-
题名基于ALA的锂离子电池ESP模型参数辨识
- 1
-
-
作者
荆志豪
周忠凯
-
机构
青岛大学自动化学院
-
出处
《电源技术》
北大核心
2025年第10期2080-2087,共8页
-
基金
国家自然科学基金青年项目(No.62303254)
山东省高校青年创新团队计划(No.2024KJH074)。
-
文摘
锂离子电池的电化学模型是目前精度最高的模型,然而当前电化学模型参数辨识面临着参数维度较高以及复杂性强的困难。针对锂离子电池扩展单粒子模型(ESPM)的参数辨识,提出了一种基于人工旅鼠算法(ALA)的多时间尺度参数分组辨识方法。该方法通过将模型参数按照不同时间尺度分组,然后结合不同实验工况分组依次辨识,减少了参数空间维度,简化了参数辨识步骤。实验结果表明该方法参数辨识结果的平均绝对百分误差可以达到0.5%以下,结合ALA算法后可进一步降至0.25%。
-
关键词
锂离子电池
扩展单粒子模型
参数辨识
人工旅鼠算法
-
Keywords
lithium-ion battery
extended single-particle model
parameter identification
artificial lemming algorithm
-
分类号
TM912.9
[电气工程—电力电子与电力传动]
-
-
题名基于ESP模型的锂电池参数辨识和SOC估计
被引量：6
- 2
-
-
作者
吴波
谢锋
卢佩航
徐劲力
-
机构
武汉理工大学机电工程学院
-
出处
《电源技术》
CAS
北大核心
2020年第6期832-835,874,共5页
-
文摘
精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。
-
关键词
扩展单粒子模型
参数辨识
改进遗传算法
荷电状态估计
卡尔曼滤波
-
Keywords
extended single particle model
parameters identification
improved genetic algorithm
state of charge estimation
Kalman filter algorithm
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
