CN112069739A - 电池分数阶模型参数辨识方法 - Google Patents
电池分数阶模型参数辨识方法 Download PDFInfo
- Publication number
- CN112069739A CN112069739A CN202010972950.6A CN202010972950A CN112069739A CN 112069739 A CN112069739 A CN 112069739A CN 202010972950 A CN202010972950 A CN 202010972950A CN 112069739 A CN112069739 A CN 112069739A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- parameters
- soc
- fractional order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
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。
Description
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:
式中,Z′ref、Z″ref和Vt,ref分别是阻抗实部、虚部以及端电压在归一化处理时的参考值;为由电池分数阶模型仿真计算的阻抗实部、虚部以及端电压的计算值;分别为通过充放电实验和电化学阻抗谱EIS实测的阻抗实部、虚部以及端电压的实测值,Lf为频率序列长度,LI为电流序列的长度。
优选的,确定电池分数阶模型的待辨识参数的方法为:
所述电池分数阶模型包括电池开路电压与荷电状态Soc的OCV模型,以及RC等效模型;
以荷电状态Soc为变量,对RC等效模型参数解析化处理,确定解析化处理的RC等效模型的解析化参数Xref(soc);
以解析化参数Xref(soc)作为参考温度Tref下的参考值,对解析化处理的RC等效模型的解析化参数Xref(soc)进行温度校正,确定温度校正的RC等效模型的参数X(soc,T);
分别确定OCV模型、解析化处理的RC等效模型、温度校正的RC等效模型的待辨识参数,得到待测电池的电池分数阶模型的待辨识参数。
优选的,电池开路电压与荷电状态Soc的OCV模型为:
Vocv(soc)=Vocv,p(y0+Δy·(1-soc))-Vocv,n(x0-Δx·(1-soc))
式中,Vocv(soc)为电池开路电压,为正负极开路电压Vocv,p与Vocv,n的差值;正负极材料表面离子的初始占位浓度x0、y0以及放电比Δx和Δy是未知的,需辨识得到;
式中,soc(t)表示t时刻的荷电状态Soc的值,soc(t0)为初始时刻t0的荷电状态Soc初始值,Cb是电池的容量,I(t)则表示电池电流;
OCV模型确定的待辨识参数为初始占位浓度x0、y0,以及放电比Δx和Δy。
则解析化处理后将RC等效模型的辨识参数扩展为系数ck1、ck2、ck3。
优选的,利用阿伦尼乌斯公式对解析化处理的RC等效模型的解析化参数Xref(soc)进行温度校正,得到温度校正的RC等效模型的参数X(soc,T)为:
其中,Ex为参数(soc,T)对应的活化能系数,为与温度无关的常数;R为摩尔气体常数,Tref为参考温度,T为参数X(soc,T)对应的温度;
则经过温度校正后,RC等效模型的辨识参数引入活化能系数Ex。
优选的,采用粒子群算法与遗传算法混合优化算法GA-PSO对电池分数阶模型的待辨识参数进行最优化辨识的方法为:
步骤1:生成遗传算法GA的初始种群,种群中每个个体代表分数阶模型的一个待辨识参数向量;
步骤2:计算每个个体对应的目标函数值,并进行适应度评价;
步骤3:如果进化代数等于遗传算法GA中最大进化代数,则结束遗传算法,记录最优的个体及对应的GA最优目标函数值,并进入步骤5;如果进化代数小于GA中最大代数,则进入步骤4;
步骤4:执行选择、交叉和变异,保留好的个体,产生新的个体,并形成新的种群,返回步骤2,进行下一次进化;
步骤5:在搜索空间内均匀产生初始粒子群,每个粒子代表分数阶模型的一个待辨识参数向量;将步骤3记录的GA最优目标函数值设置为粒子群进化算法PSO全局目标函数值;
步骤6:如果进化代数等于粒子群进化算法PSO中最大进化代数,结束粒子群进化算法,记录最优粒子和PSO全局最优目标函数值;否则,进入步骤7;
步骤7:计算每个粒子对应的目标函数值,记录个体最优粒子,确定PSO全局最优目标函数值;
