本发明涉及基于云端数据的电池欧姆内阻辨识方法和装置，属于动力电池。
背景技术：
1、锂离子电池系统具有高能量密度、低自放电和长寿命的特点，是电动汽车及储能系统中最常用的储能装置。电池管理系统battery management system,bms作为电池系统能源管理和控制的重要工具，在提高电池效率和寿命、防止电池过充过放方面发挥着重要作用。bms最主要功能有：健康状态state of health,soh估计和荷电状态state ofcharge,soc估计。
2、电池的soh反映电池的老化程度，常见定义方法有基于容量的方法和基于内阻的方法。电池的soc反映电池的剩余容量，常见的模型驱动型电池soc估计方法主要是基于等效电路模型的估计方法。等效电路模型以电压源、电阻及电容等器件来描述电池特性，模型参数的精准性，尤其是欧姆内阻的准确性对估计结果有较大的影响。因此，电池欧姆内阻作为电池最为重要的特性参数之一，准确的测量及估计是是电池管理系统及应用的客观要求。
3、目前，许多欧姆内阻辨识方法的研究是基于实验数据。基于实验室数据辨识欧姆内阻的方法主要包括在线辨识和离线辨识两大类。在线辨识方法比较经典的是递推最小二乘法recursive least square,rls、卡尔曼滤波算法kalman filter,kf等。离线辨识方法主要包括电化学阻抗谱electrochemical impedance spectroscopy,eis法和混合脉冲功率性能hybrid pulse power characterization,hppc测试法。一般来说，离线辨识方法为在线辨识方法提供基准和约束。其中，eis法虽然测试的欧姆内阻中能够排除极化对总电阻产生的影响，但是实验设备昂贵，并且测量精度会受到环境的温度、湿度以及连接方式等干扰。而hppc法测试精度高，控制得当的话，测量精度误差可以控制在0.15％。因此，hppc测试法常用于计算基准欧姆内阻。
4、当前基于监控平台储存的动力电池实际运行工况下的数据，即云端数据的电池模型参数的在线辨识作为电池soc及soh估算的基础，已较为普及。但是，在实车运行工况下，很难将电池进行拆解开展实验hppc测试，因此难以直接验证模型参数在线辨识的结果的精度。
技术实现思路
1、发明目的：针对现有技术中存在的不足，本发明提供了基于云端数据的电池欧姆内阻辨识方法和装置，本发明通过类比hppc测量欧姆内阻的原理，实现基于云端数据的基准欧姆内阻计算，为基于云端数据的电池欧姆内阻在线辨识提供参考和基准。
2、技术方案：基于云端数据的电池欧姆内阻辨识方法，包括以下步骤：
3、s1：计算基于云端放电片段的欧姆内阻并基于测试数据进行欧姆内阻特性分析；
4、s2：基于s1的分析结果，对云端充电片段进行分析，并通过s1的测试数据获取基准开路电压及基准开路电压曲线；
5、s3：基于s1和s2的结果，计算不同温度下云端充电片段的电池欧姆内阻。
6、优选项，所述s1具体包括：
7、s101：实车工况下电池使用特性分析：通过对锂离子电池的云端数据进行片段切分，分析云端数据的传输周期、温度区间、soc区间分布；
8、s102：基于s101的分析结果，采用混合动力脉冲循环hppc测试获取测试电池的欧姆内阻，并分析不同温度下和同一温度下的欧姆内阻特性；
9、s103：基于s102的分析结果，采用与s102中混合动力脉冲循环hppc测试相同的测试过程获取云端放电工况下的欧姆内阻，并分析不同温度下和同一温度下放电时的云端欧姆内阻特性。
10、优选项，所述s2具体包括：
11、s201：根据s101的片段切分结果，对云端充电片段的充电电流特性和充电电压特性进行分析；
12、s202：基于s102的测试数据分别利用静置法、小电流法和均值法求解基准开路电压并对比分析，分析不同求解方法得到的开路电压中的极化效应和滞后效应，获得消除滞后效应和极化效应的ocv-soc曲线，即基准开路电压曲线。
13、优选项，所述s3具体包括：
14、s301：提出基于充电片段的欧姆内阻计算方法；
15、s302：根据s101的云端数据特性分析云端充电电压存在部分极化和滞后，根据s202的分析结果对s301中的基准开路电压进行改进，采用s202中的小电流法充电工况求解的基准开路电压计算云端充电片段下的欧姆内阻；
