一種基于自適應權重方法的電池多模型融合建模方法和電池管理系統與流程
背景技術：
：
動力電池廣泛應用于新能源汽車領域，是新能源汽車的核心零部件，同時也是決定新能源汽車使用壽命、安全性和經濟性的關鍵因素。動力電池系統是一類具有強時變非線性非均一特點的動態系統，隨著對電池安全、熱管理和壽命等問題的日趨重視，準確地獲得電池的荷電、能量、健康、安全、峰值功率等狀態信息和實時剩余壽命、剩余時間等的預測是電池使用過程中關注的核心問題和電池管理系統的核心功能。因此，往往需要一些特殊的傳感器和檢測設備去觀察電池關鍵變量的變化，然而由于某些關鍵質量變量的傳感器價格昂貴、可靠性差或者具有很大的測量滯后性等缺點，導致一些重要的過程變量不能實時有效地測量。為了解決這些問題，基于模型的電池管理方法得到廣泛發展和使用，其中建立精確的電池仿真模型是實現電池狀態估計與預測等功能的核心與前提。
現有電池模型按照建立的理論依據的區別，主要可分為電化學原理模型、等效電路模型和經驗模型三類。電化學原理模型從電池本質電化學機理的角度分析電池運行過程中的性能變化規律，該類模型在SOH估計、RUL預測、熱監控等方面具有一定優勢，但模型極為復雜，參數眾多，所需計算量大，同時SOC估計方面表現欠佳。等效電路模型通過對大量狀態數據的分析，基于系統工作原理搭建電氣元件構成的電路模型，對系統動態特性進行等效或近似，該類模型主要用于SOC估計，模型較為簡單，計算量小，但難以實現SOH估計、RUL預測和熱監控，同時在電池低電荷狀態時有失效的趨勢。經驗模型不考慮鋰離子電池內部的電化學反應及工作過程，直接從電池性能測試數據和狀態監測數據(電壓、電流、溫度、阻抗等)挖掘其中隱含的電池狀態信息及其演變規律，該類模型在一定程度上可以克服模型動態精度較差及普適性較差的問題，但需要大量數據進行訓練，同時易受數據不確定性和不完整性的影響，魯棒性和適應性較差。可以看出，雖然現有的各種電池模型相關理論已經較為成熟，但各種模型互有優劣，均只能夠實現電池管理系統的一部分功能，在其余方面表現差甚至根本無法實現部分功能，或者在某些條件下失效，尚沒有一種電池模型在多工況、多環境、多階段下均能實現電池管理系統所需的全部功能。
基于此，本發明提出了一種基于自適應權重方法的電池多模型融合建模方法。通過深入分析不同電池模型在多工況、多環境、多階段下的精度、穩定性、計算量和存儲空間等性能特點，使用自適應權重方法賦予不同模型以不同權重或進行模型工作模式的切換，確保輸出的融合模型或選中模型在任意使用條件下均能夠以最優模式工作，最終實現對關鍵參數和性能進行精確、可靠的預測和跟蹤，提升控制性能的整體品質。本發明還提出了使用上述基于自適應權重方法的電池多模型融合建模方法的電池管理系統。
技術實現要素：
：
本發明涉及一種基于自適應權重方法的電池多模型融合建模方法。
首先，依據電池系統模型的相關理論，建立多種單一電池模型；
其次，依據所述單一模型的特點，為其選取合適的參數辨識方法，利用所獲實驗數據進行參數辨識；
然后，依據已建立的單一電池模型，在多種工況條件下、外界環境下對所述電池模型進行仿真，將仿真值與實驗數據進行對比，分析各模型在各條件下的精度、穩定性、魯棒性等綜合性能；
最后，依據所述分析，對所建立的模型進行融合，使用自適應算法為各模型在不同條件下賦予不同的權重，確保該條件下占優模型具有更高權重；必要時進行工作模式的切換，確保所述融合模型在任意使用條件下均能夠以最優模式工作，最終實現了多工況、多狀態下的多狀態聯合精確估計。
優選地，所述電池模型包括并不僅包括：偽二維電化學模型、n階RC等效電路模型、交流阻抗模型。
優選地，所述參數辨識方法包括并不僅包括：卡爾曼濾波、H無窮卡爾曼濾波、遺傳算法、粒子群算法、遞推最小二乘算法、最小均方根算法。
本發明還涉及一種電池管理系統，包括：傳感器，實時采集電池系統信號，將所述信號輸入至各單一電池模型；單一電池模型，所述單一電池模型至少兩種，所述各單一電池模型獨立完成電池管理系統的至少一類功能，并分別輸出狀態量；
