CN113240194B - 储能电池容量预测方法、服务端及计算机可读存储介质 - Google Patents

储能电池容量预测方法、服务端及计算机可读存储介质 Download PDF

Info

Publication number
CN113240194B
CN113240194B CN202110625747.6A CN202110625747A CN113240194B CN 113240194 B CN113240194 B CN 113240194B CN 202110625747 A CN202110625747 A CN 202110625747A CN 113240194 B CN113240194 B CN 113240194B
Authority
CN
China
Prior art keywords
solution
battery
battery capacity
energy storage
formula
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.)
Active
Application number
CN202110625747.6A
Other languages
English (en)
Other versions
CN113240194A (zh
Inventor
李练兵
李思佳
李佳祺
李脉
李东颖
张佳伟
刘汉民
王阳
赵建华
任杰
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.)
State Grid Jibei Zhangjiakou Fengguang Storage And Transmission New Energy Co ltd
Hebei University of Technology
Original Assignee
State Grid Jibei Zhangjiakou Fengguang Storage And Transmission New Energy Co ltd
Hebei University of Technology
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 State Grid Jibei Zhangjiakou Fengguang Storage And Transmission New Energy Co ltd, Hebei University of Technology filed Critical State Grid Jibei Zhangjiakou Fengguang Storage And Transmission New Energy Co ltd
Priority to CN202110625747.6A priority Critical patent/CN113240194B/zh
Publication of CN113240194A publication Critical patent/CN113240194A/zh
Application granted granted Critical
Publication of CN113240194B publication Critical patent/CN113240194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供储能电池容量预测方法、服务端及计算机可读存储介质，其中储能电池容量预测方法包括以下步骤：获取电池数据，对电池数据进行预处理；在电池数据中选取电池容量退化特征量以及电池容量；初始化布谷鸟搜索算法参数并生成初始解，计算初始解的适应值；根据步长公式以及巢穴位置公式产生新解，比较初始解与新解的适应值，迭代获取最优解；将最优解的权值及阈值信息赋予Elman神经网络的参数空间，进行参数微调训练；将测试集输入至训练后的Elman神经网络中，输出电池容量的预测结果。通过上述方法，可提高电池剩余容量的预测速度以及预测精度。

