使用自定义函数拟合辨识HPPC工况下的电池数据(适用于一阶RC、二阶RC等电池模型)

该程序可以离线辨识HPPC工况下的电池数据,只需要批量导入不同SOC所对应的脉冲电流电压数据,就可以瞬间获得SOC为[100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%]的所有电池参数,迅速得到参数辨识的结果并具有更高的精度,可以很大程度上降低参数辨识的时间,提高参数辨识效率。

1.首先是代码中要更改的参数,我们要根据我们不同的模型选择不同的初始值。

如果是一阶模型iniPar = [0.06;0.03;1000]; 0.06是R0的初始值,0.03是R1的初始值,1000是C1的初始值。

如果是二阶模型iniPar = [0.05;0.05;2000;0.005;800]; 0.05是R0的初始值,0.05是R1的初始值,2000是C1的初始值,0.005是R2的初始值,800是C2的初始值。

如果是1RC+H模型,iniPar = [0.05;0.01;1000;0.001;0.1];

如果是2RC+H模型,iniPar = [0.05;0.01;1500;0.003;200;0.000005;50]

%% 代码中要更改的参数
currentLimit = 10; % 高于此限值的电流将被视为1C电流  
iniPar = [0.06;0.03;1000]; % 1RC
%iniPar = [0.05;0.05;2000;0.005;800]; % 2RC
%iniPar = [0.05;0.01;1000;0.001;0.1]; % 1RC+H
%iniPar = [0.05;0.01;1500;0.003;200;0.000005;50]; % 2RC+H

2.模型阶数的选择 

%% Parameters used in algorithm 
xIni = 0; % 1RC
%xIni = [0; 0]; % 2RC and 1RC+H
%xIni = [0; 0; 0]; % 2RC+H
[m,n] = size(dataHPPC{1});
outputPar = zeros(3,n); % %3 - 1RC, 5 - 1RC+H and 2RC, 7 - 2RC+H
modelError = zeros(m,n); 
vModel = zeros(m,n); 
model = 1; %1 - c1RC, 2 - 2RC, 3 - 1RC+H, 4 - 2RC+H

3.运行function函数,求解参数

所有的function函数如下图所示:

二阶RC模型的function函数如下:

function [vModel,XTimUp1,XTimUp2] = Model_2RC (current, tSample, xPrev1,xPrev2, ocvVoltage, ECM_Parameters)% Model Parameters
r0 = ECM_Parameters(1);
r1 = ECM_Parameters(2);
c1 = ECM_Parameters(3);
r2 = ECM_Parameters(4);
c2 = ECM_Parameters(5);tau1 = r1*c1;
tau2 = r2*c2;%% State Time Update
XTimUp1 = exp(-tSample/(tau1))*xPrev1 + r1*(1-exp(-tSample/tau1))*current;
XTimUp2 = exp(-tSample/(tau2))*xPrev2 + r2*(1-exp(-tSample/tau2))*current;%% The voltage response from the model
vModel = ocvVoltage-XTimUp1-XTimUp2-r0*current;end
for i = 1:ntime = dataHPPC{1}(:,i);current = dataHPPC{2}(:,i);vExp = dataHPPC{3}(:,i);% Find the ocvCurve value right before the HPPC test starts index = find(current>currentLimit);ocvVoltage = vExp(index(1)-0);% Obtaining the parameter estimatesfun = @(beta,x)ObjectiveFunction(beta,x,ocvVoltage,xIni,model);outputPar(:,i) = nlinfit([time,current],vExp,fun,iniPar);% Running the voltage model with the given battery parametersvModel(:,i) = ObjectiveFunction(outputPar(:,i),[time,current],ocvVoltage,xIni,model);modelError(:,i) =  abs((vModel(:,i) - vExp)./vExp)*100;

主要使用了MATLAB的nlinfit函数。

nlinfit函数的用法为:beta = nlinfit(X, Y, modelfun, beta0)

