CN116047310A - 一种电池模型参数辨识方法、装置和电子设备 - Google Patents
一种电池模型参数辨识方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116047310A CN116047310A CN202310177245.0A CN202310177245A CN116047310A CN 116047310 A CN116047310 A CN 116047310A CN 202310177245 A CN202310177245 A CN 202310177245A CN 116047310 A CN116047310 A CN 116047310A
- Authority
- CN
- China
- Prior art keywords
- individuals
- fitness
- identified
- individual
- parameters
- 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.)
- Granted
Links
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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池模型参数辨识方法，方法包括从电化学模型获取所需待辨识参数；所有待辨识参数形成个体；计算个体第一适应度；当个体第一适应度小于适应度阈值时确定电芯参数；当个体的第一适应度大于等于适应度阈值时，根据第一适应度大小对所有个体进行升序排列，选择当前分割系数并将所有个体进行分割；利用粒子群算法和莱维飞行算法对分割的个体进行更新；计算个体第二适应度，并与第一适应度个体进行比较，选取适应度较小的个体保留，当保留个体的适应度小于适应度阈值时终止。本申请能够有效降低实验测定相关参数的时间。通过粒子群算法局部寻优特点、莱维飞行全局寻优特点，进一步提高电芯在高维空间参数辨识的优异性和参数的准确性。
Description
技术领域
本发明涉及锂电池技术领域，具体而言，涉及一种电池模型参数辨识方法、装置和电子设备。
背景技术
锂电池是储能电站的重要组成部分，为了保障锂电池的安全运行，需要对锂电池内部参数进行辨识，以方便准确的监控锂电池内部的变化。锂离子电池伪二维模型(pseudo-two-dimensions，电化学模型)囊括锂电池的所有基本组成，可以用来对锂电池内部的参数进行监控和辨识，但相关的电化学模型的形式复杂，不利于优化，尤其是电化学模型的高维参数辨识困难。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种电池模型参数辨识方法、装置和电子设备。
第一方面，本发明实施例提供了一种电池模型参数辨识方法，所述方法应用于储能电站，所述方法包括：
建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合；所述个体为多个；
对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数；
当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据；
当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群；
利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新；
将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体；
当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
第二方面，本发明实施例还提供了一种电池模型参数辨识装置，所述装置包括：
建模模块：建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合；
初始化模块：对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数并得到多个个体，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数；
判定模块：当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据；
分割模块：当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群；
更新模块：利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新；
合并模块：将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体；
确定模块：当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
第三方面，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现如第一方面中任一项所述的电池模型参数辨识方法中的步骤。
第四方面，本发明实施例还提供了一种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中任一项所述的电池模型参数辨识方法中的步骤。