Description

储能电池容量预测方法、服务端及计算机可读存储介质
技术领域
本公开一般涉及电池储能技术领域，具体涉及储能电池容量预测方法、服务端及计算机可读存储介质。
背景技术
储能电池广泛应用于新能源汽车、电站储能等领域，其可靠性和使用寿命是人们关注的焦点。精准预测储能电池的剩余电池容量对于保证电池的健康使用、延长电池的使用寿命有重要意义和价值，储能电池的剩余电池容量预测的方法研究已得到广泛关注和重视。
目前对于电池剩余容量的预测方法主要是模型法和数据驱动法，模型法由于其无法同时考虑环境和负载特性对电池容量退化的影响，因此往往无法实现精准建模；数据驱动法存在初始参数不易确定，预测速度较慢等缺陷；
针对以上问题，如何提高电池剩余容量的预测速度、预测精度，是一个需要解决的技术问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供可提高储能电池剩余容量的预测速度、预测精度的一种储能电池容量预测方法、服务端及计算机可读存储介质。
第一方面本申请提供一种储能电池容量预测方法，包括以下步骤：
获取电池数据，对所述电池数据进行预处理；在所述电池数据中选取电池容量退化特征量，作为Elman神经网络的输入，选取电池容量作为Elman神经网络的输出；将所述电池数据分为训练集和测试集；
初始化：初始化布谷鸟搜索算法参数并生成初始化种群中的N个初始解；所述种群中每个个体包含Elman神经网络的全部权值及阈值信息；计算所述初始解的适应值；
获取最优解：根据步长公式以及巢穴位置公式产生新解，比较所述初始解与所述新解的适应值，迭代获取所述最优解；
将所述最优解的权值及阈值信息赋予所述Elman神经网络的参数空间，进行参数微调训练；将所述测试集输入至训练后的Elman神经网络中，输出电池容量的预测结果。
根据本申请实施例提供的技术方案，获取所述电池容量退化特征量方法具体为：
分析电池外部参数特征，获取电池差分电压曲线，将所述电池差分电压曲线去除测量噪声并将曲线拐点作为所述电池容量退化特征量；
所述电池差分电压曲线的计算公式为：
Figure GDA0003746931240000021
式中，I为恒流充电或放电电流；V为恒流充电或放电电压；T为恒流充电或放电时间。
根据本申请实施例提供的技术方案，去除所述差分电压曲线测量噪声的方法具体为：
采用高斯滤波法对所述差分电压曲线进行滤波；所述高斯滤波法的计算公式如下：
Figure GDA0003746931240000022
式中，x为输入信号；μ为平均值；σ为控制窗口大小的标准差。
根据本申请实施例提供的技术方案，所述初始化步骤中生成所述初始解的方法为：采用混沌映射生成所述初始解。
根据本申请实施例提供的技术方案，所述混沌映射的计算方法具体为：
Figure GDA0003746931240000023
将生成的随机数组带入到如下公式，限制其范围，形成所述初始化种群：
Figure GDA0003746931240000031
式中，maxi、mini分别表示解的第i个分量的上、下限；yi(j)是利用混沌映射产生的第j个随机数组的第i维量，xij为第j个解的第i个分量。
根据本申请实施例提供的技术方案，初始化步骤中所述布谷鸟搜索算法为改进的布谷鸟搜索算法；改进的布谷鸟搜索算法具体为：
Figure GDA0003746931240000032
Figure GDA0003746931240000033
式中，
Figure GDA0003746931240000034
为第t次的第i个解；
Figure GDA0003746931240000035
为第t次的第i个解的适应度值，
Figure GDA0003746931240000036
为第t次最优的适应度值，
Figure GDA0003746931240000037
为第t+1次的第i个巢穴的搜索步长，o为理论最优解。
根据本申请实施例提供的技术方案，所述获取最优解步骤中的方法具体为：
根据步长公式以及巢穴位置公式产生新解，计算所述新解的适应值；从N个所述初始解中随机选择一个候选解；
判断所述新解的适应度值大于所述候选解的适应值时，将所述新解替换候选解；否则，将劣解以发现概率Pa丢弃并产生新解，将较优解保留到下一代，同时找到并保存种群中的最优解；
判断当前迭代次数达到最大迭代次数M时输出最优解，否则重复所述获取最优解步骤。
根据本申请实施例提供的技术方案，输出电池容量的预测结果后还包括以下步骤：
从所述测试集中获取实际结果；
根据所述预测结果以及实际结果，获取误差数据；
对所述误差数据进行分析，验证算法的准确性。
第二方面，本申请提供一种服务端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种所述储能电池容量预测方法的步骤。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述储能电池容量预测方法的步骤。
本申请的有益效果在于：通过将电池数据进行处理，选取电池容量退化特征量作为Elman神经网络的输入，使得可实现对电池容量退化过程的建模，提高电池剩余容量的预测精度；将布谷鸟搜索算法参数初始化并生成初始解后，计算初始解的适应值并根据步长公式以及巢穴位置公式产生新解，通过将所述初始解与所述新解进行比较，以迭代的方式获取最优解；将最优解的权值及阈值信息赋予到所述Elman神经网络的参数空间中，即可进行参数微调训练；最后，将所述测试集输入至训练后的Elman神经网络中，即可输出电池容量的预测结果。
