CN116609672B - 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 - Google Patents
一种基于改进的bwoa-fnn算法的储能电池soc估计方法 Download PDFInfo
- Publication number
- CN116609672B CN116609672B CN202310557967.9A CN202310557967A CN116609672B CN 116609672 B CN116609672 B CN 116609672B CN 202310557967 A CN202310557967 A CN 202310557967A CN 116609672 B CN116609672 B CN 116609672B
- Authority
- CN
- China
- Prior art keywords
- black
- pop
- fnn
- oligopolistic
- model
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract 3
- 239000011159 matrix material Substances 0.000 claims description 49
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 101150025129 POP1 gene Proteins 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 101150000810 BVES gene Proteins 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000013011 mating Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 241000239290 Araneae Species 0.000 claims description 4
- 101150030531 POP3 gene Proteins 0.000 claims description 4
- 101100273030 Schizosaccharomyces pombe (strain 972 / ATCC 24843) caf1 gene Proteins 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000004634 feeding behavior Effects 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的黑寡妇优化算法（Black Widow Optimization Algorithm,BWOA）‑前馈神经网络算法（Feedforward Neural Network,FNN）的储能电池荷电状态（State of charge,SOC）估计方法，包括：在仿真软件中搭建储能电池充放电仿真模型，获取其在多个温度条件下的原始数据序列（包括实测量：电压、电流、温度、平均电压、平均电流以及目标状态量：SOC）；然后对数据进行主成分分析（Principal Component Analysis,PCA），选取其中方差累计贡献率较高的实测量替代原始的高维数据；建立储能电池SOC估计的FNN模型，并对FNN模型进行训练，在训练过程中使用改进的BWOA来迭代和优化模型参数；最后，将实测数据输入训练后的模型从而准确估算储能电池的SOC值。该方法具有估算精度高、收敛速度快、抗噪声能力强的优点。
Description
技术领域
本发明涉及电力电子装置状态评估领域，具体涉及一种基于改进的BWOA-FNN算法的储能电池SOC估计方法。
背景技术
对于低压配电网分布式储能系统，通常需要了解和实时监测个储能单元(EnergyStorage System，ESS)的电池运行状态，考虑各单元运行状态的差异，通过识别异常和故障状态，对整体储能系统进行优化调度管理，优化电池状况，实现储能系统高效、安全、可靠、经济运行。其中，荷电状态(State of Charge,SOC)是储能单元最为重要的一个性能指标，它被定义为电池中剩余电量除以电池可以提供的最大电量的比率。
然而，由于储能电池的非线性温度、健康状况和SOC依赖行为，其SOC估计仍然是储能领域的一项挑战。SOC的计算方法通常有安时积分法、电压开路法、基于模型的方法以及基于神经网络的方法。解决此问题的传统方法(例如电化学模型)通常需要精确的参数和电池成分及其物理响应的知识；相比之下，神经网络方法是一种基于数据驱动的方法，其对电池或其非线性行为的表征参数需求最少。
由于储能电池充放电过程中，其特性数据种类较多，数据间关系较为复杂，所以建立一个高效的神经网络模型对SOC进行估算对该问题具有重要意义。
