复杂性gydF4y2Ba
复杂性gydF4y2Ba
1099 - 0526gydF4y2Ba
1076 - 2787gydF4y2Ba
HindawigydF4y2Ba
10.1155 / 2021/8895496gydF4y2Ba
8895496gydF4y2Ba
研究文章gydF4y2Ba
小说Pigeon-Inspired优化RBF模型并行分支预测电池gydF4y2Ba
https://orcid.org/0000 - 0002 - 1244 - 5723gydF4y2Ba
张gydF4y2Ba
YanhuigydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
4gydF4y2Ba
https://orcid.org/0000 - 0003 - 0090 - 2269gydF4y2Ba
林gydF4y2Ba
ShiligydF4y2Ba
5gydF4y2Ba
https://orcid.org/0000 - 0002 - 5099 - 1987gydF4y2Ba
马gydF4y2Ba
海萍gydF4y2Ba
6gydF4y2Ba
https://orcid.org/0000 - 0002 - 2213 - 5489gydF4y2Ba
郭gydF4y2Ba
YuanjungydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
4gydF4y2Ba
https://orcid.org/0000 - 0002 - 9845 - 999 xgydF4y2Ba
冯gydF4y2Ba
魏gydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
4gydF4y2Ba
7gydF4y2Ba
8gydF4y2Ba
NagydF4y2Ba
京gydF4y2Ba
1gydF4y2Ba
人机Intelligence-Synergy中科院重点实验室系统gydF4y2Ba
深圳先进技术研究院gydF4y2Ba
深圳gydF4y2Ba
中国gydF4y2Ba
cas.cngydF4y2Ba
2gydF4y2Ba
广东省重点实验室的机器人和智能系统gydF4y2Ba
深圳先进技术研究院gydF4y2Ba
中国科学院gydF4y2Ba
北京gydF4y2Ba
中国gydF4y2Ba
cas.cngydF4y2Ba
3gydF4y2Ba
超声波无损工程技术研究中心的广东gydF4y2Ba
深圳518055年gydF4y2Ba
中国gydF4y2Ba
4gydF4y2Ba
深圳先进技术研究院gydF4y2Ba
中国科学院gydF4y2Ba
深圳518055年gydF4y2Ba
中国gydF4y2Ba
cas.cngydF4y2Ba
5gydF4y2Ba
广州能源研究所gydF4y2Ba
中国科学院gydF4y2Ba
广州510640gydF4y2Ba
中国gydF4y2Ba
cas.cngydF4y2Ba
6gydF4y2Ba
电气工程系gydF4y2Ba
绍兴大学gydF4y2Ba
绍兴312000年gydF4y2Ba
中国gydF4y2Ba
usx.edu.cngydF4y2Ba
7gydF4y2Ba
中国科学院大学gydF4y2Ba
北京100000年gydF4y2Ba
中国gydF4y2Ba
ucas.ac.cngydF4y2Ba
8gydF4y2Ba
机械与自动化工程的部门gydF4y2Ba
香港中文大学gydF4y2Ba
沙田gydF4y2Ba
香港gydF4y2Ba
cuhk.edu.hkgydF4y2Ba
2021年gydF4y2Ba
23gydF4y2Ba
2gydF4y2Ba
2021年gydF4y2Ba
2021年gydF4y2Ba
7gydF4y2Ba
8gydF4y2Ba
2020年gydF4y2Ba
20.gydF4y2Ba
9gydF4y2Ba
2020年gydF4y2Ba
10gydF4y2Ba
2gydF4y2Ba
2021年gydF4y2Ba
23gydF4y2Ba
2gydF4y2Ba
2021年gydF4y2Ba
2021年gydF4y2Ba
版权©2021 Yanhui Zhang et al。gydF4y2Ba
这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba
电池能量储存可再生能源系统的关键项目改革和能量流的有效监管。并联电池组可以有效地提高电池模块的能力。然而,平行的不确定性引起的功率损耗电池部门当前的经济带来了严重的挑战和电动汽车的安全。需要电池当前分支预测精度提高并联。提出了一种基于pigeon-inspired径向基函数神经网络模型优化方法,成功地应用该算法来预测当前电池组的并行分支。数值结果表明提出的高精度pigeon-inspired电池优化RBF模型并行分支预测和提供一个有用的工具并行分支的预测电池的电流。gydF4y2Ba
商路Kong-Macao人机Intelligence-Synergy系统的联合实验室gydF4y2Ba
# 2019 b121205007gydF4y2Ba
科学、技术和创新委员会深圳gydF4y2Ba
ZDSYS20190902093209795gydF4y2Ba
JCYJ20170818153048647gydF4y2Ba
JCYJ20180507182239617gydF4y2Ba
