基于啟發(fā)式算法的鋰離子電池p2d模型參數(shù)的辨識(shí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于儲(chǔ)能和電動(dòng)汽車新能源領(lǐng)域，特別是涉及一種基于啟發(fā)式算法的鋰離 子電池 P2D模型參數(shù)的辨識(shí)方法。
【背景技術(shù)】
[0002] 鋰離子電池由于具有較高的能量密度，在儲(chǔ)能系統(tǒng)和電動(dòng)汽車等新能源領(lǐng)域獲得 了廣泛使用。但鋰離子電池由于自身材料和結(jié)構(gòu)問題，在實(shí)際使用過程中容易出現(xiàn)過沖、過 放、過熱和濫用等問題。因此，為了能夠更好管理和控制在使用過程中的電池組(堆），需要 對(duì)鋰離子電池的內(nèi)部參數(shù)進(jìn)行辨識(shí)?；诙嗫纂姌O理論和濃溶液理論建立起來的鋰離子電 池準(zhǔn)二維（P2D)模型（詳見 Fuller, T.F. ,Doyle, M.& Newman，J.Simulation and Optimization of the Dual Lithium Ion Insertion Cell.J Electrochem Soc 141，I-10,（1994))是一種基于電化學(xué)的機(jī)理模型，能夠準(zhǔn)確的描述鋰離子電池內(nèi)部的物理、化學(xué) 過程。因此，它是一種對(duì)鋰離子電池內(nèi)部狀態(tài)較為精確的估計(jì)方法。
[0003] 迄今為止，已提出了多種用于辨識(shí)鋰離子電池 P2D模型參數(shù)的方法。例如，專利 N201410597670.6公開了一種辨識(shí)方法，該方法首先基于P2D模型建立鋰離子電池平均模 型，然后僅對(duì)模型中的(^, 111￡?,1)，(^,繼,11和1^三個(gè)參數(shù)利用1^61^找-11^91^(11:算法辨識(shí)獲 得，其它參數(shù)利用實(shí)驗(yàn)方法測(cè)量獲得。專利文獻(xiàn)CN200780032760.9公開了 一種辨識(shí)方法，但 該方法僅利用卡爾曼濾波理論(或其它最優(yōu)化方法)對(duì)二次電池中的活性物質(zhì)濃度、固層中 的電子傳導(dǎo)率、活性物質(zhì)的擴(kuò)散系數(shù)、以及反應(yīng)阻抗等部分參數(shù)進(jìn)行辨識(shí)優(yōu)化。在這些方法 中，都僅辨識(shí)了P2D模型中的部分參數(shù)，剩余參數(shù)都是通過實(shí)驗(yàn)測(cè)量獲得。對(duì)于電池的實(shí)際 使用者而言，很難通過實(shí)驗(yàn)方法測(cè)量得到電池相關(guān)參數(shù)。因?yàn)檫@不僅需要有專業(yè)設(shè)備和相 應(yīng)的測(cè)試環(huán)境，而且還需要使用者具有相關(guān)的專業(yè)知識(shí)。
[0004] 在現(xiàn)有技術(shù)中，遺傳算法已被應(yīng)用于P2D模型的參數(shù)辨識(shí)方法中，使用遺傳算法能 夠?qū)2D模型的所有參數(shù)進(jìn)行辨識(shí)，但目前的辨識(shí)方法中，都需要利用計(jì)算機(jī)集群，并耗時(shí) 很長(zhǎng)時(shí)間才能完成對(duì)P2D模型中所有參數(shù)的辨識(shí)。

【發(fā)明內(nèi)容】

[0005] 鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于啟發(fā)式算法的鋰 離子電池 P2D模型參數(shù)的辨識(shí)方法，用于解決現(xiàn)有技術(shù)中的辨識(shí)方法在辨識(shí)出鋰離子電池 P2D模型中的所有參數(shù)的過程中，需要使用計(jì)算機(jī)集群，且耗時(shí)較長(zhǎng)的問題。
[0006] 為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法，所述辨識(shí)方法包括以下步驟：
[0007] 1)利用鋰離子電池在低倍率放電電流下極化可以忽略的特點(diǎn)以及P2D模型中各參 數(shù)之間的相互關(guān)系減少需要辨識(shí)的參數(shù)的數(shù)量；
[0008] 2)依據(jù)所述P2D模型中各參數(shù)對(duì)電池放電曲線的影響獲得所述P2D模型中各參數(shù) 的有效區(qū)間；
[0009] 3)利用分治策略將所述P2D模型中的參數(shù)分為物理參數(shù)與動(dòng)力學(xué)參數(shù)，并利用遺 傳算法分別對(duì)所述物理參數(shù)及所述動(dòng)力學(xué)參數(shù)進(jìn)行依次辨識(shí)。
[0010] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟1)包括：
[0011] 11)通過回溯法及曲線變換，以在小于或等于0.0 lC放電倍率下的模擬電壓曲線 Pw 4實(shí)驗(yàn)放電電壓曲線V(t)誤差最小為原則進(jìn)行優(yōu)化，得到鋰離子電池正負(fù)電極在0% 及100 %荷電狀態(tài)處的電化學(xué)計(jì)量參考點(diǎn)；
[0012] 12)得到正負(fù)電極在0 %荷電狀態(tài)處的電化學(xué)計(jì)量參考點(diǎn)與鋰離子電池參數(shù)中的 正電極最大鋰離子濃度、正電極初始鋰離子濃度、負(fù)電極最大鋰離子濃度和負(fù)電極初始鋰 咼子濃度之間的關(guān)系式；
