CN115456292A - 电动农机复合电源能量优化管理方法及装置 - Google Patents

电动农机复合电源能量优化管理方法及装置 Download PDF

Info

Publication number
CN115456292A
CN115456292A CN202211176885.1A CN202211176885A CN115456292A CN 115456292 A CN115456292 A CN 115456292A CN 202211176885 A CN202211176885 A CN 202211176885A CN 115456292 A CN115456292 A CN 115456292A
Authority
CN
China
Prior art keywords
chromosome
fuzzy control
population
preset
preset test
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
CN202211176885.1A
Other languages
English (en)
Inventor
余强
李雪妍
潘信佳
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202211176885.1A priority Critical patent/CN115456292A/zh
Publication of CN115456292A publication Critical patent/CN115456292A/zh
Pending legal-status Critical Current

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)

Abstract

本发明提供一种电动农机复合电源能量优化管理方法及装置，方法包括：生成染色体种群；对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数，对电动农机进行能量管理。本发明基于改进遗传算法，在不同的电动农机工况下迭代优化模糊控制规则，再使用优化后的模糊控制策略对电动农机进行能量管理，从而降低模糊控制策略对先验经验的依赖性，可以在不同的工况下迅速匹配最优的模糊控制参数。

Description

电动农机复合电源能量优化管理方法及装置
技术领域
本发明涉及电动农机技术领域，尤其涉及一种电动农机复合电源能量优化管理方法及装置。
背景技术
随着化石燃料的过度使用，资源短缺问题越来越严重，长期以来，农业机械多采用内燃机提供动力，而传统的燃油动力农业机械在消耗大量石油资源的同时，也带来了大量的碳排放和环境污染，而电动农业机械具有结构简洁、控制灵活、低尾气排放、工作噪音小、低碳环保、和维护成本低等特点，节省农业作业费用消耗，是绿色环保的农业机械。
现阶段，电动农用机械在技术上也存在一些难题急需解决，主要包括能量管理技术、电机及其控制技术、变速箱及其控制技术、模型虚拟仿真技术等，在现有条件下，已研发制造的蓄电池的比功率和比能量难以满足电动农用机械的实际作业要求，因此在有限的动力下，通过制定有效的电动拖拉机电源的能量管理策略，从而降低电动农机的能耗、提高电动农机的续航能力具有重要意义。
目前，电动农用机械的动力来源基本来自于配备的蓄电池，不同于电动汽车，电动农机除了具有跟电动汽车输运的相同功能外，还必须承担多变复杂的作业运行工况，因此，电源系统在作业工况发生变换时会切换运行模式，此时电机输出转矩可能会发生突变，从而导致蓄电池瞬时峰值大电流的产生，使得电池的使用寿命会随大电流放电次数的增加而减少。
发明内容
本发明提供一种电动农机复合电源能量优化管理方法及装置，用以解决现有技术中电源系统的瞬时峰值大电流以致电池寿命较差的缺陷，提高电池的循环使用寿命，实现非线性控制，具有优良的适应性和容错性。
本发明提供一种电动农机复合电源能量优化管理方法，包括：生成染色体种群，所述染色体种群包括多个染色体，所述染色体是对所述染色体种群中单个个体进行编码后的编码串；对染色体种群中的各染色体分别进行解码，得到对应各所述染色体的模糊控制参数；根据所述模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；判断各所述预设测试工况对应的所述染色体种群是否收敛，并基于收敛，选择所述适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
