System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电池,具体涉及一种电池荷电状态预测方法、电子设备及计算机可读存储介质。
技术介绍
1、电池的荷电状态(state of charge,soc)的准确预测是电池健康管理的基础,因此,建立精确的电池的soc预测模型一直是国内外研究热点,常见的方法包括安时积分法、开路电压法、优化卡尔曼滤波法、时序神经网络法等。
2、然而,由于受到实际环境下的噪声等影响,上述方法要么是结构简单,但预测精度低,泛化能力差,要么是预测精度高,泛化能力强,但结构复杂,无法满足实时预测电池soc的要求。
3、前面的叙述在于提供一般的背景信息,并不一定构成现有技术。
技术实现思路
1、针对上述技术问题,本申请提供一种电池荷电状态预测方法、电子设备及计算机可读存储介质,能够实现实时预测电池的荷电状态,且预测精度高。
2、本申请提供一种电池荷电状态预测方法,包括:
3、步骤s1、获取待测电池的当前运行参数,运行参数包括端电压、端放电电流和端电压变化率;
4、步骤s2、将当前运行参数输入预先训练的基于广义回归神经网络的电池荷电状态预测模型,获得电池荷电状态预测模型所输出的待测电池的荷电状态;
5、其中,广义回归神经网络的平滑因子是通过改进的自适应粒子群算法优化获取的,改进的自适应粒子群算法通过将平滑因子作为粒子,基于预设打分函数与预设聚集度函数对粒子群个体误差和收敛程度进行量化处理,以控制粒子的速度权重。
6、在一实施方式中,所
7、步骤s10、获取电池的训练样本集,训练样本集中的训练样本包括电池的历史端电压、历史端放电电流、历史端电压变化率和对应的历史荷电状态;
8、步骤s20、确定广义回归神经网络的网络结构;
9、步骤s30、基于训练样本集,利用改进的自适应粒子群算法对广义回归神经网络的平滑因子进行优化,得到最优平滑因子值;
10、步骤s40、根据最优平滑因子值构建基于广义回归神经网络的电池荷电状态预测模型。
11、在一实施方式中,广义回归神经网络包括输入层、模式层、求和层和输出层;输入层的神经元个数等于训练样本的输入向量的维数,模式层的神经元个数等于训练样本数量,求和层的神经元个数等于训练样本的输入向量的维数加1,输出层的神经元个数等于训练样本的输出向量的维数。
12、在一实施方式中,所述步骤s30,包括:
13、步骤s301、初始化改进的自适应粒子群算法参数,包括:设置初始粒子种群大小为m×n,m为粒子向量个数,n为广义回归神经网络中模式层的神经元个数,最大迭代次数为t,将模式层的各神经元的平滑因子作为粒子的位置属性,并随机初始化粒子种群的位置参数矩阵和速度参数矩阵;
14、步骤s302、将广义回归神经网络的预测值与真实值的绝对误差作为改进的自适应粒子群算法中预设打分函数的自变量;
15、步骤s303、根据训练样本集、适应度函数、位置参数矩阵和速度参数矩阵,计算粒子种群的误差矩阵,粒子种群的误差矩阵包括各粒子的误差向量;
16、步骤s304、根据粒子种群的误差矩阵,更新各粒子的局部最优位置和全局最优位置;
17、步骤s305、根据各粒子的局部最优位置和全局最优位置,基于预设打分函数与预设聚集度函数更新粒子种群的速度权重矩阵;
18、步骤s306、根据更新后的粒子种群的速度权重矩阵,更新粒子种群中各粒子的位置向量与速度向量,以获得更新后的位置参数矩阵和速度参数矩阵;
19、步骤s307、重复执行步骤s303至步骤s306,直至满足迭代终止条件,并将迭代终止时当前代粒子种群中误差最小的个体作为最优平滑因子。
20、在一实施方式中,所述步骤s305,包括:
21、根据预设打分函数的计算公式计算模式层的各神经元的分数,得到分数矩阵h={h1,h2,h3,...,hn};其中,ek=|f(x,σ)-yk|,f(x)表示广义回归神经网络模型,yk为样本的真实值;
22、根据公式计算偏置向量b,t为设置的最大迭代次数,etarget为设置的粒子种群迭代停止的误差;
23、根据预设聚集度函数的计算公式计算聚合度d,egbest为全局最优粒子的预测误差,embest为当前世代所有粒子个体最优适应度的平均值;
24、根据分数矩阵、偏置向量和聚合度以及权重表达式w=b+β1hk+β2d,更新粒子群的速度权重矩阵;β1与β2分别为设置的分数控制权重与聚集度控制权重。
25、在一实施方式中,所述步骤s306,包括:
26、根据以及更新粒子种群中各粒子的速度向量,pi是粒子当前世代的局部最优值,gm为全局最优粒子,是粒子在当前世代k的速度向量,vmax是粒子允许达到的极限速度;k为迭代次数,c1与c2称为学习因子,且有c1>0,c2>0,r1,r2为[0,1]之间的随机数;
27、根据公式更新粒子种群中各粒子的位置向量,是粒子在当前世代k的位置向量。
28、在一实施方式中,所述满足迭代终止条件包括以下至少一种:已迭代次数达到设置的最大迭代次数;全局最优粒子的误差小于设置的粒子种群迭代停止的误差。
29、在一实施方式中,所述步骤s40,包括:
30、将最佳平滑因子代入广义回归神经网络,并基于训练样本集继续训练,直到达到收敛结束条件,获得基于广义回归神经网络的电池荷电状态预测模型。
31、本申请还提供一种电子设备,包括:存储器、处理器,其中,所述存储器上存储有用于在所述处理器上执行的计算机程序指令,所述处理器执行该计算机程序指令时,实现如上所述的电池荷电状态预测方法。
32、本申请还提供一种计算机可读存储介质,所述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上所述电池荷电状态预测方法的步骤。
33、如上所述,本申请的电池荷电状态预测方法,包括步骤:获取待测电池的当前运行参数,运行参数包括端电压、端放电电流和端电压变化率;将当前运行参数输入预先训练的基于广义回归神经网络的电池荷电状态预测模型,获得电池荷电状态预测模型所输出的待测电池的荷电状态;其中,广义回归神经网络的平滑因子是通过改进的自适应粒子群算法优化获取的,改进的自适应粒子群算法通过将平滑因子作为粒子,基于预设打分函数与预设聚集度函数对粒子群个体误差和收敛程度进行量化处理,以控制粒子的速度权重。通过上述技术方案,可以实现实时且准确预测电池的荷电状态的功能,进而提升了用户体验。
本文档来自技高网...【技术保护点】
1.一种电池荷电状态预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述步骤S1之前,所述方法还包括:
3.如权利要求2所述的方法,其特征在于,广义回归神经网络包括输入层、模式层、求和层和输出层;输入层的神经元个数等于训练样本的输入向量的维数,模式层的神经元个数等于训练样本数量,求和层的神经元个数等于训练样本的输入向量的维数加1,输出层的神经元个数等于训练样本的输出向量的维数。
4.如权利要求2所述的方法,其特征在于,所述步骤S30,包括:
5.如权利要求4所述的方法,其特征在于,所述步骤S305,包括:
6.如权利要求5所述的方法,其特征在于,所述步骤S306,包括:
7.如权利要求5所述的方法,其特征在于,所述满足迭代终止条件包括以下至少一种:已迭代次数达到设置的最大迭代次数;全局最优粒子的误差小于设置的粒子种群迭代停止的误差。
8.如权利要求1所述的方法,其特征在于,所述步骤S40,包括:
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器
10.一种计算机可读存储介质,其特征在于,其存储有计算机指令,所述计算机指令由处理器运行时,实现如权利要求1-8中任意一项所述的电池荷电状态预测方法。
...【技术特征摘要】
1.一种电池荷电状态预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述步骤s1之前,所述方法还包括:
3.如权利要求2所述的方法,其特征在于,广义回归神经网络包括输入层、模式层、求和层和输出层;输入层的神经元个数等于训练样本的输入向量的维数,模式层的神经元个数等于训练样本数量,求和层的神经元个数等于训练样本的输入向量的维数加1,输出层的神经元个数等于训练样本的输出向量的维数。
4.如权利要求2所述的方法,其特征在于,所述步骤s30,包括:
5.如权利要求4所述的方法,其特征在于,所述步骤s305,包括:
6.如权利要求5所述的方法,其特征在于,所述步骤...
【专利技术属性】
技术研发人员:于天剑,徐海铭,毕福亮,向超群,成庶,伍珣,
申请(专利权)人:中南大学,
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。