本发明首先通过仿真模型获取储能电池在不同温度条件下的充放电过程的原始数据序列，利用主成分分析法对数据进行降维，再通过结合改进的黑寡妇算法和前馈神经网络算法，在模型训练过程中利用具有反向进化机制的黑寡妇算法求解FNN神经元之间的连接权重与偏置。基于训练后的FNN模型，将实测数据输入该模型，从而能够准确估算储能电池的SOC值。综上所述，一种基于改进的BWOA-FNN算法的储能电池SOC估计方法具有一定的技术水平和工程应用价值。
发明内容
为解决上述存在问题，本发明提供一种基于改进的BWOA-FNN算法的储能电池SOC估计方法，主要包括以下步骤：
(1)在仿真软件中，根据储能电池类型搭建电池充放电仿真模型，获取其在多个温度条件下的原始数据序列，其中实测值包括电压、电流、温度、平均电压、平均电流，目标状态量SOC由安时积分模块获得，且为其理论值。
(2)对采集的数据中的实测量进行主成分分析(Principal Component Analysis,PCA)，选取其中方差累计贡献率较高的实测量替代原始的高维数据，从而降低数据维度以减少FNN模型过拟合的风险；
进一步地，所述步骤(2)具体包括：
(2.1)对于上述采集的实测量数据集，有m个样本，每个样本由n个特征(变量)来描述，将数据集中的每个样本作为列向量，按列排列构成一个n行m列的矩阵，并且每一行都减去该行的均值，从而使得新行向量的均值为0，得到新的数据集矩阵X：
即用X1,X2,…,Xn来表示n个原始变量，假定已经得到了这个转换矩阵P，那么把转换后的n个主成分记为Y1,Y2,…,Yn，那么由Y＝PX，就可以得到主成分矩阵Y：
(2.2)求X的协方差矩阵，并求出协方差矩阵的特征值λ和单位特征向量e。由于数据集已经减去了均值，那么主成分矩阵中的行向量也是0均值的，于是某两个主成分的协方差为：
进一步得到主成分矩阵Y的协方差矩阵为：
将Y＝PX这个等式代入协方差矩阵中进行变换，得到
数据集X的协方差矩阵作为n阶实对称矩阵，可以找到n个单位正交特征向量将其相似对角化。设这n个单位特征向量为e1,e2,…,en，并按列组成一个矩阵E＝(e1,e2,…,en)，那么数据集X的协方差矩阵可以对角化为：
(2.3)按照特征值从大到小的顺序，将单位特征向量排列成矩阵，得到转换矩阵P：
，也即取X的协方差矩阵的单位特征向量矩阵E，用它的转置ET来作为转换矩阵P，而X的协方差矩阵的特征值λ就是各主成分的方差，并按PX计算出主成分矩阵：
此时，P1就是由，X的协方差矩阵最大特征根λ1的单位特征向量e1转置而成(列向量变为行向量)，于是第一主成分就是：
Y1 ＝ e11X1+e12X2+L+e1nXn (9)
第一主成分的方差是最大的。然后第二主成分满足：(1)和第一主成分正交，(2)在剩余的其他主成分中，方差最大，表达式为：
同理，第k个主成分的表达式为：
(2.4)用特征值计算方差贡献率和方差累计贡献率。主成分Yk的方差贡献率，它是第k个主成分的方差占总方差的比例：
前k个主成分的方差累计贡献率为：
取方差累计贡献率超过85％的前k个主成分作为降噪后的数据。
(3)进一步地，将上述降噪后的数据按照7:2:1的比例随机划分为训练集、验证集、测试集。其中训练集用于训练FNN模型，验证集用于验证训练过程中的模型，另外，测试集用于评估训练后的模型。
(4)建立储能电池SOC估计的FNN模型，并对FNN模型进行训练。在训练过程中使用改进的BWOA来迭代和优化模型参数，即用求解FNN神经元之间的连接权重W与偏置。
进一步地，所述步骤(4)具体包括：
(4.1)建立储能电池SOC估计的FNN模型。首先设置输入层、输出层行为以及隐藏层层数，该前馈神经网络FNN由序列输入层、全连接层1、全连接层2、全连接层3以及回归层组成。其中，序列输入层它接受经PCA降维后的数据序列作为输入，并执行零中心化，即将每个输入特征减去其均值。前两个全连接层的神经元个数相同，为numHiddenNeurons；第三个全连接层的神经元个数为numResponses＝1，即将其输入映射到1个输出值，即SOC估计值；回归层，用于计算网络的输出与真实目标之间的平均平方误差(MSE)损失。
(4.2)设置神经元之间的激活函数，前馈神经网络FNN第一与第二个全连接层之间使用双曲正切激活函数，将对其输入进行双曲正切函数处理，其函数表达式为：
第二与第三个全连接层之间使用LeakyReLU激活函数，将对其输入进行LeakyReLU函数处理，该函数允许负输入值通过，而不是将它们裁剪为零，其函数表达式为：
其中γ是一个很小的数，这里，令γ＝0.1。
第三个全连接层与回归层之间使用裁剪ClippedReLU激活函数，将对其输入进行Clipped ReLU函数处理，即将负输入裁剪到零，将正输入裁剪到的给定的最大值1，其函数表达式为：
其中，令ceiling＝1。
(4.3)训练FNN模型，在该过程中使用改进的BWOA来迭代和优化模型参数。
进一步地，该步骤具体包括：
(4.3.1)初始化黑寡妇蜘蛛种群并生成个体，设置优化算法相关参数；
进一步地，该步骤具体包括：
A.所述优化算法参数包括：初始种群数Npop、最大迭代次数Itermax、生殖率PP、同类相食率CR、突变率PM、跳变率JIter有效范围、染色体数组维数Nvar。其中，最大迭代次数为算法的终止条件之一。
