CN113777500A - 一种采用模拟退火法进行电池参数辨识及精度优化的方法 - Google Patents
一种采用模拟退火法进行电池参数辨识及精度优化的方法 Download PDFInfo
- Publication number
- CN113777500A CN113777500A CN202111151043.6A CN202111151043A CN113777500A CN 113777500 A CN113777500 A CN 113777500A CN 202111151043 A CN202111151043 A CN 202111151043A CN 113777500 A CN113777500 A CN 113777500A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- soc
- ocv
- simulated annealing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000010287 polarization Effects 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 30
- 238000000137 annealing Methods 0.000 claims description 29
- 238000001816 cooling Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 9
- 230000009194 climbing Effects 0.000 abstract description 3
- 239000002245 particle Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- 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
- 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
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种采用模拟退火法进行电池参数辨识及精度优化的方法,涉及新能源技术领域,包括模型建立步骤、测试步骤、初始值计算步骤和模拟退火步骤,是一种基于模拟退火算法、弥补了传统的爬山算法会陷入局部最优解,能在较短时间以及减少资源占用的前提下快速得到准确的实验结果提高了参数辨识的精度的测试方法。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种采用模拟退火法进行电池参数辨识及精度优化的方法。
背景技术
在电池管理技术领域,为了实现电池的精准管理,往往需要各种电池状态估算,包括电池剩余电量估算(SOC)、电池健康状态估算(SOH)、电池功率状态估算(SOP)以及电池能量状态估算(SOE)等,而这些状态的估算往往需要获取电池的实时关键参数。
电池参数辨识算法的好坏直接决定了辨识结果的精确度和可靠性。在对电池储能系统进行在线参数辨识时,由于在线数据获取的限制,每一时刻只有一组电压、电流数据;同时初始参数值的设定会对辨识结果有影响,当初始参数值设置不合理时,参数辨识结果精度往往较差,不能很好的对时变参数进行跟踪。目前常用的锂电池参数辨识算法中,递推最小二乘算法进行参数辨识过程中会随着数据量的增大会出现数据饱和等问题,对于时变系统不能很好地对参数进行跟踪。偏差补偿最小二乘算法要求系统输入具有平稳性和各态遍历性,在实际中很难满足。
而模拟退火算法(Simulate Anneal Arithmetic,SAA)是一种通用概率演算法,用来在一个大的搜寻空间内找寻命题的最优解,模拟退火算法是解决TSP问题的有效方法之一。模拟退火来自冶金学的专有名词退火,退火是将材料加热后再经特定速率冷却,目的是增大晶粒的体积,并且减少晶格中的缺陷,材料中的原子原来会停留在使内能有局部最小值的位置,加热使能量变大,原子会离开原来位置,而随机在其他位置中移动,退火冷却时速度较慢,使得原子有较多可能可以找到内能比原先更低的位置;模拟退火的原理也和金属退火的原理近似,将热力学的理论套用到统计学上,将搜寻空间内每一点想像成空气内的分子,分子的能量,就是它本身的动能;而搜寻空间内的每一点,也像空气分子一样带有“能量”,以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始:每一步先选择一个“邻居”,然后再计算从现有位置到达“邻居”的概率。
