基于遺傳算法的鋰離子電池等效電路參數(shù)識別

，，

(湖北大學 計算機與信息工程學院物聯(lián)網工程研究所，武漢 430062)

基于遺傳算法的鋰離子電池等效電路參數(shù)識別

姚靜，虞隨，胡婧昕

(湖北大學計算機與信息工程學院物聯(lián)網工程研究所，武漢430062)

結合鋰離子電池雙極性等效電路模型提出了一種基于遺傳算法的參數(shù)識別方法，該方法通過指數(shù)函數(shù)對電路模型中的電阻、電容、恒壓源等元件進行有理逼近，根據(jù)電池在不同充放電速率下的輸出電壓特性數(shù)據(jù)，通過實數(shù)編碼遺傳算法得到最優(yōu)的函數(shù)參數(shù)，從而得到最優(yōu)的電阻、電容，開路電壓等電路參數(shù)值，針對電池在不同的工作狀態(tài)，不同的工作參數(shù)下的運行數(shù)據(jù)，系列仿真和實驗結果表明該算法原理簡明，收斂較快，辨識得到的最優(yōu)模型其電壓輸出特性與電池的實際電壓輸出特性基本吻合，能較精確的反映電池的實際特性，具有較高的辨識精度。

遺傳算法；參數(shù)識別；鋰離子電池；等效電路

0 引言

電動汽車具有高能效、低排放的特點，目前受到業(yè)界關注，得到了大力發(fā)展。鋰離子電池作為電動汽車的主要能量來源，是電動汽車的關鍵部位之一，其特性直接影響電動汽車的性能，電池等效電路模型是電池荷電狀態(tài)估計、性能分析、科學評價、高效管理和使用的基礎，是從電池外部特性分析內部狀態(tài)的有效手段，精確的電池等效電路模型對動力電池仿真、優(yōu)化和能量管理有重要意義。

目前研究人員已建立了多種可對電池性能進行全面描述的等效電路模型，等效電路模型的精確性很大程度上取決于參數(shù)辨識精度。常用的電路參數(shù)辨識方法有最小二乘法，極大似然估計法和Kalman濾波法[1-3]。本文提出一種遺傳算法對電池等效電路模型的參數(shù)進行優(yōu)化，得到最優(yōu)的電池等效電路模型參數(shù)，算法原理簡明，收斂較快，獲得的電路模型精度高，為電池性能分析和管理提供了重要依據(jù)。

1 鋰離子電池等效電路模型

電池等效電路模型使用電阻、電容、恒壓源等電路元件組成電路網絡來模擬電池的動態(tài)特性與其它性能，由等效電路模型可以得到電路時域解析方程，便于分析與應用，因此廣泛用于電動汽車功率系統(tǒng)仿真和電池管理系統(tǒng)中。目前研究的電池等效電路模型有Rint模型、RC模型、Thevenin模型、PGNV模型[4-5]。Thevenin模型在某種程度上能模擬鋰離子電池的極化特性，但實驗發(fā)現(xiàn)鋰離子電池具有明顯的雙極化特性，為了提高等效電路在充放電結束時刻的精度，將電池的電化學極化特性與濃差極化特性分別表示，一個改進的雙極化等效電路模型[6]如圖1所示。

圖1 雙極性等效電路模型

雙極化等效電路模型有3部分組成：1)開路電壓UOC；2)內部阻抗：R0為歐姆電阻；Rpa為濃差極化電阻；Rpc為活化電阻；3)有效電容：Cpa和Cpc用來模擬兩種極化特征的瞬態(tài)特性。該電路模型可由如下電路方程描述：

(1)

式中,Upa和Upc分別是電容Cpa和Cpc兩端的電壓；Il為流過電阻R0的電流；Ul為電池兩端的輸出電壓。上面電路方程可得輸出電壓表達式如下：

Ul=UOC-IlR0+Upa(0)e-t/RpaCpa+Upc(0)e-t/RpcCpc

-IlRpa(1-e-t/RpaCpa)-IlRpc(1-e-t/RpcCpc)

(2)

其中:Upa(0)和Upc(0)為電容兩端的初始電壓，可由下式求得：

(3)

(4)

