[发明专利]基于结合改进的粒子群算法的扩展卡尔曼滤波SOC估算方法

权利要求书

1.基于结合改进的粒子群算法的扩展卡尔曼滤波SOC估算方法，包括如下步骤：

步骤一 建立改进的锂电池等效电路模型

1.1确立基本等效电路模型；

1.2对所选等效电路模型进行改进；

1.3通过实验数据对改进的等效电路模型进行参数辨识；

1.4利用实验数据验证所建立电路模型的精确性；

步骤二 运用结合了改进粒子群算法的扩展卡尔曼滤波算法进行SOC估算

2.1对扩展卡尔曼滤波与粒子群算法进行推导；

2.2对粒子群算法的噪声寻优过程的改进；

2.3基于改进的三阶等效电路模型进行结合了改进粒子群算法的扩展卡尔曼滤波SOC估算，

步骤三SOC估算结果

其特征在于，所述对粒子群算法的噪声寻优过程的改进步骤如下：

针对遍历性差的问题，采用Tent混沌映射对粒子群位置和速度进行初始化，Tent映射又称帐篷映射，是分段线性的一维映射，具有均匀的概率密度、功率密度谱和理想的相关特性，其数学表达式为：

x_n+1＝α-1-α|x_n|,α∈(1,2] (1)；

Tent映射的Lyapunov指数为：

当α≤1时，λ≤0，系统处于稳定状态；当α1时，λ0，系统处于混沌状态；当α＝2时，λ_max＝ln 2，为中心Tent映射，其数学表达式为：

将初始化结果映射到[-1,1]区间，表达式如下：

e_f,d＝r_f,d(2x_k-1) (4)；

该式所得分别为粒子群初始速度值和初始位置值；

针对算法易早熟、后期易在全局最优解附近震荡的问题，引入一个带变异算子的变异控制函数，用来控制变异的粒子数目，以保持种群内部的多样性，避免算法过早在局部最优处收敛，引入的变异控制函数为：

y(h)＝(1-(h/h_max)^α)^β (5)；

其中，h表示当前迭代次数，h_maX代表最大迭代次数，α,β表示控制系数；

变异算子的控制率计算公式如下：

u＝m·y(h) (6)；

其中，u是变异率，m是预设变异率，由式(5)可以看出，通过控制α，β以及变异率u的值可以控制变异函数，在算法运行前期，为了种群搜索的全面性，α，β取较大的值，迭代次数更多；在算法运行后期，为了集中寻优，快速收敛，β，u取较小的值，迭代次数更少，进行变异操作的粒子数由下式决定：

M＝[N·u] (7)；

其中，M是进行变异操作的粒子数，对粒子的变异操作为：首先对种群粒子进行Tent映射，并将初始化结果按照式(4)进行赋值，之后从中选择M个粒子进行变异操作，假设第k个粒子被选中进行变异操作，如X_k＝(x_k1,x_k2,…,x_kD)，其中第j个元素发生了变异，其操作策略为：

x_k,j＝x_k,j+rand·y(h),rand∈(-a,a) (8)；

由式(5)和式(8)可以看出，在算法前期，变异后的粒子距离变异前的粒子比较远；在算法后期，变异后的粒子距离变异前的粒子比较近，这也就意味着，算法前期搜索空间比较大，减小了过早陷入局部最优解的概率；后期搜索空间比较小，能够集中资源向全局最优解方向搜索，提高算法的收敛精度；

针对粒子易陷入极小值，以粒子群的位置协方差矩阵的取值作为标准，当其小于指定值时，表明粒子群陷入局部极小，重新由Tent映射初始化，计算公式如下：

△＝δ_f,d(f＝1,2,…,F；d＝1,2,…,D) (9)；

针对适应度函数的选取，以模型的仿真电压与试验电压的测量值的绝对误差的累计值，作为改进粒子群算法的适应度函数，计算公式如下：