[发明专利]一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法

说明书

本发明公开了一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法，属于电气工程领域。包括：搭建锂电池等效电路模型；引入改进蚁群算法进行参数辨识，提出一种可靠的蚁群算法双信息素浓度计算指标与有效防止局部最优解的路径选择方法；最后，通过仿真实验对参数辨识结果精度进行验证。本发明解决了锂电池等效电路模型参数辨识精度不高的问题，提出了一种切实有效适用性强的锂电池等效模型参数辨识方法。

技术领域

本发明系锂电池的参数辨识范畴，尤其涉及一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法。

背景技术

环境保护和能源安全问题将新能源汽车特别是电动汽车推上时代舞台,成为万众瞩目的焦点,储能元件相关技术作为电动汽车的主要技术瓶颈之一是目前亟待解决的热点问题,受到世界的广泛关注。储能元件中的锂电池,因其循环使用寿命长、重量轻、能量密度高、无污染和性价比高等优点,成为了研究的大热点。目前锂电池模型主要分为电化学模型、人工神经网络模型和等效电路模型。电化学模型为了准确描述电池的特性,采用了大量的参数来模拟电池的极化现象。搭建电化学模型的计算量大、过程复杂,具有很大的局限性,不适用于实际工程应用。人工神经网络模型基于大量的实验数据进行训练进而获得电池模型参数之间的关系。其不足之处在于需要大量实验数据对电池性能进行预测,对样本电池的历史数据也有很高的依赖性。其中等效电路模型是建模、仿真与工程实际应用中最常使用的方法,常见的等效电路模型有PNGV模型、二阶RC等效模型、三阶RC等效模型。研究和应用最广泛的是二阶RC等效模型。三阶RC等效模型精度高于二阶RC等效模型，但需辨识的参数更多，计算过于复杂。锂电池分数阶模型具有比二阶RC等效模型更高的模型精度，计算量则小于三阶RC等效模型，但需辨识的参数仍较多，在不知道较理想的参数辨识取值范围的前提下，这几种锂电池等效电路模型的参数辨识的计算量非常大，辨识精度也难以保证。

蚁群算法作为一种仿生算法，对大自然中蚂蚁的觅食过程进行模拟。蚂蚁在不断的觅食过程中进行信息素交流，最终找到食物所在地和巢穴之间的最短路径。蚁群算法的主要优点为鲁棒性较好,较强的适用性。但是传统蚁群算法规避局部最优解的能力有限，算法不进行改进很容易陷入局部最优解，遗落全局最优解。

综上所述，目前,锂电池等效电路模型参数辨识存在以下技术问题：

1.不知道较理想的参数辨识取值范围的前提下，锂电池等效电路模型的参数辨识的计算量非常大，辨识精度也难以保证。

2.若采用传统蚁群算法对锂电池等效电路模型进行参数辨识，不进行改进很容易陷入局部最优解，遗落全局最优解。

发明内容

针对现有技术的不足，本发明为了克服现有的锂电池等效电路模型参数辨识精度不高的技术缺陷，提供了一种基于改进蚁群算法的锂电池等效电路模型的参数辨识方法。

本发明采用的技术手段如下：

一种基于改进蚁群算法的锂电池等效模型参数辨识方法，其特征在于，在电脑中存有如下逻辑运算模块：

参数辨识的模块；

取值范围优化方法的模块；

计算指标的模块；

路径选择方法的模块；

将锂电池脉冲放电实验数据依次经过上述模块的运算处理，最终辨识获得锂电池等效模型的参数。