CN113049960A - 一种基于智能优化算法的电池健康状态估计方法 - Google Patents
一种基于智能优化算法的电池健康状态估计方法 Download PDFInfo
- Publication number
- CN113049960A CN113049960A CN202110169181.0A CN202110169181A CN113049960A CN 113049960 A CN113049960 A CN 113049960A CN 202110169181 A CN202110169181 A CN 202110169181A CN 113049960 A CN113049960 A CN 113049960A
- Authority
- CN
- China
- Prior art keywords
- particles
- algorithm
- battery
- particle
- pop
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 91
- 230000009191 jumping Effects 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 6
- 101100495597 Orientia tsutsugamushi groES gene Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000010926 waste battery Substances 0.000 description 1
Images
Classifications
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于智能优化算法的电池健康状态估计方法,包括以下步骤:步骤一、采用粒子群‑遗传算法实现电池模型参数在线辨识;步骤二、在PF算法中,利用粒子群‑遗传算法得到电池的模型参数,实现电池荷电状态的实时现在更新;步骤三、计算电池的健康状态。本发明通过建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并利用遗传算法的更新、迭代、变异特征实现粒子的快速迭代而使算法迅速收敛,并在此基础上,利用粒子算法(PF)及电池状态空间方程实现电池SOH的在线估计。
Description
技术领域
本发明属于技术领域,特别是涉及一种基于智能优化算法的电池健康状态估计方法。
背景技术
随着环境污染和能源危机的不断加剧,各国政府都在努力寻找新的能源利用方式,以缓解环境污染和提高能源利用效率。以锂离子动力电池系统为动力的新能源汽车具有能量密度高、自放电低、环境友好的特点而得到广泛的利用。但是,锂离子电池系统作为一个典型的复杂系统,在使用时受电池特性及工作环境的影响,动力电池的安全使用以及废旧电池的回收利用一直是人们关注的重点。对于汽车用电池系统在使用过程中,当电池的健康状态下降到80%左右时,将不再适合用于汽车动力系统。若将这些电池直接报废处理,将会造成资源的极大浪费。为解决该实际问题,通常需要准确估计电池的健康状态。为此,本发明设计了一种基于智能优化算法的电池健康状态估计方法。
发明内容
本发明的目的在于提供一种基于智能优化算法的电池健康状态估计方法,通过建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并利用遗传算法的更新、迭代、变异特征实现粒子的快速迭代而使算法迅速收敛,并在此基础上,利用粒子算法(PF)及电池状态空间方程实现电池SOH的在线估计;利用电池管理系统实时数据实现电池健康状态的准确估计,具有方法简单,控制方便。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于智能优化算法的电池健康状态估计方法,包括以下步骤:
步骤一、采用粒子群-遗传算法实现电池模型参数在线辨识,建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并使算法迅速收敛,包括以下子步骤:
Stp01、初始化随机粒子随机位置X和粒子随机速度V,粒子数量为pop_size,粒子数为M,由GA算法产生的粒子数为pop_size_M;PSO迭代次数为k_max,PSO-GA算法的最大迭代次数为max_gen;
Stp02、创建pop_size个随机粒子和计算并排列粒子的适度值;
Stp03、设置gen=1;
Stp04、如果gen≤max_gen,跳转到步骤Stp05;否则跳转到步骤Stp13;
Stp05、设置k=1;
Stp06、如果k≤max_k,跳转到步骤Stp07;否则跳转到步骤Stp09;
Stp07、更新第k个粒子的位置和速度:
其中r1、r2∈(0,1);c1和c2等于2.05,νi,k和xi,k分别表示第k次迭代后粒子i当前的移动速度和当前位置,pbest表示粒子当前的最优位置,gbest表示粒子历史最优位置,最大迭代次数为G;
Stp08、k=k+1返回步骤Stp06;
Stp09、按照适度值对pop_size各粒子排序;
Stp10、将适度值不满足要求的pop_size_M个粒子剔除,并采用GA算法产生pop_size_M个新的粒子:
其中,N表示所有的粒子个数,fi表示第i个粒子的适度值,fmax表示N个粒子最大的适度值;
Stp11、组合pop_size-M和M个粒子;
Stp12、gen=gen+1跳转到步骤Stp04;
Stp13、获取最优值,得到辨识结果;
步骤二:在PF算法中,利用粒子群-遗传算法得到电池的模型参数,实现电池荷电状态的实时现在更新,包括以下子步骤:
SS01、初始化N个随机粒子;
SS02、设置k=1,i=1;
SS03、重要性采样:观测噪声大小为Q,计算粒子的权值:
SS04、权值归一化:
SS05、重采样:计算粒子的有效性,判断是否需要重采样,如需跳转到步骤SS02,否则跳转到步骤SS06;
SS06、更新系统观测值:
SS07、i=i+1。如果i<N返回步骤SS04,否则跳转到步骤SS08;
SS08、计算系统的观测值:
SS09、k=k+1,跳转到步骤SS02;
步骤三:利用下述公式计算电池的健康状态(SOH):
本发明具有以下有益效果:
本发通过建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并利用遗传算法的更新、迭代、变异特征实现粒子的快速迭代而使算法迅速收敛,并在此基础上,利用粒子算法(PF)及电池状态空间方程实现电池SOH的在线估计;利用电池管理系统实时数据实现电池健康状态的准确估计,具有方法简单,控制方便。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为一种基于智能优化算法的电池健康状态估计方法的流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于智能优化算法的电池健康状态估计方法,采用粒子群-遗传算法的电池模型参数在线辨识、采用粒子滤波算法的电池参数在线辨识和电池SOH实时估计;包括以下步骤:
步骤一、采用粒子群-遗传算法实现电池模型参数在线辨识,建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并使算法迅速收敛,输入参数包括电池工作电压、温度、荷电状态;包括以下子步骤:
Stp01、初始化随机粒子随机位置X和粒子随机速度V,粒子数量为pop_size,粒子数为M,由GA算法产生的粒子数为pop_size_M;PSO迭代次数为k_max,PSO-GA算法的最大迭代次数为max_gen;
Stp02、创建pop_size个随机粒子和计算并排列粒子的适度值;
Stp03、设置gen=1;
Stp04、如果gen≤max_gen,跳转到步骤Stp05;否则跳转到步骤Stp13;
Stp05、设置k=1;
Stp06、如果k≤max_k,跳转到步骤Stp07;否则跳转到步骤Stp09;
Stp07、更新第k个粒子的位置和速度:
其中r1、r2∈(0,1);c1和c2等于2.05,νi,k和xi,k分别表示第k次迭代后粒子i当前的移动速度和当前位置,pbest表示粒子当前的最优位置,gbest表示粒子历史最优位置,最大迭代次数为G;
Stp08、k=k+1返回步骤Stp06;
Stp09、按照适度值对pop_size各粒子排序;
Stp10、将适度值不满足要求的pop_size_M个粒子剔除,并采用GA算法产生pop_size_M个新的粒子:
其中,N表示所有的粒子个数,fi表示第i个粒子的适度值,fmax表示N个粒子最大的适度值;
Stp11、组合pop_size-M和M个粒子;
Stp12、gen=gen+1跳转到步骤Stp04;
Stp13、获取最优值,得到辨识结果;
步骤二:在PF算法中,利用粒子群-遗传算法得到电池的模型参数,实现电池荷电状态的实时现在更新,包括以下子步骤:
SS01、初始化N个随机粒子;
SS02、设置k=1,i=1;
SS03、重要性采样:观测噪声大小为Q,计算粒子的权值:
SS04、权值归一化:
SS05、重采样:计算粒子的有效性,判断是否需要重采样,如需跳转到步骤SS02,否则跳转到步骤SS06;
SS06、更新系统观测值:
SS07、i=i+1。如果i<N返回步骤SS04,否则跳转到步骤SS08;
SS08、计算系统的观测值:
SS09、k=k+1,跳转到步骤SS02;
步骤三:利用下述公式计算电池的健康状态(SOH):
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.一种基于智能优化算法的电池健康状态估计方法,其特征在于:包括以下步骤:
步骤一、采用粒子群-遗传算法实现电池模型参数在线辨识,建立一个群体为M的粒子群,利用粒子之间的个体与群体之间的信息共享,通过修改个体和群体的最优解实现参数辨识,并使算法迅速收敛,包括以下子步骤:
Stp01、初始化随机粒子随机位置X和粒子随机速度V,粒子数量为pop_size,粒子数为M,由GA算法产生的粒子数为pop_size_M;PSO迭代次数为k_max,PSO-GA算法的最大迭代次数为max_gen;
Stp02、创建pop_size个随机粒子和计算并排列粒子的适度值;
Stp03、设置gen=1;
Stp04、如果gen≤max_gen,跳转到步骤Stp05;否则跳转到步骤Stp13;
Stp05、设置k=1;
Stp06、如果k≤max_k,跳转到步骤Stp07;否则跳转到步骤Stp09;
Stp07、更新第k个粒子的位置和速度:
其中r1、r2∈(0,1);c1和c2等于2.05,νi,k和xi,k分别表示第k次迭代后粒子i当前的移动速度和当前位置,pbest表示粒子当前的最优位置,gbest表示粒子历史最优位置,最大迭代次数为G;
Stp08、k=k+1返回步骤Stp06;
Stp09、按照适度值对pop_size各粒子排序;
Stp10、将适度值不满足要求的pop_size_M个粒子剔除,并采用GA算法产生pop_size_M个新的粒子:
其中,N表示所有的粒子个数,fi表示第i个粒子的适度值,fmax表示N个粒子最大的适度值;
Stp11、组合pop_size-M和M个粒子;
Stp12、gen=gen+1跳转到步骤Stp04;
Stp13、获取最优值,得到辨识结果;
步骤二:在PF算法中,利用粒子群-遗传算法得到电池的模型参数,实现电池荷电状态的实时现在更新,包括以下子步骤:
SS01、初始化N个随机粒子;
SS02、设置k=1,i=1;
SS03、重要性采样:观测噪声大小为Q,计算粒子的权值:
SS04、权值归一化:
SS05、重采样:计算粒子的有效性,判断是否需要重采样,如需跳转到步骤SS02,否则跳转到步骤SS06;
SS06、更新系统观测值:
SS07、i=i+1。如果i<N返回步骤SS04,否则跳转到步骤SS08;
SS08、计算系统的观测值:
SS09、k=k+1,跳转到步骤SS02;
步骤三:利用下述公式计算电池的健康状态(SOH):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169181.0A CN113049960A (zh) | 2021-02-07 | 2021-02-07 | 一种基于智能优化算法的电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169181.0A CN113049960A (zh) | 2021-02-07 | 2021-02-07 | 一种基于智能优化算法的电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113049960A true CN113049960A (zh) | 2021-06-29 |
Family
ID=76508904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169181.0A Pending CN113049960A (zh) | 2021-02-07 | 2021-02-07 | 一种基于智能优化算法的电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049960A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545280A (zh) * | 2022-02-24 | 2022-05-27 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
Citations (5)
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 |
