CN111046527A - 一种基于协同进化粒子群算法的电池等效参数辨识方法 - Google Patents
一种基于协同进化粒子群算法的电池等效参数辨识方法 Download PDFInfo
- Publication number
- CN111046527A CN111046527A CN201911124194.5A CN201911124194A CN111046527A CN 111046527 A CN111046527 A CN 111046527A CN 201911124194 A CN201911124194 A CN 201911124194A CN 111046527 A CN111046527 A CN 111046527A
- Authority
- CN
- China
- Prior art keywords
- parameter
- particle
- current
- battery
- algorithm
- 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.)
- Withdrawn
Links
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于协同进化粒子群算法的电池等效参数辨识方法,属于电池等效参数辨识领域,该算法适用于基于等效电路模型的电池参数辨识;等效电路模型中的每一个待辨识参数均使用一个单独的参数粒子群进行优化;算法寻优周期受电池原始运行数据取样触发,每个寻优周期内算法仅完了多个参数群中的某一个群的寻优计算。在当前的寻优周期内,当前进化的参数粒子群内的每个粒子仅进化一步;这样,在算法的调度下,所有的参数粒子群逐个进化,优化结果向最优值实时、动态收敛。本发明所述方法把大量的寻优计算分布到数据取样间隔内,提高了算法的实时性;另外,仿生型算法的使用提高了参数辨识结果的全局性。
Description
技术领域
本发明属于电池等效参数辨识领域,具体涉及一种基于协同进化粒子群算法的电池等效参数辨识方法。
背景技术
在现有的电池等效模型中,多数情况下,认为模型参数恒定不变或缓慢变化。如果认为模型参数恒定不变可简化电池模型的表达难度,使得电池参数辨识算法具有较低的复杂度和在线运算量。但电池运行过程中阻抗特征明显与电荷电状态(SOC)、建康状态(SOH)相关联。直接或间接地通过等效模型结构调整或参数的时变中体现出电池的非线性时变特征是提高电池运行状态估计精度的重要手段。
无论是采用定值的模型参数或是在建模中考虑模型参数的时变,等效模型原始模型参数的辨识都很有必要,针对该问题也产生了很多有效的方法。电池阻抗谱分析、电池外部特性拟合法是电池参数测量的两类典型方法。在当前老化状态、当前工况点,电池的阻抗谱分析显然可以准确测取电池阻抗参数,但难以完整表达在线运行的电池参数变化,不适合在线拟合电池参数的非线性时变特征。
电池外部特性拟合法使用特定结构的等效模型通过数据分析拟合电池外部特性,具有在线实现的可能性,现有的研究方法较多,例如:最小二乘法等算法、卡尔曼算法、群算法、遗传算法。这些方法均以电池瞬态特性的统计学规律为优化原则,从电池的等效模型中找出与瞬态特性最为接近的电池参数。
面向在线应用的需要,最好将电池模型中具有时变、非线性或具有耦合关系的参数进行动态、在线辨识,把模型的参数非线性映射到参数的在线辨识结果中。从这一点来看,递推最小二乘法显然具有明显优势,但模型阶次的提高很自然地导致待辨识参数线性化的数学描述复杂性增加。受线性化近似的影响,参数表达式在三阶以上的等效模型几乎无法在线应用。类似的思想也体现于其他迭代型算法中,如回归算法、尔曼滤波算法,此类算法均表现出了以在线辨识、修改模型参数为特征的系统非线性描述方法,但该类算法也受算法复杂度的制约,难以表达过多的时变、非线性参数。
仿生类算法取得了较好的参数辨识效果,其计算量的削减、经验值的获取等问题成为研究热点之一。以粒子群算法(PSO)为例:该算法依据3阶等效电路模型(ECM)使用了100 个粒子构成的粒子群对电池参数进行辨识,连续100s(数据采样率为10Hz)的原始电池运行数据辨识用时2分钟(台式机Intel i7 880CPU,16G内存)。过高的计算量使得该类算法难以在线实现。
PSO中,粒子位置采用多维数据表达,使其在建寻优过程中必须使用目标函数对群内的全部粒子进行评价,这使得粒子每一步进化过程均附带了与粒子维度相应的大量运算。而在锂电池参数辨识过程中,使用一段电池运行端电压数据的拟合误差作为评价函数对粒子位置进行评价,本质上即具有较高的运算量,这限制了群规模(粒子数)和进化速度。
