CN110298467A - 一种剩余电量的估计方法及系统 - Google Patents

一种剩余电量的估计方法及系统 Download PDF

Info

Publication number
CN110298467A
CN110298467A CN201810245502.9A CN201810245502A CN110298467A CN 110298467 A CN110298467 A CN 110298467A CN 201810245502 A CN201810245502 A CN 201810245502A CN 110298467 A CN110298467 A CN 110298467A
Authority
CN
China
Prior art keywords
target
remaining capacity
weight
population
cluster
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
Application number
CN201810245502.9A
Other languages
English (en)
Inventor
高晓艳
晁涌耀
李庆
赵野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Microelectronics of CAS
Original Assignee
Institute of Microelectronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN201810245502.9A priority Critical patent/CN110298467A/zh
Publication of CN110298467A publication Critical patent/CN110298467A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。

Description

一种剩余电量的估计方法及系统
技术领域
本发明涉及电池管理技术领域，尤其涉及一种剩余电量的估计方法及系统。
背景技术
如今，电动汽车迅猛发展，而电池作为电动汽车的关键技术之一越来越受到人们的关注，电池作为电动汽车的唯一能量源，准确预测电池的剩余电量SOC能实现整车能量管理的优化控制，进行均衡的充放电，提高电池的利用效率。但是影响电池的剩余电量SOC的因素众多，动力电池在使用过程中具有高度的非线性，而且充放电过程很难建立精确的数学模型，目前国内外对剩余电量SOC的估计采用神经网络具来实现。
发明人对现有的基于神经网络的剩余电量SOC的估计过程进行研究发现，神经网络的权值和阈值的初始值是随机设定的，随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功。
发明内容
有鉴于此，本发明提供了一种剩余电量的估计方法及系统，用以解决现有技术中神经网络的权值和阈值的初始值是随机设定的，随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值等问题，导致最终剩余电量SOC的估计不准确或者不成功的问题。具体方案如下：
一种剩余电量的估计方法，包括：
获取待估计电池对应的剩余电量估计神经网络模型；
依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
上述的方法，可选的，依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值包括：
对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
上述的方法，可选的，对各个种群依据其对应的适应度值进行筛选，得到目标种群集包括：
对所述各个种群的适应度值依据降序进行排序，依据排序结果进行筛选，得到第一种群集；
对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集。
上述的方法，可选的，对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集还包括：
选取所述目标种群集中的目标种群进行变异计算。
上述的方法，可选的，依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值包括：
将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，确定落在所述目标适应度值区间内的各个目标种群；
判断落在所述目标适应度值区间内的各个目标种群的数量是否为零；
若否，将所述各个目标种群中适应度值最大的目标种群的权值和阈值作为目标权值和目标阈值。
上述的方法，可选的，还包括:
若是，重复执行所述目标权值和所述目标阈值的计算过程，当计算的次数满足预设的计算次数阈值时，在目标种群集中选取目标权值和目标阈值。
上述的方法，可选的，将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量包括：
将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型；
依据预设的误差函数对所述剩余电量估计神经网络模型的误差进行计算；
判断误差结果是否小于预设的误差阈值；
当小于时，将所述目标权值和目标阈值传递到所述剩余电量估计神经网络模型进行计算，得到所述待估计电池的剩余电量。
上述的方法，可选的，还包括：
当大于时，将所述目标权值和所述目标阈值进行更新。
一种剩余电量的估计系统，包括：
获取模块，用于获取待估计电池对应的剩余电量估计神经网络模型；
第一确定模块，用于依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
第二确定模块，用于依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
计算模块，用于将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
上述的系统，可选的，所述第二确定模块包括：
计算单元，用于对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
筛选单元，用于对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
确定单元，用于依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
与现有技术相比，本发明包括以下优点：
本发明公开了一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种剩余电量的估计方法流程图；
图2为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；
图3为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；
图4为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；
