(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110176036.5 (22)申请日 2021.02.07 (65)同一申请的已公布的文献号 申请公布号 CN 113011082 A (43)申请公布日 2021.06.22 (73)专利权人 山东大学 地址 250000 山东省济南市山大南路27号 (72)发明人 李立伟　张承慧　段彬　商云龙　 (74)专利代理 机构 青岛中天汇智知识产权代理 有限公司 37241 专利代理师 郝团代 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06N 3/00(2006.01)G01R 31/367(2019.01) G01R 31/387(2019.01) (56)对比文件 CN 110598830 A,2019.12.20 审查员 李钰 (54)发明名称 一种改进蚁群算法优化粒子滤波的锂电池 SOC预测方法 (57)摘要 本发明具体涉及一种改进蚁群算法优化粒 子滤波的锂电池SOC 预测方法， 包括以下步骤： 在 不同工况电流下对锂电池进行放电试验， 并预处 理实验数据； 根据预处理的实验 数据进行参数辨 识， 并根据安时积分法结合SOC预测影响因素构 建状态方程； 根据二阶Thevenin等效模型， 建立 电池理论预测模 型的测量方程； 利用改进的蚁群 算法优化粒子滤波； 通过优化后的粒子滤波来预 测电池SOC变化。 本发明所提供的预测方法改进 了传统蚁群算法容易陷入局部最优解的情况； 并 利用改进的蚁群算法来优化粒子滤波， 解决了粒 子滤波算法估算SOC时出现的粒子多样性低、 粒 子贫困问题， 克服锂电池SOC估算方法复杂且准 确度低的问题， 有效地 提高了估算精度。 权利要求书1页 说明书4页 附图6页 CN 113011082 B 2022.07.12 CN 113011082 B 1.一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法， 其特征在于， 包括以下步 骤： 步骤1、 在不同工况电流下对 锂电池进行放电试验， 并预处 理实验数据； 步骤2、 根据预处 理的实验数据进行参数辨识， 并根据安时积分法构建状态方程； 步骤3、 根据二阶Theven in等效模型， 建立电池理论预测模型的测量方程； 步骤4、 利用改进的蚁群算法优化粒子滤波； 包括如下步骤： 4.1算法初始化， 设置初始相关参数； 4.2粒子初始化， 根据蚁群算法来优化粒子状态分布； 4.2.1蚂蚁替代 粒子， 转移概率Pij表示为粒子i选择粒子j作为移动方向的概率， 并根据 信息素更新公式进行参数 更新； 其中粒子j为除i剩下的N ‑1个粒子； 4.2.2改进蚁群算法中转移概 率参数， 以及信息素 更新方法； 具体步骤 包括： (1)改进信 息素和启发式相互影响参数α、 β 为： α ＝1+e‑0.1N_c， 式中N_c为 当前迭代次数； (2)改进信息素更新中的信息素蒸发速率： ρ ＝ρ0+(0.9‑ρ0)×(N_c/N_cMAX)2， 其中ρ0为初 始定义信息素挥发速率， N_cMAX为最大迭代次数； 4.2.3设置概率阈值λP和距离阈值λL， 当与目标粒子 的距离不在λL内， 且没有超过最大 迭代次数， 选择在 λL以内的粒子根据转移概率Pij选择移动目标， 当Pij＜ λP时， 粒子位置 保持 不变， 当Pij＞ λP时， 粒子转移至目标 粒子， 之后更新 参数； 4.2.4输出 更新后的粒子状态； 4.3进行粒子滤波重采样并输出状态； 步骤5、 通过优化后的粒子滤波来预测电池SOC变化。 2.根据权利要求1所述的一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法， 其特 征在于， 所述步骤2中的状态方程为xk+1＝fk(xk， ωk)， 其中， 式中xk+1为系统k+1时刻的电池 SOC状态值， fk(xk， ωk)为状态转移模型； 所述状态转移模型公式为： 其中， ωk为过程随机噪声， xk为系统k时刻的电池SOC状态值， η为库伦效率， Δt为采样间隔， C为电池额定容 量， ik为放电电流。 