基于粒子群算法电池模型参数辨识.docVIP

基于粒子群算法电池模型参数辨识 　　摘要：为实现动力电池精准的SOC估计，对磷酸铁锂动力电池建立二阶等效电路模型，考虑到汽车运行工况的复杂性，针对电池运行过程中的动静态特性，利用Arbin测试柜获取电池HPPC测试实验数据，采取粒子群算法计算电池模型参数全局最优解。另外，文章将HPPC离线电压数据与电池模型输出电压数据对比，最大误差为0.067V，能有效地反映出电池的动静态特性，为电池状态精确估计奠定了基础。 　　Abstract： In order to achieve accurate estimation of power ithium iron phosphate battery state of charge（SOC）， a second-order equivalent circuit model for the traction lithium-ion battery of electric vehicle is established. Considering the complexity of vehicle operating conditions and dynamic and static characteristics of batteries during run time， experimental results of HPPC test for batteries are obtained by using Arbin testing cabinet and global optimum of model parameters for batteries has been achieved. Besides， we compare HPPC off-line voltage data with output voltage of battery model and find that maximal error is 0.067V， which means it could represent dynamic and static characteristics of batteries， thus laying the foundations for accurate estimation of state of lithium-ion. 　　关键词：电池模型；参数辨识；粒子群算法；电动汽车 　　Key words： battery model；parameters identification；particle swarm optimization；electric vehicles 　　中图分类号：TM914.4 文献标识码：A 文章编号：1006-4311（2016）22-0102-03 　　0 引言 　　随着电动汽车的发展，锂离子动力电池因其能量密度高，循环寿命长以及购买成本低等特点，被广泛用于电动汽车的动力源[1]。在实际使用中为了满足电动汽车动力性的要求，通常将成百上千个单体电池按照不同的串并联方式组成电池包，由于电池生产技术限制不能保证电池包中每个单体电池的安全稳定，因此，要通过电池管理系统（BMS）实时监控电池单体信息并反映出电池信息包括电池剩余电量（SOC）以及电池健康状态（SOH）[2]，然而以上两种状态不能直接测量，必须通过基于电池模型算法计算，所以电池模型的精确与否直接影响到估计状态的精度。 　　当前，锂离子动力电池模型主要包括电化学模型，等效电路模型以及黑箱模型[3]。电化学模型可以较准确地反映出电池内部的反应特征，但是由于计算结构复杂不适合于动态运行的电动汽车。黑箱模型包括神经网络模型、模糊逻辑模型以及支持向量机模型，该方法需要大量的离线数据训练，且对采集数据较敏感。大量文献表明[4-11]，等效电路因其结构简单并能详尽反映出电池的动静态特性，被广泛用于理论研究及工程应用，而模型精度主要取决于参数辨识精度，动力电池模型参数辨识主要包括最小二乘法、卡尔曼滤波算法以及最小二乘法的扩展形式。最小二乘法参数辨识方式，局部辨识具有较高精度，而对于整体参数辨识不能获得满意结果。本文针对二阶等效电路模型提出基于粒子群算法的系统辨识方法，该方法不仅保证局部辨识精度，而且对于全局也能获得较好的辨识精度，另外，将辨识结果在Matlab仿真中验证辨识结果。 　　1 电池建模 　　本文所测试的动力电池为额定容量5Ah，额定电压3.6V，通过分析不同等效电路结构，采用二阶等效电路模型，该模型在不失精度的前提下，阶数适中方便计算，如图1所示，该等效电路包括两个RC电路，分别反映电池的极化现象以及电池的扩散现象。 　　图1中Ub、Cb分别表示电池开路电压（OCV）及电池