[發明專利]基于可變遺忘因子的RLS鋰電池模型參數在線辨識方法

在審

• 申請號: 201910026801.8
• 申請日: 2019-01-11
• 公開（公告）號: CN109726501A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 徐勁力;徐維;許建寧;顏曉鳳;謝鋒
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

本發明屬于鋰電池模型辨識領域，公開了一種基于可變遺忘因子的RLS鋰電池模型參數在線辨識方法，獲取鋰電池性能參數信息；建立二階鋰電池等效電路模型，并推導模型辨識向量方程；獲得電池在不同溫度下的OCV?SOC特性曲線，擬合出OCV?SOC的關系表達式；根據可變遺忘因子的RLS方法對模型方程計算當前時刻參數；更新下一時刻遺忘因子值；采集下一時刻的電壓與電流值，利用更新的遺忘因子RLS方法，對二階RC等效電路模型進行下一時刻在線參數辨識。本發明可快速收斂至真實值；且對于時變的鋰電池模型參數，與固定遺忘因子的RLS方法相比，有更高收斂速度和辨識精度的在線跟蹤能力。

技術領域

本發明屬于鋰電池模型辨識領域，尤其涉及一種基于可變遺忘因子的RLS鋰電池模型參數在線辨識方法。

背景技術

目前，國內外鋰電池模型參數辨識，主要采用離線辨識的方法，即利用脈沖方法獲得鋰電池對脈沖的響應，根據獲得的離線數據，對電池模型參數進行辨識。但鋰電池模型參數是時變系統，它隨著SOC的變化而變化的，離線辨識的參數結果不能滿足高精度SOC的需求。近幾年，國內外出現3種在線辨識鋰電池模型參數的方法包括：最小二乘法(RLS)，遺傳基因算法(GA)，群粒子算法(PSO)。GA和PSO算法不僅復雜度極高，而且計算量非常大，因此，工程應用價值不高，不適合于電池管理系統；RLS方法廣泛應用于鋰電池SOC估算中的模型參數辨識，實現起來也比較簡單，大部分情況下，基于RLS的鋰電池模型參數辨識能估算出準確統計特性的參數結果。但是，RLS是具有無限記憶長度的算法，對于鋰電池系統，RLS在參數辨識過程中舊數據越來越多，會導致結果不能良好的反應新數據的特性，出現“數據飽和”現象。針對此種情況，經文獻檢索發現，中國專利申請號為CN201710421602.8，名稱為：一種帶遺忘因子的最小二乘法(FRLS)鋰電池模型參數辨識方法，該專利中提出引入遺忘因子克服“數據飽和”現象。但是，FRLS中遺忘因子是人為選擇的一個固定值(通常屬于(0，1))，它只適用于非時變系統。對于時變系統，如果遺忘因子取值較大，則收斂速度較慢，如果遺忘因子取值較小，則辨識精度較低，其收斂速度和跟蹤能力都難以滿足要求。而鋰電池模型是非線性、時變系統，因此，有必要尋找一種運算復雜度和FRLS算法相當，但收斂速度及辨識精度高于FRLS算法的靈活的鋰電池模型參數辨識方法。

綜上所述，目前技術存在的問題包括：

不能滿足高精度SOC的需求。

計算量大，不適合于電池管理系統。

對于時變系統收斂速度較慢，辨識精度較低。

解決上述技術問題的意義：

本發明的目的在于克服現在技術中的不足，提供一種基于可變遺忘因子的RLS的鋰電池模型參數在線辨識方法，使其在未知統計信息的情況下具有估計性能穩健、精度高、魯棒性強、搞白噪聲能力強的特點，且易于實現。

發明內容

針對現有技術存在的問題，本發明提供了一種基于可變遺忘因子的RLS鋰電池模型參數在線辨識方法，鋰電池SOC是動力電池管理系統最重要的參數，而鋰電池模型參數是影響鋰電池SOC關鍵因素，因此急需設計一種精度高、計算量小、速度快的鋰電池模型參數估算方法。

本發明是這樣實現的，一種基于可變遺忘因子的RLS鋰電池模型參數在線辨識方法包括：

步驟一：獲取鋰電池性能參數信息；

步驟二：建立二階鋰電池等效電路模型，并推導出電壓、電流與參數的向量方程；

步驟三：對鋰電子電池進行放電-靜置實驗，為了更準備的辨識鋰電池模型參數，獲取鋰電池在不同溫度下的OCV-SOC特性曲線，擬合出OCV-SOC的關系表達式，根據鋰電池當前溫度選擇相應特性曲線在線辨識參數；

步驟四：采集鋰電池當前時刻的電壓、電流和溫度數據；