CN112214862B - 基于遗传算法的电池参数标定方法、系统及设备 - Google Patents

基于遗传算法的电池参数标定方法、系统及设备 Download PDF

Info

Publication number
CN112214862B
CN112214862B CN201911422922.0A CN201911422922A CN112214862B CN 112214862 B CN112214862 B CN 112214862B CN 201911422922 A CN201911422922 A CN 201911422922A CN 112214862 B CN112214862 B CN 112214862B
Authority
CN
China
Prior art keywords
battery
genetic algorithm
adaptive
fitness function
parameters
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.)
Active
Application number
CN201911422922.0A
Other languages
English (en)
Other versions
CN112214862A (zh
Inventor
李豪豪
贾建豪
盛杰
张恒利
赵龙灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Svolt Energy Technology Co Ltd
Original Assignee
Svolt Energy Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Svolt Energy Technology Co Ltd filed Critical Svolt Energy Technology Co Ltd
Priority to CN201911422922.0A priority Critical patent/CN112214862B/zh
Publication of CN112214862A publication Critical patent/CN112214862A/zh
Application granted granted Critical
Publication of CN112214862B publication Critical patent/CN112214862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池技术领域，其实施方式提供了一种基于遗传算法的电池参数标定方法，所述标定方法包括：基于与辨识参数相关的试验数据，构建包括所述试验数据和所述辨识参数的电池仿真模型；根据所述电池的老化程度确定所述电池仿真模型的适应度函数和所述辨识参数的初始范围；采用自适应遗传算法确定所述辨识参数的最优解，将所述最优解作为所述电池的标定参数。同时还提供了一种对应的基于遗传算法的电池参数标定系统及设备。本发明的实施方式用于快速准确地标定电池的参数。

