基于VPGA-GPR算法的铅酸蓄电池SOH估计方法与流程

基于vpga-gpr算法的铅酸蓄电池soh估计方法
技术领域
[0001]
本发明属于配电网在运储能设备运行状态评估技术领域，涉及铅酸蓄电池soh估计方法，尤其是一种基于变概率遗传算法(variable probability genetic algorithm,vpga)-高斯过程回归(gaussian process regression,gpr)的铅酸蓄电池soh估计方法。


背景技术：

[0002]
铅酸电池储能系统在电动汽车工业具有广泛的用途。它价格低廉、比功率大、技术相对成熟，目前仍广泛应用于供电系统的不间断电源和大型光伏电站中，是供电持续性和稳定性的重要保障。铅酸蓄电池的健康状态(state of health,soh)是电池性能的重要反映指标和电池管理系统(battery management system,bms)的重要因素。目前针对铅酸蓄电池soh估计的研究较少，主要包括基于蓄电池机理的方法和基于数据驱动的方法，前者需要建立复杂的理化模型，估计精度较差。后者主要有：相关向量机(relevance vector machine,rvm),人工神经网络(artificial neural network,ann)等，它们需要大量的数据作为训练集，计算负担较大；且模型的泛化和非线性逼近能力较弱，同时训练误差容易陷入局部最优解。


