本发明涉及一种电池参数自动辨识方法，包括如下步骤：建立建立二阶RC等效电路模型，并进行离散、差分变换得到电路模型电气表达式；将电路模型电气表达式进行拉普拉斯变换，再转换成z变换形式并进行线性变换，再转换为时域离散方程；基于时域离散方程转换成向量形式；建立带遗忘因子λ的递推最小二乘法，并基于该递推最小二乘法进行递推迭代算出待辨识向量；设定递推次数d达到递推次数d后运用递推最小二乘法得到一组模型参数，运用模型参数结合扩展卡尔曼滤波算出电池的SOC，由于SOC与开路电压OCV存在一定的线性关系，通过计算出的SOC可以得到一个开路电压OCV；计算开路电压OCV与开路电压之间的差值（）的绝对值，若的绝对值超过设定范围则进行参数抑制。
1.一种电池参数自动辨识方法，其特征在于，包括如下步骤：步骤1，建立建立二阶RC等效电路模型，并进行离散、差分变换得到电路模型电气表达式；
步骤2，将步骤1得到电路模型电气表达式进行拉普拉斯变换，再转换成z变换形式并引入 进行线性变换，再转换为时域离散方程；
步骤3，基于步骤2得到的时域离散方程转换成向量形式；
步骤4，建立带遗忘因子λ的递推最小二乘法，并基于该递推最小二乘法进行递推迭代算出待辨识向量；
步骤5，设定递推次数d，达到递推次数d后运用步骤4得到的递推最小二乘法得到一组模型参数，模型参数包括开路电压Uoc，运用模型参数结合扩展卡尔曼滤波算出电池的SOC(荷电状态)，由于SOC与开路电压OCV存在一定的线性关系，通过计算出的SOC可以得到一个开路电压OCV；
步骤6，计算步骤5得到的开路电压OCV与开路电压Uoc之间的差值ΔOCV的绝对值，并判断ΔOCV的绝对值是否超过设定范围，若未超过设定范围，则跳转至步骤7，否则转入步骤8；
步骤7，不进行参数抑制，基于步骤4得到的递推最小二乘法继续进行递推，跳转至步骤
步骤8，进行参数抑制，首先计算递推次数d的前20次所递推得到的开路电压，找出使ΔOCV取得最小值的那次，记录此次，设此次为dm，剔除dm到d之间的采样数据，重新开始在dm次递推，这就将促使参数分散的采样数据清除，从而抑制了参数，至ΔOCV的绝对值不超过设定范围后跳转至步骤5。
2.根据权利要求1所述的电池参数自动辨识方法，其特征在于，所述步骤1中，所述电路模型电气表达式为：
Ut＝Uoc‑I0·R0‑U1‑U2U1＝exp(‑Δt/R1C1)+R1(1‑exp(‑Δt/R1C1))I0U2＝exp(‑Δt/R2C2)+R2(1‑exp(‑Δt/R2C2))I0。
3.根据权利要求2所述的电池参数自动辨识方法，其特征在于，所述步骤2中，所述时域离散方程为：
Ut(k)＝(1‑θ1‑θ2)Uoc(k)+θ1Ut(k‑1)+θ2Ut(k‑2)+θ3I0(k)+θ4I0(k‑1)+θ5I0(k‑2)。
4.根据权利要求3所述的电池参数自动辨识方法，其特征在于，所述步骤4中，所述递推最小二乘法为：
θ(k)＝θ(k‑1)+K(k)(Ut(k)‑y(k))
5.根据权利要求4所述的电池参数自动辨识方法，其特征在于，所述模型参数还包括R0，R1，R2，C1，C2。
6.根据权利要求5所述的电池参数自动辨识方法，其特征在于，所述模型参数满足：
7.根据权利要求6所述的电池参数自动辨识方法，其特征在于，所述设定范围为0.01。
8.根据权利要求7所述的电池参数自动辨识方法，其特征在于，所述d不大于1000。
9.根据权利要求8所述的电池参数自动辨识方法，其特征在于，所述步骤8中，进行参数抑制的步骤为：首先计算递推次数d的前20次所递推得到的开路电压Uoc，找出使ΔOCV取得最小值的那次，记录此次，设此次为dm，剔除dm到d之间的采样数据，重新开始在dm次递推。
一种电池参数自动辨识方法
技术领域
[0001] 本发明涉及电池检测技术领域，具体涉及一种电池参数自动辨识方法。
背景技术
[0002] 电池状态估计是电池管理系统的重点，精确的状态估计离不开电池的参数辨识，目前在此领域，电池的参数辨识是辨识的电池模型参数，电池模型参数对电池状态估计有
很重要的意义，电池的参数辨识方法包括离线辨识和在线辨识。离线辨识一般是利用电池
HPPC(脉冲放电)数据拟合得到，离线辨识简单易于工程实现，但离线辨识得到的参数是一
组固定值，离线辨识忽略了参数会受电池寿命、放电倍率等因素的影响。在线辨识是根据外
部测试的实时数据(包括电流电压值等)随迭代次数不断更新参数值，这是离线辨识无法做
到的，由于模型参数会随电池寿命、放电倍率等因素发生改变，在线辨识正好可以实现不断
