一种在线辨识电池内部参数的方法与流程

本发明涉及电池检测的技术领域，尤其涉及到一种在线辨识电池内部参数的方法。

背景技术：

随着电动汽车技术的日益成熟，电动汽车逐渐走进人们的生活。然而，电机、电池和电控这三大问题制约着电动汽车的发展，其中，电池是发展电动汽车的重要″瓶颈″。电动汽车动力电池组在充放电过程中存在电量不均衡问题，为了能够实时地估计电池的剩余电量，需要实现电池模型参数的在线辨识。目前电池的模型参数辨识多采用最小二乘参数辨识和卡尔曼滤波辨识，这些方法多用于非时变系统的参数辨识，针对电池这一时变的不确定非线性系统，这些传统的参数辨识方法往往会降低系统参数的自适应性，导致自适应PID控制器无法对系统产生准确的响应,以至于系统陷入新一轮的重复调整或者因不稳定而直接崩溃。本发明在标准等效电路一阶RC模型基础上，利用电池输入输出数据，构造线性神经网络，以复合脉冲测试中的电流和电压数据作为训练集，计算电池内部参数。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种方便、快捷、有利于提高电池管理系统控制精度、发挥蓄电池的能力和延长蓄电池的使用寿命的在线辨识电池内部参数的方法。

为实现上述目的，本发明所提供的技术方案为：它包括有以下步骤：

1)以电流为输入变量，电压为输出变量，欧姆内阻、极化内阻和极化电容为中间变量，构建电池等效电路模型；

2)将电池等效电路模型转化为电池微分方程，推导系统传递函数，利用拉普拉斯变换将传递函数离散化，获得方便神经网络求解系统差分方程；

3)利用电池检测系统对电池进行复合脉冲功率测试，检测并记录电池的电流和电压信号；

4)使用神经网络对采集的电池电流电压数据进行离线训练，达到满足要求的控制精度后，将离线训练得到的神经网络权值作为神经网络在线学习的初始值；

5)通过最速下降法在线调整神经网络的权值，对系统进行在线学习调整，使得神经网络的输出接近于实际值，从而得到电池的欧姆内阻、极化内阻和极化电容。

进一步地，所述复合脉冲功率测试，利用系统软件设置充放电电流大小和时间，系统程序按照设定的工步对电池进行充放电，实时记录电池的电流信号及在此输入电流下电池的输出电压信号。

进一步地，所述电池等效电路模型采用一阶RC模型，由一个理想电压源、一个电容和两个电阻构成，两个电阻分别表示电池的欧姆内阻R₀和极化内阻R_p，电容表示电池的极化电容C_p，其中，极化电容C_p和极化电阻R_p并联，然后与欧姆电阻R₀及理想电压源组成串联电路；该电路模型端电压为U_t，理想电压源上的电压表示为电池电动势U_oc，输入电流为I，极化电压为U_p；

进一步地，所述神经网络为一个两层的线性神经网络，神经网络的输入层有三个输入神经元，分别为I(k)、I(k-1)和U_rc(k-1)，分别为复合脉冲测试中当前时刻的电流，前一时刻的电流和前一时刻电池内部压降，输出层有一个神经元，为电池当前时刻的内部压降U_rc(k)。输出层和输入层之间的连接权值分别为D₁、D₂和D₃。

进一步地，所述的详细的参数辨识步骤如下：

1))以一阶RC模型为基础，推导电池的动态微分方程，U_oc＝U_t-IR₀-U_p，U_p＝I/C_p-U_p/(R_pC_p)；

2))传递函数表示输出电压和输入电流的比值，电池内部压降为U_rc,由微分方程推导可得，U_rc＝U_t-U_oc＝IR₀+U_p,U_rc+τ_p利用拉普拉斯变换对所述微分方程式进行等效变换，所述传递函数可表示为

3))利用欧拉法将未知参数s离散化，即将代入所述系统传递函数，经化简整理可得，电池系统离散化模型为U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1)；

4))使用电池检测系统对蓄电池进行复合脉冲测试，采集电池的电流和电压数据，并保存数据作为下一步参数辨识的训练集；

5))构建神经网络，并利用采集到的多组历史数据U_rc(k)、U_rc(k-1)及I(k)、I(k-1)对神经网络进行离线训练，通过变学习速率的最速下降法来调节神经网络的权值D₁、D₂和D₃，直到满足要求的性能指标。然后以离线训练得到的权值D₁、D₂和D₃,作为在线学习的初始值；

6))通过最速变学习速率的最速下降法来调节神经网络的权值，对神经网络进行在线学习调整，使得神经网络输出的电池电流估计值与电池的实际电流值I(k)接近，从而得到时变的权值D₁、D₂和D₃。根据电池系统离散化模型，神经网络的权值可由电池的欧姆内阻R_o、极化内阻R_p及极化电容C_p表示，由时变的权值D₁、D₂、D₃及电池等效电路模型时间常数、电池检测系统采样时间可反解得到电池的欧姆内阻R_o、极化内阻R_p及极化电容C_p的辨识值，分别为：