群算法的全局搜索、快速收敛特性适合于锂电池的在线参数辨识。粒子群协同进化算法 (CPSO)把具体问题的解向量按照一定的规则划分成多个相互独立的子种群,然后对每个子种群在目标搜索空间中的不同维度上进行搜索。参考该方法可将锂电池等效模型的参数辨识问题简化为多个子群的并行或串行进化问题,这可从部分程度上解决优化时效性问题。
采用CPSO把每一个ECM参数均使用一个参数粒子群(PPS),各PPS内的粒子均变成了一维数据。在各PPS逐个、逐步进行优化的过程中,单步评价的运算量并未减少。但在PPS所使用的粒子数量与常规PSO算法相同的条件下,CPSO算法相当于在进化的过程中动态增加了在最优解方向上解的寻优数量,这有利于算法快速跟踪最优解。然而,CPSO在锂电参数辨识领域内的应用研究尚未广泛开展。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于协同进化粒子群算法的电池等效参数辨识方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于协同进化粒子群算法的电池等效参数辨识方法,采用参数辨识算法,该算法按指定的取样周期接收能直接测量的电池运行数据,该算法中包含了一个结构明确的电池等效电路模型、多个参数粒子群、一个参数辨识窗口和一个参数辨识结果映像表;
结构明确的等效电路模型中包括多个待辨识参数,多个参数粒子群的数量与待辨识参数的数量相同,每一个参数粒子群负责等效电路模型中的一个待辨识参数的优化;
参数辨识结果映像表用于实时存储各个参数粒子群所得出的待辨识参数的优化结果,参数辨识结果映像表中所存储的数据的数量与结构明确的等效电路模型中的待辨识参数的数量相同;
参数辨识算法接收的电池运行数据按时间顺序存储在参数辨识窗口内;
参数辨识窗口按取样时间顺序存储当前取样时刻之前的固定数量的多个电池测量数据取样值;每一个电池测量数据取样值都是一组电池测量数据,包括电池端电压、电池负载电流和电池运行温度;
参数辨识算法在参数辨识窗口更新了不少于一组的电池测量数据后触发一个寻优周期;在一个寻优周期内,参数辨识算法从多个参数粒子群中按次序选取一个参数粒子群作为当前进化的参数粒子群,并在在下一次电池测量数据取样时刻到来之前的这段时间内对当前进化的参数粒子群进行有限步的优化计算;一旦某个参数粒子群被选为当前进化的参数粒子群并完成了相应的优化计算后,直到其他所有参数粒子群都完成优化计算后,它才会被重新选为当前进化的参数粒子群并进行相应的优化计算;优化计算指的是当前参数粒子群中的所有粒子的位置和速度更新有限次数;
该方法具体包括以下步骤:
步骤1:初始化,具体包括如下步骤:
步骤1.1:顺次定义N个参数粒子群:PPS(1),PPS(2),…,PPS(N);其中,N是等效电路模型的待辨识参数数量;
步骤1.2:为步骤1.1中的每个PPS都定义M个粒子,每个参数粒子群中的M个粒子位置都按式(11)逐个初始化;
式中,BU、BL为参数粒子群对应的一个等效电路模型参数取值的上界和下界,rand∈[0,1) 是随机数;m为粒子编号;M为当前参数群中具有的粒子的数量;Pm为第m个粒子;
步骤1.3:各PPS均随机指定它的一个粒子作为它的当前最优粒子,最优粒子的位置作为当前PPS所对应的ECM参数的当前最优结果存储在参数辨识结果映像表内;
步骤1.4:定义当前进化的参数粒子群:Sc=PPS(n);其中,n是当前进化PPS的顺序号, n=1,2,…,N;
步骤2:读取k时刻的电池电压和电流测量数据取样值uLk和iLk,将读取的数据存储在参数辨识窗口内;
步骤3:将当前参数粒子群进行进化,具体包括如下步骤:
步骤3.1:使用当前参数映像表内的数据和等效电路模型的离散数学表达式计算出电池端电压的拟合结果该拟合结果是一个数据序列,它的长度与参数辨识窗口内所存储的电池电压和电流测量数据的个数相同,它的激励是参数辨识窗口内所存储的电流测量数据;
步骤3.2:通过式(4)对所有的粒子进行评价,计算结果最小的粒子作为当前参数粒子群的最优粒子;
步骤3.3:通过式(14)计算所有粒子的速度;对于第m#粒子,在第t次进化过程中其速度为:
Vm|t=ωVm|t-1+2r1(PG-Pm|t-1)+2r2(PH-Pm|t-1) (14);
式中,ω为学习系数,r1和r2为PSO的性能参数,取值区间为(0,1);Vm|t表示m#粒子在t时刻的速度;PG是全局最优粒子的位置;PH是历史最优粒子的位置;Pm|t-1是m#粒子在t时刻的位置;