步骤8:更新粒子位置和速度,返回步骤6,进行下一次进化。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供了一种电池分数阶模型参数辨识方法,分为分数阶模型与待辨识参数确定、以及分数阶模型参数辨识两部分。将电池分数阶模型分解为关于电池开路电压与荷电状态Soc的OCV模型,以及RC等效模型两部分,然后分别对OCV模型与RC等效模型确定待辨识参数,同时,采用对RC等效模型参数解析化处理与温度校正结合的方法,确定RC等效模型的待辨识参数,进而确定整个分数阶模型的总待辨识参数,该方法能够准确确定分数阶模型的待辨识参数。然后,采用频域-时域联合目标函数与粒子群算法与遗传算法混合优化算法,对分数阶模型参数辨识,求取最优解,使分数阶模型仿真计算值与实测值的误差最小。该G-P算法和联合辨识的目标函数辨识得到的分数阶模型参数可以有效反映电池的特性,适用于复杂的锂离子电池数学模型,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,适用于不同锂电池材料的SOC估计,具有明显的适用性和可行性。
附图说明
图1为本发明实施例的电化学阻抗谱与等效分数阶模型结构;
图2为本发明的分数阶模型频域-时域联合辨识方法框图;
图3为频域-时域联合目标函数用于各种算法的辨识结果验证;
图4为频域、时域、频域-时域联合三种目标函数应用于G-P算法的辨识结果验证;
图5为实验数据与辨识结果的DST工况对比和EIS对比;
图6为实验数据与辨识结果的海洋能储能工况对比。
具体实施方式
以下结合附图对本发明的具体实施方式进行进一步的描述。
本发明提供了一种电池分数阶模型参数辨识方法,包括:
(1)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,电池分数阶模型包括电池开路电压与荷电状态Soc的OCV模型,以及RC等效模型。然后,确定电池分数阶模型的待辨识参数。具体为:
电池开路电压与荷电状态Soc的OCV模型为:
Vocv(soc)=Vocv,p(y0+Δy·(1-soc))-Vocv,n(x0-Δx·(1-soc))
式中,Vocv(soc)为电池开路电压,为正负极开路电压Vocv,p与Vocv,n的差值;正负极材料表面离子的初始占位浓度x0、y0以及放电比Δx和Δy是未知的,需辨识得到;
式中,soc(t)表示t时刻的荷电状态Soc的值,soc(t0)为初始时刻t0的荷电状态Soc初始值,Cb是电池的容量,I(t)则表示电池电流;
因此,OCV模型确定的待辨识参数为初始占位浓度x0、y0,以及放电比Δx和Δy。
则解析化处理后将RC等效模型的辨识参数扩展为系数ck1、ck2、ck3。
然后,以解析化参数Xref(soc)作为参考温度Tref下的参考值,阿伦尼乌斯公式对解析化处理的RC等效模型的解析化参数Xref(soc)进行温度校正,得到温度校正的RC等效模型的参数X(soc,T)为:
其中,Ex为参数X(soc,T)对应的活化能系数,为与温度无关的常数;R为摩尔气体常数,Tref为参考温度,T为参数X(soc,T)对应的温度;
则经过温度校正后,RC等效模型的辨识参数引入活化能系数Ex。
因此,通过上述过程,得到待测电池的电池分数阶模型的待辨识参数包括OCV模型确定的初始占位浓度x0和y0、放电比Δx和Δy,RC等效模型解析化与温度校正处理后引入的系数ck1、ck2、ck3、以及活化能系数Ex。
(2)然后,采用粒子群算法与遗传算法混合优化算法GA-PSO(简称为G-P算法)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:
式中,Z′ref、Z″ref和Vt,ref分别是阻抗实部、虚部以及端电压在归一化处理时的参考值;为由电池分数阶模型仿真计算的阻抗实部、虚部以及端电压的计算值;为通过充放电实验和电化学阻抗谱EIS实测的阻抗实部、虚部以及端电压的实测值,Lf为频率序列长度,Ll为电流序列的长度。分别取实测值的平均值作为参考值Z′ref、Z″ref和Vt,ref,其中:
考虑到对于电池建模的多维参数辨识耗时较长的问题,在GA与PSO结合的过程中,对PSO算法的初始化进行优化。首先,GA中产生的目标函数值作为PSO算法中全局目标函数的上限值,加快目标函数调整速度。然后,在搜索空间内均匀地产生初始粒子群,使得初始化的时候粒子能够有效覆盖整个搜索空间。该GA-PSO优化具体包括以下步骤:
步骤1:生成遗传算法GA的初始种群,种群中每个个体代表分数阶模型的一个待辨识参数向量;