因此,如果能将模拟退火算法运用在电池参数辨识及精度优化上,就可以有效的提高辨识结果的精确度和可靠性。
发明内容
本发明的目的在于针对现有技术的缺陷,本发明的目的在于提出一种基于模拟退火算法、弥补了传统的爬山算法会陷入局部最优解,能在较短时间以及减少资源占用的前提下快速得到准确的实验结果提高了参数辨识的精度的测试方法。
本发明提供的一种采用模拟退火法进行电池参数辨识及精度优化的方法,包括以下步骤:
模型建立步骤,建立用于描述电池的静态性能的一阶等效电路模型和动态性能的一阶等效电路模型其中,R1是电池的极化内阻,C1是电池的极化电容;则极化电压U1(t)=A*U1(t-1)+B*I(t),一阶等效电路模型RC回路的端电压U(t)=OCV(t)-*U1(t)-R0I(t),其中,R0是电池的欧姆内阻,可以通过公式R0=U/I计算得出,OCV(t)为RC回路的开路电压,I(t)为回路的电流;这里假设一阶等效电模型的端电压与电池端电压的实际测量值之间差值的平方、即适应度函数为Fx,Fx(t)=(U(t)-U)2,U为电池端电压的测量值,目标函数即适应度函数,适应度函数用来衡量参数辨识的精度,电池的极化内阻R1、池的极化电容C1即为待辨识的参数;
测试步骤,在设定的测试温度下、对待进行参数识别及优化的电池同时进行SOC-OCV测试和HPPC测试,这个测试温度是根据电池的使用环境来设定的,并根据待进行参数识别及优化的电池的特性和使用场景确定测试电流以及电池的静置时间,根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线,经过多次实验论证,电流选取大小在范围0.5~1C范围内能更好的反应电池的真实特性,优选地,测试中的电池长时间稳定工作的电流倍率为0.5C,其中C为电池的额定容量,其中电池的静置时间取值范围为3~7小时,采样间隔时间取值范围为0.05~1秒,SOC取点间隔为1~10%,即要每隔1~10%的SOC选择一个测量点;根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线;
优选地,所述测试步骤中,测试温度选择范围在15~35℃,15~35℃是电池常规的工作温度区间,在该温度区间下可以提高模型的精确性。
具体的,所述测试步骤中,同时进行SOC-OCV测试和HPPC测试,包括以下步骤:
步骤1,将待进行参数识别及优化的电池按照标准充电模式满充后静置时间段1并记录电池的电压差值,当电压差值在时间段1内为0,则记录下电池在时间段1的开路电压OCV1;
步骤2,将待进行参数识别及优化的电池的SOC调整为预设的荷电状态后静置时间段2并记录电池的电压差值,当电压差值在时间段2内为0,则记录下电池在时间段2的开路电压OCV2;
步骤3,当系统判定待进行参数识别及优化的电池的SOC达到预设值时,以电流1开始对电池充电,电流1即根据电池特性和使用场景确定测试电流,电流1的倍率为0.5~1C、充电持续时间5~15秒、充电后静置30~60秒,接着以电流1开始对电池放电,放电时间持续时间5~15秒,循环操作此步骤,记录电池每次充电、放电过程中的测量电压值;
循环操作步骤1~步骤3,直到待进行参数识别及优化的电池的所有SOC取点范围内的SOC-OCV和HPPC都测量完毕后结束测试,测试完毕后拟合建立SOC-OCV和HPPC曲线,即根据测试数据的时间、电压和电流得到混合动力脉冲性能曲线。
初始值计算步骤,将测试步骤中得到的HPPC曲线中的电压、电流数据导入所述模型建立步骤中的一阶等效电路模型,其中,HPPC曲线中的电压即为端电压的测量值U,电流用于AH积分法计算每一时刻的SOC,通过计算得出的SOC值查找实验获得的SOC-OCV曲线得到每时刻真实的OCV,SOC-OCV曲线上每一时刻的SOC都会对应有相应的OCV,将一阶等效电路模型中的R0、R1、C1初始化,将每时刻真实的OCV以及R0、R1、C1的初始化值代入一阶等效电路模型中,即可计算得出一阶等效电路模型的端电压U(t),计算适应度函数Fx(t)=(U(t)-U)2的初始值Fx,接下来,只要反复循环迭代进行模拟退火步骤,直到得到最优解就可以实现高精度的电池参数辨识别和精度优化。
需要说明的是,算法的实现虽然与参数的初始值设置无关,但合理的初始值会加快寻找最优解,减少算法运行时间,提高算法精度,根据经验极化内阻的值为毫欧级,极化电容C1的值在103~105F数量级之间,欧姆内阻R0初始解范围[0.0001~0.0005],极化内阻R1opt=[10-4~10-3],极化电容C1opt=[10-4~10-6]。
