了电池参数辨识。

S303.根据修正系数组，更新初始参数库中的初始数据到中间参数数据；

S304.将中间参数数据中不满足预设参数规则的参数剔除，得到目标参数数据。

其中，预设参数规则可以是由用户预设的参数规则，预设参数规则可以是指参数之间自然存在的规则，预设参数规则可以包括SOC、温度及内阻参数之间的规则等，例如：1）相同SOC点，温度越低，内阻参数越大；2）相同的SOC点，温度越低，每一度的内阻差距ΔR/1℃越大；3）相同的SOC点，SOH（State Of Health，电池健康状态）越小，内阻越大；4）相同的SOC点，SOH越小，每1%SOH的差距ΔR/1%越大；5）不同老化程度，在不同SOC点的内阻曲线具有相似性。类似的，极化内阻和极化电容也有与温度之间的规则，以及极化内阻和极化电容也有与SOH之间的规则，对于具体预设的参数规则在此不做限定。另需说明，SOH作为估算值较难获取，可通过时间序列表征。上述参数规则是根据电池参数随着温度和老化程度演变的一般规律设定的，目标参数数据通过上述参数规则指导后，电池模型系统稳定。

在一个可能的实施方式中，图5是本发明实施例提供的一种根据修正系数组，更新初始参数库中的初始数据得到中间参数数据的方法流程图，初始参数库中的初始数据包括多个状态参数以及与多个状态参数对应的电池参数，预辨识状态参数数据包括多个预辨识状态参数，修正系数组包括与多个预辨识状态参数对应的多个修正系数，根据修正系数组，更新初始参数库中的初始数据得到中间参数数据，包括：

S401.将与预辨识状态参数相同的状态参数相对应的电池参数作为预辨识状态参数对应的待修正参数；

S402.将待修正参数输入至修正系数模型中，得到中间参数中预辨识状态参数对应的修正参数。

其中，修正系数模型中，待修正参数与修正参数之间的关系可以为如正比、反比或指数关系等线性关系。

在一个可能的实施方式中，图6是本发明实施例提供的一种初始参数库中还包括状态参数数据，根据确定预辨识状态参数数据的方法流程图，初始参数库中还包括状态参数数据，确定预辨识状态参数数据，包括：

S501.获取历史温度数据；

其中，历史温度数据可以是指在当前时间之前的预设范围内的电池的温度采集数据，历史温度数据可以包括自当前时间前一个月内参数辨识时所采集的温度数据以及温度采集时间，历史温度数据可以是从存储温度数据的存储器提取得到，历史温度数据中的温度数据可以是由温度传感器采集得到。

S502.根据历史温度数据，得到多个温度区间对应的频次；

S503.根据多个温度区间对应的频次，将频次最高的温度区间作为待获取数据的温度区间。

S504. 筛选出位于待获取数据的温度区间内的状态参数数据作为预辨识状态参数数据。

其中，通过频次最高的温度区间作为待获取数据的温度区间，即确定了所辨识参数的温度主窗口，在保证辨识参数的准确性的情况下，通过确定需要辨识的主要的温度区间，减少了与当前时刻的温度相差较大的温度状态的运算，减少了运算量，提高了运算效率。

本实施例还提供了以下具体实施流程：

1）通过HPPC试验标定电池参数形成初始数据，存入初始参数库；

例如，某三元锂电池的电池参数表1：

表1

2）在某一静置状态下，在开始放电或者充电的时候保存电压电流数据段，然后通过粒子群算法估算电池参数[R0_n,R1_n,C1_n]，记录当前状态参数[CC,T,SOC,OCV,R0,R1,C1]；

