[发明专利]一种基于储能锂电池等效电路模型计算电池荷电状态方法

说明书

本申请提供一种基于储能锂电池等效电路模型计算电池荷电状态方法，包括：获取储能锂电池等效电路模型的开路电压与电池荷电状态的非线性关系，基于储能锂电池等效电路模型获取待辨识参数，其中，待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容；基于电池的端电压、电流及开路电压在历史时刻的数据和开路电压与荷电状态的非线性关系，采用布谷鸟搜索算法对待辨识参数进行辨识优化，获得待辨识的参数的最优值，根据参数的最优值获得储能锂电池等效电路最优模型；基于储能锂电池等效电路最优模型实现电池荷电状态的在线计算。通过本申请，解决固定的离线电路模型不能很好地契合锂电池实际工况，造成估计储能锂电池荷电状态精度不足的问题。

技术领域

本申请涉及储能锂电池荷电状态估计技术领域，特别设计一种基于储能锂电池等效电路模型计算电池荷电状态方法。

背景技术

储能锂电池荷电状态估计是储能电站能量管理系统的重点和难点。电池荷电状态值无法像电压和电流一样通过测量直接得到，只能通过其它手段进行估计。由于储能锂电池在运行过程中相当于一个黑箱系统，会受到环境、部件老化等多种未知因素的影响，因此准确有效地估计电池荷电状态对提示储能电池的性能具有重要的意义。

常用采用锂电池等效电路模型结合卡尔曼滤波技术估计电池荷电状态的方法，在该方法中，主要以离线电池模型为基础，即通过离线的试验测试数据并结合带遗忘因子的最小二乘参数辨识得到储能锂电池离线等效电路模型，再采用卡尔曼滤波算法估计储能锂电池的荷电状态。这种方法所建立的锂电池等效电路模型的参数是固定不变的，且遗忘因子的取值需要反复经过测试得到，难以确定遗忘因子的最优值，但是储能锂电池在实际工作时，其内部参数往往会发生缓慢变化的，且其参数也随着循环次数的变化而改变。这样使得通过最小二乘法进行参数辨识得到的参数辨识结果不合理。因此，固定的离线电路模型并不能很好地契合储能锂电池的实际工况，造成估计储能锂电池荷电状态精度不足的问题。

发明内容

为了解决现有的固定的离线电路模型并不能很好地契合储能锂电池的实际工况，造成估计储能锂电池荷电状态精度不足的问题。

第一方面，本实施例提供一种基于储能锂电池等效电路模型计算电池荷电状态方法，所述方法包括：

获取所述储能锂电池等效电路模型的开路电压与所述电池荷电状态的非线性关系，基于所述储能锂电池等效电路模型获取待辨识参数，其中，所述待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容；

基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系，采用布谷鸟搜索算法对所述待辨识参数进行辨识优化，获得所述待辨识的参数的最优值，根据所述参数的最优值获得所述储能锂电池等效电路最优模型；

基于所述储能锂电池等效电路最优模型实现所述电池荷电状态的在线计算。

在其中的一些实施例中，基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系，采用布谷鸟搜索算法对所述待辨识参数进行辨识优化包括：

初始化布谷鸟搜索算法，使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值，其中，最优适应度值所对应的鸟巢位置为全局最优解；

迭代更新鸟巢位置，计算全局最优解和各鸟巢位置的局部最优解，判断是否满足结束迭代的条件，若是，则此时全局最优解表征所述待辨识的参数的最优值；否则，继续迭代更新鸟巢位置，重新计算全局最优解和各鸟巢位置的局部最优解。

在其中的一些实施例中，初始化布谷鸟搜索算法，使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值包括以下步骤：

确定所述待辨识参数的优化范围，并随机初始化M个由所述待辨识参数组成的鸟巢位置；

初始化发现所述鸟巢位置的概率和所述布谷鸟搜索算法的迭代次数，R2-Score为所述鸟巢位置的适应度函数，基于所述待辨识参数构建所述储能锂电池等效电路模型；