[发明专利]电池分数阶模型参数辨识方法

说明书

本发明涉及一种电池分数阶模型参数辨识方法，包括：对待测电池进行充放电实验和电化学阻抗谱EIS实验，确定电池分数阶模型，并确定电池分数阶模型的待辨识参数；采用粒子群算法与遗传算法混合优化算法GA‑PSO在频域和时域中对确定的电池分数阶模型的待辨识参数进行最优化辨识。该辨识方法能够准确确定分数阶模型的待辨识参数，并采用频域‑时域联合目标函数结合粒子群算法与遗传算法混合优化算法确定的参数，可以有效反映电池的特性，精度更高且收敛速度更快，可用于锂离子电池健康特征提取研究与不同锂电池材料的SOC估计，具有明显的适用性和可行性。

技术领域

本发明属于电池模型参数辨识技术领域，尤其涉及一种电池分数阶模型参数辨识方法。

背景技术

锂电池作为典型的非线性特性系统，内部系统参数会因负载及工况的变化而改变，外部测量仅能获得电流及端电压值。建立精确的锂电池动态模型是保证锂电池储能系统安全,可靠运行的前提,可实现电池参数预估并获得荷电状态(SOC)与外部参数的联系，为动力电池系统的分析优化提供基础。电化学阻抗谱拟合的分数阶模型可以通过使用常相位角元件替代等效电路模型中的纯电容元件，能够显著提高时域的电压估计精度，物理意义更加明显。

现有非线性模型参数辨识方法分为非线性最小二乘法、遗传算法和神经网络算法等几类。无论是哪种辨识方法，其目标函数均是使得拟合曲线和实测曲线的方差达到最小值。例如：R.E.White等首先采用非线性最小二乘法对等效电路模型和单粒子模型中的几个关键参数进行辨识。为了增加寻找到参数最优化值的概率，在非线性最小二乘法的基础上再次利用遗传算法最优化目标函数，同时求解这些参数值的置信区间。最后，通过计算几个统计变量，如方差，均方差，置信区间，t测试，F测试等来比较两种模型拟合曲线的好坏。Speltino等人通过两步实现了锂离子电池单粒子模型中参数的辨识，第一步根据电池负极电势平衡方程，再根据电池的开路电压测试曲线来辨识得到正极电势平衡方程；第二步是通过测量电池动态的充放电曲线实现单粒子模型中其他参数的辨识。A.P.Schmidt等人对电池的单粒子模型做了一些扩展，增加温度对动力学过程的影响、荷电状态(soc)对固相扩散过程的影响以及液相电势和液相浓度，在此基础上利用非线性最小二乘法实现扩展单粒子模型中33个参数的辨识，并利用Fisher信息矩阵评估参数的可辨识性和不确定性。Santhanmagopalan等人在恒流充放电工况下采用Levenberg-Marquardt最优化方法对准二维数学模型和单粒子模型中的正、负极固相扩散系数，液相扩散系数以及正、负极电化学反应常数这五个参数实现辨识。但分析和比较这几种辨识方法可知，非线性最小二乘法和神经网络辨识方法均要求模型的输出量和输入量之间存在明确的数学函数表达式以便于雅克比矩阵，参数敏感度等的计算，而对于复杂的锂离子电池数学模型，难以用数学函数表示输出量与输入量之间的关系式，不适合采用非线性最小二乘法和神经网络实现参数辨识。然而，遗传算法不存在上述问题，它对仿真模型的方程没有任何要求，恰好忽略了电池模型复杂的影响。因此，本发明考虑基于遗传算法，提高一种新的电池分数阶模型参数辨识方法。

发明内容

本发明针对上述现有技术的不足，提供了一种电池分数阶模型参数辨识方法，采用粒子群算法与遗传算法混合优化算法GA-PSO结合频域-时域联合目标函数，对电池分数阶模型的待辨识参数进行最优化辨识。

为了实现上述目的，本发明提供了一种电池分数阶模型参数辨识方法，包括：

对待测电池进行充放电实验和电化学阻抗谱EIS实验，确定电池分数阶模型，并确定电池分数阶模型的待辨识参数；

采用粒子群算法与遗传算法混合优化算法GA-PSO在频域和时域中对确定的电池分数阶模型的待辨识参数进行最优化辨识，其频域与时域的联合辨识目标函数为：

其中，Z′_m,N、Z″_m,N和分别是阻抗的实部、虚部以及端电压测量值归一化后的值,