更新参数从而具备实时参数修正功能，但在线辨识的工程实现较困难，运算量大。
[0003] 中国专利201710421602.8(一种带遗忘因子的最小二乘法锂电池模型参数辨识方法)公开的技术方案为：在二阶RC模型的基础上，将等效电路模型拉普拉斯方程进行双线性
变换得到模型系统输入与输出的差分方程，在此基础上用带遗忘因子递推最小二乘求得模
型参数。但该技术方案没有涉及对采样数据合理性剔除。
[0004] 中国专利201910256426.6(一种动力电池系统在线参数辨识与回溯方法)公开的技术方案为：基于一阶RC，主要是在常规带遗忘因子递推最小二乘的基础上，利用端电压误
差进行递推回溯，可以对常规递推最小二乘参数的异常抖动进行抑制。但该技术方案没有
涉及对采样数据合理性剔除。
[0005] 现有技术中所公开的在线辨识的技术方案存在无法剔除异常发散样本数据的问题，由于与电池连接的采样传感器有误差，某些采样数据会导致在辨识过程中参数发散。
发明内容
[0006] 针对现有技术中存在的技术问题，本发明提供一种电池参数自动辨识方法，该方法基于递推最小二乘，可以实现电池参数在线辨识。本发明提供的电池参数自动辨识方法
能合理性剔除采样数据，促使辨识得到的参数不再发散，该电池参数自动辨识方法可以应
用在电池状态估计(SOC，state of charge)中(电池状态估计的前提就是需要辨识参数)。
[0007] 为实现上述目的，本发明采用如下技术方案：一种电池参数自动辨识方法，包括如下步骤：
[0008] 步骤1，建立建立二阶RC等效电路模型，并进行离散、差分变换得到电路模型电气表达式；
[0009] 步骤2，将步骤1得到电路模型电气表达式进行拉普拉斯变换，再转换成z变换形式并引入 进行线性变换，再转换为时域离散方程；
[0010] 步骤3，基于步骤2得到的时域离散方程转换成向量形式；
[0011] 步骤4，建立带遗忘因子λ的递推最小二乘法，并基于该递推最小二乘法进行递推迭代算出待辨识向量；
[0012] 步骤5，设定递推次数d(d<1000)，达到递推次数d后运用步骤4得到的递推最小二乘法得到一组模型参数，模型参数包括开路电压Uoc，运用模型参数结合扩展卡尔曼滤波算
出电池的SOC(荷电状态)，由于SOC与开路电压OCV存在一定的线性关系，通过计算出的SOC
可以得到一个开路电压OCV；
[0013] 步骤6，计算步骤5得到的开路电压OCV与开路电压Uoc之间的差值(ΔOCV)的绝对值，并判断ΔOCV的绝对值是否超过设定范围，若未超过设定范围，则跳转至步骤7，否则转
入步骤8；
[0014] 步骤7，不进行参数抑制，基于步骤4得到的递推最小二乘法继续进行递推，跳转至初始；
[0015] 步骤8，进行参数抑制直至ΔOCV的绝对值不超过设定范围，跳转至初始。
[0016] 在步骤1中，电路模型电气表达式具体为：
[0017]
[0018] U1＝exp(‑Δt/R1C1)+R1(1‑exp(‑Δt/R1C1))I0 (2)
[0019] U2＝exp(‑Δt/R2C2)+R2(1‑exp(‑Δt/R2C2))I0 (3)。
[0020] 在步骤2中，将方程式(1)、(2)和(3)进行拉普拉斯变换后得到：
[0021]
[0022] 在步骤2中，将方程式(4)式转换成z变换形式并引入 进行线性变换得到：
[0023]
[0024] 在步骤2中，将方程式(5)式转换为时域离散方程得到：
[0025] Ut(k)＝(1‑θ1‑θ2)Uoc(k)+θ1Ut(k‑1)+θ2Ut(k‑2)+θ3I0(k)+θ4I0(k‑1)+θ5I0(k‑2) (6)。
[0026] 在步骤3中，将方程式(6)式转换成向量形式：
[0027]
[0028] 在步骤3中，确定初始值θ(0)＝zero(6)，即为6个元素的零向量， (单位矩阵)。
[0029] 在步骤4，带遗忘因子λ的递推最小二乘法具体为：
[0030]
[0031] θ(k)＝θ(k‑1)+K(k)(Ut(k)‑y(k)) (9)
[0032]
[0033] 其中，k表示时刻，Ut(k)为k时刻的实际端电压值，θ表示需要辨识的未知参数矢量。基于该递推最小二乘法进行递推迭代算出待辨识向量。
[0034] 在步骤5，运用步骤4得到的递推最小二乘法得到一组模型参数，具体步骤如下：
[0035] 设θ(k)＝[θ0,θ1,θ2,θ3,θ4,θ5] (11)
[0036] 结合方程式(5)式可以得到：
