CN116908691A - 一种锂电池模型参数辨识方法 - Google Patents
一种锂电池模型参数辨识方法 Download PDFInfo
- Publication number
- CN116908691A CN116908691A CN202310715130.2A CN202310715130A CN116908691A CN 116908691 A CN116908691 A CN 116908691A CN 202310715130 A CN202310715130 A CN 202310715130A CN 116908691 A CN116908691 A CN 116908691A
- Authority
- CN
- China
- Prior art keywords
- population
- sparrow
- lithium battery
- parameters
- reverse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000287127 Passeridae Species 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 9
- 229910001416 lithium ion Inorganic materials 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- 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
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及锂电池技术领域,具体涉及一种锂电池模型参数辨识方法,基于二次插值策略的反向非线性麻雀搜索算法对锂电池模型参数辨识,首先根据锂电池的二阶等效电路模型推到电气方程,再确定需要辨识的参数及其取值范围,同时应用二次插值策略和反向计算改进的麻雀搜索算法,在种群位置初始化阶段,采用反向学习策略产生一个反向种群,可以极大的提高麻雀搜索算法解的质量,还增加了种群中个体的探索性,拓宽种群搜索面积,提高种群多样性,对麻雀最优解进行二次插值操作,产生新解,有效提高算法的局部搜索能力,引入贪婪规则比较二次插值策略前后生成的最优解,可以避免算法陷入局部最优,进一步提高收敛精度。
Description
技术领域
本发明涉及锂电池技术领域,具体涉及一种锂电池模型参数辨识方法。
背景技术
锂电池由于其高能量密度、低放电率和高循环次数,已成为新能源汽车动力系统的核心组成部分之一。锂离子电池系统为一个非线性时变的系统,对其内部参数的识别,是应用到电力系统中的前提。建立一个精确的锂离子电池模型,首要的即为对其内部参数的辨识,以便反应出电池的工作特性。通过建立的电池模型可以估计电池工作中的各种表现,有助于电池管理策略的仿真及验证;也能通过检测外部的表现来评估内在的荷电状态(stateofcharge,SOC),这将有助于提高估计的准确性。
现有的锂离子电池模型参数辨识分析方法,大部分对线性系统有良好的分析效果,但对于非线性时变的系统的参数估计方面处理效果较差,而电力系统电池储能是非线性时变的系统,因此现有的分析方法无法完全满足需要。
发明内容
本发明的目的在于提供一种锂电池模型参数辨识方法,旨在解决现有锂电池建模中参数辨识精度不高的技术缺陷,提高锂电池等效电路模型的精度。
为实现上述目的,本发明提供了一种锂电池模型参数辨识方法,包括下列步骤:
步骤1:建立电池等效电路模型,推导相关函数关系;
步骤2:初始化种群参数;
步骤3:生成反向种群,确立麻雀个体初始位置信息;
步骤4:排列适应值;
步骤5:对麻雀种群中的个体进行位置更新操作;
步骤6:利用二次插值策略产生变异,生成新解;
步骤7:判断整个程序是否已经达到了结束条件,如果没有则跳转到步骤4重新开始迭代,且迭代次数t=t+1;反之,判定循环结束并输出最优结果。
可选的,在建立电池等效电路模型,推导相关函数关系的过程中,采用锂离子电池的二阶等效电路模型,推导电气方程,明确参数函数关系,得到离散域传递函数。
可选的,所述锂离子电池的二阶等效电路模型的拓扑结构包括一个直流电源Et,串联的电阻R0、第一个RC回路和第二个RC回路,第一个RC回路包含并联的电化学极化电阻R1、电化学极化电容C1,第二个RC回路包含并联的浓差极化电阻R2、浓差极化电容C2,得到所辨识参数向量为:θ=[a3a4a5a1a2]T。
可选的,生成反向种群,确立麻雀个体初始位置信息的过程,具体为在种群位置初始化阶段,采用反向学习策略产生反向种群,并在当前种群和反向种群中选取适应度优先等级较高的个体构建初始化种群,确立麻雀个体初始位置信息为:
其中分别为所辨识参数a3、a4、a5、a1、a2的初始种群位置。
可选的,在排列适应值的过程中,计算各只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及相对应的位置。
可选的,对麻雀种群中的个体进行位置更新操作的过程,具体为从麻雀群体中选择部分适应度较优的麻雀个体作为发现者,剩余的麻雀作为加入者,引入非线性收敛因子、自适应权重因子,选定维度和相应参数,并按照改进的发现者和加入者位置更新公式,对发现者和加入者进行位置更新操作。
