一种复杂工况下的锂离子电池非线性建模方法技术

本发明专利技术提供了一种复杂工况下的锂离子电池非线性建模方法，属于锂离子电池技术领域，解决了复杂工况下最小二乘类算法辨识效果差、传统等效电路模型精度不高的技术问题。其技术方案为：包括以下步骤：步骤1)对电池进行DST和FUDS工况测试；步骤2)建立锂离子电池NL

【技术实现步骤摘要】
一种复杂工况下的锂离子电池非线性建模方法


[0001]本专利技术涉及锂离子电池
，尤其涉及一种复杂工况下的锂离子电池非线性建模方法。

技术介绍

[0002]随着工业化的不断发展，全球环境破坏与能源短缺的问题日趋严重，对于清洁、可再生能源的研究已经成为了当下的重点。以锂离子电池为核心的电动汽车得到了越来越多的关注，其实际运行情况与电池管理系统(Battery Management System，BMS)所反馈的数据有着重要的联系。电池荷电状态(State of Charge，SOC)是BMS的一个重要参数，由于汽车运行工况无法预知，且运行环境多样，SOC难以直接测量，通过电池模型对SOC进行估计是主流的方法。但对电池模型进行精确建模是一个重要难题。
[0003]等效电路模型(Equivalent Circuit Model，ECM)是应用最为广泛的一种模型，其通过电容和电阻等基本电气元件描述电池的电化学极化效应与浓度差极化效应。但实际过程中电池并非线性系统，输入与输出都会因外部扰动呈现非线性，从而影响模型精度。如何对其进行非线性建模逐渐成为研究的热点。同时，传统电池模型的辨识方法主要是最小二乘类辨识算法，其通过列写参数向量与信息向量从而构建辨识模型进行辨识，该方法适用性强，但在复杂工况下模型预测误差较大。利用群智能优化算法对电池模型进行参数辨识是一种新颖的辨识方法，根据自然界生物种群生存模式所构建的智能算法可以有效求出问题最优解，但应对不同问题时，算法效果并不都是出色的，在迭代过程中也容易陷入局部最优从而影响算法的收敛速度与精度。针对不同的问题与模型，需要在原算法基础上进行改进，从而达到最佳的辨识效果。
[0004]如何解决上述技术问题为本专利技术面临的课题。

