CN114936524A - 蓄电池内阻识别方法、装置、设备、介质和程序产品 - Google Patents
蓄电池内阻识别方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN114936524A CN114936524A CN202210588377.8A CN202210588377A CN114936524A CN 114936524 A CN114936524 A CN 114936524A CN 202210588377 A CN202210588377 A CN 202210588377A CN 114936524 A CN114936524 A CN 114936524A
- Authority
- CN
- China
- Prior art keywords
- peacock
- internal resistance
- peacocks
- male
- young
- 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 61
- 241000692870 Inachis io Species 0.000 claims abstract description 568
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 24
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000010287 polarization Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请涉及一种蓄电池内阻识别方法、装置、设备、介质和程序产品。所述方法包括:建立蓄电池的等效电路模型,得到多个待识别的内阻参数;确定适应度函数和约束条件;所述适应度函数包括所述内阻参数的测量值与计算值之间的偏差关系,所述约束条件包括各所述内阻参数的变化范围;根据孔雀优化算法、所述适应度函数和所述约束条件对多个所述内阻参数进行求解,得到多个所述内阻参数的最优解。采用本方法能够得到较为准确的内阻参数。
Description
技术领域
本申请涉及电学技术领域,特别是涉及一种蓄电池内阻识别方法、装置、设备、介质和程序产品。
背景技术
蓄电池作为低压直流系统里重要的组成部分,其健康状况对发电厂及变电站的安全运行起着至关重要的作用,是电网安全稳定运行的保障。
理论上可以通过RC网络模型、启发式算法测定蓄电池内阻。然而,使用RC网络模型实际应用较为困难,启发式算法不能很好的解决复杂的高度非线性和非凸问题。
因此,如何对蓄电池内阻进行精确辨别至关重要。
发明内容
基于此,有必要针对上述技术问题,提供一种能够精确辨别蓄电池内阻的蓄电池内阻识别方法、装置、设备、介质和程序产品。
第一方面,本申请提供了一种蓄电池内阻识别方法。该方法包括:
建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
确定适应度函数和约束条件;适应度函数包括内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围;
根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。
第二方面,本申请还提供了一种蓄电池内阻识别装置。该装置包括:
模型建立模块,用于建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
函数确定模块,用于确定适应度函数和约束条件;适应度函数包括所述内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围;
参数求解模块,用于根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面所述的步骤。
上述蓄电池内阻识别方法、装置、设备、介质和程序产品,建立蓄电池的等效电路模型,得到多个待识别的内阻参数;确定适应度函数和约束条件;根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。因此,采用本申请能够得到较为准确的内阻参数,有利于变电站、换流站中的运维人员根据蓄电池的内阻参数及时地发现性能下降的蓄电池,并对这些蓄电池及时维修或更换,避免电网发生重大的运行事故。
附图说明
图1为一个实施例中蓄电池内阻识别方法的流程示意图;
图2为一个实施例中根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解步骤的流程示意图;
图3为一个实施例中根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算步骤的流程示意图;
图4为一个实施例中基于各孔雀的自适应行为更新各孔雀的位置的步骤的流程示意图;
图5为一个实施例中通过雌孔雀自适应接近雄孔雀行为更新各雌孔雀的位置的过程的流程示意图;
图6为一个实施例中通过幼孔雀的自适应搜索行为更新各幼孔雀的位置的过程的流程的示意图;
图7为一个实施例中通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置的过程的流程示意图;
图8为一个实施例中根据适应度为每个孔雀分配角色的步骤的流程示意图;
图9为另一个实施例中蓄电池内阻识别过程的流程示意图;
图10为一个实施例中蓄电池内阻识别装置的结构框图之一;
图11为一个实施例中蓄电池内阻识别装置的结构框图之二;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种蓄电池内阻识别方法,本申请实施例以该方法应用于服务器进行举例说明。本申请实施例可以包括以下步骤:
S101,建立蓄电池的等效电路模型,得到多个待识别的内阻参数。
其中,蓄电池的等效电路模型为三阶戴维南等效电路模型,模型中包含一个理想电压源、一个电阻和三个RC环,三个RC环包括由欧姆极化电阻R1与欧姆极化电容C1组成的RC环、一个RC环由电化学极化内阻R2和电化学极化电容C2组成、一个RC环由浓度差极化内阻R3和浓度差极化电容C3组成。该等效电路模型,借助数学公式(1)和公式(2)可描述为:
式中,Δt代表采样周期,un(n=1,2,3)分别代表三个RC环两端的电压,时间常数τn=RnCn(n=1,2,3),uoc为电池开路电压,uL为计算值电压,iL为模型电流。待识别的参数有uoc,R0,R1,R2,R3,C1,C2以及C3。
