首页 > 行业资讯 > 《储能科学与技术》推荐|彭飞等：基于自适应协同引导的电池组性能衰退参数辨识

《储能科学与技术》推荐|彭飞等：基于自适应协同引导的电池组性能衰退参数辨识

时间：2022-11-01 来源：浏览：

《储能科学与技术》推荐|彭飞等：基于自适应协同引导的电池组性能衰退参数辨识

原创尹建光崔相宇等储能科学与技术

储能科学与技术

微信号 esst2012

功能介绍中文核心、科技核心和cscd核心期刊，化学工业出版社和中国化工学会主办，主编黄学杰研究员。投稿及下载官网：http://esst.cip.com.cn/CN/2095-4239/home.shtml；欢迎给公众号投稿

收录于合集

#2022年第10期 21 个

#研究 79 个

作者： 尹建光 ¹ 崔相宇 ¹ 李方伟 ¹ 臧玉魏 ¹ 彭飞 ²

单位： 1. 国网山东省电力公司电力科学研究院；2. 青岛大学电气工程学院

引用：尹建光,崔相宇,李方伟等.基于自适应协同引导的电池组性能衰退参数辨识[J].储能科学与技术,2022,11(10):3345-3353.

DOI： 10.19799/j.cnki.2095-4239.2022.0118

摘要老化导致的电池组性能衰退与电池组电荷吞吐能力密切相关，对电池组性能衰退参数的快速精确辨识对提高电池组的服役寿命预测有效性至关重要。然而，既有的电池组性能衰退参数辨识方法仍然存在对大种群规模和高迭代次数的显著依赖，不利于提高电池组性能衰退模型的在线辨识更新适用性。针对此，本文提出了一种基于自适应协同引导的电池组性能衰退参数辨识方法。该方法首先基于自适应协同策略，综合考虑种群差异度和种群适应度的折中，实现种群个体对参数搜索空间的初期全局分布；在此基础上，基于精英引导策略，使种群中的个体在全局精英个体周围局部搜索，实现后期快速收敛至全局最优解。基于实测数据验证的统计结果表明，本文提出方法针对半经验容量衰退模型和内阻增量模型，在小种群规模下的参数辨识效率和精度均得到显著提升，分别在0.6 s和1.1 s内达到0.237%和0.37%的适应度终值，相对于蚁狮算法在辨识效率提高81.35%的同时适应度均值降低了3.8%，相对于灰狼算法在辨识效率提高17.14%的同时最终适应度均值降低了22.11%。

关键词动力电池；性能衰退；参数辨识；自适应协同；精英引导

储能电池组由于能量密度高、放电倍率大、自放电率低等突出优点，在交通和电力领域具有广阔的应用前景。研究储能电池组性能衰退特性对于降低储能系统总寿命周期成本至关重要。老化导致的储能电池组性能衰退与电池组电荷吞吐能力密切相关，主要表现为电池组容量损失和内阻增加引起的功率损失。因此，在合理的储能电池组性能衰退模型构建基础上，对模型参数进行精确地快速辨识，从而实现对电池组容量和功率损失演变过程的有效预测，对于合理的储能电池组全生命周期的管理决策制定、降低系统维护成本以及电池组可用性和安全性的提高至关重要。

电池组性能衰退模型主要分为物理机理模型和半经验模型两类。其中，物理机理模型基于电池组内部固体电解质界面膜的变化与电池性能衰退之间的内在关联规律进行建模，能够描述电池组内部发生的各种物理过程。但以较高的模型复杂度为代价，未知参数多、模型计算量大、通用性不佳，难以实现模型参数的快速精确辨识和泛化应用。与之相比，半经验模型具有模型简单且准确性高的特点，应用更加广泛。文献[ 5 ]基于磷酸铁锂(LiFePO ₄ )单电池，在低荷电状态和浅放电深度条件下，建立了电池组性能衰退模型，但是该模型没有考虑温度变化对电池性能衰退的影响。文献[ 6 ]建立了锂电池组容量衰退的半经验模型，该模型综合考虑了电荷吞吐量、放电倍率和温度对电池容量损失的影响。文献[ 7 ]对上述模型进行改进，将电池组性能衰退建模分为容量衰退模型与内阻增量模型，综合考虑了温度、充电倍率、最小荷电状态、操作模式和电荷吞吐量对电池性能衰退的影响，能够更好地量化评估电池组的性能衰退过程。近年来，电池组性能衰退的半经验模型已被广泛用于健康状态预测(health state prognostics，HSM)。然而，如何在资源受限条件下实现对电池组性能衰退半经验模型中未知参数的快速准确辨识，仍然面临挑战。