JCYJ2018050718223961gydF4y2Ba
中国国家自然科学基金gydF4y2Ba
U1813222gydF4y2Ba
广东省自然科学基金gydF4y2Ba
2016年a030313177gydF4y2Ba
广东前沿和关键技术创新gydF4y2Ba
2017年b090910013gydF4y2Ba
浙江省自然科学基金gydF4y2Ba
LY19F030011gydF4y2Ba
1。介绍gydF4y2Ba
作为电动汽车的一个重要组成部分,锂离子电池的寿命和安全产生深远影响的服务范围的电动汽车。为了满足高功率和高能量输出这些设备的需求,通常需要执行系列和/或并行拓扑结构对电池模块(gydF4y2Ba
1gydF4y2Ba,gydF4y2Ba
2gydF4y2Ba]。串联的电池可以增加操作电压,而电池的并联可以增加容量。对串联电池组,电池管理系统通常提供了一个平衡模块。对于并联电池组,单个细胞将保持相同的终端电压和有一定的self-balance。然而,单个细胞之间的不一致造成的不平衡电流的电荷状态会影响电池和电池组的生命和安全从长远来看(gydF4y2Ba
3gydF4y2Ba]。gydF4y2Ba
电池生产商,引进全自动生产线并不意味着高质量和稳定的生产;除了良好的材料来源,自动化生产线的管理更重要。分支电池的不一致性在并行电池组将导致电流不平衡,减少电池能源效率,甚至导致一些电池充电和/或过量放电。gydF4y2Ba
电池工程研究主要集中在状态估计和如何减少电池不一致性更高的能量转换效率和更长的电池续航时间,而缺乏综合分析电池的不一致性产生机制(gydF4y2Ba
4gydF4y2Ba,gydF4y2Ba
5gydF4y2Ba]。电池管理系统无法控制之间的电流分布和能量流电池并联模块在这个阶段,直接影响的电池连接拓扑。因此,很难实现并行的控制策略不一致的电池在车辆应用程序。gydF4y2Ba
并行拓扑中,不平衡电流和降解率是不同的个体之间存在电池。之前的研究在并联gydF4y2Ba
6gydF4y2Ba)集中在几个方面,包括电流分布的演变在一定条件下,使降解率的电池不平衡,平衡的设计和控制电路,连接电线和焊接技术的影响(gydF4y2Ba
7gydF4y2Ba- - - - - -gydF4y2Ba
10gydF4y2Ba),预测未来的能力,和剩余使用寿命gydF4y2Ba
11gydF4y2Ba,gydF4y2Ba
12gydF4y2Ba]。gydF4y2Ba
在电池领域的建模技术,通过数值模拟计算电流分布。各种电池的电压可以从状态下的充电电压曲线中提取放电过程。该方法考虑了内部阻力对电池电流的影响,没有建立任何模型,但有必要反复搜索各种电池的电压在每个时间步。品牌等。gydF4y2Ba
13gydF4y2Ba探索两并联电池内电流分布,然而如何将这种方法扩展到两个以上的单位还没有讨论。Miyatake了多单元的电池的放电能力之间的关系有两个不同的类型,但它的拓扑是瓦解(gydF4y2Ba
14gydF4y2Ba]。此外,他们得到一个数学模型对多单元的电池的放电特征基于单个电池的等效电路模型。并和马可gydF4y2Ba
15gydF4y2Ba)采用建模和实验方法的评价并联电动汽车锂离子电池。gydF4y2Ba
本文的其余部分组织如下。部分gydF4y2Ba
2gydF4y2Ba介绍了径向基函数神经网络的预赛和pigeon-inspired优化。部分gydF4y2Ba
3gydF4y2Ba介绍了pigeon-inspired优化优化的径向基函数神经网络(PIO-RBF)。部分gydF4y2Ba
4gydF4y2Ba给出了实验装置。部分gydF4y2Ba
5gydF4y2Ba分析当前分支预测案例研究,其次是这项工作的主要发现和未来前景gydF4y2Ba
6gydF4y2Ba。gydF4y2Ba
2。预赛gydF4y2Ba
2.1。径向基函数神经网络gydF4y2Ba
RBF神经网络是一个三层前馈网络分析,由输入层、隐层和输出层。图gydF4y2Ba
1gydF4y2Ba显示了RBF神经网络的拓扑结构,控制节点的函数变换在隐藏层是径向基函数。gydF4y2Ba
PIO-optimized RBF网络的过程。gydF4y2Ba
![]()
如果RBF神经网络的输入层gydF4y2Ba
ngydF4y2Ba源节点的信息,输入层可以表示为gydF4y2Ba
xgydF4y2Ba1gydF4y2Ba,gydF4y2Ba
xgydF4y2Ba2gydF4y2Ba、…gydF4y2Ba
xgydF4y2Ba
ngydF4y2Ba]gydF4y2BaTgydF4y2Ba。在隐藏层,选择高斯函数作为径向基函数,表示为gydF4y2Ba
(1)gydF4y2Ba
ϕgydF4y2Ba
xgydF4y2Ba
−gydF4y2Ba
cgydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
经验值gydF4y2Ba
−gydF4y2Ba
xgydF4y2Ba
−gydF4y2Ba
cgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
2gydF4y2Ba
σgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
⋅gydF4y2Ba
欧几里得范数,gydF4y2Ba