根据本发明提供的一种电动农机复合电源能量优化管理方法，所述得到各预设测试工况对应的各染色体的适应度，包括：将各所述染色体对应的模糊控制参数输入至整车控制模型中，并基于预设测试工况，运行所述整车控制模型；根据运行的整车控制模型，获取蓄电池的SOC和最大峰值电流；根据所述蓄电池的SOC和最大峰值电流，得到各染色体对应的适应度。
根据本发明提供的一种电动农机复合电源能量优化管理方法，在判断各所述预设测试工况对应的所述染色体种群是否收敛之后，还包括：基于未收敛，对所述染色体种群进行更新；对所述更新后的染色体种群进行解码，得到对应所述更新后的染色体种群中各染色体的更新模糊控制参数；根据所述更新模糊控制参数，并基于多种预设测试工况和整车控制模型，重新获取各预设测试工况对应的更新后的染色体种群中各染色体的适应度；重新判断所述更新后的染色体种群是否收敛，并基于收敛，重新选择更新后的染色体种群中适应度最高的染色体对应的更新模糊控制参数作为最优模糊控制参数；重新根据各所述预设测试工况及其对应重新选择的最优模糊控制参数，对电动农机进行能量管理。
根据本发明提供的一种电动农机复合电源能量优化管理方法，所述基于未收敛，对所述染色体种群进行更新，包括：将所述染色体种群中适应度最高的染色体保留；将所述染色体种群中除所述适应度最高的染色体以外的其他染色体进行随机两两配对，得到配对后的染色体对；根据预设交叉概率判断是否对各所述染色体对进行交叉操作，并根据判断结果更新所述染色体对；根据预设变异概率判断是否对各所述其他染色体进行变异操作，并根据判断结果更新对应其他染色体；根据所述适应度最高的染色体、更新后的染色体对和更新后的其他染色体，得到第一种群；利用轮盘赌选择机制，筛选所述第一种群中的染色体，得到更新后的染色体种群。
根据本发明提供的一种电动农机复合电源能量优化管理方法，所述根据预设交叉概率判断是否对各所述染色体对进行交叉操作，包括：在第一预设区间随机生成第一随机数；基于所述第一随机数小于预设交叉概率，则进行交叉操作；
所述根据预设变异概率判断是否对各所述其他染色体进行变异操作，包括：在第二预设区间随机生成第二随机数；基于所述第二随机数小于预设变异概率，则进行变异操作。
根据本发明提供的一种电动农机复合电源能量优化管理方法，所述判断各所述预设测试工况对应的所述染色体种群是否收敛，包括：基于最高适应度符合预设优化范围，则收敛；和/或，基于判断各所述预设测试工况对应的所述染色体种群是否收敛的次数达到预设迭代次数，则判断为收敛。
根据本发明提供的一种电动农机复合电源能量优化管理方法，在生成染色体种群之后，包括：根据预设筛除数量，将所述染色体种群中的染色体按适应度由低到高进行剔除。
本发明还提供一种电动农机复合电源能量优化管理装置，包括：种群生成模块，生成染色体种群，所述染色体种群包括多个染色体，所述染色体是对所述染色体种群中单个个体进行编码后的编码串；解码模块，对染色体种群中的各染色体分别进行解码，得到对应各所述染色体的模糊控制参数；适应度获取模块，根据所述模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；收敛判断模块，判断各所述预设测试工况对应的所述染色体种群是否收敛，并基于收敛，选择所述适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；能量管理模块，根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电动农机复合电源能量优化管理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电动农机复合电源能量优化管理方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述电动农机复合电源能量优化管理方法的步骤。
本发明提供的电动农机复合电源能量优化管理方法及装置，基于改进遗传算法，在不同的电动农机工况下迭代优化模糊控制规则，再使用优化后的模糊控制策略对电动农机进行能量管理，从而降低模糊控制策略对先验经验的依赖性，可以在不同的工况下迅速匹配最优的模糊控制参数；另外，优化采用的遗传算法考虑加入精英保留策略，保证了算法的全局收敛，从而能够获得全局最优解；以蓄电池的SOC和最大峰值电流作为经济性评价指标，从而得到能够充分利用超级电容削减蓄电池峰值电流、减少蓄电池大电流放电次数延长蓄电池使用寿命的模糊控制参数。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的电动农机复合电源能量优化管理方法的流程示意图之一；
图2是本发明提供的电动农机复合电源能量优化管理方法的流程示意图之二；
图3是本发明提供的复合电源模糊控制策略关系图；
图4是本发明提供的模糊控制规则示意图；
图5是本发明提供的预设测试工况示意图；