模拟退火步骤,模拟退火过程中选择合适初始温度以及降温方式,初始温度选择过高容易导致算法运行时间过长,降温的主要作用是降低接受差解的概率,降温速度过快就难以跳出局部最优解,所以选择合适的降温系数极为重要,设置初始化退火温度Tn,降温系数为c,c的取值范围为0.9~1,Tn取值范围100~300℃,则模拟退火的降温梯度为Tn+1=c*Tn,其中n=0、1、2...N,N为大于等于2的正整数,设每个温度Tn+1下的迭代次数为L,L取值范围为100~300,对初始值计算步骤中的适应度函数Fx产生随机解x′=rand,随机产生的新的电池的极化内阻R1_new=R1+a*randn和池的极化电容C1_new=C1+b*randn,计算标度函数的随机值Fx′,其中,a和b为用于加速算法的收敛并提高精度的权重因子先验阈值,主要是经验值,在迭代过程中新的辨识参数赋值中(R1_new=R1+a*randn,C1_new=C1+b*randn),在标准正太分布产生的随机数前分别增加了权重因子a、b,加快了算法收敛速度并提高了算法的精度;计算标度函数的随机值Fx′和初始值Fx的差ΔF,若ΔF<0,则接受新的随机解x′为当前适应度函数Fx的新解,否则,计算概率若概率p>randn,则接受新的随机解x′为当前适应度函数Fx的新解;判断每个降温梯度的温度下、模拟退火的迭代次数是否达到迭代次数L,若未达到则继续循环模拟退火,否则跳出循环,执行下一个温度梯度的退火模拟退火操作;执行下一个温度梯度的退火模拟退火操作时,首先判断是否满足算法终止条件Tn+1=0,若未满足,则继续模拟退火降温直至Tn+1=0,输出最终的电池的极化内阻Rn_new、电池的极化电容Cn_new作为最优结果。
优选地,所述模拟退火步骤中,权重因子先验阈值a为范围在[0.00001~0.0005]的值,b为范围在[500~2000]的值。
进一步的,所述模拟退火步骤中,随机初始解x′=rand,是从标准正太中产生一个随机数,是从均值为0、方差为1的范围内取值,此过程可理解为在解x的邻域内产生新的可行解x′,即在当前状态的邻域结构内以正态分布产生,同时计算x′的目标函数值Fx′,计算x′的适应度函数和x的适应度函数的差ΔF。
与现有技术方案相比本发明的技术方案至少具有以下优点:
本发明这种方法,首先提供了一种较短时间以及减少资源占用的前提下快速得到准确的实验结果的测试方法;然后根据模拟退火算法对电池进行参数辨识,并提供了三个提高算法精度的优化方法,经过验证表明算法精度得到了一定提高,模拟退火法是一种改进的爬山算法,该算法的主要缺点是会陷入局部最优解,而不一定能搜索到全局最优解,模拟退火法在搜索过程中引入了随机因素,随机寻找目标函数的全局最优解,以一定概率接受一个比当前要差的解,因此有可能会跳出局部最优解,达到全局最优解,辨识精度高,可操行强。
本发明这种用模拟退火法进行电池参数辨识及精度优化的方法克服现有电池参数辨识精度低的不足,本发明这种方法基于模拟退火算法,弥补了传统的爬山算法会陷入局部最优解,而不一定能搜索到全局最优解的不足,并提供了一种较短时间以及减少资源占用的前提下快速得到准确的实验结果的测试方法,提高了参数辨识的精度,同时三种精度优化方案,进一步提高辨识的精度,通过高效精准的实验测试设计以及精度优化改进方案,进一步提高了参数辨识的精度,同时本发明对单纯使用模拟退火法但辨识结果不够精准的情况提供了解决策略,具有良好的应用价值。
本发明技术方案中将粒子群算法和模拟退火算法结合,起到优化辨识精度的作用。其方法是将粒子群迭代结果输出的局部最优解代替经验值作为模拟退火算法的初始解R1、C1,然后执行模拟退火步骤,最终提高算法的辨识精度。此方法选取了粒子群算法局部收敛速度快的优点,同时避免了粒子群算法容易陷入局部最优的缺陷,另外降低了初始值选择偏差过大对模拟退火算法的影响,快速且局部准确的确定初始解R1、C1,一定程度上提高了参数辨识的精度。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚,附图中:
图1为本发结合粒子群算法的模拟退火的流程示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案,需要说明的是,本发明要求保护的技术方案包括但不限于以下实施例。
实施例1
作为本发明一种具体的实时方案,如图1,本实施例公开了一种采用模拟退火法进行电池参数辨识及精度优化的方法,包括模型建立步骤、测试步骤、初始值计算步骤和模拟退火步骤,用模拟退火法进行电池参数辨识及精度优化的方法克服现有电池参数辨识精度低的不足,具体的:
则极化电压U1(t)=A*U1(t-1)+B*I(t),一阶等效电路模型RC回路的端电压U(t)=OCV(t)-*U1(t)-R0I(t),其中,R0是电池的欧姆内阻,可以通过公式R0=U/I计算得出,OCV(t)为RC回路的开路电压,I(t)为回路的电流;