电池组性能衰退模型的参数辨识主要是基于实验数据的离线最小二乘辨识。但由于性能衰退模型的强非线性特性，会导致最小二乘迭代辨识过程陷入局部最优，从而降低模型精度和可用性。因此，国内外学者对元启发式算法在电池组性能衰退模型参数辨识的适用性进行了有益探索。其中，群体智能算法作为典型的群体迭代搜索算法，具有结构简单易实现、全局参数寻优能力强等特点，已被广泛用于解决各种模型的参数辨识问题。近年来，学者们提出了多种群体智能算法，如粒子群算法(particle swarm optimization，PSO)、Jaya算法、灰狼算法(grey wolf optimizer，GWO)、蚁狮算法(ant lion optimizer，ALO)等。然而，上述算法主要基于种群全局最优或个体历史最优来引导算法搜索方向，并未考虑到个体之间的差异度对于搜索优化过程的影响。特别是在算法资源有限的小种群规模场景下，初始化的种群通常无法很好地覆盖整个搜索空间，如果采用的参数辨识方法未有效考虑种群个体的差异度影响，仅依赖局部搜索过程的随机扰动注入来增强泛化性能，势必会导致参数辨识过程中需要更多的迭代次数实现参数寻优，甚至会陷入局部最优，降低参数辨识效率和模型精度。

为了增强电池组性能衰退的在线辨识适用性，提升小种群规模下电池组性能衰退模型的参数辨识效率和精度，本文针对已有电池组容量损失和内阻增量半经验模型的未知参数辨识问题，提出了一种基于自适应协同引导(self-adaptive synergistic guiding，SSG)的电池组性能衰退参数辨识方法，旨在实现种群个体对参数搜索空间的初期全局分布的同时，实现后期快速收敛至全局最优解。

1 电池组性能衰退模型

本文采用的电池组半经验性能衰退模型为文献[ 7 ]中提出的由电池组老化引起的容量损失模型和基于内阻增量的功率损失模型。两种模型综合考虑了电量消耗(charge-depleting, CD)运行模式与电量维持(charge-sustaining, CS)运行模式两种电池运行模式、最小荷电状态(minimum state of charge, SOC _min )、充放电倍率(charging rate, CR)和温度等因素对电池性能衰退过程的影响。其中，CD运行模式和CS运行模式是美国先进电池联盟为插电式混合动力汽车电池组老化测试定义的两种运行模式。

其中，容量损失模型可表示为：

(1)

式中， S _loss 为电池组容量损失量与初始电池容量的比值，%；Ratio= t _CD /( t _CD + t _CS )，其中， t _CD 为CD模式持续时间， t _CS 为CS模式持续时间；SOC _min 为电池组允许的最小荷电状态； R _g 为通用气体常数，J/(K · mol)； T 为电池的温度，K； C _T 为电荷吞吐量，即电池运行过程中基于安时计量的累计充放电量，Ah； α _c 、 β _c 、 γ _c 、 b 、SOC ₀ 、 c 、 z 、 E _ac 为电池组容量损失模型中待辨识的参数。

基于内阻增量的功率损失模型可表示为：

(2)

式中， R _inc 为电池组内阻增量与电池组初始内阻的比值，%；CR _eq 为等效充电速率，定义为：

其中CR为充电倍率； α _R 、 β _R 、 γ _R 、 d 、 e 、SOC ₀ 、CR ₀ 、 C _R 、 E _aR 为电池组内阻增量模型中待辨识的参数。

