本發(fā)明屬于電池狀態(tài)估計領域，涉及一種基于粒子群優(yōu)化的電池狀態(tài)估計方法。

背景技術：

在二次電池的應用中，需要對soc等電池狀態(tài)進行估計?，F(xiàn)有的技術包括安時積分法、電壓法、狀態(tài)濾波法。在這些方法中，狀態(tài)濾波法的長期精確度最佳。狀態(tài)濾波法中較為常用的一種方法是卡爾曼濾波。

通過卡爾曼濾波進行電池狀態(tài)估計時，需要獲得準確的電池模型，然而目前的技術常使用固定的電池模型參數(shù)，難以適應電池使用時電池模型參數(shù)的變化。也有方法通過卡爾曼濾波同時對電池狀態(tài)和電池參數(shù)進行估計，這種方法的缺陷在于，卡爾曼濾波的理論基礎是線性模型，而電池系統(tǒng)呈現(xiàn)很強的非線性特性，因此卡爾曼濾波在對電池系統(tǒng)進行估計時精度下降。同時，如果電池模型存在多個局部最優(yōu)點，卡爾曼濾波容易陷入局部最優(yōu)點，因此對全局最優(yōu)點的搜索能力不強。

為了對非線性的電池系統(tǒng)進行估計，可以采用非線性估計方法對電池參數(shù)進行估計。對于參數(shù)為連續(xù)量的電池系統(tǒng)，可以采用粒子群優(yōu)化對電池參數(shù)進行估計。粒子群優(yōu)化是模擬現(xiàn)實世界中鳥群覓食的一種算法，該算法對于非線性系統(tǒng)的估計能力較強，且有一定的全局最優(yōu)點搜索能力。

技術實現(xiàn)要素：

針對上述存在問題或不足，本發(fā)明提供了一種基于粒子群優(yōu)化的電池狀態(tài)估計方法，克服現(xiàn)有技術的局限性。以使得在對電池狀態(tài)進行在線估計時，能夠適應電池模型參數(shù)的變化，從而獲得更精確的電池模型參數(shù)估計，使得電池狀態(tài)的估計更加精確。

一種基于粒子群優(yōu)化的電池狀態(tài)估計方法，其具體步驟如下：

步驟s1、初始化粒子群，初始化狀態(tài)估計器；

首先，根據(jù)模型復雜度和估計精度要求，確定粒子數(shù)量，并根據(jù)電池參數(shù)的取值范圍，初始化粒子群；

然后，根據(jù)電池特性和電池初始狀態(tài)，對粒子群中的每個粒子初始化一個狀態(tài)估計器，每個狀態(tài)估計器對應粒子群中的一個粒子；

步驟s2、對于粒子群中的每個粒子，獲得狀態(tài)后驗估計，并比較狀態(tài)后驗估計的精度獲得狀態(tài)估計，再通過狀態(tài)后驗估計得到下一采樣點的狀態(tài)先驗估計；

首先，對于粒子群中的每個粒子，根據(jù)粒子坐標獲得電池參數(shù)，并根據(jù)狀態(tài)先驗估計，通過對應的狀態(tài)估計器獲得狀態(tài)后驗估計；

