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制造方法及图纸

本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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系统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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]第一方面，本专利技术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：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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：
[0014]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；
[0015]引入混沌Logistic映射，产生初始种群P，规模大小为p；
[0016][0017]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；α
ir
表示混沌变量，给式(1)赋θ个差异较小的初值α
i0
；
[0018]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x
ri
，依次取r＝1,2,...,p，生成规模为p的初始种群；
[0019][0020]式中：[x
imin
,x
imax
]为变量x
ri
的取值区间。
[0021]可选的，所述适应度函数F(y
i
,o
i
)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：
[0022][0023]式中：η为系数；N为网络输出层节点数；y
i
为网络第i个节点的输出蓄电池的荷电状态期望值；o
i
为网络第i个节点的输出蓄电池的荷电状态估算值。
[0024]可选的，所述采用粒子群算法进行迭代更新包括：
[0025]步骤a)对排名靠前的k个个体种群进行初始化；
[0026]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；
[0027]步骤c)更新粒子的速度和位置；
[0028]步骤d)判断所述第一适应度值是否小于适应度值阈值；
[0029]步骤e)若否，则返回步骤b)。
[0030]可选的，所述采用差分进化算法进行迭代更新包括：
[0031]步骤a)选择编码策略，确定遗传策略；
[0032]步骤b)利用所述种群中剩余的p-k个体产生初始种群；
[0033]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；
[0034]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；
[0035]步骤e)若否，则变异、交叉、选择，并返回步骤c)。
[0036]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：
[0037]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。
[0038]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：
[0039]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。
[0040]第二方面，本专利技术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：
[0041]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；
[0042]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；
[0043]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；
[0044]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；
[0045]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；
[0046]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。
[0047]第三方面，本专利技术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：
[0048]一个或多个处理器；
[0049]存储装置，用于存储一个或多个程序；
[0050]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。
[0051]第四方面，本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；α
ir
表示混沌变量，给式(1)赋θ个差异较小的初值α
i0
；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x
ri
，依次取r＝1,2,...,p，生成规模为p的初始种群；式中：[x
imin
,x
imax
]为变量x
ri
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(y
i
,o
i
)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；y
i
为网络第i个节点的输出蓄电池的荷电状态期望值；o
i
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...

【专利技术属性】
技术研发人员：杜瑞，石蒙，周晨，何志强，郑超，尹晓林，练运良，陈启亮，
申请(专利权)人：广东电网有限责任公司惠州供电局，
类型：发明
国别省市：