B.随机生成Npop个黑寡妇得到种群pop:每个黑寡妇都是一个Nvar维问题的染色体数组，针对本发明所述问题，染色体数组维数Nvar即为FNN模型内的权重和偏差个数，即
其中n是输入节点的数目，Wij表示从第i个节点到第j个节点的连接权重，θj是第j个隐藏节点的偏置(阈值)。按如下公式对种群进行初始化：
其中，表示第i个黑寡妇的第j维特征参数的值，/>和/>分别表示黑寡妇第j维特征参数的上界和下界，Npop表示灰狼种群的总数，Nvar表示特征参数的维数,rand表示[0,1]的随机数。其中的/>和/>分别设置为-10和10。另外，引入反向进化机制，建立Npop个反向个体，每个反向个体与初始个体的其中一个对应。
C.对于此2Npop个候选解(包含Npop个初始个体和Npop个反向)，根据其适应度值，保留最好的Npop个作为BWOA开始的种群，并记录最优个体特征，个体适应度值为所有训练样本上的均方误差的平均值：
其中s是训练样本的数目，m是输出的数目，是使用第k个训练样本时第i个输入单元的期望输出，/>是当第k个训练样本出现在输入中时第i个输入单元的实际输出。
其中，Fitt＝Fitbest＝min(Fiti),i＝1,2,...,Npop。
(4.3.2)进行种群的更新迭代，其中包括以下三个方面的行为：生殖、同类相食、突变、反向进化；
进一步地，该步骤具体包括：
A.基于生殖率PP，计算黑寡妇繁殖数nr。然后将黑寡妇的适应度值进行排序，将种群中适应度值最优的nr只黑寡妇的位置信息保存到pop1中。
B.进行繁殖行为：将从pop1中随机选择一对父母(雌雄黑寡妇)进行交配繁殖，根据公式(20)生成Nvar个黑寡妇后代：
C.其中，W1和W2是父母，child1和child2是后代。这个过程要重复Nvar/2次。
D.进行同类相食行为：雌黑寡妇会在交配时或交配后吃掉雄黑寡妇，根据适应度分辨雌雄，适应度高的为雌性，适应度低的为雄性，摧毁父亲以实现性同类相食；另外，基于适应度值确定幼蛛的强弱，并根据同类相食率(CR)摧毁一部分孩子达到兄弟姐妹同类相食的目的。将剩余的黑寡妇保存到pop2中。
E.进行染色体突变行为：基于突变率PM在种群pop1随机选择nm个黑寡妇，随机突变黑寡妇的一条染色体，每个黑寡妇随机交换数组中的两个特征值，产生一个新的黑寡妇。将突变后的黑寡妇保存到种群pop3中。
F.更新完成迭代一次后的黑寡妇种群pop＝pop2∪pop3。
G.判断当前迭代次数下随机产生的跳变率JIter是否满足设定的条件，若满足，则建立Npop个反向个体，每个反向个体与初始个体的其中一个对应。对于此2Npop个候选解(包含Npop个初始个体和Npop个反向)，根据其适应度值，保留最好的Npop个作为BWOA开始的种群。
(5)当FNN一个epoch训练完成时，输出种群适应度值最优个体对应的特征作为上述参数。完成所有epoch训练时，得到最终的FNN模型。将实测数据输入该模型，从而能够准确估算储能电池的SOC值。
综上所述，通过本发明所提供的技术方案，能够取得以下有益效果：
(1)本发明首先对影响储能电池SOC的数据序列进行主成分分析，降低数据维度，用降维后的数据序列对模型进行训练，能够减少前馈神经网络模型模型的冗余度和复杂性，从而提升模型的稳定性和准确性。
(2)本发明基于黑寡妇优化算法(BWO)参数少、多模态搜索能力强的特点，使用该优化算法迭代优化FNN模型里的权重和偏置，逐步通过获取最优个体对应的特征得到训练后的模型，从而实现储能电池SOC的准确估计。
附图说明
图1是本发明流程图；
图2是前馈神经网络模型结构图；
具体实施方式
下面结合附图来详细说明本发明的实施方式。
如附图1所示，本发明所述的一种基于改进的BWOA-FNN算法的储能电池SOC估计方法，其特征在于，包括以下步骤：
(1)在仿真软件中，根据储能电池类型搭建电池充放电仿真模型，获取其在多个温度条件下的原始数据序列，其中实测值包括电压、电流、温度、平均电压、平均电流，目标状态量SOC由安时积分模块获得，且为其理论值。
(2)对采集的数据中的实测量进行主成分分析(Principal Component Analysis,PCA)，选取其中方差累计贡献率较高的实测量替代原始的高维数据，从而降低数据维度以减少FNN模型过拟合的风险；
进一步地，所述步骤(2)具体包括：
(2.1)对于上述采集的实测量数据集，有m个样本，每个样本由n个特征(变量)来描述，将数据集中的每个样本作为列向量，按列排列构成一个n行m列的矩阵，并且每一行都减去该行的均值，从而使得新行向量的均值为0，得到新的数据集矩阵X：
即用X1,X2,…,Xn来表示n个原始变量，假定已经得到了这个转换矩阵P，那么把转换后的n个主成分记为Y1,Y2,…,Yn，那么由Y＝PX，就可以得到主成分矩阵Y：
(2.2)求X的协方差矩阵，并求出协方差矩阵的特征值λ和单位特征向量e。由于数据集已经减去了均值，那么主成分矩阵中的行向量也是0均值的，于是某两个主成分的协方差为：
进一步得到主成分矩阵Y的协方差矩阵为：
将Y＝PX这个等式代入协方差矩阵中进行变换，得到
数据集X的协方差矩阵作为n阶实对称矩阵，可以找到n个单位正交特征向量将其相似对角化。设这n个单位特征向量为e1,e2,…,en，并按列组成一个矩阵E＝(e1,e2,…,en)，那么数据集X的协方差矩阵可以对角化为：