cgydF4y2Ba
我gydF4y2Ba
的基函数中心吗gydF4y2Ba
我gydF4y2Bath隐层的节点,gydF4y2Ba
cgydF4y2Ba的基函数的宽度吗gydF4y2Ba
我gydF4y2Bath节点层,gydF4y2Ba
σgydF4y2Ba
我gydF4y2Ba
的基函数的宽度吗gydF4y2Ba
我gydF4y2Bath节点层。gydF4y2Ba
RBF神经网络的输出层可以通过线性加权隐层节点。如果输出层gydF4y2Ba
kgydF4y2Ba输出节点,gydF4y2Ba
jgydF4y2Bath RBF神经网络的输出可以表示为gydF4y2Ba
(2)gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
wgydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
经验值gydF4y2Ba
−gydF4y2Ba
xgydF4y2Ba
−gydF4y2Ba
cgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
2gydF4y2Ba
σgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
。gydF4y2Ba
在上面的公式中,gydF4y2Ba
wgydF4y2Ba
连接的重量吗gydF4y2Ba
我gydF4y2Bath隐藏层节点gydF4y2Ba
jgydF4y2Bath输出层;gydF4y2Ba
YgydF4y2Ba的节点值吗gydF4y2Ba
jgydF4y2Bath输出层。gydF4y2Ba
确定隐层节点数也意识到RBF神经网络的关键,除了训练和优化中心gydF4y2Ba
CgydF4y2Ba
我gydF4y2Ba隐层基函数,隐层节点的宽度gydF4y2Ba
σgydF4y2Ba
我gydF4y2Ba和重量系数gydF4y2Ba
WgydF4y2Ba从隐层到输出层。从理论上讲,隐层节点的数量增加,RBF神经网络的逼近能力强,输出更精确。然而,在实际应用中,隐层节点的增加将导致训练时间和学习成本的增加,网络的泛化能力会降低,这将导致过度学习和神经网络的容错能力。gydF4y2Ba
为了确定最佳的RBF神经网络的隐层节点数,本文介绍了试错的方法。首先获得初始区间[gydF4y2Ba
一个gydF4y2Ba,gydF4y2Ba
bgydF4y2Ba)的RBF神经网络的隐层节点数的经验公式,然后计算和比较点间隔一个接一个的狭窄的区间的节点数量来确定隐层节点的最优数量。gydF4y2Ba
(3)gydF4y2Ba
一个gydF4y2Ba
=gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
+gydF4y2Ba
ngydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
≤gydF4y2Ba
ngydF4y2Ba
hgydF4y2Ba
≤gydF4y2Ba
ngydF4y2Ba
我gydF4y2Ba
+gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
+gydF4y2Ba
10gydF4y2Ba
=gydF4y2Ba
bgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
ngydF4y2Ba
我gydF4y2Ba
,gydF4y2Ba
ngydF4y2Ba
hgydF4y2Ba
,gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
在输入层的节点数,隐藏层和输出层的RBF神经网络,分别。gydF4y2Ba
2.2。Pigeon-Inspired优化gydF4y2Ba
当鸽子远离目的地,它到达目的地的帮助下磁场和标志性建筑。影响鸽子归巢的关键原因可分为三类。第一个原因是太阳,第二个原因是地球的磁场,第三个原因是地貌景观。鸽子的飞行期间,不同的巡航工具将根据使用情况。为了理想化的一些鸽子归巢特点,设计两个运营商通过一些规则。gydF4y2Ba
地图和指南针运营商gydF4y2Ba。鸽子可以感知地球磁场通过使用磁受作用来塑造他们的大脑的地图。他们认为太阳的高度是罗盘调整方向。当他们飞到他们的目的地,他们减少对太阳和磁性粒子的依赖。gydF4y2Ba
具有里程碑意义的运营商gydF4y2Ba。鸽子飞接近目的地时,他们将依靠地标附近。如果他们熟悉的地标,他们将直接飞到目的地。如果他们离目的地和不熟悉的地标,他们将遵循鸽子熟悉的地标。gydF4y2Ba
基于地磁场的映射模型。gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
和gydF4y2Ba
vgydF4y2Ba
我gydF4y2Ba
代表的位置和速度gydF4y2Ba
我gydF4y2Ba分别th鸽子。随着迭代次数增加,鸽子不断从相互作用范围内的最优个体学习和更新它的速度gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba和位置gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba在真正的时间:gydF4y2Ba
