《World Electric Vehicle Journal》:Improved Modeling and Parameter Optimization of Li-Ion Batteries for Electric Vehicles Using Artificial Lemming Algorithm
编辑推荐:
在电动汽车(EVs)中,电池管理系统(BMS)在确保电池在不同驾驶和环境条件下安全、高效且可靠运行方面发挥着核心作用。BMS的有效性在很大程度上依赖于精确电池模型的可用性,而模型的性能又强烈受到其识别参数精度的影响。然而,估计这些参数仍然是一个困难的非线性优化
在电动汽车(EVs)中,电池管理系统(BMS)在确保电池在不同驾驶和环境条件下安全、高效且可靠运行方面发挥着核心作用。BMS的有效性在很大程度上依赖于精确电池模型的可用性,而模型的性能又强烈受到其识别参数精度的影响。然而,估计这些参数仍然是一个困难的非线性优化问题,尤其是在低荷电状态(SOC)运行条件下。经典识别方法在此类条件下的鲁棒性往往有限,而元启发式算法因其处理非线性和多模态搜索空间的能力,提供了一种有前景的替代方案。即便如此,许多现有方法仍然存在收敛速度和易陷入局部最优方面的缺陷。基于这些挑战,本研究探讨了最近提出的人工旅鼠算法(ALA)用于电动汽车相关低SOC运行条件下二阶等效电路模型(2RC-ECM)的参数识别。实验验证使用两个独立的动态数据集进行,即25°C下的高动态工况(HDP)和?5°C下的城市测功机驾驶循环(UDDS),涉及不同的锂离子电池和运行条件。在相同的搜索边界和计算设置下,将ALA与九种竞争的元启发式算法进行了基准比较。性能通过均方根误差(RMSE)、平均绝对误差(MAE)、最大绝对误差(MaxAE)、偏差、收敛行为、误差分布、执行时间以及对独立运行次数、种群大小和最大迭代次数的敏感性进行评估。结果表明,ALA在两个数据集上均取得了最低的最小、平均和最大RMSE,HDP和UDDS的最小RMSE分别为(空格)和(空格)。未见数据的验证进一步给出了HDP的RMSE和MAE分别为(空格)和(空格),UDDS的分别为(空格)和(空格)。此外,收敛性、误差分布和敏感性分析表明,ALA在所研究的配置中保持了竞争性和一致性的性能。总体而言,结果表明ALA为离线锂离子电池参数识别提供了估计精度、鲁棒性、收敛行为和计算成本之间的有利平衡。
论文解读:基于人工旅鼠算法的锂离子电池模型参数优化
电动汽车的普及推动了清洁交通的发展,锂离子电池因其高能量密度、长循环寿命等优势成为核心储能元件。在复杂多变的驾驶工况下,电池管理系统(Battery Management System, BMS)负责监控电池状态,其有效运行高度依赖于精确的电池模型。等效电路模型(Equivalent Circuit Model, ECM)因其计算效率与精度之间的良好平衡被广泛使用,但模型参数识别本质上是一个非线性优化问题,尤其在低荷电状态(State of Charge, SOC)和低温条件下,电压响应受极化、扩散和内阻影响显著,导致经典识别方法鲁棒性不足。元启发式算法因能处理非线性多模态搜索空间而成为替代方案,但许多已有算法仍存在收敛缓慢和易陷入局部最优的缺陷。为此,研究人员探索了最近提出的人工旅鼠算法(Artificial Lemming Algorithm, ALA),将其应用于二阶等效电路模型(Second-Order Equivalent Circuit Model, 2RC-ECM)的参数识别,旨在提高离线参数估计的精度与鲁棒性。
研究人员采用两个独立动态数据集进行实验验证:高动态工况(High Dynamic Profile, HDP)在25°C下采集自三星INR 18650-35E电池(镍钴铝酸锂化学体系),城市测功机驾驶循环(Urban Dynamometer Driving Schedule, UDDS)在?5°C下采集自三星ICR 18650-22P电池。在相同搜索边界和计算设置下,将ALA与九种元启发式算法(包括鱼鹰优化算法、哈里斯鹰优化、灰狼优化等)进行对比,评估指标涵盖均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)、最大绝对误差(Maximum Absolute Error, MaxAE)、偏差、收敛行为、误差分布、执行时间以及敏感性。结果表明,ALA在两个数据集上均获得最低的最小、平均和最大RMSE,未见数据验证也证实其模型具有良好的泛化能力。
