本專利涉及電動汽車電池管理領域，特別是涉及電動汽車用動力電池峰值功率估計的技術領域。

技術背景

實時估計電動汽車動力電池的峰值功率(SoP)可評估動力電池在不同健康狀態(tài)(SoH)和荷電狀態(tài)(SoC)下充放電功率的極限能力、優(yōu)化匹配動力電池組在汽車動力性之間的關系以及最大程度發(fā)揮電機再生制動能量回收能力。準確估計SoP對電動汽車整車控制單元的能量管理和優(yōu)化有十分重要的理論意義和實用價值，是電動汽車電池管理系統(tǒng)的重要功能和研究熱點。

本領域熟知的智能優(yōu)化算法類型主要包括遺傳算法、粒子群算法、蟻群算法、模擬退火算法等。更具體的智能優(yōu)化算法已在大量現(xiàn)有技術中披露，例如《黃友銳.智能優(yōu)化算法及其應用[M].國防工業(yè)出版社,2008》和《李士勇,李研.智能優(yōu)化算法原理與應用[M].哈爾濱工業(yè)大學出版社,2012》。但是目前智能優(yōu)化算法還未應用于動力電池峰值功率的估計。

目前常用的電池SoP估計的方法，如神經(jīng)網(wǎng)絡法、復合脈沖算法(PNGV HPPC法)、電壓法、SoC法，并不能保證估計結(jié)果的最優(yōu)性，因此，本專利公開一種基于雙步在線智能優(yōu)化算法的動力電池峰值功率估計方法。

技術實現(xiàn)要素：

針對以上問題，本發(fā)明公開了一種基于雙步在線智能優(yōu)化算法的動力電池峰值功率估計方法。該方法的引入了智能優(yōu)化算法，且利用雙步智能優(yōu)化算法分別計算最大放電功率和最小充電功率，且能夠完成每一步長下充放電最大功率的計算，步驟簡單，適用性強，易于在線實施。

一種基于雙步在線智能優(yōu)化算法動力電池峰值功率估計方法，包括：

步驟一，初始化第一步智能優(yōu)化算法和第二步智能優(yōu)化算法的類型和運行環(huán)境參數(shù)；

步驟二，定義第一步智能優(yōu)化算法的第一優(yōu)化變量、第一優(yōu)化變量邊界以及第一優(yōu)化目標函數(shù)J₁；

步驟三，基于第一步智能優(yōu)化算法類型，在所述第一優(yōu)化變量邊界中尋找使得第一優(yōu)化目標函數(shù)J₁最大化的第一優(yōu)化變量值，解得所述第一優(yōu)化變量值所對應的J₁值即為下一時刻動力電池的最大放電功率；

步驟四，定義第二步智能優(yōu)化算法的第二優(yōu)化變量、第二優(yōu)化變量邊界以及第二優(yōu)化目標函數(shù)J₂；

步驟五，基于第二步智能優(yōu)化算法類型，在所述第二優(yōu)化變量邊界中尋找使得第二優(yōu)化目標函數(shù)J₂最小化的第二優(yōu)化變量值，解得所述第二優(yōu)化變量值所對應的J₂值即下一時刻動力電池的最小充電功率；

步驟六，計算動力電池組的充放電峰值功率。

優(yōu)選地，所述步驟二中第一優(yōu)化變量是動力電池下一時刻允許的最大放電功率所對應的最大放電電流值第一優(yōu)化變量邊界設置為[0,I_max]，I_max為最大放電電流。

優(yōu)選地，所述步驟四中第二優(yōu)化變量是動力電池下一時刻允許的最小充電功率所對應的最小充電電流值第二優(yōu)化變量邊界設置為[I_min,0]，I_min為最小充電電流。

一種基于雙步在線智能優(yōu)化算法動力電池峰值功率估計方法，包括

第a步，設置所述電池峰值功率估計的持續(xù)時間參數(shù)ΔT；初始化動力電池極限工作狀態(tài)的限制條件，包括最大放電電流和最小充電電流；

第b步，采集并記錄時刻k動力電池的電流值；

第c步，估計當前時刻k的動力電池的SoC值；

第d步，辨識獲取時刻k動力電池一階RC等效電路模型參數(shù)；

第e步，基于上述等效電路模型，執(zhí)行如權利要求1至3所述的方法；

第f步，進入下一時刻k＝k+1，返回至第b步。

優(yōu)選地，所述動力電池極限工作狀態(tài)的限制條件還包含充電上截止電壓Umax，放電下截止電壓Umin、SoC最大限值zmax和SoC最小限制zmin中的至少一個。

