CN110232432B - 一种基于人工生命模型的锂电池组soc预测方法 - Google Patents
一种基于人工生命模型的锂电池组soc预测方法 Download PDFInfo
- Publication number
- CN110232432B CN110232432B CN201810194036.6A CN201810194036A CN110232432B CN 110232432 B CN110232432 B CN 110232432B CN 201810194036 A CN201810194036 A CN 201810194036A CN 110232432 B CN110232432 B CN 110232432B
- Authority
- CN
- China
- Prior art keywords
- cell
- lithium battery
- data
- battery pack
- soc
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000007599 discharging Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 47
- 230000001413 cellular effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000178 monomer Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 45
- 238000001914 filtration Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 210000005056 cell body Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本专利发明了一种基于人工生命模型的锂电池组SOC预测方法，该方法包括人工生命模型建立和人工生命模型进化两部分。首先，建立锂电池SOC预测的人工生命模型。其次，为了使人工生命体可以更快速地学习，从而引入人工神经网络并将QPSO算法作为人工生命体的学习算法。之后，将采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据提供给人工生命体进而使它们不断进化。再次，进化完成时，选取最优的种群中的最优个体作为预测锂电池SOC的模型。最后，通过测试数据对所得模型进行评估，并计算出模型的准确率。本发明无需复杂的参数配置，就可以准确地获得预测结果，而且预测精度高、误差小，预测成本低，可广泛应用于电动汽车的控制行业中。
Description
技术领域
本发明涉及电池能源管理***领域，特别是涉及一种基于人工生命模型的锂电池组SOC预测方法。
背景技术
名词解释：
元胞自动机：cellular automata，是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂***时空演化能力，是一种典型的人工生命模型。
SOC：荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示；
BP神经网络：Back Propagation神经网络，按误差逆传播算法训练的多层前馈网络。
QPSO算法：Quantum-behaved Particle Swarm Optimization，量子微粒群算法，是一种改进的微粒群优化算法(PSO)，克服了PSO算法搜索空间有限和易陷入局部极值的不足，同时该算法具有参数少、易实现、收敛速度快等优点。
近年来雾霾不断出现，是因为传统的燃油汽车越来越多，所产生的汽车尾气也更多了，随着化石能源的逐渐枯竭，环境问题日益突出。锂电池的出现恰好可以满足现代社会对既绿色又环保的新能源需求，锂电池因其高能量密度和高比功率广泛应用在电动汽车的电池***中，电池的性能不但决定着电动汽车***的安全性，而且还决定着其可靠性以及效率。电池管理***(BMS)需要提供精确的电池状态信息以供人参考，而电池管理***的核心则是电池荷电状态(SOC)，只有精确的锂电池SOC预测才可以准确预测电池的剩余容量，同时确定行之有效的电池管理策略，从而避免出现电池的过充电和过放电情况，延长电池的使用寿命。
可是SOC又不能够直接测量得到，必须通过可测量的电压、电流来预测，SOC预测的准确性对电池的使用效率、使用寿命以及安全性有着决定性影响。
从目前来看，SOC的研究方法很多，常见测量或者预测方法的有开路电压法、安时积分法、放电实验法、神经网络算法、卡尔曼滤波等。分析得出现有方法不足之处，现列举如下：1.开路电压法，通过开路电压和SOC的对应关系，可是需要静置的时间较长，由查表得到电池的SOC，这种方法操作简单，但是电池组要间歇静置，只适用实验室用，不能满足电动汽车在线要求；2.安时积分法，可在线测试，使用简单，但该方法会随着时间的积累导致估算误差增大；3.放电实验法，该方法可以测量得到可靠的SOC，但是该方法需要离线测试，并且需要充放电机，而且充放电时间长，因而导致成本增加；4.神经网络算法预测，这种方法的预测精度依赖于大量的训练数据和合适的训练方法；5.卡尔曼滤波算法，适合电动车剧烈运行的工况，但是传统的卡尔曼滤波算法只适合线性***，对于在运行中成剧烈非线性的锂电池不适合。
总的来说，就目前对电动车锂电池组SOC的在线测量或者预测方法存在误差大、精度低、成本高或者建模准确度低等问题，很难准确地获得电动汽车锂电池的SOC。
发明内容
针对以上技术背景中的问题，本发明的目的是提出一种基于人工生命模型的锂电池组SOC预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于人工生命模型的锂电池SOC预测方法，包括步骤：
S1、建立基本人工生命体模型；
S2、改善基本人工生命体模型的结构；
S3、改进人工生命体模型的学习算法。
S4、采集锂电池组的历史充放电数据以及对应的SOC数据；
S5、对锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；
S6、将处理完成的数据输入到每个个体元胞中去，并赋予元胞空间内的每个元胞一套自身的网络权重系数，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续。
S7、计算适应度。比较期望输出与每个元胞的实际输出，计算每个元胞的适应度。
S8、选择与复制。每个元胞均在邻居范围内选择适应度最大的个体作为学习对象，每个元胞对选择出的邻居中的优秀个体进行复制操作，更新自身的网络权重系数，然后返回步骤S6
进一步，所述步骤S1，其具体为：
建立n×n的网格Moore型元胞自动机，其中n取20，作为本专利的人工生命模型。
进一步，所述步骤S2，其具体为：
将人工神经网络引入每个元胞中，每个元胞内存放了需要训练的神经网络，其神经网络为三层结构，分别是输入层、隐藏层、输出层。
进一步，所述步骤S3，其具体为：
利用QPSO算法作为元胞的学习算法，步骤如下：
S31、设迭代次数n＝0。初始化粒子群，包括粒子的个数，搜索空间，随机初始化每个粒子初始位置；
S32、在第一次迭代时，每个粒子的初始位置即为个体最好的位置。每个粒子的位置为神经网络中的参数，计算所有输入组数据神经网络的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函数值，所有的粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的位置即为全局最好的位置，同时保存该粒子所对应的结论参数矩阵；
