CN112307667A - 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 - Google Patents
一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112307667A CN112307667A CN202011173783.5A CN202011173783A CN112307667A CN 112307667 A CN112307667 A CN 112307667A CN 202011173783 A CN202011173783 A CN 202011173783A CN 112307667 A CN112307667 A CN 112307667A
- Authority
- CN
- China
- Prior art keywords
- charge
- state
- population
- storage battery
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 28
- 230000000739 chaotic effect Effects 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 29
- 238000005457 optimization Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质。方法包括：将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；将种群个体的编码信息整定为神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；将种群个体按适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p‑k个体采用差分进化算法进行迭代更新；将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型；根据网络预测模型对蓄电池的荷电状态进行估算。本发明实现了更精确的估算蓄电池的荷电状态的效果。
Description
技术领域
本发明实施例涉及蓄电池的荷电状态估算技术，尤其涉及一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质。
背景技术
随着阀控式铅酸蓄电池(Valve Regulated Lead Acid Battery,VRLA)不断的推广使用，其已经成为了各类电力***后备直流电源最重要的部分，VRLA蓄电池的荷电状态计算作为表征蓄电池性能状况和健康状况的几个主要参数之一，其与很多因素有高度的非线性关系，因此如何准确的去估算蓄电池的的荷电状态计算，一直是相关领域内研究的重点和难点。
神经网络具有较强的自适应性以及自学习能力，采用并行的处理结构，不需要具体的数学模型，因此，目前一般用神经网络算法来计算VRLA蓄电池的荷电状态。
但是直接采用BP神经网络(back propagation neural network,BPNN)算法在训练的过程中极容易陷入局部最优，造成估算结果不够精确。
发明内容
本发明提供一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质，以实现更精确的计算蓄电池的荷电状态。
第一方面，本发明实施例提供了一种蓄电池的荷电状态估算方法，蓄电池的荷电状态估算方法包括：
步骤1、将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
步骤2、将种群个体的编码信息整定为所述神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
步骤3、将种群个体按所述适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
步骤4、对迭代更新得到的种群重复执行步骤2和3，直至所述种群更新至代数阈值时停止；
步骤5、将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型；
步骤6、根据所述网络预测模型对蓄电池的荷电状态进行估算。
可选的，所述将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，包括：
将网络权值、阈值参数编码成编码串，作为混合进化算法群体中的一个个体，个体变量长度为：θ＝m×l+l+l×n+n；
引入混沌Logistic映射，产生初始种群P，规模大小为p；
式中：μ为控制参量；i为混沌变量的序号，i＝1,2,...,θ；r表示种群序列号，r＝1,2,...,p；αi r表示混沌变量，给式(1)赋θ个差异较小的初值αi 0；
将得到的θ个混沌变量代入下式中进行逆映射，即可得到个体变量xr i，依次取r＝1,2,...,p，生成规模为p的初始种群；
式中：[xi min,xi max]为变量xr i的取值区间。
可选的，所述适应度函数F(yi,oi)取网络输出蓄电池的荷电状态估算值与期望值之间的绝对误差的和，并取绝对值，公式为：
式中：η为系数；N为网络输出层节点数；yi为网络第i个节点的输出蓄电池的荷电状态期望值；oi为网络第i个节点的输出蓄电池的荷电状态估算值。
可选的，所述采用粒子群算法进行迭代更新包括：
步骤a)对排名靠前的k个个体种群进行初始化；
步骤b)根据所述适应度函数计算排名靠前的k个个体的第一适应度值；
步骤c)更新粒子的速度和位置；
步骤d)判断所述第一适应度值是否小于适应度值阈值；
步骤e)若否，则返回步骤b)。
可选的，所述采用差分进化算法进行迭代更新包括：
步骤a)选择编码策略，确定遗传策略；
步骤b)利用所述种群中剩余的p-k个体产生初始种群；