優(yōu)選地，第一優(yōu)化目標函數(shù)J₁表達式為：

M₁和M₂為懲罰因子，U_min為充電上截止電壓，z_min為SoC最小限值，為動力電池在k+1時刻輸出時的端電壓，為動力電池在k+1時刻的SoC值。

優(yōu)選地，第二優(yōu)化目標函數(shù)J₂表達式為：

M₃和M₄為懲罰因子，U_max為充電上截止電壓，z_max為SoC最大限值，為動力電池在k+1時刻輸出時的端電壓，為動力電池在k+1時刻的SoC值。

附圖說明

圖1基于雙步在線智能優(yōu)化算法的動力電池峰值功率估計方法流程圖；

圖2一階RC等效電路模型結(jié)構圖；

圖3本實施例中動力電池離線參數(shù)辨識結(jié)果；

圖4雙步在線遺傳算法估計動力電池SoP流程圖；

圖5本實施例在UDDS工況下的動力電池組SoP估計結(jié)果；

圖6本實施例在UDDS工況下每一采樣點的SoP估計用時；

具體實施方式：

在本發(fā)明表達中放電時電流符號規(guī)定為正，充電式電流符號規(guī)定為負。因此，放電電流為正值，最大放電電流是絕對值最大的放電電流；充電電流為負值，因此最小充電電流是絕對值最大的充電電流。放電峰值功率為正值，最大放電峰值功率是絕對值最大的放電峰值功率；充電峰值功率為負值，因此最小充電峰值功率是絕對值最大的充電峰值功率。

基于雙步在線智能優(yōu)化算法的動力電池峰值功率估計方法具體包括以下步驟：

第a步，設置SoP估計的持續(xù)時間參數(shù)ΔT，即所估計的SoP值用以持續(xù)輸出或輸入的時間長度，初始化動力電池極限工作狀態(tài)的限制條件。所述限制條件包括最大放電電流I_max、最小充電電流I_min、充電上截止電壓U_max，放電下截止電壓U_min、SoC最大限值z_max和SoC最小限制z_min。

第b步，采集并記錄時刻k動力電池的電流值I_k；

第c步，估計當前時刻k的動力電池的SoC值z_k，動力電池SoC估計方法可以是本領域公知的方法，如安時計數(shù)法、端電壓估計法、卡爾曼濾波估計法等；

第d步，辨識獲取時刻k動力電池一階RC等效電路模型參數(shù)，具體包括第k時刻動力電池的開路電壓U_oc、充電歐姆內(nèi)阻R_chg、放電歐姆內(nèi)阻R_dis，用于反映動力電池極化現(xiàn)象的阻容回路中的電阻R_p和時間常數(shù)τ。

等效電路模型參數(shù)的辨識方法可采用本領域公知的方法，常用的辨識方法可分為離線辨識法和在線辨識法，離線辨識法有遺傳算法、粒子群算法等，在線辨識法有遞推最小二乘法、卡爾曼濾波估計法等。

第e步，基于等效電路模型，執(zhí)行雙步在線智能優(yōu)化算法估計動力電池的SoP值，即獲取下一時刻動力電池允許持續(xù)ΔT放電的最大功率和充電的最小功率其中，本發(fā)明不限定智能優(yōu)化算法；

第f步，進入下一時刻k＝k+1，返回至第b步。

其中，上述第e步中的基于一階RC等效電路模型，執(zhí)行雙步在線智能優(yōu)化算法估計動力電池的SoP值，具體包括如下步驟：

本發(fā)明的雙步在線智能優(yōu)化算法包括第一步智能優(yōu)化算法和第二步智能優(yōu)化算法，其中所述第一步智能優(yōu)化算法和第二步智能優(yōu)化算法所采用的智能優(yōu)化算法類型由本領域技術人員根據(jù)需要選擇，所述第一步智能優(yōu)化算法和第二步智能優(yōu)化算法可以相同，也可以不同。智能優(yōu)化算法類型為本領域已知技術，包括但不限于遺傳算法、粒子群算法、蟻群算法、模擬退火算法等。

步驟一，初始化雙步在線智能優(yōu)化算法的運行環(huán)境參數(shù)，本領域技術人員根據(jù)確定的智能優(yōu)化算法類型設置具體運行環(huán)境參數(shù)。

