专利名称：电池模型辨识方法
技术领域：
本发明属于电池模型辨识方法的技术领域。
背景技术：
在以往的电池模型辨识方法中，在估计电池的SOC (State Of Charge 荷电状态) 时，通过交流阻抗测定对电池的频率特性进行评价，并对所设定的电池模型的参数进行辨识(例如，参照专利文献1)。专利文献1 日本特开2007-178215号公报(第2-17页、特别是
至
段以及全部图)
发明内容
发明要解决的问题然而，在以往的电池模型辨识方法中存在如下问题在交流阻抗测定中，改变输入到电池的输入信号的频率来对阻抗进行测定，但是由于此时一边用直流电流进行控制一边进行测定，由此电池的状态(例如SOC)会发生变化，因此电池模型的辨识变得困难。本发明是着眼于上述问题点而完成的，其目的在于提供一种能够将输入信号的大小设为实际使用的大小并以不改变电池的状态的方式进行电池模型的辨识的电池模型辨识方法。用于解决问题的方案为了达到上述目的，在本发明的特征在于，在进行充电和放电的电池的电池模型辨识方法中，对上述电池设定电池模型，该电池模型具有多个电阻成分和容量成分作为参数，将频率成分不同的M序列信号作为电流输入而输入到上述电池，并对此时的电池的端子电压进行测定，根据测定结果进行系统辨识，并算出上述电池的频率特性，根据算出的频率特性来估计上述电池模型的参数。发明的效果因此，在本发明中，能够以将输入信号的大小设为实际使用的大小并以不改变电池的状态的方式进行电池模型的辨识。
图1是表示实施本发明的实施例1的电池模型辨识方法的装置的模块结构的图。图2是由实施例1的电池模型辨识装置进行辨识的电池模型的说明图。图3是在实施例1的电池模型辨识装置中使用的M序列输入电流生成部的说明图。图4是说明图3所示的M序列产生电路的移位寄存器的数量的表图。图5是为了说明M序列的例子而示出的图。图6是M序列信号的局部放大说明图。
图7是M序列信号的说明图。图8是表示在实施例1的电池模型辨识装置中使用的参数估计部的模块结构的说明图。图9是表示在实施例1的电池模型辨识装置中使用的SOC计算部的计算状态的说明图。图10是表示实施例1的电池模型辨识装置中的SOC与OCV之间的关系的曲线图。图11是表示由图8所示的参数计算部执行的参数估计处理的流程的流程图。图12是由图1所示的参数估计部利用的、用于根据收集到的辨识用数据进行系统辨识的ARX模型的说明图。图13是说明在本发明所涉及的实施例2的电池模型辨识方法中使用的、设定能够信赖的频带的方法的概念的图。图14是表示在实施例2的电池模型辨识方法中使用M序列(时钟周期Tm = 0. 5msec)的输入输出数据并通过ARX模型(10阶)算出的频率特性与能够信赖的频带之间的关系的伯德图(bode diagram)。图15是表示在实施例2的电池模型辨识方法中使用M序列(时钟周期Tm = 5msec)的输入输出数据并通过ARX模型(10阶)算出的频率特性与能够信赖的频带之间的关系的伯德图。图16是表示能够应用实施例1的电池模型的辨识方法的电池系统的结构的说明图。附图标记说明1 电池模型辨识装置；2 :M序列输入电流生成部；21 :M序列产生电路；211 寄存器；212 加法器；22 信号调整部；3 参数估计部；31 =SOC计算部；32 开路电压计算部； 33 过电压计算部；34 参数计算部；4 电池；5 电压传感器；6 电流传感器；7 电池模型。
