【技术实现步骤摘要】
本专利技术属于电池建模，具体涉及一种实车数据驱动的实车工况电池电化学参数在线辨识方法。
技术介绍
1、目前，现有技术中针对电化学参数的辨识主要通过元启发式算法和人工神经网络两种方式实现，由于这两种方法都是从原始数据出发，通过不断的训练与寻优过程找到模型的最优解，因此辨识结果较依赖于原始数据的精确度，但这又会引起辨识的参数实用性不足的矛盾。在多数情况下，由于实车数据在记录过程中的精度低使得辨识结果可靠性低，且同时车端的算力较为有限，不能够满足深度学习对于算力的要求，而使用粗糙的实车数据进行模型参数的辨识反而更能保证模型的实用性，因此现有的两种方法显然还不能满足实际的需求。
技术实现思路
1、有鉴于此，针对本领域中存在的技术问题，本专利技术提供了一种实车数据驱动的实车工况电池电化学参数在线辨识方法，具体包括以下步骤：
2、步骤一、从实车原始数据中提取电池电压、电流和温度数据以及待辨识的电化学参数，利用morris敏感度分析方法对各电化学参数在其相应的取值范围内依次进行多次随机抽样和敏感度计算，确定出各参数所对应的不同敏感度等级；
3、步骤二、结合布谷鸟(cs)算法与粒子群(pso)算法构建一个多步布谷鸟粒子群(mcspso)模型，其中布谷鸟算法用于更新待辨识参数的最优解，粒子群算法则用于更新布谷鸟算法中的莱维飞行步长，以提高布谷鸟算法的收敛速度和求解精度；
4、步骤三、利用实车原始数据构建用于训练步骤二建立的多步布谷鸟粒子群模型进行的训练样本集，针对
5、步骤四、在对模型进行训练达到最大迭代次数或收敛后，训练过程结束并输出辨识得到的各电化学参数。
6、进一步地，步骤一中确定各参数所对应敏感度等级的过程依次包括：
7、(1)设定所有参数的取样点个数p，对于任意取值范围在[lb,ub]的参数，使其转化为在{0,1/(p-1),2/(p-1),…,1}×(ubi-lbi)+lbi中取值；
8、(2)对所有参数在其取值范围内随机抽样，获得一个基准向量x＝(x1,x2,…,xk)，k表示参数的数量；
9、(3)从所述基准向量x出发进行k次随机抽样，每次抽样选择一个参数xi施加一个扰动，该扰动量δi＝(ubi-lbi)/(p-1)，得到向量xi＝(x1,x2,…,xi+δ,…,xk)，经过k次抽样后得到一个矩阵e＝(x,x1,x2,…,xk)，并利用以下公式计算每个参数的基本影响eei：
10、
11、式中，f(x)为目标函数；
12、(4)重复进行上述抽样多次并分别基于以下公式计算影响的均值ui、绝对平均值也即敏感度与标准差σi：
13、
14、
15、
16、根据计算出的敏感度取对数进行比较，并将参数分为5个敏感度级别：极高敏感度、高敏感度、中等敏感度、低敏感度以及无影响参数。
17、进一步地，步骤二中对所述构建多步布谷鸟粒子群模型的构建过程依次包括：
18、(1)随机产生n个鸟窝的初始位置x0也即初始的待辨识参数基准向量；
19、(2)通过以下公式对鸟巢位置进行更新：
20、
21、式中，表示第i个鸟巢迭代t次后的位置；α为步长影响因子；levy(λ)表示基于莱维飞行机制生成的随机步长，莱维飞行如下式所示，其步长的概率分布为重尾分布的随机行走：
22、
23、式中，u和v服从正太分布正态分布的标准差由下式计算：
24、
25、其中，γ(x)为标准伽马函数；
26、(3)在鸟巢位置更新后，将得到的新鸟巢集合与旧鸟巢集合进行比较，使相应的目标函数适应值较好的鸟巢代替适应值较差的鸟巢；在比较完成后，使用随机概率r与设定的宿主发现外来鸟蛋的概率pa进行比较，如果r≤pa，则抛弃该鸟巢并使用莱维飞行随机生成一个新的鸟巢代替；经过以上两个步骤的比较与筛选，最终生成新一代的鸟巢集合；
27、(4)利用粒子群算法更新布谷鸟算法的步长，具体形式如下：
28、
29、式中，表示粒子i在第t次迭代时的速度向量，表示粒子i在第t次迭代时的位置向量，ω为惯性权重，c1为个体学习因子，c2为群体学习因子，r1,r2为(0,1)的随机数以增加搜索的随机性，表示第t次迭代之后粒子i所搜寻达到的个体历史最优位置，指群体在t次迭代之后搜寻到的全局最优解；
30、步长更新公式如下所示：
31、
32、式中，α1和α2分别为个体步长影响因子与群体步长影响因子，c1和c2分别为个体学习因子与群体学习因子；
33、(5)计算上述个体学习因子c1与群体学习因子c2：
34、
35、式中，cmax为最大个体学习因子，cmin为最小个体学习因子，t为当前迭代次数，tmax为最大迭代次数；采用自适应的学习因子更新方法之后，在迭代初期，个体学习会占主要地位，利用莱维飞行的随机性进行全局搜索，在迭代后期，提高群体学习的比重，以提高模型收敛速度。
36、进一步地，步骤三具体基于步骤一得到的各参数所对应的不同敏感度等级，将参数分为4组并依次进行辨识，首先进行极高敏感度参数的辨识，其次辨识高敏感度参数，然后是中敏感度参数，最后是低敏感度参数。
37、上述本专利技术所提供的实车数据驱动的实车工况电池电化学参数在线辨识方法，通过基于数据帧数的全局敏感度分析，得到了实车采样周期影响下的电化学参数敏感性变化并以此作为分组辨识的基础，使参数辨识难度得以降低；结合布谷鸟算法搜索性强以及粒子群算法收敛速度快的特点，所设计出的新型辨识算法，能够在精度与速度方面都明显优于现有技术；本专利技术的方法适于在线应用，不仅避免了实验测量的误差，同时也无需破坏性地打开电池，仅在车辆实际运行的时即可以得到较精确的电池内部电化学参数，从而具有极高的便利性。
本文档来自技高网...【技术保护点】
1.实车数据驱动的实车工况电池电化学参数在线辨识方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一中确定各参数所对应敏感度等级的过程依次包括：
3.如权利要求2所述的方法，其特征在于：步骤二中对所述构建多步布谷鸟粒子群模型的构建过程依次包括：
4.如权利要求2所述的方法，其特征在于：步骤三具体基于步骤一得到的各参数所对应的不同敏感度等级，将参数分为4组并依次进行辨识，首先进行极高敏感度参数的辨识，其次辨识高敏感度参数，然后是中敏感度参数，最后是低敏感度参数。
【技术特征摘要】
1.实车数据驱动的实车工况电池电化学参数在线辨识方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一中确定各参数所对应敏感度等级的过程依次包括：
3.如权利要求2所述的方法，其特征在于：步骤二中对所述构建多步布...
【专利技术属性】
技术研发人员：林倪，王震坡，黄胜旭，陈帅衡，张照生，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。