步骤2:计算每个个体对应的目标函数值,并进行适应度评价;
步骤3:如果进化代数等于遗传算法GA中最大进化代数,则结束遗传算法,记录最优的个体及对应的GA最优目标函数值,并进入步骤5;如果进化代数小于GA中最大代数,则进入步骤4;
步骤4:执行选择、交叉和变异,保留好的个体,产生新的个体,并形成新的种群,返回步骤2,进行下一次进化;
步骤5:在搜索空间内均匀产生初始粒子群,每个粒子代表分数阶模型的一个待辨识参数向量;将步骤3记录的GA最优目标函数值设置为粒子群进化算法PSO全局目标函数值;
步骤6:如果进化代数等于粒子群进化算法PSO中最大进化代数,结束粒子群进化算法,记录最优粒子和PSO全局最优目标函数值;否则,进入步骤7;
步骤7:计算每个粒子对应的目标函数值,记录个体最优粒子,确定PSO全局最优目标函数值;
步骤8:更新粒子位置和速度,返回步骤6,进行下一次进化。
下面以一具体实施例详细说明本发明的电池分数阶模型参数辨识方法,如下:
本例中应用的电池为LR1865SK型锂离子电池,其电化学阻抗谱与等效电路如图1所示,电化学阻抗谱EIS包含两个圆弧段和一条倾斜角为45°的线段,该电化学阻抗谱图形被分为4个区域,即:
区域(1):该区域表征锂离子电池的欧姆阻抗,包括集流体、活性物质、电解质和隔膜的阻抗,可以用单独的电阻R0表示。
区域(2):该区域为EIS的高频段,表征锂离子电池内部的SEI膜的作用。该段圆弧的圆心①位于实轴上,可以使用电阻R1和电容C1并联来反映锂离子通过SEI膜的电学现象。
区域(3):该区域为EIS的中频段,该段圆弧的圆心②不在实轴上,能够用传荷电阻R2和常相位元件C2并联来反映活性物质表面的动力学现象和双电层效应。
区域(4):该区域为EIS的低频段,是一条倾斜角为45°的线段,表征锂离子在电极活性物质内部的扩散过程,可以用Warburg元件表征该现象。该段EIS曲线测量频率小于0.01Hz,测量持续时间长、时间常数大,与电池充放电有关。该部分对电池动态特性影响较小,不考虑该段EIS的影响。因此,能够使用电子元件和常相位元件及其组合形式来表征电化学阻抗谱的不同频段,得到电池分数阶模型结构。
对于该模型中,常相位元件C2的特性介于电阻和电容之间,阻抗表达式为:
其中,C2是等同于电容的参数,a是微分阶次。当a=1时,常相位元件就成了电容;当a=0时,则常相位元件变为电阻。所以,在参数辨识时,a的范围确定在区间(0,1)之间。
在s域中,端电压Vt(s)和电流I(s)满足:
Vt(s)-Vocv(soc(s))=V1(s)+V2(s)+R0I(s) (2)
其中,电压V1(s)、V2(s)与电流I(s)满足以下表达式:
在锂离子电池处于稳定状态的时候,使电池开始充放电,这时初始条件为0,即
V1(0)=0,V2(0)=0 (5)
因此,式(3)和式(4)可以分别转换为式(6)和式(7)所示的微分方程:
对上式进行求解并离散处理,可以得到其离散形式:
式(7)是一个典型的分数阶微分方程,采用分数阶微分的G-L定义进行数值解的求解,其对应的离散形式为:
其中,[t/ΔT]表示取t/ΔT的整数部分,本例中用到的数据时间长度为1190s,则[t/ΔT]的值为119。[t/ΔT]选取过大会影响参数辨识的速度,因此,选取50对式(9)近似处理,可以得到式(10),即:
将f(t)的表达式具体化,可以对分数阶微分方程进行求解,并得到其近似解,即式(11):
因此,该分数阶模型的端电压与电流的关系的离散形式可以表示为:
式中,Vt,k为端电压;Ik为电流,充电为“+”,放电为“-”;Vocv(sock)为开路电压,关于soc的函数,需要计算得到;ΔT为采样时间;N为近似阶次;由上述公式可见,该分数阶模型具体包括电池开路电压与荷电状态Soc的OCV模型V(sock),以及RC等效模型R0Ik+V1,k+V2,k两部分,参数R0、R1、C1、R2、C2和a为该分数阶模型的基本参数。
然后,考虑分别将OCV模型与RC等效模型参数化,对于OCV模型:
全电池开路电压与soc之间的关系可以写为:
Vocv(soc)=Vocv,p(y0+Δy·(1-soc))-Vocv,n(x0-Δx·(1-soc)) (13)
式中,Vocv(soc)为式(12)确定的电池开路电压Vocv(sock),为正负极开路电压Vocv,p与Vocv,n的差值;正负极材料表面离子的初始占位浓度x0、y0以及放电比Δx和Δy是未知的,需辨识得到。
soc可以通过安时积分法计算得到,即
