CN113687239B - 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 - Google Patents
一种用于噪声免疫的tcpso锂离子电池参数辨识方法 Download PDFInfo
- Publication number
- CN113687239B CN113687239B CN202110988807.0A CN202110988807A CN113687239B CN 113687239 B CN113687239 B CN 113687239B CN 202110988807 A CN202110988807 A CN 202110988807A CN 113687239 B CN113687239 B CN 113687239B
- Authority
- CN
- China
- Prior art keywords
- parameter identification
- soc
- current
- lithium battery
- ocv
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000036039 immunity Effects 0.000 title claims abstract description 35
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 30
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 34
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种用于噪声免疫的TCPSO锂离子电池参数辨识方法，包括，建立锂电池一阶RC等效模型；采集锂电池在DST工况下的SOC‑OCV测试数据点，结合SOC‑OCV测试数据点和8阶多项式拟合函数拟合SOC‑OCV关系曲线；根据DST工况生成负载电流文件，利用锂电池一阶RC等效模型和安时积分算法生成端口电压文件；将负载电流文件、端口电压文件和SOC‑OCV关系输入至基于EKF的SOC观测器和自适应动态滑动窗口，进而获得SOC值和锂电池一阶RC等效模型的参数值；本发明有效避免了随机噪声信号对参数辨识的影响；同时考虑了电压噪声抗扰度和电流噪声抗扰度，能够获得高精度的辨识和估计结果。
Description
技术领域
本发明涉及电动汽车、储能系统和电池管理的技术领域，尤其涉及一种用于噪声免疫的TCPSO锂离子电池参数辨识方法。
背景技术
由于在减少碳排放和提高能源利用效率方面的杰出贡献，电池储能系统被广泛应用在智能电网和电动汽车等领域。其中锂电池由于其高能量密度、循环寿命长等优势在众多储能电池中脱颖而出。由于用户对电池系统的安全性、效率和寿命日益关注，电池管理系统至关重要。通过BMS(battery management system)进行准确的电池状态估计包括SOC(state of charge)、SOH(state of health)和SOP(state of power)等可以防止电池的过充过放的发生，充分利用电池的当前最佳性能并且指导电池的退役和梯次利用。其中，电池状态估计的核心是SOC估计，它不仅定义了电池避免过充/放电的安全裕度，而且是系统级能量管理的基础。在不同类型的SOC估计方法中，基于模型的状态估计具有较高的精度和鲁棒性，具有广阔的应用前景。
基于模型参数辨识的主要方法包括RLS(recursive least squares)、FRLS(forgetting factor recursive least squares)、PSO(particle swarm optimization)算法等。其中，RLS算法由于运算速度上的优势完全适应在线实时参数辨识，但因历史数据影响无法保证当前参数的可靠性；FRLS等考虑通过遗忘因子来削弱历史数据的影响，但也增加了参数的波动性；以PSO为代表的智能算法可以通过电池动态过程的数据片段统计特性获得很好的参数辨识效果。但是上述方法均未考虑端口电压和负载电流测量中的噪声和电磁干扰，这会影响参数辨识结果，使得误差变大。
目前对BMS中的噪声干扰问题主要可以分为三类，即EIV(errors in variables)问题、OE(output error)问题和IE(input error)问题。目前的一些免疫噪声的方法(例如：recursive total least squares、auxiliary model recursive least squares和一种结合工具变量估计和双线性原理的参数化方法)大部分基于LS(least squares)理论和递归理论进行改进，这使得其参数辨识结果忽略了模型的特征意义，并且参数辨识结果难以直接作为电池当前特征被利用。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种用于噪声免疫的TCPSO锂离子电池参数辨识方法，能够解决因端口电压和负载电流测量包含的噪声和电磁干扰造成SOC参数辨识的偏置与波动、参数辨识结果难以直接作为电池当前特征被利用、现有的参数辨识算法由于运算量太大难以实现在线辨识以及的参数辨识准确性低的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，建立锂电池一阶RC等效模型；采集锂电池在DST工况下的SOC-OCV测试数据点，结合所述SOC-OCV测试数据点和8阶多项式拟合函数拟合SOC-OCV关系曲线；根据DST工况生成负载电流文件，利用所述锂电池一阶RC等效模型和安时积分算法生成端口电压文件；将所述负载电流文件、端口电压文件和SOC-OCV关系输入至基于EKF的SOC观测器和自适应动态滑动窗口，进而获得SOC值和锂电池一阶RC等效模型的参数值。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：所述锂电池一阶RC等效模型包括，锂电池一阶RC等效模型是离散状态方程为：