在关键技术方面,研究人员采用ALA优化2RC-ECM的七个参数(欧姆电阻、两个RC分支参数及开路电压-荷电状态六阶多项式系数)。ALA通过模拟旅鼠的迁移、挖洞、觅食和避敌行为,利用能量因子动态平衡探索与开发。优化目标为最小化测量电压与估计电压之间的RMSE。对比实验统一采用种群大小30、最大迭代150次、独立运行20次。样本数据来源明确:HDP数据集来自三星INR 18650-35E电池(NCA体系),UDDS数据集来自三星ICR 18650-22P电池。
3.1. HDP数据集在25°C下的结果:通过十种算法的对比,ALA取得了最低的最小RMSE、平均RMSE和最大RMSE,且计算时间与灰狼优化(Grey Wolf Optimizer, GWO)等算法相当,远低于部分竞争者。尽管HLOA和TJO在标准差上略优于ALA,但ALA总体估计精度最高。未见数据验证表明,ALA所得参数集在未知数据段上具有较低的RMSE(0.0082 V)和MAE(0.0061 V),偏差接近零,展示出良好的预测能力。
3.2. UDDS数据集在?5°C下的结果:在低温低SOC的更具挑战性条件下,ALA仍取得最低的最小RMSE、平均RMSE和最大RMSE,并且标准差最小、平均效率最高(99.19%)。ALA的收敛速度快,且能在后续迭代中持续改进,最终达到最低目标函数值。未见数据验证获得RMSE为0.0416 V、MAE为0.0299 V,虽然MaxAE较大,但整体预测误差可接受。所有算法的误差峰值均低于0.32 V,ALA的最大误差约为0.30 V,与其他算法差异不大,但整体分布更集中。
3.3. 敏感性与统计分析:研究人员通过改变独立运行次数(20→30)、种群大小(30→40)和最大迭代次数(150→200)考察算法性能稳定性。结果表明,ALA在所有配置下均保持最低的最小和平均RMSE,且标准差较小。增加种群大小或迭代次数能进一步小幅改善ALA的某些指标,但其总体性能对配置变化不敏感。相比之下,SWO、FGO等算法在不同配置下表现出较大波动,而GWO、TJO、HLOA等相对稳定但精度不及ALA。
从讨论来看,ALA的优势在于快速收敛与持续优化的结合,这得益于其探索与开发机制的动态平衡。然而,ALA并非在所有局部误差指标上均占优,部分算法在某些孤立最大误差上更小。总体而言,ALA在估计精度、鲁棒性、收敛速度和计算成本之间提供了有利的权衡。
结论部分翻译如下:本文研究了最近提出的人工旅鼠算法(ALA)在低SOC运行条件下对锂离子电池二阶等效电路模型参数识别的有效性。实验验证使用两个独立的动态数据集,即25°C下的HDP和?5°C下的UDDS,涉及不同的锂离子电池和运行条件。通过在相同搜索边界和计算设置下与九种元启发式算法对比,结果表明ALA取得了最优的整体估计精度,在两个数据集上均提供最低的最小、平均和最大RMSE。对于HDP数据集,GWO是最接近的竞争者,而HLOA和TJO在RMSE离散度上略优。在UDDS条件下,ALA表现出更强的整体统计性能和可重复性,GWO、TJO和HLOA仍是最有竞争力的替代方案。补充误差指标显示,ALA在两个数据集上均取得最低的MAE,但某些竞争算法产生更低的孤立MaxAE,表明ALA并未支配每个局部误差特征。此外,ALA结合了快速收敛与有效的细化能力,未见数据验证证实了令人满意的预测精度,敏感性分析表明主要比较趋势在所研究配置中保持一致。尽管本研究确认了ALA在离线参数识别中的有效性,但在实际在线实施前仍需进一步验证。物理合理性通过有界参数范围得以保证,计算工作量通过执行时间评估。然而,识别出的参数尚未在在线状态估计框架中评估。未来研究应关注不同老化状态和更广泛运行条件下的自适应及在线参数识别,同时应考虑硬件在环验证和实时计算评估,以评估该方法在BMS应用中的实际适用性。