可选的,在利用二次插值策略产生变异,生成新解的过程中,利用二次插值策略对目前的最优解进行变异,同时引入贪婪规则,判断是否要更新麻雀的位置,如果比变异前的个体更优,则用变异后的个体代替变异前的个体,否则,保持原个体不变。
本发明提供了一种锂电池模型参数辨识方法,基于二次插值策略的反向非线性麻雀搜索算法对锂电池模型参数辨识,首先根据锂电池的二阶等效电路模型推到电气方程,再确定需要辨识的参数及其取值范围,同时应用二次插值策略和反向计算改进的麻雀搜索算法,在种群位置初始化阶段,采用反向学习策略产生一个反向种群,可以极大的提高麻雀搜索算法解的质量,还增加了种群中个体的探索性,拓宽种群搜索面积,提高种群多样性,对麻雀最优解进行二次插值操作,产生新解,有效提高算法的局部搜索能力,引入贪婪规则比较二次插值策略前后生成的最优解,可以避免算法陷入局部最优,进一步提高收敛精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种锂电池模型参数辨识方法的流程示意图。
图2是本发明的电池二阶等效电路模型示意图。
图3是本发明的具体实施例的参数模型估计电压与试验测得电压对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供了一种锂电池模型参数辨识方法,包括下列步骤:
S1:建立电池等效电路模型,推导相关函数关系;
S2:初始化种群参数;
S3:生成反向种群,确立麻雀个体初始位置信息;
S4:排列适应值;
S5:对麻雀种群中的个体进行位置更新操作;
S6:利用二次插值策略产生变异,生成新解;
S7:判断整个程序是否已经达到了结束条件,如果没有则跳转到步骤S4重新开始迭代,且迭代次数t=t+1;反之,判定循环结束并输出最优结果。
具体的流程示意图如图1所示,以下结合具体执行步骤对本发明作进一步说明:
所述锂电池模型参数辨识方法中从电池等效电路模型建立到利用二次插值策略对目前的最优解进行变异的过程,具体还分为以下步骤:
步骤1:获取锂电池等效电路模型的辨识参数:
如图2所示,锂电池等效电路模型的拓扑结构包括一个直流电源Et,串联的电阻R0、第一个RC回路和第二个RC回路,第一个RC回路包含并联的电化学极化电阻R1、电化学极化电容C1,第二个RC回路包含并联的浓差极化电阻R2、浓差极化电容C2;
将直流电源处的电压记为开路电压Et,所述锂电池等效电路模型的输出端的电压记为端电压Ut;
步骤2:电池的二阶等效电路模型的状态方程和观测方程可分别由公式1-3、公式4表示:
式中,I为电池工作电流,充电时为正;U1、U2分别为两个RC回路的极化电压;Et(SOC)表示电池开路电压与电池SOC的映射关系。
步骤3:通过脉冲试验对锂电池进行充放电试验,将锂电池以一定放电倍率放电至SOC下降5%后静置,记录静置时间锂电池端电压的变化,重复以上过程至放电为零。通过不同放电量下的SOC值,再结合记录的开路电压OCV值,得到锂电池的OCV-SOC特性曲线,即得到Et(SOC)的值;
步骤4:对公式1-3进行拉氏变换,可得电池的传递函数:
步骤5:运用双线性变换法将s域连续函数映射到z域离散函数:
步骤6:则离散化后的差分方程为:
E(k)=a3I(k)+a4I(k-1)+a5I(k-2)-a1E(k-1)-a2E(k-2)(7)
令
得到带辨识的参数向量为:θ=[a3 a4 a5 a1 a2]T (9)
步骤7:在麻雀搜索算法中,基于惩罚机制的反向非线性麻雀搜索算法在初始化种群的过程中,首先随机生成一个初始种群,采用反向学习策略得到一个反向种群,如在d维搜索空间中,个体为xi=(x1,x2,…,xd),并满足xi∈[ub,lb]的边界条件,其反向解为数学表达式为:
再在当前种群和反向种群中选取适应度较好的个体构建初始化种群。
步骤8:进一步的,基于惩罚机制的反向非线性麻雀搜索算法在麻雀种群发现者和加入者位置更新公式中引入非线性化因子,包括非线性收敛因子和自适应权重因子,对发现者和加入者位置更新公式进行改进;
步骤9:传统的麻雀搜索算法中,发现者位置更新公式如下:
其中,t代表当前迭代次数,j=1,2,…,d。T表示最大迭代次数,表示第i个麻雀在j维的位置,α∈(0,1)是一个随机数,R2∈[0,1]为预警值。
步骤10:由式中收敛函数f(x)=exp[-x/(α-T)]可知,随着x的取值增大,f(x)的取值逐渐缩减,麻雀的每一维都在缩小,这种线性变化并不能适应算法对于复杂多峰函数的寻优,导致算法寻优速度缓慢,甚至陷入局部最优值。因此本发明引入一种非线性变化的收敛因子,非线性收敛因子的数学表达式如下所示:
式中:δ1,δ2,δ3,ρ1,ρ2,ρ3为常数系数,τ为指定迭代次数。
步骤11:进一步的,基于惩罚机制的反向非线性麻雀搜索算法中的发现者位置更新公式为:
步骤12:每次迭代后生成麻雀种群预更新的最佳位置,降序排列所有麻雀的适应度值,选择适应度值最靠前的三个麻雀个体,即个体Mk、Mk+1、Mk+2(1≤k≤n-2);并通过下式生成新的麻雀个体
其中,q=1,2,…,d。
