畢 軍,康燕瓊,邵 賽
(北京交通大學(xué),城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點實驗室,北京 100044)
?
2015127
純電動汽車動力鋰電池Nernst模型參數(shù)辨識*
畢 軍,康燕瓊,邵 賽
(北京交通大學(xué),城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點實驗室,北京 100044)
建立了電動汽車動力鋰電池的Nernst經(jīng)驗?zāi)P?,并利用遺忘因子遞推最小二乘法對模型參數(shù)進(jìn)行辨識。以北京市運營的純電動環(huán)衛(wèi)車的鋰電池數(shù)據(jù)對所建立的模型和參數(shù)辨識算法進(jìn)行驗證,結(jié)果表明,所給出的方案是有效的,具有算法運算量少、模型結(jié)構(gòu)簡單和辨識精度較高等優(yōu)點,適于電動汽車運行時對電池模型參數(shù)的在線辨識。
電動汽車;電池模型;參數(shù)辨識;最小二乘法
電池作為一種儲能設(shè)備,其可靠性、穩(wěn)定性和安全性已經(jīng)逐漸成為電動汽車潛在消費者最關(guān)注的問題。電池中的電解液本身具有揮發(fā)性和易燃性,且易與所處外界環(huán)境發(fā)生熱交換。為此,除了提高電池技術(shù),還有必要建立一套完整的電池管理系統(tǒng)(BMS),用以實時監(jiān)測電池組的性能參數(shù),如總電流、總電壓等。精確估計電池SOC值是BMS最重要的任務(wù)[1-2]。電池的SOC值無法直接測得,只能根據(jù)電池的電壓、電流、溫度和內(nèi)阻等參數(shù)估計得到,即建立合理的電池模型。目前所研究的電池模型主要有等效電路模型、神經(jīng)網(wǎng)絡(luò)模型和經(jīng)驗公式模型等[3]。等效電路模型是應(yīng)用比較直觀的電阻、電容、電感等電路元件來描述電池的非線性特性,如Thevenin模型、四階動態(tài)模型、PNGV模型等[4-6],但這類電池模型的相關(guān)參數(shù)不能通過采集的實時數(shù)據(jù)得到,只能通過實驗室的仿真平臺求得,這導(dǎo)致模型的實時性和精確性下降。神經(jīng)網(wǎng)絡(luò)模型具有非線性、多輸入多輸出和泛化能力強等優(yōu)點,其學(xué)習(xí)能力和并行機(jī)構(gòu),對于外部激勵能給出相應(yīng)的輸出,故能較好地模擬電池的動態(tài)特性[7]。目前廣泛使用的神經(jīng)網(wǎng)絡(luò)方法有BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)因具有泛化能力強、收斂性好和學(xué)習(xí)速度快等優(yōu)點,在電池模型建模中更具優(yōu)勢[8]。神經(jīng)網(wǎng)絡(luò)電池模型建模時,一般用電池的電流、電壓、溫度和上一時刻的SOC值作為輸入變量,當(dāng)前的SOC值作為輸出變量,但是該種電池模型對動力電池沒有一個具體的數(shù)學(xué)表達(dá)式,不利于分析電池各個性能參數(shù)對電池總體性能的影響。經(jīng)驗公式模型是研究人員根據(jù)實踐經(jīng)驗將電池的特性用一個帶有參數(shù)的數(shù)學(xué)表達(dá)式來描述,目前廣泛應(yīng)用的經(jīng)驗公式模型有Shepherd模型、Unnewehr Universal模型和Nernst模型[9]等。經(jīng)驗?zāi)P途哂须A數(shù)低,結(jié)構(gòu)簡單,利于工程實現(xiàn)等優(yōu)點,且模型中的參數(shù)可利用實時采集到的電池數(shù)據(jù)辨識得到,既克服了等效電路模型的缺點,相對神經(jīng)網(wǎng)絡(luò)模型而言又有比較具體的數(shù)學(xué)表達(dá)式,因此,本文中選用經(jīng)驗公式模型作為鋰離子電池模型,應(yīng)用實時運營的北京市純電動汽車數(shù)據(jù)對電池模型的參數(shù)進(jìn)行在線辨識,最后對模型和參數(shù)辨識的準(zhǔn)確性進(jìn)行驗證。