電池產品目錄提供了電池在不同的充放電速率下，荷電狀態(tài)SOC在區(qū)間(0,1)之間變化時SOC-Ul曲線，利用該曲線數(shù)據(jù)通過遺傳算法辨識出電路中的元件參數(shù)，目標是使輸出電壓模型計算值與實驗值之間的誤差最小。電路參數(shù)隨SOC的變化而變化，文獻中有多種描述電路參數(shù)的解析函數(shù)，研究發(fā)現(xiàn)指數(shù)形式的解析函數(shù)辨識出的參數(shù)具有更高的精度[7]，這里選用式(5)所示函數(shù)對電路參數(shù)進行有理逼近，k0-k20為21個需要辨識的模型參數(shù)。

R0=k0e-k1 soc+k2

Rpa=k3e-k4 soc+k5

Cpa=k6e-k7 soc+k8

Rpc=k9e-k1 0 soc+k11

Cpc=k12e-k13 soc+k14

UOC=k15e-k16 soc+k17+K18SOC+K19SOC2+K20SOC3

(5)

2 基于遺傳算法的電路參數(shù)識別

遺傳算法通過模擬自然界優(yōu)勝劣汰的進化原則，在解空間范圍內搜索出最優(yōu)的個體，具有全局搜索能力強，魯棒性高和通用性好等優(yōu)點，被廣泛應用于系統(tǒng)優(yōu)化，自適應控制，模式識別以及參數(shù)識別中[8]。

遺傳算法應用于參數(shù)識別時，首先將參數(shù)的搜索空間映射成遺傳空間，每一組可能的參數(shù)值為解空間內的一個染色體或個體，其中任何一個參數(shù)稱為基因，采用合適的編碼方式對基因編碼，然后設定種群規(guī)模，隨機產生初始種群，對所有個體進行評價，按照適者生存、優(yōu)勝劣汰的原理，通過遺傳操作，逐代演化產生出越來越好的近似解，最終得到最優(yōu)參數(shù)值[9]。

2.1 編碼方法

需要識別的參數(shù)值[k1,k2,k3…,km]是一個多維、連續(xù)變化的量，這類優(yōu)化問題實數(shù)編碼方式處理起來更加方便有效，將k=[k1,k2,k3…,km]定義為解空間內的一個染色體或個體，這里k為一個m維向量(m為參數(shù)個數(shù))，其中任何一個參數(shù)ki稱為基因，基因采用實數(shù)編碼的方法，各參數(shù)的具體取值作為基因個體，參數(shù)的取值范圍即為問題的搜索空間：[k1min,k2min,k3min…,kmmin]- [k1max,k2max,k3max…,kmmax]。

2.2 適應值函數(shù)

等效電路模型最優(yōu)參數(shù)識別的目標是根據(jù)實驗數(shù)據(jù)得到最優(yōu)的電路參數(shù)，使輸出電壓模型計算值與實驗值之間的誤差最小。Ul為模型計算所得到的輸出電壓值，Uc為電池廠家提供產品樣本輸出電壓值，取樣點數(shù)為n，則目標函數(shù)如下：

f=|Uc-Ul|1+|Uc-Ul|2+…+|Uc-Ul|n

(6)

f的值越接近于零則模型曲線與產品樣本曲線越接近，則模型的精度越高，負的電壓值是不允許出現(xiàn)的，所以任何一套參數(shù)k0-k14都要保證計算所得的電壓值為正，即Ulj≥0，Uocj≥0(j=1,2, …,n)。該問題是一個帶約束條件的優(yōu)化問題，個體約束違反值為：

(7)

將約束條件轉化為懲罰函數(shù)，建立適應度函數(shù)如下：

(8)

式中：A為懲罰系數(shù)；f為誤差函數(shù)；AfViop為懲罰函數(shù)，保證了結果滿足輸出電壓和開路電壓為正。f+Afviop越小說明模型精度越高，對應適應度函數(shù)值就越大，這樣的個體就越優(yōu)秀。

2.3 遺傳操作

遺傳算法通過3個基本操作：選擇、交叉和變異來產生新的后代，從而實現(xiàn)個體的繁殖與進化。

1)選擇。

選擇是指從群體中挑選出優(yōu)秀的個體，淘汰掉劣質個體的方法。比較常見的選擇方法有如下幾種：比例選擇、排序選擇、精英選擇。這里采用排序選擇與精英保留相結合的方法。根據(jù)群體的適應值，首先挑選最優(yōu)個體直接保留作為下一代，其它個體按照它們適應值的大小降序排列，根據(jù)他們在群體中的排名來分配選擇概率，排名在前面的個體有更大的概率被選中，再采用輪盤賭法按分配的概率進行選擇。各個體的選擇概率按下式計算。

(9)

(10)