本发明上述第一方面至第四方面提供的方案中，通过建立关于电芯的电化学模型来获取所需的待辨识参数，将全部的待辨识参数组成一个个体，通过多次迭代确定个体的最优参数，对个体初始化并计算第一适应度，将所有个体中第一适应度最小的个体确定为全部最优参数；若至少一个个体的第一适应度小于适应度阈值，则确定全局最优参数为电芯的参数数据；若个体的第一适应度大于等于适应度阈值，则进入下一步，根据第一适应度大小对所有个体进行升序排列并将所有个体分割成两部分，分别是第一种群和第二种群；第一种群的第一适应度和第二种群相比较小，反之，第二种群的第一适应度较大。第一种群利用莱维飞行算法对待辨识参数更新，第二种群利用粒子群算法对待辨识参数更新。更新完后将两个种群合并为一个且再次计算第二适应度，并与第一适应度比较，保留适应度数值小的个体，若第二适应度小于适应度阈值则结束，否则重新分割直至满足小于适应度阈值为止。与相关技术中需多次人为手动对电芯相关参数进行测量相比，无需人工频繁对电芯内部的多个参数进行手动获取，就可以自动得到电芯需辨识的参数数据，能够有效降低劳动强度和人工成本。同时，通过粒子群算法的随机性和全局性优化特点、莱维飞行算法的快速寻优特点，进一步提高了电芯中在高维空间参数辨识的优异性，提高了电芯辨识参数的准确性。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种电池模型参数辨识方法的流程图一；
图2示出了本发明实施例所提供的一种电池模型参数辨识方法的流程图二；
图3示出了本发明实施例所提供的一种电池模型参数辨识方法的α随迭代过程变化曲线示意图；
图4示出了本发明实施例所提供的一种电池模型参数辨识方法的电池模型参数辨识方法的第一种群和第二种群经过两种算法更新待辨识参数后的合并示意图；
图5示出了本发明实施例所提供的一种电池模型参数辨识装置的各模块连接示意图；
图6示出了本发明实施例所提供的一种电池模型参数辨识方法的电子设备结构示意图。
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做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。为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
近年来，由于石化燃料可开采量的不断减少以及环境问题得到越来越多人的关注。新能源开始得到迅速发展，由于新能源(包括但不限于风能和太阳能)的时间依赖性，其发出的电源必须马上使用掉，否则就会发生浪费。因此，电力系统中引入了储能系统，储能系统不仅能够收集新能源产生的电能，还可以在需要时以稳定的电压进行电能输出。其中，超大型电池组进行电力存储的储能电站作为重要支撑器件，近些年得到快速发展与更新，尤其是锂离子电池凭借其稳定性高，使用寿命长，容量大，绿色环保等显著优势，已经成为目前储能电站的主流电池技术。
但，由于材料和实际结构问题，锂离子电池在实际应用中容易发生过放、过充、过热和退化等问题，最终导致锂离子电池性能降低或失效。为了保障储能电站的安全运行和有效的能量管理，就需要对锂离子电池内部参数进行辨识，进而有效且准确的监控锂离子电池内部的物理和化学变化。锂离子电池伪二维模型(P2D)是在科研和实际工程中较为常见的电化学模型，能够有效反应出锂离子电池在使用过程中，其内部的物理与化学变化过程。
电化学模型由一组参数众多的偏微分方程组成，优点是能够清楚地描述锂离子电池内部工作机理，将电池内部状态和外部行为相对应。当获得参数值时，电化学模型可以准确地模拟电池内部状态。然而电化学模型的形式复杂，传统的优化方法大多难以实现。同时，电化学模型高维的参数使辨识难以收敛，为了提高辨识的速度和精度本发明提出了以P2D为基础，同时结合莱维飞行算法和粒子群算法的电池参数快速辨识法。
实施例1
本实施例提出的电池模型参数辨识方法的执行主体是服务器。
所述服务器与储能电站连接，能够通过储能电站采集电芯的实际电压。
储能电站会将采集到的电芯的实际电压反馈给服务器。
本实施例提供的一种电池模型参数辨识方法，参见图1所示的电池模型参数辨识方法的流程图一和参见图2所示的电池模型参数辨识方法的流程图二，该方法应用于储能电站，该方法包括：
步骤100：建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合，个体为多个。
上述步骤100中，电化学模型是锂离子电池伪二维模型(又称电池准二维模型)，是较为常见的电化学模型。电化学模型能够有效的反应出电芯在使用过程中其内部的物理和化学变化过程。从电化学模型中选取的待辨识参数并不固定，根据需求自行选取所需的待辨识参数即可。
在一个实施方式中，在本实施例中从电化学模型内选取的待辨识参数包括但不限于：电极参数、隔膜参数、电解液参数、电压参数、集流体参数和电池维度参数。
在获取到待辨识参数后，服务器还可以获取到待辨识参数的取值范围。
待辨识参数的取值范围，预先缓存在服务器中。
特别地，电化学模型为本领域公知常识，因此，储能电站中电芯的电化学模型(例如：电化学模型为P2D模型，pseudo-two-dimensions)的建立过程是现有技术，这里不再重复阐述。
步骤101：对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数。
上述步骤101中，迭代次数和个体数量一样，均是事先在服务器中设置好的，每迭代一次就会增加一个新的个体；待辨识参数的取值范围为预先设定范围，每次待辨识参数进行迭代，就是使待辨识参数在预先设定范围内随机进行取值，以得到一个新的个体。
