CN103424712A - 基于粒子群优化的电池剩余容量在线测量方法 - Google Patents
基于粒子群优化的电池剩余容量在线测量方法 Download PDFInfo
- Publication number
- CN103424712A CN103424712A CN2013103586284A CN201310358628A CN103424712A CN 103424712 A CN103424712 A CN 103424712A CN 2013103586284 A CN2013103586284 A CN 2013103586284A CN 201310358628 A CN201310358628 A CN 201310358628A CN 103424712 A CN103424712 A CN 103424712A
- Authority
- CN
- China
- Prior art keywords
- alpha
- battery
- residual capacity
- output voltage
- lead
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于粒子群优化的电池剩余容量在线测量方法,首先,将铅酸蓄电池充满电并冷却到室温,以小电流恒流放电,每隔固定时间采样记录传感器输出电压和电池的剩余容量;再将实验记录得到的数据作为支持向量机的输入数据,训练并建立SVR模型;利用粒子群优化算法求解模型中的参数,得到电池剩余容量和传感器输出电压的数学关系。最后,根据所获得电池剩余容量和传感器输出电压的关系,结合当前测量的传感器输出电压,就可以在线获得蓄电池的剩余容量。本发明不需要设计者的经验知识和先验知识,只需要较少实验数据就能准确、快速地由传感器输出电压获得蓄电池的剩余容,效率和精度高,方法的可用性强。
Description
技术领域
本发明属于铅酸蓄电池技术梁宇,尤其涉及铅酸蓄电池剩余容量在线测量技术。
背景技术
大多数电池的充电状态发生变化时,其电化学特性变化不显著或不太规则,因而无法用来直接指示SOC。目前国内外对电池剩余容量进行检测普遍采用的方法有内阻法、电量累积法、开路电压法、安时(AH)计量法、线性模型法、卡尔曼滤波法、神经网络法等。但是这些技术中,如开路电压,内阻法等存在精度差且不具备实时性等缺点,安时(AH)计量法中存在电流测量的累计误差,影响测量精度,而模糊神经网络等方法则存在过分依赖神经网络的结构、训练数据和训练方法的缺点。
发明内容
发明目的:针对上述现有存在的问题和不足,本发明提供了一种基于粒子群优化和支持向量机技术的电池剩余容量在线测量方法,不需要设计者的经验知识和先验知识,只需要较少实验数据就能比较准确的由传感器输出电压获得蓄电池的剩余容,效率和精度高,方法的可用性强。
技术方案:为实现上述发明目的,本发明采用以下技术方案:一种基于粒子群优化的电池剩余容量在线测量方法,包括以下步骤:
步骤1:对充满电并冷却到室温的铅酸蓄电池进行小电流恒流放电,并每隔固定时间采样记录传感器输出电压和电池的剩余容量;
步骤2:将步骤1中记录的数据作为支持向量机的输入数据,训练并建立SVR模型;
步骤3:利用粒子群优化算法求解步骤3所述SVR模型的参数,得到电池剩余容量和传感器输出电压的数学关系;
步骤4:根据所获得的电池剩余容量和传感器输出电压的关系,并结合当前测量获得的传感器输出电压,在线获得铅酸蓄电池的剩余容量。
作为优选,步骤2建立的SVR模型为电池容量y和传感器输出电压x的数学关系,如公式(1)所示:
有益效果:与现有技术相比,本发明具有以下优点:首先,采用支持向量机技术不需要过多的样本数量,只需要有限次的实验数据就能比较准确的获得传感器输出电压和蓄电池的剩余容量关系,保证了效率,提高了方法的可用性;其次,本方法可以避免原有方法过于依赖神经网络的结构、训练数据和训练方法的缺点,采用粒子群优化求解模型参数的优化问题,实现容易、精度高、收敛快等;第三,本方法不需要设计者的经验知识和先验知识,可以直接从实验数据中获得输出电压和剩余容量的关系,更符合蓄电池剩余容量预测技术影响因素复杂,参数非线性程度高的特点;第四,本方法有严格的理论和数学基础,避免了神经网络实现中的经验成分,具有较强的逼近能力和泛化能力;第五,本方法对原有生产线和相关设备并无特别要求,可在原有测量设备基础上完成。
附图说明
图1为本发明所述铅酸蓄电池剩余容量在线测量的流程示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
在蓄电池剩余容量的预测中,考虑到影响电池荷电状态的因素很多,系统模型难具有非线性特点,参数的非线性度高,在测试过程中获得的实验数据样本有限,适合应用支持向量机(SVR)技术,并采用粒子群优化算法求解模型中的参数,能克服上述方法的不足,取得更高的预测精度。本发明所述铅酸蓄电池剩余电量在线测试的具体方法如下:
将铅酸蓄电池充满电后,静置一段时间,让其电解液冷却到室温,开始以小电流恒流放电,测得传感器输出电压与时间及剩余容量之间的数据关系。测试过程中,每0.5h采样一次。其中,采用安培小时法测量电池剩余容量,其中Cr是电池剩余容量,Ca是电池的额定容量,I是放电电流。进行小电流恒流放电时电流大小I为0.2Ca,其中Ca为电池的额定容量。
对于记录所得的数据,选取其中60%的样本作为训练集,用来建立SVR模型给出输出电压和剩余容量之间的函数关系,而其余的40%的样本作为测试集,用来测试SVR给出的输出电压和剩余容量之间的函数关系的精度。
在计算支持向量机模型时,需要选取合适的模型预测期望误差的最大值ε,核函数k以及模型泛化能力和学习程度的权重C。ε可以通过试验的方法选择,选择的标准是模型的训练速度和精度可以接受。k可以从一些经典的核函数中选择,例如径向基核函数而核函数的参数(如径向基核函数的γ)和C可以使用N折交叉验证和网格搜索法确定。N折交叉验证的目的是计算某组参数的性能指标,将样本随机地平均分成N份,依次以每一份做作训练集,其余样本作测试集。对于一组给定的(γ,C),N次训练的平均误差可以代表这组参数的性能。而网格搜索法可以在某个范围内确定性能最好的一组参数。候选的每组参数就是“网格”上的“点”,网格搜索法使用每个“点”训练模型,并选择N折交叉验证结果最好的那组参数作为合适的参数。
选取合适的参数后,采用粒子群优化求解下列最优化问题求出SVR模型的系数
就获得了传感器输出电压和蓄电池的剩余容量的关系。
其中,采用粒子群优化时,关键参数取值:粒子数取为30,学习因子取为2,惯性权重系数可取为0.8,最大迭代参数可取为1000。
根据所获得电池剩余容量和传感器输出电压的关系,结合当前测量的传感器输出电压,就可以在线获得蓄电池的剩余容量。
