亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于自適應(yīng)協(xié)同引導(dǎo)的電池組性能衰退參數(shù)辨識

        2022-10-20 03:22:36尹建光崔相宇李方偉臧玉魏
        儲能科學(xué)與技術(shù) 2022年10期
        關(guān)鍵詞:內(nèi)阻電池組適應(yīng)度

        尹建光,崔相宇,李方偉,臧玉魏,彭 飛

        (1國網(wǎng)山東省電力公司電力科學(xué)研究院,濟(jì)南 山東 250002;2青島大學(xué)電氣工程學(xué)院,青島 山東 266071)

        儲能電池組由于能量密度高、放電倍率大、自放電率低等突出優(yōu)點(diǎn),在交通和電力領(lǐng)域具有廣闊的應(yīng)用前景。研究儲能電池組性能衰退特性對于降低儲能系統(tǒng)總壽命周期成本至關(guān)重要。老化導(dǎo)致的儲能電池組性能衰退與電池組電荷吞吐能力密切相關(guān),主要表現(xiàn)為電池組容量損失和內(nèi)阻增加引起的功率損失[1]。因此,在合理的儲能電池組性能衰退模型構(gòu)建基礎(chǔ)上,對模型參數(shù)進(jìn)行精確地快速辨識,從而實(shí)現(xiàn)對電池組容量和功率損失演變過程的有效預(yù)測,對于合理的儲能電池組全生命周期的管理決策制定、降低系統(tǒng)維護(hù)成本以及電池組可用性和安全性的提高至關(guān)重要。

        電池組性能衰退模型主要分為物理機(jī)理模型[2-3]和半經(jīng)驗(yàn)?zāi)P蛢深?。其中,物理機(jī)理模型基于電池組內(nèi)部固體電解質(zhì)界面膜的變化與電池性能衰退之間的內(nèi)在關(guān)聯(lián)規(guī)律進(jìn)行建模,能夠描述電池組內(nèi)部發(fā)生的各種物理過程[4]。但以較高的模型復(fù)雜度為代價,未知參數(shù)多、模型計算量大、通用性不佳,難以實(shí)現(xiàn)模型參數(shù)的快速精確辨識和泛化應(yīng)用。與之相比,半經(jīng)驗(yàn)?zāi)P途哂心P秃唵吻覝?zhǔn)確性高的特點(diǎn),應(yīng)用更加廣泛。文獻(xiàn)[5]基于磷酸鐵鋰(LiFePO4)單電池,在低荷電狀態(tài)和淺放電深度條件下,建立了電池組性能衰退模型,但是該模型沒有考慮溫度變化對電池性能衰退的影響。文獻(xiàn)[6]建立了鋰電池組容量衰退的半經(jīng)驗(yàn)?zāi)P?,該模型綜合考慮了電荷吞吐量、放電倍率和溫度對電池容量損失的影響。文獻(xiàn)[7]對上述模型進(jìn)行改進(jìn),將電池組性能衰退建模分為容量衰退模型與內(nèi)阻增量模型,綜合考慮了溫度、充電倍率、最小荷電狀態(tài)、操作模式和電荷吞吐量對電池性能衰退的影響,能夠更好地量化評估電池組的性能衰退過程。近年來,電池組性能衰退的半經(jīng)驗(yàn)?zāi)P鸵驯粡V泛用于健康狀態(tài)預(yù)測(health state prognostics,HSM)。然而,如何在資源受限條件下實(shí)現(xiàn)對電池組性能衰退半經(jīng)驗(yàn)?zāi)P椭形粗獏?shù)的快速準(zhǔn)確辨識,仍然面臨挑戰(zhàn)。