图6是本发明提供的电动农机复合电源能量优化管理装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
图1示出了本发明的一种电动农机复合电源能量优化管理方法的流程示意图，该方法包括：
S11，生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串；
S12，对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；
S13，根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；
S14，判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；
S15，根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
需要说明的是，本说明书中的S1N不代表电动农机复合电源能量优化管理方法的先后顺序，下面具体结合图2-图5描述本发明的电动农机复合电源能量优化管理方法。
步骤S11，生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串。
在本实施例中，参考图2，生成染色体种群，包括：初步设定模糊控制参数和隶属度函数；对初步设定的模糊控制参数进行编码，得到对应各模糊控制参数的染色体；将染色体按照预设排列顺序排列，得到染色体种群。
需要说明的是，初步设定模糊控制参数和隶属度函数时，可以根据先验经验和电动农机的供电要求设置，也可以根据实际设计需求设置，此处不作进一步地限定。另外，生成的染色体种群数量可以根据实际设置需求设置，此处不作进一步地限定。
在一个可选实施例中，对初步设定的模糊控制参数进行编码，包括：利用二进制编码的方式对模糊控制参数进行编码，以便于提高编码精度及搜索范围。
举例而言，若选取三输入一输出的模糊控制器，则如图3所示，共计45条模糊控制参数，参考图4，将45条模糊控制参数按照预设排列顺序排列，每条模糊控制参数由三位二进制数表示，以得到一条长为135位染色体表示的模糊控制规则。
在一个可选实施例中，在生成染色体种群之后，包括：根据预设筛除数量，将染色体种群中的染色体按适应度由低到高进行剔除。比如，生成染色体种群中有N条染色体，预设筛除数量为M，则对应删除N条染色体中适应度较差的M条染色体，以将剩下的(N-M)条染色体作为染色体种群。
步骤S12，对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数。
步骤S13，根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度。
在本实施例中，得到各预设测试工况对应的各染色体的适应度，包括：将各染色体对应的模糊控制参数输入至整车控制模型中，并基于预设测试工况，运行整车控制模型；根据运行的整车控制模型，获取蓄电池的SOC和最大峰值电流；根据蓄电池的SOC和最大峰值电流，得到各染色体对应的适应度。
需要说明的是，在得到各预设测试工况对应的各染色体的适应度之前，选择预设测试工况，以便于根据所选预设测试工况执行步骤S13。另外，预设测试工况可以参考电动汽车标准测试工况，并对其进行一定的改进，以使其适用于电动农机的实际作业工况，比如以电动汽车标准测试工况的NEDC工况为例，根据电动拖拉机实际作业所需速度，对NEDC工况进行降速处理，得到如图5所示的降速后的NEDC工况。
更进一步地说，各染色体对应的适应度，表示为：
Figure BDA0003864892430000081
其中，ω1、ω2表示权重系数，SOCbat_last表示复合电源结束工作时蓄电池剩余SOC值，ess_currentmax表示蓄电池的最大峰值电流。应当补充的是，ω1、ω2可以根据实际设计需求设置，比如为减小蓄电池的最大峰值电流，而蓄电池SOC变化幅值较小，因此ω1可以设置为0.2，ω2可以设置为0.8。
在一个可选实施例中，根据运行的整车控制模型，获取对应各所述预设测试工况的电流和蓄电池的SOC还包括：获取对应各预设测试工况的整车需求功率和超级电容的SOC，则相应地，将对应各预设测试工况的整车需求功率、蓄电池的SOC和超级电容的SOC作为模糊控制器的输入，并通过模糊控制推理机，得到各预设测试工况的超级电容在复合电源中的功率占比。需要说明的是，通过改进后的遗传算法优化模糊控制参数，以优化模糊控制器，并利用优化后的模糊控制器得到各预设测试工况对应的超级电容在复合电源中的功率占比，从而便于根据功率占比实现对复合电源的能量控制。另外，复合电源包括超级电容和蓄电池。
