粒子群算法在电池离线参数辨识应用

这一应用主要是利用粒子群算法的全局优化能力和随机搜索特性，对电池的等效电路模型参数进行离线辨识。通过设定目标函数，并对其进行寻优，可以找到使电池模型输出与实际测量值最为接近的参数值。这种方法具有原理简单、参数少、实现容易等优点，并且已经在锂离子电池等电池系统的参数辨识中得到了广泛应用。

粒子群算法基本原理详见：粒子群优化算法及应用-CSDN博客

目录

1、电池模型建立

1.1 二阶RC模型

1.2 状态方程建立

2、 电池模型辨识

2.1电池放电数据

2.2 参数R0的求解

2.3 适应度函数的建立

3 辨识结果

---

1、电池模型建立

1.1 二阶RC模型

目前广泛采纳的等效电路模型涵盖了Thevenin模型、PNGV模型以及多阶RC模型。研究表明，二阶RC网络模型在锂电池多种特性的模拟上表现出较高的精确度，并且能够有效地控制计算复杂度，使之保持在适宜的范围内。

图1 二阶RC模型

该模型结构包含一个电压源Uocv、一个欧姆内阻R0以及两个并联的RC网络。电压源Uocv代表电池的开路电压，它是关于荷电状态（SOC）的非线性函数，此函数可通过拟合方法获得。欧姆内阻R0体现了电极、电解液及隔膜对离子传输的阻碍。而R1 C1与R2 C2两组元件则分别描述了电池的两个极化效应。在此模型中，Ud代表锂电池的端电压，I代表流经电池的总电流。此外，U1和U2分别代表两个并联RC网络中电容的两端电压。

1.2 状态方程建立

离散化后

联立上公式可得

2、 电池模型辨识

2.1电池放电数据

锂离子测试放电工况：(1)选择容量为3000mAh的18650电池，对电池进行1C(3A)恒流充电直至4.5V使电池的SOC为100％后静置2个小时；(2)以1C(3A)恒流放出10％SOC的电量，然后静置2小时；(3)循环(2)，直至达到放电截止电压。 得到放电曲线图如下：

图2 放电曲线图

2.2 参数R0的求解

图3 电压局部放大

欧姆电阻R0是让电池端电压在通电和断电时电压骤变的主要原因。欧姆电阻R0可以用公式直接计算出来，具体公式如下：

2.3 适应度函数的建立

所以待辨识量分别为:[]

  变量假设：

目标函数：

其中表示真实电压值，表示模拟电压值。

取值范围：

 

3 辨识结果

以SOC在90%~80%这一段为例：

分别在SOC为100%~90%  90%~80% …30%~20%  20%~10%这十段进行辨识得到如下结果： 

SOC初值	R0	R1	C1	R2	C2
1	0.022034802	0.011930178	1648.827511	0.0001	26800.2111
0.9	0.019067938	0.017814006	2067.056745	0.0001	25237.3772
0.8	0.018434562	0.016547427	496.6552263	0.018193717	19137.38592
0.7	0.018101207	0.014575586	299.6297523	0.016281963	67732.88892
0.6	0.018067871	0.016154616	1939.862556	0.0001	39859.65891
0.5	0.018101207	0.015066913	2040.813885	0.018953871	85567.55239
0.4	0.017933333	0.017643095	1675.343725	0.0001	99586.48222
0.3	0.017801187	0.021368654	1168.10599	0.025809413	69207.09768
0.2	0.018067871	0.026402727	242.9941401	0.018055158	24493.54703
0.1	0.019401293	0.02101448	3081.03392	0.1	15201.50666

最后将辨识结果全部带入模型

电压最大相对误差小于2.5%，满足要求。说明粒子群算法辨识二阶RC模型是可行的！！！

本人喜欢研究优化算法，可以加好友交流交流，可以私信我要代码或者更新你所想看到的内容！