S33、由所有的粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位置进行更新，计算每个粒子的目标函数值，并更新个体最好位置。最后，比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最好位置粒子所对应的参数矩阵；
S34、当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的神经网络参数值，保存的结论参数矩阵即为要确定的结论参数。当迭代结束条件未达到时，设n＝n+1，转到步骤S33。
进一步，所述步骤S4，其具体为：
所述充放电数据包括锂电池组的各单体电池的充放电电流、单体电压。
进一步，所述步骤S5，其具体为：
根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对SOC数据进行反归一化处理：
上式中，X表示归一化处理后的数据，xk表示实际输入的历史充放电数据，k为自然数，表示序号，xmax表示xk所在的数据序列中的最大值，xmin表示xk所在的数据序列中的最小值。
进一步，所述步骤S6，包括：
S61、根据采集的电动汽车锂电池组的历史充放电数据以及对应的SOC数据，将任一时刻的SOC数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放电数据作为BP神经网络的输入数据，进而确定元胞体的网络结构中的输入和输出结点的个数；
S62、赋予元胞空间内的每个元胞一套自身的网络权重系数
S63、为每个元胞提供相同的步骤S5处理过的数据，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续。
进一步，所述步骤S7，其具体为：
每个元胞比较自身实际输出与期望输出的差距，计算适应度，方式如下：
上式中，fitness是适应度，outa是元胞实际输出，outq是期望输出。
进一步，所述步骤S8，其具体为：
每个元胞均在邻居范围内(包括自身)中选择适应度fitstar＝max{fitj，j∈Ω}作为学习对象，每个元胞对选择出适应度最大的元胞个体进行复制，并更新自身的网络权重系数：
Wi，t′＝Wstar，t
Vi，t′＝Vstar，t
然后返回步骤S6。
本发明的有益效果在于：本发明是基于人工生命模型的锂电池组SOC预测方法，该发明通过人工生命模型准确地对电动车锂电池组的SOC值进行建模并获得SOC的在线预测值，而且没有误差积累，预测精度高、误差小、预测成本低，便于广泛使用。
附图说明
下面结合附图和实施例对本发明作进一步说明
图1是本发明的一种基于人工生命模型的锂电池组SOC预测方法流程图；
图2是本发明所建立的生命生命模型------Moore型元胞自动机
图3是本发明所改进的元胞自动机------元胞遗传神经网络结构
具体实施方式
参照图1，本发明提供了一种基于人工生命模型的锂电池组SOC预测方法，包括步骤：
S1、建立基本人工生命体模型；
S2、改善基本人工生命体模型的结构；
S3、改进人工生命体模型的学习算法。
S4、采集锂电池组的历史充放电数据以及对应的SOC数据；
S5、对锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；
S6、将处理完成的数据输入到每个个体元胞中去，并赋予元胞空间内的每个元胞一套自身的网络权重系数，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续。
S7、计算适应度。比较期望输出与每个元胞的实际输出，计算每个元胞的适应度。
S8、选择与复制。每个元胞均在邻居范围内选择适应度最大的个体作为学习对象，每个元胞对选择出的邻居中的优秀个体进行复制操作，更新自身的网络权重系数，然后返回步骤S6。
进一步作为优选的实施方式，所述步骤S1，包括：
参照图2，建立n×n的Moore型元胞自动机的人工生命模型，其中n取20。
进一步作为优选的实施方式，所述步骤S2，包括：
参照图3，将人工神经网络引入每个元胞中，每个元胞内存放了需要训练的神经网络，其神经网络为三层结构，分别是输入层、隐藏层、输出层。
进一步作为优选的实施方式，所述步骤S3，包括：
利用QPSO算法作为元胞的学习算法，具体步骤如下：
S31、设迭代次数n＝0。初始化粒子群，包括粒子的个数，搜索空间，随机初始化每个粒子初始位置；
S32、在第一次迭代时，每个粒子的初始位置即为个体最好的位置。每个粒子的位置为神经网络中的参数，计算所有输入组数据神经网络的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函数值，所有的粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的位置即为全局最好的位置，同时保存该粒子所对应的结论参数矩阵；
S33、由所有的粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位置进行更新，计算每个粒子的目标函数值，并更新个体最好位置。最后，比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最好位置粒子所对应的参数矩阵；
S34、当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的神经网络参数值，保存的结论参数矩阵即为要确定的结论参数。当迭代结束条件未达到时，设n＝n+1，转到步骤S33。
进一步作为优选的实施方式，所述步骤S4，包括：
所述充放电数据包括锂电池组的各单体电池的充放电电流、单体电压。
进一步作为优选的实施方式，所述步骤S5，包括：
根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对SOC数据进行反归一化处理：
上式中，X表示归一化处理后的数据，xk表示实际输入的历史充放电数据，k为自然数，表示序号，xmax表示xk所在的数据序列中的最大值，xmin表示xk所在的数据序列中的最小值。
进一步作为优选的实施方式，所述步骤S6，包括：
S61、根据采集的电动汽车锂电池组的历史充放电数据以及对应的SOC数据，将任一时刻的SOC数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放电数据作为BP神经网络的输入数据，进而确定元胞体的网络结构中的输入和输出结点的个数；
S62、赋予元胞空间内的每个元胞一套自身的网络权重系数
S63、为每个元胞提供相同的步骤S5处理过的数据，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续。
进一步作为优选的实施方式，所述步骤S7，包括：
每个元胞比较自身实际输出与期望输出的差距，计算适应度，方式如下：
上式中，fitness是适应度，outa是元胞实际输出，outq是期望输出。
进一步作为优选的实施方式，所述步骤S8，包括：
每个元胞均在邻居范围内(包括自身)中选择适应度fitstar＝max{fitj，j∈Ω}作为学习对象，每个元胞对选择出适应度最大的元胞个体进行复制，并更新自身的网络权重系数：
Wi，t′＝Wstar，t
Vi，t′＝Vstar，t
然后返回步骤S6。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或者替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，包括具体步骤：
