CN116165542A - 一种电池参数的辨识方法、装置、设备及存储介质 - Google Patents
一种电池参数的辨识方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116165542A CN116165542A CN202310187172.3A CN202310187172A CN116165542A CN 116165542 A CN116165542 A CN 116165542A CN 202310187172 A CN202310187172 A CN 202310187172A CN 116165542 A CN116165542 A CN 116165542A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- individual
- contemporary
- screening
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 24
- 230000002441 reversible effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 230000010006 flight Effects 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 241000544061 Cuculus canorus Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940022353 herceptin Drugs 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
-
- 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]
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种电池参数的辨识方法、装置、设备及存储介质,其中,该方法包括:确定电池的待辨识参数,并确定初始种群;所述初始种群作为当代种群,进入筛选步骤:针对当代种群中至少部分个体,分别通过局部寻优和莱维飞行更新所述当代种群中个体的位置,生成相应的第一个体和相应的第二个体;根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;重复上述筛选步骤,直至达到终止条件,得到最终种群,将所述最终种群中的最优个体所包含的待辨识参数作为电池的参数。通过本发明实施例提供的电池参数的辨识方法、装置、设备及存储介质,能够有效提高参数辨识的速度。
Description
技术领域
本发明涉及电池参数辨识技术领域,具体而言,涉及一种电池参数的辨识方法、装置、设备及存储介质。
背景技术
近年来,新能源发展迅速,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技术,迎来了迅猛的发展。锂离子电池凭借诸多优势成为目前我国储能电站的主流电池技术。然而,锂电子电池在实际应用过程中容易发生过放、过充、过热和退化,最终导致电池性能降低甚至失效。为了保障锂电池的安全运行和有效的能量管理,需要对锂电子电池内部参数进行辨识,进而有效且准确地监控锂离子电池内部的物理和化学变化。
目前,在科研和实际工程中存在较为实用且准确的电化学模型,例如锂离子电池伪二维(P2D)模型,能够有效地反应出锂离子电池使用过程中内部的物理和化学过程。当获得准确的参数值时,P2D模型可以准确地模拟电池内部状态。
然而目前的参数辨识方案存在一些问题,例如:P2D模型高维的参数使辨识难以收敛,辨识的速度不太理想。
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参数的辨识方法、装置、设备及存储介质。
第一方面,本发明实施例提供了一种电池参数的辨识方法,包括:
确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数;
所述初始种群作为当代种群,进入筛选步骤:
针对当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体;
根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群;
重复上述筛选步骤,直至达到终止条件,得到最终种群,将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
第二方面,本发明实施例还提供了一种电池参数的辨识装置,包括:
确定模块,用于确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数,所述初始种群作为当代种群;
筛选模块,用于执行筛选步骤:针对当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体;根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群;
循环判断模块,用于重复上述筛选步骤,直至达到终止条件,得到最终种群;
输出模块,用于将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
第三方面,本发明实施例提供了一种电池参数的辨识设备,包括处理器和存储器,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存储器中存储的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的电池参数的辨识方法。
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上述第一方面所述的电池参数的辨识方法。
