[发明专利]基于多约束条件粒子群优化算法的锂电池组参数辨识方法

说明书

基于多约束条件粒子群优化算法的锂电池组参数辨识方法，涉及锂离子电池组电化学模型参数辨识领域。本发明是为了解决现有只能对电池单体的行为进行辨识，不能对电池组状态整体预测的问题。步骤1、建立锂离子单体电池电化学模型；步骤2、采用激励响应法对锂离子电池单体电化学模型进行辨识，得到该模型参数值；步骤3、根据步骤2得到的模型参数值，设定锂离子电池组电化学模型的参数值范围；步骤4、采用多约束条件粒子群优化算法从设定锂离子电池组电化学模型的参数值范围中，得到锂离子电池组的模型参数向量。它用于检测锂离子电池组的状态。

技术领域

本发明涉及一种针对电池组的电化学模型参数的在线获取方法。属于锂离子电池组电化学模型参数辨识领域。

背景技术

随着环境的破坏与资源的日益消耗，新能源成为未来发展的趋势，可再生能源中电池储能起着至关重要的作用。与其他电池相比，锂离子电池具有能量密度低、无记忆效应、寿命长、成本低等优点，广泛应用于储能、军事、电子工业以及其他各种类型的电池中，具有远大的应用前景和巨大的市场需求。研究高性能的锂离子电池，具有重大的科学意义和经济效益。锂离子电池的可靠性和安全性仍是制约锂离子电池发展的关键性因素，锂离子电池的安全性是指电池抵抗爆炸、火灾等对电池造成损坏以至于电池不能正常工作的能力。提高安全性，应该设计更严格的标准，找出并解决锂离子电池发生安全事故的潜在因素。锂离子电池的可靠性是指锂离子电池保持一定工作能力的能力，提高可靠性，应提高对电池实施在线监测的能力以提高对电池的能量和状态等方面管理的能力。

精确地锂离子电池电化学模型参数对提高锂离子电池的安全性和可靠性起着重要的作用。锂离子单体电池的电压和容量相对较小，如作为纯电动或者混合动力车辆的动力源，必须把电池单体在狭小的电池箱中紧密地排列，连接方式为串联或并联，从而满足电动汽车行驶所需的功率。由于锂离子电池是一个复杂的非线性模型结构、大量的模型参数以及各参数之间存在较强的耦合关系，模型的基本变量同时是时间和空间的函数，增加了对电池参数精确辨识的复杂程度，再加之对电池组中每一节电池单体进行参数辨识成本太高，故不能用电池单体的行为来预测电池组的行为。快速、精确、无伤的在线辨识锂离子电池组的电化学模型参数，不仅可以估计锂离子浓度和电势，精确描述电池内部行为和外部行为，还可以估计电池组的充电状态和健康状态等，对于实施有效的电池组的健康管理方案、提高电池的性能具有重要的意义。

在众多算法中，雅克比算法公式简单，参数在测量数据和模拟数据之间的差异随着每次迭代而减小的方向上更新，但是由于锂离子电池模型的复杂性和非线性，基于雅可比的算法可能陷入局部最优。机械学习法是指对电池组进行大量的实验测试，一旦神经网络训练完成，就可以简单的计算、快速的对电池组的电化学参数进行辨识，但是需要大量的数据进行训练，耗时较多。遗传算法、粒子群优化算法借鉴了生物“适者生存、优胜劣汰”的进化规律，根据随机搜索原理运行，对于非线性问题和大规模的复杂问题，这些算法可以获得全局最优解，但收敛速度较快，容易陷入局部最优解，故需要对上述算法施加约束条件进行优化。

发明内容

本发明是为了解决现有只能对电池单体的行为进行辨识，不能对电池组状态整体预测的问题。现提供基于多约束条件粒子群优化算法的锂电池组参数辨识方法。

基于多约束条件粒子群优化算法的锂电池组参数辨识方法，所述方法包括以下步骤：

步骤1、建立锂离子单体电池电化学模型；

步骤2、采用激励响应法对锂离子电池单体电化学模型进行辨识，得到该模型参数值；

步骤3、根据步骤2得到的模型参数值，设定锂离子电池组电化学模型的参数值范围；

步骤4、采用多约束条件粒子群优化算法从设定锂离子电池组电化学模型的参数值范围中，得到锂离子电池组的模型参数向量。

优选地，步骤1中，锂离子单体电池电化学模型为：