CN111260015A - 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 - Google Patents

一种基于混沌猫群算法的锂离子电池模型参数辨识方法 Download PDF

Info

Publication number
CN111260015A
CN111260015A CN202010024824.8A CN202010024824A CN111260015A CN 111260015 A CN111260015 A CN 111260015A CN 202010024824 A CN202010024824 A CN 202010024824A CN 111260015 A CN111260015 A CN 111260015A
Authority
CN
China
Prior art keywords
cat
fitness
cats
chaotic
lithium ion
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
CN202010024824.8A
Other languages
English (en)
Inventor
聂晓华
刘意期
万晓凤
余运俊
王淳
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.)
Lattice Power Jiangxi Corp
Nanchang University
Original Assignee
Lattice Power Jiangxi Corp
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 Lattice Power Jiangxi Corp filed Critical Lattice Power Jiangxi Corp
Priority to CN202010024824.8A priority Critical patent/CN111260015A/zh
Publication of CN111260015A publication Critical patent/CN111260015A/zh
Pending legal-status Critical Current

Links

Images

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]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明公开了一种基于混沌猫群的锂离子电池模型参数辨识方法，涉及及电力技术领域，本发明通过引进混沌猫群算法对锂离子电池模型进行参数辨识，由于猫群算法能够同时进行局部搜索和全局搜索，且在猫群的基础上引进了混沌算法提高了算法遍历性大大地提高了全局最优解的收敛度。

