基于VPGA-GPR算法的铅酸蓄电池SOH估计方法技术

本发明专利技术涉及一种基于VPGA

【技术实现步骤摘要】
基于VPGA-GPR算法的铅酸蓄电池SOH估计方法


[0001]本专利技术属于配电网在运储能设备运行状态评估
，涉及铅酸蓄电池SOH估计方法，尤其是一种基于变概率遗传算法(Variable Probability Genetic Algorithm,VPGA)-高斯过程回归(Gaussian Process Regression,GPR)的铅酸蓄电池SOH估计方法。

技术介绍

[0002]铅酸电池储能系统在电动汽车工业具有广泛的用途。它价格低廉、比功率大、技术相对成熟，目前仍广泛应用于供电系统的不间断电源和大型光伏电站中，是供电持续性和稳定性的重要保障。铅酸蓄电池的健康状态(State of Health,SOH)是电池性能的重要反映指标和电池管理系统(Battery Management System,BMS)的重要因素。目前针对铅酸蓄电池SOH估计的研究较少，主要包括基于蓄电池机理的方法和基于数据驱动的方法，前者需要建立复杂的理化模型，估计精度较差。后者主要有：相关向量机(Relevance Vector Machine,RVM),人工神经网络(Artificial Neural Network,ANN)等，它们需要大量的数据作为训练集，计算负担较大；且模型的泛化和非线性逼近能力较弱，同时训练误差容易陷入局部最优解。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提出一种基于VPGA-GPR算法的铅酸蓄电池SOH估计方法，能够快速搜索到训练误差函数的高质量解，从而建立更为精准的高斯过程回归模型，提高其回归性能和预测能力。
[0004]本专利技术解决其现实问题是采取以下技术方案实现的：
[0005]一种基于变概率遗传算法-高斯过程回归的铅酸蓄电池SOH估计方法，包括以下步骤：
[0006]步骤1、对铅酸蓄电池做容量衰减实验，记录电池实际容量随循环次数的变化关系，以及充电阶段恒压充电和恒流充电的时间；
[0007]步骤2、基于步骤1的试验结果，确定对铅酸蓄电池SOH影响显著的因素，建立高斯过程回归模型；
[0008]步骤3、通过变概率遗传算法优化优化步骤2所建立的高斯过程回归模型的目标函数，对铅酸蓄电池SOH进行估计。
[0009]而且，所述步骤1的具体方法为：首先对铅酸蓄电池进行循环充放电实验，充电为阶段充电，既先恒流充电，达到充电截止电压后，保持为恒压充电，直到充电电流降到规定值以下；放电采用恒流放电，同时记录端电压电流数据来计算实际容量，进过多次循环充放电实验，记录电池实际容量随循环次数的变化关系,以及充电阶段恒压充电和恒流充电的时间。
[0010]而且，所述步骤2的具体方法为：
[0011]将蓄电池容量序列为回归模型输出{x0(k)}，T1,T2,T3序列：{x
i
(k)},i＝1,2,3为回
归输入，k＝1,2...m,m为样本数量，用下式计算输入输出间的关联性:
[0012][0013]上式中，T总充电时间、T1恒压充电时间和T2恒流充电时间；
[0014]结果表明恒压充电时间的灰色关联度最高，故建立恒压充电时间和电池容量的高斯过程回归模型。
[0015]而且，所述步骤3的具体步骤包括：
[0016](1)将所有数据点(x2(k),x0(k)),k＝1,2...m分为互斥的训练集和独立测试集，对于训练集，进行K折交叉检验，将其分为互斥的K组，其中依次取其中的一份为验证集，其余K-1组为训练集，训练GPR模型。GPR模型的核函数选取平方指数核函数，如下式所示，核函数个数为3个，分别是σ
p
,l,σ
n
[0017][0018]训练的过程就是通过变概率遗传算法VPGA来优化如下所示目标函数，既验证集的实际输出和预测输出的方均根值最小：
[0019][0020](2)实施VPGA：
[0021]初始化N个三维随机向量，每个向量包含GPR核函数的超参数信息，既第i个随机向量为(δ
ip
,l
i
,δ
in
)，称为一个个体；适应度值f选取(3)式；分别代入式(3)中计算适应度值，根据轮盘赌的方法确定选取父代个体，既适应度越高的个体被选取的几率越大；用如下公式计算交叉概率和变异概率，对选出的父代个体进行交叉操作，对产生的子代进行变异操作：