步骤13:比较麻雀个体Mk和适应度值的优劣性,通过下式更新Mk:
二次插值作为一个交叉算子产生新解,在一定程度上增加了种群多样性。
进一步的,本发明还提出了一个具体实施例,如图3所示:
以二阶等效电路模型为例,采集锂电池HPPC实验数据,基于二次插值策略的反向非线性麻雀搜索算法进行锂电池模型参数辨识,包括以下步骤:
步骤1:采用锂离子电池的二阶等效电路模型,推导电气方程,明确参数函数关系,得到离散域传递函数:
待辨识参数为:θ=[a3 a4 a5 a1 a2]T;
步骤2:初始化种群参数,包括种群个体数N为30,最大迭代次数Max_iter为500,维度d,种群搜索边界lb,ub等,并设置相关参数,发现者比例PD和加入者比例SD,警戒阈值R2等;
步骤3:在种群位置初始化阶段,采用反向学习策略产生反向种群,并在当前种群和反向种群中选取适应度优先等级较高的个体构建初始化种群,确立麻雀个体初始位置信息为:
步骤4:计算各只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及相对应的位置;
步骤5:从麻雀群体中选择部分适应度较优的麻雀个体作为发现者,剩余的麻雀作为加入者,引入非线性收敛因子f、自适应权重因子ω,取维度d=30,自适应权重因子设置为:δ1=0.55,δ2=200,δ1=1.2,ρ1=0.05,ρ2=0.024,ρ3=0.12,τ=10,a=π,b=-π,并按照改进的发现者和加入者位置更新公式,对发现者和加入者进行位置更新操作;
步骤6:利用二次插值策略对目前的最优解进行变异,从而得到新的解。引入贪婪规则,判断是否要更新麻雀的位置,如果比变异前的个体更优,则用变异后的个体代替变异前的个体,否则,保持原个体不变;
步骤7:判断整个程序是否已经达到了结束条件,如果没有则跳转到步骤4重新开始迭代,且迭代次数t=t+1;反之,判定循环结束并输出最优结果;
步骤8:在试验台上进行数据采集,采样时间为0.001s,并将最后采样得到的数据进行数据预处理,系统辨识的对比测试重复20次,结果取运行20次结果的平均值。
使用锂电池HPPC实验数据,经过基于二次插值策略的反向非线性麻雀搜索算法可以得到参数的最优解,代入电池模型计算可得电池模型的以下参数:电化学极化电阻R1、电化学极化电容C1、浓差极化电阻R2、浓差极化电容C2。实际测试端电压与改进前、后的麻雀算法得到的参数模型估计电压的对比如图3所示。
综上所述,与现有技术相比,可以实现下列有益结果:
(1)先根据锂电池的二阶等效电路模型推到电气方程,再确定需要辨识的参数及其取值范围,相比于直接对系统进行辨识,该方法准确度高、效率更高、可操作性更强;
(2)在种群位置初始化阶段,采用反向学习策略产生一个反向种群,不但可以极大的提高解的质量,还增加了种群中个体的探索性,拓宽种群搜索面积,提高种群多样性,同时也能够有效地防止算法早熟;
(3)在麻雀发现者和加入者位置更新公式中加入非线性化因子,不仅可以进一步提高算法的收敛精度和优化效果、加快收敛速度,还可以平衡局部发展和全局搜索能力;
(4)对麻雀最优解进行二次插值操作,产生新解,有效提高算法的局部搜索能力,引入贪婪规则比较二次插值策略前后生成的最优解,可以避免算法陷入局部最优,进一步提高收敛精度。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种锂电池模型参数辨识方法,其特征在于,包括下列步骤:
步骤1:建立电池等效电路模型,推导相关函数关系;
步骤2:初始化种群参数;
步骤3:生成反向种群,确立麻雀个体初始位置信息;
步骤4:排列适应值;
步骤5:对麻雀种群中的个体进行位置更新操作;
步骤6:利用二次插值策略产生变异,生成新解;
步骤7:判断整个程序是否已经达到了结束条件,如果没有则跳转到步骤4重新开始迭代,且迭代次数t=t+1;反之,判定循环结束并输出最优结果。
2.如权利要求1所述的锂电池模型参数辨识方法,其特征在于,
在建立电池等效电路模型,推导相关函数关系的过程中,采用锂离子电池的二阶等效电路模型,推导电气方程,明确参数函数关系,得到离散域传递函数。
3.如权利要求2所述的锂电池模型参数辨识方法,其特征在于,
所述锂离子电池的二阶等效电路模型的拓扑结构包括一个直流电源Et,串联的电阻R0、第一个RC回路和第二个RC回路,第一个RC回路包含并联的电化学极化电阻R1、电化学极化电容C1,第二个RC回路包含并联的浓差极化电阻R2、浓差极化电容C2,得到所辨识参数向量为:θ=[a3 a4 a5 a1 a2]T。
4.如权利要求3所述的锂电池模型参数辨识方法,其特征在于,
生成反向种群,确立麻雀个体初始位置信息的过程,具体为在种群位置初始化阶段,采用反向学习策略产生反向种群,并在当前种群和反向种群中选取适应度优先等级较高的个体构建初始化种群,确立麻雀个体初始位置信息为:
其中分别为所辨识参数a3、a4、a5、a1、a2的初始种群位置。
5.如权利要求4所述的锂电池模型参数辨识方法,其特征在于,
在排列适应值的过程中,计算各只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及相对应的位置。
6.如权利要求5所述的锂电池模型参数辨识方法,其特征在于,