具体实施例方式以下，根据实施例对实现本发明的电池模型辨识方法的实施方式进行说明。实施例1首先，对实施例1的电池模型辨识方法的结构进行说明。图1是表示实施实施例1的电池模型辨识方法的装置的模块结构的图。实施例1的电池模型辨识装置1具备M序列输入电流生成部2和参数估计部3。 此外，设电池4为能够充电和放电的二次电池。M序列输入电流生成部2生成规定电流值的M序列信号，并将该信号输入到电池 4。其内容在后面详述。参数估计部3根据对于所输入的M序列信号的输出电压以及电池4的输出电流来估计电池4的电池模型的参数。而且，为了测定电池4的状态，设为具备用于测定电池4的端子间电压的电压传感器5以及测定电池4的输出电流的电流传感器6。接着，对要辨识的电池模型进行说明。图2是执行实施例1的电池模型辨识方法的电池模型辨识装置1要辨识的电池模型的说明图。如图2所示，电池模型7由以下部分构成开路电压OCV ；电解液电阻和欧姆电阻等的设定直流成分的电阻Rb ；设定为表示例如锂离子电池的电荷移动过程中的动态特性的反应电阻的电阻Rl ；设定为双电层的双电层电容Cl ；设定为表示扩散过程中的动态特性的反应电阻R2 R3 ；以及双电层电容C2 C3。在此，在电荷移动过程中以一级并联电路的等效电路模型来表示，而在扩散过程中以二级并联电路的等效电路模型来表示，但是各自的次数根据情况而发生变化。接着，对M序列输入电流生成部2进行详细说明。图3是在实施例1的电池模型辨识装置1中使用的M序列输入电流生成部2的说明图。图4是说明M序列产生电路的移位寄存器的数量的表图。该M序列输入电流生成部2具备M序列产生电路21以及信号调整部22。M序列产生电路21分别具备多个D寄存器211和加法器212。D寄存器211串联连接，将前级侧的D寄存器211的输出作为后级侧的D寄存器211的输入，例如通过 D-FF(Delay Flip Flop 延迟触发器)进行运算，并输出结果。多个加法器212串联连接， 将各个D寄存器211的输出与该D寄存器211的后级的输出的加法结果相加，并将其结果输出到后级的加法器212。在此对M序列进行说明。图5是为了说明M序列的例子而示出的图。M序列(maximal length sequences) 是用下式的线性递推式产生的1位的数列。[式1]Xn = Xn_p+Xn_q(p > q)在该式中，各项的值为0或1，“ + ”符号表示异或。因此，通过对第n-p项和第n-q 项进行M)R(Exclusive OR 异或)运算来得到第η项。但是，q始终被反馈至最后级，因此 q = 1。如果进行一般性地表示，则M序列的周期N用N = 2q-l来表示。图5用于说明在式1中ρ = 3、q = 1的情况。在图5中，在用虚线表示的范围A 的部分中3位的模式一共是7种，不存在相同的模式。即，M序列中，所有的ρ位的模式各自产生一次。各个模式的元素有“0”、“1”这两种，因此在ρ位的情况下变为2p种。但是， 由于所有位都为0的模式不产生信号，因此仅去除所有位都为0的模式。S卩，在图3中，在实施例1的M序列产生电路21中D寄存器211的上下游的位值为与X Xk_n对应的值。并且，根据图4，在实施例1中例如选择127种模式，将D寄存器211 的数量设为7。接着对信号调整部22进行说明。图6是M序列信号的局部放大说明图。图7是 M序列信号的说明图。在信号调整部22中，将由如图3所示的M序列产生电路21产生的M 序列信号的最小单位设定为如图6所示的最小时间宽度Tm、即结构上确定的时钟周期。并且，如图7所示，M序列信号被调整为例如在超出+2(A)与超出-2(A)之间反复ON和OFF的方形波，并作为M序列输入电流生成部2的输出而输出到电池4。该M序列信号是伪白噪声二值信号，是+ (ON)和-(OFF)的总数相同的信号。并且， 具有127种ON宽度的信号为1组(1个周期)。接着，对参数估计部3进行详细说明。图8是表示参数估计部3的模块结构的说明图。参数估计部3具备SOC计算部31、开路电压计算部32、过电压计算部33、参数计算部 ；34。图9是表示图8示出的SOC计算部31的计算状态的说明图。