式中,soc(t)表示t时刻的荷电状态Soc的值,soc(t0)为初始时刻t0的荷电状态Soc初始值,Cb是电池的容量,I(t)则表示电池电流。
该OCV模型引入了四个待辨识参数,即锂离子电池的正负极材料表面锂离子的初始占位浓度x0和y0,以及放电比Δx和Δy,在辨识参数的时候,将同时对这4个参数进行辨识。
对于RC等效模型:电池在工作的过程中,其荷电状态SOC随着电池充放电而变化,电池的SOC对模型的参数会产生影响。在电池模型中,考虑SOC对参数的影响,对参数进行解析化处理,本例中选用结构简单的指数函数 作为电池分数阶模型中RC等效模型参数R0、R1、C1、R2和C2的解析函数。
其中,以Xref(soc)表示R0,ref(soc)、R1,ref(soc)…C2,ref(soc),则Xref(soc)为R0、R1、C1、R2和C2解析化处理过后的值。荷电状态SOC对模型各个参数的影响反映在指数函数的3个系数上。因此,对模型参数R0、R1、C1、R2和C2的辨识则变成对系数ck1_1、ck2_1、ck3_1…,ck1_5、ck2_5、ck3_5的辨识,解析化处理后,RC等效模型的待辨识参数本参数扩展为15个待辨识参数,即系数ck1_1、ck2_1、ck3_1…,ck1_5、ck2_5、ck3_5。
然后,以参数Xref(soc)作为参考温度Tref下的参考值,利用阿伦尼乌斯公式进行温度校正。如式(20)~(24)所示,分别为模型参数R0、R1、C1、R2和C2经过校正过后的形式:
式中,R为摩尔气体常数,单位为J/mol.K;和为活化能系数,是与温度无关的常数,其单位为J/mol;Tref为参考温度,单位为K;T为参数X(soc,T)对应的温度,其单位为K。温度校正过后,重新引入5个活化能系数和这些系数是未知的,需要与其他待辨识参数一起辨识。
综上,建立的分数阶模型,共有25个待辨识参数,即锂离子的初始占位浓度x0和y0,放电比Δx和Δy,系数ck1_1、ck2_1、ck3_1,...ck1_5、ck2_5、ck3_5,活化能系数和以及系数a,如下表所示:
然后,考虑对确定的锂离子电池分数阶模型待辨识参数进行辨识,将模型参数辨识问题转化为最优化问题,即利用分数阶模型仿真计算结果与EIS实验实测值的误差来不断地修正模型中的未知参数,使得锂离子电池模型仿真计算值与实测值的误差最小,原理图如图2所示。本例中采用频域和时域的联合对分数阶模型参数进行辨识,即同时在频域和时域中对分数阶模型参数进行辨识。其频域与时域的联合辨识目标函数为:
式中,Z′ref、Z″ref和Vt,ref分别是阻抗实部、虚部以及端电压在归一化处理时的参考值;为由电池分数阶模型仿真计算的阻抗实部、虚部以及端电压的计算值;为通过充放电实验和电化学阻抗谱EIS实测的阻抗实部、虚部以及端电压的实测值,Lf、LI为阶次数;同时,本例中分别取实测值的平均值作为参考值Z′ref、Z″ref和Vt,ref,其中:
综合考虑遗传算法和粒子群算法的优缺点,本例中具体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,GA-PSO优化具体包括以下步骤:
步骤1:生成遗传算法GA的初始种群,种群中每个个体代表分数阶模型的一个待辨识参数向量;
步骤2:计算每个个体对应的目标函数值,并进行适应度评价;
步骤3:如果进化代数等于遗传算法GA中最大进化代数,则结束遗传算法,记录最优的个体及对应的GA最优目标函数值,并进入步骤5;如果进化代数小于GA中最大代数,则进入步骤4;
步骤4:执行选择、交叉和变异,保留好的个体,产生新的个体,并形成新的种群,返回步骤2,进行下一次进化;
步骤5:在搜索空间内均匀产生初始粒子群,每个粒子代表分数阶模型的一个待辨识参数向量;将步骤3记录的GA最优目标函数值设置为粒子群进化算法PSO全局目标函数值;
步骤6:如果进化代数等于粒子群进化算法PSO中最大进化代数,结束粒子群进化算法,记录最优粒子和PSO全局最优目标函数值;否则,进入步骤7;
步骤7:计算每个粒子对应的目标函数值,记录个体最优粒子,确定PSO全局最优目标函数值;
步骤8:更新粒子位置和速度,返回步骤6,进行下一次进化。
同时,在频域和时域中单独设计了目标函数,与联合辨识目标函数进行对比,如下:
对于频域辨识:锂离子电池分数阶模型的总阻抗在频域下的表达式为:
其中,R0、R1、C1、R2、C2和α就是模型的6个基本参数,是未知参数。ω是角频率,单位为rad/s,并且有ω=2πf,f是电化学阻抗谱测量时激励信号的频率,单位用Hz表示。