        電池組性能衰退模型的參數(shù)辨識主要是基于實(shí)驗(yàn)數(shù)據(jù)的離線最小二乘辨識[8]。但由于性能衰退模型的強(qiáng)非線性特性,會導(dǎo)致最小二乘迭代辨識過程陷入局部最優(yōu),從而降低模型精度和可用性。因此,國內(nèi)外學(xué)者對元啟發(fā)式算法在電池組性能衰退模型參數(shù)辨識的適用性進(jìn)行了有益探索。其中,群體智能算法作為典型的群體迭代搜索算法,具有結(jié)構(gòu)簡單易實(shí)現(xiàn)、全局參數(shù)尋優(yōu)能力強(qiáng)等特點(diǎn),已被廣泛用于解決各種模型的參數(shù)辨識問題。近年來,學(xué)者們提出了多種群體智能算法,如粒子群算法(particle swarm optimization,PSO)[9]、Jaya 算法[10]、灰狼算法(grey wolf optimizer,GWO)[11]、蟻獅算法(ant lion optimizer,ALO)[12]等。然而,上述算法主要基于種群全局最優(yōu)或個體歷史最優(yōu)來引導(dǎo)算法搜索方向,并未考慮到個體之間的差異度對于搜索優(yōu)化過程的影響。特別是在算法資源有限的小種群規(guī)模場景下,初始化的種群通常無法很好地覆蓋整個搜索空間,如果采用的參數(shù)辨識方法未有效考慮種群個體的差異度影響,僅依賴局部搜索過程的隨機(jī)擾動注入來增強(qiáng)泛化性能,勢必會導(dǎo)致參數(shù)辨識過程中需要更多的迭代次數(shù)實(shí)現(xiàn)參數(shù)尋優(yōu),甚至?xí)萑刖植孔顑?yōu),降低參數(shù)辨識效率和模型精度。

        為了增強(qiáng)電池組性能衰退的在線辨識適用性,提升小種群規(guī)模下電池組性能衰退模型的參數(shù)辨識效率和精度,本文針對已有電池組容量損失和內(nèi)阻增量半經(jīng)驗(yàn)?zāi)P偷奈粗獏?shù)辨識問題,提出了一種基于自適應(yīng)協(xié)同引導(dǎo)(self-adaptive synergistic guiding,SSG)的電池組性能衰退參數(shù)辨識方法,旨在實(shí)現(xiàn)種群個體對參數(shù)搜索空間的初期全局分布的同時,實(shí)現(xiàn)后期快速收斂至全局最優(yōu)解。

        1 電池組性能衰退模型

        本文采用的電池組半經(jīng)驗(yàn)性能衰退模型為文獻(xiàn)[7]中提出的由電池組老化引起的容量損失模型和基于內(nèi)阻增量的功率損失模型。兩種模型綜合考慮了電量消耗(charge-depleting,CD)運(yùn)行模式與電量維持(charge-sustaining, CS)運(yùn)行模式兩種電池運(yùn)行模式、最小荷電狀態(tài)(minimum state of charge,SOCmin)、充放電倍率(charging rate, CR)和溫度等因素對電池性能衰退過程的影響。其中,CD 運(yùn)行模式和CS 運(yùn)行模式是美國先進(jìn)電池聯(lián)盟為插電式混合動力汽車電池組老化測試定義的兩種運(yùn)行模式。

        其中,容量損失模型可表示為:

        式中,Sloss為電池組容量損失量與初始電池容量的比值,%;Ratio=tCD/(tCD+tCS),其中,tCD為CD模式持續(xù)時間,tCS為CS 模式持續(xù)時間;SOCmin為電池組允許的最小荷電狀態(tài);Rg為通用氣體常數(shù),J/(K·mol);T為電池的溫度,K;CT為電荷吞吐量,即電池運(yùn)行過程中基于安時計量的累計充放電量,Ah;αc、βc、γc、b、SOC0、c、z、Eac為電池組容量損失模型中待辨識的參數(shù)。

        基于內(nèi)阻增量的功率損失模型可表示為:

        式中,Rinc為電池組內(nèi)阻增量與電池組初始內(nèi)阻的比值,%;CReq為等效充電速率,定義為:

        其 中CR 為 充 電 倍 率;αR、βR、γR、d、e、SOC0、CR0、CR、EaR為電池組內(nèi)阻增量模型中待辨識的參數(shù)。

        2 自適應(yīng)協(xié)同引導(dǎo)參數(shù)辨識

        在基于群體智能算法參數(shù)辨識過程中,應(yīng)當(dāng)保持算法全局探索與局部尋優(yōu)的平衡,過度的局部尋優(yōu)會導(dǎo)致參數(shù)辨識問題陷入局部最優(yōu),而過度的全局探索會影響算法的收斂速度[13]。因此,綜合考慮搜索空間局部尋優(yōu)和全局探索的折中權(quán)衡[14],本文提出了基于自適應(yīng)協(xié)同引導(dǎo)的電池組性能衰退參數(shù)辨識策略。該策略主要包括兩個步驟,分別為基于自適應(yīng)協(xié)同優(yōu)化的初期參數(shù)空間全局搜索,以及基于精英引導(dǎo)的后期局部搜索。

        2.1 自適應(yīng)協(xié)同優(yōu)化策略

        自適應(yīng)協(xié)同策略引入?yún)f(xié)同性能算子Ps作為種群個體k的評價指標(biāo)[15],如式(3)所示:

        式中,ck,s為協(xié)同系數(shù);Pf與Pd分別為個體適應(yīng)度性能與多樣性性能,計算公式如下:

        式中,NP 為種群個體數(shù);Rfitness和Rdiversity為種群中個體的適應(yīng)度ffitness(即實(shí)驗(yàn)數(shù)據(jù)與模型輸出的均方根誤差,RMSE)和差異度fdiversity的降序排序,如式(6)、(7)所示:

        式中,ik和jk為個體k適應(yīng)度和差異度按升序排序序號。

        適應(yīng)度和差異度的計算公式(8)如下:

        式中,y為實(shí)驗(yàn)數(shù)據(jù);h為實(shí)驗(yàn)數(shù)據(jù)樣本點(diǎn)個數(shù);?為模型輸出;||xk-xw||為個體k與個體w的歐式距離。

        根據(jù)式(3)所示協(xié)同性能算子,基于自適應(yīng)協(xié)同優(yōu)化的初期參數(shù)空間全局搜索的具體流程為

        (1)根據(jù)式(8)、式(9),計算每個個體xk的適應(yīng)度和差異度,進(jìn)而根據(jù)式(4)、式(5)計算個體的適應(yīng)度性能和差異度性能。

        (2)對于個體xk,判斷是否為適應(yīng)度最小的個體。

        ①如果xk為適應(yīng)度最小的個體,則根據(jù)式(10)更新

        ②如果xk不是適應(yīng)度最小的個體,隨機(jī)選擇兩個不同的個體xl1和xl2,比較其協(xié)同性能Ps,選擇其中Ps較大的個體,記為xl;比較個體xl與個體xk的協(xié)同性能Ps,若xl的Ps較大(協(xié)同性能更佳),則根據(jù)式(11)更新個體xk,否則,根據(jù)式(12)更新個體xk:

        (3)計算更新后個體x′k,ν的適應(yīng)度,并與當(dāng)前最小適應(yīng)度作比較,若該適應(yīng)度優(yōu)于當(dāng)前最小適應(yīng)度,則更新當(dāng)前最小適應(yīng)度對應(yīng)的個體,否則維持當(dāng)前最小適應(yīng)度對應(yīng)的個體不變。

        (4)重復(fù)步驟(1)~(3),直到滿足迭代終止條件之一。

        條件一為參數(shù)更新迭代次數(shù)等于指定的最大迭代更新次數(shù),如式(13)所示:

        條件二為如下種群差異度方差的變化率小于設(shè)定閾值,如式(14)所示:

        2.2 精英引導(dǎo)策略

        基于自適應(yīng)協(xié)同優(yōu)化的初期參數(shù)空間全局搜索,保證了種群個體在搜索過程中的差異度性能,有助于對最優(yōu)參數(shù)區(qū)域進(jìn)行定位,從而實(shí)現(xiàn)種群個體對參數(shù)最優(yōu)空間的有效覆蓋。在此基礎(chǔ)上,可以進(jìn)一步確定種群中適應(yīng)度最小的個體為精英個體,通過在精英個體周圍的局部搜索,實(shí)現(xiàn)快速收斂至全局最優(yōu)解,得到最終的參數(shù)辨識結(jié)果。