(4)gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
∗gydF4y2Ba
egydF4y2Ba
−gydF4y2Ba
rgydF4y2Ba
tgydF4y2Ba
+gydF4y2Ba
兰德gydF4y2Ba
XgydF4y2Ba
ggydF4y2Ba
−gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
(5)gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
。gydF4y2Ba
的速度gydF4y2Ba
我gydF4y2Bath鸽子是由上一代的速度和当前鸽子的最佳位置。gydF4y2Ba
RgydF4y2Ba是一个地图因素,兰德是一个随机数,然后呢gydF4y2Ba
tgydF4y2Ba是一个代数;的位置gydF4y2Ba
我gydF4y2Bath鸽子是由原来的位置和当前速度。所有鸽子的飞行保障的地图,然后我们可以得到最好的鸽子的位置gydF4y2Ba
XggydF4y2Ba。各种鸽子就调整方向和飞行的鸽子最好的位置根据(gydF4y2Ba
4gydF4y2Ba),(gydF4y2Ba
5gydF4y2Ba)将调整其位置。gydF4y2Ba
具有里程碑意义的模型构建与鸽子使用地标导航。使用地标导航时,目的地是拉近的距离,从地图导航。如果鸽子不熟悉当前位置具有里程碑意义,它会飞的指导下附近的鸽子;当发现标志性建筑或熟悉的位置,它将根据经验自由飞翔。在具有里程碑意义的模型中,gydF4y2Ba
NgydF4y2Ba
pgydF4y2Ba用于记录一半鸽子的数量在每一代,然后呢gydF4y2Ba
XgydF4y2Ba
cgydF4y2Ba(gydF4y2Ba
tgydF4y2Ba)是中央位置的鸽子的一代gydF4y2Ba
tgydF4y2Ba。如果各种鸽子飞直线距离目的地,将获得以下公式:gydF4y2Ba
(6)gydF4y2Ba
NgydF4y2Ba
PgydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
NgydF4y2Ba
pgydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
(7)gydF4y2Ba
XgydF4y2Ba
cgydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
∗gydF4y2Ba
健身gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
NgydF4y2Ba
pgydF4y2Ba
∑gydF4y2Ba
健身gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
,gydF4y2Ba
(8)gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
兰德gydF4y2Ba
∗gydF4y2Ba
XgydF4y2Ba
cgydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
(9)gydF4y2Ba
健身gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
fgydF4y2Ba
最小值gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
。gydF4y2Ba
在上面的方程中,gydF4y2Ba
健身gydF4y2Ba
XgydF4y2Ba
的质量是鸽子,方程(gydF4y2Ba
9gydF4y2Ba)是最小的优化问题,方程(10)是最大的优化问题。gydF4y2Ba
3所示。提出了PIO优化的RBF神经网络gydF4y2Ba
本文采用pigeon-inspired优化PIO法介绍了训练的线性和非线性参数给定一个预先确定的RBF网络模型结构。PIO的详细实现过程对于当前分支路径预测可以描述如下(如图gydF4y2Ba
1gydF4y2Ba)(算法gydF4y2Ba
1gydF4y2Ba)。gydF4y2Ba
<大胆>算法1:< /大胆> PIO算法。gydF4y2Ba
输入gydF4y2Ba
NgydF4y2Ba
PgydF4y2Ba:鸽子群的个体数量gydF4y2Ba
DgydF4y2Ba:维度的搜索空间gydF4y2Ba
RgydF4y2Ba原因:地图和指南针gydF4y2Ba
搜索范围:边界的搜索空间gydF4y2Ba
数控gydF4y2Ba1gydF4y2Ba马克斯gydF4y2Ba:一代又一代的最大数量,地图和指南针操作执行gydF4y2Ba
数控gydF4y2Ba2gydF4y2Ba马克斯gydF4y2Ba:一代又一代的最大数量,具有里程碑意义的操作执行。gydF4y2Ba
输出gydF4y2Ba
XggydF4y2Ba:全球最适条件的适应度函数fgydF4y2Ba
初始化gydF4y2Ba
设置初始值gydF4y2Ba
数控gydF4y2Ba1gydF4y2Ba马克斯gydF4y2Ba,gydF4y2Ba
数控gydF4y2Ba2gydF4y2Ba马克斯gydF4y2Ba,gydF4y2Ba
NPgydF4y2Ba,gydF4y2Ba