这里假设一阶等效电模型的端电压与电池端电压的实际测量值之间差值的平方、即适应度函数为Fx,Fx(t)=(U(t)-U)2,U为电池端电压的测量值,目标函数即适应度函数,适应度函数用来衡量参数辨识的精度,则电池的极化内阻R1、池的极化电容C1即为待辨识的参数。
所述测试步骤,在设定的测试温度下、对待进行参数识别及优化的电池同时进行SOC-OCV测试和HPPC测试,这个测试温度是根据电池的使用环境来设定的,并根据待进行参数识别及优化的电池的特性和使用场景确定测试电流以及电池的静置时间,根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线,经过多次实验论证,电流选取大小在范围0.5~1C范围内能更好的反应电池的真实特性,优选地,测试中的电池长时间稳定工作的电流倍率为0.5C,其中C为电池的额定容量,其中电池的静置时间取值范围为3~7小时,采样间隔时间取值范围为0.05~1秒,SOC取点间隔为1~10%,即要每隔1~10%的SOC选择一个测量点;根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线。
所述初始值计算步骤,将测试步骤中得到的HPPC曲线中的电压、电流数据导入所述模型建立步骤中的一阶等效电路模型,其中,HPPC曲线中的电压即为端电压的测量值U,电流用于AH积分法计算每一时刻的SOC,通过计算得出的SOC值查找实验获得的SOC-OCV曲线得到每时刻真实的OCV,SOC-OCV曲线上每一时刻的SOC都会对应有相应的OCV,将一阶等效电路模型中的R0、R1、C1初始化,将每时刻真实的OCV以及R0、R1、C1的初始化值代入一阶等效电路模型中,即可计算得出一阶等效电路模型的端电压U(t),计算适应度函数Fx(t)=(U(t)-U)2的初始值Fx。
模拟退火步骤,模拟退火过程中选择合适初始温度以及降温方式,初始温度选择过高容易导致算法运行时间过长,降温的主要作用是降低接受差解的概率,降温速度过快就难以跳出局部最优解,所以选择合适的降温系数极为重要,设置初始化退火温度Tn,降温系数为c,c的取值范围为0.9~1,Tn取值范围100~300℃,则模拟退火的降温梯度为Tn+1=c*Tn,其中n=0、1、2...N,N为大于等于2的正整数,设每个温度Tn+1下的迭代次数为L,L取值范围为100~300,对初始值计算步骤中的适应度函数Fx产生随机解x′=rand,随机产生的新的电池的极化内阻R1_new=R1+a*randn和池的极化电容C1_new=C1+b*randn,计算标度函数的随机值Fx′,其中,a和b为用于加速算法的收敛并提高精度的权重因子先验阈值,主要是经验值,在迭代过程中新的辨识参数赋值中(R1_new=R1+a*randn,C1_new=C1+b*randn),在标准正太分布产生的随机数前分别增加了权重因子a、b,加快了算法收敛速度并提高了算法的精度;计算标度函数的随机值Fx′和初始值Fx的差ΔF,若ΔF<0,则接受新的随机解x′为当前适应度函数Fx的新解,否则,计算概率若概率p>randn,则接受新的随机解x′为当前适应度函数Fx的新解;判断每个降温梯度的温度下、模拟退火的迭代次数是否达到迭代次数L,若未达到则继续循环模拟退火,否则跳出循环,执行下一个温度梯度的退火模拟退火操作;执行下一个温度梯度的退火模拟退火操作时,首先判断是否满足算法终止条件Tn+1=0,若未满足,则继续模拟退火降温直至Tn+1=0,输出最终的电池的极化内阻Rn_new、电池的极化电容Cn_new作为最优结果。
实施例2
作为本发明一种更为优选地实时方案,如图1,本实施例公开了一种采用模拟退火法进行电池参数辨识及精度优化的方法,具体的:
则极化电压U1(t)=A*U1(t-1)+B*I(t),一阶等效电路模型RC回路的端电压U(t)=OCV(t)-*U1(t)-R0I(t),其中,R0是电池的欧姆内阻,可以通过公式R0=U/I计算得出,OCV(t)为RC回路的开路电压,I(t)为回路的电流;
这里假设一阶等效电模型的端电压与电池端电压的实际测量值之间差值的平方、即适应度函数为Fx,Fx(t)=(U(t)-U)2,U为电池端电压的测量值,目标函数即适应度函数,适应度函数用来衡量参数辨识的精度,则电池的极化内阻R1、池的极化电容C1即为待辨识的参数。
