CN119538753B 电池组智能配对与集成优化方法、系统、设备及存储介质 (珠海市嘉德电能科技有限公司)_第1页
CN119538753B 电池组智能配对与集成优化方法、系统、设备及存储介质 (珠海市嘉德电能科技有限公司)_第2页
CN119538753B 电池组智能配对与集成优化方法、系统、设备及存储介质 (珠海市嘉德电能科技有限公司)_第3页
CN119538753B 电池组智能配对与集成优化方法、系统、设备及存储介质 (珠海市嘉德电能科技有限公司)_第4页
CN119538753B 电池组智能配对与集成优化方法、系统、设备及存储介质 (珠海市嘉德电能科技有限公司)_第5页
已阅读5页,还剩43页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

参数和所述下层充放电电流参数进行闭环控制2对电池组中的电池单体进行参数采集和正交特征提取,得到电池组正交参数特性矩将所述电池组正交参数特性矩阵输入遗传算法优化的卷积神经网络进行特征深度学基于所述电池组配对预测模型构建电池属性相似度图和电对所述电池组智能配对结构执行并行多种群粒子群优化计算,得到电将所述电池组优化配对方案输入分层模型预测控制器进行储能边界基于所述上层功率分配参数和所述下层充放电电流参数进对电池组中的电池单体进行多维度参数实时采集,得到电池单体原始所述电池单体原始数据矩阵进行噪声消除和异常值剔除运算,得到电池单体有效特征参对所述电池单体有效特征参数进行材料特性分析和参数关联度计算,对所述电池组目标正交参数进行荷电状态一致性计算、容量匹配度计对所述电池组标准化特征向量进行动态特征更新,得到电池组时序特征3将所述电池组正交参数特性矩阵按照时序划分为训练集和验证集,对卷积神经网络结构进行遗传算法编码,得到网络结构基因序列,其基于所述网络结构基因序列构建多层卷积神经网络,所述多层卷对所述特征提取网络的每个卷积模块添加批归一化层和dropout层,得到正则化特征对所述电池性能深层特征进行全连接层映射,所述全连接层将所述验证集输入所述初始配对预测模型进行交叉验证,得到将所述电池组配对预测模型输出的配对概率分布和电池性能深层特征进行节点映射,基于所述电池单体特征节点集计算节点间的相似将所述电池属性相似度图输入双图结构神经网络进行处理,所将所述节点表征特征输入图卷积层进行特征增强,到增强后的将所述结构对齐参数输入消息传递神经网络进行节点信息更新,将所述电池组智能配对结构中的电池性能参数和拓扑关系进行粒子编对所述初始种群位置矩阵进行子种群划分,每个子种群对应一组待配基于所述并行优化子种群构建多目标适应度函数,所述适应度函4将所述适应度计算模型输入子种群搜索模块,通过位置更新公式对所述种群迁移结果进行全局最优解更新,得到全局最优配对方案对所述上层功率分配参数和所述下层充放电电流参数基于所述功率与电流的映射关系矩阵进行双闭环控制和性能评价,得到性能监测矩基于所述性能监测矩阵进行实时优化控制,得到优化控制参数采集模块,用于对电池组中的电池单体进行参数采集和正交特征提取深度学习模块,用于将所述电池组正交参数特性矩阵输入构建模块,用于基于所述电池组配对预测模型构建电池属性相似度图和电池组拓扑分析模块,用于将所述电池组优化配对方案输入分层模型预8.一种电池组智能配对与集成优化设备,其特所述至少一个处理器调用所述存储器中的所述指令,以使得所述电池组智成优化设备执行如权利要求1_6中任一项所述的电池组智5一的配对策略难以满足动态工况下的性能需求。如何建立一套综合考虑电池性能特征提[0007]将所述电池组正交参数特性矩阵输入遗传算法优化的卷积神经网络进行特征深678通过双图结构对齐运算得到电池组智能配对9[0040]具体的,将电池组智能配对结构中的电池性能参数和拓扑关系进行粒子编码转方向与幅度。