S1、建立基本人工生命体模型；
S2、改善基本人工生命体模型的结构，即将神经网络引入基本人工生命体模型的每个元胞中，每个元胞内存放了需要训练的神经网络，神经网络为三层结构，分别是输入层、隐藏层、输出层；
S3、改进人工生命体模型的学习算法，即利用QPSO算法来替换人工生命体原来的学习算法之后，通过调整其参数β来实现学习过程，具体包括以下步骤：
S31、设迭代次数n＝0，初始化粒子群，包括粒子的个数，搜索空间，随机初始化每个粒子初始位置；
S32、在第一次迭代时，每个粒子的初始位置即为个体最好的位置；每个粒子的位置为神经网络中的参数，计算所有输入组数据神经网络的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函数值，所有的粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的位置即为全局最好的位置，同时保存该粒子所对应的结论参数矩阵；
S33、由所有的粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位置进行更新，计算每个粒子的目标函数值，并更新个体最好位置；比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最好位置粒子所对应的参数矩阵；
S34、当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的神经网络参数值，保存的结论参数矩阵即为要确定的结论参数；当迭代结束条件未达到时，设n＝n+1,转到步骤S3；其中n表示基本人工生命体模型的规模；
S4、采集锂电池组的历史充放电数据以及对应的SOC数据；
S5、对锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；
S6、将处理完成的数据输入到每个个体元胞中去，并赋予元胞空间内的每个元胞一套自身的网络权重系数，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续；
S7、计算适应度，比较期望输出与每个元胞的实际输出，计算每个元胞的适应度；
S8、选择与复制，每个元胞均在邻居范围内选择适应度最大的个体作为学习对象，每个元胞对选择出的邻居中的优秀个体进行复制操作，更新自身的网络权重系数，然后返回步骤S6。
2.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S1中，建立基本的人工生命模型是指的建立n×n的网格元胞自动机模型。
3.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S4，其具体为：所述的采集数据是锂电池组的各个单体电池的充放电电流、单体电压。
4.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S5，其具体为：所述采集数据经过归一化处理，据跟下式，对锂电池组的历史充放电数据进行归一化处理：
上式中，X表示归一化处理后的数据，xk表示实际输入的历史充放电数据，
k为自然数，表示序号，xmax表示xk所在的数据序列中的最大值，xmin表示xk所在的数据序列中的最小值。
5.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于：所述步骤S6，其具体为：步骤S3所建立的人工生命体模型将对基于步骤S5处理的数据进行学习，该模型会在不断进化，直到完成进化。
6.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S7，其具体为：每个元胞比较自身实际输出与期望输出的差距，计算适应度，方式如下：
上式中，fitness是适应度，outa是元胞实际输出，outq是期望输出。
7.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S8，其具体为：每个元胞均在邻居范围内中选择适应度fitstar＝max{fitj，j∈Ω}作为学习对象，元胞的邻居范围包括自身，每个元胞对选择出适应度最大的元胞个体进行复制，并更新自身的网络权重系数：
Wi,t'＝Wstar,t
Vi.t'＝Vstar,t
然后返回步骤S6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810194036.6A CN110232432B (zh) | 2018-03-05 | 2018-03-05 | 一种基于人工生命模型的锂电池组soc预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810194036.6A CN110232432B (zh) | 2018-03-05 | 2018-03-05 | 一种基于人工生命模型的锂电池组soc预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232432A CN110232432A (zh) | 2019-09-13 |
| CN110232432B true CN110232432B (zh) | 2022-09-20 |
Family
ID=67862270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810194036.6A Active CN110232432B (zh) | 2018-03-05 | 2018-03-05 | 一种基于人工生命模型的锂电池组soc预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232432B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110794308B (zh) * | 2019-11-07 | 2021-09-10 | 交控科技股份有限公司 | 列车电池容量预测方法及装置 |
| CN113109714A (zh) * | 2020-01-10 | 2021-07-13 | 宁波吉利汽车研究开发有限公司 | 一种汽车蓄电池智能监测方法、装置及*** |
| CN113496309B (zh) * | 2021-06-15 | 2024-04-19 | 中国食品药品检定研究院 | 西洋参生长年限预测方法、模型的训练方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1896925A1 (en) * | 2005-06-13 | 2008-03-12 | LG Chem, Ltd. | Apparatus and method for testing state of charge in battery |
| CN102110021A (zh) * | 2010-12-08 | 2011-06-29 | 浙江大学 | 一种云计算自主式优化方法 |
| CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
| CN105823989A (zh) * | 2016-05-04 | 2016-08-03 | 安徽工程大学 | 一种改进的rbf神经网络的电池soc预测方法 |
| CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大***研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
| CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
| CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
| CN106558064A (zh) * | 2016-12-07 | 2017-04-05 | 江南大学 | 一种基于元胞量子行为粒子群算法的目标跟踪方法 |
| CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10740646B2 (en) * | 2017-10-30 | 2020-08-11 | The Aerospace Corporation | Programmable cellular automata for memory search, recall, simulation, and improvisation |
-
2018
- 2018-03-05 CN CN201810194036.6A patent/CN110232432B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1896925A1 (en) * | 2005-06-13 | 2008-03-12 | LG Chem, Ltd. | Apparatus and method for testing state of charge in battery |
| CN102110021A (zh) * | 2010-12-08 | 2011-06-29 | 浙江大学 | 一种云计算自主式优化方法 |
| CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
| CN105823989A (zh) * | 2016-05-04 | 2016-08-03 | 安徽工程大学 | 一种改进的rbf神经网络的电池soc预测方法 |
| CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
| CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大***研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
| CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
| CN106558064A (zh) * | 2016-12-07 | 2017-04-05 | 江南大学 | 一种基于元胞量子行为粒子群算法的目标跟踪方法 |
| CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Integration of neural networks and cellular automata for urban planning;Anthony Yeh ， Li Xia;《Geo-spatial Information Science》;20040331;6-13 * |
| 一种新的元胞网络模型;李学伟，孙有发，吴今培;《五邑大学学报》;20111130;14-21 * |
| 基于QPSO算法的RBF神经网络参数优化仿真研究;陈伟，冯斌，孙俊;《计算机应用》;20060831;1928-1931 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110232432A (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** | |
| CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
| CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
| Sangwan et al. | State-of-charge estimation for li-ion battery using extended Kalman filter (EKF) and central difference Kalman filter (CDKF) | |
| CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
| CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
| CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
| CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
| CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
| CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
| Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
| CN105183994A (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
| CN110850298A (zh) | 基于数据驱动的锂电池soh估计方法及*** | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN110658459A (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
| CN112649736A (zh) | 一种用于退役电池的soc、soh联合估算方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| 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*** | |
| CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
| De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及*** |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: Chongqing University of Posts and telecommunications, No.2 Chongwen Road, Nan'an District, Chongqing 400065 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Effective date of registration: 20231227 Address after: No. 1801, Renmin West Road, Cao'e street, Shangyu District, Shaoxing City, Zhejiang Province Patentee after: Zhejiang Wolong Energy Storage System Co.,Ltd. Patentee after: WOLONG ELECTRIC GROUP Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. |