所述测试步骤,在15~35℃的测试温度下、对待进行参数识别及优化的电池同时进行SOC-OCV测试和HPPC测试,15~35℃是电池常规的工作温度区间,在该温度区间下可以提高模型的精确性;并根据待进行参数识别及优化的电池的特性和使用场景确定测试电流大小在范围0.5~1C范围内、以及电池的静置时间取值范围为3~7小时,并且,采样间隔时间取值范围为0.05~1秒、SOC取点间隔为1~10%,即要每隔1~10%的SOC选择一个测量点,根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线,同时进行SOC-OCV测试和HPPC测试,具体包括以下步骤:
步骤1,将待进行参数识别及优化的电池按照标准充电模式满充后静置时间段1并记录电池的电压差值,当电压差值在时间段1内为0,则记录下电池在时间段1的开路电压OCV1;
步骤2,将待进行参数识别及优化的电池的SOC调整为预设的荷电状态后静置时间段2并记录电池的电压差值,当电压差值在时间段2内为0,则记录下电池在时间段2的开路电压OCV2;
步骤3,当系统判定待进行参数识别及优化的电池的SOC达到预设值时,以电流1开始对电池充电,电流1即根据电池特性和使用场景确定测试电流,电流1的倍率为0.5~1C、充电持续时间5~15秒、充电后静置30~60秒,接着以电流1开始对电池放电,放电时间持续时间5~15秒,循环操作此步骤,记录电池每次充电、放电过程中的测量电压值;
循环操作步骤1~步骤3,直到待进行参数识别及优化的电池的所有SOC取点范围内的SOC-OCV和HPPC都测量完毕后结束测试,测试完毕后拟合建立SOC-OCV和HPPC曲线,即根据测试数据的时间、电压和电流得到混合动力脉冲性能曲线。
所述初始值计算步骤,将测试步骤中得到的HPPC曲线中的电压、电流数据导入所述模型建立步骤中的一阶等效电路模型,其中,HPPC曲线中的电压即为端电压的测量值U,电流用于AH积分法计算每一时刻的SOC,通过计算得出的SOC值查找实验获得的SOC-OCV曲线得到每时刻真实的OCV,SOC-OCV曲线上每一时刻的SOC都会对应有相应的OCV,将一阶等效电路模型中的R0、R1、C1初始化,算法的实现虽然与参数的初始值设置无关,但合理的初始值会加快寻找最优解,减少算法运行时间,提高算法精度,根据经验极化内阻的值为毫欧级,极化电容C1的值在103~105F数量级之间,欧姆内阻R0初始解范围[0.0001~0.0005],极化内阻R1opt=[10-4~10-3],极化电容C1opt=[10-4~10-6],将每时刻真实的OCV以及R0、R1、C1的初始化值代入一阶等效电路模型中,即可计算得出一阶等效电路模型的端电压U(t),计算适应度函数Fx(t)=(U(t)-U)2的初始值Fx。
模拟退火步骤,模拟退火过程中选择合适初始温度以及降温方式,初始温度选择过高容易导致算法运行时间过长,降温的主要作用是降低接受差解的概率,降温速度过快就难以跳出局部最优解,所以选择合适的降温系数极为重要,设置初始化退火温度Tn,降温系数为c,c的取值范围为0.9~1,Tn取值范围100~300℃,则模拟退火的降温梯度为Tn+1=c*Tn,其中n=0、1、2...N,N为大于等于2的正整数,设每个温度Tn+1下的迭代次数为L,L取值范围为100~300,对初始值计算步骤中的适应度函数Fx产生随机解x′=rand,随机产生的新的电池的极化内阻R1_new=R1+a*randn和池的极化电容C1_new=C1+b*randn,计算标度函数的随机值Fx′,其中,a和b为用于加速算法的收敛并提高精度的权重因子先验阈值,权重因子先验阈值a为范围在[0.00001~0.0005]的值,b为范围在[500~2000]的值,主要是经验值,在迭代过程中新的辨识参数赋值中(R1_new=R1+a*randn,C1_new=C1+b*randn),在标准正太分布产生的随机数前分别增加了权重因子a、b,加快了算法收敛速度并提高了算法的精度;随机初始解x′=rand是从标准正太中产生一个随机数,是从均值为0、方差为1的范围内取值,此过程可理解为在解x的邻域内产生新的可行解x′,即在当前状态的邻域结构内以正态分布产生,同时计算x′的目标函数值Fx′,计算标度函数的随机值Fx′和初始值Fx的差ΔF,若ΔF<0,则接受新的随机解x′为当前适应度函数Fx的新解,否则,计算概率若概率p>randn,则接受新的随机解x′为当前适应度函数Fx的新解;判断每个降温梯度的温度下、模拟退火的迭代次数是否达到迭代次数L,若未达到则继续循环模拟退火,否则跳出循环,执行下一个温度梯度的退火模拟退火操作;执行下一个温度梯度的退火模拟退火操作时,首先判断是否满足算法终止条件Tn+1=0,若未满足,则继续模拟退火降温直至Tn+1=0,输出最终的电池的极化内阻Rn_new、电池的极化电容Cn_new作为最优结果。
Claims (7)