本发明实施例提供的电池参数的辨识方法、装置、设备及存储介质,在进行种群筛选时,通过levy飞行和局部寻优同时进行,接着在样本个体以及对应的第一个体、第二个体中选出最优个体,作为下一代种群中的个体。传统的布谷鸟算法中levy飞行和局部寻优是串行执行的,这种串行的方式效率较低,且难以快速找到最优解,收敛速度较低;而本发明实施例并行执行levy飞行和局部寻优,处理效率较高,且从样本个体、第一个体、第二个体中选出最优个体,能够保留较优的个体,保证当前轮筛选步骤所得到的种群是较优的,从而可以更快地找到最优解,收敛速度更高,有效提高了参数辨识的速度。
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参数的辨识方法的流程图;
图2示出了本发明实施例所提供的另一种电池参数的辨识方法的流程图;
图3示出了本发明实施例所提供的一种电池参数的辨识装置的结构示意图;
图4示出了本发明实施例所提供的一种电池参数的辨识设备的结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
本发明实施例所提供的一种电池参数辨识的方法,通过引入改进后的布谷鸟算法实现电池参数辨识,为电池模型的实际应用提供有力的算法支持。图1示出了本发明实施例所提供的一种电池参数辨识方法的流程图。如图1所示,该方法包括:
步骤102:确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数。
本发明实施例中,在科研和实际工程中存在较为实用且准确的电化学模型,例如锂离子电池伪二维(P2D)模型,能够有效地反应出锂离子电池使用过程中内部的物理和化学过程。当获得准确的参数值时,P2D模型可以准确地模拟电池内部状态。本实施例建立实际应用中的P2D模型,获取需要辨识的参数(即待辨识参数),所述获取需要辨识参数的方法包括但不限于:从文献中或是已有的数据库中得到每个参数的阈值范围,选取待定参数。在所述待定参数中,包括但不限于通过敏感度分析,选取高敏感度的参数作为电池的待辨识参数,例如:电极厚度L,电导率κ,活性材料体积分数εs,颗粒半径Rp,电极面积A,最大锂浓度Cs,max,SEI内阻Rf,固相扩散系数Ds,P2D的其他参数按照实验和文献值进行填充,参数值允许小范围波动。
随机选择初始种群X,所述初始种群包括N个个体,例如,种群中第i个体可以表示为xi,i=1,2,…,N。其中,每个个体包含所有的待辨识参数;例如,待辨识参数的数量为D,每个个体可以用D维的数组表示,个体xi中的第d个待辨识参数可以表示为xid,d=1,2,…,D。
步骤104:所述初始种群作为当代种群,进入筛选步骤。
为了获得较优的种群,将所述初始种群作为当代种群,进入筛选步骤,即第一轮筛选步骤中的当代种群为该初始种群,所述筛选步骤需要迭代至少一次。每次执行筛选步骤时需要对某个种群进行处理,为方便描述,将该种群称为当代种群。
所述筛选步骤包括以下步骤106至步骤110;其中,选择所述当代种群中至少部分个体,对于所选择的每个个体,分别进入步骤106和步骤108,之后再执行步骤110。
步骤106:针对所述当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体。
步骤108:针对所述当代种群中至少部分个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体。
为方便描述,将步骤106和步骤108中所针对的当代种群中的个体称为样本个体。局部寻优是布谷鸟算法中实现局部搜索的方式,在局部寻优时,需要设置发现概率,以实现对个体进行随机迁移;其中,局部寻优的计算公式可以为:
是第t轮(例如,第t次的筛选步骤)中第i个样本个体的位置,/>是第i个样本个体随机迁移后的新位置,即相应的第一个体的位置,r1和r2是随机数向量,其随机数的范围是[0,1],Pa表示发现概率,例如,Pa取值为0.25;而/>和/>分别表示种群中被随机选择的两个个体;H( )为赫维赛德(Heaviside)函数。根据上述公式可更新所述样本个体的位置,确定与该样本个体相对应的第一个体;其中,每个样本个体均可生成相应的第一个体。
针对所述样本个体,还需要通过莱维飞行(即levy飞行)对所述当代种群中的样本个体进行位置更新;其中,levy飞行的公式可以为:
是第t轮(例如,第t次的筛选步骤)中第i个样本个体的位置,/>是第i个样本个体levy飞行后的新位置,即相应的第二个体的位置,α表示步长,α>0,例如:α=1。根据上述公式可更新所述样本个体的位置,确定与该样本个体相对应的第二个体;其中,每个样本个体均可生成相应的第二个体。
步骤110:根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群。
步骤112:重复上述筛选步骤,直至达到终止条件,得到最终种群,将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
为了筛选出更优种群,同时为了保持种群的多样性,根据当代种群中的个体以及相应的第一个体、相应的第二个体的适应度,选出适应度较高的个体(即上述步骤110中的最优个体),作为目标种群中的个体,从而能够形成目标种群,该目标种群为新生成的种群。
预先设置循环的终止条件,例如设置最大迭代次数,当迭代轮次到达该最大迭代次数时,则达到终止条件,退出循环;或者,判断目标种群中是否存在适应度满足需求的个体,若存在,则达到终止条件,退出循环。在形成目标种群后,判断所述目标种群的相关参数是否达到终止条件,若达到终止条件,则将所述目标种群作为最终种群,选择所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数,例如,最优个体为xi,xi包含的待辨识参数可以表示为:[xi1,xi2,…,xiD],其中的参数xi1,xi2,…,xiD即为辨识得到的参数。若没有达到终止条件,将所述目标种群作为下一代种群,再次进入筛选步骤。