Ub(t)＝Uocv(t)+R0Ib(t)+Up(t)
其中，Up为极化电压；t为当前时刻；Δt为时间间隔；RP为极化电阻；Ib为端口电流；SOC(t)为当前时刻的荷电状态；SOC(t-1)为上一时刻的荷电状态；η为库仑效率；Cmax为最大可用容量；Uocv为开路电压；R0为欧姆电阻；Ub为端口电压。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：所述SOC-OCV测试数据点包括，将所述锂电池充满电并静置2小时；以1A的电流进行阶梯放电，直到所述锂电池达到其最低截止电压时停止放电，此时对应的SOC值为0％，进而获得所述SOC-OCV测试数据点。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：所述自适应动态滑动窗口包括电流倍率判据模块、参数辨识结果反馈模块和参数辨识模块；通过所述电流倍率判据模块和参数辨识结果反馈模块调节滑动窗口的尺寸，获得相应数据；所述参数辨识模块根据所述相应数据并利用TCPSO算法进行参数辨识，获得所述锂电池一阶RC等效模型的参数值。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：所述参数辨识包括，根据档案信息或者默认空间初始化粒子的位置与速度信息；计算主粒子群和从粒子群的每一个个体的适应度函数，获得从粒子群中适应度函数最小的位置，以及主粒子群个体的历史适应度函数最小值；更新从粒子群速度和位置；更新主粒子群速度和位置；判断迭代是否满足终止条件，满足则输出当前最佳寻优结果，否则继续更新所述从粒子群速度和位置更新、主粒子群速度和位置。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：还包括，从粒子群速度更新为：
主粒子群速度更新为：
其中，c1、c2、c3为学习因子；r1、r2、r3为在0～1间独立的随机数；S为从粒子群；M为主粒子群；xij为粒子群中第i个粒子的第j个变量的位置；gbestj为全局最优解的第j个变量的位置；bestij为第i个粒子的第j个变量的历史最佳位置；vij为粒子群中第i个粒子的第j个变量的速度信息；ω为惯性因子。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：还包括，当参数辨识结果趋于收敛时，滑动窗口尺寸不再增大，且当新的负载电流文件、端口电压文件和SOC-OCV关系输入时，所述参数辨识结果反馈模块遗忘早期部分历史数据；当所述参数辨识结果与相邻历史参数辨识结果差异较大时，所述参数辨识结果反馈模块扩展所述滑动窗口尺寸以增加数据量，其中，该数据为输入的电流和电压数据。
作为本发明所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法的一种优选方案，其中：还包括，利用均方根误差作为TCPSO算法的适应度函数：
其中，为端口电压估计值，/>为端口电压测量值，W为当前窗口可以容纳的时间序列尺度。
本发明的有益效果：TCPSO通过随机优化算法在搜索空间内对窗口数据集进行寻优获取模型特性信息，并通过窗口数据集的统计特征有效避免了随机噪声信号对参数辨识的影响；通过动态调节滑动窗口尺寸可以在确保辨识精度的情况下减少冗余数据以加快TCPSO的运行速度；同时本发明考虑了电流倍率变化对参数辨识的影响，进而提高模型精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的锂电池一阶RC等效模型示意图；
图2为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的TCPSO和EKF协同估计原理示意图；
图3为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的自适应滑动动态窗口运行流程示意图；
图4为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的测量和拟合的SOC-OCV关系示意图；
图5为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的负载电流文件示意图；
图6为本发明第一个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的端口电压文件示意图；
图7为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的无噪声下R0的离线参数辨识结果示意图；
图8为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的无噪声下Rp的离线参数辨识结果示意图；
图9为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的无噪声下Cp的离线参数辨识结果示意图；