[0037]
[0038]
[0039]
[0040]
[0041]
[0042]
[0043] 根据方程式(12)、(13)、(14)、(15)、(16)和(17)即可得到下列模型参数：R0,R1,R2,C1,C2,Uoc。
[0044] 在步骤6中，ΔOCV＝|Uoc‑OCV|与e进行对比，e取0.01。
[0045] 在步骤8中，进行参数抑制的具体步骤为：首先计算递推次数d的前20次所递推得到的开路电压Uoc，找出使ΔOCV取得最小值的那次，记录此次，设此次为dm，剔除dm到d之间
的采样数据，重新开始在dm次递推，这就将促使参数分散的采样数据清除，从而抑制了参
数。
[0046] 由于现有的电流电压采样传感器存在误差，因此与电池连接的电流电压采样传感器所采集的数据在在线参数辨识迭代的过程中会使电池参数发散，后续时刻继续迭代时，
若使用此次发散的参数，将导致后续时刻迭代得到的参数都无法收敛，导致辨识失败。本发
明提供的一种电池参数自动辨识方法，可以对采样数据进行合理性剔除，保证数据不发散。
[0047] 相对于现有技术，本发明能达到的有益效果是：
[0048] 1.本发明供的一种电池参数自动辨识方法是在二阶RC模型的基础上，运用可变遗忘因子递推最小二乘进行参数辨识，在此基础上，结合SOC‑OCV曲线对辨识结果进行抑制，
以减小参数波动甚至离散；
[0049] 2.本发明的方法可以克服电池因使用寿命、温度等因素造成参数改变的问题，时刻保证参数更新。
附图说明
[0050] 图1为一种电池参数自动辨识方法的流程图。
[0051] 图2为SOC‑OCV曲线图。
[0052] 图3为收敛的参数辨识图。
[0053] 图4为离散的参数辨识图。
具体实施方式
[0054] 为便于本领域技术人员理解本发明，下面将结合具体实施例和附图对本发明作进一步详细描述。
[0055] 如图1所示，本发明提供一种电池参数自动辨识方法，包括如下步骤：
[0056] 步骤1，与电池连接的电流电压采样传感器采集数据，包括：U(k)，U(K‑2)，I(K)，I(K‑1)，I(K‑2)；
[0057] 步骤2，根据方程式(8)、(9)、(10)计算递推矩阵K(k)；
[0058] 步骤3，根据方程式(8)、(9)、(10)计算误差协方差矩阵P(k)；
[0059] 步骤4，递推参数更新，根据方程式(12)、(13)、(14)、(15)、(16)和(17)得到模型参数，模型参数包括R0,R1,R2,C1,C2,Uoc；
[0060] 步骤5，达到预设的递推次数d(d<1000)后，扩展卡尔曼滤波算出电池的SOC(荷电状态)，由于SOC与开路电压OCV存在一定的线性关系，通过计算出的SOC可以得到一个开路
电压OCV；
[0061] 步骤6，计算步骤5得到的开路电压OCV与开路电压Uoc之间的差值(ΔOCV)的绝对值，并判断ΔOCV的绝对值是否超过设定范围e，若未超过设定范围e，则跳转至步骤7，否则
转入步骤8；
[0062] 步骤7，不进行参数抑制，基于步骤4得到的递推最小二乘法继续进行递推，跳转至初始；
[0063] 步骤8，进行参数抑制，首先计算递推次数d的前20次所递推得到的开路电压Uoc，找出使ΔOCV取得最小值的那次，记录此次，设此次为dm，剔除dm到d之间的采样数据，重新开始
在dm次递推，这就将促使参数分散的采样数据清除，从而抑制了参数，至ΔOCV的绝对值不
超过设定范围后跳转至初始。
[0064] 根据上述电池参数自动辨识方法所得到的SOC与开路电压OCV的SOC‑OCV曲线图如图2所示。
[0065] 如图3所示，根据上述电池参数自动辨识方法所得到的收敛的参数辨识图，可以判断数据较收敛并且稳定，可以观察剔除发散点后的数据大都在0附近震荡，即使有大的震荡
(波峰)，也能很快收敛，这是剔除发散点带来的良性结果。
[0066] 如图4所示，现有的在线辨识的技术方案所得到的离散的参数辨识图，可以判断发散采样数据所造成的辨识后果，可以明显看出数据震荡较大，在最后数据直接变得很大(波
峰很高)，直接发散了，直接导致辨识失败。
[0067] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存
在矛盾，都应当认为是本说明书记载的范围。
[0068] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护
范围。因此，本发明专利的保护范围应以所附权利要求为准。