1.1 數(shù)據(jù)來源
北京市實時運營的純電動汽車有環(huán)衛(wèi)車(2t、8t和16t)、出租車和公交車等類型,為確保電動汽車安全、可靠地運行,有必要對電動汽車運營時的電池狀態(tài)進(jìn)行遠(yuǎn)程監(jiān)控。安裝在電動汽車內(nèi)的車載終端設(shè)備利用GPRS無線通信技術(shù),將采集的各種電池數(shù)據(jù),周期性地?zé)o線發(fā)送到電動汽車運營監(jiān)控中心。電動汽車運行時大量的電池數(shù)據(jù)都存儲在監(jiān)控中心的數(shù)據(jù)庫服務(wù)器中,為論文的實證研究提供了數(shù)據(jù)支持。由于在所有運行的電動車輛類型中,2t環(huán)衛(wèi)車的數(shù)量多,運行時間長,并且數(shù)據(jù)穩(wěn)定,因此本文數(shù)據(jù)來自2t環(huán)衛(wèi)車。2t環(huán)衛(wèi)車電池箱的組成為兩箱串聯(lián),每箱由60個磷酸鐵鋰單體電池組成,車輛運行過程中采集到的數(shù)據(jù)信息類型主要有時間、終端號(車號)、總電壓、總電流、SOC值、溫度、單體電壓、電池箱溫度、最高及最低溫度、最高及最低單體電壓值、報警信息和車輛GPS數(shù)據(jù)(經(jīng)度、緯度、速率和方向)等。本文中用到的數(shù)據(jù)類型有時間間隔、總電流和總電壓等。
1.2 數(shù)據(jù)分析
2t環(huán)衛(wèi)車的原始數(shù)據(jù)量龐大,提取2號電動環(huán)衛(wèi)車在2012年9月4日-18日的數(shù)據(jù)進(jìn)行進(jìn)一步的分析。圖1顯示的是這個時間段內(nèi)2號車SOC的變化情況。由圖可知,9月4日、5日兩天2號車處于運行狀態(tài),因為SOC值整體上呈現(xiàn)下降趨勢,但在此過程中,有部分?jǐn)?shù)據(jù)的SOC值為0,屬于異常數(shù)據(jù),這些異常數(shù)據(jù)使得電動車的放電過程不連續(xù);9月6日電動車處于充電狀態(tài),SOC值呈上升趨勢,而且整個充電過程連續(xù)性很好,數(shù)據(jù)量大,9月7日采集到的數(shù)據(jù)均為異常數(shù)據(jù)(其部分?jǐn)?shù)據(jù)如圖2所示);9月9日-18日電動車整體處于放電狀態(tài),但從圖中線1可以看出該放電過程連續(xù)性也較差。2號電動車在9月8日、10日、11日、13日、15日、16日、17日沒有采集到數(shù)據(jù),電動車處于靜止?fàn)顟B(tài)。綜上所述,較放電過程,電池在充電過程中得到的數(shù)據(jù)連續(xù)性好、數(shù)據(jù)異常情況少,且數(shù)據(jù)量大,因此使用充電過程的數(shù)據(jù)作為本文研究的基礎(chǔ)數(shù)據(jù)。提取2號車在9月6日08:01:59-12:24:20的數(shù)據(jù)并用Matlab對該段充電過程進(jìn)行繪圖,得到該段充電過程中電池總電壓、充電電流和電池SOC的變化曲線,如圖3和圖4所示。
由圖可見,在純電動汽車充電過程中,充電電流相對平穩(wěn);電池的SOC值平穩(wěn)增加,且隨著時間的增長呈線性增長趨勢;電池的總電壓在整個過程中也逐漸上升,但上升的幅度有波動,在整個過程中沒有呈現(xiàn)出明顯的線性變化趨勢。
1.3 數(shù)據(jù)處理