數據中心，接受各狀態量，對其歸納整理后輸入至融合中心；融合中心，依據環境因素對每一類所述功能確立融合規則；電池狀態估計中心,對于每個所述功能，將多個所述狀態量按照所述融合規則進行融合，輸出該功能的融合后的電池狀態估計值。
優選地，所述融合后的電池狀態估計值反饋至融合中心，融合中心根據電池狀態實時對融合規則進行調整。
優選地，將融合后的電池狀態估計值反饋至各單一電池模型，各單一電池模型依據當前電池狀態對各單一電池模型進行調整
優選地，所述信號包括電流、端電壓、溫度的至少一個。
優選地，各單一電池模型使用各自的參數辨識方法對當前電池的參數進行辨識，并對當前的電池狀態進行估計，分別得到各自的狀態量。
優選地，環境因素包括當前溫度、工況、電池工作區間、電池老化程度中的至少一種或多種。
優選地，所述融合規則是對各單一電池模型的每類功能設置權重因子。
本發明所提出的聯合估計方法與傳統方法相比具有以下優勢：
(1)能夠實現電池管理系統所需的全部功能，包括并不僅包括SOC估計、SOH估計、剩余壽命預測、電池熱失控預測等；
(2)適用范圍廣，在所有工況條件、所有外界環境、所有電池狀態下均能夠實現電池管理系統所需的全部功能。
附圖說明：
圖1動力電池系統多狀態聯合估計融合模型流程圖；
圖2電化學模型原理示意圖；
圖3為n階RC等效電路模型示意圖；
圖4遺傳算法流程圖；
圖5算例1各模型SOC估計結果；
圖6算例2各模型端電壓仿真結果；
具體實施方式：
如本領域公知的，本發明的動力電池系統包括動力電池單體、動力電池包、或者成組后的動力電池。
本發明使用OCV代表開路電壓，SOC代表電池荷電狀態，SOH代表電池健康狀態，RUL代表電池剩余壽命，SOE表示電池能量狀態，SOP表示電池功率狀態。
本發明的電池管理系統的功能包括但不限于：SOC估計、SOH估計、RUL預測、SOE估計、SOP估計、電池熱監控。本發明所述的一種動力電池系統多狀態聯合估計融合模型流程如附圖1所示。
本發明所述的動力電池系統多狀態聯合估計融合模型的建立方法包括：單一電池模型的建立、單一電池模型參數辨識和狀態估計、單一電池模型評價、融合模型的建立四個部分。下面分別對上述四個部分進行詳細敘述：
1、單一電池模型的建立
現有電池模型按照建立的理論依據的區別，主要可分為電化學原理模型、等效電路模型和經驗模型三類。對于電池管理系統的不同功能而言，在不同外界條件以及不同工況下，不同模型表現互有優劣。為了得到在任意狀態下均能實現電池管理系統所需的全部功能的融合模型，需要建立多個單一電池模型。建立所述融合模型用到的單一電池模型數量越多、種類越全，最終獲得的融合模型的性能越全面。所用的單一電池模型種類和數量，可由使用要求、使用條件綜合決定。本發明以偽二維電化學模型、n階RC等效電路模型、交流阻抗模型為例，三種模型的具體建立過程如下：
步驟①：基于各單一電池模型的理論依據，建立各單一電池模型對應的數學方程，對電池充放電行為進行描述。
如圖2示出電化學模型原理示意圖。放電過程中，鋰離子由負極材料粒子中擴散到表面，通過電化學反應釋放到電解液當中，同時等電量的電子也被釋放出；隨后鋰離子朝正極方向擴散，通過隔膜后到達正極，并在正極活性材料表面發生電化學反應進而擴散入正極活性粒子內部。與此同時，負極中被釋放出來的電子在活性材料中向負極集流體方向運動，并在外電路中形成電流，到達正極集流體后最終進入正極活性粒子內部，實現電荷平衡。偽二維電化學模型所建立數學方程如下：
εe為液相體積分數；
ce為液相鋰離子濃度；
x為板極厚度方向；
Deffe為鋰離子液相有效擴散系數；
a為電極顆粒單位體積的表面積；
t0+為鋰離子液相轉移系數；
jr為固相-液相交界面處的鋰離子流量密度；
cs為固相鋰離子濃度；
r為固體球形顆粒的半徑方向；
Ds為鋰離子固相擴散系數；