步骤S14，判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数。
在本实施例中，判断各预设测试工况对应的染色体种群是否收敛，包括：基于最高适应度符合预设优化范围，则收敛；和/或，基于判断各预设测试工况对应的染色体种群是否收敛的次数达到预设迭代次数，则判断为收敛。
应当注意，当判断各预设测试工况对应的染色体种群是否收敛的次数，即种群迭代次数达到预设迭代次数时，即使最高适应度未符合预设优化范围，仍停止迭代。此外，在得到最优模糊控制参数之后，判断所有预设测试工况是否全部优化完毕，即所有预设测试工况是否均已执行步骤S13和步骤S14，若是，则执行步骤S15，否则重新执行步骤S13和步骤S14。
需要说明的是，预设优化范围可以为最高适应度不小于预设优化阈值，或者最高适应度位于第一预设优化阈值和第二预设优化阈值组成的区间范围内，具体可根据实际设计需求设置，此处不作进一步地限定。另外，预设迭代次数同样可以根据实际设计需求设置，比如为60。
在一个可选实施例中，在判断各预设测试工况对应的染色体种群是否收敛之后，还包括：基于未收敛，对染色体种群进行更新，得到更新后的染色体种群；重新对更新后的染色体种群进行解码，得到对应更新后的染色体种群中各染色体的更新模糊控制参数；根据更新模糊控制参数，并基于多种预设测试工况和整车控制模型，重新获取各预设测试工况对应的更新后的染色体种群中各染色体的适应度；重新判断更新后的染色体种群是否收敛，并基于收敛，重新选择更新后的染色体种群中适应度最高的染色体对应的更新模糊控制参数作为最优模糊控制参数；重新根据各预设测试工况及其对应重新选择的最优模糊控制参数，对电动农机进行能量管理。
具体地，基于未收敛，对染色体种群进行更新，包括：将染色体种群中适应度最高的染色体保留；将染色体种群中除适应度最高的染色体以外的其他染色体进行随机两两配对，得到配对后的染色体对；根据预设交叉概率判断是否对各染色体对进行交叉操作，并根据判断结果更新染色体对；根据预设变异概率判断是否对各其他染色体进行变异操作，并根据判断结果更新对应其他染色体；根据适应度最高的染色体、更新后的染色体对和更新后的其他染色体，得到第一种群；利用轮盘赌选择机制，筛选第一种群中的染色体，得到更新后的染色体种群。
更进一步的说，根据预设交叉概率判断是否对各染色体对进行交叉操作，包括：在第一预设区间随机生成第一随机数；基于第一随机数小于预设交叉概率，则进行交叉操作。需要说明的是，第一预设区间和预设交叉概率可以根据实际设计需求或先验经验设置，比如，第一预设区间可以为[0,1]，预设交叉概率可以为0.7。另外，交叉操作可以采用单点交叉方式，以得到两条子代染色体，从而利用两条子代染色体代替当前染色体对。
应当注意，若不进行交叉操作，则保留当前染色体对。此外，重复根据预设交叉概率判断是否对染色体对进行交叉操作，直至完成所有其他染色体的交叉操作判断，以更新当前染色体种群中的染色体。
另外，根据预设变异概率判断是否对各其他染色体进行变异操作，包括：在第二预设区间随机生成第二随机数；基于第二随机数小于预设变异概率，则进行变异操作。需要说明的是，第二预设区间和变异概率可以根据实际设计需求或先验经验设置，第二预设区间也可以根据第一预设区间设置，具体不作限定，变异概率可以为0.001。另外，变异操作可以采用随机变异的方式，得到一条变异后的子代其他染色体，以利用子代其他染色体代替当前其他染色体。
应当注意，若不进行变异操作，则保留当前其他染色体；此外，重复根据预设变异概率判断是否对其他染色体进行变异操作，直至完成所有其他染色体的变异操作判断，从而更新当前种群中的其他染色体，筛选掉适应度最差的染色体，从而将种群中剩余的染色体与最高适应度染色体组合，以更新染色体种群。
在本实施例中，轮盘赌选择机制，表示为：
Figure BDA0003864892430000112
其中，n表示更新后的染色体种群中染色体的数量，fi表示更新后的染色体种群中第i个染色体的适应度，Pi表示个体i被选择的概率。
步骤S15，根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
需要说明的是，当得到所有预设测试工况的最优模糊控制参数之后，将得到的所有预设测试工况的最优模糊控制参数输入至电动农机的控制器，以通过获取的当前工况及其对应的最优模糊控制参数进行电动农机的能量管理。
在一个可选实施例中，分别使用逻辑门限值策略、优化前的模糊控制策略和本申请中通过改进遗传算法优化的模糊控制策略进行电动农机复合电源能量管理并与单电源情况进行对比，结果如下表所示：
Figure BDA0003864892430000111