上述步骤中，实现了对电池剩余容量的预测，该过程运行速度快，提高了电池剩余容量的预测速度；预测精度高，通过布谷鸟搜索算法获取最优解，使得Elman神经网络的权值和阈值为全局最优，不会陷入局部最优。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请提供的储能电池容量预测方法的流程图；
图2为图1所示步骤S300的流程图；
图3为图1所示步骤S400后的验证算法准确性的流程图；
图4为本申请提供的储能电池容量预测方法的总体流程框架图；
图5为图1所示步骤S100中获取特征量是采用高斯滤波的效果图；
图6为图1所示Elman神经网络的结构图；
图7为图3所示验证算法准确性的预测结果图；
图8为本申请提供的一种计算机系统。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
请参考图1-图4为本申请提供的一种储能电池容量预测方法的框图，包括以下步骤：
S100：预处理：
获取电池数据，对所述电池数据进行预处理；
在所述电池数据中选取电池容量退化特征量，作为Elman神经网络的输入，选取电池容量作为Elman神经网络的输出；将所述电池数据分为训练集和测试集；
具体的，所述电池为储能电池；获取所述电池数据的方式采用电池充放电设备对电池进行数据采集。
具体的，对所述电池数据进行预处理具体为：对所述电池数据进行归一化以及降噪处理。
S200：初始化：初始化布谷鸟搜索算法参数并生成初始化种群中的N个初始解；所述种群中每个个体包含Elman神经网络的全部权值及阈值信息；计算所述初始解的适应值；
具体的，初始化布谷鸟搜索算法参数具体为：设置种群数量D，最大迭代次数M，发现概率Pa；优选的，其通过混沌映射的方式生成初始化种群中的N个初始解；
S300：获取最优解：根据步长公式以及巢穴位置公式产生新解，比较所述初始解与所述新解的适应值，迭代获取所述最优解；
S400：训练神经网络：将所述最优解的权值及阈值信息赋予所述Elman神经网络的参数空间，进行参数微调训练；将所述测试集输入至训练后的Elman神经网络中，输出电池容量的预测结果。
具体的，所述Elman神经网络是一种反馈网络，具有时变特性，网络的非线性状态空间函数计算公式如下：
xk＝f(w1xc(k-1)+w2uk+b1)
yk＝g(w3xk+b2)
xck＝xk-1
式中，uk为神经网络的输入，由间接健康因子组成；xck是承接层在第k次循环的输出，同时也是隐含层在第k-1次循环的输出；xk为隐含层在第k次循环的输出；yk为神经网络预测的电池在第k次循环的容量值；w1是承接层到隐含层的权重矩阵；w2是输入层到隐含层的权重矩阵；w3是隐含层到输出层的权重矩阵；b1是输入层到隐含层的阈值；b2是隐含层到输出层的阈值；f(x)是隐含层的激励函数；g(x)是输出层的激励函数。
隐含层和输出层的激励函数分别是f(x)，g(x)。表达式是：
Figure GDA0003746931240000061
网络训练的损失函数为：
Figure GDA0003746931240000062
式中，y(k)为第k次网络训练预测值；y0(k)为第k次网络训练的实际值。
具体的，所述Elman神经网络的参数空间，包含Elman神经网络全部的权值和阈值。
具体的，所述参数微调训练：输入训练数据集，按照损失函数值E调整权重矩阵和阈值，即上述计算公式中的w1、w2、w3、b1、b2。
如图6所示，Elman神经网络的承接层接收并存储来自隐含层的反馈信号，隐含层的每个节点都与承接层对应的节点相连，利用Elman神经网络进行储能电池RUL预测，可以实现隐含层访问电池前一循环的历史数据，因而，Elman内部反馈层的加入增强了神经网络处理动态信息的能力，适应电池容量退化的动态变化。
工作原理：通过将电池数据进行处理，选取电池容量退化特征量作为Elman神经网络的输入，使得可实现对电池容量退化过程的建模，提高电池剩余容量的预测精度；将布谷鸟搜索算法参数初始化并生成初始解后，计算初始解的适应值并根据步长公式以及巢穴位置公式产生新解，通过将所述初始解与所述新解进行比较，通过迭代的方式获取最优解；将最优解的权值及阈值信息赋予到所述Elman神经网络的参数空间中，即可进行参数微调训练；将所述测试集输入至训练后的Elman神经网络中，即可输出电池容量的预测结果。
上述步骤中，实现了对电池剩余容量的预测，该过程运行速度快，提高了电池剩余容量的预测速度；预测精度高，通过布谷鸟搜索算法获取最优解，使得Elman神经网络的权值和阈值为全局最优，不会陷入局部最优。
其中，在一优选实施方式中，获取所述电池容量退化特征量方法具体为：
分析电池外部参数特征，获取电池差分电压曲线，将所述电池差分电压曲线去除测量噪声并将曲线拐点作为所述电池容量退化特征量；
所述电池差分电压曲线的计算公式为：
Figure GDA0003746931240000071
式中，I为恒流充电或放电电流；V为恒流充电或放电电压；T为恒流充电或放电时间。
其中，在一优选实施方式中，去除所述差分电压曲线测量噪声的方法具体为：
采用高斯滤波法对所述差分电压曲线进行滤波；所述高斯滤波法的计算公式如下：
Figure GDA0003746931240000072