κeff為液相有效離子電導率；
φe為鋰離子電池液相勢能；
R為摩爾氣體常數；
T為電池溫度；
F為法拉第常數；
ie為液相電流密度；
σeff為固相有效擴散電導率；
φs為固相勢能，φs，p為正極固相勢能，φs,n為負極固相勢能；
is為固相電流密度；
ie為液相電流密度；
jr為固相-液相交界面處的鋰離子流量密度；
i0為交換電流密度；
αa和αc分別為陽極、陰極傳遞系數；
η為球形顆粒表面過電勢，ηp為正極球形顆粒表面過電勢，ηn為負極球形顆粒表面過電勢；
ks為電化學反應常數；
ce為液相鋰離子濃度；
cs,max為活性材料鋰離子濃度最大值；
ce-s為固相-液相交界面處的鋰離子濃度；
EOCV為電極材料開路電勢，EOCV，p為正極電極材料開路電勢，EOCV，n為負極電極材料開路電勢；
Ut為端電壓。
圖3為n階RC等效電路模型，其所建立數學方程如下：
Uoc為電池開路電壓；
UDi表示在第i個RC網絡兩端的極化電壓；
RDi表示第i個RC網絡的極化電阻；
CDi表示第i個RC網絡的極化電容；
iL表示流經電池的電流；
Ut為端電壓。
交流阻抗模型所建立數學方程如下：
Z為電池交流阻抗；
R為電池內阻；
Y0為常相位角元件絕對值；
n是一個無量綱的指數，用來衡量常相位角元件偏離純電容元件的程度，0<n<1；
ω為輸入交流電頻率；
j為虛數單位；
Z’為電池交流阻抗實部；
Z”為電池交流阻抗虛部。
步驟②：優選的，對于復雜的偏微分方程，采用有限差分法，有限元法等有限分析方法轉化為常微分方程。
步驟③：優選的，對于較為簡單的低階常微分方程，建立其狀態空間表達式，使用求特征矩陣或雙線性變換等方法對其離散化，建立描述電池充放電行為的差分方程。
步驟④：優選的，對于較為復雜的高階常微分方程，無法求得數值解，采用歐拉法、龍格庫塔法等數值計算方法，求得其近似解，建立描述電池充放電行為的差分方程。
至此，已完成三個單一電池模型的建立，如前所述單一電池模型數量越多、 種類越全，最終獲得的融合模型的性能越全面，本發明的方法所需的單一模型的數量至少為兩個。
2、單一電池模型參數辨識和狀態估計
對于所述已建的單一電池模型，其內部參數尚無法確定，需對其進行辨識。常用參數辨識方法可分為離線辨識方法和在線辨識方法。離線辨識方法以總體誤差為目標函數，尋找使整體誤差最小的一組參數，精度較高，但計算量較大，適用性較差，需要定期進行參數的校準。優選的，常用的離線辨識方法有卡爾曼濾波、H無窮卡爾曼濾波、遺傳算法、粒子群算法等。在線辨識方法能夠實時追蹤輸入信號，計算量小，但精度較離線辨識方法略差。常見的在線辨識方法有遞推最小二乘算法、最小均方根算法等。
以遺傳算法為例，參數的離線辨識具體步驟如下，流程圖如圖4所示：
步驟①：將工況按SOC工作區間，從100％至0％等分為10個工作區間，每個區間單獨進行參數的辨識。可根據實際需要和實際條件調整區間個數。
步驟②：確定決策變量和約束條件。決策變量即為待辨識的參數，約束條件為參數的解空間，即待辨識參數的取值范圍。
步驟③：確定目標函數，即各區間電壓的誤差平方和函數。
步驟④：確定待辨識參數的編碼方法和解碼方法。
步驟⑤：確定個體基因的評價方法。
步驟⑥：設計遺傳因子。
步驟⑦：設置遺傳算法的運行參數。
步驟⑧：對待辨識參數進行編碼，隨機產生若干個初始個體，進行種群初始化。
步驟⑨：計算種群中個體適應度。
步驟⑩：對種群進行遺傳、交叉和變異，獲得子代。
步驟對子代進行解碼，判斷是否滿足要求。若滿足，辨識結束；若不滿足，重復步驟⑩。
以遞推最小二乘算法為例，在線參數辨識具體步驟如下：
步驟①：將所述建模過程中所獲的差分方程寫作式4的形式：
步驟②：最小二乘法算法的初始化：分別設置狀態向量、參數向量以及最小二乘算法所需的增益向量和誤差協方差矩陣的初值。包括：
為狀態向量的初始值；
為參數向量估計值的初始值；
K(0)為增益向量的初始值；
P(0)為誤差協方差矩陣的初始值。