Description

基于遗传算法的电池参数标定方法、系统及设备
技术领域
本发明涉及电池技术领域，特别涉及一种基于遗传算法的电池参数标定方法、一种基于遗传算法的电池参数标定系统以及一种基于遗传算法的电池参数标定设备。
背景技术
目前国内外都在大力推广的新能源汽车。与传统汽车比，电动汽车在行驶经济性和行驶舒适性上有很大优势，但电动汽车的成本主要集中在动力电池。而动力电池的性能和寿命受温度的影响较大，不同温度下电池性能参数也有所不同，因此在需要指定合理的电池热管理使电动力电池在适宜的温度下工作。制定合适的电池热管理策略需了解电池的发热及散热量，故需确定电池的热参数。热管理参数主要包括电池的热容、热阻及电池内阻等。热管理参数的辨识采用人工辨识耗时多，且辨识精度受个人主观影响因素较大，采用遗传算法辨识参数速度快，精度高；因此建立一种基于遗传算法的电池热管理参数的辨识方法是十分必要的。
目前在动力电池充放电过程的温度预测方面，大多只辨识新电池的热参数，然而随着动力电池的使用其热参数可能发生变化，不利于实车正常行驶一定里程后动力电池的温度预测。因此，可以搭建一种综合考虑电池一定循环后的热参数与新电池热参数的辨识方法。虽然现有的技术中已经存在采用遗传算法对电池参数进行标定的方法，但是该方法没有考虑电池老化因素对于电池标定的影响。
全生命周期：电池从生产完成到容量衰减到初容量80％的时间。
发明内容
有鉴于此，本发明旨在提出基于遗传算法的电池参数标定方法、系统及设备，以至少解决目前电池标定中存在的未考虑老化因素而导致的标定结果不准确的问题。
在本发明的第一方面，一种基于遗传算法的电池参数标定方法，所述标定方法包括：
基于与辨识参数相关的试验数据，构建包括所述试验数据和所述辨识参数的电池仿真模型；
根据所述电池的老化程度确定所述电池仿真模型的适应度函数和所述辨识参数的初始范围；
采用自适应遗传算法确定所述辨识参数的最优解，将所述最优解作为所述电池的标定参数。
可选地，所述辨识参数包括：所述电池的热容、热阻和内阻。
可选地，所述电池仿真模型包括：
单位时间的生热量Q＝I2×(R+R1)
散热量
Figure BDA0002352790450000021
电池实时温度：
Figure BDA0002352790450000022
其中，Q为当前单位时间的生热量，I为当前单位时间的电流值,R为电池内阻，R1为电气连接件阻值，Tcell为所述电池此时的温度，TTcoolant为当前冷却液的温度，Tamb为当前环境温度，Rth1为所述电池与环境之间的热阻，Rth2为所述电池与水冷板之间的热阻，Cth为所述电池的热容，m为所述电池的质量。
可选地，根据所述电池的老化程度确定所述电池仿真模型的适应度函数，包括：
基于所述电池的老化程度确定第一适应度函数和第二适应度函数对应的权重；
所述适应度函数为所述第一适应度函数和所述第二适应度函数的加权和；
所述第一适应度函数为适用于新电池的适应度函数，所述第二适应度函数为适用于老化后电池的适应度函数。
可选地，所述适应度函数为：
Figure BDA0002352790450000031
其中：y为模型测试的参数，包含电流、电压、温度，n为电池试验测量参数的个数，ysimu(i)为新电池的仿真结果，ysimu(j)老化后电池的仿真结果，ytest(i)及ytest(j)分别为新电池及老化后电池的试验测试结果；μ1、μ2分别为赋予新电池及老化后电池的适应度函数的权重，且μ1+μ2＝1；
可选地，根据所述电池的老化程度确定所述辨识参数的初始范围，包括：
以所述电池在新电池状态下的辨识参数的范围，乘以所述老化程度对应的修正系数，得到所述辨识参数的初始范围。
可选地，所述自适应遗传算法中的遗传策略，包括：自适应交叉，自适应选择及自适应变异；
自适应交叉概率计算公式如下：
Figure BDA0002352790450000032
其中：Pc为交叉概率，fmax为每代最大的适应值，favg为每代适应度的平均值，f为要交叉个体的适应度值，k1、k2为常数，用于改变遗传算法中种群交叉的概率；
自适应变异概率计算公式如下：
Figure BDA0002352790450000041
其中：Pm为变异概率，
Figure BDA0002352790450000042
为突变的初始化值；t0为自适应遗传算法群体起始时间，t为自适应遗传算法群体进化时间，tmax为自适应遗传算法群体终止时间；
自适应变异选择计算公式如下：
Figure BDA0002352790450000043
其中：Pi为选择概率；fi为种群中个体的适应度值，i取值为1到M，M为种群规模。
可选地，所述自适应遗传算法的迭代终止判定的条件包括：
种群迭代达到预设的次数，或所述种群的适应度值小于预设阈值。
在本发明的第二方面，还提供了一种基于遗传算法的电池参数标定系统，所述标定系统包括：
控制模块，用于基于电池仿真模型和获取的所述电池的试验数据，根据前述的标定方法，获得所述电池的标定参数。
在本发明的第三方面，还提供了一种基于遗传算法的电池参数标定设备，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的基于遗传算法的电池参数标定方法。