Description

一种基于混沌猫群算法的锂离子电池模型参数辨识方法
技术领域
本发明涉及电力技术领域，具体涉及一种基于混沌猫群算法的锂离子电池模 型参数辨识方法。
背景技术
锂离子电池的容量大，适中的电压，广泛的来源以及其循环使用寿命长、性 能好、对环境无污染等特点，被越来越广泛地应用在正在迅速发展的新能源电动 汽车上。而锂离子电池SOC代表的是电池使用一段时间或长期搁置不用后的剩 余可放电电量与其完全充电状态的电量的比值，准确的估计SOC，能为使用者 提供电动汽车所能行驶的剩余里程，保证锂离子电池工作在合理的电压范围内， 能有效的防止由于过充和过放对电池带来的损伤，延长电池的使用寿命，提高能 量的利用率，降低使用成本。因而准确的估计电池SOC对电动汽车尤为重要。 而建立一个电池模型，并对电池模型参数进行辨识是准确估计电池SOC的关键 所在。而现有对电池模型参数进行辨识的方法收敛速度较慢。
发明内容
为解决现有技术问题，本发明通过引进混沌猫群算法对锂离子电池模型进行 参数辨识，由于猫群算法能够同时进行局部搜索和全局搜索，且在猫群的基础上 引进了混沌算法提高了算法遍历性大大地提高了全局最优解的收敛度。
本发明具体采用以下技术方案：
一种基于混沌猫群的锂离子电池模型参数辨识方法，包括以下步骤：
S1：初始化猫群，设置猫群优化算法的群体大小为N，最大迭代次数为kmax， 分组率MR，随机初始化猫群体位置；
S2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的 猫；
S3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个 猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜 寻模式，少数猫处于跟踪模式；
S4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫 的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多， 复制个体的公式为：
Figure BDA0002362076430000021
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i 只猫的适应度；N为猫的初始化群体总数；执行变异算子，即随机在原来的位置 上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有 个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代 替当前猫的位置，完成算法输出参数的更新；
Step5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优 解为Xbest(n)，每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的 随机数；惯性权重w更新公式如下：
Figure BDA0002362076430000022
其中，k为迭代指标，kmax为最大迭代数；每个猫的位置更新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)
式中Xi(n+1)表示位置更新后第i只猫的位置；计算适应度值，用适应度值最 小的猫更新最初的猫的位置；
S6：记录保留种群中适应度最优的猫；
S7：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，判断 全局最优解是否得到改善，若改善了，则重复步骤S2到S6；否则根据
Figure BDA0002362076430000023
对常规变量
Figure BDA0002362076430000024
进行映射变换，映射后的混沌变量
Figure BDA0002362076430000025
处[0 1]于之间，运用
Figure BDA0002362076430000026
对混沌变量
Figure BDA0002362076430000027
混沌映射得到
Figure BDA0002362076430000028
再通过
Figure BDA0002362076430000031
对混沌变量
Figure BDA0002362076430000032
进行映射变换，得到下一次迭代中的常规变量
Figure BDA0002362076430000033
后，再重复S2到S6；
S8：根据S7求得的最优结果，分别求出二阶RC电路模型中Uocv，R1，R2， C1，C2。
进一步的方案是，S1中所述的初始化种群是根据锂离子电池电压回弹特性 曲线以及二阶RC电路模型在放电结束后的零输入响应方程：U(t)＝UOCV-U(R1)*e-t/τ1-U(R2)*e-t/τ2，相对应的初始化相关的5个参数，其中5个参数分别表示：x1＝ Uocv，x2＝U(R1)，x3＝τ1，x4＝U(R2)，x5＝τ2；对于式U(t)＝x1-x2*e-t/x3-x4*e-t/x5， 在任意解x＝[x1 x2 x3 x4 x5]下，任意时刻都有唯一确定的y(t)与之对应； 即在任意时刻都可由动力电池模型参数确定唯一的端电压值，可建立如下目标函 数:
Figure BDA0002362076430000034
进一步的方案是，S7中所述的混沌映射为Tent混沌映射；其数学表达式为：
xn+1＝a-1-a|xn|，a∈(1，2)
当a≤1时，Tent混沌映射处于稳定状态；当a>1时，处于混沌状态；当a＝2时， 为中心Tent映射，其数学表达式为：
Figure BDA0002362076430000035
进一步的方案是，S8中所述的二阶RC电路模型中的Uocv、R1、R2、C1、 C2是根据Uocv＝x1，x2＝U(R1)＝I*R1，x3＝τ1＝R1*C1，x4＝U(R2)＝I*R2，x5＝τ2＝R2*C2求出的。
本发明的有益效果：
通过引进混沌猫群算法对锂离子电池模型进行参数辨识，由于猫群算法能够 同时进行局部搜索和全局搜索，且在猫群的基础上引进了混沌算法提高了算法遍 历性,大大地提高了全局最优解的收敛度。
附图说明
图1为本发明实施例一种基于混沌猫群算法的锂离子电池模型参数辨识方 法的流程图；
图2为二阶RC等效电路模型示意图；
图3本发明实施例中的锂离子电池端电压在SOC＝0.9时的回弹特性曲线图。
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。
如图1所示，本发明的一个实施例公开了一种基于混沌猫群的锂离子电池模 型参数辨识方法，包括以下步骤，其中需要进行参数辨识的锂电池的型号为：INR 18650-20R；
S1：初始化猫群，设置猫群优化算法的群体大小为N＝20，最大迭代次数为 kmax＝500，分组率MR＝0.3，随机初始化猫群体位置；
S2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的 猫；
S3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个 猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜 寻模式，少数猫处于跟踪模式；
S4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫 的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多， 复制个体的公式为：
Figure BDA0002362076430000041
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i 只猫的适应度；N为猫的初始化群体总数；执行变异算子，即随机在原来的位置 上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有 个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代 替当前猫的位置，完成算法输出参数的更新；
Step5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优 解为Xbest(n)，每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的 随机数；惯性权重w更新公式如下：
Figure BDA0002362076430000051
其中，k为迭代指标，kmax为最大迭代数，wmax＝0.5，wmin＝0.1，每个猫的位置更 新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)
式中Xi(n+1)表示位置更新后第i只猫的位置；计算适应度值，用适应度值最 小的猫更新最初的猫的位置；
S6：记录保留种群中适应度最优的猫；
S7：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，判断 全局最优解是否得到改善，若改善了，则重复步骤S2到S6；否则根据
Figure BDA0002362076430000052
对常规变量
Figure BDA0002362076430000053
进行映射变换，映射后的混沌变量
Figure BDA0002362076430000054
处[0 1]于之间，运用
Figure BDA0002362076430000055
对混沌变量
Figure BDA0002362076430000056
混沌映射得到
Figure BDA0002362076430000057
再通过
Figure BDA0002362076430000058
对混沌变量
Figure BDA0002362076430000059
进行映射变换，得到下一次迭代中的常规变量
Figure BDA00023620764300000510
后，再重复S2到S6；
S8：根据S7求得的最优结果，分别求出二阶RC电路模型中Uocv，R1，R2， C1，C2，二阶RC电路模型如图2所示。
在本实施例中，如图3所示，SOC＝0.9时，S1中所述的初始化种群是根据 锂离子电池电压回弹特性曲线以及二阶RC电路模型在放电结束后的零输入响应 方程：U(t)＝UOCV-U(R1)*e-t/τ1-U(R2)*e-t/τ2，相对应的初始化相关的5个参数，其 中5个参数分别表示：x1＝Uocv，x2＝U(R1)，x3＝τ1，x4＝U(R2)，x5＝τ2；对于 式U(t)＝x1-x2*e-t/x3-x4*e-t/x5，在任意解x＝[x1 x2 x3 x4 x5]下，任意时刻都 有唯一确定的y(t)与之对应；即在任意时刻都可由动力电池模型参数确定唯 一的端电压值，可建立如下目标函数:
Figure BDA0002362076430000061
在本实施例中，S7中所述的混沌映射为Tent混沌映射；其数学表达式为：
xn+1＝a-1-a|xn|，a∈(1，2)
当a≤1时，Tent混沌映射处于稳定状态；当a>1时，处于混沌状态；当a＝2时， 为中心Tent映射，其数学表达式为：
Figure BDA0002362076430000062
Tent映射又被称为帐篷映射，是分段线性的一维映射，与Logistic相比，具 有均匀的功率谱密度、概率密度和理想的相关特性，更快的迭代速度。
在本实施例中，S8中所述的二阶RC电路模型中的Uocv、R1、R2、C1、C2是根据Uocv＝x1，x2＝U(R1)＝I*R1，x3＝τ1＝R1*C1，x4＝U(R2)＝I*R2，x5＝τ2＝R2*C2求出的。
最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并 不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替 代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等 变换和修改，都涵盖在本发明范围内。