用户可通过MATLAB软件,采用MATLAB软件对应的编程语法,建立上述等效电路模型。
S102,确定适应度函数和约束条件。
其中,适应度函数包括内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围。
上述内阻参数的测量值是通过恒流限压充电与核对性放电试验采集得到的。恒流限压充电指先以恒流方式进行充电,当蓄电池组电压上升到限压值时,充电装置自动转换为限压充电,直到充电完毕。核对性放电试验是指在规定放电温度、放电电流、放电终止电压的条件下,人为通过恒流放电评估蓄电池荷电状况的过程。
适应度函数可以是计算内阻参数测量值与计算值之间的均方根误差,其数学表达式为公式(3):
约束条件是蓄电池的等效电路模型中待识别的参数uoc,R0,R1,R2,R3,C1,C2以及C3的实际取值范围,也就是孔雀优化算法的搜索范围,其用数学形式可表达为公式(4):
用户可通过孔雀优化算法结合公式(2)确定电压计算值uL,通过恒流限压充电与核对性放电试验采集获得测量值电压测量值从而借助MATLAB软件根据公式(3)计算得到适应度函数的值。此外,约束条件也可以通过MATLAB软件进行设定。
S103,根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。
其中,孔雀优化算法模拟成年雄孔雀、成年雌孔雀和幼孔雀三类孔雀的层次结构以及它们的觅食过程的动态群体行为来逐渐逼近问题最优解。特别是,利用孔雀的食物搜索和独特的旋转舞蹈行为,以及孔雀和孔雀的自适应搜索和接近机制。
根据孔雀优化算法、使孔雀从初始位置开始实现多次迭代,每次迭代结果都能够计算出适应度函数的值,当适应度函数的值符合预设条件时,孔雀则达到最优解的位置,即得到内阻参数的最优解。
上述蓄电池内阻识别方法中,建立蓄电池的等效电路模型,得到多个待识别的内阻参数;确定适应度函数和约束条件;根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。本申请实施例中,由于使用了适应度函数和约束条件,适应度函数起到了衡量内阻参数的解是否为最优解的作用,约束条件则对孔雀优化算法的搜索位置进行了限定,孔雀优化算法利用孔雀的食物搜索和独特的旋转舞蹈行为,以及孔雀和孔雀的自适应搜索和接近机制,从而能够更加准确的获取多个内组参数的最优解,由于内阻参数较为准确,因此有利于变电站、换流站中的运维人员根据蓄电池的内阻参数及时地发现性能下降的蓄电池,并对这些蓄电池及时维修或更换,避免电网发生重大的运行事故。
在一个实施例中,如图2所示,上述根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解的步骤,可以包括:
S201,根据孔雀优化算法进行位置和适应度的初始化。
其中,每个孔雀的位置与多个内阻参数的一组解相对应,每个孔雀的适应度表征多个内阻参数的一组解与测量值之间的偏差程度。
上述一只孔雀的位置可表示为一组解X=(uoc,R0,R1,R2,R3,C1,C2,C3)。例如,初始孔雀的种群数量若设置为401,则就代表401只孔雀,同时401只孔雀的位置对应内阻参数的401组解X=(uoc,R0,R1,R2,R3,C1,C2,C3)。
根据孔雀优化算法,每只孔雀的初始位置可以设置为一个搜索空间,具体地,这个搜索空间是公式(4)取值范围构成的8维空间,每只孔雀的初始位置是这个8维空间里的一个随机位置。适应度的初始化就是这个随机位置通过公式(3)计算出的结果。
S202,根据适应度为每个孔雀分配角色。
其中,角色包括雄孔雀、雌孔雀和幼孔雀。
所有孔雀根据其适应度高低进行排序,从而进行角色分配。例如,适应度较高的前5只孔雀为雄孔雀,除雄孔雀之外的孔雀中,将适应度较高的前30%的孔雀确定为雌孔雀,其余孔雀确定为幼孔雀。
根据初始化的适应度将每个孔雀分配为雄孔雀、雌孔雀和幼孔雀。
S203,根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算,得到多个内阻参数的最优解。
其中,内阻参数的最优解指孔雀优化算法迭代结束时的解。
根据雄孔雀、雌孔雀和幼孔雀三种角色,不同的角色对应不同的位置更新机制,例如雄孔雀对应雄孔雀的求偶行为以及雄孔雀之间的相互作用行为下的位置更新机制,雌孔雀对应雌孔雀的自适应接近雄孔雀行为下的位置更新机制,幼孔雀对应幼孔雀的自适应搜索行为下的位置更新机制。角色在约束条件下采用对应的位置更新机制进行位置更新,经过多次位置更新的迭代计算,每次迭代计算都会得到一个适应度函数的值,当适应度函数的值小于预设值,符合预设条件时,则得到8个内阻参数uoc,R0,R1,R2,R3,C1,C2,C3的最优解。
上述实施例中,根据孔雀优化算法进行位置和适应度的初始化;根据适应度为每个孔雀分配角色;根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算,得到多个内阻参数的最优解。本申请实施例根据不同角色对应的不同位置更新机制,寻找适应度小于预设值,符合预设条件的值,将该值作为最优解,避免了以往算法陷入局部最优,从而导致最优解为伪劣解的情况,提高了全局寻优的能力,成为解决非凸问题的有效工具。
在一个实施例中,如图3所示,上述根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算,得到多个内阻参数的最优解的步骤,可以包括:
S301,在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置。
其中,各孔雀的自适应行为包括雄孔雀的求偶行为、雌孔雀的自适应接近雄孔雀行为、幼孔雀的自适应搜索行为以及雄孔雀之间的相互作用行为。
在每次迭代计算过程中,基于各孔雀对应的自适应行为,采用对应的位置更新机制更新各孔雀的位置。
S302,根据各孔雀更新后的位置重新计算适应度。
其中,各孔雀更新后的位置指每次迭代后,各孔雀重新基于孔雀优化算法计算得到的位置。
根据各孔雀更新后的位置,代入等效模型电路公式(1)和公式(2),计算电压计算值uL,再代入适应度函数公式(3)得到各孔雀新的适应度的值。各孔雀适应度越好,代表要辨别的蓄电池内阻参数越准确。
S303,根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算。
根据重新计算后的适应度高低,重新对各孔雀进行角色划分。将适应度高的N个孔雀分配为雄孔雀,将适应度高的预设比例的非雄孔雀分配为雌孔雀,将其余孔雀分配为幼孔雀。