图5为本申请实施例公开的一种剩余电量的估计系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本发明公开了一种剩余电量的估计方法及系统，所述剩余电量估计方法应用在对电池的剩余电量SOC的估计过程中，本发明实施例中，以动力电池为例进行说明，所述动力电池指为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池，由于所述动力电池的内部化学反应极为复杂，因此，影响动力电池的SOC的因素众多，动力电池在使用过程中具有高度的非线性，而且充放电过程很难建立精确地数学模型。所述剩余电量估计方法的执行主体可以为终端的控制器或者处理器。所述剩余电量估计方法的执行流程如图1所示，包括步骤：
S101、获取待估计电池对应的剩余电量估计神经网络模型；
本发明实施例中，由于神经网络具有非线性的特性且具有并行结构和很强的自学习能力，因此每一个电池都对应一个剩余电量估计神经网络，获取待估计电池对应的剩余电量估计神经网络模型，优选的，所述剩余电量估计神经网络可以是前馈BP神经网络。
S102、依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
本发明实施例中，解析所述剩余电量估计神经网络模型中包含的权值和阈值的长度，依据所述长度为所述权值和所述阈值分配一个初始值。
S103、依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
本发明实施例中，由于所述权值和所述阈值的初始值是随机设定的，易出现收敛速度慢、对初值敏感以及极易陷入局部最小值等问题，因此，采用遗传算法对所述权值和所述阈值进行优化，得到目标权值和目标阈值。
S104、将所述目标权值和所述目标阈值传递到所述待估计电池对应的所述剩余电量估计神经网络模型进行计算，得到所述待估计电池的剩余电量。
本发明实施例中，将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
本发明公开了一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。
本发明实施例中，还包括：将加入遗传算法对所述待估计电池的剩余电量的估计值yp，样本数据的剩余电量的真实值y，采用表达式(1)计算总误差：
F＝∑(y-yp)2 (1)
其中，
yp—SOC预测值
y—SOC真实值
F—总误差
其中，总误差越小，表明权值和阈值的选取越合理。经过多次试验，由于遗传算法的加入，使得网络的初始误差就以较低的值出现，从而可以大幅降低网络训练时间，提高收敛速度，结果更优。
遗传算法将生物的进化过程，抽象的表现为选择、交叉和变异，是一种用于全局优化搜索的迭代算法。对于遗传算法，在每一次迭代的时候都会有一组解答，而这组解答在初始时随机生成的，每次迭代后会由模拟进化和继承的遗传操作生成新的解答，同时每个解答会有一个目标函数进行评价。如此往复循环这个过程，直到按照要求收敛。这样，新的解答不仅可以保留目标函数值较高的旧的解答，还可以包括一些经由其他解答结合而得到的新的解答。
由于遗传算法每次迭代都是把最有竞争力的基因保留，所以遗传算法的结果总是在寻找该评价函数下的最优值，此方法也被证明在寻优过程中是可靠的、鲁棒的，是可以证明的。
本发明实施例中，依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值的方法流程如图2所示，包括步骤：
S201、对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
本发明实施例中，依据多次试验遗传算法的种群规模为80，变异概率为0.08，将权值和阈值作为每一个种群中的染色体的优化参数，所述预设的适应度函数为公式(1)的倒数。
其中，依据适应度函数计算适应度值时需要将样本数据进行归一化处理，所述样本数据包括电池组电压、电流、温度，电池单体最大电压、最小电压，车辆速度、行驶里程七个参数。
S202、对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
本发明实施例中，对各个种群依据其对应的适应度值进行筛选的过程如下：
对所述各个种群的适应度值依据降序进行排序，预设一个筛选的比例，如所述筛选比例为70％，将排序结果中的前70％的种群组成的集合作为第一种群集，其中，所述筛选比例的选取与神经网络模型、待估计电池的类型等有关；
所述第一种群集中的各个第一种群进行实数编码，编码完成后进行交叉计算，具体的过程为：
交叉操作采用实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下，通过交叉操作使得网络的搜索能力得到提高，交叉概率不宜过小否则会导致搜索过程停滞不前，一般在[0.5，1.0]之间，本发明实施例中，优选的，交叉概率为0.5，其中，b是[0，1]的随机数：
akj＝akj(1-b)+aljb……(2)
alj＝alj(1-b)+akjb……(3)
依据公式(2)和公式(3)对第一种群集中的各个第一种群之间分别进行交叉计算，得到第二种群集，对所述第二种群集中的每一个第二种群依据公式(1)分别计算适应度值，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，筛选的原则可以为依据筛选比例或者设置筛选阈值等，得到目标种群集。
本发明实施例中，为了保证目标种群集中的各个目标种群具有更好的全局收敛性，选取所述目标种群集中的目标种群进行变异计算，具体的计算过程如下：
其中，
amax—aij的上边界
amin—aij的下边界
其中，
r2—随机数，一般取[0.001，0.200]之间
Gmax—最大进化次数
g—当前迭代次数
S203、依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
本发明实施例中，依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值的方法流程如图3所示，包括步骤：
S301、将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，确定落在所述目标适应度值区间内的各个目标种群；
本发明实施例中，分别将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，统计落在在所述目标适应度值区间内的目标种群的数量。
S302、判断落在所述目标适应度值区间内的各个目标种群的数量是否为零；
S303、若否，将所述各个目标种群中适应度值最大的目标种群的权值和阈值作为目标权值和目标阈值。
本发明实施例中，当不为零时，将所述各个目标种群中适应度值最大的目标种群的权值和阈值作为目标权值和目标阈值。
当为零时，重复执行所述目标权值和所述目标阈值的计算过程，当计算的次数满足预设的计算次数阈值时，在执行完最后一次计算的目标种群集中选取适应度值最小的种群的权值和目标值作为目标权值和目标阈值。
在确定完所述目标权值和所述目标阈值之后，将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量的方法流程如图4所示，包括步骤：
S401、将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型；
