电动船舶锂离子SSB蓄电池参数识别方法
2026-07-25 11:24:14
在绿色航运政策的背景下，锂离子电池被引入船舶电力系统以实现碳减排。船舶动力锂离子电池（P-LiB）的参数识别对于真实电动船舶电池管理系统（BMS）至关重要。本研究基于大规模进化计算（LSEC）理论，开发了一种针对电动船典型工作条件的参数识别方法。首先，基于P-LiB的一阶电阻-电容（RC）等效电路，开发了一个新颖的参数识别模型及其半在线操作机制，其中引入了基于皮尔逊相关系数的惩罚函数，以有效限制开路电压的变动过程，避免多解问题。此外，基于真实电动船舶航行的测量数据，船舶电力系统的电力需求曲线通过功率密度分析法生成，实验收集充放电数据。最后，我们之前研究开发的去中心化与协演化差分演化（DCDE）算法被用于典型船舶作业条件下的半在线参数识别。实验结果表明，收集的数据集能够反映电船典型工作条件下P-LiB的输出特征，结合惩罚函数和半在线机制，该方法能够高效且高效地以低时间和准确度识别P-LiB的庞大参数。
简介
随着全球经济的逐步复苏，海运贸易量稳步增长，使船舶运输成为主要交通方式[1]。然而，作为船舶的主要动力来源，柴油发动机会排放一氧化氮（不x）、硫氧化物（SOx），以及大量的二氧化碳（CO2），对海洋环境造成了严重的污染。由此产生的环境问题不可避免地成为焦点[2]。航运业向低碳能源转型的迫切需求显而易见，实现碳减排的主要策略之一是用绿色能源替代化石燃料，这对应对全球变暖具有重要意义[[3]， [4]， [5]]。然而，目前广泛使用的可再生能源系统，如光伏和风能系统，在能量密度和输出随机性方面存在明显不足，其作用仅限于电力船舶的辅助能源[[6]， [7]， [8]， [9]]。这极大限制了它们的大规模推广和应用。相比之下，动力锂离子电池（P-LiB）在船舶上的应用具有一系列优势，包括高能量密度、长周期寿命、零排放和低噪声，为大规模集成海事电网提供了重要潜力[10,11]。根据“海事炮台论坛”提供的在线船舶数据库，自2003年以来，此类船舶数量每年持续增长，近年来每年超过300艘。
近年来，锂离子电池在电动汽车（EV）领域被广泛应用，各项技术已达到相对成熟的阶段[[12]， [13]， [14]]。电池管理系统（BMS）在监测电池状态和确保电力系统安全运行方面发挥着关键作用。在电动汽车领域，BMS能够实时检测锂离子电池的输出参数，准确预测电池剩余电量和寿命，从而显著提升了电动汽车及其驾驶者的安全性[15,16]。然而，BMS在海事应用中的开发面临更大的挑战和落后。这部分原因是船舶工作条件更为复杂，锂离子电池在高温、高湿度和高盐度的环境中工作。此外，导航过程中的巨大负载导致锂离子电池输出功率显著波动，带来较大的安全风险。另一方面，海事锂离子电池组中的电池数量远远增加，因此需要处理更多数据量。因此，海上BMS需要更精确的数据采集和传输能力。此外，目前对电动船的需求相对较低，行业仍处于起步阶段。因此，海事BMS的发展相对落后，其功能远不及电动BMS先进。
锂离子电池代表了一个非线性且高度复杂的电化学系统，这一特性凸显了BMS的关键性[17]。BMS监控并处理锂离子电池的多个数据点，确保其高效、可靠安全性和延长使用寿命。鉴于锂离子电池的某些状态，如电荷状态（SOC），在运行过程中无法直接测量，建立合适的电池模型至关重要。该模型结合参数识别方法和可测量数据，用于准确估计电池的工作状态。与电化学模型和数据驱动模型相比，等效电路模型（ECM）结构更简单，识别参数更少，更适合海事应用中严苛且长时间的操作条件。
随着人工智能算法的发展，元启发式算法近年来备受关注，包括差分进化（DE）、粒子群优化（PSO）和遗传算法（GA）[[18]、[19]、[20]、[21]]。这些算法消除了对初始估计的依赖，有效防止计算结果趋向局部最优，从而显著提升了ECM的准确性。