1.一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于,包括以下步骤:
模型建立步骤,建立用于描述电池的静态性能的一阶等效电路模型和动态性能的一阶等效电路模型其中,R1是电池的极化内阻,C1是电池的极化电容;则极化电压U1(t)=A*U1(t-1)+B*I(t),一阶等效电路模型RC回路的端电压U(t)=OCV(t)-*U1(t)-R0I(t),其中,R0是电池的欧姆内阻,可以通过公式R0=U/I计算得出,OCV(t)为RC回路的开路电压,I(t)为回路的电流;这里假设一阶等效电模型的端电压与电池端电压的实际测量值之间差值的平方、即适应度函数为Fx,Fx(t)=(U(t)-U)2,U为电池端电压的测量值,目标函数即适应度函数,适应度函数用来衡量参数辨识的精度,电池的极化内阻R1、池的极化电容C1即为待辨识的参数;
测试步骤,在设定的测试温度下、对待进行参数识别及优化的电池同时进行SOC-OCV测试和HPPC测试,这个测试温度是根据电池的使用环境来设定的,并根据待进行参数识别及优化的电池的特性和使用场景确定测试电流以及电池的静置时间,根据电池的所有SOC取点范围内的SOC-OCV和HPPC的测量结果拟合建立SOC-OCV和HPPC曲线;
初始值计算步骤,将测试步骤中得到的HPPC曲线中的电压、电流数据导入所述模型建立步骤中的一阶等效电路模型,其中,HPPC曲线中的电压即为端电压的测量值U,电流用于AH积分法计算每一时刻的SOC,通过计算得出的SOC值查找实验获得的SOC-OCV曲线得到每时刻真实的OCV,SOC-OCV曲线上每一时刻的SOC都会对应有相应的OCV,将一阶等效电路模型中的R0、R1、C1初始化,将每时刻真实的OCV以及R0、R1、C1的初始化值代入一阶等效电路模型中,即可计算得出一阶等效电路模型的端电压U(t),计算适应度函数Fx(t)=(U(t)-U)2的初始值Fx;
模拟退火步骤,设置初始化退火温度Tn,降温系数为c,c的取值范围为0.9~1,Tn取值范围100~300℃,则模拟退火的降温梯度为Tn+1=c*Tn,其中n=0、1、2...N,N为大于等于2的正整数,设每个温度Tn+1下的迭代次数为L,L取值范围为100~300,对...步骤中的标度函数(适应度函数)Fx产生随机解x′=rand,随机产生的新的电池的极化内阻R1_new=R1+a*randn和池的极化电容C1_new=C1+b*randn,计算标度函数的随机值Fx′,其中,a和b为用于加速算法的收敛并提高精度的权重因子先验阈值;计算标度函数的随机值Fx′和初始值Fx的差ΔF,若ΔF<0,则接受新的随机解x′为当前标度函数(适应度函数)Fx的新解,否则,计算概率若概率p>randn,则接受新的随机解x′为当前标度函数(适应度函数)Fx的新解;判断每个降温梯度的温度下、模拟退火的迭代次数是否达到迭代次数L,若未达到则继续循环模拟退火,否则跳出循环,执行下一个温度梯度的退火模拟退火操作;执行下一个温度梯度的退火模拟退火操作时,首先判断是否满足算法终止条件Tn+1=0,若未满足,则继续模拟退火降温直至Tn+1=0,输出最终的电池的极化内阻Rn_new、电池的极化电容Cn_new作为最优结果。
2.如权利要求1所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于:所述测试步骤中,测试电流选取大小在范围0.5~1C范围内,其中,C为电池的额定容量,电池的静置时间取值范围为3~7小时,采样间隔时间取值范围为0.05~1秒,SOC测试的取点间隔为1~10%,即要每隔1~10%的SOC选择一个测量点。
3.如权利要求1所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于:所述测试步骤中,测试温度选择范围在15~35℃,15~35℃是电池常规的工作温度区间,在该温度区间下可以提高模型的精确性。
4.如权利要求1或3所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于,所述测试步骤中,同时进行SOC-OCV测试和HPPC测试,包括以下步骤:
步骤1,将待进行参数识别及优化的电池按照标准充电模式满充后静置时间段1并记录电池的电压差值,当电压差值在时间段1内为0,则记录下电池在时间段1的开路电压OCV1;
步骤2,将待进行参数识别及优化的电池的SOC调整为预设的荷电状态后静置时间段2并记录电池的电压差值,当电压差值在时间段2内为0,则记录下电池在时间段2的开路电压OCV2;