[0013] 13)通過量測(cè)或查詢得到正電極最大鋰離子濃度、負(fù)電極最大鋰離子濃度、正電極 厚度、負(fù)電極厚度及電極截面積的初始參考值；
[0014] 14)在小于或等于0.OlC放電倍率下，依據(jù)鋰離子電池正負(fù)電極的容量得到正極固 相體積分?jǐn)?shù)與負(fù)極固相體積分?jǐn)?shù)之間的關(guān)系式。
[0015] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟2)中，依次改變所述P2D模型中各參數(shù)，并保證改變?nèi)我粎?shù)時(shí)，所述P2D模 型中的其他參數(shù)固定不變，依據(jù)所改變參數(shù)與鋰離子電池放電電壓之間的曲線關(guān)系得到該 參數(shù)的有效區(qū)間。
[0016] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟3)中，所述P2D模型中的物理參數(shù)包括:正負(fù)電極的厚度、固相體積分?jǐn)?shù)、液 相體積分?jǐn)?shù)、活性顆粒等效半徑、隔膜厚度、鋰離子電池截面積、正負(fù)電極最大鋰離子濃度、 正負(fù)電極初始鋰離子濃度及初始電解液中鋰離子濃度。
[0017] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟3)中，所述P2D模型中的動(dòng)力學(xué)參數(shù)包括:電解液中鋰離子擴(kuò)散系數(shù)、正負(fù)電 極中鋰離子擴(kuò)散系數(shù)、正負(fù)電極界面處電化學(xué)反應(yīng)速率、電解液中陽離子轉(zhuǎn)移常數(shù)及正負(fù) 電極的電子導(dǎo)電率。
[0018] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述固相體積分?jǐn)?shù)、所述液相體積分?jǐn)?shù)與添加劑的體積分?jǐn)?shù)及導(dǎo)電劑的體積分?jǐn)?shù)之 和為1。
[0019] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟3)中，利用遺傳算法對(duì)所述物理參數(shù)進(jìn)行辨識(shí)包括：
[0020] 31)依據(jù)初始種群大小及需要辨識(shí)的參數(shù)的空間范圍產(chǎn)生辨識(shí)參數(shù)向量種群，所 述種群中的每一個(gè)參數(shù)向量均包括所述P2D模型中的所有物理參數(shù)；
[0021] 32)將所述種群中每一個(gè)參數(shù)向量均代入到所述P2D模型中進(jìn)行計(jì)算，得到在小于 或等于0.OlC放電倍率下的每一個(gè)參數(shù)向量的模擬電壓曲線，并將得到的所述模擬電壓曲 線與在小于或等于〇. OlC放電倍率下的實(shí)驗(yàn)放電電壓曲線進(jìn)行比較，得到在小于或等于 〇.OlC放電倍率下的每一個(gè)參數(shù)向量的模擬電壓曲線與實(shí)驗(yàn)放電電壓曲線的誤差值；
[0022] 33)利用輪盤游戲規(guī)則依據(jù)所述誤差值對(duì)種群進(jìn)行選擇；
[0023] 34)對(duì)步驟33)選擇的所述種群進(jìn)行交叉、變異操作得到新的參數(shù)向量種群；
[0024] 35)將新的種群中的每一個(gè)參數(shù)向量再次帶入到所述P2D模型中進(jìn)行計(jì)算，得到在 小于或等于〇.OlC放電倍率下的每一個(gè)參數(shù)向量的模擬電壓曲線，并將得到的所述模擬電 壓曲線與在小于或等于0.0 lC放電倍率下的實(shí)驗(yàn)放電電壓曲線進(jìn)行比較，得到在小于或等 于0.OlC放電倍率下的每一個(gè)參數(shù)向量的模擬電壓曲線與實(shí)驗(yàn)放電電壓曲線的誤差值； [0025] 36)重復(fù)步驟33)~35)，直至得到最小的誤差值。對(duì)應(yīng)此最小誤差值的參數(shù)向量 值，即為P2D模型中的物理參數(shù)的辨識(shí)值。
[0026] 作為本發(fā)明的基于啟發(fā)式算法的鋰離子電池 P2D模型參數(shù)的辨識(shí)方法的一種優(yōu)選 方案，所述步驟3)中，利用遺傳算法對(duì)所述動(dòng)力學(xué)參數(shù)進(jìn)行辨識(shí)包括：
[0027] 37)依據(jù)初始種群大小及需要辨識(shí)的參數(shù)的空間范圍產(chǎn)生辨識(shí)參數(shù)向量種群，所 述種群中的每一個(gè)參數(shù)向量均包括所述P2D模型中的所有動(dòng)力學(xué)參數(shù)；
[0028] 38)將所述種群中的每一個(gè)參數(shù)向量均代入到所述P2D模型中進(jìn)行計(jì)算，得到在大 于或等于3C放電倍率下的每一個(gè)參數(shù)向量的模擬電壓曲線，并將得到的所述模擬電壓曲線 與在大于或等于3C放電倍率下的實(shí)驗(yàn)放電電壓曲線進(jìn)行比較，得到在大于或等于3C放電倍 率下的每一個(gè)參數(shù)向量的模擬電壓曲線與實(shí)驗(yàn)放電電壓曲線的誤差值；
[0029] 39)利用輪盤游戲規(guī)則依據(jù)所述誤差值對(duì)種群進(jìn)行選擇；
[0030] 310)對(duì)步驟33)選擇的所述種群進(jìn)行交叉、變異