可左右滑动选省市

一种混合电容器功率状态在线估计模型的构建方法及应用

更新时间:2024-07-03
一种混合电容器功率状态在线估计模型的构建方法及应用 专利申请类型:发明专利;
地区:湖北-武汉;
源自:武汉高价值专利检索信息库;

专利名称:一种混合电容器功率状态在线估计模型的构建方法及应用

专利类型:发明专利

专利申请号:CN202111490043.9

专利申请(专利权)人:华中科技大学
权利人地址:湖北省武汉市洪山区珞喻路1037号

专利发明(设计)人:王康丽,陈文欣,蒋凯,石琼林,徐成

专利摘要:本发明公开了一种混合电容器功率状态在线估计模型的构建方法及应用,属于混合电容器应用技术领域,采用数据驱动的方式训练得到混合电容器功率状态在线估计模型,用于混合电容器功率状态的在线估计;在训练之前,将训练样本集按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量,并分别计算各数据向量与标签向量的相关性,将选择与峰值功率相关性最大的若干个影响因素作为在线估计模型的输入;该方法无需对混合电容器内部反应过程的电化学机理作深入分析,仅需借助大量数据分析建立功率状态估计模型,不仅能够降低计算过程的复杂度,还能够减少过拟合的风险,能够以较低的计算复杂度实现混合电容器功率状态在线精确估计。

主权利要求:
1.一种混合电容器功率状态在线估计模型的构建方法,其特征在于,包括以下步骤:
S1、获取混合电容器不同工况、不同时刻下的多组样本数据,及各组样本数据所对应的峰值功率,构成训练样本集;其中,每组样本数据均包括混合电容器的电压、电流、荷电状态以及以峰值功率持续充放电的时间ΔT;
S2、将所述训练样本集按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量;分别计算各数据向量与标签向量的相关性,并将相关性较大的前N个数据向量所对应的类型作为最佳类型;N为正整数;
S3、对所述训练样本集中的样本数据进行筛选,保留最佳类型的样本数据;
S4、将步骤S3所得的训练样本集输入到机器学习模型中进行训练,得到混合电容器功率状态在线估计模型;
所述步骤S1中的训练样本集的采集方法包括采集不同电压、电流、荷电状态以及以峰值功率持续充放电时间ΔT下的峰值功率,具体包括:当混合电容器的持续峰值充电电流的绝对值大于或等于最大持续充电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续充电电流;在混合电容器的动态工况中等间隔地插入第一正负对称脉冲;所述第一正负对称脉冲的负脉冲先于正脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将所述第一正负对称脉冲的下降沿时刻记为时刻k,在时刻k到k+ΔT时间段内,判断混合电容器的当前充电电压是否达到充电截止电压,若达到,则将混合电容器控制在恒压充电模式;在这个过程中,采集时刻k下的荷电状态,并得到时刻k下的持续峰值充电功率为时刻k+q下混合
电容器的充电功率; 为时刻k+q下混合电容器的充电端电压; 为时刻k+q下混合电容器的充电电流;
当混合电容器的持续峰值放电电流的绝对值大于或等于最大持续放电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续放电电流;在混合电容器的动态工况中等间隔地插入第二正负对称脉冲;所述第二正负对称脉冲的正脉冲先于负脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将所述第二正负对称脉冲的上升沿时刻记为时刻t,在时刻t到t+ΔT时间段内,判断混合电容器的当前放电电压是否达到放电截止电压,若达到,则将混合电容器控制在恒压放电模式;在这个过程中,采集时刻t下的荷电状态,并得到时刻t下的持续峰值放电功率为时刻t+q下混合电
容器的放电功率; 为时刻t+q下混合电容器的放电端电压; 为时刻t+q下混合电容器的放电电流;