由此可见，优化后的模糊控制策略优于逻辑门限值策略，本申请通过改进遗传算法确定最优模糊控制参数后的模糊控制策略的蓄电池最大峰值电流和SOC变化值更小，优于逻辑门限值策略和优化前的模糊控制策略，且相对于优化前的模糊控制策略，本申请的蓄电池最大峰值电流降低了36.4％。
综上所述，本发明实施例基于改进遗传算法，在不同的电动农机工况下迭代优化模糊控制规则，再使用优化后的模糊控制策略对电动农机进行能量管理，从而降低模糊控制策略对先验经验的依赖性，可以在不同的工况下迅速匹配最优的模糊控制参数；另外，优化采用的遗传算法考虑加入精英保留策略，保证了算法的全局收敛，从而能够获得全局最优解；以蓄电池SOC和最大峰值电流作为经济性评价指标，从而得到能够充分利用超级电容削减蓄电池峰值电流、减少蓄电池大电流放电次数延长蓄电池使用寿命的模糊控制参数。
下面对本发明提供的电动农机复合电源能量优化管理装置进行描述，下文描述的电动农机复合电源能量优化管理装置与上文描述的电动农机复合电源能量优化管理方法可相互对应参照。
图6示出了一种电动农机复合电源能量优化管理装置的结构示意图，该装置，包括：
种群生成模块61，生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串；
解码模块62，对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；
适应度获取模块63，根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；
收敛判断模块64，判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；
能量管理模块65，根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
在本实施例中，种群生成模块61，包括：设定单元，初步设定模糊控制参数和隶属度函数；编码单元，对初步设定的模糊控制参数进行编码，得到对应各模糊控制参数的染色体；将染色体按照预设排列顺序排列，得到染色体种群。
在一个可选实施例中，编码单元，包括：编码子单元，利用二进制编码的方式对模糊控制参数进行编码，以便于提高编码精度及搜索范围。
在一个可选实施例中，该装置还包括：删选模块，在生成染色体种群之后，根据预设筛除数量，将染色体种群中的染色体按适应度由低到高进行剔除。比如，生成染色体种群中有N条染色体，预设筛除数量为M，则对应删除N条染色体中适应度较差的M条染色体，以将剩下的(N-M)条染色体作为染色体种群。
适应度获取模块63，包括：模型运行单元，将各染色体对应的模糊控制参数输入至整车控制模型中，并基于预设测试工况，运行整车控制模型；数据获取单元，根据运行的整车控制模型，获取蓄电池的SOC和最大峰值电流；适应度获取单元，根据蓄电池的SOC和最大峰值电流，得到各染色体对应的适应度。
在一个可选实施例中，数据获取单元，还用于获取对应各预设测试工况的整车需求功率和超级电容的SOC，则相应地，适应度获取模块63，还包括：功率占比获取单元，将对应各预设测试工况的整车需求功率、蓄电池的SOC和超级电容的SOC作为模糊控制器的输入，并通过模糊控制推理机，得到各测试工况的超级电容在复合电源中的功率占比。需要说明的是，通过改进后的遗传算法优化模糊控制参数，以优化模糊控制器，并利用优化后的模糊控制器得到各预设测试工况对应的超级电容在复合电源中的功率占比，从而便于根据功率占比实现对复合电源的能量控制。另外，复合电源包括超级电容和蓄电池。
收敛判断模块64，包括：收敛判断单元，判断各预设测试工况对应的染色体种群是否收敛；最优参数获取单元，基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数。
具体而言，收敛判断单元，包括：第一收敛判断子单元，基于最高适应度符合预设优化范围，则收敛；和/或，第二收敛判断子单元，基于判断各预设测试工况对应的染色体种群是否收敛的次数达到预设迭代次数，则判断为收敛。
在一个可选实施例中，收敛判断模块64，还包括：种群更新单元，基于未收敛，对染色体种群进行更新，得到更新后的染色体种群；重新利用解码模块62对更新后的染色体种群进行解码，得到对应更新后的染色体种群中各染色体的更新模糊控制参数；重新通过适应度获取模块63根据更新模糊控制参数，并基于多种预设测试工况和整车控制模型，重新获取各预设测试工况对应的更新后的染色体种群中各染色体的适应度；重新通过收敛判断模块64判断更新后的染色体种群是否收敛，并基于收敛，重新选择更新后的染色体种群中适应度最高的染色体对应的更新模糊控制参数作为最优模糊控制参数；重新通过能力管理模块65根据各预设测试工况及其对应重新选择的最优模糊控制参数，对电动农机进行能量管理。