步骤c)根据所述适应度函数计算剩余的个体的第二适应度值；
步骤d)判断所述第二适应度值是否小于所述适应度值阈值；
步骤e)若否，则变异、交叉、选择，并返回步骤c)。
可选的，在所述根据所述网络预测模型估算出蓄电池的荷电状态之后，还包括：
将利用所述蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值进行对比。
可选的，在所述根据所述网络预测模型估算出蓄电池的荷电状态之后，还包括：
将利用所述蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数进行对比。
第二方面，本发明实施例还提供了一种蓄电池的荷电状态估算装置，蓄电池的荷电状态估算装置包括：
初始种群生成模块，用于将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
适应度值计算模块，用于将种群个体的编码信息整定为所述神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
迭代更新模块，用于将种群个体按所述适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
代数判断模块，用于对迭代更新得到的种群重复执行适应度值计算模块和迭代更新模块，直至所述种群更新至代数阈值时停止；
预测模型建立模块，用于将最后一代最优个体的编码信息整定为网络的初始权值和阈值，进行网络训练，得到网络预测模型；
荷电状态估算模块，用于根据所述网络预测模型对蓄电池的荷电状态进行估算。
第三方面，本发明实施例还提供了一种蓄电池的荷电状态估算电子设备，蓄电池的荷电状态估算电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的蓄电池的荷电状态估算方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的蓄电池的荷电状态估算方法。
本发明通过构建神经网络结构，引入混沌机制生成初始种群，根据适应度函数得到种群中每个个体的适应度值，并将适应度值进行优劣排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新，种群中剩余的p-k个个体，采用差分进化法进行迭代更新，直到种群更新至代数阈值时停止，从而将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型，采用网络预测模型即可估算出蓄电池的荷电状态。解决了只采用神经网络进行估算结果不够准确的问题，实现了更精确的估算蓄电池的荷电状态的效果。
附图说明
图1是本发明实施例一提供的一种蓄电池的荷电状态估算方法的流程图；
图2是本发明实施例一提供的粒子群算法的流程图；
图3是本发明实施例一提供的差分进化算法的流程图；
图4是本发明实施例二提供的一种蓄电池的荷电状态估算方法的流程图；
图5是本发明实施例二提供的利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法估算出的蓄电池的荷电状态的相对误差值的对比图；
图6是本发明实施例二提供的利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数的对比图；
图7是本发明实施例三提供的一种蓄电池的荷电状态估算装置的结构示意图；
图8是本发明实施例四提供的一种蓄电池的荷电状态估算电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种蓄电池的荷电状态估算方法的流程图，本实施例可适用于蓄电池的荷电状态计算的情况，该方法可以由蓄电池的荷电状态估算装置来执行，具体包括如下步骤：
S110、将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小。
其中，神经网络本质上是人脑处理信息方式的简化模型，神经网络通过模拟大量相互连接的大量简单处理单元工作。根据输入输出变量的个数即可确定神经网络的拓扑结构，然后根据确定的网络结构，将网络权值和阈值参数编码成编码串，引入混沌机制生成初始种群，初始种群包含有p个个体。其中，混沌机制是指对输入放大并加入一些小随机的变化之后结果重新作为输入，并且不断这样循环，这样的***中的结果不可能被预测。
其中，将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，包括：
将网络权值、阈值参数编码成编码串，作为混合进化算法群体中的一个个体，个体变量长度为：θ＝m×l+l+l×n+n；
引入混沌Logistic映射，产生初始种群P，规模大小为p；
式中：μ为控制参量；i为混沌变量的序号，i＝1,2,...,θ；r表示种群序列号，r＝1,2,...,p；αi r表示混沌变量，给式(1)赋θ个差异较小的初值αi 0；
将得到的θ个混沌变量代入下式中进行逆映射，即可得到个体变量xr i，依次取r＝1,2,...,p，生成规模为p的初始种群；
式中：[xi min,xi max]为变量xr i的取值区间。
由此，可以利用神经网络生成规模为p的初始种群。
S120、将种群个体的编码信息整定为神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值。
其中，将种群个体的编码信息作为神经网络的初始权值和阈值，使神经网络进行不断的训练，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。利用适应度函数对训练结果求解，得到每个个体的适应度值。其中，适应度函数的选取直接影响到算法的收敛速度以及能否找到最优解,因为算法在进化搜索中基本不利用外部信息,仅以适应度函数为依据,利用种群每个个体的适应度来进行搜索。因为适应度函数的复杂度是算法复杂度的主要组成部分,所以适应度函数的设计应尽可能简单,使计算的时间复杂度最小。