重新分配好角色后,再基于各孔雀的自适应行为重新更新各孔雀的位置,根据各孔雀重新更新后的位置计算新的适应度,如此反复计算,不断迭代。
S304,在迭代结束时,根据各孔雀的最终位置得到多个内阻参数的最优解。
其中,迭代的结束条件包括:达到预设的最大迭代次数。例如最大迭代次数可设置为4020次。本申请实施例对最大迭代次数不做限定,可以根据实际情况进行设置。
在迭代结束时,各孔雀的最终位置对应适应度小于预设值,符合预设条件的位置,即多个内阻参数的最优解。
上述实施例中,在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置,由于各孔雀的自适应行为是不同的,所以对应的位置更新机制也是不同的,不同的位置更新机制保证了孔雀优化算法能有效地搜索理想的搜索区域并定位全局最优解;根据各孔雀更新后的位置重新计算适应度,根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算,在这个过程中,因为只有迭代后适应度比迭代前适应度更好时,适应度的值才会被替换,这样可以保证孔雀优化算法最终可以实现收敛。
在一个实施例中,如图4所示,上述基于各孔雀的自适应行为更新各孔雀的位置的步骤,可以包括:
S401,通过雌孔雀的自适应接近雄孔雀行为更新各雌孔雀的位置。
其中,雌孔雀的自适应接近雄孔雀行为指雌孔雀受雄孔雀求偶行为的影响,渐渐接近雄孔雀,同时观察四周,动态调整自己的位置。这里,适应度越好的雄孔雀吸引雌孔雀的概率越大。
雄孔雀通过雄孔雀求偶行为下的位置更新机制在约束条件下搜索位置,具体地,主要通过旋转-舞蹈机制在周围搜索空间中进行位置搜索,雌孔雀受雄孔雀位置更新机制的影响,根据雌孔雀的自适应接近雄孔雀行为所对应的位置更新机制,调整更新位置。
S402,通过幼孔雀的自适应搜索行为更新各幼孔雀的位置。
其中,幼孔雀的自适应搜索行为指幼孔雀随机选取一只雄孔雀并向其移动,同时借助Levy飞行机制在约束条件下进行随机搜索。而Levy飞行机制是一种随机漫步,它可以有效地探索搜索空间,在寻找全局最优解方面很有前景。本申请将Levy飞行添加到孔雀优化算法中,以提高其优化性能。
幼孔雀的位置更新机制受孔雀优化算法迭代时期的影响。在孔雀优化算法迭代初期,幼孔雀在约束条件下主要进行随机搜索;在孔雀优化算法迭代中后期,幼孔雀渐渐向雄孔雀收敛,雄孔雀一般是适应度最好的5只雄孔雀。
幼孔雀通过上述位置更新机制,调整更新位置。
S403,通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置;第一雄孔雀为适应度最高的雄孔雀。
其中,第一雄孔雀拥有最好的食物源,故被视为领导者,而除第一雄孔雀之外的第二雄孔雀会被第一雄孔雀引导而逐渐向其移动。特别地,除第一雄孔雀之外的第二雄孔雀并不是直接向第一雄孔雀移动,而是在与第一雄孔雀之间一定的范围内随机地向第一雄孔雀进行移动。
在孔雀优化算法迭代过程中,雄孔雀之间具有相互作用行为,除第一雄孔雀之外的第二雄孔雀向第一雄孔雀一定的范围内随机移动进行位置更新。
上述实施例中,通过雌孔雀自适应接近雄孔雀行为更新各雌孔雀的位置,通过幼孔雀的自适应搜索行为更新各幼孔雀的位置,通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置,第一雄孔雀为适应度小于预设值,符合预设条件的雄孔雀。本申请实施例雄孔雀、雌孔雀、幼孔雀各自对应的自适应行为被执行后,只有当它们的适应度变得更好时,相应孔雀的位置才会被替换和更新,在此基础上可以确保孔雀优化算法的收敛。
在一个实施例中,如图5所示,上述通过雌孔雀自适应接近雄孔雀行为更新各雌孔雀的位置的步骤,可以包括:
S4011,获取迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子。
获取雌孔雀行为描述公式中的参数,迭代后雌孔雀的位置xh、当前雌孔雀的位置xh(t)、当前雄孔雀的位置xc,n、第一随机数r5、第一位置更新算子A、第一搜索算子θ。
S4012,根据预设的雌孔雀行为描述公式、迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子,计算出迭代后雌孔雀的位置。
其中,预设的雌孔雀行为描述公式为:
xh=xh(t)+3·θ·(xc,n-xh(t)),若r5∈A (5)
式中,xh为迭代后雌孔雀的位置,xh(t)为当前雌孔雀的位置,h为雌孔雀的数量;xc,n为当前雄孔雀的位置,n=1,2,3,4,5;r5为[0,1]范围内的第一随机数;A为第一位置更新算子,决定雌孔雀的位置更新,当n=1,2,3,4,5时,A分别为[0.6,1],[0.4,0.6],[0.2,0.4],[0.1,0.2],[0,0.1],具体可表示如下公式:
θ是第一搜索算子,用来平衡雌孔雀局部搜索和全局搜索。θ0和θ1分别被设置为0.1和1,K和Kmax分别为当前迭代次数和最大迭代次数,计算如下:
θ=θ0+(θ1-θ0)·(K/Kmax) (7)
该机制下,当θ<1/3时(迭代初期),迭代后雌孔雀的位置xh与xh(t)为当前雌孔雀的位置几乎相同,但迭代后雌孔雀的位置xh还是主要趋向于所选择的雄孔雀的位置,代表雌孔雀的局部勘测过程;当θ>1/3时(迭代中后期),迭代后雌孔雀的位置xh与xh(t)为当前雌孔雀的位置差别较大,雌孔雀倾向于所选雄孔雀相对的位置移动,代表雌孔雀的全局搜索过程。
将迭代后雌孔雀的位置xh、当前雌孔雀的位置xh(t)、当前雄孔雀的位置xc,n、第一随机数r5、第一位置更新算子A、第一搜索算子θ带入预设的雌孔雀行为描述公式(5),计算出迭代后雌孔雀的位置xh。
上述实施例中,获取迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子;根据预设的雌孔雀行为描述公式、迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子,计算出迭代后雌孔雀的位置。由于迭代过程中,当前迭代次数和最大迭代次数的比值逐渐变大,从而导致搜索算子的自适应调整,因此雌孔雀在迭代的初始阶段侧重于局部开发,在中后期更倾向于强调全局探索,这有利于寻找到更加准确的最优解。
在一个实施例中,如图6所示,上述通过幼孔雀的自适应搜索行为更新各幼孔雀的位置的步骤,可以包括:
S4021,获取迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子。
