CN110197250A - 一种多因素影响的动力电池参数在线辨识方法 - Google Patents
一种多因素影响的动力电池参数在线辨识方法 Download PDFInfo
- Publication number
- CN110197250A CN110197250A CN201910434182.6A CN201910434182A CN110197250A CN 110197250 A CN110197250 A CN 110197250A CN 201910434182 A CN201910434182 A CN 201910434182A CN 110197250 A CN110197250 A CN 110197250A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimal solution
- power battery
- iteration
- follows
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种多因素影响的动力电池参数在线辨识方法,具体内容如下:在全体具有初始参数的粒子集合中,其中一部分用粒子群优化算法筛选出最优的部分粒子,另一部分粒子则由遗传算法经过选择、交叉和变异生成,将两部分粒子结合成新的粒子集合进行下一步迭代,以此对模型参数进行在线辨识。本发明应用粒子群算法和遗传算法相结合的优化策略,充分利用了粒子群优化算法局部搜索能力强、收敛速度快的优点和遗传算法全局搜索能力强的优点,即降低了计算复杂度,又避免了局部最优陷阱,从而实现了电池模型参数随观测变量的实时准确辨识和更新,提高了动力电池建模的准确性。
Description
技术领域
本发明涉及动力电池技术领域,尤其涉及一种多因素影响的动力电池参数在线辨识方法。
背景技术
目前针对动力电池模型的大量研究,电化学模型能够反映电池的电化学的特性,但模型复杂度高,等效电路模型更适合用于在线估计,但缺乏对电池内部微观反应的电化学解释,从而导致电化学动力电池建模精度不足。模型适应范围小和参数存在不确定性会对电池SOC和SOH估计精度产生较大影响,并且由于外部环境的影响以及动力电池本身的自然衰减和循环衰减特性,电池的模型参数会发生变化,对模型精度和状态估计准确性产生严重干扰。
本发明针对目前电池模型在线参数辨识的局限性,其中递归最小二乘法会出现所谓的“数据饱和”现象;遗传算法(Genetic Algorithm,GA)无法在稳定精度范围内求解;粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优解陷阱,提出了一种基于粒子群优化算法和遗传算法相结合的参数在线辨识方法。解决多因素影响下的动态复杂系统的准确建模问题,建立各影响因素定性和定量描述的方法,提高动力电池建模的准确性。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种多因素影响的动力电池参数在线辨识方法。
本发明是通过以下技术方案实现的:
一种多因素影响的动力电池参数在线辨识方法,具体内容如下:在全体具有初始参数的粒子集合中,其中一部分用粒子群优化算法筛选出最优的部分粒子,另一部分粒子则由遗传算法经过选择、交叉和变异生成,将两部分粒子结合成新的粒子集合进行下一步迭代,以此对模型参数进行在线辨识。
所述的粒子群优化算法具体内容如下:将每个粒子视为群体中的一个搜索个体,粒子信息包括速度和位置,粒子的当前位置即为对应的一组辨识参数,粒子群中最优个体极值作为当前全局最优解,各粒子的运动过程根据粒子历史最优解和群体历史最优解进行动态调整,不断迭代,更新其自身的辨识参数,最终得到满足终止条件的最优解;其中,粒子的迭代公式为:
vk+1=ωvk+c1r1(pb-xk)+c2r2(gb-xk)
xk+1=xk+vk
其中vk+1为第k+1次迭代时粒子的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为0到1中随机数,pb为个体最优解,gb为全局最优解,xk为粒子第k次迭代时的位置。
所述的遗传算法具体内容如下:先对各粒子进行编码,随机生成初始群体,通过计算各粒子的函数适应度,将选择运算、交叉运算、变异运算作用于群体,遵循适应度越高,选择概率越大的原则,从群体中选择父方和母方,抽取双方染色体,产生子代,从而实现对粒子的筛选,粒子通过一代代的进化迭代,得到具有最大适应度个体的所对应的辨识参数作为最优解输出。
遗传算法中的遗忘因子能够减少历史数据的影响并加强当前数据的作用,缺点是不能在一个稳定的精度极限范围内求解,计算负担过重。粒子群算法相对更加智能化,可通过粒子的自身位置和周围位置、全局位置的比较,求得最优解,缺点是容易陷入局部最优解陷阱。关于理论和技术可行性的分析,数据驱动的建模理论、粒子群优化算法、遗传算法等经过多年的研究和发展,已形成相对成熟的理论体系,并在信息处理、目标跟踪和复杂控制等邻域得到成功的应用,是处理动态非线性系统问题的重要理论和工具。因此本项目拟采用粒子群优化算法和遗传算法相结合的参数在线辨识策略,实现电池模型的在线更新,从而解决电池模型参数的衰减和扰动问题。
本发明的优点是:相对于原先在线参数辨识的单独的递归最小二乘法、遗传算法以及粒子群算法的各自缺点,本方法应用粒子群算法和遗传算法相结合的优化策略,充分利用了粒子群优化算法局部搜索能力强、收敛速度快的优点和遗传算法全局搜索能力强的优点,即降低了计算复杂度,又避免了局部最优陷阱,从而实现了电池模型参数随观测变量的实时准确辨识和更新,提高了动力电池建模的准确性。
附图说明
图1为本发明的工作流程图。
图2为粒子群算法流程图。
图3为遗传算法流程图。
具体实施方式