与现有技术相比,本方法只需要有限次的实验数据就能准确、快速地获得传感器输出电压和蓄电池的剩余容量关系,保证了效率,提高了方法的可用性;并且本方法不要设计者的经验知识和先验知识,可以直接从实验数据中获得输出电压和剩余容量的关系,更符合蓄电池剩余容量预测技术影响因素复杂,参数非线性程度高的特点。本方法对原有生产线和相关设备并无特别要求,可在原有测量设备基础上完成。
Claims (4)
1.一种基于粒子群优化的电池剩余容量在线测量方法,包括以下步骤:
步骤1:对充满电并冷却到室温的铅酸蓄电池进行小电流恒流放电,并每隔固定时间采样记录传感器输出电压和电池的剩余容量;
步骤2:将步骤1中记录的数据作为支持向量机的输入数据,训练并建立SVR模型;
步骤3:利用粒子群优化算法求解步骤3所述SVR模型的参数,得到电池剩余容量和传感器输出电压的数学关系;
步骤4:根据所获得的电池剩余容量和传感器输出电压的关系,并结合当前测量获得的传感器输出电压,在线获得铅酸蓄电池的剩余容量。
4.根据权利要求3所述离子群优化和支撑向量机的电池剩余容量在线测量方法,其特征在于:步骤1中进行小电流恒流放电时电流大小I为0.2Ca,其中Ca为电池的额定容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103586284A CN103424712A (zh) | 2013-08-16 | 2013-08-16 | 基于粒子群优化的电池剩余容量在线测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103586284A CN103424712A (zh) | 2013-08-16 | 2013-08-16 | 基于粒子群优化的电池剩余容量在线测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103424712A true CN103424712A (zh) | 2013-12-04 |
Family
ID=49649738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103586284A Pending CN103424712A (zh) | 2013-08-16 | 2013-08-16 | 基于粒子群优化的电池剩余容量在线测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103424712A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198959A3 (en) * | 2015-06-09 | 2017-02-02 | Premier Technologies, Ltd. | Efficient battery tester |
CN106646256A (zh) * | 2016-12-21 | 2017-05-10 | 惠州Tcl金能电池有限公司 | 电池容量计算方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN107121641A (zh) * | 2017-05-16 | 2017-09-01 | 电子科技大学 | 一种基于粒子群优化的电池状态估计方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
CN109738825A (zh) * | 2018-12-27 | 2019-05-10 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN111693868A (zh) * | 2019-03-12 | 2020-09-22 | 天津工业大学 | 基于密度特征聚类集成的锂电池荷电状态估算方法 |
CN112563591A (zh) * | 2020-12-11 | 2021-03-26 | 吉林大学 | 一种蓄电池组均衡控制方法 |
CN116699412A (zh) * | 2023-05-17 | 2023-09-05 | 盐城工学院 | 一种储能电池模组的剩余容量估算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN101604005A (zh) * | 2009-06-29 | 2009-12-16 | 杭州电子科技大学 | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 |
CN102169168A (zh) * | 2011-05-17 | 2011-08-31 | 杭州电子科技大学 | 一种基于粒子滤波的电池剩余电量估计方法 |
-
2013
- 2013-08-16 CN CN2013103586284A patent/CN103424712A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN101604005A (zh) * | 2009-06-29 | 2009-12-16 | 杭州电子科技大学 | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 |
CN102169168A (zh) * | 2011-05-17 | 2011-08-31 | 杭州电子科技大学 | 一种基于粒子滤波的电池剩余电量估计方法 |
Non-Patent Citations (4)
Title |
---|
唐超等: "基于DE优化SVR的锂离子电池剩余容量预测", 《重庆理工大学学报(自然科学)》 * |
白亚秀: "基于PSO-SVM的电动车铅酸蓄电池SOC预测", 《安康学院学报》 * |
陈传亮等: "基于粒子群优化的SVR算法与BP网络的比较研究", 《北京师范大学学报(自然科学版)》 * |
陈健美等: "基于LS-SVM的混合动力镍氢电池组SOC预测", 《中南大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198959A3 (en) * | 2015-06-09 | 2017-02-02 | Premier Technologies, Ltd. | Efficient battery tester |
US10866285B2 (en) | 2015-06-09 | 2020-12-15 | Premier Technologies Ltd. | Efficient battery tester |
US10295611B2 (en) | 2015-06-09 | 2019-05-21 | Premier Technologies, Ltd. | Efficient battery tester |
CN106646256A (zh) * | 2016-12-21 | 2017-05-10 | 惠州Tcl金能电池有限公司 | 电池容量计算方法 |