[0022][0023]采用精英保存策略，保存上一代最优的M个个体，来替换下一代的最差的M个个体，M按照下式确定：
[0024][0025]重复以上交叉变异操作和精英保存策略，知道最优适应度值连续数代不再发生明显变化；
[0026](3)选取K轮训练中最优的一组结果作为GPR的超参数输出，作为对铅酸蓄电池SOH估计结果。
[0027]本专利技术的优点和有益效果：
[0028]1、本专利技术采用高斯过程回归(GPR)，具有非线性泛化能力强、所需数据点少精度高的特点，适合用于电池健康状态的监测和评估。其超参数的确定算法：变概率遗传算法(VPGA)具有较好的全局寻优特性和局部微调能力，对适应度变化的响应速度较快，可以较快搜索到训练误差函数的高质量解，从而建立更为精准的高斯过程回归模型，提高其回归性能和预测能力。
[0029]2、本专利技术采用变概率遗传算法(VPGA)-高斯过程回归(GPR)进行SOH估计的最大误差低于2％,同时每次训练验证的平均计算时间小于3s,能够满足实时性的需要，适合铅酸蓄电池的SOH在线监测。
附图说明
[0030]图1为本专利技术的VPGA-GPR算法流程图；
[0031]图2(a)为本专利技术的训练集1的估计效果图；
[0032]图2(b)为本专利技术的训练集2的估计效果图；
[0033]图2(c)为本专利技术的训练集3的估计效果图；
[0034]图2(d)为本专利技术的训练集4的估计效果图；
[0035]图3(a)为本专利技术的独立测试集中铅酸蓄电池SOH估计效果图；
[0036]图3(b)为本专利技术的独立测试集中铅酸蓄电池SOH估计误差百分比图。
具体实施方式
[0037]以下结合附图对本专利技术实施例作进一步详述：
[0038]一种基于变概率遗传算法-高斯过程回归的铅酸蓄电池SOH估计方法，如图1所示，包括以下步骤：
[0039]步骤1、对铅酸蓄电池做容量衰减实验，记录电池实际容量随循环次数的变化关系，以及充电阶段恒压充电和恒流充电的时间；
[0040]所述步骤1的具体方法为：首先对铅酸蓄电池进行循环充放电实验，充电为阶段充电，既先恒流充电，达到充电截止电压后，保持为恒压充电，直到充电电流降到规定值以下；放电采用恒流放电，同时记录端电压电流数据来计算实际容量，进过多次循环充放电实验，记录电池实际容量随循环次数的变化关系,以及充电阶段恒压充电和恒流充电的时间。
[0041]步骤2、基于步骤1的试验结果，确定对铅酸蓄电池SO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VPGA-GPR算法的铅酸蓄电池SOH估计方法，其特征在于：包括以下步骤：步骤1、对铅酸蓄电池做容量衰减实验，记录电池实际容量随循环次数的变化关系，以及充电阶段恒压充电和恒流充电的时间；步骤2、基于步骤1的试验结果，确定对铅酸蓄电池SOH影响显著的因素，建立高斯过程回归模型；步骤3、通过变概率遗传算法优化优化步骤2所建立的高斯过程回归模型的目标函数，对铅酸蓄电池SOH进行估计。2.根据权利要求1所述的一种基于VPGA-GPR算法的铅酸蓄电池SOH估计方法，其特征在于：所述步骤1的具体方法为：首先对铅酸蓄电池进行循环充放电实验，充电为阶段充电，既先恒流充电，达到充电截止电压后，保持为恒压充电，直到充电电流降到规定值以下；放电采用恒流放电，同时记录端电压电流数据来计算实际容量，进过多次循环充放电实验，记录电池实际容量随循环次数的变化关系,以及充电阶段恒压充电和恒流充电的时间。3.根据权利要求1所述的一种基于VPGA-GPR算法的铅酸蓄电池SOH估计方法，其特征在于：所述步骤2的具体方法为：将蓄电池容量序列为回归模型输出{x0(k)}，T1,T2,T3序列：{x
i
(k)},i＝1,2,3为回归输入，k＝1,2...m,m为样本数量，用下式计算输入输出间的关联性:上式中，T总充电时间、T1恒压充电时间和T2恒流充电时间；结果表明恒压充电时间的灰色关联度最高，故建立恒压充电时间和电池容量的高斯过程回归模型。4.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：丁一，王旭东，霍现旭，戚艳，郗晓光，尚学军，张磐，刘盛终，姚程，黄潇潇，于光耀，李谦，郑骁麟，胡志刚，于啸，姜帆，阮琛奂，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：