舉例來說，若所述步驟一中的第一步或第二步智能優(yōu)化算法類型為遺傳算法，所述的具體運行環(huán)境參數(shù)包括種群規(guī)模、繁殖代數(shù)、編碼方式、選擇方式、變異方式、交叉方式。

步驟二，定義第一步智能優(yōu)化算法的優(yōu)化變量、優(yōu)化變量邊界以及優(yōu)化目標函數(shù)，取動力電池下一時刻允許的最大放電功率所對應的電流值為優(yōu)化變量，優(yōu)化變量邊界設置為[0,I_max]，I_max為第a步所設置的最大放電電流，第一步智能優(yōu)化算法的優(yōu)化目標函數(shù)J₁表達式如下：

其中，M₁和M₂為懲罰因子，U_min為第a步所設置的充電上截止電壓，z_min為第a步所設置的SoC最小限值，為動力電池在k+1時刻的SoC值，若第d步中的辨識方法采用離線辨識法，基于一階RC等效電路模型，的表達式如下：

其中，Δt為系統(tǒng)采樣時間間隔，為動力電池在k+1時刻輸出時的端電壓，U_p,k為k時刻阻容回路的電壓值，為動力電池在輸出時的開路電壓值，為動力電池在輸出時的歐姆電阻值，R_p(z_k)為動力電池在k時刻的阻容回路電阻值，τ(z_k)為動力電池在k時刻的阻容回路時間常數(shù)，I_k為動力電池在k時刻的電流值，z_k為動力電池在k時刻的SoC值。若第d步中的辨識方法采用在線辨識法，基于一階RC等效電路模型，的表達式如下：

其中，U_oc(z_k)為動力電池在k時刻的開路電壓值，R_dis(z_k)為動力電池k時刻的歐姆電阻值；

的表達式如下：

其中，η_d為放電庫倫效率，C為動力電池的當前容量；

步驟三，根據(jù)步驟一和二的設定執(zhí)行第一步智能優(yōu)化算法，即根據(jù)步驟一設置的算法的運行環(huán)境參數(shù)，采用步驟一確定的第一步智能優(yōu)化算法類型，尋找[0,I_max]區(qū)域中使得優(yōu)化目標函數(shù)J₁最大化的解得的值所對應的J₁值即為下一時刻動力電池的放電SoP值

步驟四，定義第二步智能優(yōu)化算法的優(yōu)化變量、優(yōu)化變量邊界以及優(yōu)化目標函數(shù)，取動力電池下一時刻允許的最小充電功率所對應的電流值為優(yōu)化變量，優(yōu)化變量邊界設置為[I_min,0]，I_min為第a步所設置的最小充電電流，第二步智能優(yōu)化算法的優(yōu)化目標函數(shù)J₂表達式如下：

其中，M₃和M₄為懲罰因子，U_max為第a步所設置的充電上截止電壓，z_max為第a步所設置的SoC最大限值，為動力電池在k+1時刻的SoC值；若第d步中的辨識方法采用離線辨識法，基于一階RC等效電路模型，的表達式如下：

其中，為動力電池在k+1時刻輸出時的端電壓，為動力電池在輸出時的開路電壓值，為動力電池在輸出時的歐姆電阻值，若第d步中的辨識方法采用在線辨識法，基于一階RC等效電路模型，的表達式如下：

其中，U_oc(z_k)為動力電池在k時刻的開路電壓值，R_chg(z_k)為動力電池k時刻的歐姆電阻值；

的表達式如下：

其中，η_c為充電庫倫效率；

步驟五，根據(jù)步驟一和四的設定執(zhí)行第二步智能優(yōu)化算法，即根據(jù)步驟一設置的算法具體參數(shù)，采用步驟一確定的第二步智能優(yōu)化算法類型，尋找[I_min,0]區(qū)域中使得優(yōu)化目標函數(shù)J₂最小化的解得的值所對應的J₂值即下一時刻動力電池的充電SoP值

步驟六，計算動力電池組的充放電SoP值和公式如下；

其中，n_s為動力電池組串聯(lián)連接的模塊個數(shù)，n_p為每個模塊中并聯(lián)連接的動力電池單體個數(shù)；下面結(jié)合實驗對本發(fā)明進行詳細說明，實施例中采用某18650e型的動力電池，本實施例對本發(fā)明不構成限定。

