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】
本专利技术属于新能源测控,尤其涉及基于混沌粒子群反馈优化的多温度锂电池soc估算方法。
技术介绍
1、在锂离子电池的整个生命周期中,电池管理系统(battery management system,bms)对核心参数soc的监控和调节将影响应急动力输出的效果和安全性;因此,实时监测该参数的变化,并基于此保障锂离子电池的工作性能是非常必要的;由于bms中的soc估算技术尚不成熟,使用过程中存在的安全隐患严重制约了锂离子电池组的发展;对于锂离子电池言,可靠的bms管理依靠准确的soc值;在该值已知的情况下,不仅对其进行可靠能量管理和安全控制,而且还避免锂离子电池组的提前损坏,延长其使用寿命;因此,精确估算soc值,对保障锂离子电池的工作性能及其能量和安全管理至关重要;锂离子电池的soc估算模型构建和精确估算值得获取,已成为其能量和安全管理的核心问题;soc表征了锂离子电池的剩余容量,是为电池管理系统最基本也是最重要的一个关键参数;此外,锂离子电池的充放电过程包含复杂电能、化学能和热能转换等环节,过充电和过放电现象易引发安全事故,精确soc估算在防止过充电和过放电中起着重要作用;在锂离子电池的应用中,其安全性依然是最为人们关注的问题,soc估算是其安全使用的基础和前提。
2、针对soc估算的必要性和紧迫性需求,相关研究机构和高校,以及国内外很多期刊设立了针对性很强的栏目用于相关研究成果展示;针对锂离子电池的soc估算方法,主要分为传统方法,基于模型的方法以及智能算法。其中传统方法包括安时积分法(ah)、开路电压法(ocv)
3、现有锂离子电池组bms应用中,基于神经网络的soc估算方法,未能准确表征soc估算中存在的累积误差,并且不能结合当前状态进行参数修正;通过现有soc估算方法分析,基于粒子群算法研究,把闭路电压、电流作为实时输入反馈网络的参量,在soc估算过程中考虑锂离子电池的工况信息,克服了传统soc估算方法实时修正不足所造成的误差较大和逐渐累积等缺点;同时通过惯性权重的引入对粒子运动进行方向性干扰,改善全局搜索能力和局部收敛速度,从而降低环境因素导致的参数变化对荷电状态估计造成的误差;针对锂离子电池组的多温度soc估算问题,结合粒子群算法的迭代计算过程的优势分析,提出了基于惯性权重粒子反馈方法研究,实现了soc估算模型的构建与实验验证。
技术实现思路
1、本专利技术的目的是克服现有锂离子电池组soc估算方法的不足,提供基于混沌粒子群反馈优化的多温度锂电池soc估算方法,解决锂离子电池成组应用中soc值精确估算问题。
2、为实现上述目的,本专利技术提供了基于混沌粒子群反馈优化的多温度锂电池soc估算方法,包括:
3、利用带有自适应惯性权重的混沌粒子群算法对预设的反馈神经网络进行训练及优化,获取锂离子电池的soc估算模型;
4、将实时电压电流,输入至所述soc估算模型,获取锂离子电池的soc值。
5、可选地,利用带有自适应惯性权重的混沌粒子群算法对预设的反馈神经网络进行训练及优化包括:
6、将测试电压和电流作为输入,以及估算soc值作为输出,对预设的所述反馈神经网络进行训练,获取预设的所述反馈神经网络的误差反馈;
7、利用带有自适应惯性权重的混沌粒子群算法,对预设的所述反馈神经网络进行权重更新,以及权重动态收敛,修正所述误差反馈;
8、将修正后的预设的所述反馈神经网络,视为所述soc估算模型。
9、可选地,预设的所述反馈神经网络包括:输入层、隐藏层和输出层;
10、所述输入层为:
11、
12、其中,为反馈神经网络的输入,为第m层中第i个神经元对第j个神经元的连接权重,为第 m层中第i个神经元对第j个神经元的输入,为第m层中第j个神经元的偏差,是对第j个神经元权重的概括表示,为对第j个神经元输入的整体表示,为第j个神经元偏差的整体表示;
13、所述隐藏层为:
14、其中,为隐含层神经元个数,m,n分别表示输入层和输出层的个数,表示在区间[1,9]之间的随机数;
15、所述输出层为:
16、其中,为反馈神经网络的输出,为隐含层到输出层的激活函数,为第m层的第i个神经元对第j个神经元的权重,为第m层的第i个神经元对第j个神经元的输入,为乘法,为第j个神经元的权重与输入在激活函数下的表达式。
17、可选地,获取预设的所述反馈神经网络的误差反馈包括:
18、获取预设的所述反馈神经网络的隐含层和输入层的输出;
19、基于所述隐含层和输入层的输出,获取输出层输出与预期值的误差值;
20、基于所述误差值,获取隐含层和输入层的误差函数。
21、可选地,对预设的所述反馈神经网络进行权重更新的方法为:
22、
23、其中,为隐含层内第k个神经元对第j个神经元第m+1次连接权重的更新,为隐含层内第k个神经元对第j个神经元第m次连接权重更新,为 隐含层内第j个神经元对第k个神经元第m次的更新量,为 带有误差系数的第k个神经元的误差,为第k个神经元输出层的输出,为第j个神经元的隐含层输出,为输入层第i个神经元对第j个神经元第m+1次连接权重更新,为 输入层第i个神经元对第j个神经元第m次连接权重更新,为输入层第i个神经元对第j个神经元权重更新量,为隐含层第i个神经元对第j个神经元第m次连接权重更新,为区别于隐含层的误差系数,为隐含层第j个神经元的输出,为隐含层第j个神经元对第k个神经元的连接权重,为第i个神经元的输入概括表示。
24、可选地,所述自适应惯性权重的表达式为:
25、
26、其中,表示带有方向性的参数σ的权重,参数 r i,n-1 k是服从均匀分布的本文档来自技高网...
【技术保护点】
1.基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,包括:
2.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,利用带有自适应惯性权重的混沌粒子群算法对预设的反馈神经网络进行训练及优化包括:
3.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,预设的所述反馈神经网络包括:输入层、隐藏层和输出层;
4.根据权利要求2所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,获取预设的所述反馈神经网络的误差反馈包括:
5.根据权利要求2所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,对预设的所述反馈神经网络进行权重更新的方法为:
6.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,所述自适应惯性权重的表达式为:
7.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池SOC估算方法,其特征在于,对预设的反馈神经网络进行训练时,还包括:
8.根
...【技术特征摘要】
1.基于混沌粒子群反馈优化的多温度锂电池soc估算方法,其特征在于,包括:
2.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池soc估算方法,其特征在于,利用带有自适应惯性权重的混沌粒子群算法对预设的反馈神经网络进行训练及优化包括:
3.根据权利要求1所述的基于混沌粒子群反馈优化的多温度锂电池soc估算方法,其特征在于,预设的所述反馈神经网络包括:输入层、隐藏层和输出层;
4.根据权利要求2所述的基于混沌粒子群反馈优化的多温度锂电池soc估算方法,其特征在于,获取预设的所述反馈神经网络的误差反馈包括:
【专利技术属性】
技术研发人员:王顺利,海南,朱华伟,陈光平,范永存,曹文,于春梅,龙涛,毛辉浪,杨晓勇,朱斌,谢滟馨,陈蕾,高海英,金思宇,吴帆,
申请(专利权)人:西南科技大学,
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。