【技术实现步骤摘要】
本专利技术涉及储能锂离子电池soc估算，具体地涉及一种基于极限学习机的锂离子电池 soc的估算方法及系统。
技术介绍
1、为实现碳达峰碳中和战略目标，新型储能行业在政策和市场的推动下得到了快速的发展，而锂离子电池储能在新型储能装机技术占比中处于主导地位，荷电状态（state ofcharge，soc）是表示锂离子电池剩余电量的主要参数，其准确估算能够保障锂离子电池进行安全充放电，同时能够延长电池寿命、降低项目成本。
2、目前常用的基于模型驱动的soc估算方法包括安时积分法、扩展卡尔曼滤波法等，安时积分法统计一段时间内充入/放出的电荷，结合电池的容量与前一段时间的soc值得到当前时间的soc估计值，由于安时积分法受到soc初始值、容量、放电电流测量精度等因素的影响，可通过开路电压法对soc初始值进行修正，但是存在以下问题：1、开路电压法须静置较长时间才能获得准确的开路电压；2、在工作电压附近时开路电压和soc曲线近似为直线且斜率较小，即soc从10%变化至90%的平台区内，整个电压降不超过200毫伏，因而对于电压的测量精度有着较高的要求；3、随着电池循环次数逐渐增多、电池工作温度的变化，开路电压与soc的对应曲线会逐渐变化。安时积分法没有充分考虑电池内部状态的变化，忽略了温度、充放电效率、电池老化、自放电率等因素导致的电池容量变化，容易产生累计误差。扩展卡尔曼滤波法需要建立较为精确的电池模型，由于卡尔曼滤波算法适用于线性系统，对于多变量、非线性的电池模型需要进行线性化处理，从而产生了误差。
1、本专利技术实施例的目的是提供一种基于极限学习机的锂离子电池 soc的估算方法及系统，用于解决上述现有技术中存在的技术问题。
2、为了实现上述目的，本专利技术实施例提供一种基于极限学习机的锂离子电池 soc的估算方法，包括：采集锂离子电池当前的状态参数；将所述状态参数输入至预先构建的极限学习机模型中，输出所述锂离子电池 soc的估算值，其中，所述预先构建的极限学习机模型是基于自适应粒子群算法构建的。
3、可选的，所述状态参数至少包括锂离子电池的工作温度、充放电循环次数、充放电状态、相应充放电倍率下的电压、电流。
4、所述极限学习机模型的构建过程包括：采集锂离子电池的历史状态参数，其中，所述历史状态参数包括历史工作温度、历史充放电循环次数、历史充放电状态、相应充放电倍率下的历史电压、历史电流以及历史soc数据；利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法；分别设置初始极限学习机模型的输入层、隐含层以及输出层的神经元个数以及对应的输入权值的范围；利用所述自适应粒子群算法，选用输出参数和目标参数的均方误差作为适应度函数，对所述初始极限学习机模型的隐含层阈值以及隐含层输入权值进行调整，获得所述极限学习机模型，其中，所述输出参数表征为将所述历史工作温度、历史充放电循环次数、历史充放电状态、相应充放电倍率下的历史电压、历史电流输入至所述初始极限学习机模型后获得的soc预测值，所述目标参数表征为所述历史soc数据。
5、可选的，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，包括：设置自适应粒子群算法的初始化种群个数、粒子种群规模、粒子的个体学习因子、粒子的社会学习因子、速度边界、粒子变化范围、粒子群算法的目标迭代次数、适应度函数，初始化种群中各个粒子的位置和速度；根据每个粒子的位置得到当前的适应度函数值，并将所述当前的适应度函数值与历史适应度函数值进行对比，如果当前的适应度函数值优于历史适应度函数值，则更新粒子群中每个粒子的个体极值，即将所述该粒子的适应度函数值与相对应的粒子位置保存在个体极值中；根据粒子群中每个粒子的适应度函数值与历史群体极值进行对比，如果存在粒子的适应度函数值优于历史群体极值，则更新粒子群的群体极值，其中，初始化后的粒子群个体极值为每个粒子初始化后的位置，所述粒子适应度函数值是将粒子位移根据适应度函数计算粒子的适应度函数值。