当混合电容器的持续峰值充电电流的绝对值小于最大持续充电电流的绝对值时,执行以下步骤:1)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流充电,并记cha cha录充电结束后的端电压U ;此时混合电容器以峰值功率持续充电的时间为ΔT;2)若U 大于充电截止电压 则将混合电容器重新放电至上述荷电状态SOC,增大充电电流I,转cha至步骤1);若U 小于充电截止电压 则将混合电容器重新放电至上述荷电状态SOC,cha减小充电电流I,转至步骤1);若U 等于充电截止电压 则计算该时刻的持续峰值充电功率为: 在不同荷电状态SOC下按照步骤1)‑2)进行操作,得到不同荷电状态SOC下的持续峰值充电功率;
当混合电容器的持续峰值放电电流的绝对值小于最大持续放电电流的绝对值时,执行以下步骤:a)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流放电,并记dis dis录放电结束后的端电压U ;此时混合电容器以峰值功率持续放电的时间为ΔT;b)若U 大于放电截止电压 则将混合电容器重新充电至上述荷电状态SOC,增大放电电流I,转dis至步骤a);若U 小于放电截止电压 则将混合电容器重新充电至上述荷电状态SOC,dis减小放电电流I,转至步骤a);若U 等于放电截止电压 则计算该时刻的持续峰值放电功率为: 在不同荷电状态SOC下按照步骤a)‑b)进行操作,得到不同荷电状态SOC下的持续峰值充电功率。
2.根据权利要求1所述的混合电容器功率状态在线估计模型的构建方法,其特征在于,混合电容器的所述持续峰值充电电流和所述持续峰值放电电流的获取方法,包括:获取混合电容器的等效电路模型;混合电容器等效电路模型包括可变电容、欧姆内阻以及多个串联的RC电路;混合电容器等效电路模型的状态空间方程表示为:其中,I为负载电流;C0为可变电容;Ri为第i个RC电路的电阻;Ci为第i个RC电路的电容;
R0为欧姆内阻;UC0和URCi分别是可变电容C0的电压和第i个RC电路的电压,i=1,2,3,…,n;U为混合电容器的端电压; 表示对时间的微分;
基于混合电容器的等效电路模型计算混合电容器的持续峰值充电电流和持续峰值放电电流;具体地,k时刻的持续峰值充电电流 和持续峰值放电电流 分别为:T为采样次数;Δt为采样周期;T×Δt=ΔT;UC0,k是k时刻可变电容C0的电压;URCi,k是k时刻第i个RC电路的电压; 是放电截止电压; 是充电截止电压。
3.根据权利要求1‑2任意一项所述的混合电容器功率状态在线估计模型的构建方法,其特征在于,计算数据向量与标签向量的最大信息系数,得到数据向量与标签向量的相关性。
4.根据权利要求1‑2任意一项所述的混合电容器功率状态在线估计模型的构建方法,其特征在于,还包括,位于所述步骤S3和所述步骤S4之间的步骤S5;所述步骤S5包括:对新的训练样本集中的样本数据进行归一化。
5.一种混合电容器功率状态在线估计模型构建系统,其特征在于,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行权利要求1‑4任意一项所述的混合电容器功率状态在线估计模型的构建方法。
6.一种混合电容器功率状态在线估计方法,其特征在于,包括:将混合电容器当前时刻下的样本数据输入到混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率;
其中,所述混合电容器功率状态在线估计模型基于权利要求1‑4任意一项所述的混合电容器功率状态在线估计模型的构建方法构建得到;所述样本数据的类型为执行权利要求
1‑4任意一项所述的混合电容器功率状态在线估计模型的构建方法的步骤S1‑S2所得到的最佳类型。
7.根据权利要求6所述的混合电容器功率状态在线估计方法,其特征在于,将混合电容器当前时刻下的样本数据归一化后,输入到所述混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率。
8.一种混合电容器功率状态在线估计系统,其特征在于,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行权利要求6‑7任意一项所述的混合电容器功率状态在线估计方法。