        基于精英引導(dǎo)的后期局部搜索具體流程如下

        (1)將基于自適應(yīng)協(xié)同優(yōu)化的初期參數(shù)空間全局搜索得到的種群平均分為種群1 和種群2,個體數(shù)量均為NP/2,生成種群1中個體隨機(jī)行走的路徑如式(15)所示:

        式中,xi,ν為種群1中第i個個體的第ν個維度;t代表隨機(jī)行走的步數(shù)(本算法中的當(dāng)前迭代次數(shù));cumsum表示累加和;n為最大迭代次數(shù);r(t)為隨機(jī)函數(shù),由式(16)給出:

        (2)考慮到所述系統(tǒng)辨識參數(shù)的搜索空間是有邊界的,對種群1個體位置進(jìn)行歸一化處理,如式(17)所示:

        式中,n表示最大迭代次數(shù)。

        (3)種群1 中第i個個體的更新位置如式(21)所示:

        (4)在完成種群1中的所有個體更新后,若種群1 中個體的適應(yīng)度變得比種群2 中相應(yīng)個體適應(yīng)度更小,則使用種群1 中個體的位置xti更新種群2中相應(yīng)個體的位置xtj,如式(22)所示:

        (5)重復(fù)步驟(2)~(4),直至達(dá)到設(shè)定的迭代終止條件之一。

        條件一為種群精英個體適應(yīng)度低于設(shè)定的適應(yīng)度閾值,如式(23):

        條件二為達(dá)到設(shè)定的迭代步數(shù)終止條件,如式(24):

        式中,F(xiàn)itnesst為第t次迭代種群2 中精英個體適應(yīng)度;Fitnessset為設(shè)定的適應(yīng)度閾值;tmax為精英引導(dǎo)策略設(shè)定的最大迭代次數(shù)。

        2.3 自適應(yīng)協(xié)同引導(dǎo)參數(shù)辨識整體流程

        自適應(yīng)協(xié)同引導(dǎo)參數(shù)辨識整體流程如圖1 所示。首先,基于電池組性能衰退模型設(shè)定模型中參數(shù)范圍并生成初始種群個體。在此基礎(chǔ)上,計算種群個體的適應(yīng)度和協(xié)同性能,根據(jù)不同個體的協(xié)同性能進(jìn)行種群個體更新,直至滿足自適應(yīng)協(xié)同過程迭代終止條件。進(jìn)一步地,基于精英引導(dǎo)策略,使種群中的個體在精英個體周圍局部搜索,直至滿足精英引導(dǎo)過程迭代終止條件,輸出精英個體的位置,即模型中待辨識的參數(shù)。

        圖1 自適應(yīng)協(xié)同引導(dǎo)參數(shù)辨識流程Fig.1 Flow chart of self-adaptive synergistic guiding parameter identification

        3 電池組衰退模型參數(shù)辨識評估

        3.1 數(shù)據(jù)源獲取

        電池老化實(shí)驗(yàn)采用石墨負(fù)極和復(fù)合NMC-LMO(LiNi1/3Mn1/3Co1/3O2和LiMn2O4)正極的軟包電池,電池額定容量為15 Ah,額定電壓為3.75 V。分別對16 個單電池進(jìn)行16 組循環(huán)老化實(shí)驗(yàn),其中,9 組CD運(yùn)行模式循環(huán)實(shí)驗(yàn)(Ratio=1),3組CS運(yùn)行模式循環(huán)實(shí)驗(yàn)(Ratio=0),4 組混合運(yùn)行模式循環(huán)實(shí)驗(yàn)(0<Ratio<1),各組實(shí)驗(yàn)控制參數(shù)見表1。

        表1 老化實(shí)驗(yàn)控制參數(shù)匯總Table 1 Summary of control parameters for aging experiments

        以第13 組老化實(shí)驗(yàn)的單循環(huán)周期為例,實(shí)驗(yàn)單電池荷電狀態(tài)變化曲線如圖2 所示。其中,CD運(yùn)行模式放電起始荷電狀態(tài)(CR 充電截至荷電狀態(tài))為95%,其單周期電荷吞吐量為28.23 Ah。