图10为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的无噪声下τ的离线参数辨识结果示意图；
图11为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的离线参数辨识预测电压的绝对误差示意图；
图12为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的不同噪声情况下R0的参数辨识结果示意图；
图13为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的不同噪声情况下Rp的参数辨识结果示意图；
图14为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的不同噪声情况下τ的参数辨识结果示意图；
图15为本发明第二个实施例所述的一种用于噪声免疫的TCPSO锂离子电池参数辨识方法的不同噪声情况下SOC估计结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图6，为本发明的第一个实施例，该实施例提供了一种用于噪声免疫的TCPSO锂离子电池参数辨识方法，包括：
S1：建立锂电池一阶RC等效模型。
参照图1，为本实施例建立的锂电池一阶RC等效模型结构示意图。
通过电路动态分析可以得到锂电池一阶RC等效模型是离散状态方程为：
Ub(t)＝Uocv(t)+R0Ib(t)+Up(t)
其中，Up为极化电压；t为当前时刻；Δt为时间间隔；RP为极化电阻；Ib为端口电流；SOC(t)为当前时刻的荷电状态；SOC(t-1)为上一时刻的荷电状态；η为库仑效率；Cmax为最大可用容量；Uocv为开路电压；R0为欧姆电阻；Ub为端口电压。
较佳的是，本实施例通过建立等效电路，避免了复杂的高阶电路矩阵运算。
S2：采集锂电池在DST(动态压力测试)工况下的SOC-OCV测试数据点，结合SOC-OCV测试数据点和8阶多项式拟合函数拟合SOC-OCV关系曲线。
由于SOC-OCV(state of charge-open circuit voltage)的精度直接影响到模型的精度，本方法采用增量电流测试方案来进行分析，其测试过程为首先将电池充满电并静置2h来确保锂电池的SOC＝100％并获取此时的开路电压OCV，之后以1A的电流进行阶梯放电过程，通过安时积分法确认SOC的值，并在放电10％之后静置2h来获取当前SOC下的OCV值；直到电池达到其最低截止电压停止放电，此时对应的SOC为0％，由此获得11个SOC-OCV测试数据点，分别为0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1，并且对这11个数据进行拟合并比较效果，得出通过8阶多项式拟合函数来获取SOC-OCV关系曲线效果最佳，获得SOC-OCV关系曲线如图4所示。
S3：根据DST工况生成负载电流文件，利用锂电池一阶RC等效模型和安时积分算法生成端口电压文件。
所得的负载电流和端口电压文件如图5、6所示，采样频率为1Hz。
S4：将负载电流文件、端口电压文件和SOC-OCV关系输入至基于EKF的SOC观测器和自适应动态滑动窗口，进而获得SOC值和锂电池一阶RC等效模型的参数值。
如图2所示，输入信息包括负载电流文件、端口电压文件和SOC-OCV关系；将获得的输入信息分别提供给基于EKF(extended Kalman filter，扩展卡尔曼滤波)的SOC观测器和自适应动态滑动窗口，分别获得SOC值和锂电池一阶RC等效模型的参数值。
为了提高模型参数辨识的速度并保证参数辨识的抗噪性能，本方法设计自适应动态滑动窗口以进行参数辨识，如图3所示；自适应动态滑动窗口包括电流倍率判据模块、参数辨识结果反馈模块和参数辨识模块；本方法通过电流倍率判据模块和参数辨识结果反馈模块调节滑动窗口的尺寸，获得相应数据(电流、电压)；根据相应数据，通过参数辨识模块进行参数辨识，获得锂电池一阶RC等效模型的参数值。
具体的：(1)电流倍率判据模块
设置电流倍率判据模块是因为电池模型参数会受当前速率变化的影响，通过电流倍率模块区分不通倍速的电流对参数辨识的影响，提高在不同电流环境下的参数辨识精度；具体的，该模块根据电流信号阈值判断是否超过1A将DST工况划分为大电流环境和小电流环境，静置环境作为上一环境的延续；当电流环境发生变化时遗忘全部历史数据片段并建立新的滑动窗口，在同一电流环境下滑动窗口的尺寸随数据量的增长而增长；在新环境初始阶段由于数据量较少选择该电流环境下的历史寻优结果来约束搜索区间，当数据量足够时参数辨识选择全局搜索；并在这一环境结束时记录当前最优解进入档案。
其中需要说明的是，当前历史信息的数据库(档案)包含2个以上，15s的恒定电流过程和至少4个电流电话过程的时候就会认为数据量足够。
(2)参数结果反馈模块
通过设置参数结果反馈模块，在保证参数辨识鲁棒性的前提下提高参数辨识的速度；具体的，参数结果反馈模块根据辨识结果的反馈寻找合适的窗口尺寸；当参数辨识结果趋于收敛时，滑动窗口尺寸不再增大，且新的负载电流文件、端口电压文件和SOC-OCV关系输入时，遗忘早期部分历史数据；当参数辨识结果与相邻历史参数辨识结果差异较大时，扩展滑动窗口尺寸以增加数据量；保证参数识别的可靠性；窗口尺寸的动态调整可以在保证辨识精度的同时减少冗余，加快TCPSO(two-swarm cooperative particle swarmoptimization)操作；本实施例在相邻的动态滑动窗口中设置了至少80％的相同历史数据，提高了辨识结果的更新速度，防止了数据更新过多导致的辨识结果的延迟和波动。