9.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1‑4任意一项所述的混合电容器功率状态在线估计模型的构建方法和/或权利要求6‑7任意一项所述的混合电容器功率状态在线估计方法。 说明书 : 一种混合电容器功率状态在线估计模型的构建方法及应用技术领域[0001] 本发明属于混合电容器应用技术领域,更具体地,涉及一种混合电容器功率状态在线估计模型的构建方法及应用。背景技术[0002] 混合电容器是一种介于超级电容器和电池之间的新型储能元件。与超级电容器相比,其具有更高的能量密度;与电池相比,其具有更高的功率密度和循环寿命。精确可靠的功率状态估计对混合电容器的安全运行起到了至关重要的作用。[0003] 常用的功率状态估计多为基于模型的方法,如CN112580289A公开了一种混合电容器功率状态在线估计方法及系统。该方法利用带遗忘因子的递推增广最小二乘法在线辨识等效电路模型的参数,可以对混合电容器的瞬时峰值功率和持续峰值功率进行实时估计。与离线功率状态估计方法相比,能够实现模型参数的在线更新,提高混合电容器功率状态估计的精度。然而上述方法本质上还是依赖于模型,计算量较大,且如果模型本身误差较大或是由于不确定因素的影响造成了较大误差,就会使得混合电容器功率状态估计精度下降,精确性和可靠性较低。发明内容[0004] 针对现有技术的以上缺陷或改进需求,本发明提供一种混合电容器功率状态在线估计模型的构建方法及应用,用以解决现有技术计算复杂度较高、且精确性较低的技术问题。[0005] 为了实现上述目的,第一方面,本发明提供了一种混合电容器功率状态在线估计模型的构建方法,包括以下步骤:[0006] S1、获取混合电容器不同工况、不同时刻下的多组样本数据,及各组样本数据所对应的峰值功率,构成训练样本集;其中,每组样本数据均包括混合电容器的电压、电流、荷电状态以及以峰值功率持续充放电的时间ΔT;[0007] S2、将训练样本集按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量;分别计算各数据向量与标签向量的相关性,并将相关性较大的前N个数据向量所对应的类型作为最佳类型;N为正整数;[0008] S3、对训练样本集中的样本数据进行筛选,保留最佳类型的样本数据;[0009] S4、将步骤S3所得的训练样本集输入到机器学习模型中进行训练,得到混合电容器功率状态在线估计模型。[0010] 进一步优选地,计算数据向量与标签向量的最大信息系数,得到数据向量与标签向量的相关性。[0011] 进一步优选地,训练样本集的采集方法包括采集不同电压、电流、荷电状态以及以峰值功率持续充放电时间ΔT下的峰值功率,具体包括:[0012] 当混合电容器的持续峰值充电电流的绝对值大于或等于最大持续充电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续充电电流;在混合电容器的动态工况中等间隔地插入第一正负对称脉冲;第一正负对称脉冲的负脉冲先于正脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将第一正负对称脉冲的下降沿时刻记为时刻k,在时刻k到k+ΔT时间段内,判断混合电容器的当前充电电压是否达到充电截止电压,若达到,则将混合电容器控制在恒压充电模式;在这个过程中,采集时刻k下的荷电状态,并得到时刻k下的持续峰值充电功率为时刻k+q下混合电容器的充电功率; 为时刻k+q下混合电容器的充电端电压; 为时刻k+q下混合电容器的充电电流;[0013] 当混合电容器的持续峰值放电电流的绝对值大于或等于最大持续放电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续放电电流;在混合电容器的动态工况中等间隔地插入第二正负对称脉冲;第二正负对称脉冲的正脉冲先于负脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将第二正负对称脉冲的上升沿时刻记为时刻t,在时刻t到t+ΔT时间段内,判断混合电容器的当前放电电压是否达到放电截止电压,若达到,则将混合电容器控制在恒压放电模式;在这个过程中,采集时刻t下的荷电状态,并得到时刻t下的持续峰值放电功率为时刻t+q下混合电容器的放电功率; 