(2.3)按照特征值从大到小的顺序，将单位特征向量排列成矩阵，得到转换矩阵P：
取X的协方差矩阵的单位特征向量矩阵E，用它的转置ET来作为转换矩阵P，而X的协方差矩阵的特征值λ就是各主成分的方差，并按PX计算出主成分矩阵：
此时，P1就是由，X的协方差矩阵最大特征根λ1的单位特征向量e1转置而成(列向量变为行向量)，于是第一主成分就是：
Y1＝e11X1+e12X2+L+e1nXn (9)
第一主成分的方差是最大的。然后第二主成分满足：(1)和第一主成分正交，(2)在剩余的其他主成分中，方差最大，表达式为：
Y2＝e21X1+e22X2+L+e2nXn (10)
同理，第k个主成分的表达式为：
Yk＝ek1X1+ek2X2+L+eknXn (11)
(2.4)用特征值计算方差贡献率和方差累计贡献率。主成分Yk的方差贡献率，它是第k个主成分的方差占总方差的比例：
前k个主成分的方差累计贡献率为：
取方差累计贡献率超过85％的前k个主成分作为降噪后的数据。
(3)进一步地，将上述降噪后的数据按照7:2:1的比例随机划分为训练集、验证集、测试集。其中训练集用于训练FNN模型，验证集用于验证训练过程中的模型，另外，测试集用于评估训练后的模型。
(4)建立储能电池SOC估计的FNN模型，并对FNN模型进行训练。在训练过程中使用
改进的BWOA来迭代和优化模型参数，即用求解FNN神经元之间的连接权重W与偏置。
进一步地，所述步骤(4)具体包括：
(4.1)建立储能电池SOC估计的FNN模型。首先设置输入层、输出层行为以及隐藏层层数，该前馈神经网络FNN由序列输入层、全连接层1、全连接层2、全连接层3以及回归层组成。其中，序列输入层它接受经PCA降维后的数据序列作为输入，并执行零中心化，即将每个输入特征减去其均值。前两个全连接层的神经元个数相同，为numHiddenNeurons；第三个全连接层的神经元个数为numResponses＝1，即将其输入映射到1个输出值，即SOC估计值；回归层，用于计算网络的输出与真实目标之间的平均平方误差(MSE)损失。
(4.2)设置神经元之间的激活函数，前馈神经网络FNN第一与第二个全连接层之间使用双曲正切激活函数，将对其输入进行双曲正切函数处理，其函数表达式为：
第二与第三个全连接层之间使用LeakyReLU激活函数，将对其输入进行LeakyReLU函数处理，该函数允许负输入值通过，而不是将它们裁剪为零，其函数表达式为：
其中γ是一个很小的数，这里，令γ＝0.1。
第三个全连接层与回归层之间使用裁剪ClippedReLU激活函数，将对其输入进行Clipped ReLU函数处理，即将负输入裁剪到零，将正输入裁剪到的给定的最大值1，其函数表达式为：
其中，令ceiling＝1。
(4.3)训练FNN模型，在该过程中使用改进的BWOA来迭代和优化模型参数。
进一步地，该步骤具体包括：
(4.3.1)初始化黑寡妇蜘蛛种群并生成个体，设置优化算法相关参数；
进一步地，该步骤具体包括：
A.所述优化算法参数包括：初始种群数Npop、最大迭代次数Itermax、生殖率PP、同类相食率CR、突变率PM、跳变率JIter有效范围、染色体数组维数Nvar。其中，最大迭代次数为算法的终止条件之一。
B.随机生成Npop个黑寡妇得到种群pop:每个黑寡妇都是一个Nvar维问题的染色体数组，针对本发明所述问题，染色体数组维数Nvar即为FNN模型内的权重和偏差个数，即
其中n是输入节点的数目，Wij表示从第i个节点到第j个节点的连接权重，θj是第j个隐藏节点的偏置(阈值)。按如下公式对种群进行初始化：
其中，表示第i个黑寡妇的第j维特征参数的值，/>和/>分别表示黑寡妇第j维特征参数的上界和下界，Npop表示灰狼种群的总数，Nvar表示特征参数的维数,rand表示[0,1]的随机数。其中的/>和/>分别设置为-10和10。另外，引入反向进化机制，建立Npop个反向个体，每个反向个体与初始个体的其中一个对应。
C.对于此2Npop个候选解(包含Npop个初始个体和Npop个反向)，根据其适应度值，保留最好的Npop个作为BWOA开始的种群，并记录最优个体特征，个体适应度值为所有训练样本上的均方误差的平均值：
其中s是训练样本的数目，m是输出的数目，是使用第k个训练样本时第i个输入单元的期望输出，/>是当第k个训练样本出现在输入中时第i个输入单元的实际输出。
其中，Fitt＝Fitbest＝min(Fiti),i＝1,2,...,Npop。
(4.3.2)进行种群的更新迭代，其中包括以下三个方面的行为：生殖、同类相食、突变、反向进化；
进一步地，该步骤具体包括：
A.基于生殖率PP，计算黑寡妇繁殖数nr。然后将黑寡妇的适应度值进行排序，将种群中适应度值最优的nr只黑寡妇的位置信息保存到pop1中。
B.进行繁殖行为：将从pop1中随机选择一对父母(雌雄黑寡妇)进行交配繁殖，根据公式(20)生成Nvar个黑寡妇后代：
C.其中，W1和W2是父母，child1和child2是后代。这个过程要重复Nvar/2次。
