新能源车动力电池包能量系统全寿命周期优化与智能算法研究

The bottleneck of the power battery on energy density, cost and safety is recognized as one of the key problems restricting the development of new energy electric vehicles. The study on hte battery energy optimization and accurate management technology seems the only effective way to solve this problem under the condition of the existing mature battery technology under the condition of the battery. Therefore, with the aim of optimizing the energy management of the power battery in the whole life cycle, this project researches data-driven-based intelligent modeling method and establishes the mathematical model of power battery energy system with nonlinear and complex time-varying characteristics. Swarm intelligence optimization algorithms, which are suitable for solving multi objective dynamic constrained optimization problem, is designed to solve the model above. Moreover, some simulation and experiment are made to verify the validity and practicability of the new method. The innovation of the project is introducing the thought of optimization to research the power battery energy management and applying the intelligent biological-behavior-based optimization method to solve the optimization of power battery energy The research results of this project will help to improve the efficiency of the power battery, extend the service life, reduce the cost of conversion, and deepen and enrich the existing intelligent computing theory to a certain extent.

动力电池在能量密度、折算成本和使用安全方面的瓶颈被公认为是制约目前新能源电动汽车发展的核心关键问题之一，而针对动力电池能源优化与精确管理技术的研究是在现有成熟电池技术条件下解决该瓶颈问题的唯一有效途径。为此，本项目以动力电池在全寿命周期内的能源优化管理为目标，研究基于数据驱动的智能建模方法，建立具有非线性、复杂时变特征的动力电池能量系统数学模型；设计适合求解多目标时变动态约束问题的群体智能优化算法对上述模型进行求解；通过仿真及试验验证新方法的有效性和实用性。课题创新点体现在首次采用优化的思想对动力电池进行能量管理，并将基于生物行为的智能优化方法应用于动力电池能量优化问题。本课题的研究成果有利于提高动力电池使用效率、延长使用寿命、降低折算成本，并在一定程度上深化和丰富已有的智能计算理论。

本项目针对电动汽车动力电池全生命周期内的能量管理进行了深入研究，重点围绕基于数据的SOH影响因素分析，基于数据驱动的智能建模方法以及参数辨识，动力电池状态评估以及设计适合求解多目标时变动态约束问题的群体智能优化等几方面展开：.第一，基于实验分析数据，提出基于双向交叉AR模型回归的评价方法，并在此基础上，提出利用隐马尔可夫链结构对各个影响因子进行多层次的ASIL等级划分。第二，针对采集的实时数据提出了一种改进输入形式的径向基网络 RBFN 与自回归隐马尔可夫模型 ARHMM 相结合的异常数据检测方法以及一种专门针对电动汽车动力电池电流数据的基于新型AR模型结构的异常值检测方法。第三，提出一种动力电池融合模型结构；并在此基础上提出能够在全生命周期内表征动力电池SOH变化情况的数学模型；针对以上两类模型提出基于智能协同机制的参数在线辨识算法。第四，提出了一种基于参数自学习无味卡尔曼滤波器的状态估计算法，以及一种更能符合工程实际的电动汽车动力电池在线动态估计SOH算法。最后，针对群体智能优化算法进行深入研究，提出了一种基于生命周期理论的多算法融合方法，并对其进行充分验证。.本项目的研究深化和丰富了已有的基于数据的智能建模及基于生物智能行为的新型优化理论，扩大了智能数据建模技术与生物启发式智能优化方法在新能源领域的应用范畴，并增强其解决实际复杂工程建模优化问题的能力。