例如，He 等人通过采用 PSO 算法处理测量数据，创新地确定了模型参数，并结合了自适应优化策略，以增强粒子的全局搜索能力[22]。Shaheen等人提出了一种改进型海洋捕食者技术，能够同时捕捉开路电压与SOC之间的非线性关系。该方法显著提升了实验电压与预测电压之间的相关性，从而成功提升了电池性能估计的准确性[23]。Saneep 等人优化了由随机森林算法使用 PSO 算法处理的公开锂离子电池数据集，展示了收敛特性。该方法在不同温度下表现出稳健性能，SOC的百分比误差始终低于0.1%[24]。薛等人提出了一种面向目标的近似降维等效方法，能够准确地将高维微分系统转化为包含少量微分方程和低维代数方程的状态系统。该方法大幅缩短计算时间，同时保持系统精度[25]。Tang等人开发了一种新型自适应多上下文协同进化并行微分演化（AMCC-PDE）算法，用于解决大规模全局优化问题，在每次采样时间的LiB参数识别误差均小于2 mV[26]。
事实上，大多数现有方法在模型维度较低时都能有效解决参数识别问题。然而，随着需要识别参数数量的增加和操作条件的复杂性增加，识别问题的复杂度迅速提升。这主要源于“维度爆炸”现象，即随着需要优化参数数量的增加，问题难度呈指数级增加。传统的参数识别方法常常无法处理海量数据，导致模型容易过拟合，难以收敛到全局最优。尽管已有若干新算法（如参考中的DGA[27]）已被开发用于解决高维问题，但它们主要关注公开数据集条件（如USTC-DST和USTC-UDDS数据集），因此缺乏实际应用价值。此外，在海事应用背景下，电动船舶中P-LiB的参数识别在现有研究中鲜有关注。这一限制源于此类船舶独特的操作挑战，阻碍了其他领域方法的直接应用。
船舶P-LiB的参数识别挑战与汽车或固定应用中存在根本不同，这与海上环境的三个相互关联的特性不同。与电动汽车经过充分描述的驱动周期不同，海洋动力曲线表现出持续的高功率峰值和剧烈波动，这些波动远超典型汽车负载动态，尤其是在机动或恶劣天气操作中[28]。这些极端的运行条件持续推动电池系统进入高度动态且高强度的工作区，显著加剧参数非线性问题。加剧这些动态挑战的是，船舶P-LiB在更严苛的环境条件下运行，包括振动、湿度、盐雾、震动和温度变化等高水平，这些都会显著影响电池的电化学反应速率，加速电池老化并引发快速参数漂移[[29]， [30]， [31]]。此外，船用电池组独特的系统架构，以其大量电池数和推进系统对安全至关重要的特性为特征，要求极其可靠的电池管理[32,33]。这需要参数识别方法不仅准确，且在大规模计算上可操作，并且本质上鲁棒，以防止灾难性故障。
尽管存在这些重要的操作差异，专门针对舰载锂离子电池参数识别的文献仍然非常稀少。虽然已有多项研究探讨了电动船舶的能源管理策略或系统设计方面，但很少有研究能够在独特的海上操作条件下实现高精度在线参数识别这一根本性挑战[34,35]。现有大多数识别研究仍依赖标准化的汽车驱动循环进行验证，未能解决高维参数空间、实时计算限制以及在严苛海洋环境中对稳健性能的需求的复杂挑战。
鉴于上述研究空白，本研究重点在于优化电动船舶实际运行中的海量数据输出。本研究的主要贡献和新颖性可总结为：首先，基于真实电动船航行的测量数据，进行测试实验以获取P-LiB在典型工作条件下的运行数据，从而更准确反映船舶航行期间P-LiB的功率输出。随后，电动船典型工作条件下复杂参数的优化被建模为大规模进化计算（LSEC）问题。引入了包含皮尔逊相关系数的惩罚函数，以引导识别结果朝向快速收敛，从而实现结构参数和操作参数的同时优化。此外，结合参数识别窗口（PIW）机制和协同演化（CC）机制，开发了一种新颖的去中心化协演化差分演化（DCDE）算法，以有效优化基于LSEC的参数识别模型，适用于典型船舶操作条件。