示例地，设置有A、B、C、D、E，5个待辨识参数，在上述步骤100中得到的个体1可以是：(A1、B1、C1、D1、E1)；那么，对个体1中所有的待辨识参数的数值进行一次迭代后，就可以得到个体2(即新的个体)：(A2、B2、C2、D2、E2)；……对个体1中所有的待辨识参数的数值进行n次迭代后，就可以得到个体n(即新的个体)：(An、Bn、Cn、Dn、En)。
其中，A1、A2、……、An为待辨识参数A的取值范围内的数值。
B1、B2、……、Bn为待辨识参数B的取值范围内的数值。
C1、C2、……、Cn为待辨识参数C的取值范围内的数值。
D1、D2、……、Dn为待辨识参数D的取值范围内的数值。
E1、E2、……、En为待辨识参数E的取值范围内的数值。
通过计算多个待辨识参数，可得到每个个体对应的第一适应度，具体地，可以执行以下步骤(1)至步骤(2)：
(1)将每个个体的待辨识参数的参数值和工况数据输入至电化学模型中并得到每个个体的模拟电压。
上述步骤(1)中，工况数据指的是一定时间内电芯的充放电数据。
服务器可通过与服务器连接的电池系统(Battery Management System，BMS)获取到工况数据。
电池系统为现有技术，储能电站中均会安装，因此不再阐述电池系统获取工况数据原理。
服务器依次将每个个体内的待辨识参数带入电化学模型中就会得到每个个体的模拟电压。
(2)利用每个个体的模拟电压确定每个个体的第一适应度，所述第一适应度满足如下公式：
其中，MSE1为个体的第一适应度，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的模拟电压，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的实际电压，m为模拟电压与实际电压的对应关系的数量。
在上述步骤(1)中，若想获取不同个体的模拟电压，只需确定个体中待辨识参数的参数值后，将待辨识参数的参数值带入电化学模型中即可求出个体的模拟电压。
需注意，电化学模型是由多个电学参数和化学参数组合而成的复杂方程式，属于本领域公知技术，因此，个体的模拟电压的获取过程是现有技术，在此处不再具体展开阐述。模拟电压是服务器通过步骤(1)获取，而实际电压是储能电站采集电芯的实际电压后，由储能电站传输到服务器中的。
步骤102：当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据。
上述步骤102中，每个个体的第一适应度阈值均分别缓存在服务器中。
这一步在整个方法中起到判断的作用，通过步骤101已经获取到个体的第一适应度，将每个个体的第一适应度均与事先设定的适应度阈值进行比较：
如图2，若某一个体的第一适应度小于适应度阈值时，则本实施例提出的电池模型参数辨识方法流程终止并将此刻的全局最优参数确定为电芯的参数数据。
若某一个体的第一适应度大于或等于适应度阈值时，则表示全局最优参数并不是电芯所需参数数据，直接进入步骤103。个体的每一次循环都会使内部的待辨识参数生成不同的参数值，若待辨识参数的参数值多次循环迭代，达到最大迭代次数后仍不能小于适应度阈值，则同样会终止。最大迭代次数为预设值，可根据需求进行设定。
需注意，适应度阈值可以根据不同需求随时进行更改或重置，适应度阈值不应被理解成一旦设定后，就无法更改。
步骤103：当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群。第一种群和第二种群均至少包括一个待辨识参数。
在上述步骤103中，具体地，此刻的分割系数满足：
其中，α为当前分割系数，α0为最终分割系数，T为最大迭代次数，t为此刻迭代次数，α0+αrange为开始分割系数。特别地，上述步骤103涉及的α公式中，由于t表示此刻迭代次数，迭代需要从0开始，所以将t等于0带入上述公式中，带入后exp求出的函数接近于0，此时公式就变为了
进一步简化为α0+αrange。
这里，α0、αrange、t和T均为已知量。
具体地，α可以取α0+αrange至α0之间的任意数值，这里不再赘述。
上述α的迭代变化与α的系数值成正比，即：迭代次数越多，α的数值越接近1。
分割的份数由此刻分割系数所决定，不同的时段具有不同的分割系数，本实施例选取的分割系数将所有个体分割为两部分，一部分命名为第一种群，另一部分命名为第二种群。其中，第一种群的适应度和第二种群相比适应度较小，第二种群的适应度相较于第一种群较大。
在一个实施方式中，参见图3所示的α随迭代过程变化曲线示意图，设定图3中:α0＝0.5，αrange＝0.4，T＝500，图3中的横坐标为T，纵坐标为α0。
归属于所述莱维飞行算法的第一种群中个体数量满足如下公式：
Numlevy＝N*α
其中，Numlevy为通过莱维飞行算法进行更新的第一种群中个体的数量，N个体总数，N的取值范围为整数，α为当前分割系数。
归属于粒子群算法的第二种群中个体数量满足如下公式：
Numpso＝N-Numlevy
其中，Numpso为粒子群算法更新的第一种群中个体的数值，N个体总数。
步骤104：利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新。
上述步骤104中，参见图4所示的电池模型参数辨识方法的第一种群和第二种群经过两种算法更新待辨识参数后的合并示意图，将第一种群和第二种群通过两种不同算法进行参数值更新，可以通过以下步骤实现：
第一种群采用的莱维飞行算法满足：
第二种群按照惯性权重线性递减的粒子群算法满足：
w(t)＝(wini-wend)(T-t)/T+wend；