DgydF4y2Ba,gydF4y2Ba
RgydF4y2Ba和搜索范围gydF4y2Ba
设置初始路径gydF4y2Ba
习gydF4y2Ba和速度gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba为每个鸽子个人gydF4y2Ba
集gydF4y2Ba
XgydF4y2Ba
pgydF4y2Ba=gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba,gydF4y2Ba
数控gydF4y2Ba= 1gydF4y2Ba
计算适应度值不同的鸽子gydF4y2Ba
XgydF4y2Ba
ggydF4y2Ba
:= argmin [gydF4y2Ba
fgydF4y2Ba:(gydF4y2Ba
XgydF4y2Ba
pgydF4y2Ba)]gydF4y2Ba
地图和指南针操作gydF4y2Ba
为gydF4y2Ba
数控gydF4y2Ba= 1,gydF4y2Ba
数控gydF4y2Ba1gydF4y2Ba马克斯gydF4y2Ba做gydF4y2Ba
为gydF4y2Ba
我gydF4y2Ba= 1,gydF4y2Ba
NpgydF4y2Ba做gydF4y2Ba
而gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba超出了搜索范围做了什么gydF4y2Ba
计算gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba和gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba根据方程(gydF4y2Ba
4gydF4y2Ba)和(gydF4y2Ba
5gydF4y2Ba)gydF4y2Ba
结束时gydF4y2Ba
结束了gydF4y2Ba
评估gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba和更新gydF4y2Ba
XgydF4y2Ba
pgydF4y2Ba和XggydF4y2Ba
结束了gydF4y2Ba
里程碑式的操作gydF4y2Ba
为gydF4y2Ba
数控gydF4y2Ba=gydF4y2Ba
数控gydF4y2Ba1gydF4y2Ba马克斯gydF4y2Ba+ 1gydF4y2Ba
数控gydF4y2Ba2gydF4y2Ba马克斯gydF4y2Ba做gydF4y2Ba
而gydF4y2Ba
XgydF4y2Ba
pgydF4y2Ba超出了搜索范围做了什么gydF4y2Ba
排名所有可用的鸽子的人根据他们的健身价值gydF4y2Ba
NPgydF4y2Ba=gydF4y2Ba
NPgydF4y2Ba/ 2gydF4y2Ba
保持一半的患者更好的健身价值,和放弃另外一半gydF4y2Ba
XgydF4y2Ba
cgydF4y2Ba=平均剩余的鸽子个人价值的路径gydF4y2Ba
计算gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba根据方程(gydF4y2Ba
8gydF4y2Ba)gydF4y2Ba
结束时gydF4y2Ba
评估gydF4y2Ba
XgydF4y2Ba
我gydF4y2Ba和更新gydF4y2Ba
XgydF4y2Ba
pgydF4y2Ba和gydF4y2Ba
XgydF4y2Ba
ggydF4y2Ba
结束了gydF4y2Ba
输出gydF4y2Ba
XgydF4y2Ba
ggydF4y2Ba
适应度函数的输出作为全球最佳状态吗gydF4y2Ba
fgydF4y2Ba
4所示。实验gydF4y2Ba
4.1。实验电池gydF4y2Ba
研究中使用的锂离子电池磷酸铁锂/石墨电池。在这项实验中,磷酸铁锂电池额定电压为3.65 V和额定容量为20啊被选中,和它的尺寸(厚度××宽度长度)是52毫米×64毫米×102毫米。电池的正极是15 - 25的铝箔的厚度gydF4y2Ba
μπιgydF4y2Ba和12-20阳极箔厚度gydF4y2Ba
μπιgydF4y2Ba;负电极是由镀镍铜,0.2 - -0.3毫米厚度和20毫米宽;塑料薄膜的厚度是0.153毫米。聚偏二氟乙烯(PVDF)和N-methyl-2-pyrrolidone (NMP)被用作粘结剂生产的电极。电解液由1 mlipfgydF4y2Ba6gydF4y2Ba在碳酸亚乙酯(EC)碳酸二甲酯(DMC)乙基碳酸甲酯(EMC)(1: 1: 1、质量比)电解液。gydF4y2Ba
4.2。实验系统gydF4y2Ba
探索平行的电流分布和总体特征电池在不同放电过程,LiFePO的实验系统gydF4y2Ba4gydF4y2Ba/石墨电池并联电池组。试验台由电池组、测试系统、数据采集系统和管理系统的机器。充电和放电编程软件构建管理系统。在图gydF4y2Ba
2gydF4y2Ba显示了平行的电池测试,实验设备。数据采集系统(安捷伦34970 a,安捷伦有限)可以测量电压的分辨率6.5位,测量精度可以达到0.004%。它应用于电压测量精度提高样本的电压。并行电池组的测量系统在正常的温度下进行。电池组的充放电管理进行17020可编程测量系统。上述测试系统提供独立的渠道来支持多个电池的充放电实验模块。gydF4y2Ba
实验装置的实现并联电池。gydF4y2Ba
![]()