2 自适应协同引导参数辨识

在基于群体智能算法参数辨识过程中，应当保持算法全局探索与局部寻优的平衡，过度的局部寻优会导致参数辨识问题陷入局部最优，而过度的全局探索会影响算法的收敛速度。因此，综合考虑搜索空间局部寻优和全局探索的折中权衡，本文提出了基于自适应协同引导的电池组性能衰退参数辨识策略。该策略主要包括两个步骤，分别为基于自适应协同优化的初期参数空间全局搜索，以及基于精英引导的后期局部搜索。

2.1　自适应协同优化策略

自适应协同策略引入协同性能算子 P _s 作为种群个体 k 的评价指标 ^[
15
] ，如式(3)所示：

(3)

式中， c _k,s 为协同系数； P _f 与 P _d 分别为个体适应度性能与多样性性能，计算公式如下：

(4)

(5)

式中，NP为种群个体数； R _fitness 和 R _diversity 为种群中个体的适应度 f _fitness (即实验数据与模型输出的均方根误差，RMSE)和差异度 f _diversity 的降序排序，如式(6)、(7)所示：

(6)

(7)

式中， i _k 和 j _k 为个体 k 适应度和差异度按升序排序序号。

适应度和差异度的计算公式(8)如下：

(8)

(9)

式中， y 为实验数据； h 为实验数据样本点个数； ŷ 为模型输出；|| x _k - x _w ||为个体 k 与个体 w 的欧式距离。

根据式(3)所示协同性能算子，基于自适应协同优化的初期参数空间全局搜索的具体流程为

（1）根据式(8)、式(9)，计算每个个体x _k 的适应度和差异度，进而根据式(4)、式(5)计算个体的适应度性能和差异度性能。

（2）对于个体 x _k ，判断是否为适应度最小的个体。

①如果x _k 为适应度最小的个体，则根据式(10)更新

(10)

式中，上标R代表随机选择的两个个体； x

为随机选择的个体中适应度较好的个体； x

为随机选择的个体中适应度较差的个体； r _{1, fbest,} _v 为[0，1]范围内的随机数。

②如果 x _k 不是适应度最小的个体，随机选择两个不同的个体 x _l1 和 x _l2 ，比较其协同性能 P _s ，选择其中 P _s 较大的个体，记为 x _l ；比较个体 x _l 与个体 x _k 的协同性能 P _s ，若 x _l 的 P _s 较大(协同性能更佳)，则根据式(11)更新个体 x _k ，否则，根据式(12)更新个体 x _k ：

(11)

(12)

式中， x ^s _best, _v 和 x ^s _worst, _v 代表协同性能最好和最差的个体； r _1, _v 和 r _2, _v 是[0，1]范围内的随机数。

（3）计算更新后个体 x ′ _k _, _v 的适应度，并与当前最小适应度作比较，若该适应度优于当前最小适应度，则更新当前最小适应度对应的个体，否则维持当前最小适应度对应的个体不变。

（4）重复步骤(1)～(3)，直到满足迭代终止条件之一。

条件一为参数更新迭代次数等于指定的最大迭代更新次数，如式(13)所示：

(13)

条件二为如下种群差异度方差的变化率小于设定阈值，如式(14)所示：

(14)

式中， d

为第 t 次迭代的种群差异度方差，定义为

， D _i 为个体 i 的差异度，

为种群中所有个体差异度的平均值； a

为设定阈值。

2.2　精英引导策略

基于自适应协同优化的初期参数空间全局搜索，保证了种群个体在搜索过程中的差异度性能，有助于对最优参数区域进行定位，从而实现种群个体对参数最优空间的有效覆盖。在此基础上，可以进一步确定种群中适应度最小的个体为精英个体，通过在精英个体周围的局部搜索，实现快速收敛至全局最优解，得到最终的参数辨识结果。