(3)参数辨识模块
参数辨识模块通过TCPSO算法进行参数辨识，具体的步骤如下：
①根据档案信息或者默认空间初始化粒子的位置与速度信息；
②计算主粒子群和从粒子群的每一个个体的适应度函数，获得从粒子群中适应度函数最小的位置，以及主粒子群个体的历史适应度函数最小值；
③更新从粒子群速度和位置；
④更新主粒子群速度和位置；
⑤判断迭代是否满足终止条件，满足则输出当前最佳寻优结果，否则继续重复步骤③和④。
其中需要说明的是，TCPSO算法在迭代过程中保持了PSO算法的快速收敛性并保证了粒子多样性，保证了参数辨识能快速收敛到全局最优解；为了提高辨识精度，采用RMSE(root mean squared error)作为TCPSO的适应度函数：
其中，为端口电压估计值，/>为端口电压测量值，W为当前窗口可以容纳的时间序列尺度，k为序号；这一适应度函数根据锂电池一阶RC等效模型预测电压误差来寻找参数辨识的最优结果。
在TCPSO算法中将需要辨识的参数定义为PAR，其中包括参数R0、Rp、c′和滑动窗口前一采样时刻应的预测极化电压Up -。
c＝1-e-Δt/τ
c′＝e-Δt/τ
PAR＝{R0 Rp c′ Up -}
其中，c为极化电压衰减分量；c′为极化电流增长分量；τ为一阶等效RC电路的时间常数。
由于TCPSO算法的四个变量经过尺寸放缩和归一化处理，因此初始的搜索空间为[0,1]；为了提高TCPSO的收敛速度，从粒子速度更新过程中忽略了对当前自身速度的考虑，专注于最优解的探索，从粒子群速度更新为：
而对于主粒子群来说，其目的是维持粒子群进化过程中的多样性，避免陷入局部最优，因此需要对粒子当前速度附以较大的权重，其速度更新为
为了保证粒子在约束空间中充分探索，需要保证粒子群满足速度约束和空间约束。
vij＝min(vij,max,max(vij,vij,min))
xij(t+1)＝xij(t)+vij(t+1)
xij∈[0,1)
vij,max＝0.02；vij,min＝-0.02
其中，c1、c2、c3为学习因子；r1、r2、r3为在0～1间独立的随机数；S为从粒子群；M为主粒子群；xij为粒子群中第i个粒子的第j个变量的位置；gbestj为全局最优解的第j个变量的位置；bestij为第i个粒子的第j个变量的历史最佳位置；vij为粒子群中第i个粒子的第j个变量的速度信息；ω为惯性因子。
较佳的是，本实施例通过设计自适应动态滑动窗口避免了数据冗余和提高参数辨识鲁棒性，并通过两个粒子群的协同寻优和动态滑动窗口的尺寸调节有效的提升了参数辨识的精度和运行速度，将TCPSO算法结合基于EKF的SOC观测器共同实现了精确的模型参数辨识和SOC估计。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例对本方法进行仿真实验，以验证本方法所具有的真实效果。
TCPSO算法用于离线参数辨识；其中，R0、Rp、Cp和τ的参数辨识结果分别如图7、图8、图9和图10所示，其中圆圈为低电流工况的参数辨识结果，三角形为高电流工况的参数辨识结果；在电流倍率条件下，参数R0和τ变化不大，而Rp和Rp的辨识结果在不同电流倍率条件下存在显著差异；当电池处于大电流倍率状态时，Rp会受到温度和其他因素的影响；当时间常数τ变化不大时，Cp和Rp参数成反比；因此当电流倍率较大的时候，电池的极化电容Cp反而较大；从图7～10可以看出，提取的参考值是随时间变化的；因此，通过在线参数辨识更新模型参数是必要的，这有利于准确估计SOC。
通过离线参数识的预测电压绝对误差别如图11所示,预测电压的MAE是1.9738mV，这意味着离线参数辨识结果准确、可靠，而模型预测电压误差主要来自SOC-OCV的模型误差和拟合误差。
实验采用INR18650-20R电池在25℃下的DST进行分析，噪声与仿真结果基本一致；本方法考虑了锂电池一阶RC等效模型的性能和实际工程应用，仅分析了SOC在20％～80％之间的运行性能；本方法和的RLS-EKF方法参数设置与仿真结果一致；图12～15为在和/>情况下的参数辨识结果和SOC估计精度，灰色线条对应方法为RLS-EKF，那么从图像上得知与RLS-EKF方法相比，本方法具有明显的优势。
由于将离线参数辨识结果作为离散数据点，利用SOC的MAE(mean absoluteerror)和RMSE对辨识结果和SOC估计精度进行定量评价；SOC估计的MAE和RMSE如表1所示；经过对比可以得知，利用本方法得到的SOC估计绝对误差小于0.45％；与仿真类似，效果最佳。
表1：噪声破坏下SOC估计的实验结果。
在噪声破坏下，本方法以数据片段作为输入信息，通过统计学估计来探究动态电压过程的总体趋势，有助于获得可靠的参数辨识结果；经实验分析，本方法同时考虑了电压噪声抗扰度和电流噪声抗扰度，因此本方法可以在电动汽车问题中仍能获得高精度的辨识和估计结果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种用于噪声免疫的TCPSO锂离子电池参数辨识方法，其特征在于：包括，
建立锂电池一阶RC等效模型；
采集锂电池在DST工况下的SOC-OCV测试数据点，结合SOC-OCV测试数据点和8阶多项式拟合函数拟合SOC-OCV关系曲线；
SOC-OCV测试数据点包括，将锂电池充满电并静置2小时；