SOC计算部31对由电流传感器6检测出的电流进行累加来求出S0C。具体地，例如如图9所示，SOC计算部31用电流值与反复充电和放电的时间进行积分运算来算出S0C。图10是表示实施例1的电池模型辨识装置1中的SOC与OCV(Open Circuit Voltage:开路电压)之间的关系的曲线图。在该图中，时间轴的上方区域表示充电状态， 下方区域表示放电状态。在开路电压计算部32中，预先对SOC (%)与开路电压OCV(V)之间的关系进行测定，例如如图10所示存储为数据，使用该数据根据由SOC计算部31得到的 SOC(% )算出 OCV(V)。另一方面，在过电压计算部33中，从由电压传感器5测定出的电池的端子电压减去由开路电压计算部32算出的开路电压，来算出过电压。图2示出了这些端子电压、开路电压、过电压之间的关系。参数计算部34根据对于M序列信号的过电压变化，对直流电阻Rb的电阻成分Rb、 反应电阻Rl R3的电阻成分Rl R3、电容器容量Cl C3的容量成分Cl C3分别进行参数估计。对实施例1的电池模型辨识方法的作用进行说明。[参数估计处理]图11示出的是表示由参数计算部34执行的参数估计处理的流程的流程图，下面对各个步骤进行说明。在步骤Sl中，参数计算部34根据由M序列输入电流生成部2提供的、对于时钟周期不同的M序列信号的电池4的输出电压，收集辨识用数据。在步骤S2中，根据收集到的辨识用数据进行系统辨识。作为例子，例举使用ARX 模型。在此,对 ARX 模型(Auto-regressive exogeneous model 外源自回归模型)进行说明。图12是ARX模型的说明图。首先，如下式考虑差分方程式。[式2]y (t) +B1Y (t-1) + Λ +anay (t~na) = Io1U (t一uk) + Λ +bnbu (t-nk-nb+1)该式是使当前的输出y (t)与有限个过去的输出y (t-k)、输入u(t-k)相关联的式子。这样，由3个整数na、nb、nk来定义该模型的结构，自变量na为极数，nb-Ι变为零点数。 另一方面，nk是系统的纯时延(死区时间)。对于采样值控制的系统，如果没有死区时间， 则nk —般会变为1。对于多输入系统，nb和nk为行向量。在此变为与第i个输入相关的次数/延迟。在此，如下定义参数向量。[式3]θ = [ai，Λ ￡ina, b1; Λ，bnb]并且，如下定义数据向量。[式4]φ = [_y (k-1)，Λ -y (k-na)，u (k_l)，Λ，u (k_nb) ]τ于是，能够用下式表示输出y(k)。在此，将ω设为白噪声。
[式5]y(k) = θ τφ (k) + co (k)另外，定义两个多项式。[式6]A(q) = l+aiq-1+ Λ +anaq-na[式7]B(q) = 1+bd1+Λ +bnbq_nb并且，如以下所记述的那样定义ARX模型。[式8]A (q) y(k) =B (q) U+ ω (k)在步骤S3中，将通过步骤S2得到的离散时间LTI辨识模型变换为连续时间LTI 模型。此外，LTI模型是线性时不变(linear time-invariant)的模型。由此，能够进行对于连续的时间轴的特性评价。在步骤S4中，对通过步骤S3得到的连续时间LTI模型的频率特性进行评价。 在实施例1的电池模型辨识方法中，进行基于伯德图的评价和基于奈奎斯特图(Nyquist diagram)的评价。在步骤S5中，在能够信赖的频带中合成通过步骤S4的结果得到的两个频率特性图。在步骤S 6中，根据合成后的频率特性通过曲线拟合(curve fitting)进行参数估计。该处理内容例如是与如下处理相同的处理在日本特开2007-178215号公报中，根据阻抗的实轴成分和虚轴成分的曲线波形得到作为交流电路常数的反应电阻Rl R3以及电容器容量Cl C3。