霍尔电流传感器的关键是准确地测量电流分布并行的电池组。普通的字符串电流的测量电流分流术是准确的,但在大多数情况下,阻力的增加将严重影响电流分布。这就是为什么非接触式电流传感器更适合测量平行电池的电流分布在这工作。gydF4y2Ba
为了测量的电流分布并行的电池组,LHB50A5VY2采用霍尔电流传感器用于测试电池的并联电路。霍尔电流传感器的准确度±0.5%,温度漂移系数是±0.5 mv /°C。霍尔电流传感器可以准确地获得当前通过电线,和实际电流通过电池等于相邻的霍尔电流传感器的值之间的差异。gydF4y2Ba
霍尔电流传感器不需要连接到并行循环,消除并联电阻的影响。在这个项目中,进行恒电流放电测试主要是探索并行电池的电流分布条件分支,鸽子和RBF网络优化的组是用来预测当前并行的分支。gydF4y2Ba
5。当前分支预测的案例研究gydF4y2Ba
在本节中,提出PIO的竞争性能优化采用RBF神经网络在现实世界预测当前分支并联电池组的场景。从上述实验,收集的数据是电池被放置在一个正常的实验室环境。每1秒记录的数据从第一分公司第五分公司采用0.3 C放电率下的造型。针对传感器投资分支电流预测可以有效地减少电流传感器在工程实践。gydF4y2Ba
研究当前预测和预测精度一直是研究人员关注的一个话题,由于需求预测分支并联电池的电流分布特征。本文基于电流分布的分析并联电池组的不确定性特点,pigeon-inspired优化算法结合RBF神经网络来探索当前预测并行分支。并行分支的实际和预测当前场景图所示gydF4y2Ba
3gydF4y2Ba;和当前的错误场景如图gydF4y2Ba
4gydF4y2Ba。gydF4y2Ba
实际和预测目前并行分支的场景。gydF4y2Ba
![]()
当前场景的实际和预测误差。gydF4y2Ba
![]()
它可以清楚地观察到在图gydF4y2Ba
4gydF4y2BaPIO达到一个相对准确的预测曲线在训练阶段可能由于参数训练努力,然而,误差在预测阶段在未来可以进一步降低。更大的电池接近负载误差的原因主要是由于大接近电池截止电压时的变化曲线。gydF4y2Ba
相比之下的并行性能的电池模块,并行分支的预测研究当前的基于PIO RBF优化探索,关注各种并行分支的最大误差和标准偏差在训练和预测阶段。它可以清楚地发现,标准误差和平均误差率分支电流并联电池组的中间位置相对比gydF4y2Ba
BgydF4y2Ba5和gydF4y2Ba
BgydF4y2Ba1,这可能是由于这样的事实:电池的电流变化不是很锋利,如表所示gydF4y2Ba
1gydF4y2Ba。gydF4y2Ba
比较平行电池模块的性能。gydF4y2Ba
| 点的比较gydF4y2Ba |
电池最远从负载(gydF4y2Ba
BgydF4y2Ba5)(%)gydF4y2Ba |
电池在中间(gydF4y2Ba
BgydF4y2Ba3)(%)gydF4y2Ba |
电池最接近负载(gydF4y2Ba
BgydF4y2Ba1)(%)gydF4y2Ba |
|
培训gydF4y2Ba |
|
| 初分支电流的误差率gydF4y2Ba |
26.15gydF4y2Ba |
11.8gydF4y2Ba |
10.1gydF4y2Ba |
| 错误的比率分支电流放电结束时gydF4y2Ba |
1.22gydF4y2Ba |
1.89gydF4y2Ba |
4.89gydF4y2Ba |
| 分支的最大误差比率电流放电gydF4y2Ba |
41.45gydF4y2Ba |
11.8gydF4y2Ba |
30.5gydF4y2Ba |
| 的平均误差率分支电流放电gydF4y2Ba |
1.69gydF4y2Ba |
1.56gydF4y2Ba |
5。7gydF4y2Ba |
| 标准错误gydF4y2Ba |
3.07gydF4y2Ba |
1.16gydF4y2Ba |
7.1gydF4y2Ba |
|
|
预测gydF4y2Ba |
|
| 初分支电流的误差率gydF4y2Ba |
1.20gydF4y2Ba |
1.90gydF4y2Ba |
4.91gydF4y2Ba |
| 错误的比率分支电流放电结束时gydF4y2Ba |
12.6gydF4y2Ba |
35.1gydF4y2Ba |
1.2gydF4y2Ba |
| 分支的最大误差比率电流放电gydF4y2Ba |
22.6gydF4y2Ba |
35.1gydF4y2Ba |
5。9gydF4y2Ba |
| 的平均误差率分支电流放电gydF4y2Ba |
12.24gydF4y2Ba |
14.0gydF4y2Ba |
2.2gydF4y2Ba |
| 标准错误gydF4y2Ba |
6.54gydF4y2Ba |
9.9gydF4y2Ba |
1.7gydF4y2Ba |
此外,电池的平均误差和标准差接近负载端在同一水平的电池远离负载,但分支电流相对较大的最大误差比率在训练阶段。gydF4y2Ba
6。结论和未来的工作gydF4y2Ba
径向基函数(RBF)神经网络提出了基于鸽子蚁群优化预测并行电池的电流分布。模型结构可以优化RBF神经网络的参数。的竞争性能模型验证当前分支预测的任务并行的电池组。实验和预测结果证明是有效的,它提供了一个新的想法减少当前检测传感器并联电池组的投资。gydF4y2Ba
