一种基于优化差分进化算法的电池参数辨识方法与流程

本发明涉及新能源，尤其涉及一种基于优化差分进化算法的电池参数辨识方法。

背景技术：

1、为了保证电池的安全运行，需要对电池内部参数进行辨识，以防止电池出现过放、过充、过热和退化等现象，现有技术中已经通过差分进化算法实现电池参数辨识。差分进化算法是一种基于浮点数编码随机搜索的方法，由于其实现简单、理解容易、控制参数少、短时间内收敛速度快、收敛精度高等优点，现已成功应用于科学与工程领域。然而随着待求解问题复杂度的增长，差分进化算法本身也存在诸如早熟收敛、求解精度低、收敛速度慢等缺陷，导致最终限制了电池参数辨识效率和精度，而电池参数辨识精度低便会严重影响应用价值。

2、对此，现有技术中对差分进化算法进行了改进，即采用了改进差分进化算法实现电池参数辨识，如申请号为cn202111654358.2的中国发明专利文献，公开了一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法，其通过对基本de算法中的变异、交叉过程进行改进，提出一种改进的差分进化算法，提升算法寻优过程，加快收敛速度，但其还存在以下缺陷：

3、首先，在变异前期，变异概率小，采用上述现有技术提出的一种改进的差分进化算法可以提高收敛速度，但随着变异时序的递增，变异概率会慢慢变大，上述现有技术已经无法满足收敛要求。其次，变异系数f获取不明确，容易导致算法早熟的现象出现。

技术实现思路

1、本发明的目的在于，针对上述现有技术的不足，提出一种基于优化差分进化算法的电池参数辨识方法，通过对差分进化算法进行改进，改善算法的收敛性能，以及提高算法的收敛精度，解决电池参数辨识效率和精度受限的问题，具有重要的理论研究意义和实际应用价值。

2、本发明是通过采用下述技术方案实现的：

3、一种基于优化差分进化算法的电池参数辨识方法，包括以下步骤：

4、s1，根据目标电池的工作机理建立等效电路模型，确定待识别的目标参数；其中，待识别的目标参数包括电池的极化内阻r1、电池的极化电容c1和电池的欧姆内阻r0；

5、s2，在设定的不同测试温度下，对目标电池进行电性测试试验，以获得其电气参数；

6、s3，引入粒子群算法构建优化差分进化算法；

7、s4，将电气参数输入优化差分进化算法，利用优化差分进化算法识别出目标参数；

8、s5，基于等效电路模型验证目标参数的识别精度。

9、优选的，所述步骤s1中，等效电路模型包括：

10、用于描述电池的静态性能的一阶等效电路模型

11、用于描述电池的动态性能的一阶等效电路模型

12、其中，r1表示电池的极化内阻，c1表示电池的极化电容，exp()表示以自然常数e为底的指数函数。

13、优选的，所述步骤s2中，对目标电池进行电性测试试验是同时进行soc-ocv测试和hppc测试，包括以下步骤：

14、s21，预设试验参数，包括试验环境温度α、电流倍率β、静置时间γ、采样间隔时间δ和soc取点间隔θ；

15、s22，在试验环境温度α下，以电流倍率β给目标电池充电至3.65v后，以恒压3.65v给目标电池充电，直至充电电流达到0.01～0.1c时截止，将目标电池静置5～30min；其中，c表示电池的额定容量；

16、s23，对目标电池进行循环放电和充电操作，并在此过程中基于采样间隔时间δ记录电池的电压；其中，对目标电池进行循环放电和充电操作包括以下步骤：

17、s231，以0.3～1c的恒流放电5～20min后，静置0.5～2h；

18、s232，以0.3～1c的恒流放电1～15s后，静置30～50s；

19、s233，以0.3～1c的恒流充电1～15s后，静置30～50s；

20、s234，循环步骤s231～s233，直至所有soc取点范围内的ocv和hppc都测量完毕后，循环结束；

21、s24，以0.3～1c的恒充电50～100min，使目标电池的soc在30％～70％范围内；

22、s25，按照静置时间γ对目标电池进行静置，在此期间，记录目标电池的端电压，拟合建立soc-ocv曲线和hppc曲线。

23、优选的，所述步骤s3中，还包括动态工况下的测试，即在dst、hwfet、uedc、udds和ctcdc五种工况下进行单独测试，同时调整电流比例，在将五种工况交叉混合的条件下进行测试，以加重工况复杂度。