        圖2 第13組老化實(shí)驗(yàn)單CD-CS-CR周期SOC變化曲線Fig.2 SOC Curve for single CD-CS-CR cycle under#13 aging experiment

        3.2 自適應(yīng)協(xié)同性能驗(yàn)證

        為了確定自適應(yīng)協(xié)同引導(dǎo)策略的切換點(diǎn),實(shí)現(xiàn)自適應(yīng)協(xié)同引導(dǎo)的最優(yōu)切換,需要對自適應(yīng)協(xié)同引導(dǎo)過程進(jìn)行單獨(dú)測試,以評估基于研究對象參數(shù)辨識問題的種群差異度標(biāo)準(zhǔn)差。種群個體數(shù)設(shè)為30,迭代次數(shù)設(shè)為1000。圖3為自適應(yīng)協(xié)同過程的差異度標(biāo)準(zhǔn)差曲線簇。從圖中可以看出,差異度標(biāo)準(zhǔn)差可以合理評估自適應(yīng)協(xié)同過程的種群動力學(xué)性能,自適應(yīng)協(xié)同過程可以保持較大的差異度標(biāo)準(zhǔn)差,能夠?qū)崿F(xiàn)小種群規(guī)模下種群個體的全局分布,強(qiáng)化了初期階段的全局搜索能力。由于第一階段種群差異度標(biāo)準(zhǔn)差大約在250次迭代后變得較為穩(wěn)定,故選取250迭代次數(shù)作為策略切換點(diǎn)。

        圖3 自適應(yīng)協(xié)同過程種群差異度標(biāo)準(zhǔn)差曲線簇Fig.3 Curve cluster of population diversity standard deviation in the self-adaptive synergistic process

        3.3 自適應(yīng)協(xié)同引導(dǎo)策略的性能對比分析

        基于電池組半經(jīng)驗(yàn)性能衰退模型,對自適應(yīng)協(xié)同引導(dǎo)方法(SSG)、蟻獅算法(ALO)和灰狼算法(GWO)的性能進(jìn)行對比。3 種算法種群數(shù)設(shè)定為30,迭代次數(shù)設(shè)定為1000。實(shí)驗(yàn)采用的系統(tǒng)配置如下:CPU 型號為Intel Core i5-9300HF,機(jī)帶RAM內(nèi)存為16 GB,MATLAB版本為2018b。圖4為3 種策略的適應(yīng)度收斂曲線。由圖中可以看出,本文提出的自適應(yīng)協(xié)同引導(dǎo)方法收斂速度更快,適應(yīng)度終值更小。表2 匯總了迭代終止時3 種方法的參數(shù)辨識結(jié)果。相應(yīng)地,圖5 和圖6 分別為基于上述參數(shù)辨識結(jié)果的電池組容量損失模型和內(nèi)阻增量模型仿真數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)對比,從圖像曲線的對比可以直觀地表明,SSG方法辨識結(jié)果更好。

        圖4 不同參數(shù)辨識方法的適應(yīng)度收斂曲線對比Fig.4 Fitness convergence curve comparison with different parameter identification methods

        圖5 容量損失曲線Fig.5 Curves of capacity loss

        圖6 內(nèi)阻增量曲線Fig.6 Curves of resistance increment

        表2 算法辨識參數(shù)對比Table 2 Comparison of identified parameters with different algorithms

        重復(fù)上述實(shí)驗(yàn)30 次,每種算法對應(yīng)的算法迭代時間以及適應(yīng)度終值的最大值(Fitnessmax)、最小值(Fitnessmin)、平均值(Fitnessavg)和標(biāo)準(zhǔn)差(Fitnessstd)見表3。從統(tǒng)計數(shù)據(jù)可以看出,自適應(yīng)協(xié)同引導(dǎo)方法針對電池組容量衰退模型和內(nèi)阻增量模型分別在0.6 s 和1.1 s 的種群迭代時間內(nèi)達(dá)到0.237%和0.37%的適應(yīng)度終值。由表3 可以看出,相對于ALO方法,其容量損失和內(nèi)阻增量模型的參數(shù)辨識效率分別提升了91.68%和81.35%,適應(yīng)度終值分別降低了3.8%和7.12%;相對于GWO 方法,其容量損失和內(nèi)阻增量模型的參數(shù)辨識效率分別提升了17.14%和37.65%,適應(yīng)度終值分別降低了27.35%和22.11%。因此,本文提出的自適應(yīng)協(xié)同引導(dǎo)方法在小種群規(guī)模下的參數(shù)辨識效率和精度均得到了顯著提升。

