一種在線辨識電池內部參數的方法與流程

本發明涉及電池檢測的技術領域，尤其涉及到一種在線辨識電池內部參數的方法。

背景技術：

隨著電動汽車技術的日益成熟，電動汽車逐漸走進人們的生活。然而，電機、電池和電控這三大問題制約著電動汽車的發展，其中，電池是發展電動汽車的重要″瓶頸″。電動汽車動力電池組在充放電過程中存在電量不均衡問題，為了能夠實時地估計電池的剩余電量，需要實現電池模型參數的在線辨識。目前電池的模型參數辨識多采用最小二乘參數辨識和卡爾曼濾波辨識，這些方法多用于非時變系統的參數辨識，針對電池這一時變的不確定非線性系統，這些傳統的參數辨識方法往往會降低系統參數的自適應性，導致自適應PID控制器無法對系統產生準確的響應,以至于系統陷入新一輪的重復調整或者因不穩定而直接崩潰。本發明在標準等效電路一階RC模型基礎上，利用電池輸入輸出數據，構造線性神經網絡，以復合脈沖測試中的電流和電壓數據作為訓練集，計算電池內部參數。

技術實現要素：

本發明的目的在于克服現有技術的不足，提供一種方便、快捷、有利于提高電池管理系統控制精度、發揮蓄電池的能力和延長蓄電池的使用壽命的在線辨識電池內部參數的方法。

為實現上述目的，本發明所提供的技術方案為：它包括有以下步驟：

1)以電流為輸入變量，電壓為輸出變量，歐姆內阻、極化內阻和極化電容為中間變量，構建電池等效電路模型；

2)將電池等效電路模型轉化為電池微分方程，推導系統傳遞函數，利用拉普拉斯變換將傳遞函數離散化，獲得方便神經網絡求解系統差分方程；

3)利用電池檢測系統對電池進行復合脈沖功率測試，檢測并記錄電池的電流和電壓信號；

4)使用神經網絡對采集的電池電流電壓數據進行離線訓練，達到滿足要求的控制精度后，將離線訓練得到的神經網絡權值作為神經網絡在線學習的初始值；

5)通過最速下降法在線調整神經網絡的權值，對系統進行在線學習調整，使得神經網絡的輸出接近于實際值，從而得到電池的歐姆內阻、極化內阻和極化電容。

進一步地，所述復合脈沖功率測試，利用系統軟件設置充放電電流大小和時間，系統程序按照設定的工步對電池進行充放電，實時記錄電池的電流信號及在此輸入電流下電池的輸出電壓信號。

進一步地，所述電池等效電路模型采用一階RC模型，由一個理想電壓源、一個電容和兩個電阻構成，兩個電阻分別表示電池的歐姆內阻R₀和極化內阻R_p，電容表示電池的極化電容C_p，其中，極化電容C_p和極化電阻R_p并聯，然后與歐姆電阻R₀及理想電壓源組成串聯電路；該電路模型端電壓為U_t，理想電壓源上的電壓表示為電池電動勢U_oc，輸入電流為I，極化電壓為U_p；

進一步地，所述神經網絡為一個兩層的線性神經網絡，神經網絡的輸入層有三個輸入神經元，分別為I(k)、I(k-1)和U_rc(k-1)，分別為復合脈沖測試中當前時刻的電流，前一時刻的電流和前一時刻電池內部壓降，輸出層有一個神經元，為電池當前時刻的內部壓降U_rc(k)。輸出層和輸入層之間的連接權值分別為D₁、D₂和D₃。

進一步地，所述的詳細的參數辨識步驟如下：

1))以一階RC模型為基礎，推導電池的動態微分方程，U_oc＝U_t-IR₀-U_p，U_p＝I/C_p-U_p/(R_pC_p)；

2))傳遞函數表示輸出電壓和輸入電流的比值，電池內部壓降為U_rc,由微分方程推導可得，U_rc＝U_t-U_oc＝IR₀+U_p,U_rc+τ_p利用拉普拉斯變換對所述微分方程式進行等效變換，所述傳遞函數可表示為

3))利用歐拉法將未知參數s離散化，即將代入所述系統傳遞函數，經化簡整理可得，電池系統離散化模型為U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1)；

4))使用電池檢測系統對蓄電池進行復合脈沖測試，采集電池的電流和電壓數據，并保存數據作為下一步參數辨識的訓練集；

5))構建神經網絡，并利用采集到的多組歷史數據U_rc(k)、U_rc(k-1)及I(k)、I(k-1)對神經網絡進行離線訓練，通過變學習速率的最速下降法來調節神經網絡的權值D₁、D₂和D₃，直到滿足要求的性能指標。然后以離線訓練得到的權值D₁、D₂和D₃,作為在線學習的初始值；

6))通過最速變學習速率的最速下降法來調節神經網絡的權值，對神經網絡進行在線學習調整，使得神經網絡輸出的電池電流估計值與電池的實際電流值I(k)接近，從而得到時變的權值D₁、D₂和D₃。根據電池系統離散化模型，神經網絡的權值可由電池的歐姆內阻R_o、極化內阻R_p及極化電容C_p表示，由時變的權值D₁、D₂、D₃及電池等效電路模型時間常數、電池檢測系統采樣時間可反解得到電池的歐姆內阻R_o、極化內阻R_p及極化電容C_p的辨識值，分別為：