使用如下粒子群搜索算法获取电池模型参数：

（1）初始化粒子速度和粒子位置，粒子为[R0,R1,C1]；

（2）计算各粒子的适应度：使用一阶RC电池模型，离散化方程为：

式中，

电池状态初始化为：

式中，

极化状态初始化为：

估算电压和采集电压的残差表示为：

使用粒子滤波等智能搜索算法的代价函数（适应度函数）为：

（3）对每个粒子，用它的适应度值和历史最优适应度值进行比较，如果适应度值小于历史最优适应度值，则替换个体最优位置；

（4）对每个粒子，用它的历史最优适应度值和种群最优适应度值进行比较，如果历史最优适应度值小于种群最优适应度值，则替换种群最优位置；

（5）迭代更新粒子的速度和位置；

（6）进行边界条件判断：判断算法终止条件是否满足，若是，则结束计算并输出结果；若否，则返回到计算每个粒子的适应度值进行迭代计算。

3）演绎并更新参数库：

由于老化状态SOH也是一个较难以预测的估算值，其准确性也会影响参数的演绎，所以选择以时间序列滑动更新参数。因为SOC在0%-20%波动较大，所以只需记录20%-80%的参数辨识结果。

（1）选择滑动窗口长度（1个月）记录辨识参数，确定待获取数据的温度区间。

例如：一个月内进行参数辨识测试在30度到35度辨识点数有5个，在25度到30度辨识点数有20个，在20度到25度参数辨识点数有10个，在15度到20度参数辨识点数有1个。因此，温度窗口在20度到30度为待获取数据的温度区间。

（2）获得各参数的修正系数。

因为不同老化状态的相同温度下不同SOC状态的参数曲线具有相似性，所以使用最小二乘法获取最优修正系数[φ_R0,φ_R1,φ_C1]。

例如在温度主窗口中R0参数辨识20个点数据如下表2：

表2

表3

使用最小二乘法、粒子群算法或者其他最优搜索算法使得主窗口中的辨识参数和原始数据库中相对应状态下的模型输出参数方差最小，具体地，在主窗口的最优修正系数为

（3）以[φ_R0,φ_R1,φ_C1]更新整个参数库。

需要特别说明本例中使用倍率进行参数更新，特别是使用神经网络算法或者其他修正系数模型时，通过预设参数规则以针对破坏参数规则的情况。

如图7-图9所示，是某状态下（SOH=92%、T=22.5℃、SOC=85%）辨识的电池参数(R0=3.5mΩ、R1=3.1mΩ、C1=66084F)演绎的参数库和新电池参数库的对比。

图10是本发明实施例提供的一种参数辨识装置的结构框图，本实施例还提供了一种参数辨识装置，装置包括：

第一获取单元10，用于获取充放电数据和预设条件；

信息确定单元20，用于根据预设条件，从充放电数据中筛选出目标状态下的目标充放电数据；

数据处理单元30，用于对目标充放电数据，进行数据处理，得到目标数据；

第二获取单元40，用于获取参数库中的当前数据；

演绎单元50，用于根据当前数据和目标数据，构建修正系数模型，获取目标参数数据。

在一个可能的实施方式中，演绎单元包括：

数据确定模块，用于确定预辨识状态参数数据；

演绎模块，用于根据当前数据和目标数据，得到预辨识状态参数数据对应的修正系数组；

数据更新模块，用于根据修正系数组，更新初始参数库中的初始数据得到中间参数数据；

数据剔除模块，用于将中间参数数据中不满足预设参数规则的参数剔除，得到目标参数数据。

本实施例还提供了一种计算机存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的参数辨识方法。

本实施例还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述的参数辨识方法。

本发明提供的一种参数辨识方法、装置、存储介质及计算机设备，通过利用目标状态下的目标充放电数据得到的参数进行演绎得到目标参数数据，保证电池模型的稳定性，提高算法的鲁棒性，同时保证电池参数长效预测准确性。

要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为二系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。同样地，上述参数辨识装置的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能，此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。此外，还可对上述实施例进行任意组合，得到其他的实施例。

在上述实施例中，对各实施例的描述都各有侧重，某各实施例中没有详述的部分，可以参见其它实施例的相关描述。本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。