一种用于退役电池的SOC、SOH联合估算方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112649736A(43)申请公布日2021.04.13(21)申请号202011392585.8(22)申请日2020.12.02(71)申请人南京工程学院地址211167江苏省南京市江宁科学园弘景大道1号(72)发明人苏令孟高军孙玉坤周煜陶政李建林余昊晨刘海涛夏涛(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人柏尚春(51)Int.Cl.G01R31/367(2019.01)G01R31/392(2019.01)G01R31/387(2019.01)权利要求书2页说明书5页附图4页(54)发明名称一种用于退役电池的SOC、SOH联合估算方法(57)摘要本发明公开了一种用于退役电池的荷电状态(StateofCharge，SOC)、健康状态(StateofHealth，SOH)联合估算方法，针对退役电池的离散、不一致等性能缺陷，首先，建立一种综合考虑退役电池性能影响因素的电池单体模型，随后利用电池的混合动力脉冲能力特性(HybridPulsePowerCharacteristic，HPPC)测试所得试验数据对所建模型实施参数识别，同时根据试验数据联合蜂鸟‑神经网络算法估算电池SOH，进而确定电池的实际可用容量，以此为依据对安时积分法进行校正，最后，基于上述所得电池单体离线模型参数和改进安时积分法，采用离线‑迭代算法对电池SOC进行估算。本发明将蜂鸟‑神经网络算法、改进安时积分法、离线‑迭代算法相结合，有效提升了退役电池SOH、SOC估算的快速性与准确性。CN112649736ACN112649736A权利要求书1/2页1.一种用于退役电池的SOC、SOH联合估算方法，其特征在于，包括以下步骤：步骤S1：建立综合考虑退役电池性能影响因素的电池单体模型，随后利用电池的HPPC测试所得试验数据拟合得到所建电池单体模型的离线模型参数；步骤S2：根据所述试验数据联合蜂鸟‑神经网络算法估算电池的SOH，进而确定电池实际可用容量，以电池实际可用容量作为依据对安时积分法进行校正，获得改进安时积分法；步骤S3：基于电池单体离线模型参数和改进安时积分法，采用离线‑迭代算法对电池SOC进行估算。2.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：步骤S2中所述的根据所述试验数据联合蜂鸟‑神经网络算法估算电池的SOH，包括以下步骤：(21)神经网络算法的输入层选择试验数据中的开路电压、电流、温度、内阻，输出层选择电池SOH，构建神经网络SOH估算模型；(22)利用蜂鸟算法对神经网络的权重和阈值进行寻优，并利用所述试验数据进行训练确定权重和阈值的最优解；(23)通过优化后得到的蜂鸟‑神经网络模型估算退役电池SOH。3.根据权利要求2所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：所述步骤(22)包括以下步骤：(1)待优化的神经网络里所有的权重和阈值，共m个参数，将参数依次排列为c1，c2，…，cm，对任一参数设置为N个随机的非零值，形成集合Rci，设蜂鸟的总数为S，每只蜂鸟从鸟巢出发觅食，即每只蜂鸟根据集合Rci中每个元素的信息素状态，随机的从集合中选择一个元素，每个元素被选概率遵从下式：式中：表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率，τij(t)表示t时刻元素i与元素j之间的信息量，ηij(t)为对应τij(t)的启发式函数，α为信息素启发因子，β为期望启发因子，cank为蜂鸟k下一步可以选择的元素集合，s表示从集合cank中随机选取的元素，τis(t)表示t时刻元素i与元素s之间的信息量，ηis(t)为对应ηis(t)的启发式函数。(2)初始化，迭代次数Dc＝1，设置最大迭代次数为Dmax，每个蜂鸟所携带的初始信息量τ0(0)＝0，释放的信息量Δτ0(0)＝0，所有蜂鸟位居鸟巢；(3)蜂鸟出发觅食，觅食搜索过程相互独立，根据元素所含信息量，按照式(1)计算每个元素被选择的概率；(4)重复步骤3，直到蜂鸟完成全部元素的选择后停止计算；(5)将蜂鸟所选择的元素，作为神经网络参数，对神经网络进行学习训练，得到神经网络的实际输出，对比期望值ξ，得到对应的网络误差δ，并据此更新集合中元素的信息量，信息量全局更新规则如下：2CN112649736A权利要求书2/2页式中：τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量，S为蜂鸟总数，ρ表示信息量挥发系数，表示蜂鸟k在路径(i，j)上的释放的信息量，即信息素增量，Q表示全局信息量，为一个常数，Lk表示蜂鸟k走过的路径长度；(6)重复步骤2到5，当蜂鸟收敛到同一路径或迭代达到最大次数时，停止迭代，输