[使SOC稳定地进行参数估计的作用]在实施例1的电池模型辨识方法中，将由M序列输入电流生成部2生成的M序列信号输入到电池4，根据对该M序列信号的输出电压，参数估计部3进行上述步骤Sl S6的处理，从而估计参数。由M序列输入电流生成部2生成并输入到电池4的M序列信号是电流值为与实际的值大致相同的值的正负相同的矩形信号。例如是如图7所示的超出+2(A)和超出-2(A)的矩形波。由此不改变实际的电池的状态就能够(在一个周期内)进行估计。而且，实施例1的M序列信号是以例如127种ON宽度、即频率来进行测定的，通过得到M序列产生电路21的各个部分的值来容易掌握该频率的值。因此，处理变得容易，能够容易地进行想要测定的大致的测定。由此，能够容易地得到伯德图、奈奎斯特图。另外， 根据需要也可以参照图4使频率的种类增减。而且，M序列信号是伪白噪声二值信号，正值和负值的总数相同，因此在被输入该信号的电池4中，被充电的电流和放电的电流相同，SOC的值在例如127种ON宽度的一个周期内处于稳定而不发生变化的状态。电池4的内部电阻值根据电池4的SOC值而发生变化，但是在实施例1中使SOC 的值维持为不发生变化的稳定的值来测定电池4的内部电阻值。由此能够良好地进行电池模型的辨识。另外，如图2所示，在实施例1的电池模型辨识方法中，由以下部分设定电池模型电解液电阻和欧姆电阻等的设定直流成分的电阻Rb;设定为表示电荷移动过程中的动态特性的反应电阻的电阻Rl ；设定为双电层的电容Cl ；设定为表示扩散过程中的动态特性的电阻R2 R3 ；以及电容C2 C3，其中，将开路电压OCV和过电压分开来对作为参数的电阻成分和电容器容量成分进行辨识。根据以下关系求出过电压η。S卩，开路电压OCV=端子电压V+过电压η(参照图 2)。电池4中发生包含各种基元反应(elementary step reaction)的化学反应，并能够将这些反应分离，因此能够将频率特性细化来构建详细的等效电路模型。该过电压η是与步骤S3的系统辨识分开地求出的。即，通过SOC计算部31根据电流的积分值求出S0C，通过开路电压计算部32根据SOC求出开路电压0CV，然后通过过电压计算部33算出过电压η，从而使参数估计更加符合实际。如下求出电池模型(等效电路)的参数。根据作为对于M序列信号的电池4的电压响应而收集到的数据(步骤Si)，通过ARX模型进行系统辨识(步骤S2)。在通过步骤 S2的系统辨识得到的数据是离散系统的，因此为了得到伯德图、奈奎斯特图而变换为连续系统(步骤S3)，作为频率特性的评价，生成伯德图、奈奎斯特图(步骤S4)。并且，优选的是根据两个图掌握能够信赖的频带，在该部分中合成频率特性(步骤S5)，根据合成得到的频率特性估计作为电池模型(等效电路)的参数的电阻成分Rl R3以及容量成分Cl C3(步骤S6)。根据估计出的参数和上述过电压η容易求出直流电阻成分Rb。为了进一步明确实施例1的电池模型辨识方法的作用，增加以下的说明。为了实现对电池的频率特性进行评价并辨识电池模型的参数，考虑进行交流阻抗测定。电池的化学反应分别需要特定的响应时间，通过交流阻抗测定能够分离包含各个基元反应的化学反应。交流阻抗方法是如下方法一边简单地对电池改变输入信号的频率特性，一边对阻抗进行测定，从而对频率响应进行评价。以往存在一种使用该方法求出频率响应并根据该频率响应构建等效电路模型的方法。但是，在一边以直流电流进行控制一边通过交流阻抗方法来构建等效电路模型的情况下，由于电池的状态(SOC)随着充电和放电而发生变化，因此难以构建稳定的等效电路模型。与此相对，在实施例1的电池模型辨识方法中，具有如下优点通过将作为伪白噪声二值信号的M序列信号作为输入施加给电池4，来评价更加接近实际的电池的频率响应， 从而构建等效电路模型。