X与Y分别是时间与电压

beta:估计出的非线性函数的系数,即我们辨识的参数值

modelfun:指定的要拟合的非线性函数,即y=a-b*exp(-c*t)-d*exp(-f*t)

beta0:回归系数的初始值,即待辨识参数的初始值。

辨识得到的参数结果保存在变量outputPar里面,从左到右依次对应的是不同SOC下所对应的参数,从上到下的五行分别是参数R0、R1、R2、C1、C2。

 绘制不同SOC的参数拟合结果如下所示:

4. 绘图,包括根据辨识的参数值仿真出的端电压与真实测量端电压的对比图、端电压的误差

    figureplot(vModel(:,i))hold onplot(vExp)polt(vModel(:,i)-vExp)

二阶RC模型的端电压拟合情况对比

一阶RC模型的端电压拟合情况对比:

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/131052.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

降低毕业论文写作压力的终极指南

亲爱的同学们,时光荏苒,转眼间你们即将踏入毕业生的行列。毕业论文作为本科和研究生阶段的重要任务,不仅是对所学知识的综合运用,更是一次对自己学术能力和专业素养的全面考验。然而,论文写作常常伴随着压力和焦虑&…

适合新手使用的电脑监控软件有哪些?

电脑监控软件是一种用于监控和管理电脑行为的软件工具,可以帮助企业或个人了解和掌握员工或家庭成员的电脑使用情况,保障网络安全和隐私。现在市面上的电脑监控软件越来越多,究竟哪些操作起来比较简单,适合新手使用呢?…

力扣 203.移除链表元素第二种解法

目录 1.解题思路2.代码实现 1.解题思路 利用双指针,开辟一个新的头结点并依次向头结点尾插不为val的结点如果遇到值为val的结点就跳过并释放掉 2.代码实现 struct ListNode* removeElements(struct ListNode* head, int val) { if(headNULL)return NULL;struct …

win10系统nodejs的安装npm教程

1.在官网下载nodejs,https://nodejs.org/en 2,双击nodejs的安装包 3,点击 next 4,勾选I accpet the terms in…… 5,第4步点击next进入配置安装路径界面 6,点击next,选中Add to PATH ,旁边…

[100天算法】-有序矩阵中第K小的元素(day 58)

题目描述 给定一个 n x n 矩阵,其中每行和每列元素均按升序排序,找到矩阵中第 k 小的元素。 请注意,它是排序后的第 k 小元素,而不是第 k 个不同的元素。示例:matrix [[ 1, 5, 9],[10, 11, 13],[12, 13, 15] ], k …

Spring-Bean的销毁

Bean的销毁 public abstract class AbstractBeanFactory extends FactoryBeanRegistrySupport implements ConfigurableBeanFactory {/*** Add the given bean to the list of disposable beans in this factory,* registering its DisposableBean interface and/or the given…

2311dC++连接与串

原文 extern(C)函数使用在装饰名中包括参数类型的C装饰名.但是,因为C没有像D的T[]内置切片类型,因此C没有有效的D切片装饰. 因此,无法编译以D切片为参数的extern(C)函数. 为此,可按结构转换切片: struct DSlice(T) {T* ptr;size_t length;T[] opIndex() > ptr[0 .. length]…

浅谈前端出现率高的设计模式

目录 六大原则: 23 种设计模式分为“创建型”、“行为型”和“结构型” 前端九种设计模式 一、创建型 1.构造器模式:抽象了对象实例的变与不变(变的是属性值,不变的是属性名) 2. 工厂模式:为创建一组相关或相互依赖的对象提…

AIGC(生成式AI)试用 10 -- 安全性问题

上次遗留的问题:代码的安全性呢?下次找几个问题测试下看。 AI,你安全吗? AI生成的程序,安全吗? 也许这个世界最难做的事就是自己测试自己:测试什么?如何测? …