以1A的电流进行阶梯放电，直到锂电池达到其最低截止电压时停止放电，此时对应的SOC值为0％，进而获得SOC-OCV测试数据点；
根据DST工况生成负载电流文件，利用锂电池一阶RC等效模型和安时积分算法生成端口电压文件；
将负载电流文件、端口电压文件和SOC-OCV关系输入至基于EKF的SOC观测器和自适应动态滑动窗口，进而获得SOC值和锂电池一阶RC等效模型的参数值；
自适应动态滑动窗口包括电流倍率判据模块、参数辨识结果反馈模块和参数辨识模块；
通过电流倍率判据模块和参数辨识结果反馈模块调节滑动窗口的尺寸，获得相应数据；
参数辨识模块根据相应数据并利用TCPSO算法进行参数辨识，获得锂电池一阶RC等效模型的参数值；
参数辨识包括，根据档案信息或者默认空间初始化粒子的位置与速度信息；
计算主粒子群和从粒子群的每一个个体的适应度函数，获得从粒子群中适应度函数最小的位置，以及主粒子群个体的历史适应度函数最小值；
更新从粒子群速度和位置；
更新主粒子群速度和位置；
判断迭代是否满足终止条件，满足则输出当前最佳寻优结果，否则继续进行更新从粒子群速度和位置、主粒子群速度和位置；
参数辨识还包括，从粒子群速度更新为：
主粒子群速度更新为：
其中，c1、c2、c3为学习因子；r1、r2、r3为在0～1间独立的随机数；S为从粒子群；M为主粒子群；xij为粒子群中第i个粒子的第j个变量的位置；gbestj为全局最优解的第j个变量的位置；bestij为第i个粒子的第j个变量的历史最佳位置；vij为粒子群中第i个粒子的第j个变量的速度信息；ω为惯性因子；
参数辨识还包括，当参数辨识结果趋于收敛时，滑动窗口尺寸不再增大，且当新的负载电流文件、端口电压文件和SOC-OCV关系输入时，参数辨识结果反馈模块遗忘早期部分历史数据；
当参数辨识结果与相邻历史参数辨识结果差异较大时，参数辨识结果反馈模块扩展滑动窗口尺寸以增加数据量，其中，该数据为输入的电流和电压数据；
参数辨识还包括，利用均方根误差作为TCPSO算法的适应度函数ε：
其中，为端口电压估计值，/>为端口电压测量值，W为当前窗口可以容纳的时间序列尺度。
2.如权利要求1所述的用于噪声免疫的TCPSO锂离子电池参数辨识方法，其特征在于：所述锂电池一阶RC等效模型包括，
锂电池一阶RC等效模型是离散状态方程为：
Ub(t)＝Uocv(t)+R0Ib(t)+Up(t)
其中，Up为极化电压；t为当前时刻；Δt为时间间隔；RP为极化电阻；Ib为端口电流；SOC(t)为当前时刻的荷电状态；SOC(t-1)为上一时刻的荷电状态；η为库仑效率；Cmax为最大可用容量；Uocv为开路电压；R0为欧姆电阻；Ub为端口电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110988807.0A CN113687239B (zh) | 2021-08-26 | 2021-08-26 | 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110988807.0A CN113687239B (zh) | 2021-08-26 | 2021-08-26 | 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113687239A CN113687239A (zh) | 2021-11-23 |
| CN113687239B true CN113687239B (zh) | 2024-04-05 |
Family
ID=78583122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110988807.0A Active CN113687239B (zh) | 2021-08-26 | 2021-08-26 | 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113687239B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
| AU2017228525A1 (en) * | 2017-09-11 | 2019-03-28 | Defendtex Pty Ltd | Unmanned aerial vehicle |
| CN111645559A (zh) * | 2020-06-30 | 2020-09-11 | 国网上海市电力公司 | 一种电动私家车有序充电控制系统和方法 |
-
2021
- 2021-08-26 CN CN202110988807.0A patent/CN113687239B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
| AU2017228525A1 (en) * | 2017-09-11 | 2019-03-28 | Defendtex Pty Ltd | Unmanned aerial vehicle |
| CN111645559A (zh) * | 2020-06-30 | 2020-09-11 | 国网上海市电力公司 | 一种电动私家车有序充电控制系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| A noise-immune model identification method for lithium-ion battery using two-swarm cooperative particle swarm optimization algorithm based on adaptive dynamic sliding window;Yongjie Zhu;《International journal of Energy Research》;全文 * |
