【技术实现步骤摘要】
本专利技术涉及锂离子电池状态观测领域，具体涉及基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池荷电状态的方法。
技术介绍
1、准确测量电池剩余容量的充电状态很重要，但也很有挑战性。一方面，可靠的在线电池剩余容量的充电状态评估对于电池管理系统至关重要，这可以确保锂电池的正常运行，例如安全性和使用寿命。另一方面，电池剩余容量的充电状态很难直接测量，需要在多变的工作条件下利用可用电流和电压估计多个参数，给电池剩余容量的充电状态的估计带来了很大的挑战。
2、电池剩余容量的充电状态评估技术分为直接测量方法、基于模型的方法和数据驱动方法。ah积分法是一种被广泛接受的直接测量方法，它通过时间和电流的积分计算充电容量，并通过监测放电容量来预测荷电状态，但它需要足够的数据来估计初始状态，并且估计误差会累积，导致荷电状态不准确。基于模型的技术，如状态观测器和卡尔曼滤波，是近年来在电池剩余容量的充电状态估计中出现的一类具有高适应性的闭环估计器。通过库仑计数法可以预测电流时刻的荷电状态，并根据电池模型和荷电状态曲线估计相应的终端电压。此外，可以反馈估计电压与测量电压之间的差值，以调整电池剩余容量的充电状态的最终估计。然而，复杂的系统建模和识别对于基于模型的方法来说是不可避免的和具有挑战性的。
技术实现思路
1、本专利技术所要解决的技术问题在于：针对现有技术中对锂电池剩余容量预测建模复杂，预测结果不够精确的问题，提供了基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池荷电状态的方法，以更高的精
2、为解决以上技术问题，本专利技术提供如下技术方案：基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，包括如下步骤：
3、s1、构建锂离子电池数据集并进行归一化处理，所述锂离子电池数据集包括电池电压、电流、温度、平均电压、平均电流，以及对应的锂电池剩余容量状态；
4、s2、通过非线性收敛因子和差分进化算法改进鲸鱼优化算法，基于极限学习机构建锂电池剩余容量估计神经网络，利用改进鲸鱼优化算法对极限学习机输入层和隐藏层的权值和阈值进行优化；利用步骤s1的锂离子电池数据集对所述神经网络进行训练，得到锂电子电池电荷状态预测模型；
5、s3、利用锂电子电池电荷状态预测模型对锂电子电池电荷状态进行预测，将预测结果与真实数据进行比较，计算预测误差。
6、进一步地，前述的步骤s1中，所述归一化处理如下式：
7、
8、其中，x为待归一化的变量值，xmin是变量的最小值，xmax是变量的最大值，归一化后的变量值为xi。
9、进一步地，前述的改进鲸鱼优化算法包括如下子步骤：
10、s2.1、包围猎物阶段：
11、当前最佳种群最接近目标猎物位置，鲸鱼将向最佳种群的位置移动，位置更新的方程式如下：
12、x(t+1)＝x′(t)-a·d#(2)
13、d＝|c·x′(t)-x(t)|#(3)
14、其中，x′(t)是最佳鲸鱼种群的当前位置，x(t)表示当前鲸鱼种群的位置，d表示鲸鱼和猎物之间的距离，t表示迭代次数；
15、计算系数变量a和c的方程式如下：
16、a＝2a×r-a#(4)
17、c＝2r#(5)
18、其中，a是一个变量，值从2线性减少到0，a是收敛因子，r是[0，1]上的随机数；
19、s2.2、泡泡网攻击阶段：
20、鲸鱼以螺旋状向当前最优个体运动，位置更新如下式：
21、x(t+1)＝d′eblcos(2πl)+x′(t)#(6)
22、d′＝|x′(t)-x(t)|#(7)
23、其中，d′是当前最佳个体与第i头鲸鱼当前位置之间的距离，b是螺旋形状常数，l是[-1，1]上的随机数；
24、s2.3、搜索猎物阶段：
25、座头鲸进行随机猎物搜索，更新基于系数a的变化，a在[-1，1]范围之外，则随机更新距离数据d，更新公式如下：
26、d＝|c·xrand-x(t)|#(8)
27、x(t+1)＝xrand-a·d#(9)
28、其中，xrand表示其他随机选择的鲸鱼位置向量，d表示鲸鱼和猎物之间的距离；
29、s2.4、最终鲸鱼位置更新公式如下：
30、
31、其中，p是[0,1]之间的随机数；
32、s2.5、利用标准测试函数，将标准测试函数自变量作为鲸鱼个体的位置信息，
33、初始化参数、种群位置、种群数目maxiter、螺旋形状常数b，随机数l，非线性收敛因子a′，所述非线性收敛因子a′，如下式：
34、
35、其中，maxiter是最大迭代次数；
36、s2.6、计算种群的适应度以及最优鲸鱼位置，然后对种群进行差分变异操作，并且迭代执行，更新种群、最佳鲸鱼位置、以及其适应度，直到达到最大迭代次数。
37、进一步地，前述的步骤2.6中对种群进行差分变异操作包括以下子步骤：
38、s2.6-1、从亲本群体中随机选择三个个体xr1、xr2和xr3以产生突变个体mui：
39、mui＝xr1+fr(xr2-xr3)#(18)
40、其中，fr是缩放因子；
41、s2.6-2、将亲本个体和相应的变体个体杂交，并交换一些元素以创建新的后代chij：
42、
43、其中，cr是交叉概率；rand是区间[0，1]中的随机数；sn是一个随机维度；
44、s2.6-3、父母和后代个体之间的选择，通过为下一代保留表现更好的个体来确保种群的进化方向，
45、选择方程式如下：
46、
47、其中f是适应度函数。
48、进一步地，前述的步骤s3中，利用均方根误差公式如下：
49、
50、进一步地，前述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，fr值的范围为[0，2]。
51、本专利技术另一方面提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术任一项所述方法的步骤。
52、本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序所述计算机程序被处理器执行时实现本专利技术中任一项所述方法的步骤。
53、相较于现有技术，本专利技术采用以上技术方案的有益技术效果如下：本专利技术所提出的改进非线性收敛因子在迭代的早期具有强大的全局搜索能力，同时保持快速收敛速度，并且在后期避免陷入局部最优，同时保持高收敛率；所提出的差分进化算法通过变异和交叉保持种群的多样性，提高算法跳出局部最优的可能性，同时，差分进化在局部优化中的优势便于提高算法的收本文档来自技高网...
【技术保护点】
1.基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，步骤S1中，所述归一化处理如下式：
3.根据权利要求1所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，所述改进鲸鱼优化算法包括如下子步骤：
4.根据权利要求3所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，步骤2.6中对种群进行差分变异操作包括以下子步骤：
5.根据权利要求1所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，步骤S3中，利用均方根误差公式如下：
6.根据权利要求4所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，Fr值的范围为[0，2]。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
...【技术特征摘要】
1.基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，步骤s1中，所述归一化处理如下式：
3.根据权利要求1所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，所述改进鲸鱼优化算法包括如下子步骤：
4.根据权利要求3所述的基于改进的鲸鱼优化算法优化极限学习机估计锂离子电池电荷状态的方法，其特征在于，步骤2.6中对种群进行差分变异操作包括以下子步骤：
5.根据权利要求...
【专利技术属性】
技术研发人员：王赛，丁洁，秦绪彬，
申请(专利权)人：南京邮电大学通达学院，
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。