锂离子电池模型参数估计优化算法比较



锂离子电池模型参数估计优化算法比较

锂离子电池因具有较高的功率密度和能量密度而被广泛应用在纯电动汽车和混合动力汽车上。为了使用基于物理学的精度较高电池模型，通过模型降阶加快计算。应用降阶模型之前需要确定模型的相关参数，但由于电池参数往往是未知的，或电池退化相关参数会发生变化，因而需要一种参数估计方法，以对电池模型参数进行更新。介绍了锂离子电池降阶模型和模型的局限性，通过数值敏感分析确定各参数，并对多种估计参数的优化算法进行比较。

介绍了基于物理学的锂离子电池降阶模型，该模型将锂离子电池分为阴极层、隔离层和阳极层。阴极层为钴氧化合物，阳极层为石墨，两者均为多孔结构，电解质可渗透到每一层。该模型仅对电池各层厚度进行一维研究，忽略其它维度可能产生的影响。给出了降阶模型的相关方程及电解质浓度变化的方程。利用数值敏感分析对不易测量的模型参数进行初值估计。选取待估模型参数时，选择了几个需要被估计的参数。给出了参数自适应估计、有效全局优化算法、差分进化算法和模拟退火算法等4种参数优化算法进行多参数初值优化。优化目标函数定义为试验测量电压值和模型模拟电压值差的平方。根据精度收敛到0.0001时所需的迭代次数对这些优化算法进行评价。每种优化算法运行5次，平均迭代次数作为最终迭代次数。

模拟结果显示，最有效的优化算法是差分进化算法。5次模拟试验中有4次收敛到实际值，经过30次迭代时待估参数已接近最优值；当迭代达到58次时，模拟值则完全收敛。而有效全局优化算法不收敛，模拟退火算法可迅速收敛到试验值附近，精度较低。因而，差分进化算法是最适合对估计参数进行优化的算法。

Adam Ing et al. SAE 2014-01-1851.

编译：王祥