一种基于改进GWO优化遗忘因子在线参数辨识的SOC估算方法

本发明属于锂电池，具体涉及到一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法，实现了对电池模型参数有效实时辨识，电池soc估计上有较高的估计精度与稳定性。

背景技术：

1、灰狼优化算法，灵感来自于灰狼群体捕食行为。具有较强的收敛性能，结构简单、需要调节的参数少，容易实现，存在能够自适应调整的收敛因子以及信息反馈机制，但是传统的灰狼算法容易陷入局部最优，在迭代过程中收敛因子值从2线性减小到0，这种线性减小并不能很好地平衡全局搜索和局部搜索之间的关系。改进的灰狼优化算法收敛因子呈非线性，很好的平衡算法寻优过程中全局搜索和局部搜索，提高参数辨识的准确性与收敛速度。

2、锂电池的soc反应了电池的剩余电量，准确的soc估计能够预防电池过充过放，还能够预计电动车的续航里程，提前做好行程规划。但锂电池在制造过程中由于生产工艺的差异，难免会存在不一致性，并且这种不一致性会随着电池服役时长而越来越大，从而导致单体电池的过充或过放，影响锂电池组整体性能，最终缩短电池组使用寿命。当前研究人员发现，构建电池等效模型，模型参数辨识，估算soc具有较高的精度。

3、目前递推最小二乘法(recursive least square,rls)能够很好参数辨识通过不断的参数更新与校正克服模型因环境变化引起的不确定性，从而实现对系统特性的实时捕捉。然而传统的rls随着迭代次数的增加会出现数据饱和现象，而rff(recursiveforgetting factor)中引入了可变遗忘因子，能不断减小旧数据的影响，增强新数据的作用。

4、因此，本发明提出了一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法，实现了对电池模型参数有效实时辨识。

技术实现思路

1、本发明实施目的于提出了一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法，能够解决遗忘因子递推最小二乘法的遗忘因子不变问题，可随时间、环境的变化很好的辨识出当前时刻电池等效模型参数，进而提高估算荷电状态(soc)的精度。

2、为实现上述目的，本发明所采用的技术方案其特征在于包括以下步骤：

3、建立二阶等效电路模型步骤如下：

4、步骤101：根据基尔霍夫定律，二阶rc环路模型函数关系以及安时积分法在t时刻推出的soc计算公式：

5、

6、

7、其中，q为电池的额定容量，soc0为电池的初始值soc。解公式1中的微分方程后，可以建立连续系统的电池模型方程为：

8、

9、其中，τ1＝r1c1表示的是模型中r1c1环路的时间相应常数；τ2＝r2c2，表示模型中r2c2环路的时间响应常数。

10、步骤102：对公式3进行拉普拉斯变换，整理得到：

11、

12、在采用双线性变换，令得到

13、

14、θ＝[α1 α2 α3 α4 α5]                               (6)

15、其中α1、α2、α3、α4、α5为分子分母各次项系数，θ为参数矩阵。

16、步骤103：令y＝uoc(s)-u(s)，对公式5变换后得到等效电路模型离散化表达式：

17、

18、其中，i(k)系统的输入值，y(k)为系统的输出值，令

19、

20、得到：

21、

22、步骤104：令代入公式5中得：

23、

24、对比公式5和公式9得

25、

26、采用对电池等间段时间静置与放电，采集电压、电流等数据，获取多组数据，最后拟合ocv-soc曲线，步骤如下：

27、步骤s201：保持环境温度25℃，对锂电池恒流-恒压充电，使其soc为100％，然后等段时间静置、放电，循环往复，直至电池放电完毕。通过多次对锂电池放电实验来获取电压、电流等相关数据。

28、步骤s202：通过matlab对获得的数据在进行拟合处理，得到ocv-soc函数关系。

29、采用改进灰狼算法步骤如下所示：

30、步骤s301：初始化狼群数量、最大迭代次数、随机种群位置。

31、步骤s302：根据相应的适应度函数计算个体的适应度值，并将各个适应度值按照大小进行排序，挑选出最优的α、β、δ狼。

32、步骤s303：更新群体中每个灰狼个体的位置。

33、步骤s304：更新改进的非线性收敛因子α、a和c。

34、步骤s305：计算全部灰狼适度值，选出α狼的位置。

35、步骤s306：判断算法是否满足终止条件，若满足，最优α狼位置作为遗忘因子递推最小二乘法最优遗忘因子参数，则算法结束；否则，重复执行步骤s303至步骤s305。

36、优化遗忘因子递推最小二乘法步骤如下：

37、步骤s401：导入公式7等效电路模型离散化表达式，初始化参数方程和协方差矩阵。

38、步骤s402：输入电压电流采样值。

39、步骤s403：计算增益矩阵k(k)和状态估计值的误差协方差矩阵p(k)。

40、步骤s404：计算参数矩阵。

41、步骤s405：到达迭代次数，计算电池模型参数，算法结束；否则执行步骤s402至步骤s404。

42、将辨识后模型参数结合无迹卡尔曼滤波估算soc步骤如下：

43、步骤s501：初始化系统状态变量x0的均值和协方差p0：

44、

45、步骤s502：计算sigma点及相应的权值：

46、

47、

48、其中，ωm，ωc分别为均值和方差的权重；n为状态向量的维数；β为一个非负的权系数，可以合并高阶项中的动差，当sigma点成高斯分布时，通常取β＝2；α为尺度参数，取值范围为1e4≤α≤1；为比例因子，可表示为：

49、μ＝α2(n+κ)-n                                   (14)

50、式中，κ为可调参数，通常取0或3-n。

51、步骤s503：状态变量和测量变量预测。

52、步骤s504：计算增益矩阵kk。

53、步骤s505：更新k时刻状态变量的估计值及误差协方差矩阵，从中分离出k时刻的soc估计值。

54、本发明具有如下有益效果：

55、(1)采用改进的灰狼算法，在迭代初期，随着迭代次数的增加，收敛因子α减小的速度缓慢，这样可使狼群在更大范围搜索，到迭代中后期，收敛因子α减小的速度加快，这样可使狼群集中目标，促使寻优的有效性。

56、(2)在引进改进的灰狼算法后，比带遗忘因子递推最小二乘法有准确的迭代初值，不需要靠人类经验赋值，使参数辨识结果的等效模型真实反映当前时刻电池状态，从而提高了估算soc的精度。