其中，适应度函数F(yi,oi)取网络输出蓄电池的荷电状态估算值与期望值之间的绝对误差的和，并取绝对值，公式为：
式中：η为系数；N为网络输出层节点数；yi为网络第i个节点的输出蓄电池的荷电状态期望值；oi为网络第i个节点的输出蓄电池的荷电状态估算值。
S130、将种群个体按适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新。
其中，粒子群算法是计算智能领域中的一种生物启发式方法，属于群体智能优化算法的一种。差分进化算法(Differential Evolution Algorithm，DE)是一种高效的全局优化算法。它也是基于群体的启发式搜索算法，群中的每个个体对应一个解向量。将种群个体按适应度值进行排序可以是按照适应度值的大小进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新，实现对前k个个体的优化。将剩余的p-k个体采用差分进化算法进行迭代更新，实现对剩余的p-k个体的优化。
其中，参见图2，图2是本发明实施例一提供的粒子群算法的流程图，采用粒子群算法进行迭代更新包括S1311-S1315，S1311-S1315具体包括：
S1311、步骤a)对排名靠前的k个个体种群进行初始化；
S1312、步骤b)根据适应度函数计算排名靠前的k个个体的第一适应度值；
S1313、步骤c)更新粒子的速度和位置；
S1314、步骤d)判断第一适应度值是否小于适应度值阈值；
S1315、步骤e)若否，则返回步骤b)。
具体的，采用粒子群算法对排名靠前的k个个体进行迭代更新，首先对k个个体种群进行初始化，然后根据适应度函数计算k个个体的第一适应度值，并更新粒子的速度和位置，计算出第一适应度值后判断第一适应度值与适应度值阈值之间的大小关系，如果第一适应度值小于适应度值阈值，则表明优化完成，结束迭代，如果第一适应度值不小于适应度值阈值，则继续根据适应度函数计算k个个体的第一适应度值，直至第一适应度值小于适应度值阈值。从而实现利用粒子群算法对排名靠前的k个个体进行迭代更新，实现对网络预测模型的优化。
其中，参见图3，图3是本发明实施例一提供的差分进化算法的流程图，采用差分进化算法进行迭代更新包括S1321-S1325，S1321-S1325具体包括：
S1321、步骤a)选择编码策略，确定遗传策略；
S1322、步骤b)利用种群中剩余的p-k个体产生初始种群；
S1323、步骤c)根据适应度函数计算剩余的个体的适应度值；
S1324、步骤d)判断第二适应度值是否小于适应度值阈值；
S1325、步骤e)若否，则变异、交叉、选择，并返回步骤c)。
具体的，采用差分进化算法对剩余的p-k个个体进行迭代更新，首先选择编码策略，并利用剩余的p-k个体产生初始种群，对p-k个个体根据适应度函数进行计算，得到每个个体的第二适应度值，判断第二适应度值与适应度值阈值之间的大小关系，如果第二适应度值小于适应度值阈值，则表明优化完成，结束迭代。如果第二适应度值不小于适应度值阈值，则进行变异、交叉、选择。其中变异、交叉、选择是指进行变异和交叉操作，得到中间种群，在原种群和中间种群中选择个体，得到新一代种群，并对新一代种群继续利用适应度函数进行第二适应度值的计算，直至第二适应度值小于适应度值阈值。从而实现利用差分进化算法对剩余的p-k个体进行迭代更新，实现对网络预测模型的优化。
S140、对迭代更新得到的种群重复执行步骤S120和S130，直至种群更新至代数阈值时停止。
具体的，对迭代更新得到的种群重复执行步骤S120和S130，不断的进行迭代更新和优化，直至更新至代数阈值时停止，其中，代数阈值可以是提前输入的，代数阈值的设定可以根据实际情况来确定。
S150、将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型。
具体的，将迭代更新的最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，不断的进行网络训练，实现对网络模型的优化，得到网络预测模型。
S160、根据网络预测模型对蓄电池的荷电状态进行估算。
其中，蓄电池的荷电状态(state of charge，SOC)是指蓄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。蓄电池的荷电状态取值范围为0-1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。最后，根据得到的网络预测模型估算出蓄电池的荷电状态，网络预测模型为优化后的模型，因此可以更精确的估算蓄电池的荷电状态。
本实施例的技术方案，通过构建神经网络结构，引入混沌机制生成初始种群，根据适应度函数得到种群中每个个体的适应度值，并将适应度值进行优劣排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新，种群中剩余的p-k个个体，采用差分进化法进行迭代更新，直到种群更新至代数阈值时停止，从而将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型，采用网络预测模型即可估算出蓄电池的荷电状态。解决了只采用神经网络进行估算结果不够准确的问题，实现了更精确的估算蓄电池的荷电状态的效果。
实施例二
图4是本发明实施例二提供的一种蓄电池的荷电状态估算方法的流程图，本实施例可适用于蓄电池的荷电状态计算的情况，该方法可以由蓄电池的荷电状态估算装置来执行，参见图4，该方法具体包括如下步骤：
S210、将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小。
S220、将种群个体的编码信息整定为神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值。