D.进行同类相食行为：雌黑寡妇会在交配时或交配后吃掉雄黑寡妇，根据适应度分辨雌雄，适应度高的为雌性，适应度低的为雄性，摧毁父亲以实现性同类相食；另外，基于适应度值确定幼蛛的强弱，并根据同类相食率(CR)摧毁一部分孩子达到兄弟姐妹同类相食的目的。将剩余的黑寡妇保存到pop2中。
E.进行染色体突变行为：基于突变率PM在种群pop1随机选择nm个黑寡妇，随机突变黑寡妇的一条染色体，每个黑寡妇随机交换数组中的两个特征值，产生一个新的黑寡妇。将突变后的黑寡妇保存到种群pop3中。
F.更新完成迭代一次后的黑寡妇种群pop＝pop2∪pop3。
G.判断当前迭代次数下随机产生的跳变率JIter是否满足设定的条件，若满足，则建立Npop个反向个体，每个反向个体与初始个体的其中一个对应。对于此2Npop个候选解(包含Npop个初始个体和Npop个反向)，根据其适应度值，保留最好的Npop个作为BWOA开始的种群。
(5)当FNN一个epoch训练完成时，输出种群适应度值最优个体对应的特征作为上述参数。完成所有epoch训练时，得到最终的FNN模型。将实测数据输入该模型，从而能够准确估算储能电池的SOC值。
以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护。
Claims (4)
1.一种基于改进的BWOA-FNN算法的储能电池SOC估计方法，其特征在于，包括以下步骤：
(1)在仿真软件中，根据储能电池类型搭建电池充放电仿真模型，获取其在多个温度条件下的原始数据序列，原始数据的实测量包括：电压、电流、温度、平均电压、平均电流以及目标状态量SOC；
(2)对采集的原始数据序列进行降维，具体包括对采集的数据进行主成分分析，首先对数据集中实测量进行0均值化，得到数据矩阵X，再计算X的协方差矩阵的特征值和单位特征向量，按照特征值从大到小的顺序，将单位特征向量排列得到转换矩阵P，并按PX计算主成分矩阵Y，用特征值计算主成分的方差贡献率和方差累计贡献率，选取其中方差累计贡献率超过设定阈值的主成分替代原始的高维数据，从而降低数据维度以减少FNN模型过拟合的风险；
(3)将降维后的数据按比例划分为训练集、验证集、测试集，其中训练集用于训练FNN模型，验证集用于验证训练过程中的模型，测试集用于评估训练后的模型；
(4)建立储能电池SOC估计的FNN模型，并对FNN模型进行训练，使用BWOA算法求解FNN模型神经元之间的连接权重W与偏置，获得训练好的模型，
其中，在FNN训练过程中通过将神经元之间的连接权重W与偏置θ作为BWOA种群的个体特征值；将回归层输出所有训练样本的MSE损失值的相反数作为BWOA的目标函数，
初始化黑寡妇蜘蛛种群并生成个体，设置BWOA算法相关参数；
BWOA算法参数包括：初始种群数Npop、最大迭代次数Itermax、生殖率PP、同类相食率CR、突变率PM、跳变率JIter有效范围、染色体数组维数Nvar，其中，最大迭代次数为算法的终止条件之一，
随机生成Npop个黑寡妇得到种群pop:每个黑寡妇都是一个Nvar维问题的染色体数组，染色体数组维数Nvar即为FNN模型内的权重和偏差个数，Widowi表示第i个黑寡妇，
其中n是输入节点的数目，Wij表示从第i个节点到第j个节点的连接权重，θj是第j个隐藏节点的偏置，按如下公式对种群进行初始化：
其中，表示第i个黑寡妇的第j维特征参数的值，/>和/>分别表示黑寡妇第j维特征参数的上界和下界，Npop表示黑寡妇种群的总数，Nvar表示特征参数的维数,rand表示[0,1]的随机数，其中的/>和/>分别设置为-10和10，另外，引入反向进化机制，建立Npop个反向个体，每个反向个体与初始个体的其中一个对应；
对于包含Npop个初始个体和Npop个反向的2Npop个候选解，根据其适应度值，保留最好的Npop个作为BWOA开始的种群，并记录最优个体特征，个体适应度值为所有训练样本上的均方误差的平均值：
其中s是训练样本的数目，m是输出的数目，是使用第k个训练样本时第i个输入单元的期望输出，/>是当第k个训练样本出现在输入中时第i个输入单元的实际输出，
Wbest＝Wt (19)
其中，Fitt＝Fitbest＝min(Fiti),i＝1,2,...,Npop，Fitbest表征最优个体，
基于生殖率PP，计算黑寡妇繁殖数nr，然后将黑寡妇的适应度值进行排序，将种群中适应度值最优的nr只黑寡妇的位置信息保存到pop1中，
进行繁殖行为：将从pop1中随机选择一对父母进行交配繁殖，根据公式(20)生成Nvar个黑寡妇后代：
其中，W1和W2是父母，child1和child2是后代，这个过程要重复Nvar/2次，
进行同类相食行为：雌黑寡妇会在交配时或交配后吃掉雄黑寡妇，根据适应度分辨雌雄，适应度高的为雌性，适应度低的为雄性，摧毁父亲以实现性同类相食；另外，基于适应度值确定幼蛛的强弱，并根据同类相食率摧毁一部分孩子达到兄弟姐妹同类相食的目的，将剩余的黑寡妇保存到pop2中，
进行染色体突变行为：基于突变率PM在种群pop1随机选择nm个黑寡妇，随机突变黑寡妇的一条染色体，每个黑寡妇随机交换数组中的两个特征值，产生一个新的黑寡妇，将突变后的黑寡妇保存到种群pop3中，