本发明第四方面还提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于遗传算法的电池参数标定方法。
通过本发明提供的上述技术方案，具有以下有益效果：在参数辨识时考虑了辨识后的参数是否能准确预测电池老化后的性能变化的问题，通过在遗传算法中加入对应的老化因素，以此保证动力电池充放电一定循环后电池的参数仍然可以精确预测电池的性能。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1是本发明一种实施方式提供的基于遗传算法的电池参数标定方法的流程示意图；
图2是本发明一种实施方式提供的基于遗传算法的电池参数标定系统的模型结构图；
图3是本发明一种实施方式提供的基于遗传算法的电池参数标定方法的实施例图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明一种实施方式提供的基于遗传算法的电池参数标定方法的流程示意图，如图1所示。本实施方式提供一种基于遗传算法的电池参数标定方法，所述标定方法包括：
基于与辨识参数相关的试验数据，构建包括所述试验数据和所述辨识参数的电池仿真模型；
根据所述电池的老化程度确定所述电池仿真模型的适应度函数和所述辨识参数的初始范围；
采用自适应遗传算法确定所述辨识参数的最优解，将所述最优解作为所述电池的标定参数。
如此，现有的技术中的遗传算法对于电池的标定大体的步骤相同，即建立电池的热参数模型后，通过遗传算法得到电池的参数的最优解，但是在参数辨识时需要考虑：辨识后的参数是否能准确预测电池老化后的性能变化。通过考虑电池的老化因素，引入包括电池老化因子的适应度函数，使通过遗传算法对老化电池的参数进行标定时，结果更加准确，以此保证动力电池充放电一定循环后电池的参数仍然可以精确预测电池的性能。
具体的，本实施方式的大体步骤如下：
获取所述电池的试验数据。在试验环境下进行电池充放电试验，试验环境需将电池置于恒温箱中，开启电池水冷循环，水冷循环中水冷液的温度及流量设置为恒定值。然后保持恒温箱温度不变，将待测电池充放电循环一定次数。测试并记录该电池的温度。该电池在恒温箱中充放电时前几个循环温度并不平衡，因此需选取该电池热平衡后的动力电池温度数据作为实验结果。提取测试结果中的温度，电流，电压，累计安时等试验数据。
搭建电池性能仿真模型，其中影响仿真模型精度的主要因素是温度，温度模型主要考虑电池充放电过程中电阻生热，此处的电电阻主要是电池内阻及电气连接件内阻、自然散热及水冷散热。模型的具体细节在后文详述。
采用遗传算法标定。为避免遗传算法产生局部最优解，因此采用自适应遗传算法，其主要过程包括：编码，适应度函数、遗传策略和终止条件，以下会分别对各个部分进行说明。
在本发明提供的一种实施方式中，所述辨识参数包括：所述电池的热容、热阻和内阻。通过前述的方式，可以标定多种参数，此处优选的辨识参数为热容、热阻和内阻，其通过热特性模型能够进行准确的标定。
在本发明提供的一种实施方式中，所述电池仿真模型包括：
单位时间的生热量Q＝I2×(R+R1)
散热量
Figure BDA0002352790450000071
电池实时温度：
Figure BDA0002352790450000072
其中，Q为当前单位时间的生热量，I为当前单位时间的电流值,R为内阻，R1为电气连接件阻值，Tcell为所述电池此时的温度，TTcoolant为当前冷却液的温度，Tamb为当前环境温度，Rth1为所述电池与环境之间的热阻，Rth2为所述电池与水冷板之间的热阻，Cth为所述电池的热容，m为所述电池的质量。其中搭建电池性能仿真模型，其中影响仿真模型精度的主要因素是温度，温度模型主要考虑电池充放电过程中电阻生热、自然散热及水冷散热。本实施方式提供的电池热方面的仿真模型，能够描述电池的辨识参数与试验数据之间的函数关系，为遗传算法的求解提供基础。好的仿真模型能够提升参数辨识的准确性。
在本发明提供的一种实施方式中，根据所述电池的老化程度确定所述电池仿真模型的适应度函数，包括：基于所述电池的老化程度确定第一适应度函数和第二适应度函数对应的权重；所述适应度函数为所述第一适应度函数和所述第二适应度函数的加权和；所述第一适应度函数为适用于新电池的适应度函数，所述第二适应度函数为适用于老化后电池的适应度函数。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。在本发明提供的一种实施方式中，例如采用μ1和μ2分别代表了适应度函数的权重，所述μ1和μ2的值与所述电池的老化程度相关，其具体的值可以通过统计概率进行确定。但是为了更好的反映电池的老化程度，因此需要对该第一和第二适应度函数进行对应的调整。通过调整两者的权重，以实现对老化标定更为准确。如何获取某一电池的老化程度，可以参考现有技术。例如，根据现有技术中获取反映某一电池老化程度的参数，并将其对应为μ1的值，而μ2的值通过1-μ1得到。
在本发明提供的一种实施方式中，所述适应度函数为：
Figure BDA0002352790450000081