将模型参数和频率序列fi(i=1,2,…,Lf)作为频域模型的输入,则可以得到总阻抗序列Z(fi)(i=1,2,…,Lf),Lf为频率序列长度。通过实部和虚部函数直接获取阻抗的实部和虚部:
将频域中目标函数定义为:
其中,和为阻抗实测值的实部序列和虚部序列,Wi(i=1,2,...,Lf)为目标函数的权重。考虑到阻抗谱的疏密程度可能对辨识过程有影响,所以用实测阻抗谱相邻点的距离来定义权重。通过式(33)可以得到W’:
将W’进行归一化处理,并取平方根,则得到权重值:
因此,在频域中辨识分数阶模型参数,实际是寻找一组R0、R1、C1、R2、C2和α的值,使得阻抗谱的模型计算值和实测值的各点距离(考虑权重)之和最小。
对于时域辨识:
将模型参数R0、R1、C1、R2、C2和α以及电流序列Ik(k=1,2,...,LI)代入到锂离子电池分数阶模型的时域形式中,可以得到电池的端电压仿真计算值,记为LI为电流序列的长度。则将时域中优化问题的目标函数定义式(35)的形式,即端电压模型计算值与实测值的方均根误差的最小值:
所以,时域中辨识目标就是寻找一组模型参数使得端电压的模型计算值与实测值的方均根误差最小。
本实施例中利用2组合成的实验数据,对比GA、GWO、PSO和G-P算法的辨识结果误差,对G-P算法的有效性进行了验证,如图3为GA、GWO、PSO和G-P算法对一组R0、R1、C1、R2、C2和α参数辨识结果的相对误差箱线图和目标函数收敛趋势图,其中:(a)图是参数R0、R2、C2和α辨识结果的相对误差的箱线图,相对误差较小;(b)图是参数R1和C1辨识结果的相对误差的箱线图,有较大的奇异值;(c)图是四种算法辨识时目标函数值收敛趋势图,GWO和PSO算法目标函数收敛速度小于GA和G-P算法的收敛速度,在进化前期,GA算法的目标函数收敛速度略大于G-P算法,后期,G-P算法的目标函数收敛更快,并且最终目标函数值小于GA算法。四种算法中,G-P算法整体收敛速度更快,并且能够得到更小的目标函数值。将G-P算法分别在频域辨识、时域辨识和联合辨识三种情况下对2组自定义参数R0、R1、C1、R2、C2和α的辨识结果相对误差进行汇总,并绘制箱线图,可以得到如图4所示的结果。可以看出,G-P算法具备更好的精确性,对模型参数进行辨识的时候,用联合辨识中的目标函数所得的结果更加准确,并且能够提高算法的辨识精确性,使得算法在辨识过程中更加稳定。本实施例中选取LR1865SK型锂离子电池进行验证,验证结果如图5、图6所示,图5为DST工况数据和电化学阻抗谱数据的实测值与模型计算值的对比图,其中,(a)图为DST工况端电压实测值与模型计算值的拟合情况,可以看出模型计算值与实测值拟合的很好,端电压误差绝对值平均为12.69mV;(b)图为电化学阻抗谱实测值与模型计算值的拟合情况,阻抗误差绝对值平均为0.87mΩ。图6为用DST工况和EIS数据辨识出的分数阶模型参数仿真出的加速老化工况与实测老化工况的对比图,可以看出,仿真工况与实测工况拟合度比较高。因此,利用G-P算法和频域-时域联合辨识的目标函数辨识得到的分数阶模型参数可以准确反映电池的特性,可将所提出的辨识方法用于锂离子电池健康特征提取研究。
综上,本发明提供的电池分数阶模型参数辨识方法,将电池分数阶模型分解为关于电池开路电压与荷电状态Soc的OCV模型,以及RC等效模型两部分,然后分别对OCV模型与RC等效模型确定待辨识参数,同时,采用对RC等效模型参数解析化处理与温度校正结合的方法,确定RC等效模型的待辨识参数,进而确定整个分数阶模型的总待辨识参数,该方法能够准确确定分数阶模型的待辨识参数。同时,采用频域-时域联合目标函数与粒子群算法与遗传算法混合优化算法,对分数阶模型参数辨识,求取最优解,使分数阶模型仿真计算值与实测值的误差最小。该G-P算法和联合辨识的目标函数辨识得到的分数阶模型参数可以有效反映电池的特性,适用于复杂的锂离子电池数学模型,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,适用于不同锂电池材料的SOC估计,具有明显的适用性和可行性。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种电池分数阶模型参数辨识方法,其特征在于,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:
2.根据权利要求1所述的电池分数阶模型参数辨识方法,其特征在于,确定电池分数阶模型的待辨识参数的方法为:
所述电池分数阶模型包括电池开路电压与荷电状态Soc的OCV模型,以及RC等效模型;