为时刻t+q下混合电容器的放电端电压; 为时刻t+q下混合电容器的放电电流;[0014] 当混合电容器的持续峰值充电电流的绝对值小于最大持续充电电流的绝对值时,执行以下步骤:1)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流充电,cha并记录充电结束后的端电压U ;此时混合电容器以峰值功率持续充电的时间为ΔT;2)若chaU 大于充电截止电压 则将混合电容器重新放电至上述荷电状态SOC,增大充电电流chaI,转至步骤1);若U 小于充电截止电压 则将混合电容器重新放电至上述荷电状态chaSOC,减小充电电流I,转至步骤1);若U 等于充电截止电压 则计算该时刻的持续峰值充电功率为: 在不同荷电状态SOC下按照步骤1)‑2)进行操作,得到不同荷电状态SOC下的持续峰值充电功率;[0015] 当混合电容器的持续峰值放电电流的绝对值小于最大持续放电电流的绝对值时,执行以下步骤:a)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流放电,dis并记录放电结束后的端电压U ;此时混合电容器以峰值功率持续放电的时间为ΔT;b)若disU 大于放电截止电压 则将混合电容器重新充电至上述荷电状态SOC,增大放电电流disI,转至步骤a);若U 小于放电截止电压 则将混合电容器重新充电至上述荷电状态disSOC,减小放电电流I,转至步骤a);若U 等于放电截止电压 则计算该时刻的持续峰值放电功率为: 在不同荷电状态SOC下按照步骤a)‑b)进行操作,得到不同荷电状态SOC下的持续峰值充电功率。[0016] 进一步优选地,混合电容器的持续峰值充电电流和持续峰值放电电流的获取方法,包括:[0017] 获取混合电容器的等效电路模型;混合电容器等效电路模型包括可变电容、欧姆内阻以及多个串联的RC电路;混合电容器等效电路模型的状态空间方程表示为:[0018][0019] 其中,I为负载电流(放电为正,充电为负);C0为可变电容;Ri为第i个RC电路的电阻;Ci为第i个RC电路的电容;R0为欧姆内阻;UC0和URCi分别是可变电容C0的电压和第i个RC电路的电压,i=1,2,3,…,n;U为混合电容器的端电压; 表示对时间的微分;[0020] 基于混合电容器的等效电路模型计算混合电容器的持续峰值充电电流和持续峰值放电电流;具体地,k时刻持续峰值充电电流 和持续峰值放电电流 分别为:[0021][0022] T为采样次数;Δt为采样周期;T×Δt=ΔT;UC0,k是k时刻可变电容C0的电压;URCi,k是k时刻第i个RC电路的电压; 是放电截止电压; 是充电截止电压。[0023] 进一步优选地,混合电容器功率状态在线估计模型的构建方法,还包括,位于步骤S3和S4之间的步骤S5;[0024] 步骤S5包括:对新的训练样本集中的样本数据进行归一化。[0025] 第二方面,本发明提供了一种混合电容器功率状态在线估计方法,包括:[0026] 将混合电容器当前时刻下的样本数据输入到混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率;[0027] 其中,混合电容器功率状态在线估计模型基于第一方面所提供的混合电容器功率状态在线估计模型的构建方法构建得到;样本数据的类型为执行第一方面所提供的混合电容器功率状态在线估计模型的构建方法中的步骤S1‑S2所得到的最佳类型。[0028] 进一步优选地,将混合电容器当前时刻下的样本数据归一化后,输入到混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率。