3.根据权利要求1所述的一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法， 其特 征在于， 所述步骤 3中的测量 方程为： yk＝hk(xk， vk)， yk为系统k时刻的输出电压 值， hk(xk， vk) 为测量模型， 所述测量模型公式为： hk(xk， vk)＝uOC(xk)‑u1k‑u2k‑r0ik+vk， vk为观测随机噪声， uOC(xk)为开路电压与SOC的关系式， u1k， u2k分别为两个RC环节的端电压， r0为电池内阻， ik为 放电电流。 4.根据权利要求1所述的一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法， 其特 征在于， 所述 步骤4.1中的初始相关参数包括粒子数目、 迭代次数、 阈值。权　利　要　求　书 1/1 页 2 CN 113011082 B 2一种改进蚁群算法优化粒子滤波的锂电池SOC预测方 法 技术领域 [0001]本发明属于电池能源管理系统领域， 涉及到锂电池荷电状态预测技术， 具体涉及 一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法。 背景技术 [0002]随着能源短缺和环境污染等问题的日益严重， 人们逐渐转向研究能源消耗小、 环 保的技术领域， 其中， 电动车的研究和使用受到人们的青睐， 并得到了国家政策的大力支 持， 得以迅速发展。 锂离子电池因具有能量比高、 寿命长以及自放电率低等优点， 广泛地应 用在电动汽车领域。 而随着锂电池的老化， 电池的容量和稳定性会逐渐减小， 因此为保障电 池的安全使用就要依靠电动汽车配备的电池管理系统(BMS)对电池状态进行实时监测、 预 测、 控制等。 [0003]电池荷电状态(SOC)是B MS的重要参数， 表示电池的内部状态， 因此不能直接测量。 目前， 现有 方法中有采用粒子滤波算法(PF)进 行锂电池SOC预测的研究， 粒子滤波算法利用 蒙特卡洛方法采样一组加权粒子来近似系统的后验分布， 且对分布形式没有任何明确的假 设， 是一种高精度基于概率的估计算法。 该算法在处理非高斯分布系统噪音条件下具有复 杂形式的非线性电池模型时具有一定的优势， 但是传统PF算法不能更新最新的观测信息， 除了一些重要的权值外， 所有的权值 都趋向于零， 造成粒子多样性降低， 这就是PF算法的粒 子贫化问题， 在应用于SOC估算时， 可能会降低SOC估算的准确性。 发明内容 [0004]本发明的目的在于解决现有技术中存在的上述问题， 提出了一种改进蚁群算法优 化粒子滤波的锂电池SOC预测方法， 能够克服锂电池SOC估算方法复杂且准确度低的问题， 有效地提高了估算精度。 [0005]本发明的技 术方案是： [0006]一种改进蚁群算法优化粒子滤波的锂电池SOC预测方法， 包括以下步骤： [0007]步骤1、 在不同工况电流下对 锂电池进行放电试验， 并预处 理实验数据； [0008]步骤2、 根据预处 理的实验数据进行参数辨识， 并根据安时积分法构建状态方程； [0009]步骤3、 根据二阶Theven in等效模型， 建立电池理论预测模型的测量方程； [0010]步骤4、 利用改进的蚁群算法优化粒子滤波； [0011]步骤5、 通过优化后的粒子滤波来预测电池SOC变化。 [0012]进一步的， 所述步骤2 中的状态方程为xk+1＝fk(xk， ωk)， 其中， 式中xk+1为系统k+1 时刻的电池SOC状态值， fk(xk， ωk)为状态转移模型； 所述状态转移模型公式为： 其中， ωk为过程随机噪声； xk为系统k时刻的电池SOC状 态值， η为库伦效率， 放电情况下一般为1， Δt为采样间隔， C为电池额定容量， ik为放电电 流。说　明　书 1/4 页 3 CN 113011082 B 3