一种基于人工蜂群算法的锂离子电池模型参数辨识方法与流程

本发明涉及电力领域，具体涉及一种基于人工蜂群算法的锂离子电池模型参数辨识方法。

背景技术：

锂离子电池的容量大，适中的电压，广泛的来源以及其循环使用寿命长、性能好、对环境无污染等特点，被越来越广泛地应用在正在迅速发展的新能源电动汽车上。而锂离子电池soc代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值，准确的估计soc，能为使用者提供电动汽车所能行驶的剩余里程，保证锂离子电池工作在合理的电压范围内，能有效的防止由于过充和过放对电池带来的损伤，延长电池的使用寿命，提高能量的利用率，降低使用成本。因而准确的估计电池soc对电动汽车尤为重要。而建立一个电池模型，并对电池模型参数进行辨识是准确估计电池soc的关键所在。而现有对电池模型参数进行辨识的方法收敛速度较慢。

技术实现要素：

为解决现有技术问题，本发明通过引进人工蜂群算法对锂离子电池模型进行参数辨识，由于人工蜂群算法不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

本发明具体采用以下技术方案：

一种基于人工蜂群算法的锂离子电池模型参数辨识方法，其特征在于：包括以下步骤：

s1：随机生成初始种群，将其中一半与采蜜蜂对应，并计算各个解的适应度值，将最优解记录下来；

s2：置cycle＝1；

s3：采蜜蜂根据公式：vij＝xij+φij(xij-xkj)(其中φij为[-1,1]之间的随机数)，进行邻域搜索产生新解vij，计算其适应度值，并对xij和vij进行贪婪选择；

s4：根据公式计算与xi相关的选择概率pi；

s5：观察蜂轮盘赌选择法法以概率pi选择食物源，并根据公式vij＝xij+φij(xij-xkj)进行邻域搜索产生新解，计算适应度值，并对xij和vi进行贪婪选择；

s6：侦察蜂判断是否有要放弃的解，如果存在，则采用公式xi^j＝xmin^j+rand(0,1)(xmax^j-xmin^j)进行随机搜索产生一个新解替换旧解；

s7：记录迄今为止最好的解；

s8：cycle＝cycle+1，若cycle<初始种群个数，则转到s3；若cycle＞初始种群个数，输出最优结果；

s9：根据求得的最优结果，分别求出二阶rc电路模型中中uocv、r1、r2、c1以及c2。

进一步的方案是，s1中所述的初始种群的生成是根据锂离子电池电压回弹特性曲线以及二阶rc电路模型在放电结束后的零输入响应方程：u(t)＝uocv-u(r1)*e^-t/τ1-u(r2)*e^-t/τ2,相对应的初始化相关的5个参数，其中5个参数分别表示：x1＝uocv、x2＝u(r1)、x3＝τ1、x4＝u(r2)、x5＝τ2；对于式u(t)＝x1-x2*e^-t/x3-x4*e^-t/x5，在任意解x＝[x1x2x3x4x5]下，任意时刻都有唯一确定的y(t)与之对应。即在任意时刻都可由动力电池模型参数确定唯一的端电压值，因此可建立如下目标函数：

进一步的方案是，s9中所述的二阶rc电路模型中的uocv、r1、r2、c1以及c2是根据x1＝uocv，x2＝u(r1)＝i*r1，x3＝τ1＝r1*c1，x4＝u(r2)＝i*r2，x5＝τ2＝r2*c2来推导算出的。

本发明的有益效果：

通过引进人工蜂群算法对锂离子电池模型进行参数辨识，由于人工蜂群算法不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度；

由于人工蜂群算法控制参数少、易于实现和计算简单，大大地提高了全局最优解的收敛速度。

附图说明

图1为本发明实施例一种基于人工蜂群算法在锂离子电池模型参数辨识方法的流程图；

图2为本发明实施例中锂离子电池电压回弹特性曲线测试值与人工蜂群算法的估计值对比图；

图3为本发明实施例中用以仿真验证的us06变电流工况图；

图4为本发明实施例中得到二阶rc电路各参数最优解在us06变电流工况下得到的仿真电压值与实际电压值对比图；

图5为本发明实施例中得到二阶rc电路各参数最优解在us06变电流工况下得到的仿真电压值与实际电压值误差百分比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1-4所示，本发明的一个实施例公开了一种基于人工蜂群算法的锂离子电池模型参数辨识方法，其特征在于：包括以下步骤：

s1：随机生成初始种群，将其中一半与采蜜蜂对应，并计算各个解的适应度值，将最优解记录下来；

s2：置cycle＝1；

s3：采蜜蜂根据公式：vij＝xij+φij(xij-xkj)(其中φij为[-1,1]之间的随机数)，进行邻域搜索产生新解vij，计算其适应度值，并对xij和vij进行贪婪选择；

s4：根据公式计算与xi相关的选择概率pi；

s5：观察蜂轮盘赌选择法法以概率pi选择食物源，并根据公式vij＝xij+φij(xij-xkj)进行邻域搜索产生新解，计算适应度值，并对xij和vi进行贪婪选择；

s6：侦察蜂判断是否有要放弃的解，如果存在，则采用公式xi^j＝xmin^j+rand(0,1)(xmax^j-xmin^j)进行随机搜索产生一个新解替换旧解；

s7：记录迄今为止最好的解；

s8：cycle＝cycle+1，若cycle<初始种群个数，则转到s3；若cycle＞初始种群个数，输出最优结果；

s9：根据求得的最优结果，分别求出二阶rc电路模型中中uocv、r1、r2、c1以及c2。

在本实施例中，s1中的初始种群的生成是根据锂离子电池电压回弹特性曲线以及二阶rc电路模型在放电结束后的零输入响应方程：u(t)＝uocv-u(r1)*e^-t/τ1-u(r2)*e^-t/τ2,相对应的初始化相关的5个参数，其中5个参数分别表示：x1＝uocv、x2＝u(r1)、x3＝τ1、x4＝u(r2)、x5＝τ2；对于式u(t)＝x1-x2*e^-t/x3-x4*e^-t/x5，在任意解x＝[x1x2x3x4x5]下，任意时刻都有唯一确定的y(t)与之对应。即在任意时刻都可由动力电池模型参数确定唯一的端电压值，因此可建立如下目标函数：

在本实施例中，s9中的二阶rc电路模型中的uocv、r1、r2、c1以及c2是根据x1＝uocv，x2＝u(r1)＝i*r1，x3＝τ1＝r1*c1，x4＝u(r2)＝i*r2，x5＝τ2＝r2*c2来推导算出的。

在本实例中使用的电池型号为：inr18650-20r，额定容量为2000mah。算法中参数取值如下：人工蜂群群体大小为np＝20，蜂群食物源数量为foodnumber＝np/2。

本发明在us06变电流工况下进行仿真测试，测试的结果即仿真电压值与实际电压值误差百分比如图5所示，测试的结果误差在较小的范围内，且算法收敛速度更快。

最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。