[发明专利]基于鲁棒递归最小二乘的电池参数辨识方法及系统

说明书

本公开提出了基于鲁棒递归最小二乘的电池参数辨识方法及系统，方法包括如下步骤：建立电池系统方程；离线确定电池的开路电压与剩余电量的关系；建立鲁棒损耗函数，根据实时采样的电池电流电压数据及电池的开路电压，基于鲁棒损耗函数和自适应遗忘因子采用最小二乘迭代求解，获得基于鲁棒递归最小二乘方法的电池参数估计值。通过设置鲁棒损耗函数，在迭代过程中，根据采集不同步的延迟造成的干扰产生延迟噪声问题，建立自适应异常数据判断界限，从而降低采集延迟对辨识结果的影响，同时增加了偏差补偿环节来降低测量噪声的影响，提高参数辨识的准确性。

技术领域

本公开涉及车辆电池相关技术领域，具体的说，是涉及基于鲁棒递归最小二乘的电池参数辨识方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

动力电池模型在线参数辨识可以实时的跟踪电池模型参数的变化，从而可以为基于模型的状态估计算法提供精确的电池模型，进而提高状态估计精度。在众多动力电池模型中如等效电路模型、数据驱动模型、电化学模型等，等效电路模型因为具有比较低的复杂度和相对合适的精度，是最适合实际车辆应用的电池模型。

针对上述等效电路模型现有的参数辨识方法，列举如下：

1、经典最小二乘:此方法对电池模型的输入输出数据采用批处理的方式进行拟合，基于最小方差指标进行寻优，得到参数估计值。该方法的特点是：拟合精度高，但是需要对大量的数据进行批处理，需要占用大量的存储空间，不适合在线应用。

2、带遗忘因子的递归最小二乘算法。该方法基于最小方差指标思想，构造递推形式，适合在线应用。并引入遗忘因子，使算法具备持续跟踪变化参数的能力。该方法的缺点是，在系统激励较低的情况下，没有足够的新息输入系统，而协方差矩阵持续的除以遗忘因子，从而造成了巨大的辨识误差。

3、可变遗忘因子/自适应遗忘因子最小二乘。这种方法可以根据系统的激励程度，自动调节遗忘因子的大小，从而改善辨识精度问题。该方法的缺点是，数据波动较大或者有异常数据时，辨识结果会受到较大的影响。

4、多个/向量遗忘因子递归最小二乘法。这个方法针对电池模型中不同的环节具有不同的时间常数，即动态特性不同，采用多个遗忘因子，避免增益矩阵内各个系数之间的相互耦合。该方法同样不能抑制数据波动和数据异常对辨识结果的影响。

发明人发现，以上辨识方法都存在共同的缺点：

1、对采集噪声的抑制能力较弱。而在实际的电池管理系统应用中，采集噪声是不可不免的。经实际测试，一般电池管理系统在高低温、电磁干扰环境下，电池电压采集偏差可达到5mV，电压采集波动最大达到10mV。敏感度分析实验表明，5mV的采集噪声将造成不同模型参数6％-11％的辨识误差。

2、在电池管理系统内，电压电流采集不同步现象影响严重。电流电压采集不同步现象是指用于辨识算法的电压和电流数据并不是在同一时刻测量得到的。这会对辨识结果产生巨大的影响。采集不同步问题是由多种原因造成的，比如CAN网络数据传输、电池管理系统内部的控制时序、模拟前端采集性能等。经研究分析，电压和电流采集之间的时间延迟在10-100ms之间。而敏感度分析表明，即使10ms的采集延迟，也会造成不同参数5.3％-24.7％的辨识误差。

以上两个问题是电池管理系统在实际应用中广泛存在而且不可避免的。对于现有的线性最小方差类的辨识算法，该问题会在算法每次的迭代过程中，引入较大的预测误差，即参数辨识过程中的残差过大。同时，等效电路模型中的RC环节具有比较大的时间常数，造成辨识参数的较大波动，在极端情况下，还会造成辨识算法的失效。

综上所述，现有的最小二乘类辨识算法，虽然具有迭代运算，计算量小等优点，十分适用于在线应用，但是在实际应用中并不能有效的抑制测量噪声和采集不同步两个问题。

发明内容