基于引力場粒子濾波算法估算鋰電池健康狀態(tài)

林娜 朱武 鄧安全

摘? 要：針對粒子濾波算法（PF）估算鋰電池健康狀態(tài)（SOH）時易發(fā)生粒子退化的問題，提出基于引力場算法優(yōu)化的粒子濾波算法估算鋰電池SOH，估算鋰電池SOH。實驗與仿真結(jié)果表明，與優(yōu)化前的粒子濾波算法估算結(jié)果比較，該混合算法的仿真結(jié)果有更多的數(shù)據(jù)落在合理區(qū)間[0.045，0.055]內(nèi)，更具優(yōu)越性。

關(guān)鍵詞：粒子濾波算法（PF）;鋰電池;健康狀態(tài)（SOH）;引力場算法

中圖分類號：TM912? ? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2019）25-0032-02

Abstract： In order to resolve particle degeneration when Li-ion battery's state of health （SOH） was estimated through particle filter （PF） algorithm， the Li-ion battery's SOH estimation method was presented based on gravitation field particle filter （GFPF） algorithm. The results showed that more estimated values were within the range of [0.045，0.055]. It turned out that GFPF was better for on-line SOH estimation of Li-ion battery.

Keywords： particle filter （PF） algorithm; Li-ion battery; state of health （SOH）; gravitation field algorithm

引言

精確估算鋰電池健康狀態(tài)（SOH）對電動汽車的安全運行有重大的影響。目前電池SOH的估算方法主要分為三大類：直接測量法、數(shù)據(jù)驅(qū)動法、模型法。直接測量法如開路電壓方法等，此類方法精度低，通常需要特殊設(shè)備，不適用于在線估算。數(shù)據(jù)驅(qū)動法如支持向量機法等，此類方法忽略電池內(nèi)部機制，需要大量歷史數(shù)據(jù)，運算量很大。模型法如卡爾曼濾波法[1]、粒子濾波（PF）算法等。由于電池的SOH估計涉及基于非線性時變系統(tǒng)求解非高斯的問題，而解決此類題，PF具有一定優(yōu)勢，但PF算法的粒子退化現(xiàn)象會導(dǎo)致估算結(jié)果精度低。

所以本文用引力場算法來優(yōu)化粒子濾波算法[2]的重采樣過程，改善粒子退化問題，提高鋰電池SOH的估算精度。

1 選擇鋰電池等效電路模型

常見的電池等效電路模型戴維南等效電路模型和二階RC電池等效模型[3]。從模型精確度和復(fù)雜度的角度權(quán)

衡，選用二階RC網(wǎng)絡(luò)動態(tài)模型，如圖1所示。其中，R0為歐姆內(nèi)阻;R1、R2為極化電阻;C1、C2為極化電容;Voc表示開路電壓;Vt表示端電壓。

2 辨識模型參數(shù)

在室溫25℃下，通過電子負載對電池進行充放電試驗，獲取電壓和電流數(shù)據(jù)。使用帶遺忘因子的最小二乘法辨識二階RC電池模型參數(shù)，仿真辨識結(jié)果如表1所示：

為驗證參數(shù)準確性，比較仿真輸出的端電壓和實際測量的端電壓，如圖2。由圖可知該模型具有可靠性。

3 鋰電池健康狀況定義

電池的SOH與歐姆內(nèi)阻有關(guān)聯(lián)，后者可以動態(tài)跟蹤前者[4]。因此選用適用于電池SOH在線預(yù)測方法。設(shè)其數(shù)學(xué)表達式為：

Rcur表電池當前歐姆內(nèi)阻值，Rborn表出廠時電池的歐姆內(nèi)阻，Rdie表電池壽命結(jié)束時的內(nèi)阻。本文假設(shè)Rdie=1.6×Rborn。

4 算法部分

引力場算法（GFA）是一種啟發(fā)式搜索算法。GFA用于更新粒子濾波完成一步權(quán)重計算后的粒子群體的位置。將每個粒子看成宇宙灰塵系統(tǒng)中的一?；覊m，將粒子群體隨機分組，每組中權(quán)重最大的粒子設(shè)為中心灰塵，其余粒子均歸為周圍灰塵。通過隨機分組，尋找權(quán)值最大的中心灰塵，并計算中心灰塵對周圍灰塵引力、排斥力作用，更新每個粒子的位置，再進行權(quán)值更新和重采樣。吸引模型表示為：

其中，M為移動權(quán)重，可取M=0.06184，數(shù)值為黃金分割比例的十分之一，這樣取值可使GFA的速度與效率最好[2];deu表示中心灰塵與周圍灰塵的歐式距離。設(shè)定合適的距離閾值，在k時刻，當兩者距離小于閾值時，中心灰塵對周圍灰塵存在單向引力作用，使其向中心灰塵移動。排斥模型表示為：

f為自轉(zhuǎn)概率。設(shè)置一個閾值，在k時刻，當deu小于該值時，中心灰塵因自轉(zhuǎn)產(chǎn)生對周圍灰塵的排斥作用，使其向背離中心灰塵的方向移動，當deu大于設(shè)定的閾值時，自轉(zhuǎn)排斥力消失。根據(jù)公式（4）計算更新粒子的位置，其中i為對應(yīng)的粒子。

將該算法融入粒子濾波算法的重采樣過程，可改善粒子退化問題，提高估算精度。

5 實驗與仿真結(jié)果分析

為了驗證GFPF估算結(jié)果，用標準PF算法和優(yōu)化后的算法GFPF分別對18650型鋰電池歐姆內(nèi)阻進行估算，對應(yīng)的鋰電池歐姆內(nèi)阻跟蹤預(yù)測曲線如圖3、4所示。

電池的歐姆內(nèi)阻值的區(qū)間為[0.045，0.055][5]。PF算法預(yù)測的歐姆內(nèi)阻取值主要落在區(qū)間[0.043，0.057]內(nèi)，GFPF算法得到歐姆內(nèi)阻取值主要落在區(qū)間[0.045，0.055]內(nèi)，由統(tǒng)計結(jié)果表2可知，與PF算法的跟蹤結(jié)果比較，GFPF算法的實驗結(jié)果數(shù)據(jù)更多的落在合理范圍之內(nèi)，有效的避免粒子退化問題。

6 結(jié)論

本文基于引力場粒子濾波算法估算了鋰電池內(nèi)阻。通過與粒子濾波估算結(jié)果進行對比分析，得出結(jié)論：基于引力場粒子濾波算法的電池內(nèi)阻預(yù)測結(jié)果的曲線更平穩(wěn)。由此可得，基于引力場粒子濾波算法預(yù)測電池內(nèi)阻更具有優(yōu)越性。

參考文獻：

[1]鄧濤，羅衛(wèi)興，李志飛，等.雙卡爾曼濾波法估計電動汽車電池健康狀態(tài)[J].電池，2018，48（02）：95-99.

[2]肖娟.粒子濾波算法改進與其應(yīng)用研究[D].華東交通大學(xué)，2017.

[3]孫冬，許爽，李超，等.鋰離子電池荷電狀態(tài)估計方法綜述[J].電池，2018，48（04）：284-287.

[4]K. Takeno， M. Ichimura， K. Takano， et al. Quick testing of batteries in lithium-ion battery packs with impedance-measuring technology J Power Sources， 128（1）（2004），pp.67-75.

[5]姜久春，文鋒，溫家鵬，等.純電動汽車用鋰離子電池的建模和模型參數(shù)識別[J].電力科學(xué)與技術(shù)學(xué)報，2010，25（01）：67-74.