以荷电状态Soc为变量,对RC等效模型参数解析化处理,确定解析化处理的RC等效模型的解析化参数Xref(soc);
以解析化参数Xref(soc)作为参考温度Tref下的参考值,对解析化处理的RC等效模型的解析化参数Xref(soc)进行温度校正,确定温度校正的RC等效模型的参数X(soc,T);
分别确定OCV模型、解析化处理的RC等效模型、温度校正的RC等效模型的待辨识参数,得到待测电池的电池分数阶模型的待辨识参数。
3.根据权利要求2所述的电池分数阶模型参数辨识方法,其特征在于,电池开路电压与荷电状态Soc的OCV模型为:
Vocv(soc)=Vocv,p(y0+Δy·(1-soc))-Vocv,n(x0-Δx·(1-soc))
式中,Vocv(soc)为电池开路电压,为正负极开路电压Vocv,p与Vocv,n的差值;正负极材料表面离子的初始占位浓度x0、y0以及放电比Δx和Δy是未知的,需辨识得到;
式中,soc(t)表示t时刻的荷电状态Soc的值,soc(t0)为初始时刻t0的荷电状态Soc初始值,Cb是电池的容量,I(t)则表示电池电流;
OCV模型确定的待辨识参数为初始占位浓度x0、y0,以及放电比Δx和Δy。
7.根据权利要求1所述的电池分数阶模型参数辨识方法,其特征在于,采用粒子群算法与遗传算法混合优化算法GA-PSO对电池分数阶模型的待辨识参数进行最优化辨识的方法为:
步骤1:生成遗传算法GA的初始种群,种群中每个个体代表分数阶模型的一个待辨识参数向量;
步骤2:计算每个个体对应的目标函数值,并进行适应度评价;
步骤3:如果进化代数等于遗传算法GA中最大进化代数,则结束遗传算法,记录最优的个体及对应的GA最优目标函数值,并进入步骤5;如果进化代数小于GA中最大代数,则进入步骤4;
步骤4:执行选择、交叉和变异,保留好的个体,产生新的个体,并形成新的种群,返回步骤2,进行下一次进化;
步骤5:在搜索空间内均匀产生初始粒子群,每个粒子代表分数阶模型的一个待辨识参数向量;将步骤3记录的GA最优目标函数值设置为粒子群进化算法PSO全局目标函数值;
步骤6:如果进化代数等于粒子群进化算法PSO中最大进化代数,结束粒子群进化算法,记录最优粒子和PSO全局最优目标函数值;否则,进入步骤7;
步骤7:计算每个粒子对应的目标函数值,记录个体最优粒子,确定PSO全局最优目标函数值;
步骤8:更新粒子位置和速度,返回步骤6,进行下一次进化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972950.6A CN112069739B (zh) | 2020-09-16 | 2020-09-16 | 电池分数阶模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972950.6A CN112069739B (zh) | 2020-09-16 | 2020-09-16 | 电池分数阶模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069739A true CN112069739A (zh) | 2020-12-11 |
CN112069739B CN112069739B (zh) | 2022-07-19 |
Family
ID=73696012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010972950.6A Active CN112069739B (zh) | 2020-09-16 | 2020-09-16 | 电池分数阶模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069739B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505533A (zh) * | 2020-12-14 | 2021-03-16 | 电子科技大学 | 基于改进粒子群算法的模拟电路双故障诊断方法 |
CN113176503A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN114372233A (zh) * | 2021-12-29 | 2022-04-19 | 华南理工大学 | 基于时域离散化的超级电容多分数阶模型参数辨识方法 |
CN115101138A (zh) * | 2022-06-29 | 2022-09-23 | 上海玫克生储能科技有限公司 | 基于参数辨识的锂电池设计优化方法及装置、存储介质 |