获取幼孔雀行为描述公式中的参数,迭代后幼孔雀的位置xcu,当前幼孔雀的位置xcu(t),飞行因子Levy,幼孔雀跟随的雄孔雀位置xpu,当前雄孔雀的位置xc,n(t),第二随机数r6,第二位置更新算子B,动态变化算子α和β。
S4022,根据预设的幼孔雀行为描述公式、迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子,计算出迭代后幼孔雀的位置。
其中,预设的幼孔雀行为描述公式为:
式中,xcu为迭代后幼孔雀的位置,xcu(t)为当前幼孔雀的位置;Levy为飞行因子,可设置为固定值;xpu为幼孔雀跟随的雄孔雀位置;xc,n(t)为当前雄孔雀位置,n=1,2,3,4,5;r6为[0,1]范围内的第二随机数;B为第二位置更新算子,当n=1,2,3,4,5时,B分别为[0.8,1],[0.6,0.8],[0.4,0.6],[0.2,0.4],[0,0.2];具体可表示如下公式:
α和β均为动态变化算子,定义如下:
式中,α0,α1,β0和β1设置为0.9,0.4,0.1和1,K和Kmax分别为当前迭代次数和最大迭代次数。
该机制下,当α大于β时(迭代初期),公式(8)受Levy飞行因子影响较大,幼孔雀主要进行随机搜索;当β大于α时(迭代中后期),公式(8)受幼孔雀跟随的雄孔雀位置xpu影响较大,而xpu则根据当前雄孔雀位置xc,n(t)确定,因此,幼孔雀渐渐向5只雄孔雀收敛。
将迭代后幼孔雀的位置xcu,当前幼孔雀的位置xcu(t),飞行因子Levy,幼孔雀跟随的雄孔雀位置xpu,当前雄孔雀位置xc,n(t),第二随机数r6,第二位置更新算子B,动态变化算子α和β带入预设的幼孔雀行为描述公式(8),计算出迭代后幼孔雀位置xcu。
上述实施例中,获取迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子;根据预设的幼孔雀行为描述公式、迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子,计算出迭代后幼孔雀的位置。由于迭代过程中,当前迭代次数和最大迭代次数的比值逐渐变大,从而导致动态变化算子的自适应调整,所以,幼孔雀在迭代的初始阶段侧重于局部开发,在中后期更倾向于强调全局探索,这与雌孔雀的搜索机制可以有效地互补。因此,在整个迭代过程中都会进行局部开发和全局探索,进而提高了孔雀优化算法的优化质量、效率和稳定性。
在一个实施例中,如图7所示,上述通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置的过程,可以包括:
S4031,获取随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数。
获取随机向量x'r,n、当前雄孔雀的位置xc,1和xc,n(t)、第三搜索算子θ和第三随机数rn'。
S4032,根据预设的雄孔雀交互行为描述公式、随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数,计算出第二雄孔雀的位置。
其中,由于第一雄孔雀拥有最好的食物源,故被视为领导者,而除第一雄孔雀之外的第二雄孔雀会被第一雄孔雀引导而逐渐向其移动。除第一雄孔雀之外的第二雄孔雀位置更新公式如下:
式中,xc,n为迭代后除第一雄孔雀之外的第二雄孔雀位置,xc,n(t)为当前除第一雄孔雀之外的第二雄孔雀位置;θ为第三搜索算子;rn'为[0,1]范围内的第三随机数;x'r,n为随机向量;xc,1为当前第一雄孔雀的位置;dn和Dn为中间变量。
将随机向量x'r,n、当前雄孔雀的位置xc,n(t)和xc,1、第三搜索算子θ和第三随机数rn'带入除第一雄孔雀之外的第二雄孔雀位置更新公式(11),计算出迭代后除第一雄孔雀之外的第二雄孔雀的位置xc,n。
上述实施例中,获取随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数;根据预设的雄孔雀交互行为描述公式、随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数,计算出第二雄孔雀的位置。通过雄孔雀之间的相互作用行为,使得除第一雄孔雀之外的第二雄孔雀的位置都直接或间接地受到第一雄孔雀位置的影响,在此基础上可以确保算法的收敛。此外,其他孔雀不会直接收敛到一号孔雀,可以有效避免过早收敛和陷入局部最优。
在一个实施例中,上述基于各孔雀的自适应行为更新各孔雀的位置,还可以包括:基于雄孔雀的求偶行为动态调整雄孔雀的位置。
其中,雄孔雀发现食物源后,会原地旋转或围绕食物源旋转以吸引雌孔雀的注意,雄孔雀在求偶过程中的位置更新机制可描述为:
式中,xc,1为迭代后第一雄孔雀的位置,xc,1(t)为当前第一雄孔雀的位置;xc,n(n=2,3,4,5)为迭代后除第一雄孔雀之外的第二雄孔雀的位置,xc,n(t)为当前除第一雄孔雀之外的第二雄孔雀的位置;rn为[0,1]范围内的随机数;σ、ε是第三位置更新算子,n=2,3,4,5时,σ/ε分别为1.5/0.9,2/0.8,3/0.6,5/0.3,具体可表示为如下公式(13):
xr,1和xr,n(n=2,3,4,5)为随机向量;Rs为雄孔雀围绕食物源旋转的半径,可描述为:
xr=2·rand(1,Dim)-1 (14)
式中,Dim为内阻参数的数量,rand(1,Dim)表示生成1行8列的随机数,即生成xr,1和xr,n的随机向量;K和Kmax分别为当前迭代次数和最大迭代次数;Rs0为初始旋转半径向量;Cv为雄孔雀旋转因子,设为0.2;xub和xlb为内阻参数对应约束条件的上下限。
上述实施例中,基于雄孔雀的求偶行为动态调整雄孔雀的位置。第一雄孔雀适应度最高,除第一雄孔雀之外的第二雄孔雀的适应度依次递减。适应度越高的雄孔雀围绕食物源旋转的概率越大,且雄孔雀围绕食物源旋转的半径越小,第三位置更新算子的值就越小;反之,雄孔雀更趋向于原地旋转,且雄孔雀围绕食物源旋转的半径越大,第三位置更新算子的值就越大。同时,第三位置更新算子的值越大就代表随机数落入这个范围的可能性越大,所以第一雄孔雀的位置对其它孔雀的位置影响最大,除第一雄孔雀之外的第二雄孔雀对其它孔雀的位置影响依次递减。
在一个实施例中,如图8所示,上述根据适应度为每个孔雀分配角色,包括:
S501,将各孔雀按照适应度高低进行排序。
其中,迭代前,将各孔雀按照初始适应度高低进行排序;迭代过程中,将各孔雀按照每次迭代计算出的新的适应度高低进行排序。