本发明实施例提供的一种电池参数辨识的方法,在进行种群筛选时,通过levy飞行和局部寻优同时进行,接着在样本个体以及对应的第一个体、第二个体中选出最优个体,作为下一代种群中的个体。传统的布谷鸟算法中levy飞行和局部寻优是串行执行的,这种串行的方式效率较低,且难以快速找到最优解,收敛速度较低;而本发明实施例并行执行levy飞行和局部寻优,处理效率较高,且从样本个体、第一个体、第二个体中选出最优个体,能够保留较优的个体,保证当前轮筛选步骤所得到的种群是较优的,从而可以更快地找到最优解,收敛速度更高,有效提高了参数辨识的速度。
在本发明实施例中,可选地,计算适应度的方法包括但不限于:实际的选定工况与基于与所述待辨识参数对应的电池模型所确定的工况之间的差异。其中,选取的工况指的是选用实际工作工况或是选用实验得到的工况,实际工况剩余电量(SOC)区间>50%更好,选取的工况可以包含动态工况和恒流工况中至少一条充放电曲线。本发明实施例可以采用实验恒流和动态工况方案。
例如,该工况具体可以为电压,计算适应度的过程可以通过以下公式实现:
在本发明实施例中,可选地,步骤106“通过局部寻优更新所述当代种群中个体的位置”可以包括:
步骤A1:根据所述当代种群中个体的适应度计算所述当代种群中个体的发现概率,根据所述发现概率,通过局部寻优更新所述当代种群中个体的位置;所述个体的发现概率与所述个体的适应度之间为正相关关系。
种群中各个体有自己的适应度,本发明实施例中,根据适应度的不同,为个体适应性地设置不同的发现概率。根据样本个体的适应度以及种群中最优个体和最差个体的适应度,可以计算每个样本个体的发现概率。例如,计算发现概率的过程可以通过以下公式实现:
其中,pi表示第i个个体的发现概率,pa表示最大发现概率,fi表示第i个个体的适应度,fbest和fworst分别表示最优个体和最差个体的适应度。
在布谷鸟算法中,发现概率越大,个体进行随机迁移的概率更小,一般布谷鸟算法中的发现概率为固定值,为了加速迭代收敛和提高辨识精度,本发明实施例中的发现概率是根据各个体的适应度计算得出的,具体地,发现概率与适应度之间为正相关关系,即适应度越大,发现概率越大。其中,个体的适应度越大,则个体越差,本发明实施例中为该个体设置更大的发现概率,该个体越容易被发现,以进行随机迁移。相反地,若个体的适应度越小,则个体越优,本发明实施例中为该个体设置更小的发现概率,该个体越不易被发现,该个体越容易被保留至下一代,从而能够加速迭代收敛,且可以提高辨识精度。
例如,在确定第i个个体发现概率pi后,即可按照上式(1)所示的随机迁移方式对该第i个个体进行位置更新,其中,将上式(1)中的Pa替换为该发现概率pi。
在本发明实施例中,可选地,步骤108“通过莱维飞行更新所述当代种群中个体的位置”可以包括:
步骤B1:根据所述筛选步骤次数确定levy飞行中所用的步长,通过levy飞行更新所述当代种群中个体的位置,所述步长与所述筛选步骤的次数之间为负相关关系。
一般布谷鸟算法中的步长为固定值,为了加速迭代收敛和提高辨识精度,本发明实施例中的步长是根据当前筛选次数计算得出的,且步长与迭代次数之间为负相关关系,即筛选步骤的次数越大(即筛选步骤执行的轮次越多,或者说,迭代次数越大),则步长越小。具体地,由于种群刚开始的精度一般不高,本发明实施例为该个体设置较大的步长进行粗筛选,使得levy飞行的效率更高;随着筛选次数的增加,种群中的个体逐渐接近最优解,本发明实施例为该个体设置相应较小的步长进行精筛选,从而能够提高辨识的精度。
例如,当筛选进入第t轮时,即迭代次数为t时,通过以下公式(5)计算步长,再按照上式(2)所示的levy飞行方式对该第i个个体进行位置更新。
其中,α表示所述levy飞行中所用的步长,α0表示设置的初始步长,αrange表示步长变化范围的大小,T为最大筛选次数,t为当前筛选次数,a和b表示设置的固定值,0<a<1,1/3<b<2/3。
在本发明实施例中,可选地,在所述筛选步骤中,通过局部寻优和levy飞行计算之前,即在上述步骤106、步骤108之前,该筛选步骤还包括:
步骤C1:针对所述当代种群至少部分个体,通过引力搜索更新所述当代种群中个体的位置,生成相应的中间个体;根据所述当代种群中的个体以及所述相应的中间个体的适应度,选出最优个体,作为当前筛选步骤中当代种群的个体。
为了加大种群内各个体的联系,实现种群内个体之间的信息共享,从而提高辨识的速度和精度,本发明实施例对每一次进入筛选步骤的当代种群中的至少部分个体,根据个体的适应度,通过引力搜索更新所述当代种群中个体的位置,生成相应的中间个体;根据所述当代种群中的个体以及所述相应的中间个体的适应度,选出最优个体,作为当前筛选步骤中当代种群的个体,之后再对该当代种群的个体进行局部寻优和levy飞行,即执行上述步骤106和步骤108。
在本发明实施例中,可选地,在所述步骤102中确定初始种群的过程包括:
步骤D1:基于混沌算子初始化得到随机种群,针对所述随机种群计算反向种群,将所述随机种群和所述反向种群合并,根据各个体的适应度筛选出新的种群作为所述初始种群。
为了加速辨识收敛的速度,可以通过混沌算子初始化种群,具体可以包括:通过混沌算子得到种群X={xi,i=1,2,···,N},xi={xid,d=1,2,···,D},由种群X计算反向种群OX={oxi,i=1,2,···,N},oxi={oxid,d=1,2,···,D},种群X与反向种群OX合并,得到新种群{X∪OX}。计算新种群的适应度并排序,选取其中适应度较好的N个个体作为初始种群。
本发明实施例还提供了另一种电池参数辨识的方法,通过引入混沌算子初始化种群、引力搜索以及改进后的布谷鸟算法,实现电池参数辨识,为电池模型的实际应用提供有力的算法支持。图2示出了本发明实施例所提供的另一种电池参数辨识方法的流程图。如图2所示,该方法包括:
步骤201:确定电池的待辨识参数。即,确定需要辨识电池的哪些参数,将这些参数作为待辨识参数。
步骤202:基于混沌算子初始化得到随机种群,针对所述随机种群计算反向种群,将所述随机种群和所述反向种群合并,根据各个体的适应度筛选出新的种群作为初始种群。所述初始种群包含N个个体,每个个体包含所有所述待辨识参数。
步骤203:所述初始种群作为当代种群,进入筛选步骤。