其中，α2为步长因子，X为第一种群中所有的个体中的待辨识参数，
为Xi第t代位置，w(t)为此刻迭代次数的权重，wini为初始权值，wend为最终权值，T为最大迭代次数，t为此刻迭代次数；
根据此刻迭代次数的权重值进行种群的更新，确定种群中第i个参数的最优解的第k次更新满足：
其中，
满足：
其中，c1为最优解的个体学习因子，w(t)为此刻迭代次数的权重，c2为最优解的社会学习因子，rand(0,1)为0,1之间的随机浮点数，
为第i个最优解的k+1次方速度矢量，
为第i个最优解截止第k次的最优历史更新数值，gbestk为全部最优解截止第k次更新的最优历史更新数值。
步骤105：将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体。
特别地，对个体进行第一适应度计算时，可将个体视作父个体，父个体经过上述步骤100至步骤105后已经完成了待辨识参数的更新，这时可将待辨识参数更新后的个体视作子个体(对个体进行第二适应度计算)。若子个体的第二适应度比父个体的第一适应度小，则在父个体和子个体中选择保留子个体。若子个体的第二适应度比父个体的第一适应度大，则在父个体和子个体中选择保留父个体。本实施例中，适应度越小越接近真实值，因此优先选择适应度较小的个体。
第二适应度满足：
其中，MSE2为个体的第二适应度，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的模拟电压，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的实际电压，m为模拟电压与实际电压的对应关系的数量。
上述步骤105中，重新合并后的个体中的待辨识参数已更新完毕，对个体再次进行适应度计算；
步骤106：当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
最终确定的电芯参数数据就是需要对储能电站进行监控的参数值。
综上所述，本实施例提出的电池模型参数辨识方法，通过建立关于电芯的电化学模型来获取所需的待辨识参数，将全部的待辨识参数组成一个个体，通过多次迭代确定个体的最优参数，对个体初始化并计算第一适应度，将所有个体中第一适应度最小的个体确定为全部最优参数；若至少一个个体的第一适应度小于适应度阈值，则确定全局最优参数为电芯的参数数据；若个体的第一适应度大于等于适应度阈值，则进入下一步，根据第一适应度大小对所有个体进行升序排列并将所有个体分割成两部分，分别是第一种群和第二种群；第一种群的第一适应度和第二种群相比较小，反之，第二种群的第一适应度较大。第一种群利用莱维飞行算法对待辨识参数更新，第二种群利用粒子群算法对待辨识参数更新。更新完后将两个种群合并为一个且再次计算第二适应度，并与第一适应度比较，保留适应度数值小的个体，若第二适应度小于适应度阈值则结束，否则重新分割直至满足小于适应度阈值为止。与相关技术中需多次人为手动对电芯相关参数进行测量相比，无需人工频繁对电芯内部的多个参数进行手动获取，就可以自动得到电芯需辨识的参数数据，能够有效降低劳动强度和人工成本。同时，通过粒子群算法的随机性和全局性优化特点、莱维飞行算法的快速寻优特点，进一步提高了电芯中在高维空间参数辨识的优异性，提高了电芯辨识参数的准确性。
实施例2
参见图5所示的电池模型参数辨识装置的各模块连接示意图，本实施例还提供了一种电池模型参数辨识装置，所述装置包括：
建模模块200：建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合；个体为多个；
初始化模块201：对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数；
判定模块202：当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据；
分割模块203：当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群；
更新模块204：利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新；
合并模块205：将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体；
确定模块206：当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
可选地，初始化模块201，包括：
将每个个体的待辨识参数的参数值和工况数据输入至电化学模型中并得到每个个体的模拟电压，利用模拟电压确定每个个体的第一适应度，所述第一适应度满足：
其中，MSE1为个体的第一适应度，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的模拟电压，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的实际电压，m为模拟电压与实际电压的对应关系的数量。
可选地，分割模块203，包括：
所述分割系数满足：
其中，α为当前分割系数，α0为最终分割系数，αrange为分割系数修订值，α+αrange为开始分割系数，T为最大迭代次数，t为此刻迭代次数。
可选地，分割模块，还包括：
归属于所述莱维飞行算法的第一种群满足如下公式：
Numlevy＝N*α；
其中，N为个体的总数，α为当前分割系数，Numlevy为需通过莱维飞行算法更新的个体数量，Numlevy的取值为整数；
归属于粒子群算法的第二种群满足如下公式：