S502,将适应度高的N个孔雀分配为雄孔雀。
例如,将适应度高的前5只孔雀分配为雄孔雀。
S503,将适应度高的预设比例的非雄孔雀分配为雌孔雀。
例如,预设比例为30%,则将除了雄孔雀之外的剩下孔雀中,剩下的前30%为雌孔雀。
S504,将其余孔雀分配为幼孔雀。
例如,将适应度高的前5只孔雀分配为雄孔雀,剩下的前30%为雌孔雀,则其余为幼孔雀。
上述实施例中,将各孔雀按照适应度高低进行排序,将适应度高的N个孔雀分配为雄孔雀,将适应度高的预设比例的非雄孔雀分配为雌孔雀,将其余孔雀分配为幼孔雀。通过对适应度高低的排序对孔雀种群进行划分,为之后雄孔雀、雌孔雀以及幼孔雀之间位置更新机制的相互配合奠定了基础。
在一个实施例中,如图9所示,提供了蓄电池内阻的识别过程,以服务器为例进行说明,包括如下步骤:
S601,建立蓄电池的等效电路模型,得到多个待识别的内阻参数。
用户可通过MATLAB软件,采用MATLAB软件对应的编程语法,建立上述等效电路模型。
S602,确定适应度函数和约束条件。
其中,适应度函数包括内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围。
用户可通过孔雀优化算法结合公式(2)确定计算值电压uL,通过恒流限压充电与核对性放电试验采集获得测量值电压从而借助MATLAB软件根据公式(3)计算得到适应度。此外,约束条件也可以通过MATLAB软件进行设定。
S603,根据孔雀优化算法进行位置和适应度的初始化。
其中,每个孔雀的位置与多个内阻参数的一组解相对应,每个孔雀的适应度表征多个内阻参数的一组解与测量值之间的偏差程度。
根据孔雀优化算法,每只孔雀的初始位置可以设置为一个搜索空间,具体地,这个搜索空间是公式(4)取值范围构成的8维空间,每只孔雀的初始位置是这个8维空间里的一个随机位置。适应度的初始化就是这个随机位置通过公式(3)计算出的结果。
S604,根据适应度为每个孔雀分配角色。
将各所述孔雀按照适应度高低进行排序,将适应度高的N个孔雀分配为所述雄孔雀,将适应度高的预设比例的非雄孔雀分配为所述雌孔雀,将其余孔雀分配为所述幼孔雀。
S605,在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置。
通过雌孔雀的自适应接近雄孔雀行为更新各雌孔雀的位置,通过幼孔雀的自适应搜索行为更新各幼孔雀的位置,通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置,第一雄孔雀为适应度最高的雄孔雀。
S606,根据各孔雀更新后的位置重新计算适应度。
根据各孔雀更新后的位置,代入等效模型电路公式(1)和公式(2),计算计算值电压uL,再代入适应度函数公式(3)得到各孔雀新的适应度的值。各孔雀适应度越好,代表要辨别的蓄电池内阻参数越准确。
S607,根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算。
根据重新计算后的适应度高低,重新对各孔雀进行角色划分。将适应度高的N个孔雀分配为雄孔雀,将适应度高的预设比例的非雄孔雀分配为雌孔雀,将其余孔雀分配为幼孔雀。
重新分配好角色后,再基于各孔雀的自适应行为重新更新各孔雀的位置,根据各孔雀重新更新后的位置计算新的适应度,如此反复计算,不断迭代。
S608,在迭代结束时,根据各孔雀的最终位置得到多个内阻参数的最优解。
在迭代结束时,各孔雀的最终位置对应适应度最好的位置,即多个内阻参数的最优解。
上述实施例中,建立蓄电池的等效电路模型,得到多个待识别的内阻参数;确定适应度函数和约束条件;根据孔雀优化算法进行位置和适应度的初始化;根据适应度为每个孔雀分配角色;在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置;根据各孔雀更新后的位置重新计算适应度;根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算;在迭代结束时,根据各孔雀的最终位置得到多个内阻参数的最优解。由于蓄电池内部的综合状态是决定其健康状况的根本因素,而蓄电池内部的任意变化都可能引起蓄电池内阻参数的变化,因此蓄电池的内阻参数是能够反映蓄电池健康状况的表征量;同时又由于蓄电池内阻参数受蓄电池内部化学反应的动态变化特质的影响,难以测量,所以在蓄电池监测技术中,内阻参数测量的准确性是非常重要的。通过本申请实施例,能够更加快速准确地获取蓄电池的内阻参数,并预知其健康状况的变化,有利于变电站、换流站中的运维人员及时地发现性能下降的蓄电池,并进行及时维修或更换,避免电网发生重大的运行事故。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的蓄电池内阻识别方法的蓄电池内阻识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个蓄电池内阻识别装置实施例中的具体限定可以参见上文中对于蓄电池内阻识别方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种蓄电池内阻识别装置,包括:
模型建立模块701,用于建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
函数确定模块702,用于确定适应度函数和约束条件;适应度函数包括所述内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围;
参数求解模块703,用于根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。
在其中一个实施例中,如图11所示,参数求解模块703包括:
初始化子模块7031,用于根据孔雀优化算法进行位置和适应度的初始化;其中,每个孔雀的位置与多个内阻参数的一组解相对应,每个孔雀的适应度表征多个内阻参数的一组解与测量值之间的偏差程度;
角色分配子模块7032,根据适应度为每个孔雀分配角色;角色包括雄孔雀、雌孔雀和幼孔雀;
迭代计算子模块7033,用于根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算,得到多个内阻参数的最优解。
在其中一个实施例中,迭代计算子模块7033包括:
位置更新单元,用于在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置;
适应度计算单元,用于根据各孔雀更新后的位置重新计算适应度;
