[论文解读] One-Shot Parameter Identification of the Thevenin's Model for Batteries: Methods and Validation

Ning Tian, Yebin Wang+2 more|arXiv (Cornell University)|Mar 13, 2020

Advanced Battery Technologies Research参考文献 76被引用 72

一句话总结

本文提出了一种一次性离线方法，用于识别电池Thevenin等效电路模型的所有参数，包括电阻、电容以及与荷电状态（SoC）-开路电压（OCV）映射相关的参数。在非线性最小二乘框架下，结合约束优化与Tikhonov正则化，该方法在单次运行中实现了高精度的参数估计，通过仿真与实验验证，预测误差低于20 mV，且SoC-OCV匹配度近乎完美。

ABSTRACT

Parameter estimation is of foundational importance for various model-based battery management tasks, including charging control, state-of-charge estimation and aging assessment. However, it remains a challenging issue as the existing methods generally depend on cumbersome and time-consuming procedures to extract battery parameters from data. Departing from the literature, this paper sets the unique aim of identifying all the parameters offline in a one-shot procedure, including the resistance and capacitance parameters and the parameters in the parameterized function mapping from the state-of-charge to the open-circuit voltage. Considering the well-known Thevenin's battery model, the study begins with the parameter identifiability analysis, showing that all the parameters are locally identifiable. Then, it formulates the parameter identification problem in a prediction-error-minimization framework. As the non-convexity intrinsic to the problem may lead to physically meaningless estimates, two methods are developed to overcome this issue. The first one is to constrain the parameter search within a reasonable space by setting parameter bounds, and the other adopts regularization of the cost function using prior parameter guess. The proposed identifiability analysis and identification methods are extensively validated through simulations and experiments.

研究动机与目标

• 解决传统电池参数识别方法效率低下、需多步校准流程的问题。
• 实现在无先验知识条件下，对Thevenin模型所有参数（电阻、电容及SoC-OCV关系）的完整一次性离线识别。
• 通过约束与正则化优化，克服非线性系统识别中非凸性与局部极小值问题。
• 为电池管理系统提供一种鲁棒、精确且计算可行的方法，以满足高保真度建模需求。

提出的方法

• 在预测误差最小化框架下，采用非线性最小二乘（NLS）方法构建参数识别问题。
• 引入参数边界以约束搜索空间，防止出现物理上无意义的解。
• 在代价函数中应用广义Tikhonov正则化，利用先验参数估计指导优化过程，使其趋向于有意义的极小值。
• 通过贝叶斯解释，将正则化项视为最大后验概率（MAP）估计框架，提供理论依据。
• 实施数值优化求解非凸问题，确保收敛至稳定且精确的解。
• 通过合成仿真与真实世界实验（包括恒定与可变电流波形，如UDDS）对方法进行验证。

实验结果

研究问题

• RQ1 是否能够在单次离线过程中唯一识别Thevenin电池模型的所有参数，包括RC元件与非线性SoC-OCV函数？
• RQ2 如何缓解参数识别问题中的非凸性，以避免出现物理上不成立或不准确的估计？
• RQ3 引入参数边界与正则化在多大程度上提升了估计精度与收敛可靠性？
• RQ4 与标准NLS方法相比，所提出的C-NLS与R-NLS方法在真实电压跟踪与SoC-OCV恢复任务中的表现如何？
• RQ5 该一次性方法是否能在无需预先校准SoC-OCV关系的情况下实现高精度？

主要发现

• Thevenin模型的所有参数均具有局部可识别性，证实了一次性识别的理论可行性。
• 在UDDS电流波形下跟踪电压时，C-NLS与R-NLS方法的平均预测误差低于20 mV，显著优于基准NLS方法。
• C-NLS与R-NLS估计的SoC-OCV关系与实测真实值高度吻合，间歇放电实验中仅观察到微小偏差。
• C-NLS与R-NLS估计的R0 + R电阻值与放电暂停后测得的恢复电压高度一致，证实了RC参数估计的准确性。
• 与标准NLS相比，所提方法在参数空间的非线性与非凸区域显著降低了估计误差。
• 正则化与约束优化方法有效缓解了局部极小值问题，实现了稳定且物理上合理的参数估计。