[发明专利]一种基于协同进化粒子群算法的电池等效参数辨识方法

说明书

本发明公开了一种基于协同进化粒子群算法的电池等效参数辨识方法，属于电池等效参数辨识领域，该算法适用于基于等效电路模型的电池参数辨识；等效电路模型中的每一个待辨识参数均使用一个单独的参数粒子群进行优化；算法寻优周期受电池原始运行数据取样触发，每个寻优周期内算法仅完了多个参数群中的某一个群的寻优计算。在当前的寻优周期内，当前进化的参数粒子群内的每个粒子仅进化一步；这样，在算法的调度下，所有的参数粒子群逐个进化，优化结果向最优值实时、动态收敛。本发明所述方法把大量的寻优计算分布到数据取样间隔内，提高了算法的实时性；另外，仿生型算法的使用提高了参数辨识结果的全局性。

技术领域

本发明属于电池等效参数辨识领域，具体涉及一种基于协同进化粒子群算法的电池等效参数辨识方法。

背景技术

在现有的电池等效模型中，多数情况下，认为模型参数恒定不变或缓慢变化。如果认为模型参数恒定不变可简化电池模型的表达难度，使得电池参数辨识算法具有较低的复杂度和在线运算量。但电池运行过程中阻抗特征明显与电荷电状态(SOC)、建康状态(SOH)相关联。直接或间接地通过等效模型结构调整或参数的时变中体现出电池的非线性时变特征是提高电池运行状态估计精度的重要手段。

无论是采用定值的模型参数或是在建模中考虑模型参数的时变，等效模型原始模型参数的辨识都很有必要，针对该问题也产生了很多有效的方法。电池阻抗谱分析、电池外部特性拟合法是电池参数测量的两类典型方法。在当前老化状态、当前工况点，电池的阻抗谱分析显然可以准确测取电池阻抗参数，但难以完整表达在线运行的电池参数变化，不适合在线拟合电池参数的非线性时变特征。

电池外部特性拟合法使用特定结构的等效模型通过数据分析拟合电池外部特性，具有在线实现的可能性，现有的研究方法较多，例如：最小二乘法等算法、卡尔曼算法、群算法、遗传算法。这些方法均以电池瞬态特性的统计学规律为优化原则，从电池的等效模型中找出与瞬态特性最为接近的电池参数。

面向在线应用的需要，最好将电池模型中具有时变、非线性或具有耦合关系的参数进行动态、在线辨识，把模型的参数非线性映射到参数的在线辨识结果中。从这一点来看，递推最小二乘法显然具有明显优势，但模型阶次的提高很自然地导致待辨识参数线性化的数学描述复杂性增加。受线性化近似的影响，参数表达式在三阶以上的等效模型几乎无法在线应用。类似的思想也体现于其他迭代型算法中，如回归算法、尔曼滤波算法，此类算法均表现出了以在线辨识、修改模型参数为特征的系统非线性描述方法，但该类算法也受算法复杂度的制约，难以表达过多的时变、非线性参数。

仿生类算法取得了较好的参数辨识效果，其计算量的削减、经验值的获取等问题成为研究热点之一。以粒子群算法(PSO)为例：该算法依据3阶等效电路模型(ECM)使用了100 个粒子构成的粒子群对电池参数进行辨识，连续100s(数据采样率为10Hz)的原始电池运行数据辨识用时2分钟(台式机Intel i7 880CPU,16G内存)。过高的计算量使得该类算法难以在线实现。

PSO中，粒子位置采用多维数据表达，使其在建寻优过程中必须使用目标函数对群内的全部粒子进行评价，这使得粒子每一步进化过程均附带了与粒子维度相应的大量运算。而在锂电池参数辨识过程中，使用一段电池运行端电压数据的拟合误差作为评价函数对粒子位置进行评价，本质上即具有较高的运算量，这限制了群规模(粒子数)和进化速度。

群算法的全局搜索、快速收敛特性适合于锂电池的在线参数辨识。粒子群协同进化算法 (CPSO)把具体问题的解向量按照一定的规则划分成多个相互独立的子种群，然后对每个子种群在目标搜索空间中的不同维度上进行搜索。参考该方法可将锂电池等效模型的参数辨识问题简化为多个子群的并行或串行进化问题，这可从部分程度上解决优化时效性问题。