更进一步地说，种群更新单元，包括：精英保留子单元，将染色体种群中适应度最高的染色体保留；配对子单元，将染色体种群中除适应度最高的染色体以外的其他染色体进行随机两两配对，得到配对后的染色体对；交叉操作更新子单元，根据预设交叉概率判断是否对各染色体对进行交叉操作，并根据判断结果更新染色体对；变异操作更新子单元，根据预设变异概率判断是否对各其他染色体进行变异操作，并根据判断结果更新对应其他染色体；种群更新子单元，根据适应度最高的染色体、更新后的染色体对和更新后的其他染色体，得到第一种群；种群筛选子单元，利用轮盘赌选择机制，筛选第一种群中的染色体，得到更新后的染色体种群。
进一步地，交叉操作更新子单元，包括：交叉操作判断孙单元，根据预设交叉概率判断是否对各染色体对进行交叉操作；交叉执行孙单元，根据判断结果更新对应其他染色体。
具体地，交叉操作判断孙单元，包括：第一随机曾孙单元，在第一预设区间随机生成第一随机数；第一判断曾孙单元，基于第一随机数小于预设交叉概率，则进行交叉操作。
另外，变异操作更新子单元，包括：变异操作判断孙单元，根据预设变异概率判断是否对各其他染色体进行变异操作；变异执行孙单元，根据判断结果更新对应其他染色体。
具体地，变异操作判断孙单元，包括：第二随机曾孙单元，在第二预设区间随机生成第二随机数；第二判断曾孙单元，基于第二随机数小于预设变异概率，则进行变异操作。
综上所述，本发明实施例基于种群生成模块、解码模块、适应度获取模块和收敛判断模块改进遗传算法，在不同的电动农机工况下迭代优化模糊控制规则，再通过能量管理模块利用优化后的模糊控制策略对电动农机进行能量管理，从而降低模糊控制策略对先验经验的依赖性，可以在不同的工况下迅速匹配最优的模糊控制参数；另外，优化采用的遗传算法考虑加入精英保留策略，保证了算法的全局收敛，从而能够获得全局最优解；以蓄电池SOC和最大峰值电流作为经济性评价指标，从而得到能够充分利用超级电容削减蓄电池峰值电流、减少蓄电池大电流放电次数延长蓄电池使用寿命的模糊控制参数。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)71、通信接口(Communications Interface)72、存储器(memory)73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信。处理器71可以调用存储器73中的逻辑指令，以执行电动农机复合电源能量优化管理方法，该方法包括：生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串；对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
此外，上述的存储器73中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供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，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的电动农机复合电源能量优化管理方法，该方法包括：生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串；对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的电动农机复合电源能量优化管理方法，该方法包括：生成染色体种群，染色体种群包括多个染色体，染色体是对染色体种群中单个个体进行编码后的编码串；对染色体种群中的各染色体分别进行解码，得到对应各染色体的模糊控制参数；根据模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；判断各预设测试工况对应的染色体种群是否收敛，并基于收敛，选择适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电动农机复合电源能量优化管理方法，其特征在于，包括：
生成染色体种群，所述染色体种群包括多个染色体，所述染色体是对所述染色体种群中单个个体进行编码后的编码串；
对染色体种群中的各染色体分别进行解码，得到对应各所述染色体的模糊控制参数；
根据所述模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；
判断各所述预设测试工况对应的所述染色体种群是否收敛，并基于收敛，选择所述适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；