S230、将种群个体按适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新。
S240、对迭代更新得到的种群重复执行步骤S220和S230，直至种群更新至代数阈值时停止。
S250、将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型。
S260、根据网络预测模型蓄电池的荷电状态进行估算。
S270、将利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值进行对比。
参见图5，图5是本发明实施例二提供的利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值的对比图，图5中曲线2是利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值，图5中曲线1是只采用神经网络法计算出的蓄电池的荷电状态的相对误差值。在整个放电过程中，利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值变化更加稳定，保持在2％以内，最大时为1.27％，而只采用神经网络法计算出的蓄电池的荷电状态的相对误差值变化幅度大，最大相对误差最大达到5.243％，这表明本实施例提供的利用蓄电池的荷电状态估算方法对蓄电池荷电状态的估算具有更好的准确性和稳定性。
S280、将利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数进行对比。
参见图6，图6是本发明实施例二提供的利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法计算出的蓄电池的荷电状态的进化代数的对比图，图6中曲线2是利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值，图6中曲线1是只采用神经网络法计算出的蓄电池的荷电状态的相对误差值。随着种群进化，利用蓄电池的荷电状态估算方法计算蓄电池的荷电状态时，个体平均适应度值逐渐减小，反映了每一代种群个体编码所代表的初始权值和阈值越来越靠近最优值，在种群进化到第14代的时候，平均适应度达到最优。只采用神经网络法重复训练的适应度平均值波动大，且全体高于本实施例提供的利用蓄电池的荷电状态估算方法中的适应度平均值。这表明本实施例提供的利用蓄电池的荷电状态估算方法对神经网络的阈值和权值的初值优化效果明显，可避免陷入局部最优。
本实施例的技术方案，通过构建神经网络结构，根据适应度函数得到种群中每个个体的适应度值，并将适应度值进行优劣排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新，种群中剩余的p-k个个体，采用差分进化法进行迭代更新，直到种群更新至代数阈值时停止，从而将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型，采用网络预测模型即可估算出蓄电池的荷电状态。并将利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值进行对比，对比结果表明本实施例提供的利用蓄电池的荷电状态估算方法对蓄电池荷电状态的估算具有更好的准确性和稳定性。将利用蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数进行对比，对比结果表明本实施例提供的利用蓄电池的荷电状态估算方法对神经网络的阈值和权值的初值优化效果明显，可避免陷入局部最优。本实施例的技术方案解决了只采用神经网络进行估算结果不够准确的问题，实现了更精确的估算蓄电池的荷电状态的效果。
实施例三
图7是本发明实施例三提供的一种蓄电池的荷电状态估算装置的结构示意图，本实施例可适用于蓄电池的荷电状态计算的情况，蓄电池的荷电状态估算装置包括：
初始种群生成模块110，用于将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
初始种群生成模块110具体用于将网络权值、阈值参数编码成编码串，作为混合进化算法群体中的一个个体，个体变量长度为：θ＝m×l+l+l×n+n；
引入混沌Logistic映射，产生初始种群P，规模大小为p；
式中：μ为控制参量；i为混沌变量的序号，i＝1,2,...,θ；r表示种群序列号，r＝1,2,...,p；αi r表示混沌变量，给式(1)赋θ个差异较小的初值αi 0；
将得到的θ个混沌变量代入下式中进行逆映射，即可得到个体变量xr i，依次取r＝1,2,...,p，生成规模为p的初始种群；
式中：[xi min,xi max]为变量xr i的取值区间。
适应度值计算模块120，用于将种群个体的编码信息整定为所述神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
其中，适应度函数F(yi,oi)取网络输出蓄电池的荷电状态估算值与期望值之间的绝对误差的和，并取绝对值，公式为：
式中：η为系数；N为网络输出层节点数；yi为网络第i个节点的输出蓄电池的荷电状态期望值；oi为网络第i个节点的输出蓄电池的荷电状态估算值。
迭代更新模块130，用于将种群个体按所述适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
其中，迭代更新模块130还包括粒子群算法执行模块131和差分进化算法执行模块132；
粒子群算法执行模块131具体用于执行步骤a)-e)，步骤a)-e)具体包括：
步骤a)对排名靠前的k个个体种群进行初始化；
步骤b)根据适应度函数计算排名靠前的k个个体的第一适应度值；
步骤c)更新粒子的速度和位置；
步骤d)判断第一适应值是否小于适应值阈值；
步骤e)若否，则返回步骤b)。
差分进化算法执行模块132具体用于执行步骤f)-j)，步骤f)-j)具体包括：