然后，計算粒子適應度，比較粒子適應度獲得狀態(tài)估計；

最后，根據(jù)狀態(tài)后驗估計，通過電池模型獲得下一采樣點的狀態(tài)先驗估計；

步驟s3、根據(jù)狀態(tài)后驗估計的精度，對粒子群進行演化，獲得新的粒子群；

首先，根據(jù)步驟s2所得粒子適應度，更新粒子群中粒子的歷史最優(yōu)值；

然后，根據(jù)電池參數(shù)估計全局性的要求，選取粒子群中領袖數(shù)量，并根據(jù)粒子適應度選取粒子作為領袖；

最后，通過更新公式得到新的子種群后，合并所有子種群得到新的粒子群。

進一步的，所述步驟s3中，更新公式包括速度更新公式和坐標更新公式；

速度更新公式

坐標更新公式

其中，pi,k是粒子坐標，vi,k是粒子速度，δtk是采樣點時間間隔，ppbest,i是粒子的歷史最優(yōu)值，plbest是領袖的歷史最優(yōu)值。γv是慣性系數(shù)，α、β是加速常數(shù)，這三個系數(shù)用于控制粒子群的搜索特性，其中γv在0至1之間，γv越大，全局搜索能力越強，γv越小，局部搜索能力越強，α、β越大，則粒子對應地更多地向粒子歷史最優(yōu)值或領袖歷史最優(yōu)值搜索。這三個系數(shù)根據(jù)實際需求適當取值。u1、u2是服從n(0,1)的正態(tài)分布的隨機值，u3是服從u(0,1)的均勻分布的隨機值，其作用是加大坐標更新的時間間隔，減弱粒子坐標變化對粒子適應度計算的影響。是粒子適應度衰減常數(shù)，在0至1之間取值。

進一步的，所述步驟s2中，粒子適應度的計算公式為

其中是粒子適應度，是粒子適應度衰減常數(shù)，在0至1之間取值。δtk是采樣點時間間隔，yk是電壓測量值，是電壓預測值。

進一步的，還包括一個步驟s4：重復步驟s2、s3，以持續(xù)對電池狀態(tài)作出估計。

本發(fā)明在對電池進行狀態(tài)估計時，通過粒子群優(yōu)化，得到電池參數(shù)的估計，且當電池模型有多個局部最優(yōu)點時，相比于局部優(yōu)化方法更容易得到電池模型的全局最優(yōu)估計，從而使得狀態(tài)濾波得到的電池狀態(tài)估計更加精確。

綜上所述，本發(fā)明在對電池狀態(tài)進行在線估計時，能夠適應電池模型參數(shù)的變化，從而獲得更精確的電池模型參數(shù)估計，使得電池狀態(tài)的估計更加精確。

附圖說明

圖1為本發(fā)明的整體流程圖；

圖2為本發(fā)明步驟s1的細節(jié)流程圖；

圖3為本發(fā)明步驟s2的細節(jié)流程圖；

圖4為本發(fā)明步驟s3的細節(jié)流程圖；

圖5為實施例獲得的狀態(tài)估計曲線，其中，soc估計95％置信上限、soc估計95％置信下限根據(jù)狀態(tài)誤差協(xié)方差矩陣估計計算獲得；

圖6為實施例獲得的電壓預測值曲線與電池電壓曲線。

具體實施方式

下面結合附圖及實施例，對本發(fā)明進行進一步詳細說明。

參閱圖1，一種基于粒子群優(yōu)化的電池狀態(tài)估計方法可分為以下步驟：

步驟s1：初始化粒子群，根據(jù)模型復雜度和估計精度要求，確定粒子數(shù)量，并對于粒子群中每個粒子初始化一個狀態(tài)估計器，每個狀態(tài)估計器對應一個粒子群中的粒子。

參閱圖2，步驟s1具體包括步驟s11～s12。

步驟s11：根據(jù)模型復雜度和估計精度要求，確定粒子數(shù)量，并根據(jù)電池參數(shù)的取值范圍，初始化粒子群。

本發(fā)明方法可用于不同電池模型的估計。實際應用時，粒子群的粒子數(shù)量應根據(jù)模型復雜性及所需的估計精度進行確定。粒子數(shù)量越高，估計精度越好，但計算量也越高。本實施例中，使用一階滯變rc模型，一共初始化100個粒子構成粒子群。電池參數(shù)包括放電內(nèi)阻r⁺、充電內(nèi)阻r^-、滯變常數(shù)γ、濾波器常數(shù)α1、α2、g1、g2。其中，γ大于0，α1、α2在0到1之間。根據(jù)經(jīng)驗或歷史數(shù)據(jù)，獲得關于電池參數(shù)的取值范圍的估計，根據(jù)電池參數(shù)的取值范圍初始化粒子群。單個粒子的初始坐標為