Claims (4)

1.一种基于混沌猫群的锂离子电池模型参数辨识方法，其特征在于：包括以下步骤：
S1：初始化猫群，设置猫群优化算法的群体大小为N，最大迭代次数为kmax，分组率MR，随机初始化猫群体位置；
S2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的猫；
S3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜寻模式，少数猫处于跟踪模式；
S4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多，复制个体的公式为：
Figure RE-FDA0002447671300000011
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i只猫的适应度；N为猫的初始化群体总数；执行变异算子，即随机在原来的位置上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代替当前猫的位置，完成算法输出参数的更新；
Step5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优解为Xbest(n)，每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]；
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的随机数；惯性权重w更新公式如下：
Figure RE-FDA0002447671300000012
其中，k为迭代指标，kmax为最大迭代数；每个猫的位置更新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)；
式中Xi(n+1)表示位置更新后第i只猫的位置；计算适应度值，用适应度值最小的猫更新最初的猫的位置；
S6：记录保留种群中适应度最优的猫；
S7：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，判断全局最优解是否得到改善，若改善了，则重复步骤S2到S6；否则根据
Figure RE-FDA0002447671300000021
对常规变量Cxi j(t)进行映射变换，映射后的混沌变量xi j(t)处[01]于之间，运用
Figure RE-FDA0002447671300000022
对混沌变量xi j(t)混沌映射得到xi j(t+1)，再通过
Figure RE-FDA0002447671300000023
对混沌变量xi j(t+1)进行映射变换，得到下一次迭代中的常规变量Cxi j(t+1)后，再重复S2到S6；
S8：根据S7求得的最优结果，分别求出二阶RC电路模型中Uocv，R1，R2，C1，C2。
2.根据权利要求1所述的一种基于混沌猫群算法的锂离子电池模型参数辨识方法，其特征在于：
S1中所述的初始化种群是根据锂离子电池电压回弹特性曲线以及二阶RC电路模型在放电结束后的零输入响应方程：U(t)＝UOCV-U(R1)*e-t/τ1-U(R2)*e-t/τ2，相对应的初始化相关的5个参数，其中5个参数分别表示：x1＝Uocv，x2＝U(R1)，x3＝τ1，x4＝U(R2)，x5＝τ2；对于式U(t)＝x1-x2*e-t/x3-x4*e-t/x5，在任意解x＝[x1 x2 x3 x4 x5]下，任意时刻都有唯一确定的y(t)与之对应；即在任意时刻都可由动力电池模型参数确定唯一的端电压值，可建立如下目标函数：
Figure FDA0002362076420000024
3.根据权利要求1所述的一种基于混沌猫群算法的锂离子电池模型参数辨识方法，其特征在于：
S7中所述的混沌映射为Tent混沌映射；其数学表达式为：
xn+1＝a-1-a|xn|，a∈(1，2)
当a≤1时，Tent混沌映射处于稳定状态；当a>1时，处于混沌状态；当a＝2时，为中心Tent映射，其数学表达式为：
Figure FDA0002362076420000031
4.根据权利要求1所述的一种基于混沌猫群算法的锂离子电池模型参数辨识方法，其特征在于：
S8中所述的二阶RC电路模型中的Uocv、R1、R2、C1、C2是根据Uocv＝x1，x2＝U(R1)＝I*R1，x3＝τ1＝R1*C1，x4＝U(R2)＝I*R2，x5＝τ2＝R2*C2求出的。
CN202010024824.8A 2020-01-10 2020-01-10 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 Pending CN111260015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010024824.8A CN111260015A (zh) 2020-01-10 2020-01-10 一种基于混沌猫群算法的锂离子电池模型参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010024824.8A CN111260015A (zh) 2020-01-10 2020-01-10 一种基于混沌猫群算法的锂离子电池模型参数辨识方法