根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
2.根据权利要求1所述的电动农机复合电源能量优化管理方法，其特征在于，所述得到各预设测试工况对应的各染色体的适应度，包括：
将各所述染色体对应的模糊控制参数输入至整车控制模型中，并基于预设测试工况，运行所述整车控制模型；
根据运行的整车控制模型，获取蓄电池的SOC和最大峰值电流；
根据所述蓄电池的SOC和最大峰值电流，得到各染色体对应的适应度。
3.根据权利要求1所述的电动农机复合电源能量优化管理方法，其特征在于，在判断各所述预设测试工况对应的所述染色体种群是否收敛之后，还包括：
基于未收敛，对所述染色体种群进行更新；
对所述更新后的染色体种群进行解码，得到对应所述更新后的染色体种群中各染色体的更新模糊控制参数；
根据所述更新模糊控制参数，并基于多种预设测试工况和整车控制模型，重新获取各预设测试工况对应的更新后的染色体种群中各染色体的适应度；
重新判断所述更新后的染色体种群是否收敛，并基于收敛，重新选择更新后的染色体种群中适应度最高的染色体对应的更新模糊控制参数作为最优模糊控制参数；
重新根据各所述预设测试工况及其对应重新选择的最优模糊控制参数，对电动农机进行能量管理。
4.根据权利要求3所述的电动农机复合电源能量优化管理方法，其特征在于，所述基于未收敛，对所述染色体种群进行更新，包括：
将所述染色体种群中适应度最高的染色体保留；
将所述染色体种群中除所述适应度最高的染色体以外的其他染色体进行随机两两配对，得到配对后的染色体对；
根据预设交叉概率判断是否对各所述染色体对进行交叉操作，并根据判断结果更新所述染色体对；
根据预设变异概率判断是否对各所述其他染色体进行变异操作，并根据判断结果更新对应其他染色体；
根据所述适应度最高的染色体、更新后的染色体对和更新后的其他染色体，得到第一种群；
利用轮盘赌选择机制，筛选所述第一种群中的染色体，得到更新后的染色体种群。
5.根据权利要求4所述的电动农机复合电源能量优化管理方法，其特征在于，所述根据预设交叉概率判断是否对各所述染色体对进行交叉操作，包括：
在第一预设区间随机生成第一随机数；
基于所述第一随机数小于预设交叉概率，则进行交叉操作；
所述根据预设变异概率判断是否对各所述其他染色体进行变异操作，包括：
在第二预设区间随机生成第二随机数；
基于所述第二随机数小于预设变异概率，则进行变异操作。
6.根据权利要求1所述的电动农机复合电源能量优化管理方法，其特征在于，所述判断各所述预设测试工况对应的所述染色体种群是否收敛，包括：
基于最高适应度符合预设优化范围，则收敛；和/或，
基于判断各所述预设测试工况对应的所述染色体种群是否收敛的次数达到预设迭代次数，则判断为收敛。
7.根据权利要求1所述的电动农机复合电源能量优化管理方法，其特征在于，在生成染色体种群之后，包括：
根据预设筛除数量，将所述染色体种群中的染色体按适应度由低到高进行剔除。
8.一种电动农机复合电源能量优化管理装置，其特征在于，包括：
种群生成模块，生成染色体种群，所述染色体种群包括多个染色体，所述染色体是对所述染色体种群中单个个体进行编码后的编码串；
解码模块，对染色体种群中的各染色体分别进行解码，得到对应各所述染色体的模糊控制参数；
适应度获取模块，根据所述模糊控制参数，并基于多种预设测试工况和整车控制模型，得到各预设测试工况对应的各染色体的适应度；
收敛判断模块，判断各所述预设测试工况对应的所述染色体种群是否收敛，并基于收敛，选择所述适应度最高的染色体对应的模糊控制参数作为最优模糊控制参数；
能量管理模块，根据各预设测试工况及其对应的最优模糊控制参数，对电动农机进行能量管理。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述电动农机复合电源能量优化管理方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述电动农机复合电源能量优化管理方法的步骤。
CN202211176885.1A 2022-09-26 2022-09-26 电动农机复合电源能量优化管理方法及装置 Pending CN115456292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211176885.1A CN115456292A (zh) 2022-09-26 2022-09-26 电动农机复合电源能量优化管理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211176885.1A CN115456292A (zh) 2022-09-26 2022-09-26 电动农机复合电源能量优化管理方法及装置

