[发明专利]一种基于粒子群优化的电池状态估计方法

说明书

本发明属于电池状态估计领域，涉及一种基于粒子群优化的电池状态估计方法。首先初始化粒子群，初始化状态估计器；然后对于粒子群中的每个粒子，获得状态后验估计，并比较状态后验估计的精度获得状态估计，再通过状态后验估计得到下一采样点的状态先验估计；最后，根据状态后验估计的精度，对粒子群进行演化，获得新的粒子群。本发明在对电池进行状态估计时，通过粒子群优化，得到电池参数的估计，且当电池模型有多个局部最优点时，相比于局部优化方法更容易得到电池模型的全局最优估计，从而使得状态滤波得到的电池状态估计更加精确。

技术领域

本发明属于电池状态估计领域，涉及一种基于粒子群优化的电池状态估计方法。

背景技术

在二次电池的应用中，需要对SOC等电池状态进行估计。现有的技术包括安时积分法、电压法、状态滤波法。在这些方法中，状态滤波法的长期精确度最佳。状态滤波法中较为常用的一种方法是卡尔曼滤波。

通过卡尔曼滤波进行电池状态估计时，需要获得准确的电池模型，然而目前的技术常使用固定的电池模型参数，难以适应电池使用时电池模型参数的变化。也有方法通过卡尔曼滤波同时对电池状态和电池参数进行估计，这种方法的缺陷在于，卡尔曼滤波的理论基础是线性模型，而电池系统呈现很强的非线性特性，因此卡尔曼滤波在对电池系统进行估计时精度下降。同时，如果电池模型存在多个局部最优点，卡尔曼滤波容易陷入局部最优点，因此对全局最优点的搜索能力不强。

为了对非线性的电池系统进行估计，可以采用非线性估计方法对电池参数进行估计。对于参数为连续量的电池系统，可以采用粒子群优化对电池参数进行估计。粒子群优化是模拟现实世界中鸟群觅食的一种算法，该算法对于非线性系统的估计能力较强，且有一定的全局最优点搜索能力。

发明内容

针对上述存在问题或不足，本发明提供了一种基于粒子群优化的电池状态估计方法，克服现有技术的局限性。以使得在对电池状态进行在线估计时，能够适应电池模型参数的变化，从而获得更精确的电池模型参数估计，使得电池状态的估计更加精确。

一种基于粒子群优化的电池状态估计方法，其具体步骤如下：

步骤S1、初始化粒子群，初始化状态估计器；

首先，根据模型复杂度和估计精度要求，确定粒子数量，并根据电池参数的取值范围，初始化粒子群；

然后，根据电池特性和电池初始状态，对粒子群中的每个粒子初始化一个状态估计器，每个状态估计器对应粒子群中的一个粒子；

步骤S2、对于粒子群中的每个粒子，获得状态后验估计，并比较状态后验估计的精度获得状态估计，再通过状态后验估计得到下一采样点的状态先验估计；

首先，对于粒子群中的每个粒子，根据粒子坐标获得电池参数，并根据状态先验估计，通过对应的状态估计器获得状态后验估计；

然后，计算粒子适应度，比较粒子适应度获得状态估计；

最后，根据状态后验估计，通过电池模型获得下一采样点的状态先验估计；

步骤S3、根据状态后验估计的精度，对粒子群进行演化，获得新的粒子群；

首先，根据步骤S2所得粒子适应度，更新粒子群中粒子的历史最优值；

然后，根据电池参数估计全局性的要求，选取粒子群中领袖数量，并根据粒子适应度选取粒子作为领袖；

最后，通过更新公式得到新的子种群后，合并所有子种群得到新的粒子群。

进一步的，所述步骤S3中，更新公式包括速度更新公式和坐标更新公式；

速度更新公式

坐标更新公式