更新完成迭代一次后的黑寡妇种群pop＝pop2∪pop3，
判断当前迭代次数下随机产生的跳变率JIter是否满足设定的条件，若满足，则建立Npop个反向个体，每个反向个体与初始个体的其中一个对应，对于包含Npop个初始个体和Npop个反向的2Npop个候选解，根据其适应度值，保留最好的Npop个作为BWOA开始的种群；
(5)最后将实测数据输入训练好的模型，从而估算储能电池的SOC值；
所述步骤(4)中，FNN由序列输入层、全连接层、全连接层、全连接层以及回归层组成，其中，序列输入层接受经主成分分析降维后的数据序列作为输入，并执行零中心化，即将每个输入特征减去其均值，前两个全连接层的神经元个数相同，为numHiddenNeurons；第三个全连接层的神经元个数为numResponses＝1，即将其输入映射到1个输出值，即SOC估计值；回归层，用于计算网络的输出与真实目标之间的平均平方误差损失。
2.根据权利要求1所述的基于改进的BWOA-FNN算法的储能电池SOC估计方法，其特征在于，其特征在于，所述步骤(1)中，储能电池充放电仿真模型基于MATLAB或Simulink。
3.根据权利要求1所述的基于改进的BWOA-FNN算法的储能电池SOC估计方法，其特征在于，所述步骤(3)中，将降维后的数据按照7:2:1的比例随机划分为训练集、验证集、测试集，其中，训练集用于逐步训练FNN模型，验证集用于验证训练过程中的模型，测试集用于评估训练后的模型。
4.根据权利要求1所述的基于改进的BWOA-FNN算法的储能电池SOC估计方法，其特征在于，所述步骤(4)中，FNN模型第一与第二个全连接层之间使用双曲正切激活函数，
函数表达式为：
将对其输入进行双曲正切函数处理；
第二与第三个全连接层之间使用LeakyReLU激活函数，
函数表达式为：
其中，γ是一个很小的数，令γ＝0.1，
将对其输入进行LeakyReLU函数处理，该函数允许负输入值通过，而不是将它们裁剪为零；
第三个全连接层与回归层之间使用裁剪ClippedReLU激活函数，
函数表达式为：
其中，令ceiling＝1，
将对其输入进行ClippedReLU函数处理，即将负输入裁剪到零，将正输入裁剪到给定的最大值1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557967.9A CN116609672B (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557967.9A CN116609672B (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116609672A CN116609672A (zh) | 2023-08-18 |
| CN116609672B true CN116609672B (zh) | 2024-05-07 |
Family
ID=87679367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310557967.9A Active CN116609672B (zh) | 2023-05-16 | 2023-05-16 | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609672B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141543A (zh) * | 2010-12-28 | 2011-08-03 | 天津大学 | 基于传声器阵列的激光焊接质量检测的方法和装置 |
| CN109344517A (zh) * | 2018-10-14 | 2019-02-15 | 毛述春 | 一种新能源汽车的高压绝缘故障诊断方法 |
| US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
| CN111368979A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | Mimo-ofdm系统papr抑制方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
| CN113095218A (zh) * | 2021-04-09 | 2021-07-09 | 西北工业大学 | 一种高光谱图像目标检测算法 |
| CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
| CN113688573A (zh) * | 2021-08-30 | 2021-11-23 | 郑州轻工业大学 | 一种基于改进的黑寡妇蜘蛛算法的拉伸弹簧优化方法 |
| CN113902951A (zh) * | 2021-10-13 | 2022-01-07 | 中国检验检疫科学研究院 | 基于主成分分析和梯度提升决策树的油菜蜜真伪鉴别方法 |
| CN113962161A (zh) * | 2021-11-05 | 2022-01-21 | 重庆邮电大学 | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 |