该编码方式能够直观地将电池配对问题转化为粒子群优化算法中的求解问[0041]步骤S500、将电池组优化配对方案输入分层模型预测控功率控制器的输出进行精确的电流调节,确保每个电池单体的运行状态保持在安全范围程通过分析功率分配策略与充放电电流之间的匹配程度,构建功率与电流的映射关系矩了电池单体性能特征的深度挖掘,克服了传统方法难以准确描述电池性能关联性的问题;[0047]对电池组中的电池单体进行多维度参数实时采集,得到并对电池单体原始数据矩阵进行噪声消除和异常值剔除运算,得到电池单体有效特征参[0055]则认为xij是异常值,其中μj和oj分别表示第j列数据的均值和标准差。经过这特征降维方法(如主成分分析PCA)提取目标正交参数。设降维后的正交参数矩阵为s(t)=[s,(t),s2(t),…=os(t-1)+e(t);[0066]T=AZ;[0072]对特征提取网络的每个卷积模块添加批归一化层和dropout层,得到正则化特征避免参数在数值范围上的差异对模型训练的影响,对Trrai因序列G=[kq,s4,p,n;…;ki,sl,p,n],其中k,是第层卷积核的尺寸,si是步;入。经过全连接层映射后,得到特征融合结果hin。基于融合特征,构建配对预测输出[0090]将电池组配对预测模型输出的配对概率分布和电池性能点映射。配对预测模型的输出包括每对电池单体之间的配对概率分布和电池性能深层f2,…,fl,其中表示第i和第j个电池单体成功配对的概率,f;是成电池属性相似度图G,=(,和.r能配对结构分析。通过分析节点嵌入的分布和关系,生成电池组智能配对结构矩阵,其中sij表示第i和第j个电池单体的最终配对评分。[0114]具体的,将电池组智能配对结构中的电池性能参数和拓扑关系进行粒子编码转粒子用一个位置向量和一个速度向量表示,其中位置向量x=[x7,x2,…,xl表示当前配对方案,是第i个电池单体的配对目标索引;速度向量v=[v,v2,…,vl表示配对[0115]f(x)=w·Consistency(x)+w2·SOC_Balance(x)+w3·Lifetime(x);[0118]其中,p;是与粒子xi配对[0131]基于功率分配策略构建上层控制优化目标,上层控制优化目标包括功率均衡系[0133]基于充放电调节策略构建下层控制优化目标,下层控制优化目标包括电流均衡和v分别是功率和电压的平均值,ni是第i个电池的效率。上层控制的输[0147]AI,(t)=Ifef(t)-I,(t);[0152]其中,o和[0155]基于功率与电流的映射关系矩阵进行双闭环控制和性能评价,得到性能监测矩plP;=V;I;;与电流在第j个时间步对第i个电池的动态关联。矩阵M的构建过程确保上层和下层控制参[0160]AP,=P;-V,I,;[0163]其中是系统的总功率需求;电流闭环的目标是使电池单体的实际电流I,与[0164]AI,=Ifef-I,;[0181]本实施例中,基于上层功率分配参数和下层充放电电流[0182]请参阅图2,图2为本申请实施例提供的电池组智能配对与集成优化系统200的结[0184]深度学习模块220,用于将电池组正交参数特性矩阵输入遗传算法优化的卷积神[0185]构建模块230,用于基于电池组配对预测模型构建电池属性相似度图和电池组拓[0187]分析模块250,用于将电池组优化配对方案输入分层模型预测控制器进行储能边[0188]闭环控制模块260,用于基于上层功率分配参数和下层充放电电流参数进行闭环[0190]请参阅图3,图3为本申请实施例提供的电池组智能配对与集成优化设备300的结构示意性框图,电池组智能配对与集成优化设备300包括处理器301和存储器302,处理器[0192]处理器301用于提供计算和控制能力,支撑整个电池组智能配对与集成优化设备体的电池组智能配对与集成优化设备300可以包括比图中所示更多或更少的部件,或者组[0195]应当理解的是,处理器301可以是中央处理单元(CentralProcessingUnit,CPU该处理器301还可以是其他通用处理器、数字信号处理器(DigitalSignal上述描述的电池组智能配对与集成优化设备300的具体工作过程,可以参考前述

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论