6、可选的，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，还包括：根据公式对粒子群中的每个粒子的速度进行更新。式中， t为迭代次数， vj为第 j个粒子的速度，c1表示粒子的个体学习因子、c2表示粒子的社会学习因子， r1 、r2为随机数， pj(t)表示该粒子的个体极值， pg(t)表示粒子群的群体极值， xj(t)表示粒子的位置， ω表示权重。权重ω根据公式进行更新。式中， f表示粒子当前的适应度函数值； favg表示当前所有粒子的平均适应度函数值； fmin表示当前所有粒子的最小适应度函数值。
7、可选的，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，还包括：根据公式，对粒子群中的每个粒子的位置进行更新。式中， t为迭代次数， xj(t)为第 j个粒子的位移， vj(t+1)为第 j个粒子在 t+1次迭代过程中的速度。
8、可选的，所述适应度函数。式中， tix表示极限学习机模型的输出参数， yix表示目标参数， q表示参数总数。
9、可选的，将所述状态参数输入至预先构建的极限学习机模型中，输出所述锂离子电池 soc的估算值，包括以下循环步骤。
10、s1：将所述状态参数、各粒子位置中的隐含层输入权值以及隐含层阈值输入至预先构建的极限学习机模型计算隐含层神经元的输出矩阵。
11、s2：判断所述隐含层神经元的输出矩阵是否可逆，若可逆，则执行步骤s3，若不可逆则执行步骤s4。
12、s3：计算隐含层的输出权值矩阵，并根据隐含层输入权值、隐含层阈值、输出权值矩阵估算锂离子电池 soc值。
13、s4：计算所述隐含层神经元的输出矩阵的广义逆矩阵，并将所述广义逆矩阵结合目标参数矩阵得到隐含层的输出权值矩阵，其中，所述目标参数矩阵表征为包含所述目标参数的矩阵。
14、s5：根据粒子群的适应度函数计算粒子适应度函数值，当粒子适应度函数值满足预设要求时，则输出相应粒子位置中的隐含层输入权值、隐含层阈值和隐含层输出权值矩阵，并基于所述的隐含层输入权值、隐含层阈值和隐含层输出权值矩阵估算锂离子电池soc值；当粒子适应度函数值不满足预设本文档来自技高网...
【技术保护点】
1.一种基于极限学习机的锂离子电池SOC的估算方法，其特征在于，包括：
2.根据权利要求1所述的估算方法，其特征在于，所述状态参数至少包括锂离子电池的工作温度、充放电循环次数、充放电状态、相应充放电倍率下的电压、电流。
3.根据权利要求1所述的估算方法，其特征在于，所述极限学习机模型的构建过程包括：
4.根据权利要求3所述的估算方法，其特征在于，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，包括：
5.根据权利要求4所述的估算方法，其特征在于，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，还包括：
6.根据权利要求4所述的估算方法，其特征在于，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，还包括：
7.根据权利要求4所述的估算方法，其特征在于，所述适应度函数为：
8.根据权利要求3所述的估算方法，其特征在于，将所述状态参数输入至预先构建的极限学习机模型中，输出锂离子电池SOC的估算值，包括以下循环步骤：
9.根据权利要求1所述的估算
10.一种应用于权利要求1-9任一项所述的基于极限学习机的锂离子电池SOC的估算方法的估算系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于极限学习机的锂离子电池soc的估算方法，其特征在于，包括：
2.根据权利要求1所述的估算方法，其特征在于，所述状态参数至少包括锂离子电池的工作温度、充放电循环次数、充放电状态、相应充放电倍率下的电压、电流。
3.根据权利要求1所述的估算方法，其特征在于，所述极限学习机模型的构建过程包括：
4.根据权利要求3所述的估算方法，其特征在于，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，包括：
5.根据权利要求4所述的估算方法，其特征在于，所述利用自适应权重法对粒子群算法进行优化，获得自适应粒子群算法，还包括：<...
【专利技术属性】
技术研发人员：于建斌，袁杰，王柄凯，商思家，王霄凤，秦伟，杨振元，张阳阳，察苗，
申请(专利权)人：山东电工时代能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。