步骤3.4:通过式(15)更新所有粒子的位置;
Pi (g)=Pi (g-1)+Vi (g) (15);
式中Pi (g)表示第i#粒子在第g次进化中应出现的位置;Pi (g-1)表示第i#粒子在第g-1次进化中出现的位置;Vi (g)表示第i#粒子在第g次进化中所具有的速度;
如果某一粒子过于接近当前最优粒子,则当前粒子的位置按式(11)重新初始化;
步骤4:用当前参数粒子群的最优粒子的位置更新参数辨识结果映像表内的对应参数结果;
步骤5:按顺序取出步骤1中定义的当前进化的参数粒子群的下一个参数粒子群PPS(n+1),并将其作为当前进化的参数粒子群;如果PPS(n+1)的序号大于或等于步骤1中定义的群的数量,则取PPS(0)作为当前进化的参数粒子群;
步骤6:等待,直到第k+1次测量数据产生;
步骤7:重复执行步骤2-步骤6,直到所有的参数粒子群都完成优化计算,此时参数辨识结果映像表内的数据即为电池等效参数的当前最优辨识结果。
优选地,参数辨识窗口的数据结构实现形式是一个定长的环形队列,环形队列中的每个数据元素均包括了测量时间、电压测量值、电流测量值和温度测量值;新存储进参数辨识窗口的数据元素覆盖最古老的数据元素。
优选地,该方法还包括一个具有用于判断电池端电压拟合精度的拟合度计算方法;
拟合度计算方法用于计算在各个取样时间点上的两组电压数据之间的差值的代数和,这两组电压分别是:(1)参数辨识窗口内存储的电池端电压实测值;(2)电池等效电路等型拟合出的电池端电压估计值;电池端电压估计值使用当前参数辩识窗口内存储的实测电池负载电流作为激励,通过递推计算得出的电池等效模型的输出端电压;
在当前寻优周期内,拟合度计算方法中所使用的等效模型的参数包括两部分:(1)参数辨识结果映像表中除当前算法周期内正在优化的等效模型参数外的所有参数,这些参数在当前算法周期内不变;(2)当前进化的参数粒子群中的多个粒子的位置代表的当前优化参数的多个可行解之一;参数辨识算法使用上述两类参数逐一计算当前进化的参数粒子群中的各个粒子的拟合度,将拟合度计算结果代数值最低的粒子标记为当前进化的参数粒子群的最优粒子;得出最优粒子后,使用最优粒子的位置值更新参数辨识结果映像表中当前寻优计算所对应的模型参数值。
优选地,参数辨识算法的参数寻优计算分布在各个电池运行数据取样间隔内进行,并且每一个取样间隔内的寻优计算仅针对多个参数粒子群中的某一个开展。
优选地,当前参数辨识结果映像表中所存储的等效模型参数值即是当前等效模型参数的最优值;随着算法不断接收到新的电池测量数据,当前等效模型参数的最优值也不断变化。
本发明所带来的有益技术效果:
本发明拟采用CPSO实现电池ECM的参数辨识,该算法使用定长、实时移动的参数辨识窗口(PIW)存储当前时刻前的一段电池运行原始数据,使用PIW中的原始数据对电池参数进行动态/实时辨识,ECM中的每一个待辨识参数均使用一个单独的参数粒子群(PPS)进行优化,每个算法周期内,每个PPS内的每个粒子仅进化一步,当前优化的PPS使用其他PPS 的当前最优值对他的离子们寻优,在CPSO的调度下,所有的PPS逐个进化,向ECM参数的最优值实时、动态收敛。
附图说明
图1为具体实现案例中所使用的锂电池的3阶等效电路模型示意图。
图2为CPSO算法原理图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
1、电池等效模型
本文采用了如图1所示的三阶ECM。该模型采用了一个理想电源,一个电阻和三个RC 网络来拟合电池的特性。图1所示的等效电路,离散后的状态方程为:
式(1)中,Ts是采样周期,upn(n=1,2,3)是各阶RC网络所拟合的瞬态电压,τn=RpnCpn(n=1,2,3)。
对于使用定长连续时间序列作为原始数据样点的PSO,目标函数的误差为:
在PIW内电池负载变化引起等效模型uOC的波动,uOC是缓慢变化的量,在PIW内认为其线性变化,
uOC_k=uOC-W×ΔuOC+k×ΔuOC,k=(0,1,...,W-1) (5);
2、粒子群协同进化算法
2.1 CPSO的基本结构及工作原理
本申请采用的CPSO基本原理如图2所示,其基本构成如下:
(1)协同进化群组Cooperative Swarms:对于N个PPS Sw(n)构成的协同进化群组SWs,定义为 SWs={Sw(n),n=1,2,...,N-1} (6);
电池等效模型待优化参数集为:
PAR={uOC,R0,ΔuOC,Rp0,Cp0,Rp1,Cp1,Rp2,Cp2} (7);
相对应的PPS构成的集合。对于电池模型如图1所示,共计有9个参数,构成的协同进化群组记为
SWs={uOC_S,R0_S,ΔuOC_S,Rp0_S,Cp0_S,Rp1_S,Cp1_S,Rp2_S,Cp2_S} (8);
如图2所示参数集(8)构成一个环形队列,算法驱动该环形队列,使得在每一个算法周期内只有一个待优化PPS被进化,各PPS逐个循环进行优化。
(2)一个PPS(Swarm):协同进化群组中的一个单元,对应了等效模型的一个参数,由该参数在取值区间内的M个解(M个粒子)构成。协同进化群组中的每一个PPS均管理了M个粒子组成的集合PS,M个粒子具有相同的数据结构
PS={P(m),m=(0,1,...,M-1)} (9);
一个PPS对应了单个电池等效模型参数。CPSO每次仅对一个PPS进行优化,即从M个粒子选出最优值。记当前进化群为Sc,当前优化群号为n
Sc=Sw(n),n∈[0,N-1] (10);
例如,当前n=0对UOC进行优化,当前进化群Sc=Sw(0)管理了UOC优化所需对应的M个粒子。
(3)电池模型由模型结构和模型参数构成。模型结构与电池端电压估计算法(2)相对应,模型参数是协同进化群组中每个PPS最优值的映射。PSO使用式(2)和除当前优化参数外的其他模型参数,逐个搜索当前待优化参数的M个解(式(10))中的最优解。
(4)PSO使用式(2)对t时刻的原始电池测试数据序列Xt={(iL,uL)k,k=t-W+1,...,t-1,t} 中的W个点逐个计算得出式(4)所示的当前粒子的误差值。在当前进化群Sc中所有粒子均完成计算后,遍历各粒子的误差值,找出当前最优值完成进化。
2.2离子群算法
A PPS粒子初始化
对于PPS的第m#粒子位置初始化
式中,BU BL为PPS对应的ECM参数取值的上界和下界,rand∈[0,1)是随机数。
B历史最优、全局最优
记PG为当前全局最优粒子;PH为当前群在整个协同进化过程中所取得的历史最好位置;参考式(4)记ε(Pm)为当前粒子位置Pm的拟合误差。则PG可表达为
式中上标(g-1)(g-2)为进化代标记。
C粒子速度的确定
当前PPS Sc每次进化过程中,Sc中的M个粒子位置的速度仅更新一次;
对于第m#粒子,在第t次进化过程中其速度为:
Vm|t=ωVm|t-1+2r1(PG-Pm|t-1)+2r2(PH-Pm|t-1) (14);
式中,ω为学习系数,r1,r2是PSO的重要性能参数,本文结合实验测试将他们分别取成不同的定值,实际测试结果表明,取得了较好的收敛效果。
需要注意的是,因在CPSO中应用,式(14)中当前粒子的速度计算方法的多数参数计算或取值均作了相应调整。
D位置更新
离子位置以式(15)更新:
Pi (g)=Pi (g-1)+Vi (g) (15);
E搜索越界处理
粒子群中的粒子进化过程中不应越过搜索边界,到达搜索边界的粒子多数情况下是因为运动速度过快,因此,算法对越过搜索边界的粒子速度每乘以阻尼系统ξ同时将其移动速度反向。对于Sc内(当前PPS)的m#粒子,当前位置为Pm,当前速度为Vm,当前参数取值区间上限值BU,下限值BL。越界处理方法如下:
F初值、寻优区间确定、局部极值
初值、寻优区间的确定主要依靠经验法,配合实验结果进行适当调整。
为防止陷入局部极值点,PPS中的离子在位置更新后计算它与当前最优粒子PG的距离:
dm=|Pm-PG|,m=(0,1,...,M-1) (17);
预定义当前离子与最优粒子的最小允许距离δT,如果dm<δT重置当前粒子位置和速度使当前粒子在求解域内重新进化搜索最优位置;否则当前粒子按现有参数继续进化运动,在当前最优粒子PG附近搜索最优位置。这样作,保持了当前群中的最优解,同时也实现了群搜索空间的全局遍历性。
G当前优化的离子群的优化算法流程可简要描述为
1)当前群Sc中所有的M个粒子按式(11)初始化;
2)用式(4)对所有的粒子进行评价,找出当前取优粒子;
3)用式(12)和式(13)找出全局最优粒子和历史最优粒子;
4)用式(14)计算所有粒子的速度,用式(15)更新所有粒子的位置;
5)从第2)步开始重复迭代。
2.3协同进化离子群算法
按2.2节对当前PPS优化算法的描述,结合图2所示算法原理,用于电池等效模型参数辨识的协同进化离子群算法的算法流程可总结如表1。
表1协同进化离子群算法的算法流程