Publications (1)

Publication Number Publication Date
CN111260015A true CN111260015A (zh) 2020-06-09

Family

ID=70948563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010024824.8A Pending CN111260015A (zh) 2020-01-10 2020-01-10 一种基于混沌猫群算法的锂离子电池模型参数辨识方法

Country Status (1)

Country Link
CN (1) CN111260015A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596507A (zh) * 2021-01-14 2021-04-02 南京航空航天大学 传感器故障下的多时滞非线性系统滑模预测容错控制方法
CN113341690A (zh) * 2021-05-08 2021-09-03 南昌大学 一种基于混沌改进猫群算法的sapf参数辨识方法
CN113363963A (zh) * 2021-05-20 2021-09-07 南昌大学 一种改进麻雀搜索算法优化三相sapf直流侧控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197251A (zh) * 2013-02-27 2013-07-10 山东省科学院自动化研究所 一种动力锂电池二阶rc等效模型的辨识方法
CN105974794A (zh) * 2016-06-08 2016-09-28 江南大学 基于改进的猫群算法的离散制造车间调度方法
CN108872870A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197251A (zh) * 2013-02-27 2013-07-10 山东省科学院自动化研究所 一种动力锂电池二阶rc等效模型的辨识方法
CN105974794A (zh) * 2016-06-08 2016-09-28 江南大学 基于改进的猫群算法的离散制造车间调度方法
CN108872870A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法
CN110007240A (zh) * 2019-04-26 2019-07-12 贵州大学 一种锂离子电池剩余寿命预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
XIAOHUA NIE 等: "Chaos Quantum-Behaved Cat Swarm Optimization Algorithm and Its Application in the PV MPPT", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
张营 等: "一种航空发动机性能衰退预测的优化算法", 《中国机械工程》 *
朱雪仪 等: "猫群算法的锂离子电池辨识参数及仿真", 《电池》 *
李明伟 等: "《智能预测方法及其在能源领域的应用》", 31 March 2019, 哈尔滨工程大学出版社 *
罗勇 等: "基于模拟退火算法的锂电池模型参数辨识", 《汽车工程》 *
聂晓华: "混沌改进猫群算法及其在光伏 MPPT 中的应用", 《中国电机工程学报》 *
马晓军 等: "《坦克武器稳定系统建模与控制技术》", 31 May 2019, 国防工业出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596507A (zh) * 2021-01-14 2021-04-02 南京航空航天大学 传感器故障下的多时滞非线性系统滑模预测容错控制方法
CN113341690A (zh) * 2021-05-08 2021-09-03 南昌大学 一种基于混沌改进猫群算法的sapf参数辨识方法
CN113363963A (zh) * 2021-05-20 2021-09-07 南昌大学 一种改进麻雀搜索算法优化三相sapf直流侧控制方法

Similar Documents

Publication Publication Date Title
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN111260015A (zh) 一种基于混沌猫群算法的锂离子电池模型参数辨识方法
CN110688808B (zh) 一种动力电池模型的粒子群及lm优化混合迭代辨识方法
CN110609232B (zh) 一种锂离子电池soc估计方法、装置及终端设备
CN110806541B (zh) 一种基于ad-bas的锂电池模型参数辨识方法
CN113219343A (zh) 基于弹性网的锂电池健康状态预测方法、系统、设备及介质
CN111812519B (zh) 一种电池参数辨识方法及系统
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN111458646A (zh) 一种基于pso-rbf神经网络的锂电池soc估算方法
CN114705990B (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN114970332B (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
CN112526354A (zh) 一种锂电池健康状态估计方法
CN112307667A (zh) 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN113761789A (zh) 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法
CN116774088A (zh) 基于多目标优化的锂离子电池健康状态估计方法
CN109738807B (zh) 基于蚁群算法优化后的bp神经网络来估算soc的方法
CN115327389A (zh) 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法
CN114264964B (zh) 一种电池容量评估的方法、装置、设备及介质
CN115358484A (zh) 电池组容量预测方法及相关设备
CN114609525A (zh) 基于分数阶容积卡尔曼滤波的动力电池soc估计方法
CN114895206A (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法

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: 20200609

RJ01 Rejection of invention patent application after publication