步驟1：設置SoP估計的持續(xù)時間參數(shù)ΔT＝1s，初始化動力電池極限工作狀態(tài)的限制條件見表1：

表1動力電池極限工作狀態(tài)的限制條件參數(shù)表

步驟2，采集并記錄時刻k動力電池的電流值I_k；

步驟3，估計當前時刻k動力電池的SoC值z_k，本實施例采用安時計數(shù)法估計動力電池SoC，公式如下：

其中，Δt為采樣時間間隔，本實施例中，Δt＝1s，C＝1.299Ah，η_d＝1，η_c＝0.98；

步驟4，辨識獲取時刻k動力電池等效電路模型參數(shù)θ_k，本實施例采用離線辨識方法，首先對動力電池進行城市道路循環(huán)(UDDS)工況測試，根據(jù)工況測試中的SoC值域?qū)y試的電流和端電壓數(shù)據(jù)劃分為13個小區(qū)間，再基于一階RC等效電路模型以端電壓均方根誤差最小原則進行離線辨識，最后采用公式分別對U_oc、R_chg、R_dis，R_p和τ進行擬合，擬合公式如下：

其中，λ_xy均為參數(shù)擬合公式的系數(shù)(1≤x≤6,1≤y≤5，x和y均取整數(shù))，將步驟3估計的z_k代入公式(9)即可獲得k動力電池等效電路模型參數(shù)，本實施例的離線辨識結(jié)果見圖3；

步驟5，基于一階RC等效電路模型，執(zhí)行雙步在線智能優(yōu)化算法估計動力電池的SoP值和本實施例的第一步和第二步智能優(yōu)化算法皆采用遺傳算法；

步驟6，進入下一時刻k＝k+1，返回至第2步。

所述步驟5中的基于一階RC等效電路模型，執(zhí)行雙步在線智能優(yōu)化算法估計動力電池的SoP值，如圖4所示，具體包括如下步驟：

步驟101，初始化雙步在線遺傳算法的計算參數(shù)，具體參數(shù)的設置見表2：

表2雙步遺傳算法具體參數(shù)設置表

步驟102，定義第一步遺傳算法的優(yōu)化變量為優(yōu)化變量邊界設置為[0,27]，將J₁定義為優(yōu)化目標函數(shù)，這里取J₁為遺傳算法中的適應度函數(shù)，本實施例中，M₁取10⁶，M₂取10⁷；

步驟103，根據(jù)步驟101和102的設定執(zhí)行第一步遺傳算法，首先設置表2所示的具體參數(shù)，根據(jù)實數(shù)編碼方式進行編碼，在[0,I_max]區(qū)域內(nèi)隨機生成50個個體并計算各個個體的適應度函數(shù)值，再對個體進行輪盤選擇、啟發(fā)式交叉和均勻變異，若當前繁殖代數(shù)未達到100，返回到計算各個個體適應度函數(shù)值的步驟，若當前繁殖代數(shù)達到100，則輸出當前種群中的最佳適應度函數(shù)值，進行實數(shù)解碼后即為下一時刻動力電池的放電SoP值本實施例的SoP估計環(huán)境選用UDDS工況；

步驟104，定義第二步遺傳算法的優(yōu)化變量為優(yōu)化變量邊界設置為[-27,0]，將J₂定義為優(yōu)化目標函數(shù)，由于遺傳算法的適應度函數(shù)必須具有非負性，并且適應度函數(shù)值越大代表個體越優(yōu)秀，因此這里取-J₂為遺傳算法中的適應度函數(shù)，本實施例中，M₃取10⁶，M₄取10⁷；

步驟105，根據(jù)步驟101和104的設定執(zhí)行第二步遺傳算法，首先設置表2所示的具體參數(shù)，根據(jù)實數(shù)編碼方式進行編碼，在[I_min,0]區(qū)域內(nèi)隨機生成50個個體并計算各個個體的適應度函數(shù)值，再對個體進行輪盤選擇、啟發(fā)式交叉和均勻變異，若當前繁殖代數(shù)未達到100，返回到計算各個個體適應度函數(shù)值的步驟，若當前繁殖代數(shù)達到100，則輸出當前種群中的最佳適應度函數(shù)值，進行實數(shù)解碼后取相反數(shù)即為下一時刻動力電池的充電SoP值

步驟106，根據(jù)公式(9)計算動力電池組的充放電SoP值和本實施例中n_s為1，n_p為20；

重復步驟6，k從1累加到UDDS工況的結(jié)束時刻，即完成本發(fā)明在UDDS工況下實施動力電池組充放電SoP估計的驗證，估計結(jié)果見圖5。本實施例中SoP估計運算采用Intel i7 2.20GHz處理器和8GB內(nèi)存，關于UDDS工況下每一采樣點的SoP估計用時見圖6。

對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。