迭代计算单元,用于根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算;
最优解获得单元,用于迭代结束时,根据各所述孔雀的最终位置得到所述多个所述内阻参数的最优解。
在其中一个实施例中,位置更新单元,具体用于通过雌孔雀的自适应接近雄孔雀行为更新各雌孔雀的位置;通过幼孔雀的自适应搜索行为更新各幼孔雀的位置;通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置;第一雄孔雀为适应度最高的雄孔雀。
在其中一个实施例中,位置更新单元,具体用于获取迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子;根据预设的雌孔雀行为描述公式、迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子,计算出迭代后雌孔雀的位置。
在其中一个实施例中,位置更新单元,具体用于获取迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子;根据预设的幼孔雀行为描述公式、迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子,计算出迭代后幼孔雀的位置。
在其中一个实施例中,位置更新单元,具体用于获取随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数;根据预设的雄孔雀交互行为描述公式、随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数,计算出第二雄孔雀的位置。
在其中一个实施例中,位置更新单元,还用于基于雄孔雀的求偶行为动态调整雄孔雀的位置。
在其中一个实施例中,角色分配子模块7032,具体用于将各孔雀按照适应度高低进行排序;将适应度高的N个孔雀分配为雄孔雀;将适应度高的预设比例的非雄孔雀分配为雌孔雀;将其余孔雀分配为幼孔雀。
上述蓄电池内阻识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储蓄电池内阻识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种蓄电池内阻识别方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
确定适应度函数和约束条件;适应度函数包括内阻参数的测量值与计算值之间的偏差关系,约束条件包括各内阻参数的变化范围;
根据孔雀优化算法、适应度函数和约束条件对多个内阻参数进行求解,得到多个内阻参数的最优解。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据孔雀优化算法进行位置和适应度的初始化;其中,每个孔雀的位置与多个内阻参数的一组解相对应,每个孔雀的适应度表征多个内阻参数的一组解与测量值之间的偏差程度;
根据适应度为每个孔雀分配角色;角色包括雄孔雀、雌孔雀和幼孔雀;
根据角色、适应度函数和约束条件对多个内阻参数进行多次迭代计算,得到多个内阻参数的最优解。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
在每次迭代计算过程中,基于各孔雀的自适应行为更新各孔雀的位置;
根据各孔雀更新后的位置重新计算适应度;
根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算;
在迭代结束时,根据各孔雀的最终位置得到多个内阻参数的最优解。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过雌孔雀的自适应接近雄孔雀行为更新各雌孔雀的位置;
通过幼孔雀的自适应搜索行为更新各幼孔雀的位置;
通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置;第一雄孔雀为适应度最高的雄孔雀。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子;
根据预设的雌孔雀行为描述公式、迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子,计算出迭代后雌孔雀的位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子;
根据预设的幼孔雀行为描述公式、迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子,计算出迭代后幼孔雀的位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数;
根据预设的雄孔雀交互行为描述公式、随机向量、当前雄孔雀的位置、第三搜索算子和第三随机数,计算出第二雄孔雀的位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于雄孔雀的求偶行为动态调整雄孔雀的位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各所述孔雀按照适应度高低进行排序;
将适应度高的N个孔雀分配为雄孔雀;
将适应度高的预设比例的非雄孔雀分配为雌孔雀;
将其余孔雀分配为幼孔雀。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由服务器的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,该计算机程序被处理器执行时,可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时,可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种蓄电池内阻识别方法,其特征在于,所述方法包括:
建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
确定适应度函数和约束条件;所述适应度函数包括所述内阻参数的测量值与计算值之间的偏差关系,所述约束条件包括各所述内阻参数的变化范围;
根据孔雀优化算法、所述适应度函数和所述约束条件对多个所述内阻参数进行求解,得到多个所述内阻参数的最优解。
2.根据权利要求1所述的方法,其特征在于,所述根据孔雀优化算法、所述适应度函数和所述约束条件对多个所述内阻参数进行求解,得到多个所述内阻参数的最优解,包括:
根据孔雀优化算法进行位置和适应度的初始化;其中,每个孔雀的位置与多个所述内阻参数的一组解相对应,每个孔雀的适应度表征多个所述内阻参数的一组解与测量值之间的偏差程度;
根据所述适应度为每个孔雀分配角色;所述角色包括雄孔雀、雌孔雀和幼孔雀;
根据所述角色、所述适应度函数和所述约束条件对多个所述内阻参数进行多次迭代计算,得到多个所述内阻参数的最优解。
3.根据权利要求2所述的方法,其特征在于,所述根据所述角色、所述适应度函数和所述约束条件对多个所述内阻参数进行多次迭代计算,得到多个所述内阻参数的最优解,包括:
在每次迭代计算过程中,基于各所述孔雀的自适应行为更新各所述孔雀的位置;
根据各所述孔雀更新后的位置重新计算所述适应度;
根据重新计算后的适应度重新分配角色,并根据重新分配的角色再次进行迭代计算;
在迭代结束时,根据各所述孔雀的最终位置得到所述多个所述内阻参数的最优解。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述孔雀的自适应行为更新各所述孔雀的位置,包括:
通过雌孔雀的自适应接近雄孔雀行为更新各所述雌孔雀的位置;
通过幼孔雀的自适应搜索行为更新各所述幼孔雀的位置;
通过雄孔雀之间的相互作用行为更新除第一雄孔雀之外的第二雄孔雀的位置;所述第一雄孔雀为适应度最高的雄孔雀。
5.根据权利要求4所述的方法,其特征在于,所述通过雌孔雀的自适应接近雄孔雀行为更新各所述雌孔雀的位置,包括:
获取迭代后雌孔雀的位置、当前雌孔雀的位置、当前雄孔雀的位置、第一随机数、第一位置更新算子和第一搜索算子;
根据预设的雌孔雀行为描述公式、所述迭代后雌孔雀的位置、所述当前雌孔雀的位置、所述当前雄孔雀的位置、所述第一随机数、所述第一位置更新算子和所述第一搜索算子,计算出迭代后雌孔雀的位置。
6.根据权利要求4所述的方法,其特征在于,所述通过幼孔雀的自适应搜索行为更新各所述幼孔雀的位置,包括:
获取迭代后幼孔雀的位置、当前幼孔雀的位置、飞行因子、幼孔雀跟随的雄孔雀位置、当前雄孔雀的位置、第二随机数、第二位置更新算子和动态变化算子;
根据预设的幼孔雀行为描述公式、所述迭代后幼孔雀的位置、所述当前幼孔雀的位置、所述飞行因子、所述幼孔雀跟随的雄孔雀位置、所述当前雄孔雀的位置、所述第二随机数、所述第二位置更新算子和所述动态变化算子,计算出迭代后幼孔雀的位置。
7.一种蓄电池内阻识别装置,其特征在于,所述装置包括:
模型建立模块,用于建立蓄电池的等效电路模型,得到多个待识别的内阻参数;
函数确定模块,用于确定适应度函数和约束条件;所述适应度函数包括所述内阻参数的测量值与计算值之间的偏差关系,所述约束条件包括各所述内阻参数的变化范围;
参数求解模块,用于根据孔雀优化算法、所述适应度函数和所述约束条件对多个所述内阻参数进行求解,得到多个所述内阻参数的最优解。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588377.8A CN114936524A (zh) | 2022-05-27 | 2022-05-27 | 蓄电池内阻识别方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588377.8A CN114936524A (zh) | 2022-05-27 | 2022-05-27 | 蓄电池内阻识别方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936524A true CN114936524A (zh) | 2022-08-23 |
Family
ID=82866007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588377.8A Pending CN114936524A (zh) | 2022-05-27 | 2022-05-27 | 蓄电池内阻识别方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936524A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030066037A1 (en) * | 2001-09-28 | 2003-04-03 | Priyadarsan Patra | Time synthesis for power optimization of high performance circuits |
CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
CN112464571A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨工业大学(深圳) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 |
CN114039366A (zh) * | 2021-11-11 | 2022-02-11 | 云南电网有限责任公司电力科学研究院 | 一种基于孔雀优化算法的电网二次调频控制方法及装置 |
-
2022
- 2022-05-27 CN CN202210588377.8A patent/CN114936524A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030066037A1 (en) * | 2001-09-28 | 2003-04-03 | Priyadarsan Patra | Time synthesis for power optimization of high performance circuits |
CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
CN112464571A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨工业大学(深圳) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 |
CN114039366A (zh) * | 2021-11-11 | 2022-02-11 | 云南电网有限责任公司电力科学研究院 | 一种基于孔雀优化算法的电网二次调频控制方法及装置 |
Non-Patent Citations (3)
Title |
---|