| KR20220069782A (ko) * | 2020-11-20 | 2022-05-27 | 세종대학교산학협력단 | 전력 변압기 고장 진단을 위한 지능형 시스템 |
| CN114612968A (zh) * | 2022-03-02 | 2022-06-10 | 盐城工学院 | 一种基于卷积神经网络的唇纹识别方法 |
| CN114839537A (zh) * | 2022-04-11 | 2022-08-02 | 国网江苏省电力有限公司常州供电分公司 | 电池荷电状态预测方法和装置 |
| CN114895206A (zh) * | 2022-04-26 | 2022-08-12 | 合肥工业大学 | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 |
| CN114967823A (zh) * | 2022-06-07 | 2022-08-30 | 河北工程大学 | 基于改进黑寡妇的光伏最大功率点跟踪的控制方法及装置 |
| CN115018158A (zh) * | 2022-06-07 | 2022-09-06 | 华北电力大学（保定） | 一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法 |
| CN115587294A (zh) * | 2022-12-08 | 2023-01-10 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 |
| CN115632443A (zh) * | 2022-11-09 | 2023-01-20 | 淮阴工学院 | 一种基于黑寡妇算法的能源监测与优化调控系统与方法 |
| CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220383502A1 (en) * | 2021-05-28 | 2022-12-01 | Blinktbi, Inc. | Systems and methods for eyelid localization |
-
2023
- 2023-05-16 CN CN202310557967.9A patent/CN116609672B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141543A (zh) * | 2010-12-28 | 2011-08-03 | 天津大学 | 基于传声器阵列的激光焊接质量检测的方法和装置 |
| US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
| CN109344517A (zh) * | 2018-10-14 | 2019-02-15 | 毛述春 | 一种新能源汽车的高压绝缘故障诊断方法 |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
| CN111368979A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | Mimo-ofdm系统papr抑制方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
| KR20220069782A (ko) * | 2020-11-20 | 2022-05-27 | 세종대학교산학협력단 | 전력 변압기 고장 진단을 위한 지능형 시스템 |
| CN113095218A (zh) * | 2021-04-09 | 2021-07-09 | 西北工业大学 | 一种高光谱图像目标检测算法 |
| CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
| CN113688573A (zh) * | 2021-08-30 | 2021-11-23 | 郑州轻工业大学 | 一种基于改进的黑寡妇蜘蛛算法的拉伸弹簧优化方法 |
| CN113902951A (zh) * | 2021-10-13 | 2022-01-07 | 中国检验检疫科学研究院 | 基于主成分分析和梯度提升决策树的油菜蜜真伪鉴别方法 |
| CN113962161A (zh) * | 2021-11-05 | 2022-01-21 | 重庆邮电大学 | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 |
| CN114612968A (zh) * | 2022-03-02 | 2022-06-10 | 盐城工学院 | 一种基于卷积神经网络的唇纹识别方法 |
| CN114839537A (zh) * | 2022-04-11 | 2022-08-02 | 国网江苏省电力有限公司常州供电分公司 | 电池荷电状态预测方法和装置 |