[0029] 第三方面,本发明提供了一种混合电容器功率状态在线估计模型构建系统,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行本发明第一方面所提供的混合电容器功率状态在线估计模型的构建方法。[0030] 第四方面,本发明提供了一种混合电容器功率状态在线估计系统,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行本发明第二发明所提供的混合电容器功率状态在线估计方法。[0031] 第五方面,本发明还提供了一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现本发明第一方面所提供的混合电容器功率状态在线估计模型的构建方法和/或本发明第二方面所提供的混合电容器功率状态在线估计方法。[0032] 总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:[0033] 1、本发明提供了一种混合电容器功率状态在线估计模型的构建方法,采用数据驱动的方式训练得到混合电容器功率状态在线估计模型,用于混合电容器功率状态的在线估计;在训练之前,将训练样本集按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量,并分别计算各数据向量与标签向量的相关性,将选择与峰值功率相关性最大的若干个影响因素作为在线估计模型的输入;该方法不仅能够降低计算过程的复杂度,还能够减少过拟合的风险,能够以较低的计算复杂度实现混合电容器功率状态在线精确估计。[0034] 2、本发明所提供的混合电容器功率状态在线估计模型的构建方法中,在采集训练样本集时,提出了真值脉冲法和恒流测试法两种实验采集方法;当混合电容器的持续峰值电流的绝对值大于或等于最大持续电流的绝对值时,采用真值脉冲法来获得峰值功率的真实值;当混合电容器的持续峰值电流的绝对值小于最大持续电流的绝对值时,采用恒流测试法来获得峰值功率的真实值。与现有测试方法相比,该测试方法不仅能够降低实验过程的复杂度,还能得到精确较高的实验结果。[0035] 3、本发明提供了一种混合电容器功率状态在线估计方法,采用上述混合电容器功率状态在线估计模型的构建方法构建得到的模型进行功率状态的在线估计,该方法基于数据驱动,无需对混合电容器内部反应过程的电化学机理作深入分析,仅需借助基于大量数据分析建立的功率状态估计模型,是一种快速的、可靠的且精度高的在线估计方法。附图说明[0036] 图1为本发明第一方面提供的混合电容器功率状态在线估计模型的构建方法流程图;[0037] 图2为本发明实施例提供的基于数据驱动的混合电容器功率状态在线估计方法流程图;[0038] 图3为本发明实施例提供的混合电容器在DST工况下的测试曲线图;其中,(a)为DST工况下混合电容器的电流曲线;(b)为DST工况下混合电容器的电压曲线;[0039] 图4为本发明实施例提供的BP神经网络拓扑示意图;[0040] 图5为本发明实施例提供的不同隐含层节点数BP神经网络在DST工况下的预测结果平均绝对误差示意图;[0041] 图6为本发明实施例提供的BP神经网络在DST工况下的峰值功率的预测结果示意图;[0042] 图7为本发明实施例提供的BP神经网络在DST工况下的峰值功率的预测误差示意图;[0043] 图8为本发明实施例提供的混合电容器在FUDS工况下的测试曲线图;其中,(a)为FUDS工况下混合电容器的电流曲线;(b)为FUDS工况下混合电容器的电压曲线;[0044] 图9为本发明实施例提供的BP神经网络在FUDS工况下的预测结果示意图;其中,(a)为持续时间为30s时的峰值放电功率的网络预测结果示意图;(b)为持续时间为60s时的峰值放电功率的网络预测结果示意图;(c)为持续时间为90s时的峰值放电功率的网络预测结果示意图;(d)为持续时间为120s时的峰值放电功率的网络预测结果示意图。具体实施方式[0045] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。