基于模型参数在线辨识技术的SOC估算方法

doi:10.12068/j.issn.1005-3026.2020.11.004

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (11): 1543-1549.DOI: 10.12068/j.issn.1005-3026.2020.11.004

基于模型参数在线辨识技术的SOC估算方法

刘芳¹，马杰¹，苏卫星^1,2，何茂伟¹

(1. 天津工业大学计算机科学与技术学院，天津300387；2. 北京矿冶科技集团有限公司采矿冶金过程自动化国家重点实验室，北京100160)

收稿日期:2019-11-29 修回日期:2019-11-29 出版日期:2020-11-15 发布日期:2020-11-16
通讯作者: 刘芳
作者简介:刘芳(1983-)，女，辽宁沈阳人，天津工业大学副教授; 苏卫星(1980-)，男，辽宁盘锦人，天津工业大学教授.
基金资助:
国家重点研发计划项目(2017YFB1103003); 国家自然科学基金青年基金资助项目(61802280，61806143，61772365，41772123); 采矿冶金过程自动化国家重点实验室/北京矿冶过程自动化重点实验室研究基金资助项目(BGRIMM-KZSKL-2019-08); 天津市自然科学基金资助项目(18JCQNJC77200); 天津市教委科研计划项目(2017KJ094).

Model Parameter Online Identification Based SOC Estimation Method

LIU Fang¹， MA Jie¹， SU Wei-xing^1,2， HE Mao-wei¹

1. School of Computer Science and Technology， Tiangong University， Tianjin 300387， China; 2. State Key Laboratory of Process Automation in Mining & Metallurgy， Beijing 100160， China.

Received:2019-11-29 Revised:2019-11-29 Online:2020-11-15 Published:2020-11-16
Contact: SU Wei-xing
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对遗传算法(genetic algorithm，GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题，面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题，提出一种能够快速缩小搜索空间，且有效避免陷入局部最优的在线快速搜索的优化辨识框架，实现电动汽车动力电池等效电路模型参数在线快速辨识，扩展全局搜索优化算法的应用范围.进一步，将此算法应用于电池剩余荷电状态(SOC)估算问题，提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较，结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.

关键词: 参数在线辨识, 遗传算法, 无迹粒子滤波算法, 荷电状态, 电动汽车

Abstract: In view of the problems that genetic algorithm (GA) has slow convergence speed， be easy to fall into local optimum and difficult to realize online application， and that the identification background of power battery equivalent circuit model is with strong nonlinearity and high real-time requirements. An optimized identification framework is proposed that can quickly reduce the search space and effectively avoid falling into the local optimum for online fast search， thus realizing the online fast identification of the parameters of the equivalent circuit model of the electric vehicle power battery， and expanding the application range of the global search optimization algorithm. Further， the proposed algorithm is applied to the state of charge (SOC) estimation， based on the improved GA unscented partical filter (IGA-UPF) is proposed. The SOC estimation method is compared with the SOC estimation method based on least square-unscented partical filter (LS-UPF)， which proves that the online fast parameter identification framework proposed has better model parameter identification accuracy.

Key words: parameter online identification, genetic algorithm, unscented particle filter (UPF) algorithm, state of charge (SOC), electric vehicles

中图分类号:

TP335.58

刘芳，马杰，苏卫星，何茂伟. 基于模型参数在线辨识技术的SOC估算方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1543-1549.

LIU Fang， MA Jie， SU Wei-xing， HE Mao-wei. Model Parameter Online Identification Based SOC Estimation Method[J]. Journal of Northeastern University Natural Science, 2020, 41(11): 1543-1549.