基于精英引导的后期局部搜索具体流程如下

（1）将基于自适应协同优化的初期参数空间全局搜索得到的种群平均分为种群1和种群2，个体数量均为NP/2，生成种群1中个体随机行走的路径如式(15)所示：

(15)

式中， x _i _, _v 为种群1中第 i 个个体的第 v 个维度； t 代表随机行走的步数(本算法中的当前迭代次数)；cumsum表示累加和； n 为最大迭代次数； r ( t )为随机函数，由式(16)给出：

(16)

（2）考虑到所述系统辨识参数的搜索空间是有边界的，对种群1个体位置进行归一化处理，如式(17)所示：

(17)

式中， a _i,v 、 b _i,v 分别为归一化前第 i 个个体第 v 维变量随机行走路径的最小值和最大值； c

、 d

分别为第 t 次迭代时，第 i 个个体第 v 维变量的下界和上界。具体地，对于非精英个体，其上、下界分别为 d

、 c

；对于精英个体，其上、下界分别为 d

、 c

。上述边界受到种群2经轮盘赌选择的个体和精英个体的影响，如式(18)、式(19)所示：

(18)

(19)

式中， x ^t _j _, _v 表示第 t 次迭代中通过轮盘赌从种群2中选中的第 j 个个体的第 v 维变量； x

表示第 t 次迭代中种群2中最优适应度个体(精英个体)的第 v 维变量；lb

和ub

分别是随当前迭代次数 t 改变的变量下界和上界，lb

=lb _v / I ，ub

=ub _v / I ，其中，lb和ub为初始设定边界向量，考虑到基于自适应协同优化的初期参数空间全局搜索已经对最优参数区域进行了合理定位，边界缩放系数 I 由式(20)给出：

(20)

式中， n 表示最大迭代次数。

（3）种群1中第 i 个个体的更新位置如式(21)所示：

(21)

式中， x

和 x

分别为个体 i 受到种群2中经轮盘赌选择的个体和精英个体的影响后的归一化个体位置。

（4）在完成种群1中的所有个体更新后，若种群1中个体的适应度变得比种群2中相应个体适应度更小，则使用种群1中个体的位置 x ^t _i 更新种群2中相应个体的位置 x ^t _j ，如式(22)所示：

(22)

（5）重复步骤(2)～(4)，直至达到设定的迭代终止条件之一。

条件一为种群精英个体适应度低于设定的适应度阈值，如式(23)：

(23)

条件二为达到设定的迭代步数终止条件，如式(24)：

(24)

式中，Fitness _t 为第 t 次迭代种群2中精英个体适应度；Fitness _set 为设定的适应度阈值； t _max 为精英引导策略设定的最大迭代次数。

2.3　自适应协同引导参数辨识整体流程

自适应协同引导参数辨识整体流程如图1所示。首先，基于电池组性能衰退模型设定模型中参数范围并生成初始种群个体。在此基础上，计算种群个体的适应度和协同性能，根据不同个体的协同性能进行种群个体更新，直至满足自适应协同过程迭代终止条件。进一步地，基于精英引导策略，使种群中的个体在精英个体周围局部搜索，直至满足精英引导过程迭代终止条件，输出精英个体的位置，即模型中待辨识的参数。

图1 自适应协同引导参数辨识流程

3 电池组衰退模型参数辨识评估

3.1　数据源获取

电池老化实验采用石墨负极和复合NMC-LMO(LiNi _1/3 Mn _1/3 Co _1/3 O ₂ 和LiMn ₂ O ₄ )正极的软包电池，电池额定容量为15 Ah，额定电压为3.75 V。分别对16个单电池进行16组循环老化实验，其中，9组CD运行模式循环实验(Ratio=1)，3组CS运行模式循环实验(Ratio=0)，4组混合运行模式循环实验(0<Ratio<1)，各组实验控制参数见表1。

表1 老化实验控制参数汇总

以第13组老化实验的单循环周期为例，实验单电池荷电状态变化曲线如图2所示。其中，CD运行模式放电起始荷电状态(CR充电截至荷电状态)为95%，其单周期电荷吞吐量为28.23 Ah。