[0046] 为了实现上述目的,第一方面,本发明提供了一种混合电容器功率状态在线估计模型的构建方法,如图1所示,包括以下步骤:[0047] S1、获取混合电容器不同工况、不同时刻下的多组样本数据,及各组样本数据所对应的峰值功率,构成训练样本集;其中,每组样本数据均包括混合电容器的电压、电流、荷电状态以及以峰值功率持续充放电的时间ΔT;[0048] S2、将训练样本集按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量;分别计算各数据向量与标签向量的相关性,并将相关性较大的前N个数据向量所对应的类型作为最佳类型;N为正整数;其中,可以采用最大信息系数、皮尔逊相关系数、斯皮尔曼相关系数、肯德尔相关系数、距离相关系数等来表征数据向量与标签向量的相关性。[0049] S3、对训练样本集中的样本数据进行筛选,保留最佳类型的样本数据;[0050] S4、将步骤S3所得的训练样本集输入到机器学习模型中进行训练,得到混合电容器功率状态在线估计模型。机器学习模型可采用BP神经网络、递归神经网络、支持向量机、决策树、随机森林等。[0051] 优选地,在一些可选实施方式下,上述混合电容器功率状态在线估计模型的构建方法,还包括,位于步骤S3和S4之间的步骤S5;其中,步骤S5包括:对新的训练样本集中的样本数据进行归一化。具体地,一种可选实施方式下的归一化过程如下:直接将新的训练样本集中的所有样本数据均归一化到对应的预设范围。另一种可选实施方式下的归一化过程如下:对新的训练样本集中的样本数据按照类型进行划分成不同类型的样本数据子集;分别对不同类型的样本数据子集中的样本数据进行归一化。[0052] 优选地,在一些可选实施方式下,训练样本集的采集方法包括采集不同电压、电流、荷电状态以及以峰值功率持续充放电时间ΔT下的峰值功率,具体包括:[0053] 在混合电容器运行过程中,为保持其运行的安全稳定性,其电流的绝对值不能超过持续峰值电流的绝对值和最大持续电流的绝对值,因此当混合电容器的持续峰值电流的绝对值大于或等于最大持续电流的绝对值时,混合电容器的电流主要受限于最大持续电流,进一步地采用提出的真值脉冲法获取持续峰值功率,具体过程如下:[0054] 当混合电容器的持续峰值充电电流的绝对值大于或等于最大持续充电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续充电电流;在混合电容器的动态工况中等间隔地插入第一正负对称脉冲;第一正负对称脉冲的负脉冲先于正脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将第一正负对称脉冲的下降沿时刻记为时刻k,在时刻k到k+ΔT时间段内,判断混合电容器的当前充电电压是否达到充电截止电压,若达到,则将混合电容器控制在恒压充电模式;在这个过程中,采集时刻k下的荷电状态,并得到时刻k下的持续峰值充电功率为时刻k+q下混合电容器的充电功率; 为时刻k+q下混合电容器的充电端电压; 为时刻k+q下混合电容器的充电电流;需要说明的是,这里持续峰值充电电流为负值,持续峰值充电功率为负值。[0055] 当混合电容器的持续峰值放电电流的绝对值大于或等于最大持续放电电流的绝对值时,混合电容器的电流值为混合电容器的最大持续放电电流;在混合电容器的动态工况中等间隔地插入第二正负对称脉冲;第二正负对称脉冲的正脉冲先于负脉冲,且正、负脉冲均持续ΔT秒,此时混合电容器以峰值功率持续放电的时间为ΔT;将第二正负对称脉冲的上升沿时刻记为时刻t,在时刻t到t+ΔT时间段内,判断混合电容器的当前放电电压是否达到放电截止电压,若达到,则将混合电容器控制在恒压放电模式;在这个过程中,采集时刻t下的荷电状态,并得到时刻t下的持续峰值放电功率为时刻t+q下混合电容器的放电功率; 为时刻t+q下混合电容器的放电端电压; 为时刻t+q下混合电容器的放电电流。需要说明的是,这里持续峰值放电电流为正值,持续峰值放电功率为正值。