Numpso＝N-Numlevy；
其中，N为个体的总数，Numpso为需通过粒子群算法更新的个体数量。
实施例3
参见图6所示的电池模型参数辨识方法的电子设备结构示意图，本实施例还提供了一种电子设备，该电子设备包括总线301、处理器302、收发器303、总线接口304、存储器305和用户接口306。
在本实施例中，该电子设备还包括：存储在存储器305上并可在处理器302上运行的计算机程序，计算机程序被处理器302执行时实现上述电池模型参数辨识方法实施例的各个过程。
收发器303，用于在处理器302的控制下接收和发送数据。
本实施例中，总线架构(用总线301来代表)，总线301可以包括任意数量互联的总线和桥，总线301将包括由处理器302代表的一个或多个处理器与存储器305代表的存储器的各种电路连接在一起。
总线301表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
处理器302可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)、微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器302可以是微处理器或任何常规的处理器。结合本实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线301还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口304在总线301和收发器303之间提供接口，这些都是本领域所公知的。因此，本实施例不再对其进行进一步描述。
收发器303可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器303从其他设备接收外部数据，收发器303用于将处理器302处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口306，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本实施例中，存储器305可进一步包括相对于处理器302远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统、海量机器类通信(massive Machine Type of Communication，mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications，uRLLC)系统等。
应理解，本实施例中的存储器305可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。
易失性存储器包括：随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本实施例描述的电子设备的存储器305包括但不限于上述和任意其他适合类型的存储器。
在本实施例中，存储器305存储了操作系统3051和应用程序3052的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统3051包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序3052包含各种应用程序3052，例如：媒体播放器(Media Player)、浏览器(Browser)，用于实现各种应用业务。实现本实施例方法的程序可以包含在应用程序3052中。应用程序3052包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
实施例4
此外，本实施例还提供了一种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上述电池模型参数辨识方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，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全部单元来解决本实施例方案要解决的问题。
另外，在本各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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存储介质中。基于这样的理解，本实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或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(包括：个人计算机、服务器、数据中心或其他网络设备)执行本各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
在本实施例的描述中，所属技术领域的技术人员应当知道，本实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本实施例中，计算机可读存储介质可以是任意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、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency，RF)或者以上任意合适的组合。
