一种电动汽车锂离子电池健康状态估计方法及系统

技术领域

本发明涉及锂离子电池健康状态估计技术领域，尤其涉及一种电动汽车锂离子电池健康状态估计方法及系统。

背景技术

随着电动汽车技术的快速发展，电池技术和电池管理技术也变得越来越重要。为了增加电动汽车的巡航里程和延长电池寿命，电池健康状况(State of Health,SOH)评估已成为一个重要的研究问题。电池的SOH可以表示为电池的老化状态，因此通过电池老化模型对循环过程中的额定容量衰减进行建模。在本发明中，指数模型被用来模拟电池的老化过程，因为它很好地反映了电池整个生命周期中测量值的变化。传统的辨识算法针对指数模型的参数辨识，有以下缺陷：

(1)最小二乘算法、梯度算法、概率算法应用在指数模型的参数辨识时，没有考虑线性参数和非线性参数之间的耦合，导致参数估计精度较差。

(2)粒子群算法、郊狼优化算法这类元启发式算法应用在指数模型的参数辨识时，易陷入局部最优并且收敛速度极慢。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种电动汽车锂离子电池健康状态估计方法及系统，能够解决背景技术中存在的问题。

为解决上述技术问题，本发明提供如下技术方案，一种电动汽车锂离子电池健康状态估计方法，包括：

根据电池额定容量、充电循环次数、电池初始参数以及电池待辨识参数，建立电池容量衰减模型；

使用混沌信号替代郊狼优化算法中随机数改进郊狼优化算法，得到混沌郊狼优化算法，结合切比雪夫混沌映射，对所述模型进行计算；

根据模型计算的最优解，对电池健康状态进行估计。

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述电池容量衰减模型包括，

其中，C

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述混沌郊狼优化算法包括，

将郊狼种群划分为N

其中，l

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述混沌郊狼优化算法还包括，

记每个群体中社会表现最好的郊狼叫做alpha，k时刻第p组的alpha

上式表示在第k次迭代时，对第p组的所有郊狼计算适应度函数，选择适应度函数值最小的那个郊狼作为alpha

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述混沌郊狼优化算法还包括，

在k时刻，第p组郊狼的组文化趋势定义为cult

在k时刻，第p组的第j只郊狼计算公式如下：

此处

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述混沌郊狼优化算法还包括，

通过alpha

其中，δ

作为本发明所述的电动汽车锂离子电池健康状态估计方法的一种优选方案，其中：所述混沌郊狼优化算法还包括，

在第k次迭代时，更新的社会条件这一决策向量为：

其中，Chaotic

在第k次迭代时，第p组的第c只郊狼的新的适应度函数计算如下：

当前k时刻的适应度函数值决定了k+1时刻的社会条件决策向量的选择，k+1时刻第p组的第c只郊狼的社会条件计算如下：

迭代完成后，在所有郊狼中，具有最小适应度值的郊狼作为全局最优解，即为需要估计的参数向量[a

一种电动汽车锂离子电池健康状态估计系统，其特征在于：包括模型建立模块、优化计算模块以及估计模块，

模型建立模块，所述模型建立模块用于根据电池额定容量、充电循环次数、电池初始参数以及电池待辨识参数，建立电池容量衰减模型；

优化计算模块，所述优化计算模块用于使用混沌信号替代郊狼优化算法中随机数改进郊狼优化算法，得到混沌郊狼优化算法，结合切比雪夫混沌映射，对所述模型进行计算；

估计模块，所述估计模块用于根据模型计算的最优解，对电池健康状态进行估计。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

本发明的有益效果：本发明提出一种电动汽车锂离子电池健康状态估计方法及系统，本专利针对混合指数-多项式模型的辨识提出一种改进的元启发式智能算法。该方法可以将问题的已知变量转化为指定的数据形式和数据结构，进而避免考虑线性参数和非线性参数之间的耦合性，同时降低陷入局部最优的概率，进而提高参数估计精度和收敛速度，具有广泛的使用范围。理论和仿真验证了该发明是收敛的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种电动汽车锂离子电池健康状态估计方法及系统的方法流程图；