步骤3,当系统判定待进行参数识别及优化的电池的SOC达到预设值时,以电流1开始对电池充电,电流1即根据电池特性和使用场景确定测试电流,电流1的倍率为0.5~1C、充电持续时间5~15秒、充电后静置30~60秒,接着以电流1开始对电池放电,放电时间持续时间5~15秒,循环操作此步骤,记录电池每次充电、放电过程中的测量电压值;
循环操作步骤1~步骤3,直到待进行参数识别及优化的电池的所有SOC取点范围内的SOC-OCV和HPPC都测量完毕后结束测试,测试完毕后拟合建立SOC-OCV和HPPC曲线,即根据测试数据的时间、电压和电流得到混合动力脉冲性能曲线。
5.如权利要求1所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于:所述初始值计算步骤中,极化电容C1的值在103~105F数量级之间,欧姆内阻R0初始解范围[0.0001~0.0005],极化内阻R1opt=[10-4~10-3],极化电容C1opt=[10-4~10-6]。
6.如权利要求1所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于:所述模拟退火步骤中,权重因子先验阈值a为范围在[0.00001~0.0005]的值,b为范围在[500~2000]的值。
7.如权利要求1或6所述的一种采用模拟退火法进行电池参数辨识及精度优化的方法,其特征在于:所述模拟退火步骤中,随机初始解x′=rand,是从标准正太中产生一个随机数,是从均值为0、方差为1的范围内取值,此过程可理解为在解x的邻域内产生新的可行解x′,即在当前状态的邻域结构内以正态分布产生,同时计算x′的目标函数值Fx′,计算x′的适应度函数和x的适应度函数的差ΔF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151043.6A CN113777500A (zh) | 2021-09-29 | 2021-09-29 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151043.6A CN113777500A (zh) | 2021-09-29 | 2021-09-29 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113777500A true CN113777500A (zh) | 2021-12-10 |
Family
ID=78854384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111151043.6A Pending CN113777500A (zh) | 2021-09-29 | 2021-09-29 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777500A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756034A (zh) * | 2022-06-13 | 2022-07-15 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
CN117233618A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013511101A (ja) * | 2010-05-25 | 2013-03-28 | ノースイースタン ユニバーシティ テクノロジー トランスファー センター | 集積回路配置用の最適化ベース焼きなまし法 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN106908732A (zh) * | 2017-02-09 | 2017-06-30 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池等效电路模型参数辨识方法和装置 |
CN110673037A (zh) * | 2019-09-11 | 2020-01-10 | 国网河北省电力有限公司石家庄供电分公司 | 基于改进模拟退火算法的电池soc估算方法及系统 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
-
2021