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于协同进化粒子群算法的电池等效参数辨识方法,其特征在于:采用参数辨识算法,该算法按指定的取样周期接收能直接测量的电池运行数据,该算法中包含了一个结构明确的电池等效电路模型、多个参数粒子群、一个参数辨识窗口和一个参数辨识结果映像表;
结构明确的等效电路模型中包括多个待辨识参数,多个参数粒子群的数量与待辨识参数的数量相同,每一个参数粒子群负责等效电路模型中的一个待辨识参数的优化;
参数辨识结果映像表用于实时存储各个参数粒子群所得出的待辨识参数的优化结果,参数辨识结果映像表中所存储的数据的数量与结构明确的等效电路模型中的待辨识参数的数量相同;
参数辨识算法接收的电池运行数据按时间顺序存储在参数辨识窗口内;
参数辨识窗口按取样时间顺序存储当前取样时刻之前的固定数量的多个电池测量数据取样值;每一个电池测量数据取样值都是一组电池测量数据,包括电池端电压、电池负载电流和电池运行温度;
参数辨识算法在参数辨识窗口更新了不少于一组的电池测量数据后触发一个寻优周期;在一个寻优周期内,参数辨识算法从多个参数粒子群中按次序选取一个参数粒子群作为当前进化的参数粒子群,并在在下一次电池测量数据取样时刻到来之前的这段时间内对当前进化的参数粒子群进行有限步的优化计算;一旦某个参数粒子群被选为当前进化的参数粒子群并完成了相应的优化计算后,直到其他所有参数粒子群都完成优化计算后,它才会被重新选为当前进化的参数粒子群并进行相应的优化计算;优化计算指的是当前参数粒子群中的所有粒子的位置和速度更新有限次数;
该方法具体包括以下步骤:
步骤1:初始化,具体包括如下步骤:
步骤1.1:顺次定义N个参数粒子群:PPS(1),PPS(2),…,PPS(N);其中,N是等效电路模型的待辨识参数数量;
步骤1.2:为步骤1.1中的每个PPS都定义M个粒子,每个参数粒子群中的M个粒子位置都按式(11)逐个初始化;
式中,BU、BL为参数粒子群对应的一个等效电路模型参数取值的上界和下界,rand∈[0,1)是随机数;m为粒子编号;M为当前参数群中具有的粒子的数量;Pm为第m个粒子;
步骤1.3:各PPS均随机指定它的一个粒子作为它的当前最优粒子,最优粒子的位置作为当前PPS所对应的ECM参数的当前最优结果存储在参数辨识结果映像表内;
步骤1.4:定义当前进化的参数粒子群:Sc=PPS(n);其中,n是当前进化PPS的顺序号,n=1,2,…,N;
步骤2:读取k时刻的电池电压和电流测量数据取样值uLk和iLk,将读取的数据存储在参数辨识窗口内;
步骤3:对当前参数粒子群进行进化,具体包括如下步骤:
步骤3.1:使用当前参数映像表内的数据和等效电路模型的离散数学表达式计算出电池端电压的拟合结果该拟合结果是一个数据序列,它的长度与参数辨识窗口内所存储的电池电压和电流测量数据的个数相同,它的激励是参数辨识窗口内所存储的电流测量数据;
步骤3.2:通过式(4)对所有的粒子进行评价,计算结果最小的粒子作为当前参数粒子群的最优粒子;
步骤3.3:通过式(14)计算所有粒子的速度;对于第m#粒子,在第t次进化过程中其速度为:
Vm|t=ωVm|t-1+2r1(PG-Pm|t-1)+2r2(PH-Pm|t-1) (14);
式中,ω为学习系数,r1和r2为PSO的性能参数,取值区间为(0,1);Vm|t表示m#粒子在t时刻的速度;PG是全局最优粒子的位置;PH是历史最优粒子的位置;Pm|t-1是m#粒子在t时刻的位置;
步骤3.4:通过式(15)更新所有粒子的位置;
Pi (g)=Pi (g-1)+Vi (g) (15);
式中Pi (g)表示第i#粒子在第g次进化中应出现的位置;Pi (g-1)表示第i#粒子在第g-1次进化中出现的位置;Vi (g)表示第i#粒子在第g次进化中所具有的速度;
如果某一粒子过于接近当前最优粒子,则当前粒子的位置按式(11)重新初始化;
步骤4:用当前参数粒子群的最优粒子的位置更新参数辨识结果映像表内的对应参数结果;
步骤5:按顺序取出步骤1中定义的当前进化的参数粒子群的下一个参数粒子群PPS(n+1),并将其作为当前进化的参数粒子群;如果PPS(n+1)的序号大于或等于步骤1中定义的群的数量,则取PPS(0)作为当前进化的参数粒子群;
步骤6:等待,直到第k+1次测量数据产生;
步骤7:重复执行步骤2-步骤6,直到所有的参数粒子群都完成优化计算,此时参数辨识结果映像表内的数据即为电池等效参数的当前最优辨识结果。