        表3 算法參數(shù)辨識性能統(tǒng)計Table 3 Statistical results of parameter identification performance with different algorithms

        4 結(jié) 論

        針對電池組性能衰退的半經(jīng)驗(yàn)?zāi)P?,提出了一種融合自適應(yīng)協(xié)同策略和精英引導(dǎo)策略的自適應(yīng)協(xié)同引導(dǎo)參數(shù)辨識方法。在自適應(yīng)協(xié)同過程中引入差異度評價,實(shí)現(xiàn)了小規(guī)模種群對參數(shù)搜索空間的初期全局分布;在自適應(yīng)協(xié)同與精英引導(dǎo)之間最優(yōu)切換基礎(chǔ)上,進(jìn)而通過精英引導(dǎo)過程保證種群的后期快速收斂,快速實(shí)現(xiàn)全局最優(yōu)求解。重復(fù)實(shí)驗(yàn)結(jié)果表明,本文方法相對于蟻獅算法在辨識效率提高81.35%的同時辨識精度提高了3.8%,相對于灰狼算法在辨識效率提高17.14%的同時辨識精度提高了22.11%。因此,本文方法在統(tǒng)計意義下實(shí)現(xiàn)了電池組性能衰退模型參數(shù)辨識精度和效率的協(xié)同提升,為模型驅(qū)動的電池組健康管理性能的進(jìn)一步提升提供了一種有效的模型在線辨識思路。

        猜你喜歡
        內(nèi)阻電池組適應(yīng)度
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        Effect of Xuebijing injection on hematopoietic homeostasis of LPS induced sepsis in mice
        2017年7月原電池及原電池組產(chǎn)量同比增長2.53%
        “測定電池的電動勢和內(nèi)阻”復(fù)習(xí)課之八問
        伏安法測電源電動勢和內(nèi)阻的測量值與真實(shí)值
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        超級電容器內(nèi)阻測試方法研究
        基于LTC6802的電池組均衡電路設(shè)計
        一種優(yōu)化的基于ARM Cortex-M3電池組均衡控制算法應(yīng)用
        鋰離子電池組不一致性及其彌補(bǔ)措施
        汽車電器(2014年5期)2014-02-28 12:14:15
        亚洲亚洲网站三级片在线| 亚洲av成人网| a级毛片100部免费看| 国产成人一区二区三中文| 日本在线中文字幕一区| 99久久99久久久精品蜜桃| 粗大猛烈进出白浆视频| 久久99精品久久久久久久清纯| 少妇一级aa一区二区三区片| 在线免费看91免费版.| 亚洲精品久久久久avwww潮水| 欧美日韩亚洲精品瑜伽裤| 国产精品国产三级国产av主| 国产一区二区av免费观看| 国产md视频一区二区三区| 就去吻亚洲精品欧美日韩在线| 免费人成黄页网站在线观看国内| 男奸女永久免费视频网站 | 中文字幕久久精品一二三区| 日本亚洲欧美在线观看| 最新国产一区二区三区| 无码少妇丰满熟妇一区二区| 国产精品麻豆成人av电影艾秋 | 成年人观看视频在线播放| 精品亚洲一区二区三区在线观看| 国产免费av片在线观看播放| 99视频偷拍视频一区二区三区| 久久国产成人精品av| 色悠久久久久综合欧美99| 中文亚洲成a人片在线观看| 中美日韩在线一区黄色大片| 国产农村乱辈无码| 纯肉无遮挡H肉动漫在线观看国产| 永久免费看黄在线观看| 呦系列视频一区二区三区| 香蕉久久久久久久av网站| 国产精品美女久久久浪潮av| 大香蕉av一区二区三区| 国产国拍精品av在线观看按摩| 亚洲av日韩片在线观看| 成人男性视频在线观看|