其中,初始种群为第一轮筛选步骤中的当代种群,可以在进入筛选步骤前,判断是否满足预先设置循环的终止条件,若达到终止条件,可直接将所述初始种群作为最终种群。若没有达到终止条件,进入筛选步骤。所述筛选步骤包括以下步骤204至步骤207;其中,选择所述当代种群中至少部分个体(例如,全部个体),对于所选择的每个个体,进入步骤204,接着对于经过引力搜索后的每个个体,分别进入步骤205和步骤206,之后再执行步骤207。
步骤204:针对当代种群至少部分个体,通过引力搜索更新所述当代种群中个体的位置,生成相应的中间个体;根据所述当代种群中的个体以及所述相应的中间个体的适应度,选出最优个体,作为当前筛选步骤中当代种群的个体。
步骤205:根据所述当代种群中个体的适应度计算所述当代种群中个体的发现概率,根据所述发现概率,通过局部寻优更新所述当代种群中个体的位置;所述个体的发现概率与所述个体的适应度之间为正相关关系。
步骤206:根据所述筛选步骤次数确定levy飞行中所用的步长,通过levy飞行更新所述当代种群中个体的位置,所述步长与所述筛选步骤的次数之间为负相关关系。
步骤207:根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群。
例如,对于当代种群中的个体A,通过局部寻优可以确定与该个体A对应的第一个体B,通过levy飞行可以确定与该个体A对应的第二个体C;基于个体A、第一个体B、第二个体C的适应度,从三者中选出最优个体,所选出的最优个体可以作为下一代种群中的个体。对当代种群中的其他个体也可按照上述方式进行选择,最终可以生成下一代种群。
步骤208:判断是否满足预先设置循环的终止条件,若达到终止条件,将下一代种群作为最终种群,进入步骤209。若没有达到终止条件,重新进入筛选步骤。
步骤209:得到最终种群,将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
上文详细描述了本发明实施例提供的电池参数的辨识方法,该方法也可以通过相应的装置实现,下面详细描述本发明实施例提供的电池参数的辨识装置。
图3示出了本发明实施例所提供的一种电池参数的辨识装置的结构示意图。如图3所示,该电池参数的辨识装置包括:
确定模块31,用于确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数,所述初始种群作为当代种群。
筛选模块32,用于执行筛选步骤:针对当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体;根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群;
在本发明实施例中,可选地,筛选模块32可以包括局部寻优模块和/或莱维飞行模块:
局部寻优模块,用于通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,且所述局部寻优模块具体用于:根据所述当代种群中个体的适应度计算所述当代种群中个体的发现概率,根据所述发现概率,通过局部寻优更新所述当代种群中个体的位置;所述个体的发现概率与所述个体的适应度之间为正相关关系。
莱维飞行模块,用于通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体,且所述莱维飞行模块具体用于根据所述筛选步骤的次数确定莱维飞行中所用的步长,通过levy飞行更新所述当代种群中个体的位置,所述步长与所述筛选步骤的次数之间为负相关关系。
循环判断模块33,用于重复上述筛选步骤,直至达到终止条件,得到最终种群;
输出模块34,用于将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
在本发明实施例中,可选地,确定模块31可以包括:
初始化模块,用于基于混沌算子初始化得到随机种群,针对所述随机种群计算反向种群,将所述随机种群和所述反向种群合并,根据各个体的适应度筛选出新的种群作为所述初始种群。
在本发明实施例中,可选地,筛选模块32还可以包括:
引力搜索模块,用于在所述筛选步骤中,通过局部寻优和莱维飞行计算之前,针对所述当代种群至少部分个体,通过引力搜索更新所述当代种群中个体的位置,生成相应的中间个体;根据所述当代种群中的个体以及所述相应的中间个体的适应度,选出最优个体,作为当前筛选步骤中当代种群的个体。
其中,pi表示第i个个体的发现概率,pa表示最大发现概率,fi表示第i个个体的适应度,fbest和fworst分别表示最优个体和最差个体的适应度。
其中,α表示莱维飞行中所用的步长,α0表示设置的初始步长,αrange表示步长变化范围的大小,T为最大筛选次数,t为当前筛选次数,a和b表示设置的固定值,0<a<1,1/3<b<2/3。
需要说明的是,上述实施例提供的电池参数的辨识装置在实现相应的功能时,仅以上述各功能模块的划分举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的电池参数的辨识装置与电池参数的辨识方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
根据本申请的一个方面,本发明实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,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。在该计算机程序被处理器执行时,执行本申请实施例提供的电池参数的辨识方法。
此外,本发明实施例还提供了一种电池参数的辨识设备,该设备包括处理器和存储器,存储器存储有计算机程序,处理器能够执行存储器中存储的计算机程序,计算机程序被处理器执行时,可以实现上述任一实施例提供的电池参数的辨识方法。