参考文献

[1]Zhou Z K，Duan B，Kang Y Z，et al.A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles［J］.Journal of Power Sources，2019，441:226972.
[2]Chemali E，Kollmeyer P，Preindl M，et al.Long short-term memory-networks for accurate state of charge estimation of Li-ion batteries［J］.IEEE Transactions on Industrial Electronics，2018，65(8):6730-6739.
[3]于海芳，逯仁贵，朱春波，等.基于安时法的镍氢电池SOC估计误差校正［J］.电工技术学报，2012，27(6):12-18.(Yu Hai-fang，Lu Ren-gui，Zhu Chun-bo，et al.State of charge estimation error calibration for Ni-H battery based on ampere-hour method［J］.Transactions of China Electrotechnical Society，2012，27(6):12-18.)
[4]Xiong R，Cao J，Yu Q，et al.Critical review on the battery state of charge estimation methods for electric vehicles［J］.IEEE Access，2018，6:1832-1843.
[5]Zhu Q，Xu M G，Liu W Q.A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended Kalman filter［J］.Energy，2019，187: 115880.
[6]Wang W H，Mu J Y.State of charge estimation for lithium-ion battery in electric vehicle based on Kalman filter considering model error［J］.IEEE Access，2019，7:29223-29235.
[7]Xie S B，Hu X S，Xin Z K，Time-efficient stochastic model predictive energy management for a plug-in hybrid electric bus with an adaptive reference state-of-charge advisory［J］.IEEE Transactions on Vehicular Technology，2018，67(7):5671-5682.
[8]Wei，Z B，Leng F，He Z J.Online state of charge and state of health estimation for a lithium-ion battery based on a data-model fusion method［J］.Energies，2018，11(7):1810.
[9]Wang T P，Chen S Z，Ren H B.Model-based unscented Kalman filter observer design for lithium-ion battery state of charge estimation［J］.International Journal of Energy Research，2018，42(4):1603-1614.
[10]Feng T H，Yang L，Zhao X W，et al.Online identification of lithium-ion battery parameters based on an improved equivalent-circuit model and its implementation on battery state of power prediction［J］.Journal of Power Sources，2015，281:192-203.
[11]Chen L，Wang Z Z，Lu Z Q.A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms［J］.IEEE Transactions on Power Electronics，2018，33(10):8797-8807.
[12]Zhang L，Hu X S，Wang Z P.Fractional-order modeling and state-of-charge estimation for ultra capacitors［J］.Journal of Power Sources，2016，314:28-34.
[13]Xiao R X，Shen J W，Li X Y.Comparisons of modeling and state of charge estimation for lithium-ion battery based on fractional order and integral order methods［J］.Energies，2016，9(3):184.
[14]He H W，Xiong R，Fan J X.Evaluation of lithium-ion battery equivalent circuit models for state of charge estimation by an experimental approach［J］.Energies，2011，4(4):582-598.
[15]Gao W，Jiang M，Hou Y.Research on PNGV model parameter identification of LiFePO₄ Li-ion battery based on FMRLS［C］//Industrial Electronics and Applications.Beijing，2011:2294-2297.
[16]Haupt R L.An introduction to genetic algorithms for electromagnetics［J］.IEEE Antennas and Propagation Magazine，1995，37(2):7-15.
[17]陈小平，于盛林.实数遗传算法交叉策略的改进［J］.电子学报，2003，31(1):37-40.(Chen Xiao-ping，Yu Sheng-lin.Improvement on crossover strategy of real-valued genetic algorithm［J］.Acta Electronica Sinica，2003，31(1):37-40.)
[18]He Y，Liu X T，Zhang C B，et al.A new model for state-of-charge (SOC) estimation for high-power Li-ion batteries［J］.Applied Energy，2013，101(1):808-814.
[19]Wang D，Wang X，Xiang C，et al.Unscented Kalman filter-based battery SOC estimation and peak power prediction method for power distribution of hybrid electric vehicles［J］.IEEE Access，2018，6:35957-35965.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

基于模型参数在线辨识技术的SOC估算方法

Model Parameter Online Identification Based SOC Estimation Method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李杰，贾长旺，成林海，赵旗. 随机路面下轮毂电机偏心对电动汽车平顺性影响[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1113-1119.
[2]	丁山，臧仕义，曹殿明，佘黎煌. 基于动态ID跳变的CAN总线安全调度算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 350-358.
[3]	李琳辉，张鑫亮，连静，周雅夫. 多因素影响下的纯电动汽车电耗算法优化[J]. 东北大学学报（自然科学版）, 2022, 43(2): 228-235.
[4]	刘芳，刘彦鹏，李静东，卜凡涛. 车载动力电池放电过程健康状态在线估计[J]. 东北大学学报（自然科学版）, 2022, 43(11): 1544-1551.
[5]	孙磊，陈彦峰，常爽爽，邓庆绪. 电动汽车弹性充电策略的研究[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1383-1390.
[6]	叶翠丽，王娜，庞硕，闫航. 基于改进遗传算法的秸秆还田机刀片功耗优化[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1290-1298.
[7]	丁山，暴林慧，高梦宁，佘黎煌. 一种基于安全性的CAN-FD信号打包方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 775-781.
[8]	刘军，杨青文，王金涛，刘华伟. 基于改进遗传算法的空间信息网恢复策略[J]. 东北大学学报（自然科学版）, 2021, 42(4): 524-530.
[9]	裴玉龙，杨世军，潘恒彦. 考虑车内拥挤状态的公交弹性发车间隔优化[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1663-1672.
[10]	刘芳，李卓，苏卫星，刘阳. 阶次自适应AR等效电路模型的锂电池SOC滑模观测[J]. 东北大学学报（自然科学版）, 2021, 42(10): 1376-1385.
[11]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[12]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[13]	刘芳，刘欣怡，苏卫星，林辉. 电动汽车动力电池健康状态在线估算方法[J]. 东北大学学报:自然科学版, 2020, 41(4): 492-498.
[14]	王新刚，徐馷悉，李尚杰，马瑞敏. 不确定结构的区间可靠性优化设计[J]. 东北大学学报:自然科学版, 2020, 41(4): 521-527.
[15]	王生生，张伟，董如意，李文辉. 改进蚱蜢算法在电动汽车充换电站调度中的应用[J]. 东北大学学报:自然科学版, 2020, 41(2): 170-175.