[发明专利]一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法

说明书

本发明提供了一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法，包括以下步骤：步骤一：通过间歇恒流放电测取锂电池的电流、电压；步骤二：建立锂电池二阶RC等效电路模型；步骤三：构建郊狼优化算法；步骤四：构建扩展卡尔曼滤波算法；步骤五：利用郊狼优化算法确定锂电池模型中的各个参数，并对电池SOC进行估计。本发明的有益效果为：本发明建立锂电池二阶RC模型，推导其离散状态空间表达式，利用郊狼优化算法进行模型参数辨识，相比于传统启发式算法辨识精度高、收敛速度快，利用辨识结果进行SOC估计，估计误差小，验证了郊狼优化算法在参数辨识方面的精确性。

技术领域

本发明涉及锂电池建模技术领域，尤其涉及一种基于郊狼优化算法的锂电池二阶RC模型参数辨识及SOC估计方法。

背景技术

随着工业的发展，化石燃料的储量难以满足能源需求。新能源无污染、可再生等特点让其成为各国研究重点。近年来电动汽车不断普及，相比于传统的燃油汽车，其可以实现零排放并且能源成本低。电动汽车实际的运行情况与电池管理系统(Battery ManagementSystem，BMS)所反馈的数据信息密不可分，电池荷电状态(State of Charge，SOC)作为电池管理系统中最为重要的一个参数，它的精度以及鲁棒性极其重要。荷电状态是指电池剩余电量，如果测量有偏差，则BMS在外加保护的状态下也无法正常工作，电池寿命也会缩短。高精度的SOC可以充分发挥电池的使用效率，也可以有效降低电池成本。

为了BMS可以有效地管理电池，需要建立精确的电池模型。常规的电池建模方法有：电化学模型、神经网络模型、等效电路模型，其中使用最为广泛的是等效电路模型。锂电池等效电路模型的参数辨识是建模的重点。目前辨识主要包括在线辨识、离线辨识，在线辨识能够根据电池所处环境和当前的状态对参数进行实时修正，传统的方法有递推最小二乘法，该类方法直观且实用性较好，但参数误差较大，离线辨识可以采用大量的实验数据，辨识结果有着更高的精度和适应性，但是容易陷入局部最优或者执行时间长。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法，利用郊狼优化算法和扩展卡尔曼滤波(EKF)算法对了锂电池模型进行参数辨识与SOC估计，有效解决了传统启发式算法收敛速度慢，容易陷入局部最优的问题，SOC估计值误差小，精度高，具体包括以下步骤：

本发明是通过如下措施实现的：一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法，其中，包括以下步骤：

步骤一，通过间歇恒流放电测取锂电池的电流、电压；

步骤二，建立锂电池二阶RC等效电路模型；

步骤三，构建郊狼优化算法；

步骤四，构建扩展卡尔曼滤波算法；

步骤五，利用郊狼优化算法确定锂电池模型中的各个参数，并对电池SOC进行估计；

作为本发明的一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法的进一步优化方案，所述步骤一具体包括如下步骤：

(1)充电：电池以恒流充电方式(0.5C)进行充电至截止电压，静置一段时间后，电池达到满电状态；

(2)放电：锂电池进行间歇恒流放电，放电5min，静置30min，电流为3400mA，放电倍率为1C，重复多次，直至电池电压降至截止电压；

(3)根据采集到的数据利用安时积分法计算电池放电过程中的真实SOC值。

作为本发明的一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法的进一步优化方案，所述步骤二具体包括如下步骤：

(1)建立锂电池二阶RC模型所对应的函数方程：