24、优选的，所述步骤s4中，构建优化差分进化算法包括以下步骤：

25、s31，初始化操作；令种群大小表示为np，种群中的个体表示为xi＝(di,1，di,2，di,3，…，di,d)；其中，i＝1，2，…，np；d表示待识别目标参数的个数；

26、s32，确定变异操作策略；搭建优化差分进化算法的变异向量vi计算方式，即对于种群中每个个体xi，根据变异概率f的大小，在下面的两种变异公式中选择一种或两种产生变异向量vi：

27、变异公式一，

28、变异公式二，

29、其中，xr1、xr2和xr3分别表示在种群中随机选择的三个不同个体，r1、r2和r3分别表示种群中不同个体的索引号，即r1≠r2≠r3≠i，xbest表示为当前最优被变异向量，λ为控制因子，t表示当前迭代次数；

30、s33，确定交叉操作策略；其中，交叉公式如下：

31、

32、其中，u表示试验向量；x表示目标向量；v表示变异向量；cr表示交叉算子，随机交换种群和变异种群的某一维度参数，产生实验种群ui,j；i和j为整数，标记所选择的具体向量；

33、s34，确定选择操作策略：计算实验种群ui,j的适应度值fx，与前种群的适应度值比较，选择相对小代替种群的个体，以完成初始种群更新，选择公式如下：

34、

35、其中，f为目标函数。

36、优选的，所述步骤s34中，新的种群所有个体必须在边界内，边界条件处理选择边界吸收法，边界吸收的方法为：假设目标向量x的边界范围是[xmax，xmin]，令x′表示经过变异或者交叉操作后所得的新个体，则有：

37、

38、优选的，所述步骤s4中，利用优化差分进化算法识别出目标参数的过程中，采用如下变异策略：

39、在[0,300]的时序范围内，基于所述变异公式一进行变异；

40、在(300,400]的时序范围内，采用vi＝ax+by的方式进行变异；其中，a和b为常数，x表示变异公式一，y表示变异公式二；

41、在(400,1200]的时序范围内，基于所述变异公式二进行变异。

42、优选的，所述步骤s4中，a的取值范围为0～1，b的取值范围为0～0.3。

43、优选的，所述步骤s32中，还包括获取变异概率f，包括以下步骤：

44、获取变异算子v0，具体的：v0＝(np)-n；其中，n为固定系数，取值范围为-1～0；

45、获取控制因子λ，具体的：其中，tm表示最大迭代次数，t表示当前迭代次数；

46、获取变异概率f，具体的：f＝v0·2λ。

47、本发明所带来的有益的技术效果：

48、1)本技术方案通过引入粒子群算法构建优化差分进化算法，通过结合粒子群算法全局最优快速收敛的优点对差分进化算法的改进，弥补了传统差分进化算法的缺点，可大幅度提高收敛的速度，有效提高计算效率，以及参数辨识的准确性更具实际应用前景。

49、2)本技术方案采用了专门的变异策略，在该策略中，考虑了随着时序迁移变异概率会发生变化的特点，具体的，当变异概率较小的情况下算法收敛速度较快，因此不需要引入xbest，过早引入可能会使算法早熟，随着时间迁移，概率慢慢变大，此时算法收敛速度变慢，计算效率大幅度降低，算法迟迟无法收敛，因此引入xbest，集中在最优点附近进行仔细搜索，加快算法收敛速度，提高计算效率，通过本策略可以使算法精度以及收敛速度均得到提高，还可避免算法早熟。

50、3)本技术方案进行了变异系数的确定，即将变异系数f设置为一个随着迭代次数变化的值，在迭代初期的时候，f较大，可以保持种群的多样性，随着迭代次数的增加，f减小，能够保存优良的种群信息，避免破坏最优解；进一步的，引入自适应算法，同时额外引入变异算子，自适应算法的引入可以避免f值选取不当算法出现早熟，导致算法精度过低，并额外引入变异算子，避免出现f值引起的收敛速度过慢问题。