步骤f)选择编码策略，确定遗传策略；
步骤g)利用种群中剩余的p-k个体产生初始种群；
步骤h)根据适应度函数计算剩余的个体的第二适应度值；
步骤i)判断第二适应值是否小于适应值阈值；
步骤j)若否，则变异、交叉、选择，并返回步骤h)。
代数判断模块140，用于对迭代更新得到的种群重复执行适应度值计算模块和迭代更新模块，直至所述种群更新至代数阈值时停止；
预测模型建立模块150，用于将最后一代最优个体的编码信息整定为网络的初始权值和阈值，进行网络训练，得到网络预测模型；
荷电状态估算模块160，用于根据网络预测模型对蓄电池的荷电状态进行估算。
可选的，蓄电池的荷电状态估算装置还包括相对误差对比模块170，用于将利用蓄电池的荷电状态估算装置计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值进行对比。
可选的，蓄电池的荷电状态估算装置还包括进化代数对比模块180，用于将利用蓄电池的荷电状态估算装置计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数进行对比。
本实施例提供的，蓄电池的荷电状态估算装置为实现上述实施例的蓄电池的荷电状态估算方法，本实施例提供的蓄电池的荷电状态估算装置实现原理和技术效果与上述实施例类似，此处不再赘述。
实施例四
图8为本发明实施例四提供的一种蓄电池的荷电状态估算电子设备的结构示意图，如图8所示，该电子设备包括处理器40、存储器41和通信接口42；蓄电池的荷电状态估算电子设备中处理器40的数量可以是一个或多个，图8中以一个处理器40为例；蓄电池的荷电状态估算电子设备中的处理器40、存储器41、通信接口42可以通过总线或其他方式连接，图8中以通过总线连接为例。总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器41作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行蓄电池的荷电状态估算电子设备的至少一种功能应用以及数据处理，即实现上述的方法。
存储器41可包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据蓄电池的荷电状态估算电子设备的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至蓄电池的荷电状态估算电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信接口42可设置为数据的接收与发送。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种蓄电池的荷电状态估算方法，该方法包括：
步骤1、将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
步骤2、将种群个体的编码信息整定为神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
步骤3、将种群个体按适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
步骤4、对迭代更新得到的种群重复执行步骤2和3，直至所述种群更新至代数阈值时停止；
步骤5、将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型；
步骤6、根据网络预测模型对蓄电池的荷电状态进行估算。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的蓄电池的荷电状态估算方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述蓄电池的荷电状态估算装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种蓄电池的荷电状态估算方法，其特征在于，包括：
步骤1、将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
步骤2、将种群个体的编码信息整定为所述神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
步骤3、将种群个体按所述适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
步骤4、对迭代更新得到的种群重复执行步骤2和3，直至所述种群更新至代数阈值时停止；
步骤5、将最后一代种群个体的编码信息整定为神经网络的初始权值和阈值，进行网络训练，得到网络预测模型；
步骤6、根据所述网络预测模型对蓄电池的荷电状态进行估算。
2.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，所述将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，包括：
将网络权值、阈值参数编码成编码串，作为混合进化算法群体中的一个个体，个体变量长度为：θ＝m×l+l+l×n+n；
引入混沌Logistic映射，产生初始种群P，规模大小为p；
式中：μ为控制参量；i为混沌变量的序号，i＝1,2,...,θ；r表示种群序列号，r＝1,2,...,p；αi r表示混沌变量，给式(1)赋θ个差异较小的初值αi 0；
将得到的θ个混沌变量代入下式中进行逆映射，即可得到个体变量xr i，依次取r＝1,2,...,p，生成规模为p的初始种群；
式中：[xi min,xi max]为变量xr i的取值区间。
3.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，所述适应度函数F(yi,oi)取网络输出蓄电池的荷电状态估算值与期望值之间的绝对误差的和，并取绝对值，公式为：