可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网(LAN)或广域网(WAN)，可以连接到用户计算机，也可以连接到外部计算机。
本实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电池模型参数辨识方法，其特征在于，所述方法应用于储能电站，所述方法包括：
建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合；所述个体为多个；
对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数；
当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据；
当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群；
利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新；
将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体；
当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
2.根据权利要求1所述的电池模型参数辨识方法，其特征在于，所述对所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度，包括：
将每个个体的待辨识参数的参数值和工况数据输入至电化学模型中并得到每个个体的模拟电压，利用模拟电压确定每个个体的第一适应度，所述第一适应度满足：
其中，MSE1为个体的第一适应度，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的模拟电压，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的实际电压，m为模拟电压与实际电压的对应关系的数量。
3.根据权利要求1所述的电池模型参数辨识方法，其特征在于，所述当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，包括：
所述分割系数满足：
其中，α为当前分割系数，α0为最终分割系数，α0+αrange为开始分割系数，T为最大迭代次数，t为此刻迭代次数。
4.根据权利要求1所述的电池模型参数辨识方法，其特征在于，所述当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，还包括：
归属于所述莱维飞行算法的第一种群满足如下公式：
Numlevy＝N*α；
其中，N为个体的总数，α为当前分割系数，Numlevy为需通过莱维飞行算法更新的个体数量，Numlevy的取值为整数；
归属于粒子群算法的第二种群满足如下公式：
Numpso＝N-Numlevy；
其中，N为个体的总数，Numpso为需通过粒子群算法更新的个体数量。
5.一种电池模型参数辨识装置，其特征在于，所述装置包括：
建模模块：建立所述储能电站中电芯的电化学模型，从所述电化学模型中获取所需的待辨识参数，将所有待辨识参数组成一个个体；所述个体为所有待辨识参数的集合；个体为多个；
初始化模块：对个体中所有的待辨识参数数值进行多次迭代，确定个体的最优参数，对多个个体中的所有个体进行初始化，并计算所有个体中的每个所述个体的第一适应度；选取所有个体中第一适应度最小的个体的待辨识参数为全局最优参数；
判定模块：当所有个体中的任一个体的第一适应度小于适应度阈值时，所述全局最优参数为电芯的参数数据；
分割模块：当所有个体的第一适应度大于或等于适应度阈值时，根据第一适应度的大小对所有个体进行升序排列；确定分割系数并以分割系数将所有个体划分为两部分，分别得到第一种群和第二种群；
更新模块：利用粒子群算法对所述第二种群中个体的待辨识参数的参数值进行更新，利用莱维飞行算法对所述第一种群中个体的待辨识参数的参数值进行更新；
合并模块：将待辨识参数更新后的第一种群和第二种群重新合并在一起，得到待辨识参数更新后的所有个体，再次计算待辨识参数更新后的所有个体中每个个体的第二适应度，将计算得到的每个个体的第二适应度与第一适应度比较，保留适应度数值小的个体；
确定模块：当待辨识参数更新后的每个个体中最小的第二适应度小于适应度阈值时，将最小的第二适应度所对应的个体的参数值确定为更新后的各待辨识参数的全局最优参数，将所述更新后的各待辨识参数的全局最优参数确定为电芯的参数数据。
6.根据权利要求5所述的电池模型参数辨识装置，其特征在于，所述初始化模块，包括：
将每个个体的待辨识参数的参数值和工况数据输入至电化学模型中并得到每个个体的模拟电压，利用模拟电压确定每个个体的第一适应度，所述第一适应度满足：
其中，MSE1为个体的第一适应度，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的模拟电压，
为m个模拟电压与实际电压的对应关系中第i个模拟电压与实际电压的对应关系中记载的实际电压，m为模拟电压与实际电压的对应关系的数量。
7.根据权利要求5所述的电池模型参数辨识装置，其特征在于，所述分割模块，包括：
所述分割系数满足：
其中，α为当前分割系数，α0为最终分割系数，α0+αrange为开始分割系数，T为最大迭代次数，t为此刻迭代次数。
8.根据权利要求5所述的电池模型参数辨识装置，其特征在于，所述分割模块，还包括：
归属于所述莱维飞行算法的第一种群满足如下公式：
Numlevy＝N*α；
其中，N为个体的总数，α为当前分割系数，Numlevy为需通过莱维飞行算法更新的个体数量，Numlevy的取值为整数；
归属于粒子群算法的第二种群满足如下公式：
Numpso＝N-Numlevy；
其中，N为个体的总数，Numpso为需通过粒子群算法更新的个体数量。
9.一种电子设备，其特征在于，包括总线、收发器、存储器、处理器及存储在所述存储上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现如权利要求1至权利要求4中任一项所述的电池模型参数辨识方法中的步骤。
10.一种计算机可读存储介质，其特征在于，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权利要求1至权利要求4中任一项所述的电池模型参数辨识方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310177245.0A CN116047310B (zh) | 2023-02-27 | 2023-02-27 | 一种电池模型参数辨识方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310177245.0A CN116047310B (zh) | 2023-02-27 | 2023-02-27 | 一种电池模型参数辨识方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116047310A true CN116047310A (zh) | 2023-05-02 |
| CN116047310B CN116047310B (zh) | 2023-09-08 |
Family
ID=86114798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310177245.0A Active CN116047310B (zh) | 2023-02-27 | 2023-02-27 | 一种电池模型参数辨识方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116047310B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
| CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
| JP2019211248A (ja) * | 2018-05-31 | 2019-12-12 | 住友電気工業株式会社 | 二次電池パラメータ推定装置、二次電池パラメータ推定方法及びプログラム |
| CN111506856A (zh) * | 2020-03-10 | 2020-08-07 | 燕山大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| 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 |
| US20220221517A1 (en) * | 2019-05-28 | 2022-07-14 | Shandong University | High-precision battery model parameter identification method and system based on output response reconstruction |
| CN115097316A (zh) * | 2022-07-18 | 2022-09-23 | 上海玫克生储能科技有限公司 | 电池参数辨识方法、电池参数辨识装置、介质及电子设备 |
| CN115272193A (zh) * | 2022-07-05 | 2022-11-01 | 南京旅游职业学院 | 基于麻雀搜索算法的图像分割方法、电子设备及存储介质 |
| CN115356635A (zh) * | 2022-07-05 | 2022-11-18 | 合肥工业大学 | 一种锂电池等效电路模型参数的辨识方法 |
| CN115392123A (zh) * | 2022-08-26 | 2022-11-25 | 欣旺达电动汽车电池有限公司 | 二次电池物理模型的参数辨识方法、系统、设备及介质 |
| CN115660026A (zh) * | 2022-10-26 | 2023-01-31 | 国网福建省电力有限公司莆田供电公司 | 一种基于郊狼粒子群算法的扩展德拜模型参数辨识方法 |
-
2023
- 2023-02-27 CN CN202310177245.0A patent/CN116047310B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
| JP2019211248A (ja) * | 2018-05-31 | 2019-12-12 | 住友電気工業株式会社 | 二次電池パラメータ推定装置、二次電池パラメータ推定方法及びプログラム |
| CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
| US20220221517A1 (en) * | 2019-05-28 | 2022-07-14 | Shandong University | High-precision battery model parameter identification method and system based on output response reconstruction |
| CN111506856A (zh) * | 2020-03-10 | 2020-08-07 | 燕山大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| 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 |
| CN115272193A (zh) * | 2022-07-05 | 2022-11-01 | 南京旅游职业学院 | 基于麻雀搜索算法的图像分割方法、电子设备及存储介质 |
| CN115356635A (zh) * | 2022-07-05 | 2022-11-18 | 合肥工业大学 | 一种锂电池等效电路模型参数的辨识方法 |
| CN115097316A (zh) * | 2022-07-18 | 2022-09-23 | 上海玫克生储能科技有限公司 | 电池参数辨识方法、电池参数辨识装置、介质及电子设备 |
| CN115392123A (zh) * | 2022-08-26 | 2022-11-25 | 欣旺达电动汽车电池有限公司 | 二次电池物理模型的参数辨识方法、系统、设备及介质 |
| CN115660026A (zh) * | 2022-10-26 | 2023-01-31 | 国网福建省电力有限公司莆田供电公司 | 一种基于郊狼粒子群算法的扩展德拜模型参数辨识方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘继超;王维庆;王海云;邓永存;: "基于改进粒子群算法辨识电池参数估算SOC", 电池, no. 01, pages 68 - 72 * |
| 吴慕遥: "磷酸铁锂动力电池等效电路模型在线建模和状态估计", 中国科学技术大学博士学位论文, vol. 10, pages 37 - 86 * |
| 吴燕翔;李晓斌;孙海燕;: "基于APSO算法的参数辨识与优化", 科学技术与工程, vol. 8, no. 14, pages 3778 - 3782 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116047310B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180278077A1 (en) | Modeling a change in battery degradation | |
| CN114065552B (zh) | 一种量化分析电池性能的方法、装置及电子设备 | |
| CN113985294A (zh) | 一种电池剩余寿命的预估方法及装置 | |
| CN114563712B (zh) | 一种电池容量估算方法、装置及电子设备 | |
| KR102615145B1 (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
| CN116165549A (zh) | 一种电池安全预警方法、装置及电子设备 | |
| CN114357798B (zh) | 一种电池容量评估方法、装置及电子设备 | |
| CN115113054A (zh) | 一种梯次电池的安全评估方法、装置及电子设备 | |
| CN114675190A (zh) | 一种电池安全评估的方法、装置及电子设备 | |
| CN116973797A (zh) | 电池组一致性的判断方法、装置、设备及存储介质 | |
| CN116148680B (zh) | 电池参数的辨识方法、装置、计算机设备和存储介质 | |
| CN115828685A (zh) | 基于切比雪夫谱方法的锂电池温度仿真方法、装置及介质 | |
| US20160034309A1 (en) | System and method for context-aware adaptive computing | |
| CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
| CN116047310B (zh) | 一种电池模型参数辨识方法、装置和电子设备 | |
| CN115496285B (zh) | 一种电力负荷的预测方法、装置及电子设备 | |
| CN116232581A (zh) | 部署混合精度的方法、装置及硬件架构 | |
| CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
| CN116087814A (zh) | 一种提高电压采样精度的方法、装置及电子设备 | |
| CN115618252A (zh) | 一种光伏接入容量评估方法、装置及电子设备 | |
| CN116165542B (zh) | 一种电池参数的辨识方法、装置、设备及存储介质 | |
| CN115980590B (zh) | 电化学参数的辨识方法、装置、设备和存储介质 | |
| JP2023027564A (ja) | 情報処理装置、プログラム、及び、情報処理方法 | |
| CN116011835A (zh) | 一种储能设备定容处理方法、装置和电子设备 | |
| CN117435890B (zh) | 一种电动摩托车多模态融合热管理方法及系统 |
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 |