[发明专利]一种基于改进蜻蜓算法的蓄电池参数辨识方法

说明书

本发明涉及一种基于改进蜻蜓算法的蓄电池参数辨识方法，包括以下步骤：一、构造三阶戴维南等效电路模型；二、采集蓄电池变电流放电的端电压变化数据，与模型输出结果构建适应度函数；三、选择蜻蜓算法作为辨识方法，使用Tent混沌映射搜索空间内的初始化蜻蜓种群；四、利用精英反向学习群策略进一步优化种群多样性；五、基于蜻蜓算法和由S型函数构造的行为权重来自适应的调整飞行步长，更新种群位置；六、重复实施步骤四和步骤五的操作，直到猎物的适应度满足期望值或者达到最大迭代步数；七、输出最优个体的参数信息作为蓄电池的模型参数，并绘制拟合曲线与误差曲线。本发明可替代传统蓄电池辨识方法，有效的提高蓄电池参数的辨识精度。

技术领域

本发明涉及一种基于改进蜻蜓算法的蓄电池参数辨识方法，属于电池管理系统技术领域。

背景技术

蓄电池作为一种零污染、零排放的清洁能源,已广泛应用在电动汽车领域。蓄电池模型的参数辨识是荷电状态准确估计的重要基础。在实际应用中,准确估计蓄电池的荷电状态能够防止蓄电池因过充、过放而导致的寿命缩短或因设置过多的冗余电量而导致的能量输出降低等问题。因此,获得准确的蓄电池模型参数成为研究蓄电池的重要环节。

目前蓄电池模型的辨识方法主要有：非线性最小二乘法、卡尔曼滤波辨识法和基于智能优化算法的辨识方法。非线性最小二乘法具有计算量小、占用内存少和无需存储全部数据的优点，可实现对电池模型参数的实时在线辨识，但非线性最小二乘法对复杂非线性系统的辨识精度较低。卡尔曼滤波辨识法能对含有噪声的信号实现较为准确的估计，但其存在过于依赖噪声统计特性和必须确定状态变量初始值的缺点。智能优化算法具有限制条件少和辨识非线性能力强等优点，已被广泛应用于电池模型的参数辨识中，但是经典智能算法大多存在收敛速度慢和已陷入局部极小点问题，导致整体辨识精度不高。蜻蜓算法是一种新型启发式智能算法，通过模拟蜻蜓群体航行、觅食及躲避外敌等行为实现算法的全局搜索和局部开发，然而在复杂非线性优化问题中，其仍存在寻优效率不高和易陷入局部最优的缺陷，为此提出了基于增强种群多样性和全局搜索向局部搜索过渡的平衡性的改进蜻蜓算法。

发明内容

本发明的目的是提供一种基于改进蜻蜓算法的蓄电池参数辨识方法，针对蜻蜓算法中种群多样性和全局搜索向局部搜索过渡的平滑性不足，提出一种高效率高精度的蓄电池参数辨识方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于改进蜻蜓算法的蓄电池参数辨识方法，包括以下步骤：

一、构造三阶戴维南等效电路模型；

二、采集蓄电池变电流放电的端电压变化数据，与步骤一模型输出结果构建适应度函数；

三、选择蜻蜓算法作为辨识方法，并使用Tent混沌映射搜索空间内的初始化蜻蜓种群，并根据适应度优劣设置猎物和天敌；

四、利用精英反向学习群策略进一步优化种群多样性；

五、基于蜻蜓算法和由S型函数构造的行为权重来自适应的调整飞行步长，更新种群位置；

六、重复实施步骤四和步骤五的操作，基于步骤一构造出的模型，不断更新迭代蜻蜓种群的位置，直到猎物的适应度满足期望值或者达到最大迭代步数；

七、输出最优个体的参数信息作为蓄电池的模型参数，并绘制拟合曲线与误差曲线。

八、进一步验证改进蜻蜓算法的优越性，将其与辨识性能良好的新型改进算法作比较。

本发明技术方案的进一步改进在于：步骤一中三阶戴维南等效电路由内置电压源、等效内阻与三段RC网络串联构成。

本发明技术方案的进一步改进在于：步骤三中种群适应度最小的为猎物，适应度最大的为天敌。