Publications (1)

Publication Number Publication Date
CN115456292A true CN115456292A (zh) 2022-12-09

Family

ID=84307779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211176885.1A Pending CN115456292A (zh) 2022-09-26 2022-09-26 电动农机复合电源能量优化管理方法及装置

Country Status (1)

Country Link
CN (1) CN115456292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708999A (zh) * 2024-02-06 2024-03-15 北京航空航天大学 一种面向场景的混动汽车能量管理策略评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708999A (zh) * 2024-02-06 2024-03-15 北京航空航天大学 一种面向场景的混动汽车能量管理策略评价方法
CN117708999B (zh) * 2024-02-06 2024-04-09 北京航空航天大学 一种面向场景的混动汽车能量管理策略评价方法

Similar Documents

Publication Publication Date Title
EP4105835A1 (en) Neural network architecture search method and apparatus, device and medium
CN111275172A (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN109413710B (zh) 基于遗传算法优化的无线传感器网络的分簇方法及装置
CN113098714A (zh) 一种基于深度强化学习的低时延网络切片的方法
CN110147407A (zh) 一种数据处理方法、装置及数据库管理服务器
CN115456292A (zh) 电动农机复合电源能量优化管理方法及装置
CN105243460A (zh) 一种基于改进人工鱼群算法的输电塔塔腿辅材拓扑结构优化方法
CN116223973A (zh) 基于改进灰狼优化算法的分布式配电网故障定位方法
CN102110158B (zh) 一种基于改进型sdd-1算法的数据库多连接查询优化方法
CN113536508A (zh) 一种制造网络节点分类方法及系统
CN109889573B (zh) 混合云中基于ngsa多目标的副本放置方法
CN116885796A (zh) 电力系统智能调节方法及系统
CN111831955A (zh) 一种锂离子电池剩余寿命预测方法及系统
CN113239622B (zh) 一种直流配网的故障恢复重构方法
Nezamabadi-Pour et al. A solution to an economic dispatch problem by a fuzzy adaptive genetic algorithm
CN111030084A (zh) 一种考虑系统恢复过程中机组状态的负荷恢复优化方法
CN114118444B (zh) 一种利用启发式算法降低联邦学习中设备空跑时间的方法
CN112373458B (zh) 一种基于自适应模糊控制的混合动力汽车能量管理方法
CN115425637A (zh) 一种基于Floyd-MPSO算法的岛礁电网应急重构方法
CN114925190A (zh) 一种基于规则推理与gru神经网络推理的混合推理方法
Tripathi et al. An Environmental Adaption Method with real parameter encoding for dynamic environment
CN110851263A (zh) 一种针对异构云数据中心的绿色云任务调度方法
Makikawa et al. Balance and proximity-aware Skip Graph construction
CN114138479B (zh) 一种基于Qos的微服务组合优化方法
CN117313135B (zh) 一种基于属性划分的可高效重构的个人隐私保护方法

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