与现有技术相比，本方案在标准等效电路一阶RC模型基础上，利用电池输入输出数据，构造线性神经网络，以复合脉冲测试中的电流和电压数据作为训练集，方便、快捷地在线辨识动力蓄电池各参数，有利于提高电池管理系统控制精度、发挥蓄电池的能力和延长蓄电池的使用寿命。

附图说明

图1为本发明的建模方法图；

图2为本发明实施例中动力锂离子电池的数学模型图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

参见附图1至2所示，本实施例为在线辨识动力锂离子电池内部参数。

第一步，建立较为准确的电池数学模型，附图2所示，图中有储能元件C_p，锂离子电池的模型阶次可确定为一阶RC模型，该模型由一个理想电压源、一个电容和两个电阻构成，两个电阻分别表示电池的欧姆内阻R₀和极化内阻R_p，电容表示电池的极化电容C_p，其中，极化电容C_p和极化电阻R_p并联，然后与欧姆电阻R₀及理想电压源组成串联电路；该电路模型端电压为U_t，理想电压源上的电压表示为电池电动势U_oc，输入电流为I，极化电压为U_p，建模的重点为确定R₀、R_p、C_p、U_oc的值，由于图中电动势u_oc在整个电池使用过程中变化很小，所以这里设U_oc为常量，那么，需要确定的实际上只有R₀、R_p、C_p三个参数。

第二步，电池等效电路模型转化为电池微分方程，推导系统传递函数，由于神经网络辨识模型为离散的数学模型，系统传递函数为连续函数，需采用拉普拉斯变换将未知参数s离散化，将代入系统传递函数，将一阶RC等效电路模型转换为离散化模型，获得方便神经网络求解系统差分方程，参数辨识模型为，U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1),其中，D₁、D₂和D₃型的未知参数，就是神经网络需辨识的权值。R₀＝d₀’,R₀＝D₁,

第三步，利用电池检测系统对电池进行复合脉冲功率测试，系统软件设置充放电电流大小和时间，系统程序按照设定的工步对电池进行充放电，实时记录电池的电流信号及在此输入电流下电池的输出电压信号。

第四步，用神经网络对采集的电池电流电压数据进行离线训练，达到满足要求的控制精度后，将离线训练得到的神经网络权值作为神经网络在线学习的初始值。所述神经网络为一个两层的线性神经网络，神经网络的输入层有三个输入神经元，分别为I(k)、I(k-1)和U_rc(k-1)，分别为复合脉冲测试中当前时刻的电流，前一时刻的电流和前一时刻电池内部压降，输出层有一个神经元，为电池当前时刻的内部压降U_rc(k)。输出层和输入层之间的连接权值分别为D₁、D₂和D₃。

第五步，通过最速下降法在线调整神经网络的权值，对系统进行在线学习调整，使得神经网络的输出接近于实际值，从而得到电池的极化电阻R_p、极化电容C_p及欧姆内阻R₀。

所述的详细的参数辨识步骤如下：

(1)以一阶RC模型为基础，推导电池的动态微分方程，U_oc＝U_t-IR₀-U_p，U_p＝I/C_p-U_p/(R_pC_p)；

(2)传递函数表示输出电压和输入电流的比值，电池内部压降为u_rc,由微分方程推导可得，U_rc＝U_t-U_oc＝IR₀+U_p,U_rc+τ_p对该式进行拉普拉斯变换，所述传递函数为

(3)欧拉法将未知参数s离散化，将代入系统传递函数，电池离散化模型为U_rc(k)＝D₁I(k)+D₂I(k-1)+D₃U_rc(k-1)；

(4)使用电池检测系统对蓄电池进行复合脉冲测试，采集电池的电流和电压数据，并保存数据作为下一步参数辨识的训练集；

(5)构建神经网络，并利用多组历史的数据U_rc(k)、U_rc(k-1)及I(k)、I(k-1)对神经网络进行离线训练，通过变学习速率的最速下降法来调节神经网络的权值D₁、D₂和D₃，当达到满足要求的性能指标后，将离线训练得到的权值D₁、D₂和D₃作为在线学习的初始值；

(6)通过最速下降法在线调整神经网络的权值，对系统进行在线学习调整，使得神经网络输出的电池电流估计值接近于电池的实际电流值I(k)，从而得到时变的权值D₁、D₂和D₃，进而得到电池的欧姆内阻R_o、极化内阻R_p及极化电容C_p的辨识值，分别为

本实施例在标准等效电路一阶RC模型基础上，利用电池输入输出数据，构造线性神经网络，以复合脉冲测试中的电流和电压数据作为训练集，方便、快捷地在线辨识动力蓄电池各参数，有利于提高电池管理系统控制效果、发挥蓄电池的性能和延长蓄电池的循环寿命。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。