如图1所示,一种多因素影响的动力电池参数在线辨识方法,具体内容如下:在全体具有初始参数的粒子集合中,其中一部分用粒子群优化算法筛选出最优的部分粒子,另一部分粒子则由遗传算法经过选择、交叉和变异生成,将两部分粒子结合成新的粒子集合进行下一步迭代,以此对模型参数进行在线辨识。
如图2所示,所述的粒子群优化算法具体内容如下:将每个粒子视为群体中的一个搜索个体,粒子信息包括速度和位置,粒子的当前位置即为对应的一组辨识参数,粒子群中最优个体极值作为当前全局最优解,各粒子的运动过程根据粒子历史最优解和群体历史最优解进行动态调整,不断迭代,更新其自身的辨识参数,最终得到满足终止条件的最优解;其中,粒子的迭代公式为:
vk+1=ωvk+c1r1(pb-xk)+c2r2(gb-xk)
xk+1=xk+vk
其中vk+1为第k+1次迭代时粒子的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为0到1中随机数,pb为个体最优解,gb为全局最优解,xk为粒子第k次迭代时的位置。
如图3所示,所述的遗传算法具体内容如下:先对各粒子进行编码,随机生成初始群体,通过计算各粒子的函数适应度,将选择运算、交叉运算、变异运算作用于群体,遵循适应度越高,选择概率越大的原则,从群体中选择父方和母方,抽取双方染色体,产生子代,从而实现对粒子的筛选,粒子通过一代代的进化迭代,得到具有最大适应度个体的所对应的辨识参数作为最优解输出。
本方法充分利用粒子群优化算法及遗传算法在参数识别方面的各自优点,即减少了计算复杂度,又避免了局部最优解的缺点,可实现多因素影响的动力电池模型在此参数辨别方法上通过对相关变量的实时准确辨识和更新,极大满足了对于动力电池精确建模的要求。
Claims (3)
1.一种多因素影响的动力电池参数在线辨识方法,其特征在于:具体内容如下:在全体具有初始参数的粒子集合中,其中一部分用粒子群优化算法筛选出最优的部分粒子,另一部分粒子则由遗传算法经过选择、交叉和变异生成,将两部分粒子结合成新的粒子集合进行下一步迭代,以此对模型参数进行在线辨识。
2.根据权利要求1所述的一种多因素影响的动力电池参数在线辨识方法,其特征在于:所述的粒子群优化算法具体内容如下:将每个粒子视为群体中的一个搜索个体,粒子信息包括速度和位置,粒子的当前位置即为对应的一组辨识参数,粒子群中最优个体极值作为当前全局最优解,各粒子的运动过程根据粒子历史最优解和群体历史最优解进行动态调整,不断迭代,更新其自身的辨识参数,最终得到满足终止条件的最优解;其中,粒子的迭代公式为:
vk+1=ωvk+c1r1(pb-xk)+c2r2(gb-xk)
xk+1=xk+vk
其中vk+1为第k+1次迭代时粒子的速度,ω为惯性权重,c1、c2为加速度常数,r1、r2为0到1中随机数,pb为个体最优解,gb为全局最优解,xk为粒子第k次迭代时的位置。
3.根据权利要求2所述的一种多因素影响的动力电池参数在线辨识方法,其特征在于:所述的遗传算法具体内容如下:先对各粒子进行编码,随机生成初始群体,通过计算各粒子的函数适应度,将选择运算、交叉运算、变异运算作用于群体,遵循适应度越高,选择概率越大的原则,从群体中选择父方和母方,抽取双方染色体,产生子代,从而实现对粒子的筛选,粒子通过一代代的进化迭代,得到具有最大适应度个体的所对应的辨识参数作为最优解输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434182.6A CN110197250A (zh) | 2019-05-23 | 2019-05-23 | 一种多因素影响的动力电池参数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434182.6A CN110197250A (zh) | 2019-05-23 | 2019-05-23 | 一种多因素影响的动力电池参数在线辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197250A true CN110197250A (zh) | 2019-09-03 |
Family
ID=67752992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434182.6A Pending CN110197250A (zh) | 2019-05-23 | 2019-05-23 | 一种多因素影响的动力电池参数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197250A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN112198434A (zh) * | 2020-09-29 | 2021-01-08 | 蜂巢能源科技有限公司 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
CN113049960A (zh) * | 2021-02-07 | 2021-06-29 | 安徽贵博新能科技有限公司 | 一种基于智能优化算法的电池健康状态估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942611A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 一种智能化的水库优化调度方法 |
CN105574231A (zh) * | 2015-11-27 | 2016-05-11 | 上海交通大学 | 一种蓄电池剩余容量检测方法 |
-
2019
- 2019-05-23 CN CN201910434182.6A patent/CN110197250A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942611A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 一种智能化的水库优化调度方法 |