式中，x为输入信号；μ为平均值；σ为控制窗口大小的标准差。
具体的，如图5所示，通过所述高斯滤波法，使得可消除测量噪声，使得所述差分电压曲线较为平滑，提高了所获取的电池容量退化特征量的准确性。
具体的，当移动窗口过小，曲线平滑效果不好；当移动窗口过大，曲线容易变形。考虑电池每次循环下的差分电压值的个数，作为优选的，将移动窗口的数值(也即控制窗口大小的标准差σ)设置为10。
其中，在一优选实施方式中，所述初始化步骤中生成所述初始解的方法为：采用混沌映射生成所述初始解。
其中，在一优选实施方式中，所述混沌映射的计算方法具体为：
Figure GDA0003746931240000081
将生成的随机数组带入到如下公式，限制其范围，形成所述初始化种群：
Figure GDA0003746931240000082
式中，maxi、mini分别表示解的第i个分量的上、下限；yi(j)是利用混沌映射产生的第j个随机数组的第i维量，xij为第j个解的第i个分量。
具体的，混沌映射具有很强的遍历性，能保证在初始化阶段中种群个体的多样性。
其中，在一优选实施方式中，初始化步骤中所述布谷鸟搜索算法为改进的布谷鸟搜索算法；改进的布谷鸟搜索算法具体为：
Figure GDA0003746931240000083
Figure GDA0003746931240000084
具体的，传统的布谷鸟搜索算法受搜索步长影响，缺乏自适应行性；改进后的布谷鸟搜索算法可以有效增加自适应性；式中，
Figure GDA0003746931240000085
为第t次的第i个解；
Figure GDA0003746931240000086
为第t次的第i个解的适应度值，
Figure GDA0003746931240000087
为第t次最优的适应度值，
Figure GDA0003746931240000088
为第t+1次的第i个巢穴的搜索步长，o为理论最优解。
其中，在一优选实施方式中，所述获取最优解步骤中的方法具体为：
S310：根据步长公式以及巢穴位置公式产生新解，计算所述新解的适应值；从N个所述初始解中随机选择一个候选解；
S320：判断所述新解的适应度值大于所述候选解的适应值时，将所述新解替换候选解；否则，将劣解以发现概率Pa丢弃并产生新解，也即：判断所述新解的适应度值小于所述候选解的适应值时，将适应度值较小的接以发现概率Pa丢弃并重新产生一个新的解；需要进一步说明的是，当所述候选解的适应度值与所述优选解的适应值相同时，可在二者中随机选择一个解并以发现概率Pa丢弃并重新产生一个新的解。
将较优解保留到下一代，同时找到并保存种群中的最优解；
S330：判断当前迭代次数达到最大迭代次数M时输出最优解，否则重复所述获取最优解步骤，也即重复步骤S310。
其中，在一优选实施方式中，输出电池容量的预测结果后还包括以下步骤：
S500：验证算法的准确性：
S510：从所述测试集中获取实际结果；
S520：根据所述预测结果以及实际结果，获取误差数据；
S530：对所述误差数据进行分析，验证算法的准确性。
如图7所示，本实施选取美国国家航天航空局的B0005、B0006号储能电池数据进行电池剩余容量预测和分析。使用B0005号电池数据为训练数据，B0006号电池为测试数据，表-1为改进布谷鸟搜索算法-Elman神经网络(ICS-Elman)预测结果与Elman神经网络预测结果对比图。
采用均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)作为RUL预测模型的性能指标评价标准。对比结果如下表所示：
Figure GDA0003746931240000091
表-1
实施例2
请参考图8为本申请提供的服务端或服务器的计算机系统600的原理框图，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述储能电池容量预测方法的步骤。
如图8所示，所述计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。
实施例3
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述储能电池容量预测方法的步骤。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、初始化模块、数据处理模块。
其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于获取电池数据的获取模块”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中储能电池容量预测方法
例如，所述电子设备可以实现如图1中所示的：
步骤S100：预处理：获取电池数据，对电池数据进行预处理；在电池数据中选取电池容量退化特征量，作为Elman神经网络的输入，选取电池容量作为Elman神经网络的输出；将电池数据分为训练集和测试集；
步骤S200：初始化：初始化布谷鸟搜索算法参数并生成初始化种群中的N个初始解；种群中每个个体包含Elman神经网络的全部权值及阈值信息；计算初始解的适应值；
步骤S300：获取最优解：根据步长公式以及巢穴位置公式产生新解，比较初始解与新解的适应值，迭代获取最优解；
