LU504942B1 - Intelligent prediction method for state of charge of lithium batteries based on improved grey wolf particle filter - Google Patents

Claims (9)

PATENTANSPRUCHE LU504942

1. Eine intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: Schritt S10, ein High-Fidelity-Autoregressionsmodell zweiter Ordnung wird konstruiert und eine Modellparameteridentifikation wird durchgefiihrt; Schritt S20, die Identifikationsparameter des High-Fidelity-Autoregressionsmodells zweiter Ordnung werden als Zustandsbeobachtungsmessungen genommen und in den verbesserten Grauer-Wolf-Partikel-Filter-Algorithmus zur iterativen Berechnung eingesetzt, wodurch die intelligente Vorhersage des Ladezustands von Lithiumbatterien vervollständigt wird.

2. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 1, dadurch gekennzeichnet, dass Schritt S10 die folgenden Unterschritte umfasst: Schritt S11, basierend auf dem Kirchhoffschen Gesetz wird ein mathematischer Ausdruck des Thevenin-Modells zweiter Ordnung äquivalent zu Lithiumbatterien erhalten; Schritt S12, der mathematische Ausdruck des Thevenin-Modells zweiter Ordnung wird subtrahiert, um eine lineare Regressionsgleichung des High-Fidelity-Autoregressionsmodells zweiter Ordnung zu erhalten; Schritt S13, der mathematische Ausdruck des Thevenin-Modells zweiter Ordnung wird durch Laplace-Transformation transformiert, um eine Ubertragungsfunktion G(s) zu erhalten: Schritt S14, ein Koeffizientenvektor in der linearen Regressionsgleichung des High-Fidelity-Autoregressionsmodells zweiter Ordnung wird unter Verwendung der Ubertragungsfunktion G(s) erhalten; Schritt S15, die lineare Regressionsgleichung des High-Fidelity-Autoregressionsmodells zweiter Ordnung wird in eine Diskretisierungszeitsequenz umgeschrieben, um eine Differentialgleichung im Zeitbereich zu erhalten;

Schritt S16, auf der Grundlage der linearen Regressionsgleichung, dek504942 Ubertragungsfunktion, des Koeffizientenvektors und der Differentialgleichung im Zeitbereich des High-Fidelity-Autoregressionsmodells zweiter Ordnung wird der RLS-Algorithmus verwendet, um Parameter des High-Fidelity-Autoregressionsmodells zweiter Ordnung zu erhalten.

3. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 2, dadurch gekennzeichnet, dass der mathematische Ausdruck des Thevenin-Modells zweiter Ordnung aquivalent zur Lithiumbatterie in Schritt S11: U, =Uy—IR, =U, =U, i ~U,/R +C,dU, | di 1=U,/R,+C, dU, dt 0 in der Gleichung ist VOC(f) die Leerlaufspannung, Ro ist der ohmsche Innenwiderstand, RI und R2 stehen fir den Polarisationsinnenwiderstand und den Oberflächeneffektinnenwiderstand, C/ und C2 stehen für die Polarisationskapazität und die Oberflächeneffektkapazität, /(f) ist der tatsächliche Strom, der durch die Last fließt, und UL(f) ist die Ruhespannung der externen Last.

4. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 3, dadurch gekennzeichnet, dass die lineare Regressionsgleichung des High-Fidelity-Autoregressionsmodells zweiter Ordnung in Schritt S12 lautet: y()=0'(1)9(-1)+e(4) © in der Gleichung ist p(k) die Transposition des Systemeingangsvektors @(k); Hk-1) ist der Koeffizientenvektor; e(k) ist der relative Fehler zwischen Theorie und Praxis; y(k) ist der Systemausgang; hier bezieht sich das System auf das High-Fidelity-Autoregressionsmodell zweiter Ordnung;

wobei der Systemeingangsvektor ¢(k) und der Koeffizientenvektor 9(k) wie folgt sind:LU504942 9(k)=[a,:;a,:b:b,;b, p(k) =[=y(k=1);=p(k=2)sx(k)s x(k =1);x (k=2)] 6) in der Gleichung: a, a, bo, bi, b sind die Parameter des Koeffizientenvektors Mk); x(k) stellt die Zustandsvariable des Systems zum Zeitpunkt Æ dar, und y() stellt den beobachteten Wert zum Zeitpunkt Æ dar.

5. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 4, dadurch gekennzeichnet, dass die Ubertragungsfunktion G(s) in Schritt S13 wie folgt ist: G(s)= U, (5)= Upc (5) _ cs” +c,s/c, +e, /C, I(s) s”+c,s/e +1/¢ (4) in der Gleichung sind Uz(s), Uoc(s), und I(s) die Laplace-Transformationen von Uz(f), Uoc(f) und /(#), und s ist der komplexe Parameter nach der Laplace-Transformation; die Ausdrücke für die benutzerdefinierten Parameter c1, €2, C3, Ca und cs lauten wie folgt: c1=R1C1RC5; ca=Ro; C3=RoR1C1+RoR2C7+R 1 RaC7+R1R2C7, c4=Ro+R1+R2; Cs=R1C1+RaC2.

6. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 5, dadurch gekennzeichnet, dass Schritt S14 umfasst: Schritt S141, der komplexe Parameter s in der Übertragungsfunktion G(s) wird unter Verwendung von z transformiert, um die Gleichung s=(1-z")/7z" zu erhalten, wobei 7 die experimentelle Abtastzeit ist;

Schritt S142, anschließend wird die Gleichung s=(1-z')/7z! in dié/504942 Ubertragungsfunktion G(s) eingesetzt, um die Ausdrücke für die Parameter ai, aa, bo, b1, b2 des Koeffizientenvektors $(k) zu erhalten, wobei die Ausdrücke wie folgt lauten: a=2-csT/e1; a=esT/e1-T"/e1-1; bo=cz; b1=c3T/c1-202; bo=c41"/e1-c3T/e1+es.

7. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 6, dadurch gekennzeichnet, dass die in Schritt S15 beschriebene Differentialgleichung im Zeitbereich: U,(k)-Uge (k)=-a, | U, (k=1)-Uoe (k-1)] -a, |U, (k-2)-Uoc (k-2) +b,1(k)+b1(k—1)+5,1(k-2) (65) in der Gleichung, Æ ist der diskrete Zeitparameter der abgetasteten Diskretisierungssequenz.

8. Die intelligente Vorhersagemethode für den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 7, dadurch gekennzeichnet, dass Schritt S16 die folgenden Unterschritte umfasst: Schritt S161, der relative Fehler e(k) wird vorhergesagt: e(k)=U, (k) = Upc (k) = 0" (k) =1 ©) Schritt S162, die Verstärkung K(k) wird aktualisiert: K(k) = P(k-1)-@k)LA-I + 0° (k)- P(k-1)p(k)]" 7) wobei À der Vergessensfaktor ist; Schritt S163, die Fehlerkovarianzmatrix P(k) wird berechnet: P(k)=[1-K(k)-¢" (k)]-P(k=1)/ À (8) Schritt S164, der Koeffizientenvektor 9(k) wird ermittelt: Ik) = Hk —1) + K (k)e(k) ©

Schritt S165, die Schritte S161 bis S164 werden so lange wiederholt, bis dié/504942 Parameteridentifikation zu allen Zeitpunkten abgeschlossen ist, d. h. die Parameter des High-Fidelity-Autoregressionsmodells zweiter Ordnung identifiziert sind, nämlich Uoc, Ro, Ri, Ro, Ciund Cs.