電動汽車在連續(xù)的充電過程中沒有出現(xiàn)異常數(shù)據(jù),故無須進(jìn)行異常數(shù)據(jù)的處理。但根據(jù)理論知識,電動汽車在連續(xù)充電過程中,電池組的SOC值隨著充電時間的增長而增長,但測量儀器的精度為0.4,在實際采集數(shù)據(jù)的過程中,當(dāng)數(shù)據(jù)變化小于0.4時,這種微小變化不會被檢測出來,因此使SOC值在一段時間內(nèi)沒有變化(圖5),因此仍須對充電數(shù)據(jù)進(jìn)行插值處理,使數(shù)據(jù)更接近電動汽車的實際情況,本文中采用樣條插值法[10],具體步驟如下所述。
(1) 從生成的電池數(shù)據(jù)表中按時間順序提取電動汽車某一天的連續(xù)充電數(shù)據(jù),相鄰兩組數(shù)據(jù)的時間間隔均為10s,記為X0=[x1,x2,x3,x4,…,xn](n=1 000),n為樣本數(shù),xi=[v-total,i-total,soc]。
(2) 遍歷X0中的所有數(shù)據(jù),在SOC值相同的每組xi中,提取i最小的xi。
(3) 將提取出來的xi按i從小到大的順序依次排列,方便利用Matlab進(jìn)行插值處理。
(4) 利用Matlab編程對步驟3中的xi序列進(jìn)行樣條插值,時間間隔仍為10s,插值之后的數(shù)據(jù)樣本數(shù)仍為1 000。
2.1 電池模型的建立
3種經(jīng)驗?zāi)P头謩e為
Shepherd模型:
yk=E0-Rik-k1/xk
(1)
Unnewehr Universal模型:
yk=E0-Rik-k1xk
(2)
Nernst模型:
yk=E0-Rik+k1ln(xk)+k2ln(1-xk)
(3)
式中:yk為k時刻的電池端電壓;E0為電池SOC為100%時的電動勢;xk為k時刻的SOC值;ik為k時刻的電流;R為電池內(nèi)阻;k1、k2為模型匹配系數(shù)。
上述3個公式中,式(1)和式(2)的非線性程度低,需要辨識的參數(shù)少;而式(3)非線性程度相對較高,需識別的參數(shù)也較多,更能體現(xiàn)電池系統(tǒng)的復(fù)雜性。因此,本文中采用Nernst模型進(jìn)行辨識,只要得到N組電池數(shù)據(jù){yk,ik,xk},即可用下面的遺忘因子遞推最小二乘法辨識得到模型的參數(shù)。
2.2 模型參數(shù)辨識
系統(tǒng)辨識就是在對辨識系統(tǒng)進(jìn)行輸入、輸出觀測而獲得其輸入、輸出數(shù)據(jù)的基礎(chǔ)上,從一組設(shè)定的模型類中,確定一個與被辨識系統(tǒng)等價的數(shù)學(xué)模型。系統(tǒng)辨識的基本原理如圖6所示。
(4)
同時計算出預(yù)報誤差
(5)
2.2.1 遺忘因子遞推最小二乘法參數(shù)辨識
最小二乘法通過求解誤差平方的最小值尋找數(shù)據(jù)的最佳匹配函數(shù)。該方法不僅可用于在線估計,也可用于離線估計。在隨機(jī)環(huán)境下使用最小二乘法時,無須獲得關(guān)于觀測數(shù)據(jù)概率統(tǒng)計方面的信息,但得出的結(jié)果卻具有很好的統(tǒng)計特性,因此被廣泛應(yīng)用于辨識領(lǐng)域,特別是其改進(jìn)算法,如遞推增廣最小二乘法、遺忘因子遞推最小二乘法等。
電動汽車在充電過程中,SOC值會隨時間的累積緩慢增長,因此它是一個慢時變參數(shù)。針對慢時變參數(shù),隨著數(shù)據(jù)的增長,如果不考慮歷史數(shù)據(jù)的權(quán)重,那么新的觀測值對參數(shù)估計的修正能力將逐漸減弱。為了克服這個問題,本文中的參數(shù)辨識采用遺忘因子遞推最小二乘法。
遺忘因子遞推最小二乘法解決了在迭代過程中出現(xiàn)的“數(shù)據(jù)飽和”現(xiàn)象,提高了參數(shù)估計的準(zhǔn)確性。遺忘因子遞推最小二乘法的參數(shù)估計的公式為