本发明实施例中，所述述剩余电量估计神经网络模型依据所述目标权值和所述目标阈值对样本数据中的训练集进行训练，依据验证集进行验证。
S402、依据预设的误差函数对所述剩余电量估计神经网络模型的误差进行计算；
本发明实施例中，所述预设的误差函数为公式(1)，依据公式(1)和样本数据计算每一个目标种群的误差。
S403、判断误差结果是否小于预设的误差阈值；
本发明实施例中，将每一个种群的误差结果与预设的误差阈值进行比较，其中所述预设的误差阈值的选取与所述剩余电量估计神经网络模型和所述待估计电池有关。
S404、当小于时，将所述目标权值和目标阈值传递到所述剩余电量估计神经网络模型进行计算，得到所述待估计电池的剩余电量。
本发明实施例中，还包括，当大于时，将所述目标权值和所述目标阈值进行更新，采用更新后的目标权值和目标阈值继续进行上述运算，当运算过程满足一定次数时，误差若还是不满足所述预设的误差阈值，也可以采用所述剩余电量估计神经网络模型对所述待估计电池进行剩余电量的估计。
上述剩余电量估计方法主要包括以下几个环节：确定剩余电量估计神经网络模型的结构；对所述剩余电量估计神经网络模型的初始权值和偏差利用遗传算法进行优化；优化后的目标权值和目标阈值传递到所述剩余电量估计神经网络模型对样本数据进行训练和预测。当满足结束条件时，计算所述待估计电池的剩余电量。
本发明实施例中，与上述的剩余电量估计方法相对应的，本发明实施例中还提供了一种剩余电量估计系统，所述估计系统的结构框图如图5所示，包括：获取模块501，第一确定模块502，第二确定模块503和计算模块504。
其中，
所述获取模块501，用于获取待估计电池对应的剩余电量估计神经网络模型；
所述第一确定模块502，用于依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
所述第二确定模块503，用于依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
所述计算模块504，用于将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
本发明公开了一种剩余电量的估计系统，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的系统中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。
本发明实施例中，所述第二确定模块503包括：计算单元505，筛选单元506和确定单元507。
其中，
所述计算单元505，用于对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
所述筛选单元506，用于对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
所述确定单元507，用于依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种剩余电量的估计方法，其特征在于，包括：
获取待估计电池对应的剩余电量估计神经网络模型；
依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
2.根据权利要求1所述的方法，其特征在于，依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值包括：
对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
3.根据权利要求2所述的方法，其特征在于，对各个种群依据其对应的适应度值进行筛选，得到目标种群集包括：
对所述各个种群的适应度值依据降序进行排序，依据排序结果进行筛选，得到第一种群集；
对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集。
4.根据权利要求3所述的方法，其特征在于，对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集还包括：
选取所述目标种群集中的目标种群进行变异计算。
5.根据权利要求2所述的方法，其特征在于，依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值包括：
将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，确定落在所述目标适应度值区间内的各个目标种群；
判断落在所述目标适应度值区间内的各个目标种群的数量是否为零；
若否，将所述各个目标种群中适应度值最大的目标种群的权值和阈值作为目标权值和目标阈值。
6.根据权利要求5所述的方法，其特征在于，还包括:
若是，重复执行所述目标权值和所述目标阈值的计算过程，当计算的次数满足预设的计算次数阈值时，在目标种群集中选取目标权值和目标阈值。
7.根据权利要求1所述的方法，其特征在于，将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量包括：
将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型；
依据预设的误差函数对所述剩余电量估计神经网络模型的误差进行计算；
判断误差结果是否小于预设的误差阈值；
当小于时，将所述目标权值和目标阈值传递到所述剩余电量估计神经网络模型进行计算，得到所述待估计电池的剩余电量。
8.根据权利要求7所述的方法，其特征在于，还包括：
当大于时，将所述目标权值和所述目标阈值进行更新。
9.一种剩余电量的估计系统，其特征在于，包括：
获取模块，用于获取待估计电池对应的剩余电量估计神经网络模型；
第一确定模块，用于依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；
第二确定模块，用于依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；
计算模块，用于将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。
10.根据权利要求9所述的系统，其特征在于，所述第二确定模块包括：
计算单元，用于对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；
筛选单元，用于对各个种群依据其对应的适应度值进行筛选，得到目标种群集；
确定单元，用于依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。
CN201810245502.9A 2018-03-23 2018-03-23 一种剩余电量的估计方法及系统 Pending CN110298467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810245502.9A CN110298467A (zh) 2018-03-23 2018-03-23 一种剩余电量的估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810245502.9A CN110298467A (zh) 2018-03-23 2018-03-23 一种剩余电量的估计方法及系统