CN105574231A (zh) * | 2015-11-27 | 2016-05-11 | 上海交通大学 | 一种蓄电池剩余容量检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN110688808B (zh) * | 2019-09-24 | 2022-06-24 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN112198434A (zh) * | 2020-09-29 | 2021-01-08 | 蜂巢能源科技有限公司 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
CN112198434B (zh) * | 2020-09-29 | 2023-05-19 | 蜂巢能源科技有限公司 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
CN113049960A (zh) * | 2021-02-07 | 2021-06-29 | 安徽贵博新能科技有限公司 | 一种基于智能优化算法的电池健康状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197250A (zh) | 一种多因素影响的动力电池参数在线辨识方法 | |
CN106202914A (zh) | 基于改进粒子群算法的光伏电池参数辨识方法 | |
Panda et al. | Evolutionary techniques for model order reduction of large scale linear systems | |
Zainuddin et al. | A review of crossover methods and problem representation of genetic algorithm in recent engineering applications | |
CN109202904A (zh) | 一种机械臂运动路径的确定方法及确定系统 | |
CN112488283A (zh) | 一种改进的多目标灰狼优化算法 | |
Peters et al. | Reinforcement learning with approximation spaces | |
CN111857107B (zh) | 基于学习组件库的辅助型移动机器人导航控制系统和方法 | |
CN109472105A (zh) | 半导体产品良率上限分析方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Roeva et al. | Description of simple genetic algorithm modifications using generalized nets | |
Panda et al. | Model reduction of linear systems by conventional and evolutionary techniques | |
Dwivedi et al. | A comparison of particle swarm optimization (PSO) and genetic algorithm (GA) in second order design (SOD) of GPS networks | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
Zamuda et al. | Improving constrained glider trajectories for ocean eddy border sampling within extended mission planning time | |
CN109726849A (zh) | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 | |
Zheng et al. | An effective genetic algorithm to VDA with discontinuous “on-off” switches | |
Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
Zhang et al. | Path planning of patrol robot based on modified grey wolf optimizer | |
Al Haromainy et al. | Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data | |
Huang et al. | Mobile robot path planning based on improved genetic algorithm | |
Chong et al. | A novel grid-based differential evolution (DE) algorithm for many-objective optimization | |
CN111360823A (zh) | 一种汽车门板焊点焊接路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
RJ01 | Rejection of invention patent application after publication |