【技术实现步骤摘要】
本申请涉及储能电池，特别是涉及一种电池参数辨识方法及其相关设备。
技术介绍
1、储能电池(如锂离子电池)以其能量高、效率高、寿命长等优点近年来被应用于电化学储能行业中，为了进一步提高其使用效率和延长其使用寿命，有效的电池管理系统(battery manage system，简称bms)是关键，同时电池参数(如电池荷电状态(soc，stateof charge，又称剩余电量))准确估计是保障电池管理系统高效、准确运行的关键因素之一。
2、针对电池参数的辨识相关技术中提供了安时积分法、开路电压法、基于等效电路模型辨识电池参数等方案。其中，安时积分法由于缺乏对误差(初始误差以及累计误差)的校正能力，随着时间的推移其预测精度会逐渐降低；开路电压法获取数据需要等待较长时间，难以实现通过储能系统的在线检测及时辨识电池参数；基于等效电路模型的方式虽然提高了电池参数的辨识效率，但是其存在辨识精度低、算法复杂程度高等问题。
3、针对相关技术中电池参数辨识方法中存在的辨识精度低、辨识效率低以及算法复杂程度高，难以拓展适用场景的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供的一种电池参数辨识方法及其相关设备，至少解决了相关技术中电池参数辨识方法存在的辨识精度低、辨识效率低以及算法复杂程度高，适用场景较窄的问题。
2、为了解决上述问题，本专利技术实施例的一个方面，提供了一种电池参数辨识方法，包括：
3、构建储能电池的等效电路模型，
4、基于电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下第一电池参数对应的第一重构模态系数值；
5、根据第一重构模态系数值和径向基函数神经网络模型，计算目标剩余电量值下第二电池参数对应的第二重构模态系数值，基于第二重构模态系数值和正交基底确定目标剩余电量值下的电池参数预测值，以实现电池参数的辨识；其中，径向基函数神经网络模型是基于第一重构模态系数值训练得到的。
6、在其中的一些实施例中，确定本征正交分解指示的正交基底的步骤，包括：
7、基于电池参数数据库构建电池参数矩阵，对电池参数矩阵进行归一化处理得到归一化矩阵，计算归一化矩阵对应的相关矩阵，并根据相关矩阵确定特征值矩阵和特征向量矩阵；
8、根据特征值矩阵、特征向量矩阵和归一化矩阵，计算得到本征正交分解对应的正交基底。
9、在其中的一些实施例中，基于电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下电池参数对应的第一重构模态系数值的步骤包括：
10、基于模态能量比阈值确定正交基底的阶数n，得到n阶正交基底；其中，n为正整数；
11、根据电池参数数据库、n阶正交基底，计算多个预设剩余电量值下电池参数对应的第一重构模态系数值。
12、在其中的一些实施例中，基于第一重构模态系数值训练径向基函数神经网络模型的步骤包括：
13、对多个预设剩余电量值下的电池参数进行插值计算，得到待验证剩余电量值下的电池参数，以待验证剩余电量值下的电池参数为验证集；
14、基于预设工况条件构建径向基函数神经网络模型，以多个预设剩余电量值下电池参数对应的第一重构模态系数值作为输入参数，对径向基函数神经网络模型进行训练，并输出待验证剩余电量值下第三电池参数的第三重构模态系数值，根据正交基底和第三重构模态系数值确定待验证剩余电量值下的第三电池参数的预测值，根据第三电池参数的预测值和验证集对径向基函数神经模型进行优化，以完成对径向基函数神经网络模型的训练操作。
15、在其中的一些实施例中，利用电池混合脉冲功率特性测试对等效电路模型中的电池参数进行辨识的步骤包括：
16、利用电池混合脉冲功率特性测试方法对不同工况条件下的储能电池进行充/放电试验，得到充/放电时间区间内的电压信号波形；其中，工况条件包括预设剩余电量、充/放电倍率、环境温度；
17、基于电压信号波形对等效电路模型中的电池参数进行辨识。
18、在其中的一些实施例中，方法还包括：
19、基于径向基函数神经网络，确定剩余电量值呈阶梯下降时对应的第四电池参数的预测值，基于第四电池参数的预测值和电池生热率模型计算得到剩余电量值呈阶梯下降时的电池生热率，并构建电池生热率随时间变化的曲线。
20、在其中的一些实施例中，等效电路模型为二阶等效电路模型或三阶等效电路模型。
21、为了解决上述问题，本专利技术实施例的一个方面，提供了一种电池参数辨识装置，包括：
