等效电路模型参数在线辨识.docx

等效电路模型参数在线辨识 - - - - - -精品可编辑word学习资料 gT10X9V6A10U4 — — hJ9X7X4W2D2 — — lD6D3K2B6I6 第四章 等效电路模型参数在线辨识 通过第三章函数拟合的方法可以确定钒电池等效电路模型中的参数， 但是在实际运行过程中模型参数随着工作环境温度、 充放电循环次数、 SOC等因素发生变化，依据离线试验数据运算得到的参数值估算电池 SOC 可能会造成较大的估量误差；因此，在实际运行时，应对钒电池等效电路模型参数进行在线辨识，做 出实时修正，提高基于模型估算 SOC的精度； |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. 基于遗忘因子的最小二乘算法 参数辨识是依据被测系统的输入输出来， 通过肯定的算法， 获得让模型输出值尽量接近系统实际输出值的模型参数估量值； 依据能否实时辨识系统的模型参数，可以将常用的参数辨识方法分为离线和在线两类， 离线辨识只能在数据采集完成后进行， 不能对系统模型实时地在线调整参数， 对于具有非线性特性的电池系统往往不能得到中意的辨识结果； 在线辨识方法一般能够依据实时采集到的数据对系统模型进行辨识， 在线调整系统模型参数； 常用的辨识方法有最小二乘法、极大似然估量法和 Kalman 滤波法等；因最小二乘法原理简明、收敛较快、简洁懂得和把握、 便利编程实现等特点， 在进行电池模型参数辨识时采纳了成效较好的含遗忘因子的递推最小二乘法； 批处理最小二乘法简介假设被辨识的系统模型： y( z) b z 1 b z 2 L b z n G( z) 1 2 n （ 4-1） u( z) 1 a z 1 a z 2 L a z n 1 2 n 其相应的差分方程为： y(k) n n ai y( k i )  bi u(k i ) （ 4- 2） i 1 i 1 如考虑被辨识系统或观测信息中含有噪声，就被辨识模型式（ 4-2）可改写为： z(k) n n ai y(k i )  bi u( k i )  v(k) （ 4-3） i 1 i 1 式中，z(k) 为系统输出量的第 k 次观测值；y(k ) 为系统输出量的第 k 次真值， y(k i ) 为系统输出量的第 k i 次真值； u(k ) 为系统的第 k 个输入值， u(k i ) 为 系统的第 k i 个输入值； v( k) 为均值为 0 的随机噪声； 令： h( k) [  y( k  1), y(k 2),L , y(k n), u( k  1),u(k  2),L  , u(k  3)]  n（ 4-4） n θ [ a1, a2 ,L an , b1, b2 ,L b ]T 就式（ 4-3）可变换为： 式中， θ为待估参数；  z(k)  h( k)θ  v(k ) （ 4-5） 令k 1,2, L m ，就有 |精. |品. |可. |编. |辑. |学. |习. z(1) z(2) Z m  ,H m h(1) h(2) y(0) L y(1) L y(1 n) y(2 n) u (0) u (1) L u (1 n) u(2 n) |资. |料. * M M M M M M M *| z(m) * | * h(m) y(m L y( m n) u(m 1) L u(m n) | T T * | |欢. |迎. |下. |载. θ [a1, a2 ,L an ,b1,b2 ,L bn ] , Vm [ v(1),v(2), L 于是，式（ 4-5）的矩阵形式为 Z m H mθ Vm （ 4- 6） 最 小 二 乘 法的 思 想 就 是寻 找一 个 θ的估 计 值 θ. , v(m)] ， 使 得 各 次 测 量 的 Zi (i 1,2,L , m) 与由估量 θ. 确定的测量估量 Z.i H i θ. 之差的平方和最小，即 m m m mJ( .) (Z H θ.)T (Z H θ.) m m m m （ 4- 7） 使 J ( ) min 的 估量值记作 .，称作参数 的最小二乘估量，其值为 θ. (H T H ) 1H T Z （ 4- 8） m m m m 最小二乘估量虽然不能满意式 （ 4-6）中的每个方程， 使每个方程都有偏差， 但是它使全部方程偏差的平方和达到最小， 兼顾了全部方程的近似程度， 使整体误差达到最小，有利于抑制测量误差； 递推最小二乘法简介 前面给出的批处理最小二乘法是拟合工具箱进行数据拟合遵循的基本原理， 可以进行简洁的离线辨识； 如每次处理的数据量较大， 应用批处理最小二