本領域技術人員根據最小二乘法算法本身的收斂特性以及電池參數變化的范圍給定初始值。通常K(0)可將向量中所有元素賦值為0，P(0)可賦值為單位矩陣I乘以10的6次方。由于最小二乘算法本身的魯棒性，一旦給定了初值，隨著時間更新和測量更新，各元素都會更新，所以此初值不影響估計的結果。
步驟③：當采樣時間k∈{1,2,...,∞}時，基于電流、電壓等信息的不斷輸入，按式6進行如下遞推計算：
為k時刻狀態向量；
P(k)為k時刻誤差協方差矩陣；
K(k)為k時刻增益向量；
為k時刻參數向量估計值；
y(k)為k時刻差分方程輸出量的實驗值。
λ為依據采樣間隔和最佳遺忘因子曲線獲得的最佳遺忘因子，在整個算法過程中為一常數。
至此，已完成單一電池模型的參數辨識。
單一電池模型狀態估計：依據所述參數辨識結果，可根據SOC、SOH、RU L等狀態的定義對各狀態進行估計。
3、單一電池模型評價
將所述各狀態估計值與實驗測量值進行對比，獲得估計結果的誤差。對整個參數辨識和狀態估計的過程和結果進行評估，獲得各單一電池模型的性能指標。所述性能指標至少包括以下指標的一種或幾種：
指標①：最大絕對誤差(MAE)；
指標②：均方根誤差(RMSE)；
指標③：平均估計誤差(MEE)；
指標④：算法收斂時間；
指標⑤：計算所需時間；
指標⑥：計算所需存儲空間；
指標⑦：算法魯棒性。
所述評價過程應在各種電池使用條件下進行，以確保可以獲得多維度的單一電池模型評價結果。所述電池使用條件至少包括兩個以下指標的：
條件①：溫度；
條件②：SOC工作區間；
條件③：放電倍率；
條件④：電池老化程度；
條件⑤：電池充放電工況。
4、融合模型的建立
基于所述單一電池模型評價結果，對各單一電池模型進行融合。所述融合過程將從分別從并聯融合和串聯融合兩個方面進行。
并聯融合：多個單一電池模型共同完成同一狀態的估計。針對不同單一電池模型在不同使用條件下評價指標不同的現象，賦予占優的單一電池模型以更高的權重，以確保融合模型具有盡可能好的性能指標。同時對于性能指標過差的單一電池模型，可以在該使用條件下暫時停止運行以減少計算量和節約存儲空間。以本發明所述的電化學模型和等效電路模型為例，電化學模型在SOC估計方面性能較弱，等效電路模型在SOC估計方面性能較佳，但在電池低電荷狀態時有實效的趨勢。因此，可在高電荷狀態時賦予等效電路模型以較高權重，電化學模型較低權重或處于休眠狀態；在低電荷狀態時激活電化學模型，賦予其較高權重并降低等效電路模型的權重。
串聯融合：多個單一電池模型共同完成多狀態的聯合估計，其估計結果為其他單一電池模型所用。以本發明所述的三個單一電池模型為例，電化學模型在SOH估計、RUL預測方面性能較佳，等效電路模型在SOC估計方面性能較佳，交流阻抗模型在阻抗估計、SOH估計、熱監控方面性能較佳。三者可互相為對方提供參數，如電化學模型為等效電路模型提供SOH估計結果，交流阻抗模型為等效電路模型提供阻抗估計結果，均有助于提高等效電路模型的SOC估計精度；等效電路模型為電化學模型和交流阻抗模型提供SOC估計結果，同樣有助于二者提高估計精度。
融合模型建立的具體步驟如下，流程圖如圖1所示：
步驟①：傳感器實時采集電池系統電流、端電壓、溫度等信號；
步驟②：將傳感器采集到的信號輸入至各單一電池模型，各單一電池模型使用合適的濾波器和參數辨識方法對當前的電池系統參數進行辨識，并對當前的電池狀態進行估計，得到各自的狀態量，獨自完成電池管理系統的部分功能；
步驟③：將各單一電池模型辨識出的電池狀態輸入至數據中心，數據中心對其歸納整理后輸入至融合中心；
步驟④：融合中心依據當前溫度、工況、電池工作區間、電池老化程度等環境因素對不同的功能確立相適應的融合規則，所述融合規則是對各模型進行權重分配。也就是說，對于電池的不同功能而言，該步驟是獨立進行的，即各模型在對于不同功能都具有不同的權重因子；