式中，i為個體在群體中的排名，prob(i)為排名為i的個體的選擇概率，q為通過比例選擇法得到的最差個體的選擇概率，N為種群中個體的數(shù)目。

2)交叉。

交叉操作是將被選中的個體部分基因進行交換，從而生成新的個體，交叉操作使個體不斷進化，對于實數(shù)編碼方式，通常采用算術交叉算子來進行交叉運算，如下式所示：

(11)

式中，k1t和k2t為父代中被選中的兩個個體，a為一系數(shù)，取值在(0,1)之間隨機產生，k1t+1和k2t+1為交叉后生成的子代個體。

為了提高算法的收斂速度，采用自適應的交叉概率，在算法執(zhí)行初期，個體遠離全局最優(yōu)解，這時交叉概率取值相對較大，隨著進化代數(shù)的增加，搜索結果越來越接近全局最優(yōu)解，這時交叉概率取值相對較小，這樣更有利于保留種群中的優(yōu)良個體基因，從而提高收斂速度，交叉概率函數(shù)如下式：

(12)

式中，PC(t)表示第t代交叉概率；PC_start表示進化開始時的交叉概率；PC_end表示迭代過程結束時的交叉概率；T為設定的迭代終止次數(shù)；t為正在進行的迭代次數(shù)。

3)變異。

變異操作模擬生物進化過程中的基因突變過程，在一定程度上可以增加種群的多樣性，避免搜索陷入局部最優(yōu)，本文選用固定變異概率，均勻雙向變異算子進行變異操作，表示如下：

(13)

式中，kit為變異點原來的值，kit+1為變異點的新值，kimin和kimax為參數(shù)ki取值上下限，c、w為0～1間的隨機數(shù)。

算法執(zhí)行流程如圖2所示。

圖2 遺傳算法參數(shù)識別流程圖

3 實例仿真與分析

電池ePLB是一種聚合物鋰離子電池，具有能量密度高，體積小，安全性高和成本低等優(yōu)勢。選用該電池為實驗對象，在電池充電和放電兩種情況下，對給定的產品樣本輸出電壓曲線進行數(shù)據(jù)提取，取樣點數(shù)n=22，采用雙極性等效電路模型，應用遺傳算法來識別電路模型參數(shù)k0-k20，然后將得到的最優(yōu)等效電路模型的電壓輸出特性與電池廠商提供的樣本特性進行比較。

3.1 充電狀態(tài)

分別取充電速率Cr=0.5C，Cr=4C(C=8A)，利用遺傳算法得到該等效電路模型的最優(yōu)模型參數(shù)，結果如表1所示。

在22個取樣點位置，最優(yōu)模型電壓輸出值與產品目錄電壓輸出值可表示為圖3、圖4，從圖中可以看出充電狀態(tài)下兩者的電壓輸出值幾乎完全重合，說明遺傳算法得到的最優(yōu)解接近全局最優(yōu)，求解精度高，誤差小。

表1 充電狀態(tài)最優(yōu)參數(shù)

圖3 Cr=0.5C充電過程采樣點輸出電壓比較

圖4 Cr=4C充電過程采樣點輸出電壓比較

為了進一步證明最優(yōu)電路模型的精確性與適用性，在電池樣本輸出電壓特性曲線上提取25個與前面數(shù)據(jù)不重合的數(shù)據(jù)點，利用前面得到的最優(yōu)電路參數(shù)，利用式(2)計算輸出電壓值，擬合得到最優(yōu)模型輸出電壓曲線，將該曲線與電池實際輸出電壓曲線進行比較，結果如圖5、圖6所示。

圖5 Cr=0.5C充電過程輸出電壓特性比較

圖6 Cr=4C充電過程輸出電壓特性比較

從圖中可以看出，電池充電狀態(tài)下，通過遺傳算法識別出的等效電路模型，其輸出電壓與荷電狀態(tài)的關系曲線與電池生產廠商提供的電壓輸出特性曲線完全吻合，說明該電路模型能反映電池的實際輸出特性。

3.2 放電狀態(tài)

分別取放電速率Cr=0.5C，Cr=10C(C=8A)，利用遺傳算法得到該等效電路模型的最優(yōu)模型參數(shù)，結果如表2所示。

表2 放電狀態(tài)最優(yōu)參數(shù)

在22個取樣點位置，最優(yōu)模型電壓輸出值與產品目錄電壓輸出值可表示為圖7、圖8，從圖中可以看出電池在放電狀態(tài)下，通過遺傳算法識別出的電路參數(shù)也具有很高的精度。

