鋰離子電池模型參數估計優化算法比較

?

鋰離子電池模型參數估計優化算法比較

鋰離子電池因具有較高的功率密度和能量密度而被廣泛應用在純電動汽車和混合動力汽車上。為了使用基于物理學的精度較高電池模型，通過模型降階加快計算。應用降階模型之前需要確定模型的相關參數，但由于電池參數往往是未知的，或電池退化相關參數會發生變化，因而需要一種參數估計方法，以對電池模型參數進行更新。介紹了鋰離子電池降階模型和模型的局限性，通過數值敏感分析確定各參數，并對多種估計參數的優化算法進行比較。

介紹了基于物理學的鋰離子電池降階模型，該模型將鋰離子電池分為陰極層、隔離層和陽極層。陰極層為鈷氧化合物，陽極層為石墨，兩者均為多孔結構，電解質可滲透到每一層。該模型僅對電池各層厚度進行一維研究，忽略其它維度可能產生的影響。給出了降階模型的相關方程及電解質濃度變化的方程。利用數值敏感分析對不易測量的模型參數進行初值估計。選取待估模型參數時，選擇了幾個需要被估計的參數。給出了參數自適應估計、有效全局優化算法、差分進化算法和模擬退火算法等4種參數優化算法進行多參數初值優化。優化目標函數定義為試驗測量電壓值和模型模擬電壓值差的平方。根據精度收斂到0.0001時所需的迭代次數對這些優化算法進行評價。每種優化算法運行5次，平均迭代次數作為最終迭代次數。

模擬結果顯示，最有效的優化算法是差分進化算法。5次模擬試驗中有4次收斂到實際值，經過30次迭代時待估參數已接近最優值；當迭代達到58次時，模擬值則完全收斂。而有效全局優化算法不收斂，模擬退火算法可迅速收斂到試驗值附近，精度較低。因而，差分進化算法是最適合對估計參數進行優化的算法。

Adam Ing et al. SAE 2014-01-1851.

編譯：王祥