技术领域
本发明属于动力电池建模技术领域，具体涉及一种基于证据理论的动力电池多模型容错融合建模方法。
背景技术
在动力电池管理与使用过程中，对电池的一些关键参数进行精确的监测与分析，是准确制定充放电控制、均衡管理、安全管理与故障诊断等策略的关键环节。现阶段，对于电池的SoC、SOH等重要参数，尚无法实现直接测量，只能通过传感器监控到的电流、电压和温度数据进行计算或者估计。譬如对于SoC实现估计的现有技术大致可以划分为四类：安时积分法法、OCV查表法、数据驱动法和基于模型的方法，其中基于模型的方法在目前居于主流地位，所建模型的性能也直接影响着对动力电池进行管理的效果。现有的动力电池建模方法大多基于单一模型，并在某一个动态工况、温度等条件下仿真和实验验证，对于动力电池全寿命周期和全工作环境下的状态考虑往往偏离客观情况，而对于某些采用了多模型融合的建模方法，也存在着对经验数据依赖性较高、无法描述电池内部动态特性、适用范围有限且误差较大等缺点。
发明内容
针对上述本领域中所存在的技术问题，本发明提供了一种基于证据理论的动力电池多模型容错融合建模方法，具体包括以下步骤：
步骤一、在实验环境下，利用电池测试系统采集锂离子动力电池的电流和电压数据；
步骤二、针对锂离子动力电池建立三种以上等效电路模型，其中各模型的输出状态量包括电池端电压；利用所述电池的电流和电压数据对各等效电路模型进行参数辨识；
步骤三、在城市道路工况下，采集锂离子动力电池的电流和电压数据并输入完成参数辨识的各等效电路模型，输出相应的端电压预测值；
步骤四、根据城市道路工况下电池端电压预测值与实测值之间的偏差，利用D-S(Dempster–Shafer)证据理论计算各模型的基本可信度函数并确定信度函数，针对不同时段和不同SOC区间段为各模型分配相应的加权值；对各模型加权融合完成对锂离子动力电池的建模；
步骤五、以当前加权融合模型作为下一阶段初始模型，实现对模型的定期持续更新。
进一步地，所述步骤二中分别利用Rint模型、Thevenin模型和降维电化学机理模型，针对锂离子动力电池建立等效电路模型。
进一步地，所述步骤三中参数辨识方法可采用：卡尔曼滤波、H无穷卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法、最小均方根算法。
进一步地，所述步骤四具体包括：
针对城市道路工况下采集锂离子动力电池的端电压实测值U(k)和各模型端电压预测值
其中，ω
其中，y
第i个等效电路模型的方差Q
式中，
式中，l(°)为示性函数；根据信度公式，将k时刻第i个等效电路模型u
最终各模型在k时刻某SOC区间段的加权值为：
上述本发明所提供的方法，通过选用三种以上的等效电路分别对锂离子动力电池进行初步建模，相对现有的只采用单一模型的方法，在所需先验信息较少的前提下，使模型的融合效果和鲁棒性得到了显著提高，依托于适合的参数辨识方法对各模型分别完成参数辨识，并在城市道路工况下分析不同模型精度。最后，基于D–S证据理论融合多个电池模型端电压预测值与实测值之间的偏差和方差，分配基本可信度并确定各模型信度函数，进而确定各模型不同时刻的不同SOC区间段加权值进行融合计算，相对于现有技术大大提高了锂离子动力电池建模的准确度。
附图说明
图1为本发明所提供方法的总体流程图；
图2为拟合得到的锂电池OCV-SOC曲线图。
图3为动力电池多模型容错融合模型端电压仿真误差结果.