接着，对实施例1的电池模型辨识方法的效果进行说明。在实施例1的电池模型辨识方法中具有以下列出的效果。(1) 一种进行充电和放电的电池的电池模型辨识方法，对电池设定将多个电阻成分和容量成分作为参数而具有的电池模型7，通过M序列输入电流生成部2将频率成分不同的M序列信号作为电流输入而输入到电池4，通过电压传感器5对此时的电池的端子电压进行测定，参数估计部3根据测定结果进行系统辨识，算出电池的频率特性，根据算出的频率特性来估计作为电池模型7的参数的电阻成分Rb、Rl R3以及容量成分Cl C3，因此能够以将输入信号的大小设为实际大小且不改变电池的状态的方式进行电池模型辨识。(2)在上述(1)中，关于系统辨识，由SOC计算部31对电池的输出电流进行积分运算来算出S0C，由开路电压计算部32根据SOC算出开路电压，使用通过过电压计算部33从电池的端子电压减去开路电压而算出的过电压，因此电池4具有包含各种基元反应的化学反应，能够将这些反应分离，细化频率特性来能够构建详细的等效电路模型。实施例2接着，对本发明所涉及的实施例2进行说明。基本的结构与实施例1相同，因此仅对不同点进行说明。在实施例1的电池模型辨识方法中，在进行参数估计时在步骤S3中变换为连续系统(步骤S3)，生成伯德图、奈奎斯特图作为对频率特性的评价(步骤S4)，根据两个图对能够信赖的频带的频率特性进行合成(步骤S5)，通过曲线拟合进行参数的估计(步骤S6)。与此相对，在实施例2的电池模型辨识方法中，不同点在于提取对于各个采样频率的能够信赖的频带的频率响应数据，使用结合能够信赖的各个频带的数据而得到的频率响应数据来算出等效电路模型的参数。步骤Si、步骤S2与实施例1相同，因此仅对不同的步骤进行说明。即，实施例1的步骤S3、S4在实施例2中分别被取代为步骤S3’、S4’。在步骤S3’中，从在步骤S2中通过系统辨识生成的模型提取对于各个采样频率的能够信赖的频带的频率响应数据并进行结合。在此，能够信赖的频带是指在某个频带中具有功率的频带。这是由所生成的输入信号的输入功率向量、采样周期等决定的。另外也依赖于辨识方法等。关于能够信赖的频带的设定方法，示出具体例。图13是表示采样频率(Ts)与能够信赖的频带之间的关系的特性图。如在实施例1的电池模型辨识方法中所说明，考虑以下情况在M序列的信号生成方法中将时钟周期(Tm)设定为0. 5msec，采样周期也使用与时钟周期(Tm)相同的值。作为输入，使用作为伪白噪声二值信号的M序列，因此在某个频带上是白噪声。另外，例如在如ARX那样的使用最小二乘法进行系统辨识的情况下，能够以高精确度进行系统辨识的频带是10倍 100倍宽。因此，如图13所示，能够信赖的频带(具有强功率的频带)被设定为设定了能够信赖的频带的采样的1/100倍 1/10倍宽的范围。在用这种方法设定能够信赖的频带的情况下，作为对于电池那样的包含宽度较宽的时间常数的设备进行系统辨识来生成等效电路模型的方法，例举以下的例子。首先，将在使用时钟周期(Tm)为0. 5msec的10阶的M序列输入信号(这次情况下输入的是电流)输入到某一电池设备时输出的端子电压(或者也可以是过电压)设为输入输出数据。并且，作为采样周期，使用与M序列的时钟周期(Tm)相同的值，通过ARX(10 阶)进行系统辨识。图14表示通过实施例2的系统辨识来构建的模型的频率特性和电池设备的频率特性的伯德图。在图14中，虚线是某个电池设备的频率特性，实线是使用M序列(Tm = 0. 5msec)的输入输出数据并通过ARX模型(10阶)算出的频率特性。能够信赖的频带为所设定的采样频率(Ts)的1/100倍 1/10倍的范围(相当于图14中的斜线区域)。仅提取该能够信赖的频带的频率响应数据来用作能够信赖的数据。