(6)
(7)
(8)
式中:K(k)為增益矩陣;遺忘因子λ須選擇接近1的正數(shù),通常不小于0.9。P(k)為協(xié)方差矩陣。
2.2.2 模型參數(shù)的辨識步驟
采集7號電動環(huán)衛(wèi)車在2012年9月21日8:10-11:35的充電數(shù)據(jù)進(jìn)行參數(shù)辨識,此次充電過程大約持續(xù)3h,充電數(shù)據(jù)經(jīng)過篩選和樣條插值之后間隔為10s,樣本數(shù)為1 000。
具體步驟如下所述。
(2) 采樣當(dāng)前輸入輸出值yk、ik、xk,確定φ(k)。
初始輸入數(shù)據(jù)7號電動環(huán)衛(wèi)車在2012年9月21日8:10-11:35的充電數(shù)據(jù)。遺忘因子遞推最小二乘法初始參數(shù)設(shè)置參見2.2.2節(jié),參數(shù)辨識的結(jié)果如圖7所示。
從圖7的參數(shù)辨識結(jié)果圖可以得到,參數(shù)k0、k1、k2辨識曲線有相似之處,都是在迭代500次之后趨于穩(wěn)定,最后直到基本收斂。參數(shù)R在迭代500次之后仍有較大波動,但最后也基本收斂。表1是辨識得到的各個參數(shù)的最終值。
由辨識結(jié)果可以得到Nernst經(jīng)驗?zāi)P偷臄?shù)學(xué)表達(dá)式為yk=412.6743-0.2118ik+21.4158ln(xk)+1.9183ln(1-xk)
(9)
根據(jù)參數(shù)辨識得到的Nernst經(jīng)驗?zāi)P偷臄?shù)學(xué)表達(dá)式,可以進(jìn)一步驗證模型和辨識結(jié)果的準(zhǔn)確性。取7號電動環(huán)衛(wèi)車在2012年10月1日07:49:24-10:28:25的850條充電數(shù)據(jù)代入式(9)進(jìn)行模型驗證,評價指標(biāo)為式(10)所示的相對誤差(RE)、式(11)所示的均方根相對誤差(RMSRE)。驗證結(jié)果如圖8、圖9和表2所示。
(10)
(11)
由圖8可見,總電壓預(yù)測值增長的趨勢和真實值基本保持一致,總電壓的絕對誤差值范圍是[0.88,2.87],在誤差允許范圍內(nèi);由圖9可見,總電壓的相對誤差最大值為0.007;表2中RMSRE值為0.005 2。數(shù)據(jù)表明,Nernst模型參數(shù)辨識結(jié)果準(zhǔn)確。
表2 模型驗證結(jié)果
本文中采用遺忘因子遞推最小二乘法對Nernst模型中的參數(shù)進(jìn)行辨識。結(jié)果表明,每個參數(shù)最后均收斂到一個穩(wěn)定值,說明辨識方法合理。在進(jìn)一步的模型驗證實驗中,Nernst經(jīng)驗?zāi)P偷玫降碾妷褐岛驼鎸嶋妷褐捣浅=咏?,說明該模型簡潔有效,相對誤差和均方根相對誤差的值均小于0.01,進(jìn)一步表明參數(shù)辨識的準(zhǔn)確性。此外,本文中在對SOC值的數(shù)據(jù)處理過程中,只選用了樣條插值,沒有對比其他數(shù)據(jù)處理方法,在今后的研究中,宜用多種數(shù)據(jù)處理方法處理SOC值,尋找最符合SOC值增長規(guī)律的方法,進(jìn)一步提高模型參數(shù)辨識結(jié)果的準(zhǔn)確程度。
[1] He Hongwen, Zhang Xiaowei, et al. Online Model-based Estimate of State-of-charge and Open-circuit Voltage of Lithium-ion Batteries in Electric Vehicles[J]. Energy,2012,39:310-318.
