[发明专利]基于连续脉冲响应的锂离子电池模型参数辨识方法

说明书

本发明涉及基于连续脉冲响应的锂离子电池模型参数辨识方法，包括如下步骤：S1、得到锂离子电池的的SOC‑OCV曲线；在锂离子电池单体上施加连续电流脉冲，获得欧姆阻抗R₀；S2、基于电池二阶RC等效电路模型，建立关于电池二阶RC等效电路模型参数的方程组，求得解析解，作为待辨识参数的初始值；S3、分离出电池欧姆极化外的极化电压；S4、最小二乘法辨识出锂离子电池二阶RC等效电路模型的极化电阻R_p1、极化电阻R_p2、极化电容C_p1、极化电容C_p2。本发明，使用二阶RC等效电路模型，模型简单，辨识参数所需要的数据量小，可保证较高的辨识精度，满足使用需求，拟合连续电流脉冲激励的响应效果较好。

技术领域

本发明涉及锂离子电池建模领域，具体说是基于连续脉冲响应的锂离子电池模型参数辨识方法。

背景技术

在能源危机和保护环境的双重压力下，电动车得到了大力发展。锂离子电池由于具有高能量密度、使用寿命长和环境友好的优势，成为了电动车动力电池的首选。为了准确预测那些无法直接测量的表征电池性能的参数，有必要建立一个适用于不同情况的模型(锂离子电池模型)。

目前，常用的锂离子电池模型有三种：

(1)基于第一原理的电化学模型，不仅可以反映充电过程的潜在变化，还可以描述电池的内部反应。该模型由复杂并且相互耦合的偏微分方程序列(PDE)组成，如锂离子扩散和电化学动力学。理想情况下，电池的电化学模型应尽可能详细，以便可以非常准确地估算电池。然而，这需要相当复杂的数据计算，这使得电化学模型不适用于一般电池管理系统(BMS)。尽管部分电化学模型已经提高了计算效率，但相对于其他的锂离子电池模型来说仍然相当复杂。

(2)黑箱模型，基于大量的数据通过神经网络或模糊逻辑等不同算法建立电池电流和电压的非线性关系。但黑箱模型在很大程度上依赖于训练数据的数量和质量，同时，该模型的算法十分耗时且不能反映电池的物理特性。

(3)等效电路模型(Equivalent circuit model，ECM)，是通过带有电子元件的电路代表电池特性的模型，通常是理想的电阻器或电容器，其具有仿真简单的优点。在ECM中，通过不同时间常数的RC网络的串联可以较好地模拟电池在不同时间尺度上的响应。包含非整数阶的元件的电路，如常相位元件，通常称为分数阶模型。分数阶模型可以更好地描述电池的弥散效应，使模型更准确，但需要更复杂的算法和微分计算。与上述各种模型相比，ECM的参数具有特定的物理意义且结构相对简单，比其他模型更容易在电池管理系统(BMS)上实现。

常用的ECM包括Rint模型，PNGV模型，DP模型，RC模型等。考虑到模型的复杂性和准确性，RC模型在工程中更常用。

RC模型的阻抗由两部分组成：欧姆阻抗和RC网络。欧姆阻抗主要由电解质和集电器的欧姆电阻组成；RC网络是指由极化引起的电阻，包括电荷转移过程和扩散过程。

如何准确获取等效电路模型的参数是准确模拟电池外部特性的关键步骤。目前用于辨识等效电路模型使用的方法多为HPPC(Hybrid Pulse Power Characteristic，混合动力脉冲能力特性)，但如何确定HPPC测试的参数是一个值得考虑的问题。同时，使用电流脉冲的应用非常多，例如脉冲充电/放电，脉冲加热，脉冲电沉积等。因此，需要针对电池在连续脉冲下的响应提出锂离子电池模型参数辨识方法。

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供基于连续脉冲响应的锂离子电池模型参数辨识方法，使用二阶RC等效电路模型，模型简单，辨识参数所需要的数据量小，可保证较高的辨识精度，满足使用需求，拟合连续电流脉冲激励的响应效果较好。