2.根据权利要求1所述的基于协同进化粒子群算法的电池等效参数辨识方法,其特征在于:参数辨识窗口的数据结构实现形式是一个定长的环形队列,环形队列中的每个数据元素均包括了测量时间、电压测量值、电流测量值和温度测量值;新存储进参数辨识窗口的数据元素覆盖最古老的数据元素。
3.根据权利要求1所述的基于协同进化粒子群算法的电池等效参数辨识方法,其特征在于:该方法还包括一个具有用于判断电池端电压拟合精度的拟合度计算方法;
拟合度计算方法用于计算在各个取样时间点上的两组电压数据之间的差值的代数和,这两组电压分别是:(1)参数辨识窗口内存储的电池端电压实测值;(2)电池等效电路等型拟合出的电池端电压估计值;电池端电压估计值使用当前参数辩识窗口内存储的实测电池负载电流作为激励,通过递推计算得出的电池等效模型的输出端电压;
在当前寻优周期内,拟合度计算方法中所使用的等效模型的参数包括两部分:(1)参数辨识结果映像表中除当前算法周期内正在优化的等效模型参数外的所有参数,这些参数在当前算法周期内不变;(2)当前进化的参数粒子群中的多个粒子的位置代表的当前优化参数的多个可行解之一;参数辨识算法使用上述两类参数逐一计算当前进化的参数粒子群中的各个粒子的拟合度,将拟合度计算结果代数值最低的粒子标记为当前进化的参数粒子群的最优粒子;得出最优粒子后,使用最优粒子的位置值更新参数辨识结果映像表中当前寻优计算所对应的模型参数值。
4.根据权利要求1所述的基于协同进化粒子群算法的电池等效参数辨识方法,其特征在于:参数辨识算法的参数寻优计算分布在各个电池运行数据取样间隔内进行,并且每一个取样间隔内的寻优计算仅针对多个参数粒子群中的某一个开展。
5.根据权利要求1所述的基于协同进化粒子群算法的电池等效参数辨识方法,其特征在于:当前参数辨识结果映像表中所存储的等效模型参数值即是当前等效模型参数的最优值;随着算法不断接收到新的电池测量数据,当前等效模型参数的最优值也不断变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911124194.5A CN111046527A (zh) | 2019-11-18 | 2019-11-18 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911124194.5A CN111046527A (zh) | 2019-11-18 | 2019-11-18 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046527A true CN111046527A (zh) | 2020-04-21 |
Family
ID=70232111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911124194.5A Withdrawn CN111046527A (zh) | 2019-11-18 | 2019-11-18 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046527A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 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 |
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 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933307A (zh) * | 2015-06-15 | 2015-09-23 | 西北工业大学 | 基于粒子群优化算法的太阳电池隐式方程参数辨识方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
-
2019
- 2019-11-18 CN CN201911124194.5A patent/CN111046527A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933307A (zh) * | 2015-06-15 | 2015-09-23 | 西北工业大学 | 基于粒子群优化算法的太阳电池隐式方程参数辨识方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
Non-Patent Citations (2)
Title |
---|