Publications (1)

Publication Number Publication Date
CN110298467A true CN110298467A (zh) 2019-10-01

Family

ID=68025896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810245502.9A Pending CN110298467A (zh) 2018-03-23 2018-03-23 一种剩余电量的估计方法及系统

Country Status (1)

Country Link
CN (1) CN110298467A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN103593703A (zh) * 2013-11-26 2014-02-19 上海电机学院 基于遗传算法的神经网络优化系统及方法
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
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
CN105676138A (zh) * 2016-01-22 2016-06-15 广东志成冠军集团有限公司 一种预测电池的剩余电量的方法和系统
CN106501721A (zh) * 2016-06-03 2017-03-15 湘潭大学 一种基于生物进化的锂电池soc估算方法
CN107748936A (zh) * 2017-11-03 2018-03-02 国网江苏省电力公司信息通信分公司 基于遗传算法改进的bp神经网络蓄电池寿命预测算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN103593703A (zh) * 2013-11-26 2014-02-19 上海电机学院 基于遗传算法的神经网络优化系统及方法
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
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
CN105676138A (zh) * 2016-01-22 2016-06-15 广东志成冠军集团有限公司 一种预测电池的剩余电量的方法和系统
CN106501721A (zh) * 2016-06-03 2017-03-15 湘潭大学 一种基于生物进化的锂电池soc估算方法
CN107748936A (zh) * 2017-11-03 2018-03-02 国网江苏省电力公司信息通信分公司 基于遗传算法改进的bp神经网络蓄电池寿命预测算法

Similar Documents

Publication Publication Date Title
CN110568359B (zh) 一种锂电池剩余寿命预测方法
US11376981B2 (en) Systems and methods for adaptive EV charging
CN103048625B (zh) 电池的状态预测系统和方法
CN104022503B (zh) 一种带有储能设备的智能微电网电能优化控制方法
CN103678917A (zh) 一种基于模拟退火算法的公交实时到站时间预测方法
CN107677962A (zh) 基于充电所需时间来管理电池的系统和方法
CN105842633A (zh) 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法
CN107765190A (zh) 一种长寿命快充型磷酸铁锂电池的寿命预测方法
CN105183994A (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN104217113B (zh) 基于储能概率模型的独立风光储系统可靠性评估方法
CN106501728A (zh) 一种基于多目标遗传算法的电池等效模型参数识别方法
CN108596667A (zh) 一种基于车联网的电动汽车实时充电电价计算方法
CN109917292A (zh) 一种基于daupf的锂离子电池寿命预测方法
CN112883632B (zh) 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及系统
CN114202253A (zh) 充电站负荷可调潜力评估方法、系统、存储介质及服务器
CN115660346A (zh) 一种基于边缘控制的规模化车网互动负荷调控方法
CN115344653A (zh) 一种基于用户行为的电动汽车充电站选址方法
CN108629625A (zh) 一种月度售电量预测方法、装置及服务器
CN110084522A (zh) 基于随机粒子群算法的ev充电站位置生成方法及装置
CN110298467A (zh) 一种剩余电量的估计方法及系统
CN112098869A (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN110929950A (zh) 一种电动汽车负荷预测方法及系统
Helmus et al. SEVA: A data driven model of electric vehicle charging behavior
CN114357681B (zh) 一种考虑综合因素指标的制氢加氢站布点优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191001