CN115356635A (zh) * | 2022-07-05 | 2022-11-18 | 合肥工业大学 | 一种锂电池等效电路模型参数的辨识方法 |
CN115561639A (zh) * | 2022-10-25 | 2023-01-03 | 哈尔滨工业大学 | 基于分数阶模型的电池参数在线辨识与简化计算方法 |
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980091A (zh) * | 2017-03-29 | 2017-07-25 | 北京理工大学 | 一种基于分数阶模型的动力电池系统健康状态估计方法 |
WO2018153116A1 (zh) * | 2017-02-21 | 2018-08-30 | 山东大学 | 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法 |
CN109613841A (zh) * | 2018-12-05 | 2019-04-12 | 中国计量大学 | 一种故障状态下的太阳能光伏组件参数辨识方法 |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
-
2020
- 2020-09-16 CN CN202010972950.6A patent/CN112069739B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018153116A1 (zh) * | 2017-02-21 | 2018-08-30 | 山东大学 | 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法 |
CN106980091A (zh) * | 2017-03-29 | 2017-07-25 | 北京理工大学 | 一种基于分数阶模型的动力电池系统健康状态估计方法 |
CN109613841A (zh) * | 2018-12-05 | 2019-04-12 | 中国计量大学 | 一种故障状态下的太阳能光伏组件参数辨识方法 |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
Non-Patent Citations (2)
Title |
---|
卞景季: "基于分数阶理论的锂离子动力电池建模研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
张立强: "锂离子电池多物理模型参数辨识及健康特征提取", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505533A (zh) * | 2020-12-14 | 2021-03-16 | 电子科技大学 | 基于改进粒子群算法的模拟电路双故障诊断方法 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
CN113176503A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN113176503B (zh) * | 2021-04-23 | 2022-07-12 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN114372233A (zh) * | 2021-12-29 | 2022-04-19 | 华南理工大学 | 基于时域离散化的超级电容多分数阶模型参数辨识方法 |
CN114372233B (zh) * | 2021-12-29 | 2024-04-02 | 华南理工大学 | 基于时域离散化的超级电容多分数阶模型参数辨识方法 |
CN115101138A (zh) * | 2022-06-29 | 2022-09-23 | 上海玫克生储能科技有限公司 | 基于参数辨识的锂电池设计优化方法及装置、存储介质 |
CN115356635A (zh) * | 2022-07-05 | 2022-11-18 | 合肥工业大学 | 一种锂电池等效电路模型参数的辨识方法 |
CN115356635B (zh) * | 2022-07-05 | 2024-04-26 | 合肥工业大学 | 一种锂电池等效电路模型参数的辨识方法 |
CN115561639A (zh) * | 2022-10-25 | 2023-01-03 | 哈尔滨工业大学 | 基于分数阶模型的电池参数在线辨识与简化计算方法 |
