[发明专利]一种基于改进免疫算法的锂离子电池分数阶建模方法

说明书

本发明公开了一种基于改进免疫算法的锂离子电池分数阶建模方法，属于锂离子电池技术领域。其步骤如下：首先分别建立锂离子电池在工作状态和静止状态下的分数阶模型；接着确定锂离子电池的OCV‑SOC多项式；然后构建一种针对锂离子电池模型参数辨识的改进免疫算法；最后，利用改进免疫算法辨识分数阶模型中的各个参数并建立完整模型。本发明解决了传统电池模型不适用于锂离子电池处于静置状态的问题，建立的分数阶模型更加准确，构建分数阶模型辨识表达式并利用改进免疫算法进行辨识，可以获得精度更高的模型参数，得到准确可靠的锂离子电池模型。

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种基于改进免疫算法的锂离子电池分数阶建模方法。

背景技术

电动汽车作为一类新型环保交通工具，近年来得到广泛发展。电动汽车的电池系统通常由一定数量的串并联连接的电池单元组成，以此满足汽车对电压和容量的要求。与铅酸电池和镍氢电池相比，锂离子电池循环寿命久、能量密度高，在额定功率的要求下，锂离子电池相对体积更小，重量更轻。迄今为止，大多数电动汽车使用锂离子电池，锂离子电池其作为电动汽车的关键部件，出色的动力性能可以实现电动汽车优良的性能和令人满意的用户体验。

为了实现电池管理系统的可靠运行，锂离子电池的建模问题得到研究者的广泛关注。对于锂电池模型，等效电路模型相较于电化学模型具有更简单的结构，能够有效精准地模拟电池行为，易于在实时系统中实现。目前已经有多种等效电路模型被提出，模型各自优缺点主要区分在模型复杂度与精度之间的考量，一般模型精度与复杂度呈正相关，但这不是绝对的。例如在主流应用的Thevenin模型中，二阶RC模型由于其在频域上能更好地表现电荷转移和扩散行为，其性能优于六阶RC模型。近年来分数阶模型受到了很多关注，其应用分数阶理论使得模型其具有记忆特性，模型复杂度适中但精度更高，能对锂电池行为细节进行更准确丰富地模拟。

虽然上述等效电路模型能够对锂离子电池进行较为准确的行为模拟，但其并未对电池在静置状态下进行考量。锂离子电池在实际工况中并非一直工作，传统等效电路模型忽略了电池在静置状态时，电池内部电化学变化带来其端电压的复杂表现，且这会为电池重新恢复工作时带来一定的模型偏差。另一方面，准确地辨识锂离子电池模型的参数是其高度非线性建模的重点。目前，利用启发式算法对锂离子电池模型的参数进行辨识确定已受到广泛研究，例如遗传算法和粒子群算法，但这类启发式算法在全局搜索能力和局部搜索能力上各有侧重，如何在避免陷入局部最优的情况下，能够更快更准确地确定模型参数成为了一个问题。

发明内容

本发明针对上述背景技术中指出的问题，为了建立在不同工作状态下更准确可靠的锂离子电池模型，给出了一种基于改进免疫算法的锂离子电池分数阶建模方法，本发明所采用的技术方案包括以下步骤：

步骤1、通过混合功率脉冲特性实验测取锂离子电池的端电压和负载电流数据；

步骤2、建立锂离子电池分别在工作状态和静置状态的分数阶模型，具体步骤如下：

步骤2.1、根据基尔霍夫电压定律，锂离子电池系统的输入输出关系方程可以得到：

U_T(k)＝OCV[SOC(k)]-U₁(k)-U₂(k)-R₀I(k) (16)

式中，U₁和U₂为恒相元件CPE₁和CPE₂的负载电压，R₀和I分别为欧姆内阻和负载电流，OCV[SOC(k)]为待确定的OCV-SOC多项式，SOC(k)由安时积分法表示为：

其中C_p是电池实际容量，η是电池库伦效率，T_s为采样时间；

采用Grünwald-Letnikov的分数阶离散式定义：