未来的工作可能是进一步优化鸽子的蚁群算法,进一步提高预测精度,优化提出PIO-RBF模型。除了应用程序并行分支电流预测的电池,该PIO-RBF网络有可能预测电力需求,预测风力发电和其他各种随机非线性动力和能源的任务,它提供了许多可能的方法塑造低碳能源的未来。gydF4y2Ba
数据可用性gydF4y2Ba
研究数据主要来自实验在这个手稿。gydF4y2Ba
的利益冲突gydF4y2Ba
作者宣称没有利益冲突。gydF4y2Ba
确认gydF4y2Ba
作者感谢金融支持商路Kong-Macao人机Intelligence-Synergy系统联合实验室(# 2019 b121205007),深圳市科技创新委员会(没有。ZDSYS20190902093209795),中国国家自然科学基金(没有。U1813222),广东的国家自然科学基金(2016号a030313177),广东前沿和关键技术创新(2017号b090910013),深圳市科技创新委员会(JCYJ20180507182239617 JCYJ20170818153048647号,和JCYJ2018050718223961),和浙江省自然科学基金批准号LY19F030011。gydF4y2Ba
[
LatifigydF4y2Ba
M。gydF4y2Ba
RastegarniagydF4y2Ba
一个。gydF4y2Ba
哈利利的gydF4y2Ba
一个。gydF4y2Ba
SaneigydF4y2Ba
年代。gydF4y2Ba
基于主体分散的最优充电策略插件电动汽车gydF4y2Ba
IEEE工业电子产品gydF4y2Ba
2019年gydF4y2Ba
66年gydF4y2Ba
5gydF4y2Ba
3668年gydF4y2Ba
3680年gydF4y2Ba
10.1109 / tie.2018.2853609gydF4y2Ba
2 - s2.0 - 85049984437gydF4y2Ba
]
[
HublergydF4y2Ba
一个。gydF4y2Ba
吴gydF4y2Ba
O。gydF4y2Ba
数码量子电池:能源和信息存储在nanovacuum管阵列gydF4y2Ba
复杂性gydF4y2Ba
2010年gydF4y2Ba
15gydF4y2Ba
48gydF4y2Ba
55gydF4y2Ba
10.1002 / cplx.20306gydF4y2Ba
2 - s2.0 - 77953521853gydF4y2Ba
]
[
熊gydF4y2Ba
R。gydF4y2Ba
段gydF4y2Ba
Y。gydF4y2Ba
曹gydF4y2Ba
J。gydF4y2Ba
余gydF4y2Ba
Q。gydF4y2Ba
电池和电容循环中的方法来验证一个实时的所有气候电动汽车电源管理方法gydF4y2Ba
应用能源gydF4y2Ba
2018年gydF4y2Ba
217年gydF4y2Ba
153年gydF4y2Ba
165年gydF4y2Ba
10.1016 / j.apenergy.2018.02.128gydF4y2Ba
2 - s2.0 - 85042870684gydF4y2Ba
]
[
KirbisgydF4y2Ba
G。gydF4y2Ba
SelcangydF4y2Ba
D。gydF4y2Ba
科斯gydF4y2Ba
M。gydF4y2Ba
KrambergergydF4y2Ba
我。gydF4y2Ba
高性能自主充电均衡串联连接电池gydF4y2Ba
IEEE航空航天和电子系统gydF4y2Ba
2019年gydF4y2Ba
55gydF4y2Ba
1gydF4y2Ba
95年gydF4y2Ba
107年gydF4y2Ba
10.1109 / taes.2018.2848343gydF4y2Ba
2 - s2.0 - 85048860003gydF4y2Ba
]
[
德gydF4y2Ba
M。gydF4y2Ba
李gydF4y2Ba
X。gydF4y2Ba
史gydF4y2Ba
Y。gydF4y2Ba
广义图之间的联系熵和能量图gydF4y2Ba
复杂性gydF4y2Ba
2015年gydF4y2Ba
21gydF4y2Ba
1gydF4y2Ba
35gydF4y2Ba
41gydF4y2Ba
10.1002 / cplx.21539gydF4y2Ba
2 - s2.0 - 84939245555gydF4y2Ba
]
[
吴gydF4y2Ba
M.-S。gydF4y2Ba
林gydF4y2Ba
彭译葶。gydF4y2Ba
王gydF4y2Ba
y y。gydF4y2Ba
王ydF4y2Ba
c c。gydF4y2Ba
杨gydF4y2Ba
c·R。gydF4y2Ba
数值模拟电池的放电行为串联或并联的电池组gydF4y2Ba
Electrochimica学报gydF4y2Ba
2006年gydF4y2Ba
52gydF4y2Ba
3gydF4y2Ba
1349年gydF4y2Ba
1357年gydF4y2Ba
10.1016 / j.electacta.2006.07.036gydF4y2Ba
2 - s2.0 - 33749525130gydF4y2Ba
]
[
DubarrygydF4y2Ba
M。gydF4y2Ba
DeviegydF4y2Ba
一个。gydF4y2Ba
LiawgydF4y2Ba
b . Y。gydF4y2Ba
Cell-balancing电流并联串电池系统gydF4y2Ba
能源杂志gydF4y2Ba
2016年gydF4y2Ba
321年gydF4y2Ba