[0056] 当混合电容器的持续峰值电流的绝对值小于最大持续电流的绝对值时,混合电容器的电流主要受限于持续峰值电流,本发明采用提出的恒流测试法获取持续峰值电流,进一步计算得到混合电容器的持续峰值功率,具体过程如下:[0057] 当混合电容器的持续峰值充电电流的绝对值小于最大持续充电电流的绝对值时,执行以下步骤:1)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流充电,cha并记录充电结束后的端电压U ;此时混合电容器以峰值功率持续充电的时间为ΔT;2)若chaU 大于充电截止电压 则将混合电容器重新放电至上述荷电状态SOC,增大充电电流chaI,转至步骤1);若U 小于充电截止电压 则将混合电容器重新放电至上述荷电状态chaSOC,减小充电电流I,转至步骤1);否则,U 等于充电截止电压 此时计算该时刻的持续峰值充电功率为: 在不同荷电状态SOC下按照步骤1)‑2)进行操作,得到不同荷电状态SOC下的持续峰值充电功率;需要说明的是,这里持续峰值充电电流为负值,持续峰值充电功率为负值。[0058] 当混合电容器的持续峰值放电电流的绝对值小于最大持续放电电流的绝对值时,执行以下步骤:a)在某一荷电状态SOC下以电流I对混合电容器进行持续ΔT秒的恒流放电,dis并记录放电结束后的端电压U ;此时混合电容器以峰值功率持续放电的时间为ΔT;b)若disU 大于放电截止电压 则将混合电容器重新充电至上述荷电状态SOC,增大放电电流disI,转至步骤a);若U 小于放电截止电压 则将混合电容器重新充电至上述荷电状态disSOC,减小放电电流I,转至步骤a);否则,U 等于放电截止电压 此时计算该时刻的持续峰值放电功率为: 在不同荷电状态SOC下按照步骤a)‑b)进行操作,得到不同荷电状态SOC下的持续峰值充电功率。需要说明的是,这里持续峰值放电电流为正值,持续峰值放电功率为正值。[0059] 其中,混合电容器的持续峰值充电电流和持续峰值放电电流的获取方法,包括:[0060] 获取混合电容器的等效电路模型;混合电容器等效电路模型包括可变电容、欧姆内阻以及多个串联的RC电路;混合电容器等效电路模型的状态空间方程表示为:[0061][0062] 其中,I为负载电流(放电为正,充电为负);C0为可变电容;Ri为第i个RC电路的电阻;Ci为第i个RC电路的电容;R0为欧姆内阻;UC0和URCi分别是可变电容C0的电压和第i个RC电路的电压,i=1,2,3,…,n;U为混合电容器的端电压; 表示对时间的微分;[0063] 基于混合电容器的等效电路模型计算混合电容器的持续峰值充电电流和持续峰值放电电流;具体地,k时刻持续峰值充电电流 和持续峰值放电电流 分别为:[0064][0065] T为采样次数;Δt为采样周期;T×Δt=ΔT;UC0,k是k时刻可变电容C0的电压;URCi,k是k时刻第i个RC电路的电压; 是放电截止电压; 是充电截止电压。[0066] 第二方面,本发明提供了一种混合电容器功率状态在线估计方法,包括:[0067] 将混合电容器当前时刻下的样本数据输入到混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率;[0068] 其中,混合电容器功率状态在线估计模型基于第一方面所提供的混合电容器功率状态在线估计模型的构建方法构建得到;样本数据的类型为执行第一方面所提供的混合电容器功率状态在线估计模型的构建方法中的步骤S1‑S2所得到的最佳类型。[0069] 优选地,将混合电容器当前时刻下的样本数据归一化后,输入到混合电容器功率状态在线估计模型中,得到混合电容器的峰值功率。[0070] 为了进一步说明本发明所提供的混合电容器功率状态在线估计模型的构建方法及其在混合电容器功率状态在线估计方法中的应用,下面结合实施例进行详述:[0071] 在本实施例中,测试的混合电容器单体为锂离子电容器,额定容量为160mAh,型号为EVESPC1550。如图2所示为本实施例所提供的基于数据驱动的混合电容器功率状态在线估计方法流程图。其主要步骤包括:[0072] S1.