例如,图4示出了本发明实施例提供的一种电池参数的辨识设备,该设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述电池参数的辨识方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110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1120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。可以实现或执行本发明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1120可以是微处理器或任何常规的处理器。结合本发明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1110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1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130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1130从其他设备接收外部数据,收发器1130用于将处理器1120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1160,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,在本发明实施例中,存储器1150可进一步包括相对于处理器1120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,本发明实施例中的存储器1150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)。本发明实施例描述的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152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1151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1152包含各种应用程序,例如:媒体播放器(Media Player)、浏览器(Browser),用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152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。
此外,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上述电池参数的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。按照本发明实施例中的界定,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。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、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发明实施例方案要解决的问题。
另外,在本发明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,本发明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)执行本发明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。
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、设备及存储介质。因此,本发明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,本发明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。在本发明实施例中,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发明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。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、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)
1.一种电池参数的辨识方法,其特征在于,包括:
确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数;
所述初始种群作为当代种群,进入筛选步骤:
针对当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体;
根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群;
重复上述筛选步骤,直至达到终止条件,得到最终种群,将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
2.根据权利要求1所述的方法,其特征在于,所述通过局部寻优更新所述当代种群中个体的位置,包括:
根据所述当代种群中个体的适应度计算所述当代种群中个体的发现概率,根据所述发现概率,通过局部寻优更新所述当代种群中个体的位置;所述发现概率与所述适应度之间为正相关关系。
4.根据权利要求1所述的方法,其特征在于,所述通过莱维飞行更新所述当代种群中个体的位置,包括:
根据筛选步骤的次数确定莱维飞行中所用的步长,通过莱维飞行更新所述当代种群中个体的位置,所述步长与所述筛选步骤的次数之间为负相关关系。
6.根据权利要求1所述的方法,其特征在于,在所述筛选步骤中,通过局部寻优和莱维飞行计算之前,针对所述当代种群至少部分个体,通过引力搜索更新所述当代种群中个体的位置,生成相应的中间个体;根据所述当代种群中的个体以及所述相应的中间个体的适应度,选出最优个体,作为当前筛选步骤中当代种群的个体。