步驟⑤：對于每個功能，將所述多個狀態量按照分配好的權重因子進行融合，完成該功能的融合后的電池狀態估計；
步驟⑥：將融合后的輸出結果反饋至融合中心，融合中心根據電池狀態實時對融合規則進行調整；
步驟⑦：將融合后的輸出結果反饋至各單一模型，各單一模型依據當前電池狀態對各模型內部進行調整。
算例：
算例1：對于所述n階RC模型，通常來說RC網絡串聯的越多模型對于極化特性的描述越準確。但是，增加RC網絡意味著模型的復雜度也在增加。因此，利用n階RC等效電路模型始終存在模型預測精度與計算復雜度之間的權衡問題。常用的n階RC模型有戴維南(Thevenin)模型、雙極化(Double Porlarization，DP)模型以及3階RC(3rd-RC)模型，分別對應圖2中N＝1、2、3的情形。采用多模型概率融合估計方法(MMPFE,Multi-model Probabilities based Fusion Estimation)對這三種單一電池模型進行融合。融合方法采用流程圖1所述方法，即三個單一電池模型分別為戴維南模型、雙極化模型和3階RC模型。實時測量的端電壓和電流與3個模型的辨識參數一同進入與模型相對應的濾波器進行參數辨識與狀態估計，得到荷電狀態估計值與端電壓的估計值荷電狀態的估計值用以作為融合的“基”。端電壓的估計值進入融合規則模塊，用以計算不同模型的估計權重ωi(i＝1、2、3)。最終，SOC的融合估計結果是各個模型估計結果的加權并反饋至各模型用以作為下一時刻狀態估計的初始值。
其中ωi滿足，
圖5展示了在25℃下不同方法的SOC估計分布及相應的估計誤差。其中圖5(a)SOC估計值分布；圖5(b)SOC估計誤差分布；圖5(c)區域A內SOC估計誤差放大圖；圖5(d)區域B內SOC估計誤差放大圖。從圖5(a)-(b)可以看到，各種方法在一定時間內均能夠收斂到SOC真實值，并將估計精度控制在3％以內。在此溫度下，Thevenin模型的MAE點與其他兩個模型分布不一致。融合估計方法成功地避開了圖5(c)-(d)中具有較大估計誤差模型的干擾，使得估計誤差在總體上得到一定提升。從表1可以看到，經過融合后SOC估計精度的提升較為明顯，達到2.94％。在估計可靠性方面，MME提升效果不明顯，只有1.90％；然而RMSE結果提高了3.17％，說明該方法在提升估計可靠性方面也是有效的。另外，值得一提的是：相比于2、3階RC模型的收斂速度，融合估計方法繼承了戴維南模型收斂速度快的優點。由此可見，相較于傳統模型，本發明所述融合模型能夠提高單一功能方面的綜合性能。
表1 25℃下的SOC估計誤差統計數據
算例2：對于本發明所述的偽二維電化學模型、等效電路模型和交流阻抗模型，三者分別只能夠完成電池管理系統所需的部分功能。偽二維電化學模型常用于SOH估計、RUL預測和熱監控，在低荷電狀態時也可用于SOC估計；等效電路模型常用于正常荷電狀態下的SOC估計、SOP估計和SOE估計，在SOH方面表現一般；交流阻抗模型常用于SOH估計和熱監控。采用所述自適應權重方法對這三種單一電池模型進行融合，融合方法采用如圖1所述方法，即三個單一電池模型分別為偽二維電化學模型、等效電路模型和交流阻抗模型。圖中，實時測量的端電壓和電流與3個模型的辨識參數一同進入與模型相對應的濾波器進行參數辨識與狀態估計，得到各模型獨自的各狀態估計值與端電壓的估計值。端電壓的估計值進入融合中心，結合當前使用條件確立融合規則，依據融合規則分配各模型 在各功能方面的權重，最終實現融合模型的各功能。最后，將各狀態估計結果反饋至融合中心自適應優化融合規則和權重分配，反饋至各單一電池模型優化單一電池模型仿真精度。圖6為各單一模型、融合模型對端電壓的仿真結果和端電壓測量值。表2為某時刻某狀態下某三元材料鋰離子電池各狀態估計結果。由此可見，相較于傳統模型，本發明所述融合模型能夠實現電池管理系統所需的全部功能。
表2融合模型狀態估計結果
- 還沒有人留言評論。精彩留言會獲得點贊！