本發(fā)明公開了一種基于信息評估機制的鋰電池模型參數(shù)辨識方法，首先對處于動態(tài)工況的動力鋰電池進行信息采集，在本實施例中為量測電流及電壓；然后，對采集到的信息進行評估，生成評估系數(shù)，最后，根據(jù)評估系數(shù)引導(dǎo)最小二乘更新參數(shù)向量及協(xié)方差矩陣，對模型中的參數(shù)進行辨識。本發(fā)明方法能夠在對模型參數(shù)進行辨識之前，對數(shù)據(jù)中所包含的信息量進行預(yù)評估，從而濾除無效信息對參數(shù)辨識的干擾與影響；能夠有效緩解傳統(tǒng)的遞推最小二乘法受激勵不充分和量測噪聲等問題的干擾，辨識結(jié)果容易出現(xiàn)偏差的問題，提高參數(shù)辨識的精確度及穩(wěn)定性；能夠以遞推的形式實現(xiàn)，所需計算量低，能夠適用于電池管理系統(tǒng)。

技術(shù)領(lǐng)域

本發(fā)明屬于動力鋰電池應(yīng)用領(lǐng)域，具體涉及一種基于信息評估機制的鋰電池模型參數(shù)辨識方法。

背景技術(shù)

動力鋰電池因具備高能量密度、無記憶效應(yīng)和低自放電率等多種優(yōu)勢，已經(jīng)成為了當前電動汽車和固定式儲能的重要解決方案，在鋰電池的應(yīng)用中，為確保電池組的工作性能，防止電池過充過放，電池管理系統(tǒng)的地位至關(guān)重要。電池管理系統(tǒng)的基本功能包括電池荷電狀態(tài)的估算，為提高荷電狀態(tài)估計的準確性和便捷性，基于模型的估計方法通過預(yù)先建立電池狀態(tài)空間方程，利用粒子濾波、卡爾曼濾波等方法，實現(xiàn)對鋰電池荷電狀態(tài)的在線估計。然而，這些基于模型的方法的性能與準確的電池模型的精度性有很大關(guān)系。

常用的電池模型包括等效電路模型，電化學(xué)模型，數(shù)據(jù)驅(qū)動模型等。其中等效電路模型結(jié)構(gòu)簡單，涉及參數(shù)少，能夠描述電池的動態(tài)性能，得到了廣泛的研究與應(yīng)用。

由于等效電路模型的參數(shù)隨電流倍率、溫度、荷電狀態(tài)等因素變化，因此需要對等效電路模型的參數(shù)進行在線辨識。其中，遞推最小二乘法所需的計算量小，能夠很好的應(yīng)用于電池管理系統(tǒng)。然而，遞推最小二乘法對量測噪聲比較敏感，從而降低等效電路模型的精度。此外，遞推最小二乘法的性能還會受到電流激勵的影響，當電流激勵不足時，遞推最小二乘法的穩(wěn)定性顯著降低，從而細小的誤差也會使參數(shù)辨識結(jié)果產(chǎn)生較大的偏移。

等效電路模型參數(shù)辨識結(jié)果與傳感器量測得電流電壓等信息量直接相關(guān)，通過對這些信息進行預(yù)評估，將評估結(jié)果應(yīng)用于參數(shù)辨識算法中，能夠有效降低量測噪聲干擾以及激勵不充分的影響，從而提高參數(shù)辨識算法的穩(wěn)定性與可靠性。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于信息評估機制的鋰電池模型參數(shù)辨識方法通過對用于參數(shù)辨識的數(shù)據(jù)信息進行預(yù)估，將其評估系數(shù)應(yīng)用于遞推最小二乘法中，以降低無效數(shù)據(jù)對參數(shù)辨識的影響，從而提高動力鋰電池模型參數(shù)辨識的準確性。

為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于信息評估機制的鋰電池模型參數(shù)辨識方法，包括以下步驟：

S1、采集處于動態(tài)工況的動力鋰電池的信息量；

S2、基于采集的信息量，確定鋰電池模型的參數(shù)辨識信息的評估系數(shù)；

S3、基于評估系數(shù)的變化趨勢，通過最小二乘法對由采集的信息量計算得到的參數(shù)向量和協(xié)方差矩陣P_k進行更新，初始化參數(shù)P_mem和θ_mem，并判斷更新后的鋰電池模型對應(yīng)的評估系數(shù)是否降低；

若是，則進入步驟S4；

若否，則進入步驟S5；

S4、將參數(shù)向量和協(xié)方差矩陣P_k分別記憶為參數(shù)P_mem和θ_mem，進入步驟S5；

S5、設(shè)定參數(shù)辨識的時間尺度T_l，并判斷當前時間是否達到時間尺度；

若是，則進入步驟S6；

若否，則返回步驟S1；

S6、基于當前的P_mem和θ_mem對鋰電池模型參數(shù)進行辨識。