其中，k為采樣點編號，下標min、max表示各參數(shù)的取值范圍的最小值和最大值，γ0是與γ相關的值，|γ0|＝γ，用于限制粒子群中γ為非負值，ζ1,min、ζ1,max、ζ2,min、ζ2,max是與α1、α2的最小、最大值相關的值，|ζi,minormax|＝-logai,maxormin,i＝1,2，用于限制粒子群中α1、α2值的范圍至(0,1]，u是與粒子坐標維數(shù)相同的隨機向量，其各元素服從相互獨立的u(0,1)的均勻分布。符號代表元素相乘。

單個粒子的初始速度通過隨機分布進行初始化，

其中r是與粒子坐標維數(shù)相同的隨機向量，各元素期望為0。單個粒子初始速度也可以設為0。本發(fā)明實施例中，單個粒子的初始速度vi,k設為0。

步驟s12：根據(jù)電池特性和電池初始狀態(tài)，對粒子群中的每個粒子初始化一個狀態(tài)估計器，每個狀態(tài)估計器對應一個粒子群中的粒子。

本實施例中，采用卡爾曼濾波器作為狀態(tài)濾波器。對于任意一個卡爾曼濾波器，初始化其狀態(tài)先驗估計狀態(tài)誤差協(xié)方差矩陣先驗估計

其中，k是采樣點編號，是soc先驗估計，通過測量電池初始靜置電壓，根據(jù)開路電壓函數(shù)得到初始估計，是滯變先驗估計，這里初始估計為0，為濾波器狀態(tài)先驗估計，這里初始估計為0。是對應的狀態(tài)誤差協(xié)方差先驗估計，其取值大于0。

步驟s2：對于粒子群中的每個粒子，根據(jù)粒子坐標獲得電池參數(shù)，并通過對應的狀態(tài)估計器獲得狀態(tài)后驗估計，計算粒子適應度，比較粒子適應度獲得狀態(tài)估計，最后通過狀態(tài)后驗估計得到下一采樣點的狀態(tài)先驗估計。

參閱圖3，步驟s2具體包括步驟s21～s23。

步驟s21：對于粒子群中的每個粒子，根據(jù)粒子坐標獲得電池參數(shù)，并根據(jù)狀態(tài)先驗估計，通過對應的狀態(tài)估計器獲得狀態(tài)后驗估計。

本實施例中，對于粒子pi,k，有

pi,k＝[r⁺r^-γ0ζ1ζ2g1g2]

根據(jù)粒子pi,k得到電池參數(shù)，即放電內(nèi)阻r⁺、充電內(nèi)阻r^-、滯變常數(shù)γ＝|γ0|、濾波器常數(shù)α1＝exp(-|ζ1|)、α2＝exp(-|ζ2|)、g1、g2。

由電池參數(shù)得到卡爾曼濾波的狀態(tài)方程

輸出方程

狀態(tài)矩陣

輸出矩陣

ck＝[ocv′(zk)1g1g2]

其中，ik是電池電流，通過測量獲得，δtk是采樣周期，可通過測量獲得，或取為固定值，cn是電池容量，通常通過標稱或放電測試獲得，m(z)是電池最大滯變函數(shù)，即電池充分充電至一定soc后的開路電壓與電池充分放電至該soc后的開路電壓的差值關于soc的函數(shù)，通常通過充放電測試獲得，m′(z)是m(z)關于z的導數(shù)，sgn(·)是符號函數(shù)，yk是電池電壓，通過測量獲得，ocv(z)是電池開路電壓函數(shù)，即排除滯變影響后電池開路電壓關于soc的函數(shù)，通常通過充放電測試獲得，ocv′(z)是ocv(z)關于z的導數(shù)。