- 2021-09-29 CN CN202111151043.6A patent/CN113777500A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013511101A (ja) * | 2010-05-25 | 2013-03-28 | ノースイースタン ユニバーシティ テクノロジー トランスファー センター | 集積回路配置用の最適化ベース焼きなまし法 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN106908732A (zh) * | 2017-02-09 | 2017-06-30 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池等效电路模型参数辨识方法和装置 |
CN110673037A (zh) * | 2019-09-11 | 2020-01-10 | 国网河北省电力有限公司石家庄供电分公司 | 基于改进模拟退火算法的电池soc估算方法及系统 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
祁朋伟: "考虑电池参数时变的SOC扩展卡尔曼滤波估算算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 035 - 350 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756034A (zh) * | 2022-06-13 | 2022-07-15 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
CN117233618A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
CN117233618B (zh) * | 2023-11-16 | 2024-01-19 | 北京航空航天大学 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110146816B (zh) | 电池剩余充电时间的确定方法、装置、设备及存储介质 | |
CN109557477B (zh) | 一种电池系统健康状态估算方法 | |
CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN113777500A (zh) | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110632528A (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
WO2023221589A1 (zh) | 一种电池健康状态的检测方法、装置及系统 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN111722118A (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
US11579201B2 (en) | Method and system for identifying third-order model parameters of lithium battery based on likelihood function | |
CN111414709A (zh) | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 | |
CN114200333A (zh) | 一种铅酸蓄电池容量预测方法 | |
CN115598539A (zh) | 一种电池参数辨识方法、系统、电子设备及存储介质 | |
CN114114051A (zh) | 一种电池老化值的确定方法、装置及电子设备 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
CN112114260A (zh) | 一种锂离子电池单体过充电稳定性的测试及评价方法 | |
CN117148187A (zh) | 一种基于ocv校准的soh估算方法、系统及电子设备 | |
CN116908691A (zh) | 一种锂电池模型参数辨识方法 | |
CN116718921A (zh) | 基于多模型的电池荷电状态预测方法及装置 | |
CN113733980B (zh) | 确定动力电池容量的方法、装置、介质及电子设备 | |
CN110927585A (zh) | 一种基于自循环校正的锂电池soh估算系统及方法 | |
CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 |
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 |