| CN114895206A (zh) * | 2022-04-26 | 2022-08-12 | 合肥工业大学 | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 |
| CN114967823A (zh) * | 2022-06-07 | 2022-08-30 | 河北工程大学 | 基于改进黑寡妇的光伏最大功率点跟踪的控制方法及装置 |
| CN115018158A (zh) * | 2022-06-07 | 2022-09-06 | 华北电力大学（保定） | 一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法 |
| CN115632443A (zh) * | 2022-11-09 | 2023-01-20 | 淮阴工学院 | 一种基于黑寡妇算法的能源监测与优化调控系统与方法 |
| CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
| CN115587294A (zh) * | 2022-12-08 | 2023-01-10 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| An RBF neural network based on improved black widow optimization algorithm for classification and regression problems;Liu Hui et al.;Frontiers in Neuroinformatics;20230110;第16卷;第1-15页 * |
| 基于多策略黑寡妇算法的断路器全寿命周期成本优化;李维希 等;陕西科技大学学报;20230228;第41卷(第1期);第159-165、173页 * |
| 基于混沌免疫进化网络的电池荷电状态预测;程博 等;系统仿真学报;第20卷(第11期);第2889-2892页 * |
| 基于黑寡妇算法的特征选择方法研究;李郅琴 等;计算机工程与应用;20220815;第58卷(第16期);第147-156页 * |
| 磷酸铁锂电池的SOC预测;李国进 等;计算机仿真;第32卷(第3期);第163-168页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116609672A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hannan et al. | Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
| CN111709186B (zh) | 一种退役动力锂电池健康状态的集成估计方法 | |
| CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN113156325B (zh) | 一种对电池的健康状态进行估计的方法 | |
| CN111983459B (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
| CN107436409B (zh) | 一种电动汽车动力电池soc智能预测装置 | |
| CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
| Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
| CN114791571B (zh) | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 | |
| CN113296009B (zh) | 一种退役动力锂离子电池剩余寿命预测及重组方法 | |
| CN111736084A (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| CN110826611A (zh) | 基于多个元分类器加权集成的stacking污水处理故障诊断方法 | |
| CN112526354A (zh) | 一种锂电池健康状态估计方法 | |
| CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
| CN116609672B (zh) | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 | |
| Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
| CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
| CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network |
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 |