9. Die intelligente Vorhersagemethode fiir den Ladezustand von Lithiumbatterien auf der Grundlage eines verbesserten Grauer-Wolf-Partikel-Filters nach Anspruch 8, dadurch gekennzeichnet, dass Schritt S20 die folgenden Unterschritte umfasst: Schritt S21, der Anfangswert des Zustandsübergangsbetrags wird festgelegt: Schritt S211, zum Zeitpunkt /=0 werden N Partikel aus der anfänglichen vorherigen Dichtefunktion p(xo) zufällig ausgewählt, bezeichnet als {x.0, i=1,...,N}, und die Gewichte jedes Partikels w,=1/N(i=1,...,N) werden initialisiert, wobei 7 den Partikelindex darstellt; Schritt S212, die empfohlene Dichtefunktion wird definiert: que) = p(xi|xiy) (10) wobei 7 die Zustandszeit ist, und p(x; |x.) eine posteriore Wahrscheinlichkeitsverteilung ist; Schritt S213, die Gewichte des Partikelsatzes basierend auf den initialisierten Gewichten jedes Partikels und der vorgeschlagenen Dichtefunktion werden erhalten: Wi) =) plo) = (Nom Jew (=i) fo] wobei y; die Messung der Systembeobachtung ist, o die Varianz der GauB-Verteilung ist; Schritt S22, Mechanismus der sozialen Hierarchie: Schritt S221, der Partikelsatz {x. 0, i=1,...,N} zum Zeitpunkt 0 wird als die Anfangspopulation des Grauer-Wolf-Partikel-Filter-Algorithmus genommen, und das Partikelsatz-Gewicht w(x: 1.) wird verwendet, um die Fitness des Grauer-Wolf-Individuums darzustellen, und die soziale Hierarchie wird durchgefiihrt, um das Grauer-Wolf-Individuum mit der besten Anpassungsfähigkeit in jeder Generation der Population auszuwählen, um den Standort des ersten Wolfes zu bestimmen: Schritt S222, der Leitwolf a, f, à, der die Beute wahrnimmt, bestimmt die Richtung der Umzingelung der Beute durch die Population, und das Kandidatenwolfsrudel w aktualisiert allmählich seine Position mit dem Leitwolf, und das mathematische Modell für den Prozess der allmählichen Annäherung der grauen Wölfe an ihre Beute und deren Umzingelung lautet/504942 wie folgt: D=CoX,(1)-X,(1) ; ((+1)=X,(#)-A-D A =2aor, —a,C=2r, (12) in der Gleichung steht / für die aktuelle Anzahl der Iterationen; X;(#) ist der aktuelle Positionsvektor des grauen Wolfs, d. h. die Zustandsbeobachtungsmessung, d. h.; X,(#) ist der Positionsvektor der aktuellen Beute; ri und rz sind Zufallsvektoren auf [0,1]; a € [0,2] ist der Konvergenzfaktor, und im gesamten Prozess nimmt a von linear 2 auf 0 ab; A und C sind synergetische Koeffizientenvektoren; D ist der Entfernungsvektor von der Beute zum einzelnen grauen Wolf, der Zufallswert auf A € [-a,a], wenn a linear abnimmt, bewegt sich der graue Wolf zwischen seiner aktuellen Position und seiner Beute; C ist ein Zufallswert auf [0,2], der das Zufallsgewicht darstellt; Schritt S23, die Anpassungsfahigkeit des Leitwolfs wird aktualisiert: Schritt S231, ein mathematisches Modell für die Verfolgung von Beutetieren durch einzelne Grauwôlfe wird wie folgt erstellt: D, =C,oX,(t)-X,(1),D, =C,oX,(#)-X, (1) > =C,oX; (1)-X, (1). X; (1) =X, (/)-A,°D X{(1)=X,(1)-A,oD,X}(1)=X,(#)-A,oD (13) Schritt S232, die endgültige Position des Grauen Wolfs wird anhand des mathematischen Modells des Grauen Wolfs, der die Beute verfolgt, wie folgt ermittelt: X (+1) =[ XI (1) +X] (1) +X (1) ]/3 14) Schritt S24, die Anzahl der Iterationen des Grauer-Wolf-Partikel-Filter-Algorithmus wird bestimmt: wenn der Grauer-Wolf-Partikel-Filter-Algorithmus die eingestellte Anzahl von Iterationen nicht erreicht, kehren Sie zu Schritt S22 zurück, um die Auswahl der Position des Leitwolfs fortzusetzen; andernfalls fahren Sie mit Schritt S25 fort; Schritt S25, Normalisierung der Partikelgewichte: Schritt S251, die iterierte Grauer-Wolf-Population des Grauer-Wolf-Partikel-Filteralgorithmus wird als die abgetasteten Partikel in dem

Grauer-Wolf-Partikel-Filteralgorithmus verwendet, und d44J504942 Partikel-Normalisierungsgewicht wird wie folgt berechnet: N w(x) = (sn) ws) i=1 (15) Schritt S252, die erwartete Schätzung des aktuellen zeitdiskreten Systemzustands wird ausgegeben; Schritt S26, die effektive Partikelzahl wird berechnet, um zu beurteilen, ob eine erneute Probenahme erforderlich ist: Schritt S261, für das Phänomen der Partikeldegradation wird die relative Effizienz RNE wie folgt definiert: (RNE) x 1+var, (w)] a6 in der Gleichung stellt var(-) die Varianzfunktion zur Berechnung der Partikelgewichte dar; Schritt S262, der Näherungswert der effektiven Partikelanzahl auf der Grundlage der relativen Effizienz RNE ist: N 2 N, = Nfi + Var bi) w(x) ]} = V5 Le (x, ) i=l (17) Schritt S263, wenn der ungefähre Wert der effektiven Partikelzahl kleiner ist als der geschätzte Schwellenwert, wird eine erneute Probenahme durchgeführt, und die posteriore Wahrscheinlichkeitsdichte für die erneute Probenahme ist: N p(w) =D wi) (4 41) i=1 (18)

d.h. die posteriore Wahrscheinlichkeitsdichte N-mal neu abtasten, so dass p(x;.#x;.), wobei w,=1/N: Schritt S27, die Schritte S22 bis S26 werden wiederholt, bis die Zustandsschätzung zu allen Zeiten abgeschlossen ist, wodurch die intelligente Vorhersage des Ladezustands der Lithiumbatterie abgeschlossen wird.