接着，在将关注的频带设定为2Hz 20Hz的情况下，将M序列的时钟周期(Tm)(= 采样周期)设定为5msec，同样通过ARX进行系统辨识。图15是表示通过实施例2中的系统辨识构建的模型的频率特性和电池设备的频率特性的伯德图。在图15中，虚线是某个电池设备的频率特性，实线是使用M序列(Tm = 5msec)的输入输出数据并通过ARX模型(10 阶)算出的频率特性。与将时钟周期(Tm)设为0.5msec的情况同样地，能够信赖的频带为所设定的采样频率(Ts)的1/100倍 1/10倍的范围(相当于图15中的斜线区域)。另外，仅提取能够信赖的频带的频率响应数据并结合，来用作能够信赖的数据。这样，对于如电池那样的包含宽度较宽的时间常数的设备能够以高精确度获取频率响应数据。在步骤S4’中，使用通过步骤S3’获取并结合而得到的频率响应数据进行系统辨识，来生成传递函数。并且，通过系数比较算出作为等效电路模型的参数的电阻成分Rb、 Rl R3以及容量成分Cl C3。在实施例2的电池模型辨识方法中，不是如实施例1那样进行使用奈奎斯特图以及曲线拟合的参数估计，而是根据对可靠性高的频带进行合成而得到的频率特性生成传递函数，根据该传递函数来估计参数，因此在曲线拟合中能够排除读取图形特征时的主观因素，能够进行精确度更高的参数估计。以上，根据实施例1、2说明了本发明的电池模型辨识方法，但关于具体的结构并不限于这些实施例，只要是不脱离权利要求书中的各项权利要求所涉及的发明的宗旨，可以做设计上的变更、追加等。例如，在实施例1的电池模型辨识方法中，进行基于伯德图的评价和基于奈奎斯特图的评价这两种评价并进行合成，但是也可以进行其中一种评价。另外，在实施例1中， 虽然将ARX模型用作模型，但也可以使用其它的模型。另外，实施例1的电池模型辨识方法也可以用于如图16所示的结构中。图16是表示电池系统的结构的说明图。如图16所示的电池系统具备控制器81、电压传感器82、电流传感器83、温度传感器84、电池85以及负载86，通过控制器81根据由各个传感器检测出的值控制电池85的充电和放电。在控制器81中对电池容量SOC等进行运算，根据该SOC或者使用了 SOC的值等进行控制。由于难以直接测定根据各个传感器的值运算出的这些值， 因此需要通过运算进行估计并使用估计值进行控制，也可以在该估计值的运算中使用本实施例1的电池模型辨识方法。在这种情况下，能够提高估计精确度并以更高的效率运转电池85。
权利要求
1.一种进行充电和放电的电池的电池模型辨识方法，其特征在于，对上述电池设定电池模型，该电池模型具有多个电阻成分和容量成分作为参数， 将频率成分不同的M序列信号作为电流输入而输入到上述电池，并对此时的电池的端子电压进行测定，根据测定结果进行系统辨识，并算出上述电池的频率特性， 根据算出的频率特性来估计上述电池模型的参数。
2.根据权利要求1所述的电池模型辨识方法，其特征在于， 在上述系统辨识中，对上述电池的输出电流进行累加来算出荷电状态， 根据荷电状态算出开路电压，使用从上述电池的端子电压减去上述开路电压而算出的过电压。
全文摘要
在本发明的电池模型辨识方法中，通过M序列输入电流生成部(2)将频率成分不同的M序列信号作为电流输入而输入到电池(4)，通过电压传感器(5)对此时的电池的端子电压进行测定，参数估计部(3)根据测定结果进行系统辨识，并算出电池的频率特性，根据算出的频率特性对作为电池模型(7)的参数的电阻成分(Rb、R1～R3)以及容量成分(C1～C3)进行辨识。
文档编号H01M10/48GK102232257SQ20098014834
公开日2011年11月2日 申请日期2009年11月12日 优先权日2008年12月1日
发明者板桥欣之介 申请人:康奈可关精株式会社