16、s303：基于s201中的分析结果和s301基于充电片段的欧姆内阻计算方法以及s302的基准开路电压，计算不同温度下云端充电片段的欧姆内阻，验证结果准确性。
17、优选项，所述s102具体为：
18、基于混合动力脉冲循环hppc测试中充放电瞬间的电压变化，欧姆内阻r0可表示为:
19、
20、式中，ua和ub为hppc测试中放电瞬间阶跃下下降的两端电压；ia和ib时hppc测试中放电瞬间阶跃下下降的两端点的电流；△u为脉冲过程中所产生的电压差；△i为脉冲过程中的电流差；
21、结合实车工况下的电池温度区间，对锂离子测试电池进行hppc测试，接着求解锂离子电池的欧姆内阻，分析不同温度下和同一温度充电与放电下的欧姆内阻特性。
22、优选项，所述s103具体为：
23、利用hppc方法求解云端放电工况的欧姆内阻并进行分析；在云端数据中查找处于放电片段中两个相邻电流差大于2c的数据片段，并提取该片段的电流、电压、温度和soc；欧姆内阻计算过程如下：
24、
25、△i＝it+t-it＝2q (19)
26、式中，r0,discharge为电池包放电的欧姆内阻，t为采集时刻，it为时刻t的电流，ut为时刻t的电压，t为数据采集周期，it+t为t+t时刻的电流，ut+t为t+t时刻的电压，q为电池包总容量，△i为相邻的电流差；
27、将电池包集合成完整电池进行欧姆内阻计算，即不考虑单体电池间的差异性；将相邻两个采集数据的电流差大于等于2q，则根据公式(3)求得电池包欧姆内阻；同时，该时刻的soc值则取两相邻数据的电池剩余电量平均值，温度则取两相邻数据的电芯最高温度和电芯最低温度的平均值；若电池包成组方式是n并m串，则平均单体电池欧姆内阻表示为：
28、。
29、
30、优选项，所述s201具体为：
31、充电电流特性分析：根据单体电池的电流和电池容量，获取云端数据中所有充电片段的单体电池平均充电电流倍率，并按从小到大进行排序，分析电池的充电倍率特性；
32、充电电压特性分析：根据云端数据中的充电倍率特性随机抽取不同温度区间内的充电片段，分析不同温度下单体电池充电电压趋势的差异；电池单体电压求解如下：
33、
34、式中，ul为单体平均充电电压，ut为充电总电压，m为电池包中串联电池数。
35、优选项，所述s301具体为：
36、利用基尔霍夫电压定律通过一阶rc等效电路模型获得充电工况下的开路电压表达式：
37、uoc,charge＝ul-ir0-u1 (22)
38、式中，uoc,charge为电池充电时的开路电压；ul为充电电压；i为电路电流；r0为欧姆内阻；u1为极化电压；
39、电池低倍率充电时忽略极化电压，则式(7)简化为：
40、uoc,charge＝ul-ir0 (23)
41、欧姆内阻表示为：
42、
43、由式(8)可知，充电电压与开路电压之间相差恒定值，该值为ir0，具体求解方法如下：
44、将ocv-soc数据代入电极电势模型中：
45、
46、式中，a1,b1,b2,c1,c2,d1,d2,e1,e2,f1,f2为电极电势的函数拟合系数，且均为大于0的有理数，s为电池soc；
47、在公式(10)中加入横向偏移k和纵向偏移h得到充电电压表达式：
48、
49、根据s2得到的基准开路电压曲线利用最小二乘法原理进行拟合，得到公式(10)的拟合系数，再将云端充电片段的数据代入公式(11)得到纵向偏移h值，利用下式对欧姆内阻进行求解：
50、
51、优选项，所述s302具体为：
52、根据s1云端数据的采样传输周期分析结果得出实车低倍率充电片段的电压数据存在部分极化和滞后；因此，以s202中完全消除极化与滞后效应影响的ocv-soc曲线作为基准来计算欧姆内阻，根据式(7)和式(8)可知会导致计算的欧姆内阻偏大；对云端充电电压进行改进，如下：
53、ul,real＝ul+upol+uhys (28)
54、式中，ul,real为云端充电电压；upol为云端低倍率充电电压中耦合的极化电压；uhys为云端低倍率充电电压中包含的滞后电压；
55、同时，对理想开路电压进行变化，从而实现实际应用中欧姆内阻计算：