| 粒子群算法在二维Otsu图像分割中的应用研究;钱晓军;;计算机仿真(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113687239A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| Feng et al. | Robust estimation for state-of-charge and state-of-health of lithium-ion batteries using integral-type terminal sliding-mode observers | |
| Hannan et al. | Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm | |
| Yang et al. | Adaptive state-of-charge estimation based on a split battery model for electric vehicle applications | |
| Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
| CN113687239B (zh) | 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 | |
| CN110929464B (zh) | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 | |
| CN112858929A (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
| CN115512777B (zh) | 一种基于容量变化率的电化学模型参数辨识方法和系统 | |
| CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| WO2024000756A1 (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| Ren et al. | Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery | |
| Chen et al. | A novel combined estimation method of online full‐parameter identification and adaptive unscented particle filter for Li‐ion batteries SOC based on fractional‐order modeling | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| CN113759258B (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
| Chen et al. | A bias correction based state-of-charge estimation method for multi-cell battery pack under different working conditions | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及系统 | |
| Wang et al. | Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning | |
| Jianwang et al. | Adjustable scaling parameters for state of charge estimation for Lithium-ion batteries using iterative multiple UKFs | |
| CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
| CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
| Dong et al. | State of charge estimation of vanadium redox flow battery based on online equivalent circuit model | |
| Khalid et al. | Investigation of cell voltage buffer manipulation attack in a battery management system using unsupervised learning technique |
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 |