圖7 Cr=0.5C放電過程采樣點輸出電壓比較

圖8 Cr=10C放電過程采樣點輸出電壓比較

為了證明放電狀態(tài)下通過上面的方法建立的電池等效電路模型的有效性，分別在兩種放電速率下另取25個采樣點，利用算法得到的電路參數(shù)來計算電池輸出電壓，擬合得到輸出電壓動態(tài)曲線，如圖9、圖10所示。

圖9 Cr=0.5C放電過程輸出電壓特性比較

圖10 Cr=10C充電過程輸出電壓特性比較

從圖中可以看出，電池放電狀態(tài)下，通過遺傳算法識別出的等效電路模型，其輸出電壓與荷電狀態(tài)的關系曲線與電池生產廠商提供的電壓輸出特性曲線基本吻合，其誤差比充電狀態(tài)稍大，但能基本反映電池的實際輸出特性。

4 結語

本文提出一種基于遺傳算法的電池等效電路模型參數(shù)識別方法，根據(jù)電池非線性雙極性等效電路模型，利用電池輸出電壓特性數(shù)據(jù)，通過實數(shù)編碼遺傳算法辨識最優(yōu)的電路參數(shù)。針對電池在不同的工作狀態(tài)，不同的工作參數(shù)下的運行數(shù)據(jù)，系列仿真和實驗結果表明遺傳算法辨識得到的最優(yōu)模型其電壓輸出特性與電池的實際電壓輸出特性基本吻合，能較精確的反映電池的實際特性，具有較高的辨識精度。

[1] 陳大分,姜久春,王占國,等. 動力鋰離子電池分布參數(shù)等效電路模型研究[J]. 電工技術學報,2013,7(28):169:176.

[2]馮旭云, 孫澤昌, 高衛(wèi)民,等. 鎳氫動力電池電荷狀態(tài)估計算法仿真研究[J]. 系統(tǒng)仿真學報, 2010,7(22): 1585-1591.

[3]魏學哲,孫澤昌,田佳卿. 鋰離子動力電池參數(shù)辨識與狀態(tài)估計[J]. 同濟大學學報,2008,2(36):231-235.

[4]林成濤,仇 斌,陳全世. 電流輸入電動汽車電池等效電路模型的比較[J]. 機械工程學報, 2005,12(41):76-81.

[5]Hongwen He, Rui Xiong, Jinxin Fan. Evaluation of Lithium-Ion Battery Equivalent Circuit Models for State of Charge Estimation by an Experimental Approach [J]. Energies, 2011,4:582-598.

[6]Krishnan S. Hariharan, V. Senthil Kumar. A nonlinear equivalent circuit model for lithium ion cells[J]. Journal of Power Source, 2013(222):210-217.

[7]呂 超,劉珊珊,沈 杰,等.鋰離子電池等效電路模型的比較研究[J]. 電源技術應用,2013,11:158-164.

[8]邊 霞, 米 良. 遺傳算法理論及其應用研究進展[J]. 計算機應用研究, 2010,7(27):2426-2428.

[9]馮長輝, 齊曉慧, 蘇立軍,等. 基于遺傳算法的四旋翼無人機系統(tǒng)參數(shù)辨識[J]. 計算機測量與控制, 2015, 23(12):4195-4197.

ParameterIdentificationofLithium-IonBatteryEquivalent-CircuitModelBasedonGeneticAlgorithm

Yao Jing, Yu sui, Hu Jingxin

(Institute of Internet of Things, School of Computer Science and Information Engineering,Hubei University, Wuhan 430062, China)

On account of lithium-ion battery dual polarization (DP) equivalent circuit model a genetic algorithm is proposed for parameter identification. The method makes resistance, capacitance and open circuit voltage source in the circuit model as exponential function based rational approximant. According to the characteristic data of output voltage in different charge and discharge rate, A real code genetic Algorithm (GA) is employed to estimate the battery model parameters including the resistance, capacitance and open circuit voltage. The algorithm is applied to several cases in different working conditions and working parameters. The simulation and experimental results demonstrate that the genetic algorithm to identify the parameters has concise principle and quickly convergence. The equivalent circuit model with the optimally extracted parameters can accurately predict the performance of the lithium-ion battery and has high identification precision.

genetic algorithm; parameter identification; lithium-Ion batteries; equivalent circuit Model

2017-09-11；

2017-10-11。

姚 靜(1976-)，女，湖北天門人，博士，講師，主要從事智能優(yōu)化算法方向的研究

1671-4598(2017)11-0252-05

10.16526/j.cnki.11-4762/tp.2017.11.064

TP391.9

A