数据库实验:SQL的数据定义与单表查询

目录 实验目的实验内容实验要求实验过程实验步骤实例代码结果示意 数据库的实验,对关系型数据库MySQL进行一些实际的操作 实验目的 (1) 掌握DBMS的数据定义功能 (2) 掌握SQL语言的数据定义语句 (3) 掌握RDBMS的数据单表查询功能 (4) 掌握SQL语言的数据单表查询语句…

关于RabbitMQ的小总结

问题:消息在转换机无法被路由 发布确认高级作用在生产者发送到转换机,回退消息作用在消息在转换机无法被路由的情况(消息无法路由的意思是,消息在转换机没有匹配到对应的队列),进行消息回退,打…

GD32 单片机 硬件I2C死锁解决方法

死锁的复现方式 在I2C恢复函数下个断点(检测到I2C多次超时之后,应该能跳转到I2C恢复函数)使用镊子,将SCL与SDA短接,很快就能看到程序停到恢复函数的断点上,此时再执行恢复函数,看能否正常走出&…

FaceChain开源虚拟试衣功能,打造更便捷高效的试衣新体验

简介 虚拟试衣这个话题由来已久,电商行业兴起后,就有相关的研发讨论。由其所见即所得的属性,它可以进一步提升用户服装购买体验。它既可以为商家做商品展示服务,也可以为买家做上身体验服务,这让同时具备了 B 和 C 的两…

降级python

起因: python版本过高不能下载一个包,需要降级 首先使用 python --version 查看python版本 然后conda install python3.10 python3.10会下载到这个目录下(这个千万别找错) 然后更换路径 alias python/home/zky/.conda/envs/c…

QML 仪表盘小示例

本次项目已发布在CSDN->GitCode,下载方便,安全,可在我主页进行下载即可,后面的项目和素材都会发布这个平台。 个人主页:https://gitcode.com/user/m0_45463480怎么下载:在项目中点击克隆,windows:zip linux:tar.gz tar # .pro TEMPLATE = appTARGET = dialcontrol​#…

基于PHP + MySQL实现的文章内容管理系统源码+数据库,采用前后端分离的模板和标签化方式

文章内容管理系统 dc-article是一个通用的文章内容管理系统,基于开源的caozha-admin开发,采用前后端分离的模板和标签化方式,支持文章内容管理、栏目分类管理、评论管理、友情链接管理、碎片管理、远程图片获取器等功能。可以使用本系统很轻…

【实战Flask API项目指南】之七 用JWT进行用户认证与授权

实战Flask API项目指南之 用JWT进行用户认证与授权 本系列文章将带你深入探索实战Flask API项目指南,通过跟随小菜的学习之旅,你将逐步掌握 Flask 在实际项目中的应用。让我们一起踏上这个精彩的学习之旅吧! 前言 当小菜踏入Flask后端开发…

Linux常用指令(一)——目录操作

Linux目录操作 1.1 目录切换 cd1.2 目录查看 ls1.3 创建目录 mkdir1.4 删除目录 rm1.5 复制目录 cp1.6 删除目录 rm1.7 搜索目录 find1.8 查看当前所在目录 pwd 更加完整的Linux常用指令 1.1 目录切换 cd # 切换到根目录 cd / # 切换到根目录的usr目录 cd /usr # 返回上一级目…

80个10倍提升Excel技能的ChatGPT提示

你是否厌倦了在使用Excel时感觉像个新手?你是否想将你的技能提升到更高的水平,成为真正的Excel大师?嗯,如果你正在使用ChatGPT,那么成为Excel专家简直易如反掌。 你只需要了解一些最有用的Excel提示,就能在…

CNN(卷积神经网络)、RNN(循环神经网络)和GCN(图卷积神经网络)

CNN(卷积神经网络): 区别:CNN主要适用于处理网格状数据,如图像或其他二维数据。它通过卷积层、池化层和全连接层来提取和学习输入数据的特征。卷积层使用卷积操作来捕捉局部的空间结构,池化层用于降低特征图…