ZHIHAO YU.ETC: ""Model Parameter Identification for Lithium Batteries Using the Coevolutionary Particle Swarm Optimization Method"" * |
李洪宇;王群京;李国丽;谢芳;谢鹏;杨新年;: "基于扩展卡尔曼滤波器的电机参数辨识算法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 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 |
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 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
CN117310508B (zh) * | 2023-11-30 | 2024-02-27 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046527A (zh) | 一种基于协同进化粒子群算法的电池等效参数辨识方法 | |
Yu et al. | Model parameter identification for lithium batteries using the coevolutionary particle swarm optimization method | |
CN113030764B (zh) | 一种电池组健康状态估计方法及系统 | |
CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
Sui et al. | Fuzzy entropy-based state of health estimation for Li-ion batteries | |
CN109726501A (zh) | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN116028822B (zh) | 一种电能表误差状态评估方法、系统、设备及存储介质 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
Duan et al. | State of charge estimation of lithium-ion batteries based on second-order adaptive extended Kalman filter with correspondence analysis | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN112036083A (zh) | 一种相似产品剩余寿命预测方法及系统 | |
Yao et al. | Novel lithium-ion battery state-of-health estimation method using a genetic programming model | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN107121641B (zh) | 一种基于粒子群优化的电池状态估计方法 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
CN117630681A (zh) | 基于组合模型的蓄电池性能预测方法及系统 | |
CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
CN113376541B (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
Chu et al. | Parameter identification and SOC estimation of lithium-ion batteries based on AGCOA-ASRCKF | |
CN114896865B (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200421 |
|
WW01 | Invention patent application withdrawn after publication |