22、第一辨识模块，用于构建储能电池的等效电路模型，利用电池混合脉冲功率特性测试对等效电路模型中的电池参数进行辨识，得到多个预设剩余电量值下等效电路模型对应的电池参数数据库；其中，电池参数包括电池端电压、开路电压、欧姆内阻、电化学极化电容、电化学极化电阻、浓差极化电容、浓差极化电阻中的至少一种；
23、处理模块，用于基于电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下第一电池参数对应的第一重构模态系数值；
24、第二辨识模块，用于根据第一重构模态系数值和径向基函数神经网络模型，计算目标剩余电量值下第二电池参数对应的第二重构模态系数值，基于第二重构模态系数值和正交基底确定目标剩余电量值下的电池参数预测值，以实现电池参数的辨识；其中，径向基函数神经网络模型是基于第一重构模态系数值训练得到的。
25、为了解决上述问题，本专利技术实施例的一个方面，提供了一种电子设备，包括：处理器，以及存储程序的存储器，程序包括指令，指令在由处理器执行时使处理器执行上述任一种电池参数辨识方法。
26、为了解决上述问题，本专利技术实施例的一个方面，提供了一种存储有计算机指令的非瞬时机器可读介质，计算机指令用于使计算机执行上述任一种电池参数辨识方法。
27、本专利技术实施例的有益效果：通过构建储能电池的等效电路模型，利用电池混合脉冲功率特性测试对等效电路模型中的电池参数进行辨识，得到多个预设剩余电量值下等效电路模型对应的电池参数数据库；其中，电池参数包括电池端电压、开路电压、欧姆内阻、电化学极化电容、电化学极化电阻、浓差极化电容、浓差极化电阻中的至少一种；基于电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下第一电池参数对应的第一重构模态系数值；根据第一重构模态系数值和径向基函数神经网络模型，计算目标剩余电量值下第二电池参数对应的第二重构模态系数值，基于第二重构模态系数值和正交基底确定目标剩余电量值下的电池参数预测值，以实现电池参数的辨识；其中，径向基函数神经网络模型是基于第本文档来自技高网...
【技术保护点】
1.一种电池参数辨识方法，其特征在于，包括：
2.根据权利要求1所述的电池参数辨识方法，其特征在于，确定所述本征正交分解指示的正交基底的步骤，包括：
3.根据权利要求2所述的电池参数辨识方法，其特征在于，所述基于所述电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下电池参数对应的第一重构模态系数值的步骤包括：
4.根据权利要求1所述的电池参数辨识方法，其特征在于，基于所述第一重构模态系数值训练径向基函数神经网络模型的步骤包括：
5.根据权利要求1所述的电池参数辨识方法，其特征在于，所述利用电池混合脉冲功率特性测试对所述等效电路模型中的电池参数进行辨识的步骤包括：
6.根据权利要求1所述的电池参数辨识方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的电池参数辨识方法，其特征在于，所述等效电路模型为二阶等效电路模型或三阶等效电路模型。
8.一种电池参数辨识装置，其特征在于，包括：
9.一种电子设备，包括：处理器，以及存储程序的存储器，其特征在于，所述程序包括指令
10.一种存储有计算机指令的非瞬时机器可读介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种电池参数辨识方法，其特征在于，包括：
2.根据权利要求1所述的电池参数辨识方法，其特征在于，确定所述本征正交分解指示的正交基底的步骤，包括：
3.根据权利要求2所述的电池参数辨识方法，其特征在于，所述基于所述电池参数数据库、本征正交分解指示的正交基底，计算多个预设剩余电量值下电池参数对应的第一重构模态系数值的步骤包括：
4.根据权利要求1所述的电池参数辨识方法，其特征在于，基于所述第一重构模态系数值训练径向基函数神经网络模型的步骤包括：
5.根据权利要求1所述的电池参数辨识方法，其特征在于，所述利用电池混合脉冲功率特性测试对所述等效电路模型中的电池参...
【专利技术属性】
技术研发人员：兰天，张博，苑清扬，
申请(专利权)人：浙江一舟电子科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。