與現有技術相比，本方案在標準等效電路一階RC模型基礎上，利用電池輸入輸出數據，構造線性神經網絡，以復合脈沖測試中的電流和電壓數據作為訓練集，方便、快捷地在線辨識動力蓄電池各參數，有利于提高電池管理系統控制精度、發揮蓄電池的能力和延長蓄電池的使用壽命。

附圖說明

圖1為本發明的建模方法圖；

圖2為本發明實施例中動力鋰離子電池的數學模型圖。

具體實施方式

下面結合具體實施例對本發明作進一步說明：

參見附圖1至2所示，本實施例為在線辨識動力鋰離子電池內部參數。

第一步，建立較為準確的電池數學模型，附圖2所示，圖中有儲能元件C_p，鋰離子電池的模型階次可確定為一階RC模型，該模型由一個理想電壓源、一個電容和兩個電阻構成，兩個電阻分別表示電池的歐姆內阻R₀和極化內阻R_p，電容表示電池的極化電容C_p，其中，極化電容C_p和極化電阻R_p并聯，然后與歐姆電阻R₀及理想電壓源組成串聯電路；該電路模型端電壓為U_t，理想電壓源上的電壓表示為電池電動勢U_oc，輸入電流為I，極化電壓為U_p，建模的重點為確定R₀、R_p、C_p、U_oc的值，由于圖中電動勢u_oc在整個電池使用過程中變化很小，所以這里設U_oc為常量，那么，需要確定的實際上只有R₀、R_p、C_p三個參數。

第二步，電池等效電路模型轉化為電池微分方程，推導系統傳遞函數，由于神經網絡辨識模型為離散的數學模型，系統傳遞函數為連續函數，需采用拉普拉斯變換將未知參數s離散化，將代入系統傳遞函數，將一階RC等效電路模型轉換為離散化模型，獲得方便神經網絡求解系統差分方程，參數辨識模型為，U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1),其中，D₁、D₂和D₃型的未知參數，就是神經網絡需辨識的權值。R₀＝d₀’,R₀＝D₁,

第三步，利用電池檢測系統對電池進行復合脈沖功率測試，系統軟件設置充放電電流大小和時間，系統程序按照設定的工步對電池進行充放電，實時記錄電池的電流信號及在此輸入電流下電池的輸出電壓信號。

第四步，用神經網絡對采集的電池電流電壓數據進行離線訓練，達到滿足要求的控制精度后，將離線訓練得到的神經網絡權值作為神經網絡在線學習的初始值。所述神經網絡為一個兩層的線性神經網絡，神經網絡的輸入層有三個輸入神經元，分別為I(k)、I(k-1)和U_rc(k-1)，分別為復合脈沖測試中當前時刻的電流，前一時刻的電流和前一時刻電池內部壓降，輸出層有一個神經元，為電池當前時刻的內部壓降U_rc(k)。輸出層和輸入層之間的連接權值分別為D₁、D₂和D₃。

第五步，通過最速下降法在線調整神經網絡的權值，對系統進行在線學習調整，使得神經網絡的輸出接近于實際值，從而得到電池的極化電阻R_p、極化電容C_p及歐姆內阻R₀。

所述的詳細的參數辨識步驟如下：

(1)以一階RC模型為基礎，推導電池的動態微分方程，U_oc＝U_t-IR₀-U_p，U_p＝I/C_p-U_p/(R_pC_p)；

(2)傳遞函數表示輸出電壓和輸入電流的比值，電池內部壓降為u_rc,由微分方程推導可得，U_rc＝U_t-U_oc＝IR₀+U_p,U_rc+τ_p對該式進行拉普拉斯變換，所述傳遞函數為

(3)歐拉法將未知參數s離散化，將代入系統傳遞函數，電池離散化模型為U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1)；

(4)使用電池檢測系統對蓄電池進行復合脈沖測試，采集電池的電流和電壓數據，并保存數據作為下一步參數辨識的訓練集；

(5)構建神經網絡，并利用多組歷史的數據U_rc(k)、U_rc(k-1)及I(k)、I(k-1)對神經網絡進行離線訓練，通過變學習速率的最速下降法來調節神經網絡的權值D₁、D₂和D₃，當達到滿足要求的性能指標后，將離線訓練得到的權值D₁、D₂和D₃作為在線學習的初始值；

(6)通過最速下降法在線調整神經網絡的權值，對系統進行在線學習調整，使得神經網絡輸出的電池電流估計值接近于電池的實際電流值I(k)，從而得到時變的權值D₁、D₂和D₃，進而得到電池的歐姆內阻R_o、極化內阻R_p及極化電容C_p的辨識值，分別為

本實施例在標準等效電路一階RC模型基礎上，利用電池輸入輸出數據，構造線性神經網絡，以復合脈沖測試中的電流和電壓數據作為訓練集，方便、快捷地在線辨識動力蓄電池各參數，有利于提高電池管理系統控制效果、發揮蓄電池的性能和延長蓄電池的循環壽命。

以上所述之實施例子只為本發明之較佳實施例，并非以此限制本發明的實施范圍，故凡依本發明之形狀、原理所作的變化，均應涵蓋在本發明的保護范圍內。