[2] Tsang K M, Sun L, Chan W L. Identification and Modelling of Lithium Ion Battery[J]. Energy Conversion and Management 2010,51:2857-2862.
[3] Hu Xiaosong, Li Shengbo, et al. A Comparative Study of Equivalent Circuit Models for Li-ion Batteries[J]. Power Sources,2012,198:359-367.
[4] Hu Xiaosong, Li Shengbo, et al. Robustness Analysis of State-of-charge Estimation Methods for Two Types of Li-ion Batteries[J]. Power Sources,2012,217:209-219.
[5] Krishnan S Hariharan, Kumar V Senthil. A Nonlinear Equivalent Circuit Model for Lithium Ioncells[J]. Power Sources,2013,222:210-217.
[6] Xiong Rui, He Hongwen, et al. Modeling for Lithium-Ion Batery Used in Electric Vehicles[J]. Procedia Engineering,2011,15:2869-2874.
[7] Yuan Shifei, Wu Hongjie, Yin Chengliang. State of Charge Estimation Using the Extended Kalman Filter for Battery Management Systems Based on the ARX Battery Model[J]. Energies,2013,6:444-470.
[8] Rolando J Praga-Alejo, David S Gonzalez, et al. Statistical Inference in a Redesigned Radial Basis Function Neural Network[J]. Engineering Applications of Artificial Intelligence,2013,26:1881-1891.
[9] Gregory L Plett. Extended Kalman Filtering for Battery Management Systems of LiPB-based HEV Battery Packs[J].Power Sources,2004,134:252-292.
[10] Sarfraz M, Hussain, et al. Modeling Rational Spline for Visualization of Shaped Data[J]. Journal of Numerical Mathematics,2013,12:63-67.
[11] Wang Dongqing, Ding Feng, et al. Data Filtering Based Least Squares Algorithms for Multivariable CARAR-like Systems[J]. International Journal of Control, Automation and Systems,2013,11:711-717.
[12] Chen Ting, Braga Neto U M. Maximum-Likelihood Estimation of the Discrete Coicient of Determination in Stochastic Boolean Systems[J]. IEEE Transactions on Signal Processing,2013,61:3880-3894.
[13] Garrida J, Vazquez F, et al. Centralized Multivariable Control by Simplified Decoupling[J]. Journal of Process Control,2012,22:1044-1062.
[14] 龐中華,崔紅.系統(tǒng)辨識與自適應(yīng)控制MATLAB仿真[M].北京:北京航空航天大學(xué)出版社,2009.
Parameters Identification of Nernst Model for PowerLithium-ion Battery of Pure Electric Vehicles
Bi Jun, Kang Yanqiong & Shao Sai
BeijingJiaotongUniversity,MOEKeyLaboratoryforUrbanTransportationComplexSystemsTheoryandTechnology,Beijing100044
A Nernst empirical model for the traction lithium-ion battery of electric vehicle is established, and the recursive least square algorithm with forgetting factors is adopted to identify model parameters. The model established and the parameter identification algorithm adopted are verified by using the lithium-ion battery data of refuse collecting electric vehicles operating in Beijing city. The results indicate that the scheme has advantages of less computation efforts, simple model and high identification accuracy, and is effective and suitable for online parameter identification of battery model in electric vehicle operation.
electric vehicle; battery model; parameter identification; least square method
*中央高?;究蒲袠I(yè)務(wù)費專項資金(2013JBM)和北京市科技計劃項目(Z111109073511001)資助。
原稿收到日期為2013年10月14日,修改稿收到日期為2013年12月30日。