DONGRUI LI,JINJIN LI,NING WANG: "A Novel Technique Based on Peafowl Optimization Algorithm for Maximum Power Point Tracking of PV Systems Under Partial Shading Condition", SEC. PROCESS AND ENERGY SYSTEMS ENGINEERING, vol. 9, pages 1 - 10 * |
JINGBO WANG, BO YANG, YIJUN CHEN, KAIDI ZENG, HAO ZHANG, HONGCHUN SHU, YINGTONG CHEN: "Novel phasianidae inspired peafowl (Pavo muticus/cristatus) optimization algorithm: Design, evaluation, and SOFC models parameter estimation", 《SUSTAINABLE ENERGY TECHNOLOGIES AND ASSESSMENTS》, vol. 50, pages 1 - 14 * |
蔡树人: "《供电企业安全性评价重点问题和整改措施》", 31 March 2004, 中国电力出版社, pages: 52 - 53 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
CN116165542B (zh) * | 2023-03-01 | 2023-10-20 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
Li et al. | Development and investigation of efficient artificial bee colony algorithm for numerical function optimization | |
EP3904894A1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
CN112800231B (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
Zhao et al. | EIS equivalent circuit model prediction using interpretable machine learning and parameter identification using global optimization algorithms | |
CN110750852B (zh) | 一种超级电容器的剩余使用寿命预测方法、装置及电子设备 | |
CN112241836B (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
CN109086900A (zh) | 基于多目标粒子群优化算法的电力物资保障及调配平台 | |
CN114705990A (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 | |
CN114936524A (zh) | 蓄电池内阻识别方法、装置、设备、介质和程序产品 | |
CN115629315A (zh) | 电池状态估计方法、电池状态估计装置、设备及存储介质 | |
Parwita et al. | Optimization of COCOMO II coefficients using Cuckoo optimization algorithm to improve the accuracy of effort estimation | |
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 | |
CN110929835A (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
Yu et al. | A robust method based on reinforcement learning and differential evolution for the optimal photovoltaic parameter extraction | |
CN111337833A (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
CN110428164A (zh) | 一种电网运行状态监测方法、装置、设备及可读存储介质 | |
CN116224070A (zh) | 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 | |
Liu et al. | Computing budget allocation in multi-objective evolutionary algorithms for stochastic problems | |
Sóbester et al. | Genetic programming approaches for solving elliptic partial differential equations | |
Nakashima et al. | Incremental learning of fuzzy rule-based classifiers for large data sets | |
Almodfer et al. | Chaotic honey badger algorithm for single and double photovoltaic cell/module | |
CN115986746B (zh) | 基于软传感器的预测方法、装置、计算机设备和存储介质 | |
Ye et al. | Learning fuzzy cognitive maps using decomposed parallel ant colony algorithm and gradient descent | |
CN112669893B (zh) | 确定待使用读电压的方法、系统、装置及设备 |
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 |