其中：y为模型测试的参数，本实施例中的参数包含电流、电压、温度，n为电池试验测量参数的个数，此处为3，ysimu(i)为新电池的仿真结果，ysimu(j)老化后电池的仿真结果，ytest(i)及ytest(j)为新电池及老化后电池的试验测试结果，其中，i＝1、2、3分别代表测试的电流、电压、温度；μ1、μ2分别为赋予新电池及老化后电池的适应度函数的权重，且μ1+μ2＝1，本发明主要测试温度、电流及电压，还可以包括累计安时等参数。
在本发明提供的一种实施方式中，根据所述电池的老化程度确定所述辨识参数的初始范围，包括：以所述电池在新电池状态下的辨识参数的范围，乘以所述老化程度对应的修正系数，得到所述辨识参数的初始范围。具体初始范围还可以以下方式获取，电池热模型的热容、热阻的初始值采用三维热仿真软件计算得到。而本实施方式中，针对动力电池热仿真过程电芯的内阻与实际存在区别，因此采用修正系数进行修正，同样记录充放电的累计安时等数据以修正电芯的仿真内阻；电芯内阻由试验测试得到，例如，初始的电芯内阻修正系数为1，随着电池的老化，其内阻会增加，对应的修正系数会大于1。
在遗传算法中，遗传算法中初始群体中的个体是随机产生的，生成初始种群P，计算群体中各个体的适应度值，按照遗传策略，将遗传算子作用于种群，产生下一代种群，直至迭代终止判定。本实施方式确定的遗传策略，包括群体规模，选择、交叉、变异算子及其概率。在本发明提供的一种实施方式中，所述自适应遗传算法，包括：自适应交叉，自适应选择及自适应变异；其具体的算子及其概率公式如下：
自适应交叉概率计算公式如下：
Figure BDA0002352790450000091
上式中：Pc为交叉概率，fmax为每代最大的适应值，favg为每代适应度的平均值，f＇为要交叉的两个体找那个较大的适应度值，k1、k2为常数，用于改变遗传算法中种群交叉的概率；
自适应变异概率计算公式如下：
Figure BDA0002352790450000092
上式中：Pm为变异概率，
Figure BDA0002352790450000093
为突变的初始化值；t0为自适应遗传算法群体起始时间，t为自适应遗传算法群体进化时间，tmax为自适应遗传算法群体终止时间。
自适应变异选择计算公式如下：
Figure BDA0002352790450000094
上式中：Pi为选择概率；fi为种群中个体的适应度值，i取值为1到M，M为种群规模。
根据遗传算法，在完成每一代种群的适应度计算之后，需要对该种群中的遗传算子进行交叉、选择及变异，以生成新一代的种群，并进行下一轮的适应度计算，这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。本实施方式通过定义更加优化的计算公式，能够使遗传算法更加贴合老化后电池的参数标定，从而提升电池参数标定的准确率。
在本发明提供的一种实施方式中，所述预设终止条件包括：当遗传算法运行设定的循环数，或达到误差大小时便可以终止循环。为了使遗传算法达到快速收敛的效果，需要设定预设的终止条件，所述终止条件包括预设的循环次数，和计算出的适应性函数小于设定阈值。
图2是本发明一种实施方式提供的基于遗传算法的电池参数标定系统的模型结构图，如图2所示。在本发明提供的一种实施方式中，一种基于遗传算法的电池参数标定系统，该标定系统包括：控制模块，用于基于电池仿真模型和获取的所述电池的试验数据，根据前述的标定方法，获得所述电池的标定参数。控制模块还可以与外围模块相连，例如：试验数据获取模块，用于获取的所述电池的试验数据，以及模型输入模块，用于输入并存储所述电池仿真模型等。
在本发明提供的一种实施方式中，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的基于遗传算法的电池参数标定方法。此处的控制模块或处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。此处控制模块或控制设备可以例如为单片机、芯片或处理器等常用硬件，更常用的情况下，就是智能终端或者PC的处理器。在此处，该装置可以是PMS(电池包管理系统)或BMS(电池管理系统)中的现有控制器，其实现的功能为该控制器的子功能。该设备的具体形式为依赖于现有PMS中控制器的硬件运行环境中的一段软件代码。
图3是本发明一种实施方式提供的基于遗传算法的电池参数标定方法的实施例图，如图3所示。通过图3中方法对遗传算法的步骤进行说明，以供本领域技术人员实施。
获取电池的充放电试验数据，并进行电池性能仿真模型的搭建。针对所需要辨识的参数，例如，热容、热阻及内阻，确定其初始范围，然后对其进行二进制编码，并确定群体规模。其中，电池热模型的热容、热阻的初始值可以采用三维热仿真软件计算得到。针对动力电池热仿真过程电芯的内阻与实际存在区别，需要修正，同样记录充放电的累计安时等数据以修正电芯的仿真内阻；电芯内阻由试验测试得到，初始的电芯内阻修正系数为1。
根据设定的遗传策略，从初始种群到N代种群，进行迭代。当达到终止条件，当遗传算法运行完成设定的循环数，或达到允许的误差大小时便可以终止循环，确定动力电池的参数。为了验证本发明实施方式的准确性，特附上本实施方式中的实验数据如下：