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的一种基于证据理论的动力电池多模型容错融合建模方法，如图1所示，具体包括以下步骤：
步骤一、在实验环境下，利用电池测试系统采集锂离子动力电池的电流和电压数据；数据的采集间隔
步骤二、针对锂离子动力电池建立三种以上等效电路模型，其中各模型的输出状态量包括电池端电压；利用所述电池的电流和电压数据对各等效电路模型进行参数辨识；
步骤三、在城市道路工况下，采集锂离子动力电池的电流和电压数据并输入完成参数辨识的各等效电路模型，输出相应的端电压预测值；
步骤四、根据城市道路工况下电池端电压预测值与实测值之间的偏差，利用D-S(Dempster–Shafer)证据理论计算各模型的基本可信度函数并确定信度函数，针对不同时段和不同SOC区间段为各模型分配相应的加权值；对各模型加权融合完成对锂离子动力电池的建模；
步骤五、以当前加权融合模型作为下一阶段初始模型，实现对模型的定期持续更新。
在本发明的一个优选实施方式中，所述步骤二中分别利用Rint模型、Thevenin模型和降维电化学机理模型，针对锂离子动力电池建立等效电路模型。各模型具体形式如表1所示：
表1各等效电路模型方程及离散方程
以Thevenin模型为例，其中i
对等效模型进行参数辨识之前，需要将其离散化处理，得到锂离子动力电池模型的极化电压为：
U
式中，τ为时间常数，τ＝R
此外，可得到锂离子动力电池荷电状态的离散化表达式：
z
z
其中，z
通过对锂离子动力电池可测值进行测量，基于测量数据，通过拟合可得到锂离子电池开路电压(Open Circuit Voltage,OCV)得到OCV-SOC的关系曲线，如图2所示。在实施本方法时，可具体以10％SOC为单位划分形成10个区间段。
所述步骤三中参数辨识方法可采用：卡尔曼滤波、H无穷卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法、最小均方根算法。
在本发明的一个优选实施方式中，所述步骤四具体包括：
针对城市道路工况下采集锂离子动力电池的端电压实测值U(k)和各模型端电压预测值
其中，ω
其中，y
第i个等效电路模型的方差Q
式中，
式中，l(°)为示性函数；根据信度公式，将k时刻第i个等效电路模型u
最终各模型在k时刻某SOC区间段的加权值为：
基于D-S证据理论进行加权融合后，验证城市道路工况下的锂离子动力电池端电压最大误差，平均误差以及均方根误差。在本发明的一个优选实施方案中，通过本发明所提供的方案各模型的误差如表2所示：
表2 各模型端电压预测值误差比较
基于D-S证据理论的多模型容错融合模型预测锂离子动力电池端电压仿真误差结果如图3所示。基于D-S证据理论的多模型容错融合模型虽然在最大误差值上略高于Rint模型和降维电化学机理模型，但是综合而言具有更为优异的估算性能。以模型端电压平均误差为评价指标，多模型容错融合模型的精度相比其他模型的预测精度提升了0.7V，模型预测精度提高了5.3％。以模型端电压均方根误差为评价指标，多模型容错融合模型的精度相比其他模型的预测精度提升了0.2V，模型预测精度提高了1.1％。相比于三个单模型而言，基于D–S证据理论的动力电池多模型容错融合建模方法能更精确可靠地预测锂离子动力电池端电压。相比Bayes概率融合建模方法采用锂离子动力电池端电压测量值与各模型预测值之间的偏差，为各个模型赋予对应于不同SOC区间段以及不同时刻的权重，形成Bayes概率融合模型，该方法克服了Bayes概率需要对不确定事件做出二元互斥假设，采用平均加权融合简单化处理方式以及在没有先验知识情况下估计不够准确的问题，采用证据理论方法通过确定基本可信度分配来计算各模型权重因子，并不断校正模型预测值，只需很少的先验信息便可实现更好地预测锂离子动力电池端电压。最后，基于D–S证据理论通过对多个单模型端电压预测值进行融合计算，相对于现有技术极大地提高了锂离子动力电池模型精度。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
机译： 用于超声建模的微融合系统的三维板样模型，用于超声建模的复合模型和制造方法
机译： 基于2D语义预测的增量融合的3D重建模型的语义分割方法
机译： 基于2D语义预测的增量融合的3D重建模型的语义分割方法