步骤S400：训练神经网络：将最优解的权值及阈值信息赋予Elman神经网络的参数空间，参数微调训练；将测试集输入至训练后的Elman神经网络中，输出电池容量的预测结果。
又如，所述电子设备可以实现如图1至图4中所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种储能电池容量预测方法，其特征在于：包括以下步骤：
获取电池数据，对所述电池数据进行预处理；在所述电池数据中选取电池容量退化特征量，作为Elman神经网络的输入，选取电池容量作为Elman神经网络的输出；将所述电池数据分为训练集和测试集；
初始化：初始化布谷鸟搜索算法参数并生成初始化种群中的N个初始解；所述种群中每个个体包含Elman神经网络的全部权值及阈值信息；计算所述初始解的适应值；
获取最优解：根据步长公式以及巢穴位置公式产生新解，比较所述初始解与所述新解的适应值，迭代获取所述最优解；
将所述最优解的权值及阈值信息赋予所述Elman神经网络的参数空间，进行参数微调训练；将所述测试集输入至训练后的Elman神经网络中，输出电池容量的预测结果；
获取所述电池容量退化特征量方法具体为：
分析电池外部参数特征，获取电池差分电压曲线，将所述电池差分电压曲线去除测量噪声并将曲线拐点作为所述电池容量退化特征量；
所述电池差分电压曲线的计算公式为：
Figure FDA0003746931230000011
式中，I为恒流充电或放电电流；V为恒流充电或放电电压；T为恒流充电或放电时间。
2.根据权利要求1所述的储能电池容量预测方法，其特征在于：去除所述差分电压曲线测量噪声的方法具体为：
采用高斯滤波法对所述差分电压曲线进行滤波；所述高斯滤波法的计算公式如下：
Figure FDA0003746931230000012
式中，x为输入信号；μ为平均值；σ为控制窗口大小的标准差。
3.根据权利要求1所述的储能电池容量预测方法，其特征在于：初始化步骤中生成所述初始解的方法为：采用混沌映射生成所述初始解。
4.根据权利要求3所述的储能电池容量预测方法，其特征在于：所述混沌映射的计算方法具体为：
Figure FDA0003746931230000021
将生成的随机数组带入到如下公式，限制其范围，形成所述初始化种群：
Figure FDA0003746931230000022
式中，maxi、mini分别表示解的第i个分量的上、下限；yi(j)是利用混沌映射产生的第j个随机数组的第i维量，xij为第j个解的第i个分量。
5.根据权利要求1所述的储能电池容量预测方法，其特征在于：初始化步骤中所述布谷鸟搜索算法为改进的布谷鸟搜索算法；改进的布谷鸟搜索算法具体为：
Figure FDA0003746931230000023
Figure FDA0003746931230000024
式中，
Figure FDA0003746931230000025
为第t次的第i个解；
Figure FDA0003746931230000026
为第t次的第i个解的适应度值，
Figure FDA0003746931230000027
为第t次最优的适应度值，
Figure FDA0003746931230000028
为第t+1次的第i个巢穴的搜索步长，o为理论最优解。
6.根据权利要求1所述的储能电池容量预测方法，其特征在于：获取最优解步骤中的方法具体为：
根据步长公式以及巢穴位置公式产生新解，计算所述新解的适应值；从N个所述初始解中随机选择一个候选解；
判断所述新解的适应度值大于所述候选解的适应值时，将所述新解替换候选解；否则，将劣解以发现概率Pa丢弃并产生新解，将较优解保留到下一代，同时找到并保存种群中的最优解；
判断当前迭代次数达到最大迭代次数M时输出最优解，否则重复所述获取最优解步骤。
7.根据权利要求1所述的储能电池容量预测方法，其特征在于：输出电池容量的预测结果后还包括以下步骤：
从所述测试集中获取实际结果；
根据所述预测结果以及实际结果，获取误差数据；
对所述误差数据进行分析，验证算法的准确性。
8.一种服务端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述储能电池容量预测方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述储能电池容量预测方法的步骤。
CN202110625747.6A 2021-06-04 2021-06-04 储能电池容量预测方法、服务端及计算机可读存储介质 Active CN113240194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110625747.6A CN113240194B (zh) 2021-06-04 2021-06-04 储能电池容量预测方法、服务端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110625747.6A CN113240194B (zh) 2021-06-04 2021-06-04 储能电池容量预测方法、服务端及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113240194A CN113240194A (zh) 2021-08-10
CN113240194B true CN113240194B (zh) 2022-08-23