式中：η为系数；N为网络输出层节点数；yi为网络第i个节点的输出蓄电池的荷电状态期望值；oi为网络第i个节点的输出蓄电池的荷电状态估算值。
4.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，所述采用粒子群算法进行迭代更新包括：
步骤a)对排名靠前的k个个体种群进行初始化；
步骤b)根据所述适应度函数计算排名靠前的k个个体的第一适应度值；
步骤c)更新粒子的速度和位置；
步骤d)判断所述第一适应度值是否小于适应度值阈值；
步骤e)若否，则返回步骤b)。
5.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，所述采用差分进化算法进行迭代更新包括：
步骤a)选择编码策略，确定遗传策略；
步骤b)利用所述种群中剩余的p-k个体产生初始种群；
步骤c)根据所述适应度函数计算剩余的个体的第二适应度值；
步骤d)判断所述第二适应度值是否小于所述适应度值阈值；
步骤e)若否，则变异、交叉、选择，并返回步骤c)。
6.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，在所述根据所述网络预测模型估算出蓄电池的荷电状态之后，还包括：
将利用所述蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的相对误差值与只采用神经网络法计算出的蓄电池的荷电状态的相对误差值进行对比。
7.根据权利要求1所述的蓄电池的荷电状态估算方法，其特征在于，在所述根据所述网络预测模型估算出蓄电池的荷电状态之后，还包括：
将利用所述蓄电池的荷电状态估算方法计算出的蓄电池的荷电状态的进化代数与只采用神经网络法估算出的蓄电池的荷电状态的进化代数进行对比。
8.一种蓄电池的荷电状态估算装置，其特征在于，包括：
初始种群生成模块，用于将神经网络的权值和阈值参数编码成编码串，并基于混沌机制生成初始种群，p为初始种群规模大小；
适应度值计算模块，用于将种群个体的编码信息整定为所述神经网络的初始权值和阈值进行网络训练，利用适应度函数对训练结果求解，得到每个个体的适应度值；
迭代更新模块，用于将种群个体按所述适应度值进行排序，取排名靠前的k个个体，采用粒子群算法进行迭代更新；将剩余的p-k个体采用差分进化算法进行迭代更新；
代数判断模块，用于对迭代更新得到的种群重复执行适应度值计算模块和迭代更新模块，直至所述种群更新至代数阈值时停止；
预测模型建立模块，用于将最后一代最优个体的编码信息整定为网络的初始权值和阈值，进行网络训练，得到网络预测模型；
荷电状态估算模块，用于根据所述网络预测模型对蓄电池的荷电状态进行估算。
9.一种蓄电池的荷电状态估算电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的蓄电池的荷电状态估算方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的蓄电池的荷电状态估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011173783.5A CN112307667A (zh) | 2020-10-28 | 2020-10-28 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011173783.5A CN112307667A (zh) | 2020-10-28 | 2020-10-28 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112307667A true CN112307667A (zh) | 2021-02-02 |
Family
ID=74331599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011173783.5A Pending CN112307667A (zh) | 2020-10-28 | 2020-10-28 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307667A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
| CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
| CN115099163A (zh) * | 2022-08-25 | 2022-09-23 | 苏州清研精准汽车科技有限公司 | 荷电状态确定方法、装置、电子设备及存储介质 |
| CN117878360A (zh) * | 2024-03-12 | 2024-04-12 | 长春师范大学 | 一种燃料电池效率预测方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647262A (zh) * | 2016-11-28 | 2017-05-10 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
-
2020
- 2020-10-28 CN CN202011173783.5A patent/CN112307667A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647262A (zh) * | 2016-11-28 | 2017-05-10 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜瑞等: "启发式BP神经网络估算铅酸电池的SOC", 《电池》, vol. 49, no. 1, 28 February 2019 (2019-02-28), pages 51 - 54 * |