7.根据权利要求1所述的方法,其特征在于,所述确定初始种群包括:
基于混沌算子初始化得到随机种群,针对所述随机种群计算反向种群,将所述随机种群和所述反向种群合并,根据各个体的适应度筛选出新的种群作为所述初始种群。
8.一种电池参数的辨识装置,其特征在于,包括:
确定模块,用于确定电池的待辨识参数,并确定初始种群,所述初始种群包含N个个体,每个个体包含所有所述待辨识参数,所述初始种群作为当代种群;
筛选模块,用于执行筛选步骤:针对当代种群中至少部分个体,通过局部寻优更新所述当代种群中个体的位置,生成相应的第一个体,通过莱维飞行更新所述当代种群中个体的位置,生成相应的第二个体;根据所述当代种群中的个体以及所述相应的第一个体、所述相应的第二个体的适应度,选出最优个体,作为下一代种群中的个体;所述下一代种群能够被作为下一轮筛选步骤的当代种群;
循环判断模块,用于重复上述筛选步骤,直至达到终止条件,得到最终种群;
输出模块,用于将所述最终种群中的最优个体所包含的待辨识参数作为所述电池的参数。
9.一种电子设备,包括处理器和存储器,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存储器中存储的计算机程序,以实现如权利要求1至7中任一项所述的电池参数的辨识方法。
10.一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如权利要求1至7中任一项所述的电池参数的辨识方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187172.3A CN116165542B (zh) | 2023-03-01 | 2023-03-01 | 一种电池参数的辨识方法、装置、设备及存储介质 |
US18/522,394 US20240295607A1 (en) | 2023-03-01 | 2023-11-29 | Method, apparatus and device for identifying battery parameters and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187172.3A CN116165542B (zh) | 2023-03-01 | 2023-03-01 | 一种电池参数的辨识方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116165542A true CN116165542A (zh) | 2023-05-26 |
CN116165542B CN116165542B (zh) | 2023-10-20 |
Family
ID=86411290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310187172.3A Active CN116165542B (zh) | 2023-03-01 | 2023-03-01 | 一种电池参数的辨识方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240295607A1 (zh) |
CN (1) | CN116165542B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739602A (zh) * | 2009-09-07 | 2010-06-16 | 北京邮电大学 | 一种用于量子遗传算法的多因子决策量子变异方法 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
CN106951910A (zh) * | 2017-02-09 | 2017-07-14 | 深圳大学 | 一种数据聚类的方法及装置 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN111079615A (zh) * | 2019-12-10 | 2020-04-28 | 哈尔滨工程大学 | 一种基于莱维飞行细菌觅食进化的盲源分离方法 |
CN114531665A (zh) * | 2022-01-13 | 2022-05-24 | 山东师范大学 | 一种基于莱维飞行的无线传感器网络节点分簇方法及系统 |
CN114779089A (zh) * | 2022-04-25 | 2022-07-22 | 杭州安脉盛智能技术有限公司 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
CN114936524A (zh) * | 2022-05-27 | 2022-08-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 蓄电池内阻识别方法、装置、设备、介质和程序产品 |
CN115102586A (zh) * | 2022-06-18 | 2022-09-23 | 河南工业大学 | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 |
WO2022267791A1 (zh) * | 2021-06-22 | 2022-12-29 | 南京邮电大学 | 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3769173B1 (en) * | 2019-05-24 | 2024-01-03 | A^3 By Airbus LLC | Risk assessment for unmanned aerial vehicles |
-
2023
- 2023-03-01 CN CN202310187172.3A patent/CN116165542B/zh active Active