Family

ID=77136741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110625747.6A Active CN113240194B (zh) 2021-06-04 2021-06-04 储能电池容量预测方法、服务端及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113240194B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820608B (zh) * 2021-08-20 2022-08-05 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN114118339B (zh) * 2021-11-12 2024-05-14 吉林大学 基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法
CN117293975B (zh) * 2023-11-22 2024-02-02 云南华尔贝光电技术有限公司 一种锂电池的充放电调节方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020125839A1 (de) * 2018-12-18 2020-06-25 GRID INVENT gGmbH Elektronisches element und elektrisch angesteuertes anzeigeelement
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
WO2020188284A1 (en) * 2019-03-20 2020-09-24 Dyson Technology Limited Device and method of estimating an amount of charge of a battery
CN112734002A (zh) * 2020-12-28 2021-04-30 北京航空航天大学 一种基于数据层和模型层联合迁移学习的寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2582347A (en) * 2019-03-20 2020-09-23 Dyson Technology Ltd Estimating a remaining runtime of a battery

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020125839A1 (de) * 2018-12-18 2020-06-25 GRID INVENT gGmbH Elektronisches element und elektrisch angesteuertes anzeigeelement
WO2020188284A1 (en) * 2019-03-20 2020-09-24 Dyson Technology Limited Device and method of estimating an amount of charge of a battery
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN112734002A (zh) * 2020-12-28 2021-04-30 北京航空航天大学 一种基于数据层和模型层联合迁移学习的寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于粒子群算法的卫星蓄电池区间预测方法;曹孟达等;《无线电工程》;20200405(第04期);全文 *
改进布谷鸟搜索算法在无功优化中的应用;谢海波;《科技视界》;20160905(第25期);全文 *

Also Published As

Publication number Publication date
CN113240194A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113240194B (zh) 储能电池容量预测方法、服务端及计算机可读存储介质
CN110366734B (zh) 优化神经网络架构
CN108197652B (zh) 用于生成信息的方法和装置
CN110647920A (zh) 机器学习中的迁移学习方法及装置、设备与可读介质
CN113240155A (zh) 预测碳排放量的方法、装置及终端
CN113065283A (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
CN110995459B (zh) 异常对象识别方法、装置、介质及电子设备
US20220114455A1 (en) Pruning and/or quantizing machine learning predictors
CN112200296B (zh) 网络模型量化方法、装置、存储介质及电子设备
CN115236519A (zh) 基于隐马尔可夫模型的锂电池健康状态预测方法及装置
JP2019121376A (ja) 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法
CN114036051A (zh) 测试方法、装置、设备以及存储介质
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN111210332A (zh) 贷后管理策略生成方法、装置及电子设备
CN114386580A (zh) 决策模型训练、决策方法、装置、电子设备及存储介质
CN113420792A (zh) 图像模型的训练方法、电子设备、路侧设备及云控平台
US6810357B2 (en) Systems and methods for mining model accuracy display for multiple state prediction
CN117214742A (zh) 一种锂电池的状态分析方法、装置及电子设备
CN116842447A (zh) 分类数据的后处理方法、装置、系统和电子装置
CN111461344B (zh) 高阶特征的自动生成方法、系统、设备和介质
CN116583854A (zh) Rpu交叉开关阵列的最坏情况噪声和界限管理
CN114926701A (zh) 一种模型训练方法、目标检测方法、以及相关设备
CN116299005B (zh) 一种基于aaf和深度学习的动力电池健康状态预测方法
US11710068B2 (en) Labeling a dataset

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
GR01 Patent grant
GR01 Patent grant