繁殖型PSO算法在电池模型辨识中的应用.pdfVIP

第 33卷 第 5期 电工 电 能 新 技 术 Vo1．33，NO．5 2014年 5月 AdvancedTechnologyofElectricalEngineeringandEnergy Mav2014 繁殖型PSO算法在 电池模型辨识中的应用 张金龙，漆汉宏 (燕山大学电气工程学院，河北 秦皇岛066004) 摘要：针对铅酸蓄电池在工作 中呈现非线性特性，电池模型等效参数随其荷 电状态(SOC)改变而 发生变化以致难以准确估计的问题 ，本文结合常见的等效电池模型，应用一种带有繁殖机制的粒子 群优化 (PSO)算法对蓄电池模型参数进行 了辨识。本研究采用基于特定分析方程的参数描述形 式．在不同SOC状态下对等效模型进行 了参数优化。测试结果表明，采用这种带有繁殖机制的 PSO算法所估计 出的蓄 电池模型能够较准确地跟踪 电池的实际工作 电压 ，从而验证 了该算法在蓄 电池模型辨识 中的实用价值 ，为建立准确的蓄电池模型提供 了一个系统化、理论化的方法。 关键词 ：铅酸电池；粒子群优化 ；繁殖机制 ；参数辨识 中图分类号：TM911；TM9I2 文献标识码 ：A 文章编号 ：1003—3076(2014)05—0063—06 池 ，出于工程实现方便和参数辨识容易执行方面的 1 引言 考虑 ，选取 目前广泛使用的Thevenin模型 。’ ，如图 作为当前应用最广泛 的储能手段 ，蓄 电池是 电 1所示 。它主要 由等效电动势环节 E、欧姆电阻 ．、 动汽车 、新能源发 电等热点技术 中的重要环节 。需 极化电阻R 和极化电容 c组成。 要注意的是 ，蓄电池本身呈现一种非线性 的工作特 性 ，其模型参数又是时变的，这导致从蓄电池外特性 来把握 其 内部状态相 当 难 ，如 电池荷 电状态 (SOC)及健康状态 (SOH)等。本文就是 以准确估计 蓄电池等效模型参数为研究 目的展开的。 对于蓄电池模型的辨 ，采用普通 的最小二乘 辨识不容易获得理想的模型精度 ，当前多采用一种 图1 Thevenin模型 参数统计辨识 的策略，即以电池工作状态切换时的 Fig．1 Theveninmodel 外特性变化为依据，结合数学工具软件采用模型 函 数拟合出电池模型的参数值 …。但采用该方法时， 在此以电池放电电流为正方 向，则该模型所体 前期测试数据的采集 、处理埂分析工作较繁琐 ，工作 现的电气关系在时域内可描述为： 量较大 ，并且没有严格的规则 ，不能形成一个完整 的 rE(t)=i(t)R1+Vc(t)+V(t) 理论体系 ，因此辨识出的模型精度也不能够得到保 ： c + 证。为此 ，本文引入带有繁殖机制 的粒子群优化算 法 (ParticleSwarm Optimization，PSO)对蓄电池模型 零初始条件下其拉氏变换为 ： 进行辨识 。 rE(5)=i(s)Rl+V (s)+V() ’ 2 蓄电池等效模型的建立 州 本文研究对象为常见 的阀控铅酸 (VRLA)电 对式(2)进行 Z变换 ，且令 =RC，可得 ： 收稿 日期 ：2013—