[发明专利]锂电池等效电路模型参数在线鲁棒自适应辨识方法

说明书

本发明公开了锂电池等效电路模型参数在线鲁棒自适应辨识方法，根据电池开路电压与荷电状态建立SOC‑OCV关系曲线；系统参数初始化，设置θ(0)和P(0)初值、初始SOC状态、λ及采样周期T；由安时积分法计算出第k步的Soc(k)，k＝1,2,…,n；根据采集到的电池电流与端电压观测数据，结合SOC‑OCV函数关系进行计算得到矩阵；启动RLsign算法，根据迭代公式计算出a₁,a₂,a₃,a₄,a₅；进而求出电池模型中的参数R₀,R₁,R₂,C₁,C₂；循环以上步骤进行模型参数的在线辨识，即可实现电池模型参数的动态调整。本发明能有效减小非高斯噪声对参数辨识的影响，保证参数估计精度的有效性；算法稳定、计算复杂度低，在非高斯噪声条件下稳态收敛精度高于同类其它传统算法。

技术领域

本发明属于信号处理中参数辨识方法技术领域，具体涉及锂电池等效电路模型参数在线鲁棒自适应辨识方法。

背景技术

近十年来，随着以化石能源为动力的传统能源汽车受到能源限制以及环境污染所带来的不利影响，以石油为动力的汽车正在被以新能源为主要动力的电动汽车所替代。相比于传统化石能源汽车而言，电动汽车在能源消耗等方面显现出了比传统汽车无法拥有的优势，因而使电动汽车的发展成为了目前汽车行业的主流趋势。

作为电动汽车电池管理系统的重要组成部分，锂电池荷电状态估计(State ofCharge，SOC)已成为目前电动汽车中的研究热点。电池荷电状态估计既是整个能量管理系统的重点，也是难点。因为锂电池在运行过程中相当于一个黑箱系统，会受到环境、老化等多种未知因素的影响，实现快速、精确的电池状态估计在现阶段仍具有挑战性。因此，提炼出准确有效的SOC估计算法，实现准确地在线估计电池荷电状态对电池乃至于整车的性能提升都存在非常重要的意义。

目前常见的SOC估计方法分为模型驱动型和数据驱动型，其中模型驱动型以扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)及其改进方法等非线性卡尔曼滤波为主，这些方法的前提是要建立精确的等效电路模型数学模型，并且实现模型的高精度参数辨识，从而才能达到准确估计SOC。因此，等效电路模型参数辨识方法对于实现准确的SOC估计显得至关重要。

传统的自适应参数辨识算法主要包括递归最小二乘估计算法(RLS)，偏差补偿递归最小二乘估计算法(BCRLS)等。上述方法应用于模型参数估计时均以系统测量噪声服从高斯分布为假设条件，但是实际的锂电池工作环境中容易受到物理或人为等非高斯分布噪声的干扰，此种情况下应用上述方法对锂电池等效电路模型参数的辨识准确度将存在较大偏差。因此针对实际的工况，研究非高斯噪声干扰环境下锂电池等效电路模型鲁棒自适应参数辨识算法具有重要的意义。

发明内容

本发明的目的在于提供一种锂电池等效电路模型参数在线鲁棒自适应辨识方法，能有效减小非高斯噪声对参数辨识的影响。

本发明所采用的技术方案是，锂电池等效电路模型参数在线鲁棒自适应，具体按照以下步骤实施：

步骤1、选取待测锂电池，并通过充放电试验台对锂电池进行间歇充/放电试验；

步骤2、对待测锂电池进行混合功率脉冲特性(HPPC)实验；

步骤3、记录步骤1、2中电池在不同SOC状态下的电压以及电流数据，并利用Matlab将得到的开路电压数据与不同的SOC状态进行曲线拟合，得到不同时刻SOC与开路电压之间的关系；

步骤4、建立锂电池等效电路模型，综合考虑其复杂度和精确度，选择二阶RC等效电路模型；

步骤5、将电池等效电路模型转化为可应用于基于p-范数的最小二乘算法的数学形式；