56、
57、式中，i为电路电流。
58、根据s2中对ocv求解方法的分析可知，发现小电流法充电工况测得的开路电压uocv,l相对理想ocv关系可表示为：
59、uocv,l＝uocv+upol+uhys (30)
60、式中，uocv为理想开路电压。
61、对比式(14)和式(15)可知，由于小电流法充电获得的ocv能抵消实车数据的部分极化和滞后效应；因此，利用小电流法充电工况求解的基准开路电压计算云端充电片段下的欧姆内阻。
62、一种实现基于云端数据的电池欧姆内阻辨识方法的装置，包括依次信号连接的实车数据传输模块、充放电判断模块、基准开路电压求解模块、欧姆内阻求解模块、欧姆内阻温度关系构建模块，
63、所述实车数据传输模块，用于提取云端实时传输数据的电流，电压参数，并对数据进行预处理，包括异常值处理、缺失值处理；
64、所述充放电判断模块，用于根据电流数据判断电池充放电情况，如果为充电情况，则进行欧姆内阻辨识；
65、所述基准开路电压求解模块，用于建立电极电势模型，将测试出的充电数据代入模型中，从而得出模型的参数，在该模型的基础上加上纵向偏移和横向偏移，得到电池充电电压与soc的关系表达式；
66、所述欧姆内阻求解模块，用于将实车数据传输模块传输的数据代入到基准开路电压求解模块得到的关系式，获得纵向偏移量，最终通过纵向偏移与实时传输的电流值，求解欧姆内阻；
67、所述欧姆内阻温度关系构建模块，用于根据实时传输的温度，结合欧姆内阻求解模块得到的欧姆内阻，进行线性拟合，从而获得欧姆内阻与温度的关系式。
68、有益效果：本发明提出一种利用云端低倍率充电电压曲线变换的方法，以辨识电池的欧姆内阻。这种方法基于云端数据模型参数的在线辨识，为电池管理系统bms提供了有效的参考和基准，从而规避了多参数同时在线辨识过程中的常见弊端。本发明通过单一低倍率充电电压曲线的变换，简化了多个参数同时识别的情况，提高了模型参数辨识的准确性。本发明提高了欧姆内阻辨识的准确性，改善了电池状态估计，同时有效延长电池寿命，减少维护成本，同时满足电池系统的可靠性要求。
69、本发明利用云端低倍率充电电压曲线的变换，能够准确测量和计算电池的欧姆内阻，欧姆内阻的精确测量不仅能够提升对电池性能的实时监控能力，还能够在电池的充放电过程中提供更为精准的数据支持。这一过程减少了由于模型复杂性引起的识别误差，使得电池管理系统能够更可靠地预测电池的剩余使用寿命和健康状态，从而更好地优化电池的使用和维护策略。
70、通过提高电池性能监控的精度，有助于有效延长电池的使用寿命。精确的内阻测量可以有效避免电池过度充放电的风险，这种风险通常会加速电池的老化过程。由此，电池的维护成本也会显著降低，因为能够及早发现电池问题并进行处理，从而避免了突发故障带来的高额维修费用。
1.基于云端数据的电池欧姆内阻辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s2具体包括：
4.根据权利要求3所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s3具体包括：
5.根据权利要求2所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s102具体为：
6.根据权利要求2所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s103具体为：
7.根据权利要求3所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s201具体为：
8.根据权利要求4所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s301具体为：
9.根据权利要求4所述的基于云端数据的电池欧姆内阻辨识方法，其特征在于，所述s302具体为：
10.实现权利要求1-9任一项所述的基于云端数据的电池欧姆内阻辨识方法的装置，其特征在于，包括依次信号连接的实车数据传输模块、充放电判断模块、基准开路电压求解模块、欧姆内阻求解模块、欧姆内阻温度关系构建模块，
