基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置制造方法及图纸

本发明专利技术公开了一种基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置，其中，该方法通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定为粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，后续可以较为准确地估算电池SOC。

【技术实现步骤摘要】
基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置
本专利技术涉及电动汽车
，尤其涉及一种基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置。
技术介绍
随着电动汽车的发展，电池管理系统(BatteryManagementSystemBMS)得到了广泛应用。为了充分发挥电池系统的动力性能，提高其使用的安全性、防止电池过充过放，延长电池的使用寿命，优化驾驶和提高电动汽车的使用性能，需要BMS对电池荷电状态(StateofCharge，SOC)进行准确估计。电池SOC是指电池当前的剩余电荷量，电池SOC估计是电池热管理、均衡管理和安全可靠性管理的基础；但是由于锂离子电池结构复杂，电池的荷电状态受工作电流、电池内阻及其周围的环境温度、自放电和老化等因素的影响，使得电池SOC估算困难。目前国内外常用的电池SOC估计方法主要有以下几种：(1)安时计量法：通过电流对时间的积分来计算电池的SOC，由于电流测量存在误差，而且误差会随着时间积累而增大，并且安时计量法估计电池SOC还需要知道其初始值；(2)开路电压法：通过电池静置时的开路端电压与SOC关系估计电池的SOC，开路电压法估计SOC需要电池静置一段时间，不适合电动汽车电池实时估计的需要；(3)神经网络法：利用电池的神经网络模型估计电池SOC，神经网络法需要大量的数据进行训练，其运算量和估计精度与训练方法有关；(4)数学模型估计法：由实验的方法总结出电池SOC数学模型，此方法受到使用条件的限制，而且当条件变化时，需对SOC估计结果进行校正。(5)卡尔曼滤波(KalmanFilter,KF)算法：由电池的状态空间模型，通过递推迭代的方法估计电池的SOC，其估计精度受模型精度影响较大。因此，一种准确估算电池SOC的方法成为亟待解决的技术问题。
技术实现思路
本专利技术的目的旨在至少在一定程度上解决上述的技术问题之一。为此，本专利技术的第一个目的在于提出的基于粒子群算法优化电池荷电状态估算用关键参数的方法，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定为粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，后续可以较为准确地估算电池SOC。为此，本专利技术的第二个目的在于提出一种基于粒子群算法优化电池荷电状态估算用关键参数的方法的装置。为了实现上述目的，本专利技术第一方面实施例的基于粒子群算法优化电池荷电状态估算用关键参数的方法，包括：随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；确定各个电池荷电状态估算用关键参数的目标函数；将各个目标函数确定为粒子的各个维度的适应度函数；进行粒子群的迭代过程，包括(1)至(3)：(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。如上所述的方法，所述将粒子群的各个维度的全局最优值作为各个电池荷电状态估算用关键参数的目标值，包括：将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。如上所述的方法，还包括：根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。如上所述的方法，迭代过程的第(2)步骤的具体实现方式为：根据公式Vd1＝ωVd+C1random(0,1)(Pd-Xd)+C2random(0,1)(Pgd-Xd)更新粒子的第d维度的速度矢量；根据公式Xd1＝Xd+Vd更新粒子的第d维的位置矢量；其中，第d维为第一维度、第二维度、第三维度中的任一维度，ω称为惯性因子，C1和C2称为加速常数，random(0,1)表示区间[0,1]上的随机数，Vd为粒子的第d维度的当前速度矢量，Vd1为粒子的第d维度的更新后的速度矢量，Xd为粒子的第d维度的当前位置矢量，Xd1为粒子的第d维度的更新后的位置矢量，Pd为粒子的第d维的个体极值，Pgd为粒子群的第d维的全局最优值。如上所述的方法，所述确定各个电池荷电状态估算用关键参数的目标函数，包括：查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态；根据不同电池电压和不同电池电压对应的电池荷电状态进行曲线拟合，得到电池电压与电池荷电状态的目标函数；根据不同电池温度和不同电池温度对应的电池荷电状态进行曲线拟合，得到电池温度与电池荷电状态的目标函数；根据不同电池电阻值和不同电池电阻值对应的电池荷电状态进行曲线拟合，得到电池电阻值与电池荷电状态的目标函数。为了实现上述目的，本专利技术第二方面实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置，包括：初始化模块，用于随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；目标函数确定模块，用于确定各个电池荷电状态估算用关键参数的目标函数；适应度函数确定模块，用于将各个目标函数确定为粒子的各个维度的适应度函数；迭代模块，用于进行粒子群的迭代过程，包括(1)至(3)：(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；关键参数确定模块，将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法优化电池荷电状态估算用关键参数的方法，其特征在于，包括：随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；确定各个电池荷电状态估算用关键参数的目标函数；将各个目标函数确定为粒子的各个维度的适应度函数；进行粒子群的迭代过程，包括(1)至(3)：(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。...

【技术特征摘要】
1.一种基于粒子群算法优化电池荷电状态估算用关键参数的方法，其特征在于，包括：随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；确定各个电池荷电状态估算用关键参数的目标函数；将各个目标函数确定为粒子的各个维度的适应度函数；进行粒子群的迭代过程，包括(1)至(3)：(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。2.根据权利要求1所述的方法，其特征在于，所述将粒子群的各个维度的全局最优值作为各个电池荷电状态估算用关键参数的目标值，包括：将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。3.根据权利要求1所述的方法，其特征在于，还包括：根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。4.根据权利要求1所述的方法，其特征在于，迭代过程的第(2)步骤的具体实现方式为：根据公式Vd1＝ωVd+C1random(0,1)(Pd-Xd)+C2random(0,1)(Pgd-Xd)更新粒子的第d维度的速度矢量；根据公式Xd1＝Xd+Vd更新粒子的第d维的位置矢量；其中，第d维为第一维度、第二维度、第三维度中的任一维度，ω称为惯性因子，C1和C2称为加速常数，random(0,1)表示区间[0,1]上的随机数，Vd为粒子的第d维度的当前速度矢量，Vd1为粒子的第d维度的更新后的速度矢量，Xd为粒子的第d维度的当前位置矢量，Xd1为粒子的第d维度的更新后的位置矢量，Pd为粒子的第d维的个体极值，Pgd为粒子群的第d维的全局最优值。5.根据权利要求1所述的方法，其特征在于，所述确定各个电池荷电状态估算用关键参数的目标函数，包括：查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态...

【专利技术属性】
技术研发人员：王莎莎，
申请(专利权)人：北京新能源汽车股份有限公司，
类型：发明
国别省市：北京,11