- 2023-11-29 US US18/522,394 patent/US20240295607A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739602A (zh) * | 2009-09-07 | 2010-06-16 | 北京邮电大学 | 一种用于量子遗传算法的多因子决策量子变异方法 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
CN106951910A (zh) * | 2017-02-09 | 2017-07-14 | 深圳大学 | 一种数据聚类的方法及装置 |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN111079615A (zh) * | 2019-12-10 | 2020-04-28 | 哈尔滨工程大学 | 一种基于莱维飞行细菌觅食进化的盲源分离方法 |
WO2022267791A1 (zh) * | 2021-06-22 | 2022-12-29 | 南京邮电大学 | 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质 |
CN114531665A (zh) * | 2022-01-13 | 2022-05-24 | 山东师范大学 | 一种基于莱维飞行的无线传感器网络节点分簇方法及系统 |
CN114779089A (zh) * | 2022-04-25 | 2022-07-22 | 杭州安脉盛智能技术有限公司 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
CN114936524A (zh) * | 2022-05-27 | 2022-08-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 蓄电池内阻识别方法、装置、设备、介质和程序产品 |
CN115102586A (zh) * | 2022-06-18 | 2022-09-23 | 河南工业大学 | 基于布谷鸟搜索及蚁群优化的波束选择方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116165542B (zh) | 2023-10-20 |
US20240295607A1 (en) | 2024-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113985294B (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 | |
CN112364981A (zh) | 一种混合精度神经网络的可微分搜索方法和装置 | |
CN116973797A (zh) | 电池组一致性的判断方法、装置、设备及存储介质 | |
WO2021058328A1 (en) | Method, apparatus and computer program for supporting location services requirements | |
CN115496285B (zh) | 一种电力负荷的预测方法、装置及电子设备 | |
CN115473841A (zh) | 网络路径的确定方法、装置及存储介质 | |
WO2016192081A1 (en) | Enable access point availability prediction | |
CN116298956A (zh) | 一种锂离子电池放电故障诊断方法及系统 | |
CN116148680B (zh) | 电池参数的辨识方法、装置、计算机设备和存储介质 | |
CN116165542B (zh) | 一种电池参数的辨识方法、装置、设备及存储介质 | |
US9552227B2 (en) | System and method for context-aware adaptive computing | |
CN114675190A (zh) | 一种电池安全评估的方法、装置及电子设备 | |
US11733388B2 (en) | Method, apparatus and electronic device for real-time object detection | |
Saranya et al. | An efficient computational offloading framework using HAA optimization-based deep reinforcement learning in edge-based cloud computing architecture | |
Michel et al. | Propagation Model Optimization Based on Ion Motion Optimization Algorithm for Efficient Deployment of eLTE Network | |
CN116047310B (zh) | 一种电池模型参数辨识方法、装置和电子设备 | |
CN115618252A (zh) | 一种光伏接入容量评估方法、装置及电子设备 | |
CN114253956A (zh) | 一种边缘缓存的方法、装置及电子设备 | |
US11163604B2 (en) | Peer-to-peer transfer of edge computing based on availability scores | |
CN115329925A (zh) | 神经网络结构确定方法及装置以及相关产品 | |
CN115329924A (zh) | 神经网络结构确定方法及装置以及相关产品 | |
CN115632801A (zh) | 一种用于检测恶意流量的方法、装置及电子设备 | |
CN116011835A (zh) | 一种储能设备定容处理方法、装置和电子设备 | |
CN112651775B (zh) | 一种确定地理辐射范围的方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |