CN116400246A - 基于aco-gmr的储能电站电池健康状态估计方法 - Google Patents

基于aco-gmr的储能电站电池健康状态估计方法 Download PDF

Info

Publication number
CN116400246A
CN116400246A CN202310665314.2A CN202310665314A CN116400246A CN 116400246 A CN116400246 A CN 116400246A CN 202310665314 A CN202310665314 A CN 202310665314A CN 116400246 A CN116400246 A CN 116400246A
Authority
CN
China
Prior art keywords
training
gmr
battery
model
health
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
Application number
CN202310665314.2A
Other languages
English (en)
Other versions
CN116400246B (zh
Inventor
宁雪峰
姚俊钦
袁展图
李元佳
袁炜灯
王永源
刘建明
马燕君
芦大伟
陈文睿
秦立斌
钟荣富
林志强
刘泽槐
廖彬强
温景和
冯永亮
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.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310665314.2A priority Critical patent/CN116400246B/zh
Publication of CN116400246A publication Critical patent/CN116400246A/zh
Application granted granted Critical
Publication of CN116400246B publication Critical patent/CN116400246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电池领域，公开了一种基于ACO‑GMR的储能电站电池健康状态估计方法，包括：首先，获取储能电站运行时电池充电的电压、电流、温度以及时间数据，并将其进行异常数据处理，减少干扰。之后从获取的数据中提取电池健康状态的健康指标，这些提取的健康指标从不同角度反映了电池老化过程的动态模式。其后利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型超参数采用蚁群智能算法进行优化。最后将测试集输入到改进的高斯混合模型模型中，得到测试集中电池SOH估计结果。该方法能够提高GMR方法应用于储能电站电池SOH估计的泛化性与鲁棒性。

Description

基于ACO-GMR的储能电站电池健康状态估计方法
技术领域
本发明属于储能电站电池管理技术领域，具体涉及一种基于ACO-GMR（蚁群智能优化算法改进高斯混合模型）的储能电站电池健康状态估计方法。
背景技术
近年来，储能电站发展迅速，有助于缓解能源危机和环境问题。然而，储能电站的运行仍有一些问题需要解决，如电池使用寿命、安全性等。在这些问题中，如何评估储能电站电池的健康状态(State of health, SOH)是电池管理系统中一个重要且具有挑战性的问题。一个准确的SOH估计值可以帮助我们对电池的老化程度以及电池还能使用多久做出正确的判断。更重要的是，SOH估算可以为合理使用电池提供合理指导。锂离子电池因其环保、高能量密度和长工作寿命而被广泛用作储能电站的储能源。然而，由于电池老化过程中复杂的电化学反应和外部性能变化，很难准确估计SOH。因此，对储能电站电池SOH实现准确的估计至关重要。
目前已经提出了许多用于电池SOH估计的方法，大致可以分为两类：机理分析法和数据驱动法。机理分析法是在深入研究电化学机理的基础上，建立电池劣化现象的数学模型。而数据驱动的方法是最近流行的SOH估计方法，主要包括神经网络，支持向量机，贝叶斯方法等等。这种方法基于大量数据，不需要深入理解电化学原理。在这些模型方法中，高斯混合模型(GMR)是近年来出现的一种机器学习方法。适用于高维、小样本、非线性等复杂回归问题。与神经网络和支持向量机相比，GMR具有超参数自适应采集、实现相对简单和使用不损失性能等优点。此外，GMR建立在贝叶斯框架中，因此它的预测输出可以用基于概率的形式来解释，这表明了结果的可靠性。由于电池老化是一个复杂的非线性过程，GMR可以应用于锂离子电池的SOH估计。
然而针对锂离子电池SOH估计，现有研究未给出有效的特征参数选择方法。此外，该方法在进行SOH估计时，易得到估计精度低和鲁棒性差的结果。
发明内容
本发明目的是提供一种基于ACO-GMR的储能电站电池健康状态估计方法，为锂离子电池健康状态准确估计提供技术方案。
本发明所采用的技术方案是：
一种基于蚁群智能优化算法改进高斯混合模型ACO-GMR的储能电站电池健康状态估计方法，包括如下步骤：
A. 从获取的数据中提取电池健康状态的健康指标；
B. 利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型的超参数采用蚁群智能算法进行优化；
C. 将测试集输入到改进的高斯混合模型模型中，得到测试集中电池SOH估计结果。
可选的，在步骤B中，首先将所获得的健康指标x作为模型训练的输入，电池的健康状态y作为模型训练的输出，则训练数据集可以表述为
Figure SMS_1
, />
Figure SMS_2
为第/>
Figure SMS_3
个输入样本，/>
Figure SMS_4
为第/>
Figure SMS_5
个输出样本，/>
Figure SMS_6
为样本个数，/>
Figure SMS_7
为训练数据集；之后利用改进的高斯混合模型来训练，获取估计模型。
可选的，所述利用改进的高斯混合模型来训练，获取估计模型，具体包括：
步骤一、构建基准高斯混合模型GMR；
假设训练集的样本服从
Figure SMS_8
个高斯分布，则/>
Figure SMS_9
个高斯组分的模型概率密度函数如下：
Figure SMS_10
(1)
式中
Figure SMS_12
，/>
Figure SMS_14
表示属于第/>
Figure SMS_17
个高斯组分的混合系数, 且满足约束条件/>
Figure SMS_20
表示均值向量为/>
Figure SMS_21
、协方差矩阵为/>
Figure SMS_22
的高斯组分的概率密度函数，/>
Figure SMS_23
，/>
Figure SMS_11
和/>
Figure SMS_13
组成GMR模型的超参数，/>
Figure SMS_15
为/>
Figure SMS_16
个高斯组分的模型概率密度函数，/>
Figure SMS_18
为第/>
Figure SMS_19
个高斯组分的模型概率密度函数；
在获取超参数之后，计算各个高斯组分的均值向量
Figure SMS_24
和协方差矩阵/>
Figure SMS_25
，计算如下：
Figure SMS_26
(2)
式中
Figure SMS_28
表示第/>
Figure SMS_30
个输入训练数据均值，/>
Figure SMS_32
表示第/>
Figure SMS_34
个输出训练数据均值，/>
Figure SMS_36
表示第/>
Figure SMS_38
个输入训练数据的协方差，/>
Figure SMS_40
表示第/>
Figure SMS_27
个输出训练数据的协方差，/>
Figure SMS_29
为第/>
Figure SMS_31
个输入训练数据和第/>
Figure SMS_33
个输出训练数据之间的协方差，/>
Figure SMS_35
为第/>
Figure SMS_37
个输出训练数据和第/>
Figure SMS_39
个输入训练数据之间的协方差；
在第
Figure SMS_41
个高斯组分中，给定训练输入数据/>
Figure SMS_42
，则训练输出/>
Figure SMS_43
的条件分布/>
Figure SMS_44
表示为如下：
Figure SMS_45
(3)
式中
Figure SMS_46
为均值向量为/>
Figure SMS_47
、协方差矩阵为/>
Figure SMS_48
的高斯组分的概率密度函数；
在给定第
Figure SMS_49
个组分训练输入数据/>
Figure SMS_50
之后，训练输出/>
Figure SMS_51
均值向量/>
Figure SMS_52
和协方差矩阵
Figure SMS_53
通过以下计算获得：/>
Figure SMS_54
；
则训练输出
Figure SMS_55
的条件分布/>
Figure SMS_56
表示为：
Figure SMS_57
(4)
其中
Figure SMS_58
为高斯组分的权重，通过以下公式求得：/>
Figure SMS_59
；
如果给定测试输入数据
Figure SMS_60
,则预测输出/>
Figure SMS_61
通过下式计算求得：
Figure SMS_62
(5)
步骤二、利用ACO优化GMR的超参数值。
可选的，所述利用ACO优化GMR的超参数值的具体优化方法包括：
步骤2.1、参数初始化：设置蚁群算法的参数，初始化设置超参数，也就是初始化蚁群的位置；
步骤2.2、利用步骤一中式(1)-式(4)训练GMR模型，计算各个蚂蚁的适应度值；
Figure SMS_63
(6)
式中
Figure SMS_64
为适应度值，/>
Figure SMS_65
为第/>
Figure SMS_66
个样本的预测值，/>
Figure SMS_67
为第/>
Figure SMS_68
个样本的真实值，N为样本个数；
步骤2.3、计算第
Figure SMS_69
个蚂蚁在边界/>
Figure SMS_70
外节点/>
Figure SMS_71
和时间/>
Figure SMS_72
的概率/>
Figure SMS_73
；
Figure SMS_74
(7)
式中
Figure SMS_76
为边界/>
Figure SMS_78
时间/>
Figure SMS_79
的信息素强度，/>
Figure SMS_80
信息素重要程度因子，/>
Figure SMS_81
启发函数重要程度因子，/>
Figure SMS_82
为/>
Figure SMS_83
时刻节点/>
Figure SMS_75
的一组往外边，/>
Figure SMS_77
为一组边的长度；
步骤2.4、计算
Figure SMS_84
时刻的信息素长度/>
Figure SMS_85
；
Figure SMS_86
(8)
Figure SMS_87
(9)
式中
Figure SMS_97
为/>
Figure SMS_99
时刻的信息素长度，/>
Figure SMS_102
为第/>
Figure SMS_103
个蚂蚁在/>
Figure SMS_104
时刻的信息素长度，/>
Figure SMS_105
为边界/>
Figure SMS_106
时间/>
Figure SMS_88
的信息素强度，/>
Figure SMS_90
为挥发因子，取值在0到1之间, />
Figure SMS_91
为蚁群数量；如果第/>
Figure SMS_93
个蚂蚁在/>
Figure SMS_96
时刻使用边界/>
Figure SMS_98
，则/>
Figure SMS_100
，式中/>
Figure SMS_101
为信息素奖励常数，/>
Figure SMS_89
为第/>
Figure SMS_92
个蚂蚁/>
Figure SMS_94
时刻走过的路径长度，否则/>
Figure SMS_95
等于零；
步骤2.5、获得当前蚁群的位置后，计算获得最优个体以及最佳适应度值；
步骤2.6、对蚁群进行迭代寻优，判断是否达到迭代次数，若是，则输出所蚁群的最佳值的最小值，该最小值对应的超参数作为最优值，若不是，则返回步骤2.2重复执行；
步骤2.7、将最优的超参数带入GMR中，构建ACO-GMR电池SOH估计模型。
可选的，步骤A中，所述健康指标划分为直接指标和间接指标。
可选的，所述直接指标：充电过程电流-时间曲线所包围的面积、恒流充电过程电流-时间曲线所包围的面积、恒压充电过程电流-时间曲线所包围的面积、相同时间电压变化量、恒流充电过程所需时间、恒压充电过程所需时间)、恒流充电过程占总充电过程时间的比例、充电过程的最大温度；
所述间接指标：容量增量曲线的峰值以及容量增量曲线峰值对应的电压。本发明具有以下有益效果：
本发明首先利用ACO算法改善高斯混合模型中的特征参数选择，之后将改进的高斯混合模型方法对锂离子电池进行健康状态估计。该方案精细考虑了高斯混合模型的超参数获取，且通过ACO算法获得GMR最优超参数，摆脱了人为尝试核参数取值的试错方式，节省大量的时间，且不需要大量的专业知识，实现更加精确、鲁棒的SOH估计。
附图说明
图1为一种基于ACO-GMR的储能电站电池健康状态估计方法的流程图。
具体实施方式
下面将结合附图对本发明进行详细说明。
请参阅图1，本发明实施例提供了一种基于ACO-GMR的储能电站电池健康状态估计方法，包括步骤：
A. 获取储能电站运行时电池充电的电压、电流、温度以及时间数据，并将其进行异常数据处理，减少干扰；从获取的数据中提取电池健康状态的健康指标。
首先获取储能电站电池运行过程中的充电数据，主要包括充电电压、电流、温度以及充电所需要的时间数据。之后将这些数据利用K均值方法进行异常数据的剔除，减少噪声的干扰，提高数据的准确性。
健康指标，可以分为直接指标和间接指标，这些提取的健康指标从不同角度反映了电池老化过程的动态模式具体如下。
直接指标：充电过程电流-时间曲线所包围的面积、恒流充电过程电流-时间曲线所包围的面积、恒压充电过程电流-时间曲线所包围的面积、相同时间电压变化量、恒流充电过程所需时间、恒压充电过程所需时间)、恒流充电过程占总充电过程时间的比例、充电过程的最大温度。
间接指标：容量增量曲线的峰值以及容量增量曲线峰值对应的电压。
B. 利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型超参数采用蚁群智能算法进行优化。
首先将步骤B中所获得的健康指标(x)作为模型训练的输入，电池的SOH(y)作为模型训练的输出。则训练数据集可以表述为
Figure SMS_107
, />
Figure SMS_108
为第/>
Figure SMS_109
个输入样本，
Figure SMS_110
为第/>
Figure SMS_111
个输出样本，/>
Figure SMS_112
为样本个数，/>
Figure SMS_113
为训练数据集。
之后利用改进的高斯混合模型来训练，获取估计模型。主要包括两个步骤。
步骤1. 构建基准高斯混合模型GMR。
假设训练集的样本服从
Figure SMS_114
个高斯分布，则/>
Figure SMS_115
个高斯组分的模型概率密度函数可以写成如下：：
Figure SMS_116
(1)
式中
Figure SMS_118
，/>
Figure SMS_119
表示属于第/>
Figure SMS_122
个高斯组分的混合系数, 且满足约束条件/>
Figure SMS_124
表示均值向量为/>
Figure SMS_126
、协方差矩阵为/>
Figure SMS_128
的高斯组分的概率密度函数。/>
Figure SMS_129
，/>
Figure SMS_117
和/>
Figure SMS_120
组成GMR模型的超参数。/>
Figure SMS_121
为/>
Figure SMS_123
个高斯组分的模型概率密度函数，/>
Figure SMS_125
为第/>
Figure SMS_127
个高斯组分的模型概率密度函数。
在获取超参数之后，计算各个高斯组分的均值向量
Figure SMS_130
和协方差矩阵/>
Figure SMS_131
，计算如下：
Figure SMS_132
(2)
式中
Figure SMS_134
表示第/>
Figure SMS_136
个输入训练数据均值，/>
Figure SMS_138
表示第/>
Figure SMS_140
个输出训练数据均值，/>
Figure SMS_142
表示第/>
Figure SMS_144
个输入训练数据的协方差，/>
Figure SMS_145
表示第/>
Figure SMS_133
个输出训练数据的协方差，/>
Figure SMS_135
为第/>
Figure SMS_137
个输入训练数据和第/>
Figure SMS_139
个输出训练数据之间的协方差，/>
Figure SMS_141
为第/>
Figure SMS_143
个输出训练数据和第/>
Figure SMS_146
个输入训练数据之间的协方差。
在第
Figure SMS_147
个高斯组分中，给定训练输入数据/>
Figure SMS_148
，则训练输出/>
Figure SMS_149
的条件分布/>
Figure SMS_150
表示为如下：
Figure SMS_151
(3)
式中
Figure SMS_153
为均值向量为/>
Figure SMS_154
、协方差矩阵为/>
Figure SMS_156
的高斯组分的概率密度函数。在给定第/>
Figure SMS_157
个组分训练输入数据/>
Figure SMS_158
之后，训练输出/>
Figure SMS_159
均值向量/>
Figure SMS_160
和协方差矩阵/>
Figure SMS_152
通过以下计算获得：/>
Figure SMS_155
。
则训练输出
Figure SMS_161
的条件分布/>
Figure SMS_162
表示为：
Figure SMS_163
(4)
其中
Figure SMS_164
为高斯组分的权重，通过以下公式求得：/>
Figure SMS_165
。
如果给定测试输入数据
Figure SMS_166
,则预测输出/>
Figure SMS_167
通过下式计算求得：
Figure SMS_168
(5)
步骤2. 利用ACO优化GMR的超参数值，具体优化方法如下：
(1)参数初始化。设置蚁群算法的参数，初始化设置超参数，也就是初始化蚁群的位置。
(2)利用步骤一中式(1)-式(4)训练GMR模型，计算各个蚂蚁的适应度值。
Figure SMS_169
(6)
式中
Figure SMS_170
为适应度值，/>
Figure SMS_171
为第/>
Figure SMS_172
个样本的预测值，/>
Figure SMS_173
为第/>
Figure SMS_174
个样本的真实值，N为样本个数。
(3)计算第
Figure SMS_175
个蚂蚁在边界/>
Figure SMS_176
外节点/>
Figure SMS_177
和时间/>
Figure SMS_178
的概率/>
Figure SMS_179
。
Figure SMS_180
(7)
式中
Figure SMS_182
为边界/>
Figure SMS_184
时间/>
Figure SMS_185
的信息素强度，/>
Figure SMS_186
信息素重要程度因子，/>
Figure SMS_187
启发函数重要程度因子，/>
Figure SMS_188
为/>
Figure SMS_189
时刻节点/>
Figure SMS_181
的一组往外边，/>
Figure SMS_183
为一组边的长度。
(4)计算
Figure SMS_190
时刻的信息素长度/>
Figure SMS_191
；
Figure SMS_192
(8)
Figure SMS_193
(9)
式中
Figure SMS_201
为/>
Figure SMS_203
时刻的信息素长度，/>
Figure SMS_205
为第/>
Figure SMS_207
个蚂蚁在/>
Figure SMS_209
时刻的信息素长度，/>
Figure SMS_211
为边界/>
Figure SMS_212
时间/>
Figure SMS_194
的信息素强度，/>
Figure SMS_196
为挥发因子，取值在0到1之间, />
Figure SMS_199
为蚁群数量。如果第/>
Figure SMS_202
个蚂蚁在/>
Figure SMS_204
时刻使用边界/>
Figure SMS_206
，则/>
Figure SMS_208
，式中/>
Figure SMS_210
为信息素奖励常数，/>
Figure SMS_195
为第/>
Figure SMS_197
个蚂蚁/>
Figure SMS_198
时刻走过的路径长度，否则/>
Figure SMS_200
等于零。
(5)获得当前蚁群的位置后，计算获得最优个体以及最佳适应度值。
(6)对蚁群进行迭代寻优，判断是否达到迭代次数,若是，则输出所蚁群的最佳值的最小值，该最小值对应的超参数作为最优值，若不是，则返回步骤(2)重复执行；
(7)将最优的超参数带入GMR中，构建ACO-GMR电池SOH估计模型。
C. 将测试集输入到改进的高斯混合模型模型中，得到测试集中电池SOH估计结果。
以上仅是对本发明优选实施方式的描述，凡属于本发明思路下的技术方案均属于本发明的保护范围。本发明所属技术领域的技术人员在不偏离本发明的精神和原理的情况下对所描述的具体实施例做各种修改或补充或采用类似的方式替代，视为本发明的保护范围。

Claims (6)

1.一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，包括如下步骤：
步骤A. 从获取的数据中提取电池健康状态的健康指标；
步骤B. 利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型的超参数采用蚁群智能算法进行优化；
步骤C. 将测试集输入到改进的高斯混合模型模型中，得到测试集中电池SOH估计结果。
2. 根据权利要求1所述的一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，在步骤B中，首先将所获得的健康指标x作为模型训练的输入，电池的健康状态y作为模型训练的输出，则训练数据集可以表述为
Figure QLYQS_1
, />
Figure QLYQS_2
为第/>
Figure QLYQS_3
个输入样本，/>
Figure QLYQS_4
为第/>
Figure QLYQS_5
个输出样本，/>
Figure QLYQS_6
为样本个数，/>
Figure QLYQS_7
为训练数据集；之后利用改进的高斯混合模型来训练，获取估计模型。
3.根据权利要求2所述的一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，所述利用改进的高斯混合模型来训练，获取估计模型，具体包括：
步骤一、构建基准高斯混合模型GMR；
假设训练集的样本服从
Figure QLYQS_8
个高斯分布，则/>
Figure QLYQS_9
个高斯组分的模型概率密度函数如下：
Figure QLYQS_10
(1)
式中
Figure QLYQS_12
，/>
Figure QLYQS_14
表示属于第/>
Figure QLYQS_16
个高斯组分的混合系数, 且满足约束条件
Figure QLYQS_17
表示均值向量为/>
Figure QLYQS_19
、协方差矩阵为/>
Figure QLYQS_20
的高斯组分的概率密度函数，/>
Figure QLYQS_23
，/>
Figure QLYQS_11
和/>
Figure QLYQS_13
组成GMR模型的超参数，/>
Figure QLYQS_15
为/>
Figure QLYQS_18
个高斯组分的模型概率密度函数，/>
Figure QLYQS_21
为第/>
Figure QLYQS_22
个高斯组分的模型概率密度函数；
在获取超参数之后，计算各个高斯组分的均值向量
Figure QLYQS_24
和协方差矩阵/>
Figure QLYQS_25
，计算如下：
Figure QLYQS_26
(2)
式中
Figure QLYQS_28
表示第/>
Figure QLYQS_30
个输入训练数据均值，/>
Figure QLYQS_32
表示第/>
Figure QLYQS_34
个输出训练数据均值，/>
Figure QLYQS_35
表示第/>
Figure QLYQS_37
个输入训练数据的协方差，/>
Figure QLYQS_40
表示第/>
Figure QLYQS_27
个输出训练数据的协方差，/>
Figure QLYQS_29
为第/>
Figure QLYQS_31
个输入训练数据和第/>
Figure QLYQS_33
个输出训练数据之间的协方差，/>
Figure QLYQS_36
为第/>
Figure QLYQS_38
个输出训练数据和第/>
Figure QLYQS_39
个输入训练数据之间的协方差；
在第
Figure QLYQS_41
个高斯组分中，给定训练输入数据/>
Figure QLYQS_42
，则训练输出/>
Figure QLYQS_43
的条件分布/>
Figure QLYQS_44
表示为如下：
Figure QLYQS_45
(3)
式中
Figure QLYQS_46
为均值向量为/>
Figure QLYQS_47
、协方差矩阵为/>
Figure QLYQS_48
的高斯组分的概率密度函数；
在给定第
Figure QLYQS_49
个组分训练输入数据/>
Figure QLYQS_50
之后，训练输出/>
Figure QLYQS_51
均值向量/>
Figure QLYQS_52
和协方差矩阵/>
Figure QLYQS_53
通过以下计算获得：/>
Figure QLYQS_54
；
则训练输出
Figure QLYQS_55
的条件分布/>
Figure QLYQS_56
表示为：
Figure QLYQS_57
(4)
其中
Figure QLYQS_58
为高斯组分的权重，通过以下公式求得：/>
Figure QLYQS_59
；
如果给定测试输入数据
Figure QLYQS_60
,则预测输出/>
Figure QLYQS_61
通过下式计算求得：
Figure QLYQS_62
(5)
步骤二、利用ACO优化GMR的超参数值。
4.根据权利要求3所述的一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，所述利用ACO优化GMR的超参数值的具体优化方法包括：
步骤2.1、参数初始化：设置蚁群算法的参数，初始化设置超参数，也就是初始化蚁群的位置；
步骤2.2、利用步骤一中式(1)-式(4)训练GMR模型，计算各个蚂蚁的适应度值；
Figure QLYQS_63
(6)
式中
Figure QLYQS_64
为适应度值，/>
Figure QLYQS_65
为第/>
Figure QLYQS_66
个样本的预测值，/>
Figure QLYQS_67
为第/>
Figure QLYQS_68
个样本的真实值，N为样本个数；
步骤2.3、计算第
Figure QLYQS_69
个蚂蚁在边界/>
Figure QLYQS_70
外节点/>
Figure QLYQS_71
和时间/>
Figure QLYQS_72
的概率/>
Figure QLYQS_73
；
Figure QLYQS_74
(7)
式中
Figure QLYQS_76
为边界/>
Figure QLYQS_78
时间/>
Figure QLYQS_79
的信息素强度，/>
Figure QLYQS_80
信息素重要程度因子，/>
Figure QLYQS_81
启发函数重要程度因子，/>
Figure QLYQS_82
为/>
Figure QLYQS_83
时刻节点/>
Figure QLYQS_75
的一组往外边，/>
Figure QLYQS_77
为一组边的长度；
步骤2.4、计算
Figure QLYQS_84
时刻的信息素长度/>
Figure QLYQS_85
；
Figure QLYQS_86
(8)
Figure QLYQS_87
(9)
式中
Figure QLYQS_98
为/>
Figure QLYQS_101
时刻的信息素长度，/>
Figure QLYQS_102
为第/>
Figure QLYQS_103
个蚂蚁在/>
Figure QLYQS_104
时刻的信息素长度，/>
Figure QLYQS_105
为边界/>
Figure QLYQS_106
时间/>
Figure QLYQS_88
的信息素强度，/>
Figure QLYQS_90
为挥发因子，取值在0到1之间, />
Figure QLYQS_92
为蚁群数量；如果第/>
Figure QLYQS_93
个蚂蚁在/>
Figure QLYQS_95
时刻使用边界/>
Figure QLYQS_97
，则/>
Figure QLYQS_99
，式中
Figure QLYQS_100
为信息素奖励常数，/>
Figure QLYQS_89
为第/>
Figure QLYQS_91
个蚂蚁/>
Figure QLYQS_94
时刻走过的路径长度，否则/>
Figure QLYQS_96
等于零；
步骤2.5、获得当前蚁群的位置后，计算获得最优个体以及最佳适应度值；
步骤2.6、对蚁群进行迭代寻优，判断是否达到迭代次数，若是，则输出所蚁群的最佳值的最小值，该最小值对应的超参数作为最优值，若不是，则返回步骤2.2重复执行；
步骤2.7、将最优的超参数带入GMR中，构建ACO-GMR电池SOH估计模型。
5.根据权利要求1所述的一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，步骤A中，所述健康指标划分为直接指标和间接指标。
6.根据权利要求5所述的一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，
所述直接指标：充电过程电流-时间曲线所包围的面积、恒流充电过程电流-时间曲线所包围的面积、恒压充电过程电流-时间曲线所包围的面积、相同时间电压变化量、恒流充电过程所需时间、恒压充电过程所需时间)、恒流充电过程占总充电过程时间的比例、充电过程的最大温度；
所述间接指标：容量增量曲线的峰值以及容量增量曲线峰值对应的电压。
CN202310665314.2A 2023-06-07 2023-06-07 基于aco-gmr的储能电站电池健康状态估计方法 Active CN116400246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310665314.2A CN116400246B (zh) 2023-06-07 2023-06-07 基于aco-gmr的储能电站电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310665314.2A CN116400246B (zh) 2023-06-07 2023-06-07 基于aco-gmr的储能电站电池健康状态估计方法

Publications (2)

Publication Number Publication Date
CN116400246A true CN116400246A (zh) 2023-07-07
CN116400246B CN116400246B (zh) 2023-08-22

Family

ID=87009058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310665314.2A Active CN116400246B (zh) 2023-06-07 2023-06-07 基于aco-gmr的储能电站电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN116400246B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310506A (zh) * 2023-11-23 2023-12-29 宁德时代新能源科技股份有限公司 监测储能电站的方法、装置和计算机可读存储介质
CN118275924A (zh) * 2024-05-30 2024-07-02 深圳市普裕时代新能源科技有限公司 一种电池储能系统故障检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107422269A (zh) * 2017-06-16 2017-12-01 上海交通大学 一种锂电池在线soc测量方法
CN111366848A (zh) * 2019-12-31 2020-07-03 安徽师范大学 一种基于pso-elm算法的电池健康状态预测方法
CN114200333A (zh) * 2021-10-25 2022-03-18 国网天津市电力公司电力科学研究院 一种铅酸蓄电池容量预测方法
US20230110467A1 (en) * 2022-02-11 2023-04-13 Satish C. Jha Collective perception service reporting techniques and technologies

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107422269A (zh) * 2017-06-16 2017-12-01 上海交通大学 一种锂电池在线soc测量方法
CN111366848A (zh) * 2019-12-31 2020-07-03 安徽师范大学 一种基于pso-elm算法的电池健康状态预测方法
CN114200333A (zh) * 2021-10-25 2022-03-18 国网天津市电力公司电力科学研究院 一种铅酸蓄电池容量预测方法
US20230110467A1 (en) * 2022-02-11 2023-04-13 Satish C. Jha Collective perception service reporting techniques and technologies

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310506A (zh) * 2023-11-23 2023-12-29 宁德时代新能源科技股份有限公司 监测储能电站的方法、装置和计算机可读存储介质
CN117310506B (zh) * 2023-11-23 2024-04-12 宁德时代新能源科技股份有限公司 监测储能电站的方法、装置和计算机可读存储介质
CN118275924A (zh) * 2024-05-30 2024-07-02 深圳市普裕时代新能源科技有限公司 一种电池储能系统故障检测方法及系统

Also Published As

Publication number Publication date
CN116400246B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116400246B (zh) 基于aco-gmr的储能电站电池健康状态估计方法
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN113009349B (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN109543317B (zh) 一种pemfc剩余使用寿命预测的方法及装置
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN113740736A (zh) 一种基于深度网络自适应的电动汽车锂电池soh估算方法
CN111832221B (zh) 基于特征筛选的锂电池寿命预测方法
CN113484774B (zh) 一种基于温度校准和神经网络的锂电池组容量估计方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
CN116796631A (zh) 一种计及约束条件的锂电池寿命预测方法
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
CN116500454A (zh) 一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质
CN115994441A (zh) 基于机理信息的大数据云平台在线电池寿命预测方法
CN115718263A (zh) 基于注意力的锂离子电池日历老化预测模型和方法
CN115586452A (zh) 基于新型健康特征的锂离子电池健康状态估计方法
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
CN117174899B (zh) 一种氟化碳正极材料制备方法
Kuang et al. State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter
Lu et al. Deep learning to predict battery voltage behavior after uncertain cycling-induced degradation
CN117761558A (zh) 一种基于多学习机融合的锂电池健康状态估算方法及装置
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
CN116679208A (zh) 一种锂电池剩余寿命估算方法
CN115291126A (zh) 基于sgpr和自适应无穷滤波的锂电池soc估计方法、设备及介质
CN113255215B (zh) 一种基于电压片段的锂电池健康状态估计方法
CN115236521A (zh) 基于半监督协同训练框架的锂离子电池健康状态估计方法

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
GR01 Patent grant
GR01 Patent grant