得到卡爾曼增益

其中，ev為輸出噪聲協(xié)方差，根據(jù)測量儀器的精確度、輸出方程的精確度以及輸出噪聲的大小綜合確定。

根據(jù)輸出方程得到電壓預測值

從而得到狀態(tài)后驗估計

以及狀態(tài)誤差協(xié)方差矩陣后驗估計

步驟s22：計算粒子適應度，比較粒子適應度獲得狀態(tài)估計。

本實施例中，對于任一粒子，其粒子適應度為

其中是粒子適應度，是粒子適應度衰減常數(shù)，在0至1之間取值。表征了粒子對應狀態(tài)濾波器在一定時間內(nèi)電池電壓估計的精度，可以表征狀態(tài)后驗估計的精度。越小，說明狀態(tài)后驗估計的精度越高。以最小的粒子對應的狀態(tài)后驗估計、狀態(tài)誤差協(xié)方差矩陣后驗估計作為狀態(tài)估計、狀態(tài)誤差協(xié)方差矩陣估計。由上述估計可以獲得電池soc的估計以及對電池soc估計的精度的估計。

步驟s23：根據(jù)狀態(tài)后驗估計，通過電池模型獲得下一采樣點的狀態(tài)先驗估計。

本實施例中，根據(jù)狀態(tài)方程得到下一采樣點的狀態(tài)先驗估計為

其中

分別是的各分量。

又根據(jù)狀態(tài)矩陣得到下一采樣點的狀態(tài)誤差協(xié)方差矩陣先驗估計為

其中，ew為狀態(tài)噪聲協(xié)方差矩陣，其各分量值根據(jù)狀態(tài)方程的精確度及誤差相關性綜合確定。

步驟s3：根據(jù)步驟s2所得粒子適應度，對粒子群進行演化，獲得新的粒子群。

參閱圖4，步驟s3具體包括步驟s31～s33。

步驟s31：根據(jù)粒子適應度，更新粒子群中粒子的歷史最優(yōu)值。

本實施例中，根據(jù)狀態(tài)后驗估計的精度，即粒子適應度將粒子群中各粒子排序，將各粒子的名次與歷史名次比較，若名次上升，則將當前粒子坐標作為粒子歷史最優(yōu)值。然后，將各粒子的名次作為新的歷史名次。

步驟s32：根據(jù)電池參數(shù)估計全局性的要求，選取粒子群中領袖數(shù)量，并根據(jù)粒子適應度選取粒子作為領袖。

領袖粒子數(shù)量的選取根據(jù)系統(tǒng)的局部最優(yōu)點數(shù)量確定，局部最優(yōu)點越多，對全局搜索性能要求越大，則領袖粒子數(shù)量越大。

本實施例中，將100個粒子分為10個子種群，其方法為，選取粒子適應度最高的10個粒子作為子種群的領袖，依次選取剩余粒子中粒子適應度最低的9個粒子與粒子適應度最高的一個領袖一同構成一個子種群。

步驟s33：通過更新公式得到新的粒子群。

本發(fā)明實施例中，對于每個子種群，各粒子為pi,k，各粒子速度為vi,k，各粒子歷史最優(yōu)值為ppbest,i領袖歷史最優(yōu)值為plbest，則更新公式包括速度更新公式

以及坐標更新公式

其中，γv是慣性系數(shù)，α、β是加速常數(shù)，這三個系數(shù)用于控制粒子群的搜索特性，其中γv在0至1之間，γv越大，全局搜索能力越強，γv越小，局部搜索能力越強，α、β越大，則粒子對應地更多地向粒子歷史最優(yōu)值或領袖歷史最優(yōu)值搜索。這三個系數(shù)根據(jù)實際需求適當取值。u1、u2是服從n(0,1)的正態(tài)分布的隨機值，u3是服從u(0,1)的均勻分布的隨機值，其作用是加大坐標更新的時間間隔，減弱粒子坐標變化對粒子適應度計算的影響。

通過更新公式得到新的子種群后，合并所有子種群得到新的粒子群。

完成上述步驟后，重復步驟s2、s3，以獲得電池狀態(tài)的實時估計。

圖5為實施例獲得的狀態(tài)估計曲線，其中，soc估計95％置信上限、soc估計95％置信下限根據(jù)狀態(tài)誤差協(xié)方差矩陣估計計算獲得；圖6為實施例獲得的電壓預測值曲線與電池電壓曲線。

通過圖5、圖6可以看出本發(fā)明所述方法能較好地對電池狀態(tài)進行估計。