图2 第 13 组老化实验单 CD-CS-CR 周期 SOC 变化曲线

3.2　自适应协同性能验证

为了确定自适应协同引导策略的切换点，实现自适应协同引导的最优切换，需要对自适应协同引导过程进行单独测试，以评估基于研究对象参数辨识问题的种群差异度标准差。种群个体数设为30，迭代次数设为1000。图3为自适应协同过程的差异度标准差曲线簇。从图中可以看出，差异度标准差可以合理评估自适应协同过程的种群动力学性能，自适应协同过程可以保持较大的差异度标准差，能够实现小种群规模下种群个体的全局分布，强化了初期阶段的全局搜索能力。由于第一阶段种群差异度标准差大约在250次迭代后变得较为稳定，故选取250迭代次数作为策略切换点。

图3 自适应协同过程种群差异度标准差曲线簇

3.3　自适应协同引导策略的性能对比分析

基于电池组半经验性能衰退模型，对自适应协同引导方法(SSG)、蚁狮算法(ALO)和灰狼算法(GWO)的性能进行对比。3种算法种群数设定为30，迭代次数设定为1000。实验采用的系统配置如下：CPU型号为Intel Core i5-9300HF，机带RAM内存为16 GB，MATLAB版本为2018b。图4为3种策略的适应度收敛曲线。由图中可以看出，本文提出的自适应协同引导方法收敛速度更快，适应度终值更小。表2汇总了迭代终止时3种方法的参数辨识结果。相应地，图5和图6分别为基于上述参数辨识结果的电池组容量损失模型和内阻增量模型仿真数据与实验数据对比，从图像曲线的对比可以直观地表明，SSG方法辨识结果更好。

图4 不同参数辨识方法的适应度收敛曲线对比

表2 算法辨识参数对比

图5 容量损失曲线

图6 内阻增量曲线

重复上述实验30次，每种算法对应的算法迭代时间以及适应度终值的最大值(Fitness _max )、最小值(Fitness _min )、平均值(Fitness _avg )和标准差(Fitness _std )见表3。从统计数据可以看出，自适应协同引导方法针对电池组容量衰退模型和内阻增量模型分别在0.6 s和1.1 s的种群迭代时间内达到0.237%和0.37%的适应度终值。由表3可以看出，相对于ALO方法，其容量损失和内阻增量模型的参数辨识效率分别提升了91.68%和81.35%，适应度终值分别降低了3.8%和7.12%；相对于GWO方法，其容量损失和内阻增量模型的参数辨识效率分别提升了17.14%和37.65%，适应度终值分别降低了27.35%和22.11%。因此，本文提出的自适应协同引导方法在小种群规模下的参数辨识效率和精度均得到了显著提升。

表3 算法参数辨识性能统计

4 结论

针对电池组性能衰退的半经验模型，提出了一种融合自适应协同策略和精英引导策略的自适应协同引导参数辨识方法。在自适应协同过程中引入差异度评价，实现了小规模种群对参数搜索空间的初期全局分布；在自适应协同与精英引导之间最优切换基础上，进而通过精英引导过程保证种群的后期快速收敛，快速实现全局最优求解。重复实验结果表明，本文方法相对于蚁狮算法在辨识效率提高81.35%的同时辨识精度提高了3.8%，相对于灰狼算法在辨识效率提高17.14%的同时辨识精度提高了22.11%。因此，本文方法在统计意义下实现了电池组性能衰退模型参数辨识精度和效率的协同提升，为模型驱动的电池组健康管理性能的进一步提升提供了一种有效的模型在线辨识思路。

第一作者：尹建光（1987—），男，工程师，主要研究方向为新能源动力系统，Email：；

通讯作者：彭飞，讲师，主要研究方向为新能源动力系统状态估计与故障诊断，E-mail：kilmer_。

本刊推荐

（点击图片可跳转到相应文章合集）