电池试验数据采集，本次试验将电池置于45℃的恒温箱中，冷却液温度为34℃，进行电池充放电实验，测试其参数。根据测试结果图，可以看出动力电池在运行5个循环后温度相对平衡，数据较为准确。
通过本发明提供的实施方法，读取电池数据后进行电池的参数辨识，可以辨识动力电池的热参数，针对此例的参数辨识结果如下：电芯热容为1050J/(kg*K),与外界环境热阻10K/W,与冷却液热阻10K/W，电阻的修正系数为1.05。输出辨识之后的参数及仿真与实验数据对比，试验证明：标定后动力电池放电过程中的温度及电流，电压变化的拟合度很好。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于遗传算法的电池参数标定方法，其特征在于，所述标定方法包括：
基于与辨识参数相关的试验数据，构建包括所述试验数据和所述辨识参数的电池仿真模型；
根据所述电池的老化程度确定所述电池仿真模型的适应度函数和所述辨识参数的初始范围；
采用自适应遗传算法确定所述辨识参数的最优解，将所述最优解作为所述电池的标定参数；
所述辨识参数包括：所述电池的热容、热阻和内阻；
所述电池仿真模型包括：
单位时间的生热量Q＝I2×(R+R1)
散热量
Figure FDA0003528360430000011
电池实时温度：
Figure FDA0003528360430000012
其中，Q为当前单位时间的生热量，I为当前单位时间的电流值，R为内阻，R1为电气连接件电阻值，Tcell为电池实时温度，TTcoolant为当前冷却液的温度，Tamb为当前环境温度，Rth1为所述电池与环境之间的热阻，Rth2为所述电池与冷却液之间的热阻，Cth为所述电池的热容，m为所述电池的质量；
根据所述电池的老化程度确定所述电池仿真模型的适应度函数，包括：
基于所述电池的老化程度确定第一适应度函数对应的权重和第二适应度函数对应的权重；
所述适应度函数为所述第一适应度函数和所述第二适应度函数的加权和；
其中所述第一适应度函数为适用于新电池的适应度函数，所述第二适应度函数为适用于老化后电池的适应度函数。
2.根据权利要求1所述的标定方法，其特征在于，所述适应度函数为：
Figure FDA0003528360430000021
其中，y为模型测试的参数，包含电流、电压和温度，n为电池试验测量参数的个数，ysimu(i)为新电池的仿真结果，ysimu(j)老化后电池的仿真结果，ytest(i)及ytest(j)分别为新电池及老化后电池的试验测试结果；μ1、μ2分别为赋予新电池及老化后电池的适应度函数的权重，且μ1+μ2＝1。
3.根据权利要求1所述的标定方法，其特征在于，根据所述电池的老化程度确定所述辨识参数的初始范围，包括：
以所述电池在新电池状态下的辨识参数的范围，乘以所述老化程度对应的修正系数，得到所述辨识参数的初始范围。
4.根据权利要求1所述的标定方法，其特征在于，所述自适应遗传算法中的遗传策略包括：自适应交叉、自适应选择及自适应变异；
其中，自适应交叉概率计算公式如下：
Figure FDA0003528360430000022
其中，Pc为交叉概率，fmax为每代最大的适应值，favg为每代适应度的平均值，f为要交叉个体的适应度值，k1、k2为常数，用于改变遗传算法中种群交叉的概率；
自适应变异概率计算公式如下：
Figure FDA0003528360430000031
其中：Pm为变异概率，
Figure FDA0003528360430000032
为突变的初始化值；t0为自适应遗传算法群体起始时间，t为自适应遗传算法群体进化时间，tmax为自适应遗传算法群体终止时间；
自适应变异选择计算公式如下：
Figure FDA0003528360430000033
其中：Pi为选择概率；fi为种群中个体的适应度值，i取值为1到M，M为种群规模。
5.根据权利要求4所述的标定方法，其特征在于，所述自适应遗传算法的迭代终止判定的条件包括：
种群迭代达到预设的次数，或所述种群的适应度值小于预设阈值。
6.一种基于遗传算法的电池参数标定系统，其特征在于，所述标定系统包括：
控制模块，用于基于与辨识参数相关的试验数据和电池仿真模型，根据权利要求1至5中任一项权利要求所述的标定方法，获得所述电池的标定参数。
7.一种基于遗传算法的电池参数标定设备，其特征在于，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至5中任意一项权利要求所述的基于遗传算法的电池参数标定方法。
CN201911422922.0A 2019-12-31 2019-12-31 基于遗传算法的电池参数标定方法、系统及设备 Active CN112214862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911422922.0A CN112214862B (zh) 2019-12-31 2019-12-31 基于遗传算法的电池参数标定方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911422922.0A CN112214862B (zh) 2019-12-31 2019-12-31 基于遗传算法的电池参数标定方法、系统及设备

Publications (2)

Publication Number Publication Date
CN112214862A CN112214862A (zh) 2021-01-12
CN112214862B true CN112214862B (zh) 2022-05-17

Family

ID=74048219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911422922.0A Active CN112214862B (zh) 2019-12-31 2019-12-31 基于遗传算法的电池参数标定方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112214862B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158589B (zh) * 2021-02-07 2022-09-16 中国第一汽车股份有限公司 一种电池管理系统的仿真模型校准方法以及装置
CN114200309B (zh) * 2021-12-08 2024-01-09 广州小鹏汽车科技有限公司 车辆电池的仿真测试方法、装置、车辆以及存储介质
CN117196019B (zh) * 2023-07-27 2024-03-08 南京中禹智慧水利研究院有限公司 基于改进自适应遗传算法的新安江模型参数率定方法
CN118364573B (zh) * 2024-06-20 2024-09-06 广汽埃安新能源汽车股份有限公司 一种设计参数优化方法、装置、电子设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927440A (zh) * 2014-04-15 2014-07-16 国家电网公司 一种锂电池等效电路模型的参数辨识方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927440A (zh) * 2014-04-15 2014-07-16 国家电网公司 一种锂电池等效电路模型的参数辨识方法

Also Published As

Publication number Publication date
CN112214862A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN112214862B (zh) 基于遗传算法的电池参数标定方法、系统及设备
JP5739788B2 (ja) 充放電計画立案システムおよび充放電計画立案方法
CN111448467B (zh) 用于对电池容量进行建模和估计的方法及系统
CN110967636A (zh) 电池的荷电状态修正方法、装置、系统和存储介质
CN112198434B (zh) 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN110470992B (zh) 电池脉冲加热的耐久性测试方法、系统及数据表生成方法
CN113011007B (zh) 一种锂离子动力电池热模型参数快速辨识方法及系统
US20220373609A1 (en) State Value for Rechargeable Batteries
CN116933666B (zh) 一种集装箱储能系统的热管理优化方法、系统及介质
KR20150023473A (ko) 전기화학 배터리의 전력 상태를 결정하기 위한 방법, 장치, 매체, 및 컴퓨터 프로그램
CN116653645B (zh) 重载货运列车自组网电池状态监测下的自适应充电方法、系统及介质
CN116482541A (zh) 预测电池循环寿命的方法、装置及计算机可读存储介质
Han et al. State of power prediction for battery systems with parallel-connected units
CN114325446A (zh) 电池组循环寿命的测试方法、装置、电子设备和存储介质
CN114264964A (zh) 一种电池容量评估的方法、装置、设备及介质
CN117289146A (zh) 储能电池的充放电测试方法、装置、设备及存储介质
CN114156552A (zh) 一种考虑老化的串联电池组的均衡控制策略
CN117826615B (zh) 一种电动汽车动力电池的冷却液控制参数的确定方法
CN118523006A (zh) 一种储能电池热失控预警方法和装置
CN108761347B (zh) 一种处理方法、装置及电子设备
CN117330958A (zh) 一种预估动力电池寿命的方法、装置及存储介质
CN115951229A (zh) 车辆电池的驱动寿命评估方法、装置、车辆及存储介质
CN115389940A (zh) 预测动力电池内阻的方法、功率的方法、系统及存储介质
CN118017655B (zh) 一种锂电池充放电过程监控方法、系统、设备及介质
CN117269770A (zh) 一种电池包寿命评估方法及系统

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