小说Pigeon-Inspired优化RBF模型并行分支预测电池

文摘

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。

1。介绍

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(1,2]。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(3]。

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。

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(4,5]。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。

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6)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(7- - - - - -10),预测未来的能力,和剩余使用寿命11,12]。

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。13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(14]。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15)采用建模和实验方法的评价并联电动汽车锂离子电池。

本文的其余部分组织如下。部分2介绍了径向基函数神经网络的预赛和pigeon-inspired优化。部分3介绍了pigeon-inspired优化优化的径向基函数神经网络(PIO-RBF)。部分4给出了实验装置。部分5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6。

2。预赛

2.1。径向基函数神经网络

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1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。

如果RBF神经网络的输入层n源节点的信息,输入层可以表示为x₁,x₂、…x_n]^T。在隐藏层,选择高斯函数作为径向基函数,表示为 在哪里欧几里得范数,的基函数中心吗我th隐层的节点,c的基函数的宽度吗我th节点层,的基函数的宽度吗我th节点层。

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k输出节点,jth RBF神经网络的输出可以表示为

在上面的公式中,连接的重量吗我th隐藏层节点jth输出层;Y的节点值吗jth输出层。

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C_我隐层基函数,隐层节点的宽度σ_我和重量系数W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。

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[一个,b)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。 在哪里 , ,和在输入层的节点数,隐藏层和输出层的RBF神经网络,分别。

2.2。Pigeon-Inspired优化

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。(1)地图和指南针运营商。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。(2)具有里程碑意义的运营商。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。基于地磁场的映射模型。和代表的位置和速度我分别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V_我和位置XgydF4y2Ba_我在真正的时间:

的速度我th鸽子是由上一代的速度和当前鸽子的最佳位置。R是一个地图因素,兰德是一个随机数,然后呢t是一个代数;的位置我th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Xg。各种鸽子就调整方向和飞行的鸽子最好的位置根据(4),(5)将调整其位置。

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,N_p用于记录一半鸽子的数量在每一代,然后呢XgydF4y2Ba_c(t)是中央位置的鸽子的一代t。如果各种鸽子飞直线距离目的地,将获得以下公式:

在上面的方程中,的质量是鸽子,方程(9)是最小的优化问题,方程(10)是最大的优化问题。

3所示。提出了PIO优化的RBF神经网络

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1)(算法1)。

4所示。实验

4.1。实验电池

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μπι和12-20阳极箔厚度μπι;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 mlipf₆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。

4.2。实验系统

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₄/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2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。

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。

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。

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。

5。当前分支预测的案例研究

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。

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3;和当前的错误场景如图4。

它可以清楚地观察到在图4PIO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。

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B5和B1,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1。

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。

6。结论和未来的工作

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。

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。

数据可用性

研究数据主要来自实验在这个手稿。

的利益冲突

作者宣称没有利益冲突。

确认

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。

引用

1. a·哈利利的m . Latifi a Rastegarnia, s . Sanei“基于主体分散优化插件电动汽车充电策略,”IEEE工业电子产品,卷66,不。5,3668 - 3680年,2019页。视图:出版商的网站|谷歌学术搜索
2. a . Hubler o . Wu,“数字量子电池:能源和信息存储在nanovacuum管阵列,”复杂性15卷,48-55,2010页。视图:出版商的网站|谷歌学术搜索
3. r·熊y段,j .曹,问:,“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,“应用能源卷,217年,第165 - 153页,2018年。视图:出版商的网站|谷歌学术搜索
4. g . Kirbis d . Selcan m .科斯,Kramberger,“高性能自主充电均衡串联连接电池,”IEEE航空航天和电子系统,55卷,不。1,第107 - 95页,2019。视图:出版商的网站|谷歌学术搜索
5. m·德、李x和y,“广义熵图和图能量之间的联系。”复杂性,21卷,不。1,35-41,2015页。视图:出版商的网站|谷歌学术搜索
6. M.-S。吴,彭译葶。林,y y。王,c c。湾,c·r·杨“放电行为的数值模拟电池串联或并联的电池组,”Electrochimica学报,52卷,不。3、1349 - 1357年,2006页。视图:出版商的网站|谷歌学术搜索
7. m . Dubarry a Devie, b . y . Liaw”Cell-balancing电流并联串电池系统中,“能源杂志卷。321年,36-46,2016页。视图:出版商的网站|谷歌学术搜索
8. w·史,x, c .金j .江y,和t . Yip”不平衡电流的影响在巨幅LiFePO 4 /石墨电池系统并行连接,”能源杂志卷,313年,第204 - 198页,2016年。视图:出版商的网站|谷歌学术搜索
9. t . Grun、k·斯特拉和o .劳伦斯赢得“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”杂志的能量储存,17卷,第382 - 367页,2018年。视图:出版商的网站|谷歌学术搜索
10. m·p·Aghababa”部分建模和控制一个复杂的非线性能量供需系统,”复杂性,20卷,不。6,74 - 86年,2015页。视图:出版商的网站|谷歌学术搜索
11. y . k . Liu商、问:欧阳和w·d·Widanage“数据驱动的方法与不确定性量化预测未来能力和剩余使用寿命的锂离子电池,”IEEE工业电子产品,卷68,不。4 p。3170年,2021年。视图:出版商的网站|谷歌学术搜索
12. k . Liu x, z, y, y江,”修改后的高斯过程回归模型预测锂离子电池的循环能力,”IEEE交通电气化,5卷,不。4、1225 - 1236年,2019页。视图:出版商的网站|谷歌学术搜索
13. m . j .品牌,m·h·霍夫曼m·斯坦哈特s . f .舒斯特尔和a . Jossen“并联电池内电流分布,能源杂志卷,334年,第212 - 202页,2016年。视图:出版商的网站|谷歌学术搜索
14. s . Miyatake y Susuki, t . Hikihara s .伊藤和k .田中,“多单元的锂离子电池的放电特征与非均匀的细胞,”能源杂志卷,241年,第743 - 736页,2013年。视图:出版商的网站|谷歌学术搜索
15. t并和j·马可造型和实验评估并行连接的锂离子电池电动汽车电池系统,”能源杂志卷,310年,第101 - 91页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Yanhui Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。