技术实现要素：

[0003]
本发明的目的在于克服现有技术的不足，提出一种基于vpga-gpr算法的铅酸蓄电池soh估计方法，能够快速搜索到训练误差函数的高质量解，从而建立更为精准的高斯过程回归模型，提高其回归性能和预测能力。
[0004]
本发明解决其现实问题是采取以下技术方案实现的：
[0005]
一种基于变概率遗传算法-高斯过程回归的铅酸蓄电池soh估计方法，包括以下步骤：
[0006]
步骤1、对铅酸蓄电池做容量衰减实验，记录电池实际容量随循环次数的变化关系，以及充电阶段恒压充电和恒流充电的时间；
[0007]
步骤2、基于步骤1的试验结果，确定对铅酸蓄电池soh影响显著的因素，建立高斯过程回归模型；
[0008]
步骤3、通过变概率遗传算法优化优化步骤2所建立的高斯过程回归模型的目标函数，对铅酸蓄电池soh进行估计。
[0009]
而且，所述步骤1的具体方法为：首先对铅酸蓄电池进行循环充放电实验，充电为阶段充电，既先恒流充电，达到充电截止电压后，保持为恒压充电，直到充电电流降到规定值以下；放电采用恒流放电，同时记录端电压电流数据来计算实际容量，进过多次循环充放电实验，记录电池实际容量随循环次数的变化关系,以及充电阶段恒压充电和恒流充电的时间。
[0010]
而且，所述步骤2的具体方法为：
[0011]
将蓄电池容量序列为回归模型输出{x0(k)}，t1,t2,t3序列：{x
i
(k)},i＝1,2,3为回
归输入，k＝1,2...m,m为样本数量，用下式计算输入输出间的关联性:
[0012][0013]
上式中，t总充电时间、t1恒压充电时间和t2恒流充电时间；
[0014]
结果表明恒压充电时间的灰色关联度最高，故建立恒压充电时间和电池容量的高斯过程回归模型。
[0015]
而且，所述步骤3的具体步骤包括：
[0016]
(1)将所有数据点(x2(k),x0(k)),k＝1,2...m分为互斥的训练集和独立测试集，对于训练集，进行k折交叉检验，将其分为互斥的k组，其中依次取其中的一份为验证集，其余k-1组为训练集，训练gpr模型。gpr模型的核函数选取平方指数核函数，如下式所示，核函数个数为3个，分别是σ
p
,l,σ
n
[0017][0018]
训练的过程就是通过变概率遗传算法vpga来优化如下所示目标函数，既验证集的实际输出和预测输出的方均根值最小：
[0019][0020]
(2)实施vpga：
[0021]
初始化n个三维随机向量，每个向量包含gpr核函数的超参数信息，既第i个随机向量为(δ
ip
,l
i
,δ
in
)，称为一个个体；适应度值f选取(3)式；分别代入式(3)中计算适应度值，根据轮盘赌的方法确定选取父代个体，既适应度越高的个体被选取的几率越大；用如下公式计算交叉概率和变异概率，对选出的父代个体进行交叉操作，对产生的子代进行变异操作：
[0022][0023]
采用精英保存策略，保存上一代最优的m个个体，来替换下一代的最差的m个个体，m按照下式确定：
[0024][0025]
重复以上交叉变异操作和精英保存策略，知道最优适应度值连续数代不再发生明显变化；
[0026]
(3)选取k轮训练中最优的一组结果作为gpr的超参数输出，作为对铅酸蓄电池soh估计结果。
[0027]
本发明的优点和有益效果：
[0028]
1、本发明采用高斯过程回归(gpr)，具有非线性泛化能力强、所需数据点少精度高的特点，适合用于电池健康状态的监测和评估。其超参数的确定算法：变概率遗传算法(vpga)具有较好的全局寻优特性和局部微调能力，对适应度变化的响应速度较快，可以较快搜索到训练误差函数的高质量解，从而建立更为精准的高斯过程回归模型，提高其回归性能和预测能力。
[0029]
2、本发明采用变概率遗传算法(vpga)-高斯过程回归(gpr)进行soh估计的最大误差低于2％,同时每次训练验证的平均计算时间小于3s,能够满足实时性的需要，适合铅酸蓄电池的soh在线监测。
附图说明
[0030]
图1为本发明的vpga-gpr算法流程图；
[0031]
图2(a)为本发明的训练集1的估计效果图；
[0032]
图2(b)为本发明的训练集2的估计效果图；
[0033]
图2(c)为本发明的训练集3的估计效果图；
[0034]
图2(d)为本发明的训练集4的估计效果图；
[0035]
图3(a)为本发明的独立测试集中铅酸蓄电池soh估计效果图；
[0036]
图3(b)为本发明的独立测试集中铅酸蓄电池soh估计误差百分比图。
具体实施方式
[0037]
以下结合附图对本发明实施例作进一步详述：
[0038]
一种基于变概率遗传算法-高斯过程回归的铅酸蓄电池soh估计方法，如图1所示，包括以下步骤：
[0039]
步骤1、对铅酸蓄电池做容量衰减实验，记录电池实际容量随循环次数的变化关系，以及充电阶段恒压充电和恒流充电的时间；
[0040]
所述步骤1的具体方法为：首先对铅酸蓄电池进行循环充放电实验，充电为阶段充电，既先恒流充电，达到充电截止电压后，保持为恒压充电，直到充电电流降到规定值以下；放电采用恒流放电，同时记录端电压电流数据来计算实际容量，进过多次循环充放电实验，记录电池实际容量随循环次数的变化关系,以及充电阶段恒压充电和恒流充电的时间。
[0041]
步骤2、基于步骤1的试验结果，确定对铅酸蓄电池soh影响显著的因素，建立高斯过程回归模型；
[0042]
所述步骤2的具体方法为：
[0043]
通过分析充电过程可知，随着循环次数的增加和电池容量的衰减，总充电时间t、恒压充电时间t1和恒流充电时间t2明显减小，表现出良好的相关性。将蓄电池容量序列为回归模型输出{x0(k)}，t1,t2,t3序列：{x
i
(k)},i＝1,2,3为回归输入，k＝1,2...m,m为样本数量。用(1)式计算输入输出间的关联性:
[0044][0045]
灰色关联度结果如表1所示：
[0046]
表1
[0047][0048]
结果表明恒压充电时间的灰色关联度最高，故建立恒压充电时间和电池容量的回归模型。
[0049]
步骤3、通过变概率遗传算法优化优化步骤2所建立的高斯过程回归模型的目标函数，对铅酸蓄电池soh进行估计。
[0050]
所述步骤3的具体步骤包括：
[0051]
(3)将所有数据点(x2(k),x0(k)),k＝1,2...m分为互斥的训练集和独立测试集，对于训练集，进行k折交叉检验，将其分为互斥的k组，其中依次取其中的一份为验证集，其余k-1组为训练集，训练gpr模型。gpr模型的核函数选取平方指数核函数，如(2)所示，核函数个数为3个，分别是σ
p
,l,σ
n
[0052][0053]
训练的过程就是通过变概率遗传算法(vpga)来优化目标函数(3)，既验证集的实际输出和预测输出的方均根值最小。
[0054][0055]
(4)vpga的实施方法为，初始化n个三维随机向量，每个向量包含gpr核函数的超参数信息，既第i个随机向量为(δ
ip
,l
i
,δ
in
)，称为一个个体。适应度值f选取(3)式。分别代入式(3)中计算适应度值，根据轮盘赌的方法确定选取父代个体，既适应度越高的个体被选取的几率越大。用(4)式计算交叉概率和变异概率，对选出的父代个体进行交叉操作，对产生的子代进行变异操作。
[0056][0057]
采用精英保存策略，保存上一代最优的m个个体，来替换下一代的最差的m个个体，m按照(5)式确定。
[0058][0059]
重复以上交叉变异操作和精英保存策略，知道最优适应度值连续数代不再发生明显变化。vpga算法流程图如图1所示。
[0060]
(3)选取k轮训练中最优的一组结果作为gpr的超参数输出。本次实验中k＝4，各训练集的训练效果如图2(a)-(d)所示。并将建立的gpr模型用于独立测试集的预测，将预测值与真实值对比,来检验基于变概率遗传算法-高斯过程(vpga-gpr)的铅酸蓄电池soh估计方法的有效性。独立测试集的预测效果曲线和预测误差百分比如图3(a)-(b)所示。
[0061]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。