[發(fā)明專利]一種基于模型與算法分步融合的荷電狀態(tài)估計方法

有效

• 申請?zhí)枺?/td>: 202010061072.2
• 申請日: 2020-01-19
• 公開（公告）號: CN111060824B
• 公開（公告）日: 2021-08-06
• 發(fā)明（設計）人: 胡犇;趙萬忠;章波;汪安旭;劉津強;顏伸翔;黃云豐;吳子涵
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/388
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種基于模型與算法分步融合的荷電狀態(tài)估計方法，其特征在于，包括步驟如下：

步驟S1：選定待測動力電池，基于Rint模型、一階RC模型、二階RC模型分別建立狀態(tài)方程，確定其在線辨識的系統(tǒng)狀態(tài)和模型參數；

步驟S2：對該動力電池進行恒流脈充放電實驗以及混合脈沖功率特性實驗，記錄相應的實驗數據；

步驟S3：基于上述恒流脈沖充放電實驗記錄的實驗數據，建立開路電壓與荷電狀態(tài)關系模型；

步驟S4：針對所選用的Rint模型、一階RC模型、二階RC模型，在上述步驟S2中混合脈沖功率特性實驗得到的實驗數據基礎上利用含遺忘因子的最小二乘法對模型參數進行在線辨識；

步驟S5：在同一個模型下，分別利用自適應擴展卡爾曼濾波算法和HIF濾波算法對動力電池的荷電狀態(tài)進行估計，將結果通過初步融合得到單模型下的估計值；

步驟S6：基于上述步驟S5得到的三種模型下的估計值通過計算相應的權值進行二次融合，得到最終的荷電狀態(tài)估計結果；

所述步驟S6)中的二次融合具體如下：

在步驟S5)得到三種模型下的各自的荷電狀態(tài)和端電壓估計結果的基礎上，通過粒子群算法計算出三種模型所對應的權值，從而實現(xiàn)不同模型的融合；關于粒子群算法求解權值的說明如下：

初始化一群隨機粒子，總數為100，i維空間中的第η個粒子的位置X_η和速度v_η表示為：

X_η＝(X_η1,X_η2,X_η3),η＝1,2,…,100

v_η＝(v_η1,v_η2,v_η3),η＝1,2,…,100

粒子的適應度函數為：

計算每個粒子的適應度，并根據適應度來更新每個粒子自身經歷過的最好位置P_η和群體內所有粒子經歷過的最好位置P_g，其中，P_η和P_g分別表示為：

P_η＝(P_η1,P_η2,P_η3),η＝1,2,…,100

P_g＝(P_g1,P_g2,P_g3)

每次迭代完成后，便得到一組P_η和P_g，每個粒子根據這兩個值來更新其在搜索范圍內的位置和速度，相應的更新方程如下：

式中：i表示第i維，i＝3，K為迭代次數，ω為慣性權重，C₁和C₂為學習因子，α和β為[0,1]之間的隨機數；

最大迭代次數設為100，最小界限設為0.01V，當粒子群算法執(zhí)行到最大迭代次數或者全局最優(yōu)位置達到最小界限要求則輸出群體最優(yōu)位置P_g，即完成當前時刻下三個模型的權值求解；而最終的荷電狀態(tài)估計結果即為：

得到的k時刻的最終荷電狀態(tài)估計結果z_e,k還需反饋為下一時刻的SOC初始值。

2.根據權利要求1所述的基于模型與算法分步融合的荷電狀態(tài)估計方法，其特征在于，所述Rint模型、一階RC模型、二階RC模型均為等效電路模型，三者共同的元器件包含：電壓源U_OC和電池歐姆電阻R₀，一階RC模型增加了電池電化學極化電阻R₁和電化學極化電容C₁；二階RC模型增加了電池電化學極化電阻R₁、電池濃差極化電阻R₂、電化學極化電容C₁和電池濃差極化電容C₂。