36gydF4y2Ba
46gydF4y2Ba
10.1016 / j.jpowsour.2016.04.125gydF4y2Ba
2 - s2.0 - 84966400983gydF4y2Ba
]
[
史gydF4y2Ba
W。gydF4y2Ba
胡gydF4y2Ba
X。gydF4y2Ba
京ydF4y2Ba
C。gydF4y2Ba
江gydF4y2Ba
J。gydF4y2Ba
张gydF4y2Ba
Y。gydF4y2Ba
叫喊声gydF4y2Ba
T。gydF4y2Ba
不平衡电流的影响在大尺寸LiFePO 4 /石墨电池系统并行连接gydF4y2Ba
能源杂志gydF4y2Ba
2016年gydF4y2Ba
313年gydF4y2Ba
198年gydF4y2Ba
204年gydF4y2Ba
10.1016 / j.jpowsour.2016.02.087gydF4y2Ba
2 - s2.0 - 84964284803gydF4y2Ba
]
[
GrungydF4y2Ba
T。gydF4y2Ba
斯特拉gydF4y2Ba
K。gydF4y2Ba
劳伦斯赢得gydF4y2Ba
O。gydF4y2Ba
电路设计对载荷分布的影响和性能的锂离子电池并联光伏家庭存储系统gydF4y2Ba
杂志的能量储存gydF4y2Ba
2018年gydF4y2Ba
17gydF4y2Ba
367年gydF4y2Ba
382年gydF4y2Ba
10.1016 / j.est.2018.03.010gydF4y2Ba
2 - s2.0 - 85056620750gydF4y2Ba
]
[
AghababagydF4y2Ba
m P。gydF4y2Ba
部分的建模和控制一个复杂的非线性能量供需系统gydF4y2Ba
复杂性gydF4y2Ba
2015年gydF4y2Ba
20.gydF4y2Ba
6gydF4y2Ba
74年gydF4y2Ba
86年gydF4y2Ba
10.1002 / cplx.21533gydF4y2Ba
2 - s2.0 - 84936986564gydF4y2Ba
]
[
刘gydF4y2Ba
K。gydF4y2Ba
商gydF4y2Ba
Y。gydF4y2Ba
欧阳gydF4y2Ba
Q。gydF4y2Ba
WidanagegydF4y2Ba
w·D。gydF4y2Ba
数据驱动的方法与不确定性量化预测未来锂离子电池的能力和剩余使用寿命gydF4y2Ba
IEEE工业电子产品gydF4y2Ba
2021年gydF4y2Ba
68年gydF4y2Ba
4gydF4y2Ba
3170年gydF4y2Ba
10.1109 / TIE.2020.2973876gydF4y2Ba
]
[
刘gydF4y2Ba
K。gydF4y2Ba
胡gydF4y2Ba
X。gydF4y2Ba
魏gydF4y2Ba
Z。gydF4y2Ba
李gydF4y2Ba
Y。gydF4y2Ba
江gydF4y2Ba
Y。gydF4y2Ba
修改后的高斯过程回归模型预测锂离子电池的循环能力gydF4y2Ba
IEEE交通电气化gydF4y2Ba
2019年gydF4y2Ba
5gydF4y2Ba
4gydF4y2Ba
1225年gydF4y2Ba
1236年gydF4y2Ba
10.1109 / tte.2019.2944802gydF4y2Ba
2 - s2.0 - 85072778256gydF4y2Ba
]
[
品牌gydF4y2Ba
m·J。gydF4y2Ba
霍夫曼gydF4y2Ba
m . H。gydF4y2Ba
斯坦哈特gydF4y2Ba
M。gydF4y2Ba
舒斯特尔gydF4y2Ba
美国F。gydF4y2Ba
JossengydF4y2Ba
一个。gydF4y2Ba
并联电池内电流分布gydF4y2Ba
能源杂志gydF4y2Ba
2016年gydF4y2Ba
334年gydF4y2Ba
202年gydF4y2Ba
212年gydF4y2Ba
10.1016 / j.jpowsour.2016.10.010gydF4y2Ba
2 - s2.0 - 84991056842gydF4y2Ba
]
[
MiyatakegydF4y2Ba
年代。gydF4y2Ba
SusukigydF4y2Ba
Y。gydF4y2Ba
HikiharagydF4y2Ba
T。gydF4y2Ba
伊藤gydF4y2Ba
年代。gydF4y2Ba
田中gydF4y2Ba
K。gydF4y2Ba
与非均匀细胞放电特征的多单元的锂离子电池gydF4y2Ba
能源杂志gydF4y2Ba
2013年gydF4y2Ba
241年gydF4y2Ba
736年gydF4y2Ba
743年gydF4y2Ba
10.1016 / j.jpowsour.2013.05.179gydF4y2Ba
2 - s2.0 - 84889024940gydF4y2Ba
]
[
并gydF4y2Ba
T。gydF4y2Ba
马可gydF4y2Ba
J。gydF4y2Ba
建模和实验评估并行连接的锂离子电池电动汽车电池系统gydF4y2Ba
能源杂志gydF4y2Ba
2016年gydF4y2Ba
310年gydF4y2Ba
91年gydF4y2Ba
101年gydF4y2Ba
10.1016 / j.jpowsour.2016.01.001gydF4y2Ba
2 - s2.0 - 84957927802gydF4y2Ba
]