技术实现思路

[0005]本专利技术的目的在于提供一种复杂工况下的锂离子电池非线性建模方法，在锂离子电池实际建模过程中，模型输入与输出并非呈现线性，而是会因为各种扰动呈现非线性；考虑上述因素，本专利技术基于块结构，在ECM基础上进行改进，用静态非线性函数表示模型输入，并在模型输出中增加有色噪声扰动，构建锂离子电池非线性等效电路模型(Nonlinear Equivalent Circuit Model，NL
‑
ECM)从而模拟锂离子电池实际情况下的非线性特性，实现精准建模；在开路电压补偿模型输出后，可以得到更为精确的端电压值；同时，为精确辨识模型参数，本专利技术使用灰狼优化算法(Grey Wolf Optimization，GWO)这一典型的群智能优化算法，并引入多种改进，提出改进的灰狼优化算法(Improved Grey Wolf Optimization，IGWO)，提升了算法的寻优能力与收敛速度。结果表明，改进后的算法各项指标都优于原算法。利用IGWO对动态应力测试(Dynamic Stress Test，DST)这一复杂工况进行分段辨识，并在DST、联邦城市驾驶时间表(Federal Urban Driving Schedule，FUDS)两种工况下进行模型验证，结果表明，在这两种复杂工况下，NL
‑
ECM精度明显高于ECM。
[0006]本专利技术是通过如下措施实现的：一种复杂工况下的锂离子电池非线性建模方法，其中，具体包括以下步骤：
[0007]步骤1)对电池进行DST和FUDS工况测试；
[0008]步骤2)建立锂离子电池NL
‑
ECM模型；
[0009]步骤3)构建GWO的算法流程；
[0010]步骤4)在GWO基础上进行改进，构建IGWO；
[0011]步骤5)利用IGWO辨识模型参数，在多种工况下利用辨识结果进行端电压预测；
[0012]作为本专利技术的一种复杂工况下的锂离子电池非线性建模方法，所述步骤2)具体包括如下内容：
[0013]锂离子电池的运行机理以化学反应为基础，存在非线性特性。本专利技术提出一种NL
‑
ECM建模方法，在传统锂离子ECM模型基础上引入块结构，从而模拟电池充放电过程中存在的非线性进而实现精准建模。
[0014]电池ECM模型的推导如下：
[0015]用U
oc
、U来表示电池开路电压与端电压，C1、C2两端的电压分别用U1、U2表示，R0是欧姆内阻。R1、C1表征电化学极化效应，电压快速变化过程；R2、C2表征浓度差极化反应，电压缓慢稳定的变化过程。
[0016]建立函数关系：
[0017][0018]其中I(t)为t时刻的电流，SOC为电池剩余容量，定义如下：
[0019][0020]Q
n
为电池的额定容量。
[0021]建立系统的离散状态空间表达式：
[0022][0023][0024]根据基尔霍夫定律，对ECM模型建立传递函数：
[0025][0026]采用双线性变化，将函数从s平面投射到z平面，可以得到：
[0027][0028][0029]其中：τ1＝R1C1，τ2＝R2C2，a＝R0，b＝τ1τ2，c＝τ1+τ2，d＝R0+R1+R2，e＝R0(τ1+τ2)+R1τ1+R2τ2。
[0030]考虑输入电流因测量过程中存在扰动而呈现非线性，利用静态非线性函数f(
·
)(以多项式形式)来表示：
[0031][0032]其中I(z)是输入电流，为p阶多项式，表示扰动影响后的输入电流，α
t
为多项式
系数，本专利技术中p＝2。
[0033]电池输出端电压存在外部扰动w(z)，即有色噪声。假设外部扰动平稳且具有有理谱密度，扰动通道的极点多项式与过程通道一致，零点多项式与极点多项式阶次相同，即:
[0034][0035]h(
·
)为非线性函数，其中v(z)为白噪声。从而可以建立电池NL
‑
ECM模型输出表达式：
[0036][0037]假定b0＝1，将上式展开：
[0038][0039]定义参数向量θ与信息向量
[0040]θ＝[a1,a2,b1,b2,γ1,γ2,d1,d2]T
∈R
n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0041][0042]建立辨识模型：
[0043][0044]作为本专利技术的一种复杂工况下的锂离子电池非线性建模方法，所述步骤3)具体包括如下内容：
[0045]GWO是一种经典的群智能优化算法，利用群体中存在的等级制度，并通过模拟灰狼群体中的头狼狩猎机制以及捕食过程中的包围和狩猎等行为，从而达到寻优的目的。
[0046]头狼α被视为级别最高的灰狼，β狼是头狼α的下属，δ狼则从属于β与α，剩余个体记作w。算法中灰狼α作为最优解与次优解β、再优解δ通过引导w灰狼完成狩猎行为从而实现算法的迭代寻优。狩猎行为包括2个部分：包围与攻击。
[0047]1)包围
[0048]设灰狼种群规模设为N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂工况下的锂离子电池非线性建模方法，其特征在于，包括以下步骤：步骤1)对电池进行DST和FUDS工况测试；步骤2)建立锂离子电池NL
‑
ECM模型；步骤3)构建GWO的算法流程；步骤4)在GWO基础上进行改进，构建IGWO；步骤5)利用IGWO辨识模型参数，在多种工况下利用辨识结果进行端电压预测。2.根据权利要求1所述的一种复杂工况下的锂离子电池非线性建模方法，其特征在于，所述步骤2)包括如下内容：电池ECM模型的推导如下：用U
oc
、U来表示电池开路电压与端电压，C1、C2两端的电压分别用U1、U2表示，R0是欧姆内阻，R1、C1表征电化学极化效应，电压快速变化过程；R2、C2表征浓度差极化反应，电压缓慢稳定的变化过程；建立函数关系：其中I(t)为t时刻的电流，SOC为电池剩余容量，定义如下：Q
n
为电池的额定容量；建立系统的离散状态空间表达式：
根据基尔霍夫定律，对ECM模型建立传递函数：采用双线性变化，将函数从s平面投射到z平面，得到：采用双线性变化，将函数从s平面投射到z平面，得到：其中：τ1＝R1C1，τ2＝R2C2，a＝R0，b＝τ1τ2，c＝τ1+τ2，d＝R0+R1+R2，e＝R0(τ1+τ2)+R1τ1+R2τ2；考虑输入电流因测量过程中存在扰动而呈现非线性，利用静态非线性函数f(
·
)，以多项式形式来表示：其中I(z)是输入电流，为p阶多项式，表示扰动影响后的输入电流，α
t
为多项式系数，本发明中p＝2；电池输出端电压存在外部扰动w(z)，即有色噪声，假设外部扰动平稳且具有有理谱密度，扰动通道的极点多项式与过程通道一致，零点多项式与极点多项式阶次相同，即:h(
·
)为非线性函数，其中v(z)为白噪声，从而建立电池NL
‑
ECM模型输出表达式：假定b0＝1，将上式展开：
定义参数向量θ与信息向量θ＝[a1,a2,b1,b2,γ1,γ2,d1,d2]
T
∈R
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)建立辨识模型：3.根据权利要求1所述的一种复杂工况下的锂离子电池非线性建模方法，其特征在于，所述步骤3)包括如下内容：GWO是一种群智能优化算法，利用群体中存在的等级制度，并通过模拟灰狼群体中的头狼狩猎机制以及捕食过程中的包围和狩猎行为，从而达到寻优的目的；头狼α被视为级别最高的灰狼，β狼是头狼α的下属，δ狼则从属于β与α，剩余个体记作w，算法中灰狼α作为最优解与次优解β、再优解δ通过引导w灰狼完成狩猎行为从而实现算法的迭代寻优，狩猎行为包括2个部分：包围与攻击；1)包围设灰狼种群规模设为N，搜索维度为d，包围猎物的过程如下：D＝|C
·
X
p
(t)
‑
X(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)X(t+1)＝X
p
(t)
‑
A
·
D
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)式中t为当前迭代次数，X
p
为猎物的位置向量，X为灰狼的位置向量，D为狼群个体与猎物之间的距离；A为灰狼对狩猎对象的攻击系数，C为协同系数，计算公式如下:A＝2a
·
r1‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)C＝2
·
r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)式中r1和r2为随机向量，a为收敛因子，a＝2
‑
2t/t
max
，t
max
为最大迭代次数；2)攻击包围猎物后，灰狼会对猎物进行攻击，该过程存在位置更新，最优狼α会引导狼群靠近猎物，β、δ...

【专利技术属性】
技术研发人员：李俊红，褚云琨，蒋泽宇，蒋一哲，顾菊平，华亮，芮佳丽，白贵祥，
申请(专利权)人：南通大学，
类型：发明
国别省市：