| 陈雷雨等: "基于DEPSO-RBF神经网络的锌银电池SOC估计", 《计算机测量与控制》, 25 September 2015 (2015-09-25), pages 3225 - 3227 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
| CN114280490B (zh) * | 2021-09-08 | 2024-02-09 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
| CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
| CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
| CN115099163A (zh) * | 2022-08-25 | 2022-09-23 | 苏州清研精准汽车科技有限公司 | 荷电状态确定方法、装置、电子设备及存储介质 |
| CN117878360A (zh) * | 2024-03-12 | 2024-04-12 | 长春师范大学 | 一种燃料电池效率预测方法及*** |
| CN117878360B (zh) * | 2024-03-12 | 2024-05-28 | 长春师范大学 | 一种燃料电池效率预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112307667A (zh) | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 | |
| CN109815995B (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
| CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
| CN111709186A (zh) | 一种退役动力锂电池健康状态的集成估计方法 | |
| CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
| CN108052696B (zh) | 利用粒子群算法的三值fprm电路面积与延时优化方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN113962362A (zh) | 强化学习模型训练方法、决策方法、装置、设备及介质 | |
| WO2010048758A1 (en) | Classification of a document according to a weighted search tree created by genetic algorithms | |
| CN113376540A (zh) | 基于进化注意力机制的lstm电池健康状态估计方法 | |
| CN111260015A (zh) | 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 | |
| Wei et al. | A hyperheuristic algorithm based on evolutionary strategy for complex mission planning of AUVs in marine environment | |
| CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
| Phan et al. | Efficiency enhancement of evolutionary neural architecture search via training-free initialization | |
| CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
| CN113743012B (zh) | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 | |
| CN111352650A (zh) | 一种基于insga-ii的软件模块化多目标优化方法及*** | |
| CN111079902A (zh) | 基于神经网络的分解模糊***优化方法及装置 | |
| CN115984025A (zh) | 基于深度学习图网络模型的影响力传播估计方法及*** | |
| Li et al. | A surrogate-assisted offspring generation method for expensive multi-objective optimization problems | |
| Shibata et al. | A learning method for dynamic Bayesian network structures using a multi-objective particle swarm optimizer | |
| CN114625886A (zh) | 基于知识图谱小样本关系学习模型的实体查询方法及*** | |
| CN113641496A (zh) | 基于深度强化学习的dids任务调度优化方法 | |
| Zhang et al. | Adaptive truncation technique for constrained multi-objective optimization | |
| Georgiou et al. | Evolutionary Adaptive Schemes of Probabilistic Neural Networks |
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 |