电池等效电路模型极化参数估计的收敛性分析.docxVIP

电池等效电路模型极化参数估计的收敛性分析

摘要：为探究动力电池极化参数估计在不同工况下的误差收敛特性，采用李雅普诺夫第二法对估计器的稳定性和收敛性进行分析.基于等效电路模型和遗忘因子递归最小二乘法推导得到极化参数估计误差的状态方程.采用李雅普诺夫第二法对状态方程进行分析，得到估计器渐进收敛的必要条件，即持续变化的电流输入，并提出一种图解法用于分析误差的动态收敛特性和论证此必要条件的合理性.采用实验校准的电池模型产生的数据对理论分析过程和结果进行验证.结果表明，估计器在持续变化的电流输入下能逐渐收敛到真值附近，且在变化剧烈的正负交变工况下具备更好的收敛性.

关键词：电池管理系统；等效电路模型；参数辨识；渐进收敛性；李雅普诺夫第二法

中图分类号：TM912.8文献标志码：A

在电动汽车、智能电网等许多应用中，动力电池内部状态和参数估计是能源管理系统的关键.准确的电池参数估计依赖于精确且计算高效的电池模型及算法［1］.近年来随着研究的深入，参数估计算法层出不穷，电池模型也朝着高精度、高效率的方向发展.然而，模型参数的在线辨识仍是该领域的一大难题，研究者提出了多种在线估计等效电路模型（equivalentcircuitmodel，ECM）参数的算法，包括最小二乘法及其变体（如递归最小二乘法和加权最小二乘滤波器）［2］、双扩展卡尔曼滤波器［3］、自适应无迹卡尔曼滤波器［4］、粒子滤波器［5］等.但这些研究成果并未在工业界得到广泛应用，最重要的原因是参数在线辨识的鲁棒性欠佳，辨识结果在某些情况下携带较大的误差甚至发散.鉴于此，有学者对在线辨识时参数的可辨识性及其与输入数据特性的关系展开了研究.

Sharma等［6］采用Fisher信息矩阵分析了一阶ECM中内阻和容量参数的可辨识性，并通过克拉默-拉奥（Cramer-Rao，CR）边界量化了联合估计误差的下界与传感器误差、电流大小和电池开路电压（opencircuitvoltage，OCV）?荷电状态（stateofcharge，SoC）曲线斜率的关系.Rothenberger等［7］使用同样的方法分析了参数CR边界与电流轨迹的幅值和频率的关系，并据此设计了一条可提高辨识精度的电流轨迹.在上述研究的基础上，Lin等［8］分析了SoC、容量和内阻在典型电流输入下单独估计和联合估计的CR边界变化，并得到了联合估计相比单独估计时放大系数的表达式.Lin［9］推导了极化参数CR边界关于电流的频率响应表达式.Song等［10］在此基础上得到了OCV、欧姆内阻和极化参数的CR边界关于电流的频率响应表达式，并测试了不同电流输入以及不同参数联合估计时的估计精度.研究者意识到输入数据特征对参数辨识精度的重要性，Song等［11］提出了使用多频率滤波器分离电流以提高辨识精度的方法，并据此设计了一种顺序估计算法［12］.各种噪声和参数初值误差也会影响估计精度.Lin［13］分析了存在测量偏差时SoC的稳态收敛情况.Shen等［14］分析了容量和SoC的初值存在误差时SoC误差的稳态收敛值与修正增益之间的关系.Zhou等［15］基于参数的置信区间评估了二阶ECM中各参数的可辨识性，并探究了数据量、采样频率和传感器噪声等对可辨识性的影响.Andersson等［16］指出，并非所有模型参数都能被准确辨识，也并非所有参数都与模型性能相关，参数辨识不仅需要了解其所针对的物理系统，还应理解参数辨识背后的理论和概念.

上述研究虽量化了参数可辨识性与输入数据之间的关系，但并未解决参数估计器在不同工况下的收敛性这一重要问题.为填补该项研究空白，本文基于李雅普诺夫第二法推导得到了估计器渐进收敛的必要条件，并创新性地提出了一种图解法，详细分析估计器的收敛机制.本文的研究成果对电池模型参数在线估计算法的设计具有一定指导意义.

1参数估计误差的状态方程

1.1基于一阶ECM的参数估计

本节基于一阶ECM设计电池极化参数的在线估计器［17-18］.一阶ECM结构如图1所示.

根据基尔霍夫定律和电池SoC定义，可得一阶ECM的状态方程和输出方程如下：

Vp，k=Vp，k-1e-Δt/R1C1+Ik-1R1（1-e-Δt/R1C1）（1）

ξk=ξk-1+ηcIk-1Δt（3600C）-1（2）

Uk=Voc（ξk）+Vp，k+IkR0（3）

式中：ξ为电池的SoC；Voc（ξk）为电池的开路电压，是关于SoC的单调递增函数；Vp，k和Uk分别为极化电压和端电压；R1和C1表示极化电阻和极化电容；R0为欧姆内阻；C为电池容量；ηc为库伦效率；Δt为采样周期；I为电流，规定充