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 |
CN110197250A (zh) * | 2019-05-23 | 2019-09-03 | 合肥工业大学智能制造技术研究院 | 一种多因素影响的动力电池参数在线辨识方法 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
-
2021
- 2021-02-07 CN CN202110169181.0A patent/CN113049960A/zh active Pending
Patent Citations (5)
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 |
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 |
CN110197250A (zh) * | 2019-05-23 | 2019-09-03 | 合肥工业大学智能制造技术研究院 | 一种多因素影响的动力电池参数在线辨识方法 |
CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
Non-Patent Citations (2)
Title |
---|
XU ZHANG 等: "A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm", JOURNAL OF POWER SOURCES, 23 January 2018 (2018-01-23), pages 2 - 3 * |
张旭: "基于系统复杂性分析的锂电池组状态估计与安全管理", 中国优秀博士论文全文数据库 工程科技II辑, 15 November 2018 (2018-11-15), pages 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545280A (zh) * | 2022-02-24 | 2022-05-27 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
CN114545280B (zh) * | 2022-02-24 | 2022-11-15 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bechouat et al. | Energy storage based on maximum power point tracking in photovoltaic systems: a comparison between GAs and PSO approaches | |
CN110929920A (zh) | 一种基于工况识别的混合动力列车能量管理方法 | |
Liu et al. | Multi-objective optimization of energy management strategy on hybrid energy storage system based on radau pseudospectral method | |
CN109884526A (zh) | 基于纵横交叉优化模糊bp神经网络的电池故障诊断方法 | |
Chen et al. | Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network | |
CN110276120A (zh) | 一种基于电热耦合的全钒液流电池储能系统等效方法 | |
CN113049960A (zh) | 一种基于智能优化算法的电池健康状态估计方法 | |
CN114595961A (zh) | 一种生物质能多能源利用系统调度方法及装置 | |
CN106451504A (zh) | 一种混合储能系统配置成本的控制方法及装置 | |
Aboelezz et al. | Electric vehicle battery charging framework using artificial intelligence modeling of a small wind turbine based on experimental characterization | |
Oubelaid et al. | Intelligent control of PMSM-driven electric vehicles using fuzzy logic and genetic algorithm | |
CN117538757A (zh) | 电池soc估计方法及电源管理系统 | |
CN112345940A (zh) | 基于soc预估的车辆复合电源系统模糊逻辑控制方法 | |
CN116865271A (zh) | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 | |
Raj et al. | Numerical Simulation and Comparative Assessment of Improved Cuckoo Search and PSO based MPPT System for Solar Photovoltaic System Under Partial Shading Condition | |
CN114583696A (zh) | 基于bp神经网络和场景匹配的配电网无功优化方法及系统 | |
CN116244888A (zh) | 基于mpc序列凸优化的混合电动无人机能源管理方法 | |
CN115912331A (zh) | 一种智能风光互补发电系统的功率调节方法 | |
CN112952914B (zh) | 一种多能互补电力系统多目标运行优化方法 | |
Jomaa et al. | Design and control of the hybrid system PV-Wind connected to the DC load | |
CN115473306A (zh) | 一种基于智能算法的混合储能系统再利用调控方法 | |
CN107529587A (zh) | 基于遗传算法的风光互补最大功率追踪方法 | |
CN109066797B (zh) | 含光伏发电的电力系统运行控制方法及装置 | |
Lazizi et al. | Fuzzy logic MPPT control for a solar PV module applied to water pumping | |
CN108233373B (zh) | 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法 |
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 |