CN106646256B (zh) * | 2016-12-21 | 2020-05-29 | 惠州亿纬创能电池有限公司 | 电池容量计算方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN107121641B (zh) * | 2017-05-16 | 2019-08-13 | 电子科技大学 | 一种基于粒子群优化的电池状态估计方法 |
CN107121641A (zh) * | 2017-05-16 | 2017-09-01 | 电子科技大学 | 一种基于粒子群优化的电池状态估计方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
CN109738825A (zh) * | 2018-12-27 | 2019-05-10 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN109738825B (zh) * | 2018-12-27 | 2021-01-01 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN111693868A (zh) * | 2019-03-12 | 2020-09-22 | 天津工业大学 | 基于密度特征聚类集成的锂电池荷电状态估算方法 |
CN112563591A (zh) * | 2020-12-11 | 2021-03-26 | 吉林大学 | 一种蓄电池组均衡控制方法 |
CN112563591B (zh) * | 2020-12-11 | 2021-10-01 | 吉林大学 | 一种蓄电池组均衡控制方法 |
CN116699412A (zh) * | 2023-05-17 | 2023-09-05 | 盐城工学院 | 一种储能电池模组的剩余容量估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tran et al. | A comprehensive equivalent circuit model for lithium-ion batteries, incorporating the effects of state of health, state of charge, and temperature on model parameters | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN103091642B (zh) | 一种锂电池容量快速估计方法 | |
Zheng et al. | A novel capacity estimation method based on charging curve sections for lithium-ion batteries in electric vehicles | |
Świerczyński et al. | Selection and performance-degradation modeling of limo $ _ {2} $/Li $ _ {4} $ Ti $ _ {5} $ O $ _ {12} $ and lifepo $ _ {4} $/C battery cells as suitable energy storage systems for grid integration with wind power plants: an example for the primary frequency regulation service | |
CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN104965179B (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
Zhang et al. | Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN103744026A (zh) | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 | |
CN102608535A (zh) | 一种锂离子电池容量的预测方法 | |
CN103529399A (zh) | 一种基于铅酸电池改进型pngv模型的模拟方法 | |
CN105823989A (zh) | 一种改进的rbf神经网络的电池soc预测方法 | |
Pei et al. | An equivalent circuit model for lithium battery of electric vehicle considering self-healing characteristic | |
CN109490790B (zh) | 采用补偿脉冲法的锂动力电池功率特性测试方法及装置 | |
CN103728570B (zh) | 一种基于电池热特性的健康状态检测方法 | |
Chen et al. | A novel fusion model based online state of power estimation method for lithium-ion capacitor | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN103135057B (zh) | 一种电池自放电性能的快速测量方法 | |
Bahramipanah et al. | Enhanced electrical model of lithium-based batteries accounting the charge redistribution effect | |
CN105738828A (zh) | 一种电池容量精准测量方法 | |
Cao et al. | Non-invasive characteristic curve analysis of lithium-ion batteries enabling degradation analysis and data-driven model construction: a review | |
CN106126798A (zh) | 磷酸铁锂蓄电池soc算法 | |
CN106004481A (zh) | 一种混合动力汽车电池组soh值估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131204 |
|
RJ01 | Rejection of invention patent application after publication |