[发明专利]一种基于IDE-ASRCKF的锂离子电池参数辨识与SOC估计方法

说明书

本发明提供了一种基于IDE‑ASRCKF的锂离子电池参数辨识与SOC估计方法，属于锂离子电池技术领域，其技术方案为：包括以下步骤：步骤1)通过间歇恒流放电测取电池的负载电流和端电压数据，确定OCV‑SOC关系；步骤2)建立锂离子电池的二阶RC模型；步骤3)构建IDE算法的辨识流程，对电池模型参数进行辨识；步骤4)构建ASRCKF算法的估计流程；步骤5)利用IDE算法确定锂电池模型中的各个参数，并利用ASRCKF对电池SOC进行估计。本发明的有益效果为：本发明提高了算法的收敛速度与精度；利用辨识得到的参数结果结合ASRCKF算法进行SOC估计，精度高、鲁棒性好，效果优于CKF。

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种基于IDE-ASRCKF的锂离子电池参数辨识与SOC估计方法。

背景技术

锂离子电池荷电状态(State Of Charge，SOC)是电池管理系统(BatteryManagement System，BMS)中的重要参数之一，为汽车电池组的控制策略提供判断依据。通常情况下，通过对锂离子电池的端电压、负载电流以及环境温度进行实时监测来进行SOC估计，进而完成对电池组的控制，精确的SOC估计结果可以保障电池系统安全可靠地运行。

建立恰当、精准的电池模型对SOC估计效果至关重要。根据电池模型中参数处理方法的不同，锂离子电池模型可以分为电化学模型、神经网络模型和等效电路模型，其中等效电路模型是研究较为广泛的一种模型。模型辨识方法主要分为在线辨识与离线辨识，传统在线辨识方法可以根据电池所处环境和当前电池状态对参数进行实施修正，但在某些情况下参数误差较大，相比之下，离线辨识可以调用大量数据，参数精度更高，有一定的优势。离线辨识领域各类群智能优化算法被广泛运用，如何保证算法精度高、收敛速度快是研究的重要课题。

在高精度的电池模型基础上，选用何种SOC估计方法同样重要，目前常用的估计方法分为2种：一是利用安时积分法直接计算得出，但该类方法过度依赖SOC初始值，在初值误差较大的情况下，估计误差较大，不符合实际需求；二是基于电池模型与状态量预测结果进行估计，如支持向量机、神经网络、卡尔曼滤波算法，前两种方法对数据量以及数据质量有着较大地要求，应用受限，而卡尔曼滤波算法研究较为成熟，能够很好的解决SOC估计问题，但仍面临精度不高、鲁棒性差等问题。

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IDE-ASRCKF的锂离子电池参数辨识与SOC估计方法，在原差分进化算法(DE)基础上加入自适应因子，改进变异和交叉过程，提出一种改进差分进化算法(IDE)，有效解决了传统启发式辨识算法容易陷入局部最优、收敛速度慢等问题，且辨识参数精度高，考虑传统容积卡尔曼滤波(CKF)算法误差协方差矩阵的正定性难以保证，引入平方根滤波，直接计算状态量误差协方差预测值与状态量误差协方差估计值的平方根因子，避免对矩阵求平方根；同时引入残差序列与自适应因子，对过程噪声与测量噪声进行自适应更新，从而提高过程噪声与测量噪声的准确性。两种改进结合，提出自适应容积卡尔曼滤波(ASRCKF)算法并用于估计锂离子电池SOC，估计结果准确，且算法鲁棒性高。

本发明是通过如下措施实现的：一种基于IDE-ASRCKF的锂离子电池参数辨识与SOC估计方法，其中，具体包括以下步骤：

步骤1)通过间歇恒流放电测取电池的负载电流和端电压数据，确定OCV-SOC关系；

步骤2)建立锂离子电池的二阶RC模型；

步骤3)构建IDE算法的辨识流程，对电池模型参数进行辨识；

步骤4)构架ASRCKF算法的估计流程；

步骤5)利用IDE算法确定锂电池模型中的各个参数，并利用ASRCKF对电池SOC进行估计；