CN115561639B (zh) * | 2022-10-25 | 2023-09-12 | 哈尔滨工业大学 | 基于分数阶模型的电池参数在线辨识与简化计算方法 |
CN115840145B (zh) * | 2022-11-29 | 2023-07-25 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
CN117310508B (zh) * | 2023-11-30 | 2024-02-27 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069739B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069739B (zh) | 电池分数阶模型参数辨识方法 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
CN106918789B (zh) | 一种soc-soh联合在线实时估计和在线修正方法 | |
US10663524B2 (en) | Battery state estimating apparatus | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN111624495B (zh) | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 | |
Li et al. | State of charge estimation for lithium-ion battery using an electrochemical model based on electrical double layer effect | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN113868934A (zh) | 一种并联锂离子电池电化学参数辨识方法 | |
CN115184831B (zh) | 用于梯次锂电池组的预警方法 | |
Nuroldayeva et al. | State of health estimation methods for Lithium-ion batteries | |
CN115101138A (zh) | 基于参数辨识的锂电池设计优化方法及装置、存储介质 | |
Zhang et al. | A fractional-order model of lithium-ion batteries and multi-domain parameter identification method | |
CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
Xin et al. | A novel state of charge estimation method for ternary lithium batteries based on system function and extended kalman filter | |
CN116774051B (zh) | 考虑时频域多维数据特征的电池容量快速估计方法 | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
US11280841B2 (en) | Estimating a temperature of an electrochemical battery | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
Stanciu et al. | Extensive EIS characterization of commercially available lithium polymer battery cell for performance modelling | |
CN114859249B (zh) | 一种电池包容量的检测方法和装置 | |
CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及系统 | |
CN116224109A (zh) | 一种锂离子电池容量快速测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |