基于交互多模型切换的动力电池建模与状态估计方法研究

The low accuracy of the power battery model, the narrow range of model adaptability and the uncertainty of the parameters have a significant impact on the accuracy of the battery state of charge (SOC) and state of health (SOH) estimation. Accurate modeling and state estimation of batteries under dynamic and complex conditions are the focus of this project. The main contents are: Qualitative analysis and quantitative description are combed to study the effect of aging, charge and discharge rate, temperature, self-discharge and hysteresis on the battery state, and then a multi-factor battery model set is constructed. The model parameters are identified online based on the combined particle swarm optimization algorithm and genetic algorithm to update the battery model on-line. An interacting multiple model switching mechanism based on probability is proposed to improve the accuracy and robustness of battery SOC and SOH estimation by using genetic particle filtering. It is expected to provide an accurate and efficient method of battery modeling and state estimation under the condition of electric vehicle application. The implementation of these studies will help to improve the energy utilization and reliability of the battery and extend the battery life. At the same time, new ideas are provided for accurate modeling and state estimation of complex dynamic system.

针对目前动力电池建模精度不足、模型适应范围小和参数不确定性对电池荷电状态和健康状态估计精度存在的显著影响，本项目将围绕动力电池在动态复杂条件下的准确建模和状态估计方法开展研究。主要研究内容包括：拟通过定性分析和定量描述相结合，探索电池老化、充放电倍率、温度、自放电、滞后效应等因素对电池状态的影响规律，构建多因素影响的电池模型集合；研究粒子群优化算法和遗传算法相结合的模型参数在线辨识方法，实现电池模型的动态更新；研究建立基于概率的交互多模型切换机制，在此基础上研究基于遗传粒子滤波的状态估计算法，提高电池荷电状态和健康状态估计的准确性和鲁棒性。目的是实现一种精确、高效的适用于电动汽车应用工况的动力电池建模及状态估计方法。这些研究的开展将有助于提高动力电池的能量利用率和使用的可靠性，并延长电池寿命，同时为复杂动态系统的精确建模和状态估计的研究提供新思路。

针对目前动力电池建模精度不足、模型适应范围小和参数不确定性对电池核心状态估计精度存在的显著影响，本项目围绕动力电池在动态复杂条件下的准确建模和状态估计方法开展研究。.主要研究内容和研究结果包括：多因素影响的电池建模方法，研究分析了电池充放电倍率、温度等影响因素对动力电池特性的作用机理，并将这些影响因素体现在具体电池模型中，采用数据驱动的方法提炼、建立了描述上述影响因素的数学模型，从而实现了多因素影响下的准确电池建模；电池模型的参数辨识方法，针对动力电池模型中参数存在的衰减和扰动问题，建立了电池模型参数的参数辨识和更新方法，引入模型输出反馈机制，根据电池模型理论输出值和检测实际值的误差信号动态调整电池模型参数，提高了电池模型精度；荷电状态、健康状态、功率状态、能量状态等电池核心状态估计方法，针对单一数据驱动类模型性能易受环境因素干扰，并且对实验数据敏感度较高的缺点，构建XGBoost模型用于提高电池状态估计准确性，进一步研究建立了电池的模型集合，在此基础上应用遗传粒子滤波算法、蚁群自适应粒子滤波算法、云边协同策略等算法，用于电池的核心状态估计，提高了动力电池状态估计的准确性和鲁棒性；基于电池管理实验测试平台的电池建模和状态估计方法测试验证技术，建立了动力电池管理的仿真和实验平台，进行了多种工况下的实验测试，测试验证了本课题提出的建模和状态估计方法的有效性和适应性。.本项目在《Journal of Energy Storage》、《Energies》、《Journal of Advanced Transportation》、《汽车工程》、《吉林大学学报》等国内外期刊会议上发表论文10篇，授权发明专利1项，公开发明专利6项。本项目研究的开展有助于提高动力电池的能量利用率和使用的可靠性，并延长电池寿命，同时为复杂动态系统的精确建模和状态估计的研究提供了新思路。