对麻雀种群中的个体进行位置更新操作的过程,具体为从麻雀群体中选择部分适应度较优的麻雀个体作为发现者,剩余的麻雀作为加入者,引入非线性收敛因子、自适应权重因子,选定维度和相应参数,并按照改进的发现者和加入者位置更新公式,对发现者和加入者进行位置更新操作。
7.如权利要求6所述的锂电池模型参数辨识方法,其特征在于,
在利用二次插值策略产生变异,生成新解的过程中,利用二次插值策略对目前的最优解进行变异,同时引入贪婪规则,判断是否要更新麻雀的位置,如果比变异前的个体更优,则用变异后的个体代替变异前的个体,否则,保持原个体不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715130.2A CN116908691A (zh) | 2023-06-16 | 2023-06-16 | 一种锂电池模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715130.2A CN116908691A (zh) | 2023-06-16 | 2023-06-16 | 一种锂电池模型参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116908691A true CN116908691A (zh) | 2023-10-20 |
Family
ID=88359090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715130.2A Pending CN116908691A (zh) | 2023-06-16 | 2023-06-16 | 一种锂电池模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908691A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973218A (zh) * | 2024-02-26 | 2024-05-03 | 太原科技大学 | 一种基于多策略改进蜣螂算法的减速器设计方法 |
-
2023
- 2023-06-16 CN CN202310715130.2A patent/CN116908691A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973218A (zh) * | 2024-02-26 | 2024-05-03 | 太原科技大学 | 一种基于多策略改进蜣螂算法的减速器设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
CN114264964B (zh) | 一种电池容量评估的方法、装置、设备及介质 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN116908691A (zh) | 一种锂电池模型参数辨识方法 | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN110764003A (zh) | 锂电池荷电状态估算方法、装置和系统 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN114779089A (zh) | 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 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN112379295B (zh) | 预测动力电池健康状态的方法、系统及存储介质 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN114239463B (zh) | 基于大数据的电池簇荷电状态修正方法 | |
CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 | |
CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
CN110837049B (zh) | 一种基于ukf算法的锂离子动力电池状态估计方法 | |
CN112906176B (zh) | 一种电池等效电路模型的健康预测方法及系统 | |
CN113917346A (zh) | 一种考虑电流、电压偏差的锂电池soc估计方法 | |
CN116718920B (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
CN114895190B (zh) | 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备 | |
CN108037459B (zh) | 动力电池模型最优阶次确定方法及系统 | |
CN117590259B (zh) | 基于迁移模型锂电池组全寿命宽温度soc高效估计方法 |
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 |