一种基于双步在线智能优化算法动力电池峰值功率估计方法与流程

本专利涉及电动汽车电池管理领域，特别是涉及电动汽车用动力电池峰值功率估计的技术领域。

技术背景

实时估计电动汽车动力电池的峰值功率(SoP)可评估动力电池在不同健康状态(SoH)和荷电状态(SoC)下充放电功率的极限能力、优化匹配动力电池组在汽车动力性之间的关系以及最大程度发挥电机再生制动能量回收能力。准确估计SoP对电动汽车整车控制单元的能量管理和优化有十分重要的理论意义和实用价值，是电动汽车电池管理系统的重要功能和研究热点。

本领域熟知的智能优化算法类型主要包括遗传算法、粒子群算法、蚁群算法、模拟退火算法等。更具体的智能优化算法已在大量现有技术中披露，例如《黄友锐.智能优化算法及其应用[M].国防工业出版社,2008》和《李士勇,李研.智能优化算法原理与应用[M].哈尔滨工业大学出版社,2012》。但是目前智能优化算法还未应用于动力电池峰值功率的估计。

目前常用的电池SoP估计的方法，如神经网络法、复合脉冲算法(PNGV HPPC法)、电压法、SoC法，并不能保证估计结果的最优性，因此，本专利公开一种基于双步在线智能优化算法的动力电池峰值功率估计方法。

技术实现要素：

针对以上问题，本发明公开了一种基于双步在线智能优化算法的动力电池峰值功率估计方法。该方法的引入了智能优化算法，且利用双步智能优化算法分别计算最大放电功率和最小充电功率，且能够完成每一步长下充放电最大功率的计算，步骤简单，适用性强，易于在线实施。

一种基于双步在线智能优化算法动力电池峰值功率估计方法，包括：

步骤一，初始化第一步智能优化算法和第二步智能优化算法的类型和运行环境参数；

步骤二，定义第一步智能优化算法的第一优化变量、第一优化变量边界以及第一优化目标函数J₁；

步骤三，基于第一步智能优化算法类型，在所述第一优化变量边界中寻找使得第一优化目标函数J₁最大化的第一优化变量值，解得所述第一优化变量值所对应的J₁值即为下一时刻动力电池的最大放电功率；

步骤四，定义第二步智能优化算法的第二优化变量、第二优化变量边界以及第二优化目标函数J₂；

步骤五，基于第二步智能优化算法类型，在所述第二优化变量边界中寻找使得第二优化目标函数J₂最小化的第二优化变量值，解得所述第二优化变量值所对应的J₂值即下一时刻动力电池的最小充电功率；

步骤六，计算动力电池组的充放电峰值功率。

优选地，所述步骤二中第一优化变量是动力电池下一时刻允许的最大放电功率所对应的最大放电电流值第一优化变量边界设置为[0,I_max]，I_max为最大放电电流。

优选地，所述步骤四中第二优化变量是动力电池下一时刻允许的最小充电功率所对应的最小充电电流值第二优化变量边界设置为[I_min,0]，I_min为最小充电电流。

一种基于双步在线智能优化算法动力电池峰值功率估计方法，包括

第a步，设置所述电池峰值功率估计的持续时间参数ΔT；初始化动力电池极限工作状态的限制条件，包括最大放电电流和最小充电电流；

第b步，采集并记录时刻k动力电池的电流值；

第c步，估计当前时刻k的动力电池的SoC值；

第d步，辨识获取时刻k动力电池一阶RC等效电路模型参数；

第e步，基于上述等效电路模型，执行如权利要求1至3所述的方法；

第f步，进入下一时刻k＝k+1，返回至第b步。

优选地，所述动力电池极限工作状态的限制条件还包含充电上截止电压Umax，放电下截止电压Umin、SoC最大限值zmax和SoC最小限制zmin中的至少一个。

优选地，第一优化目标函数J₁表达式为：

M₁和M₂为惩罚因子，U_min为充电上截止电压，z_min为SoC最小限值，为动力电池在k+1时刻输出时的端电压，为动力电池在k+1时刻的SoC值。

优选地，第二优化目标函数J₂表达式为：

M₃和M₄为惩罚因子，U_max为充电上截止电压，z_max为SoC最大限值，为动力电池在k+1时刻输出时的端电压，为动力电池在k+1时刻的SoC值。

附图说明

图1基于双步在线智能优化算法的动力电池峰值功率估计方法流程图；

图2一阶RC等效电路模型结构图；

图3本实施例中动力电池离线参数辨识结果；

图4双步在线遗传算法估计动力电池SoP流程图；

图5本实施例在UDDS工况下的动力电池组SoP估计结果；

图6本实施例在UDDS工况下每一采样点的SoP估计用时；

具体实施方式：

在本发明表达中放电时电流符号规定为正，充电式电流符号规定为负。因此，放电电流为正值，最大放电电流是绝对值最大的放电电流；充电电流为负值，因此最小充电电流是绝对值最大的充电电流。放电峰值功率为正值，最大放电峰值功率是绝对值最大的放电峰值功率；充电峰值功率为负值，因此最小充电峰值功率是绝对值最大的充电峰值功率。

基于双步在线智能优化算法的动力电池峰值功率估计方法具体包括以下步骤：

第a步，设置SoP估计的持续时间参数ΔT，即所估计的SoP值用以持续输出或输入的时间长度，初始化动力电池极限工作状态的限制条件。所述限制条件包括最大放电电流I_max、最小充电电流I_min、充电上截止电压U_max，放电下截止电压U_min、SoC最大限值z_max和SoC最小限制z_min。

第b步，采集并记录时刻k动力电池的电流值I_k；

第c步，估计当前时刻k的动力电池的SoC值z_k，动力电池SoC估计方法可以是本领域公知的方法，如安时计数法、端电压估计法、卡尔曼滤波估计法等；

第d步，辨识获取时刻k动力电池一阶RC等效电路模型参数，具体包括第k时刻动力电池的开路电压U_oc、充电欧姆内阻R_chg、放电欧姆内阻R_dis，用于反映动力电池极化现象的阻容回路中的电阻R_p和时间常数τ。

等效电路模型参数的辨识方法可采用本领域公知的方法，常用的辨识方法可分为离线辨识法和在线辨识法，离线辨识法有遗传算法、粒子群算法等，在线辨识法有递推最小二乘法、卡尔曼滤波估计法等。

第e步，基于等效电路模型，执行双步在线智能优化算法估计动力电池的SoP值，即获取下一时刻动力电池允许持续ΔT放电的最大功率和充电的最小功率其中，本发明不限定智能优化算法；

第f步，进入下一时刻k＝k+1，返回至第b步。

其中，上述第e步中的基于一阶RC等效电路模型，执行双步在线智能优化算法估计动力电池的SoP值，具体包括如下步骤：

本发明的双步在线智能优化算法包括第一步智能优化算法和第二步智能优化算法，其中所述第一步智能优化算法和第二步智能优化算法所采用的智能优化算法类型由本领域技术人员根据需要选择，所述第一步智能优化算法和第二步智能优化算法可以相同，也可以不同。智能优化算法类型为本领域已知技术，包括但不限于遗传算法、粒子群算法、蚁群算法、模拟退火算法等。

步骤一，初始化双步在线智能优化算法的运行环境参数，本领域技术人员根据确定的智能优化算法类型设置具体运行环境参数。

举例来说，若所述步骤一中的第一步或第二步智能优化算法类型为遗传算法，所述的具体运行环境参数包括种群规模、繁殖代数、编码方式、选择方式、变异方式、交叉方式。

步骤二，定义第一步智能优化算法的优化变量、优化变量边界以及优化目标函数，取动力电池下一时刻允许的最大放电功率所对应的电流值为优化变量，优化变量边界设置为[0,I_max]，I_max为第a步所设置的最大放电电流，第一步智能优化算法的优化目标函数J₁表达式如下：

其中，M₁和M₂为惩罚因子，U_min为第a步所设置的充电上截止电压，z_min为第a步所设置的SoC最小限值，为动力电池在k+1时刻的SoC值，若第d步中的辨识方法采用离线辨识法，基于一阶RC等效电路模型，的表达式如下：

其中，Δt为系统采样时间间隔，为动力电池在k+1时刻输出时的端电压，U_p,k为k时刻阻容回路的电压值，为动力电池在输出时的开路电压值，为动力电池在输出时的欧姆电阻值，R_p(z_k)为动力电池在k时刻的阻容回路电阻值，τ(z_k)为动力电池在k时刻的阻容回路时间常数，I_k为动力电池在k时刻的电流值，z_k为动力电池在k时刻的SoC值。若第d步中的辨识方法采用在线辨识法，基于一阶RC等效电路模型，的表达式如下：

其中，U_oc(z_k)为动力电池在k时刻的开路电压值，R_dis(z_k)为动力电池k时刻的欧姆电阻值；

的表达式如下：

其中，η_d为放电库伦效率，C为动力电池的当前容量；

步骤三，根据步骤一和二的设定执行第一步智能优化算法，即根据步骤一设置的算法的运行环境参数，采用步骤一确定的第一步智能优化算法类型，寻找[0,I_max]区域中使得优化目标函数J₁最大化的解得的值所对应的J₁值即为下一时刻动力电池的放电SoP值

步骤四，定义第二步智能优化算法的优化变量、优化变量边界以及优化目标函数，取动力电池下一时刻允许的最小充电功率所对应的电流值为优化变量，优化变量边界设置为[I_min,0]，I_min为第a步所设置的最小充电电流，第二步智能优化算法的优化目标函数J₂表达式如下：

其中，M₃和M₄为惩罚因子，U_max为第a步所设置的充电上截止电压，z_max为第a步所设置的SoC最大限值，为动力电池在k+1时刻的SoC值；若第d步中的辨识方法采用离线辨识法，基于一阶RC等效电路模型，的表达式如下：

其中，为动力电池在k+1时刻输出时的端电压，为动力电池在输出时的开路电压值，为动力电池在输出时的欧姆电阻值，若第d步中的辨识方法采用在线辨识法，基于一阶RC等效电路模型，的表达式如下：

其中，U_oc(z_k)为动力电池在k时刻的开路电压值，R_chg(z_k)为动力电池k时刻的欧姆电阻值；

的表达式如下：

其中，η_c为充电库伦效率；

步骤五，根据步骤一和四的设定执行第二步智能优化算法，即根据步骤一设置的算法具体参数，采用步骤一确定的第二步智能优化算法类型，寻找[I_min,0]区域中使得优化目标函数J₂最小化的解得的值所对应的J₂值即下一时刻动力电池的充电SoP值

步骤六，计算动力电池组的充放电SoP值和公式如下；

其中，n_s为动力电池组串联连接的模块个数，n_p为每个模块中并联连接的动力电池单体个数；下面结合实验对本发明进行详细说明，实施例中采用某18650e型的动力电池，本实施例对本发明不构成限定。

步骤1：设置SoP估计的持续时间参数ΔT＝1s，初始化动力电池极限工作状态的限制条件见表1：

表1动力电池极限工作状态的限制条件参数表

步骤2，采集并记录时刻k动力电池的电流值I_k；

步骤3，估计当前时刻k动力电池的SoC值z_k，本实施例采用安时计数法估计动力电池SoC，公式如下：

其中，Δt为采样时间间隔，本实施例中，Δt＝1s，C＝1.299Ah，η_d＝1，η_c＝0.98；

步骤4，辨识获取时刻k动力电池等效电路模型参数θ_k，本实施例采用离线辨识方法，首先对动力电池进行城市道路循环(UDDS)工况测试，根据工况测试中的SoC值域将测试的电流和端电压数据划分为13个小区间，再基于一阶RC等效电路模型以端电压均方根误差最小原则进行离线辨识，最后采用公式分别对U_oc、R_chg、R_dis，R_p和τ进行拟合，拟合公式如下：

其中，λ_xy均为参数拟合公式的系数(1≤x≤6,1≤y≤5，x和y均取整数)，将步骤3估计的z_k代入公式(9)即可获得k动力电池等效电路模型参数，本实施例的离线辨识结果见图3；

步骤5，基于一阶RC等效电路模型，执行双步在线智能优化算法估计动力电池的SoP值和本实施例的第一步和第二步智能优化算法皆采用遗传算法；

步骤6，进入下一时刻k＝k+1，返回至第2步。

所述步骤5中的基于一阶RC等效电路模型，执行双步在线智能优化算法估计动力电池的SoP值，如图4所示，具体包括如下步骤：

步骤101，初始化双步在线遗传算法的计算参数，具体参数的设置见表2：

表2双步遗传算法具体参数设置表

步骤102，定义第一步遗传算法的优化变量为优化变量边界设置为[0,27]，将J₁定义为优化目标函数，这里取J₁为遗传算法中的适应度函数，本实施例中，M₁取10⁶，M₂取10⁷；

步骤103，根据步骤101和102的设定执行第一步遗传算法，首先设置表2所示的具体参数，根据实数编码方式进行编码，在[0,I_max]区域内随机生成50个个体并计算各个个体的适应度函数值，再对个体进行轮盘选择、启发式交叉和均匀变异，若当前繁殖代数未达到100，返回到计算各个个体适应度函数值的步骤，若当前繁殖代数达到100，则输出当前种群中的最佳适应度函数值，进行实数解码后即为下一时刻动力电池的放电SoP值本实施例的SoP估计环境选用UDDS工况；

步骤104，定义第二步遗传算法的优化变量为优化变量边界设置为[-27,0]，将J₂定义为优化目标函数，由于遗传算法的适应度函数必须具有非负性，并且适应度函数值越大代表个体越优秀，因此这里取-J₂为遗传算法中的适应度函数，本实施例中，M₃取10⁶，M₄取10⁷；

步骤105，根据步骤101和104的设定执行第二步遗传算法，首先设置表2所示的具体参数，根据实数编码方式进行编码，在[I_min,0]区域内随机生成50个个体并计算各个个体的适应度函数值，再对个体进行轮盘选择、启发式交叉和均匀变异，若当前繁殖代数未达到100，返回到计算各个个体适应度函数值的步骤，若当前繁殖代数达到100，则输出当前种群中的最佳适应度函数值，进行实数解码后取相反数即为下一时刻动力电池的充电SoP值

步骤106，根据公式(9)计算动力电池组的充放电SoP值和本实施例中n_s为1，n_p为20；

重复步骤6，k从1累加到UDDS工况的结束时刻，即完成本发明在UDDS工况下实施动力电池组充放电SoP估计的验证，估计结果见图5。本实施例中SoP估计运算采用Intel i7 2.20GHz处理器和8GB内存，关于UDDS工况下每一采样点的SoP估计用时见图6。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。