图2为本发明一个实施例提供的一种电动汽车锂离子电池健康状态估计方法及系统的针对同一个系统，粒子群优化算法(PSO,Particle swarm optimization algorithm)与CCOA之间的迭代对比图；

图3为本发明一个实施例提供的一种电动汽车锂离子电池健康状态估计方法及系统的针对同一个系统，郊狼优化算法(COA,Coyote optimization algorithm)与CCOA之间的迭代对比图；

图4为本发明一个实施例提供的一种电动汽车锂离子电池健康状态估计方法及系统的针对同一个系统，PSO、COA与CCOA三者对比图；

图5为本发明一个实施例提供的一种电动汽车锂离子电池健康状态估计方法及系统的计算机设备的内部结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1-5，为本发明的第一个实施例，该实施例提供了一种电动汽车锂离子电池健康状态估计方法及系统，包括：

步骤102，根据电池额定容量、充电循环次数、电池初始参数以及电池待辨识参数，建立电池容量衰减模型；

其中，目前常用的电池老化模型有指数模型和多项式模型两种，本发明首次将指数模型与多项式模型结合，建立混合指数-多项式模型。

具体的，可采用锂离子电池型号为NCR18650PF，从电池容量指标：正常电压、最小/最大电压、标准充电/快速充电、最大充电电流、最大放电电流、工作放电温度和尺寸指标中采集锂离子电池数据。：

更进一步的，所述电池容量衰减模型包括，

其中，C

步骤104，使用混沌信号替代郊狼优化算法中随机数改进郊狼优化算法，得到混沌郊狼优化算法，结合切比雪夫混沌映射，对模型进行计算；

由于混沌的非重复性和遍历性，它可以以比依赖概率的随机搜索更高的速率执行整体搜索，降低陷入局部最优的概率，使得对电池容量模型的参数估计精度更高。

对于锂离子电池数据结构，输入为电池电流，输出为端电压，搭建的模型为混合指数-多项式模型，因其能很好地模拟电池循环使用过程中的容量衰减。

其中，所述混沌郊狼优化算法包括，

将郊狼种群划分为N

其中，l

更进一步的，在上述过程中，种群中的郊狼被随机初始化，根据狼群的生活习性，郊狼会被迫离开从前的狼群或者进入新的群体，因此，驱逐概率

更进一步的，记每个群体中社会表现最好的郊狼叫做alpha，k时刻第p组的alpha

上式表示在第k次迭代时，对第p组的所有郊狼计算适应度函数，选择适应度函数值最小的那个郊狼作为alpha

混沌郊狼优化算法还包括，

更进一步的，在k时刻，第p组郊狼的组文化趋势定义为cult

更进一步的，在k时刻，第p组的第j只郊狼计算公式如下：

此处

更进一步的，通过alpha

其中，δ

更进一步的，在第k次迭代时，更新的社会条件这一决策向量为：

其中，Chaotic

更进一步的，在第k次迭代时，第p组的第c只郊狼的新的适应度函数计算如下：

更进一步的，当前k时刻的适应度函数值决定了k+1时刻的社会条件决策向量的选择，k+1时刻第p组的第c只郊狼的社会条件计算如下：

应说明的是，迭代完成后，在所有郊狼中，具有最小适应度值的郊狼作为全局最优解，即为需要估计的参数向量[a

步骤106，根据模型计算的最优解，对电池健康状态进行估计。

一种电动汽车锂离子电池健康状态估计系统，其特征在于：包括模型建立模块、优化计算模块以及估计模块，

模型建立模块，模型建立模块用于根据电池额定容量、充电循环次数、电池初始参数以及电池待辨识参数，建立电池容量衰减模型；

优化计算模块，优化计算模块用于使用混沌信号替代郊狼优化算法中随机数改进郊狼优化算法，得到混沌郊狼优化算法，结合切比雪夫混沌映射，对模型进行计算；

估计模块，估计模块用于根据模型计算的最优解，对电池健康状态进行估计。

上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电动汽车锂离子电池健康状态估计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据电池额定容量、充电循环次数、电池初始参数以及电池待辨识参数，建立电池容量衰减模型；

使用混沌信号替代郊狼优化算法中随机数改进郊狼优化算法，得到混沌郊狼优化算法，结合切比雪夫混沌映射，对模型进行计算；

根据模型计算的最优解，对电池健康状态进行估计。

实施例2

参照图1-5，为本发明的一个实施例，提供了一种电动汽车锂离子电池健康状态估计方法及系统，为了验证本发明的有益效果，通过对比实验进行科学论证。

针对指数模型的参数辨识,传统的辨识算法如最小二乘算法、梯度算法、概率算法应用时没有考虑线性参数和非线性参数之间的耦合，导致参数估计精度较差；粒子群算法、郊狼优化算法这类元启发式算法应用在指数模型的参数辨识时，易陷入局部最优并且收敛速度极慢，计算效率偏低。因而本专利是针对模拟电池老化过程的混合指数-多项式模型的辨识提出一种新型元启发式方法。

由于电池的电池健康度表示为其额定容量的变化，估计电池健康度需要建立一个模型来估计电池的额定容量，即容量模型。由于电池的额定容量在短时间内的变化很小，所以容量的变化可以表示如下：

C

其中，C

电池老化模型模拟了循环过程中电池额定容量的减少，即电池额定容量随循环次数的变化。本发明首次将指数模型与多项式模型结合，建立混合指数-多项式模型。

首先构建如下的混合指数-多项式模型：

其中，C

确定需要使用的切比雪夫混沌映射，为：

γ

在种群的初始化中，CCOA算法采用混沌信号Chaotic

使用由混沌映射生成的两个混沌序列来更新每只郊狼(每个决策向量)的社会条件。因此，第k次迭代时第c只郊狼的新的社会条件更新为：

最后，郊狼离群概率的设定中，采用混沌序列生成的混沌数代替0-1分布的随机数。

本发明的技术方案中，提出的是改进的元启发式算法CCOA，可以将问题的已知变量转化为指定的数据形式和数据结构，进而避免考虑线性参数和非线性参数之间的耦合性，利用混沌映射来提高粒子群算法和郊狼优化算法的性能和估计精度，同时降低陷入局部最优的概率，进而提高参数估计精度和收敛速度。

参照附图的图2～4，在附图，2～4中，纵坐标为归一化后的估计参数和真实参数之间的误差，横坐标是指迭代的次数；图,2为PSO与CCOA之间的对比，图3为COA与CCOA之间的对比，图4为三类算法的总体比较。

由附图2可知，随着迭代次数的增大，CCOA算法比PSO算法收敛速度更快。

由附图3可知，COA算法容易陷入局部最优，CCOA算法陷入局部最优的概率更低。

由附图4可知，随着迭代次数的增加，CCOA算法收敛速度提高，更不容易陷入局部最优，参数估计精度最高。

下面的表一是PSO算法、COA算法、CCOA算法随着迭代次数增加，参数估计精度之间的比较，迭代误差值之间的对比。

表一：PSO、COA、CCOA三种算法收敛精度和迭代误差比较，其中a

表一：PSO、COA、CCOA三种算法收敛精度和迭代误差比较

由表一的内容，PSO、COA、CCOA估计精度和归一化迭代误差相比较：表明CCOA参数估计精度更高，甚至逼近参数真值，归一化迭代误差更小。

利用所采集到的锂离子电池数据，将数据划分为了训练数据和测试数据，训练数据用来建立模型，健康状态估计模型建立后，将测试数据分为5组，对三种算法所建立的模型进行测试数据的比较，来衡量电池健康状态。比较如下：

表二：三种算法应用于测试数据上对于电池健康状态的比较

从表中看出，提出的CCOA方法在测试数据上对锂电池健康状态估计效果更加优良，结果更加精准。

综上，本发明提出的一种模拟电池老化过程的混合指数-多项式模型的参数辨识方法(Chaotic Coyote Optimization Algorithm:CCOA)，其可以将问题的已知变量转化为指定的数据形式和数据结构，进而避免考虑线性参数和非线性参数之间的耦合性，同时降低陷入局部最优的概率，进而提高参数估计精度和收敛速度。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。