CN103424712A - 基于粒子群优化的电池剩余容量在线测量方法 - Google Patents

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

基于粒子群优化的电池剩余容量在线测量方法

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：

$\hat{y}=\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})k(x_s,x),---\left(1\right)$

式中，

是一组反映目标值和特征向量函数的系数(i=1,2,...l)，k是将x映射到高维空间的函数，为y的估计值。

作为优选，步骤3中所述SVR模型中参数

通过公式组（2）进行求解：

$\underset{{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}}{\max }\left\{\begin{array}{c}-\frac{1}{2}\underset{s,q=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})({\mathrm{\α}}_q-{\mathrm{\α}}_q^{*})k(x_s,x_q)\\ -\mathrm{\ϵ}\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s+{\mathrm{\α}}_s^{*})+\underset{s=1}{\overset{1}{\mathrm{\Σ}}}{y}_s({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})\end{array}\right.---\left(2\right).$

$s.t.\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})=0\mathrm{and}{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}\∈[0,C]$

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C_r是电池剩余容量，C_a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0.2C_a，其中C_a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 ${\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}.$

$\underset{{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}}{\max }\left\{\begin{array}{c}-\frac{1}{2}\underset{s,q=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})({\mathrm{\α}}_q-{\mathrm{\α}}_q^{*})k(x_s,x_q)\\ -\mathrm{\ϵ}\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s+{\mathrm{\α}}_s^{*})+\underset{s=1}{\overset{1}{\mathrm{\Σ}}}{y}_s({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})\end{array}\right.$

$s.t.\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})=0\mathrm{and}{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}\∈[0,C]$

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。

2.根据权利要求1所述粒子群优化和支持向量机的电池剩余容量在线测量方法，其特征在于：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：

$\hat{y}=\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})k(x_s,x),---\left(1\right)$

式中，

是一组反映目标值和特征向量函数的系数(i=1,2,...l)，k是将x映射到高维空间的函数，

为y的估计值。

3.根据权利要求2所述粒子群优化和支持向量机的电池剩余容量在线测量方法，其特征在于：步骤3中所述SVR模型中参数

通过公式组（2）进行求解：

$\underset{{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}}{\max }\left\{\begin{array}{c}-\frac{1}{2}\underset{s,q=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})({\mathrm{\α}}_q-{\mathrm{\α}}_q^{*})k(x_s,x_q)\\ -\mathrm{\ϵ}\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s+{\mathrm{\α}}_s^{*})+\underset{s=1}{\overset{1}{\mathrm{\Σ}}}{y}_s({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})\end{array}\right.----\left(2\right)$

$s.t.\underset{s=1}{\overset{1}{\mathrm{\Σ}}}({\mathrm{\α}}_s-{\mathrm{\α}}_s^{*})=0\mathrm{and}{\mathrm{\α}}_s,{\mathrm{\α}}_s^{*}\∈[0,C].$

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0.2C_a，其中C_a为电池的额定容量。

Images