对混合电容器进行工况测试,并在当混合电容器的持续峰值电流的绝对值大于或等于最大持续电流的绝对值时,采用真值脉冲法获得峰值功率的真实值,在当混合电容器的持续峰值电流的绝对值小于最大持续电流的绝对值时,采用恒流测试法获得峰值功率的真实值,从而得到实验数据;其中,实验数据包括混合电容器不同工况、不同时刻下的多组样本数据,及各组样本数据所对应的峰值功率;其中,每组样本数据均包括混合电容器的电压、电流、荷电状态以及以峰值功率持续充放电的时间ΔT;[0073] 在本发明的一个实施方式下,采用动态应力测试工况(DST)。具体地,如图3所示为本发明提供的混合电容器DST工况下的测试曲线图;其中,图(a)为DST工况下混合电容器的电流曲线;图(b)为DST工况下混合电容器的电压曲线。[0074] S2.对实验数据进行特征提取,选择与峰值功率相关性最大的若干个影响因素组成BP神经网络的输入向量;BP神经网络的输出向量取为对应的峰值功率所构成的向量;[0075] 本实施例中构建BP神经网络的过程为:根据样本规模和预计实现的目标,将网络的层数设为三层,即输入层、一个隐含层和输出层。优选地,隐含层节点数参照公式进行设计,其中,n为隐含层节点数,ni和no分别为输入节点数和输出节点数。β为1~10之间的常数。[0076] 进一步地,对实验数据进行特征提取,即对峰值功率与其影响因素之间进行相关性分析,确定BP神经网络的输入向量。[0077] 本实施例中分别例举了皮尔逊相关系数和最大信息系数(MIC)来进行相关性计算;[0078] 具体地,将实验数据按照样本数据的类型划分为多个数据向量,将对应的峰值功率构成标签向量;分别计算各数据向量与标签向量的相关性,并将相关性较大的前N个数据向量所对应的类型作为最佳类型;N为正整数,本实施例中N取值为3;[0079] 其中,采用皮尔逊相关系数表征数据向量与标签向量之间的线性关系时,第i种类型下的数据向量Xi与标签向量Y的相关性为:[0080][0081] 其中,E(·)表示变量的数学期望。皮尔逊相关系数的绝对值越接近1,则表示变量之间越接近线性关系;正数表示正线性相关,负数表示负线性相关。[0082] 采用最大信息系数(MIC)表征数据向量与标签向量之间的非线性关系时,第i种类型下的数据向量Xi与标签向量Y的非线性相关性为:[0083][0084][0085] 其中,p(Xi)和p(Y)分别表示变量Xi的概率和变量Y的概率。p(Xi,Y)表示变量Xi和Y之间的联合概率。I[Xi,Y]表示变量Xi和Y之间的互信息,MIC[Xi,Y]表示变量Xi和Y之间的最大信息系数。|Xi|和|Y|分别表示变量Xi和Y被划分的区间数。B是一个常数,通常设置为总数据量的0.6次方。最大信息系数越接近1则表示变量间越相关。[0086] 通过上述分析,选择与峰值功率SOP相关性最大的若干个特征变量组成神经网络的输入向量。[0087] 采用皮尔逊相关系数和最大信息系数对峰值功率及其影响因素进行相关性分析,结果如表1所示。[0088] 表1[0089] 电压 电流 持续时间ΔT SOC皮尔逊相关系数 0.3948 ‑0.5370 ‑0.9972 0.9801最大信息系数 0.2514 0.9710 0.9710 0.9931[0090] 从表1中的相关性分析结果可以看出,峰值功率与电压间的相关性不大,因此在本发明中电压不作为BP神经网络的一个输入变量。而峰值功率与电流之间存在非线性关系,与持续时间ΔT之间存在负线性相关关系,与SOC之间存在正线性相关关系;其中,对于皮尔逊相关系数,当存在线性关系时,绝对值越接近于1,相关性越大;对于最大信息系数,其值越接近于1,相关性越大。因此,如图4所示为BP神经网络拓扑示意图,BP神经网络的输入变量取电流、持续时间ΔT和荷电状态SOC,输出变量取峰值功率SOP,即BP神经网络的输入节点数ni=3,输出节点数no=1。[0091] S3.对作为BP神经网络的输入的样本数据进行归一化处理,以加快神经网络的学习速率,避免结果出现局部最优;[0092] 本实施例对样本数据进行归一化处理,使样本集中在[bmin,bmax]较小的数据范围内:具体地,归一化公式如下:[0093][0094] 其中,bmin为预设的样本数据归一化后的最小值,bmax为预设的样本数据归一化后的最大值。a为初始样本数据,amin为初始样本数据的最小值,amax为初始样本数据的最大值。本实施例中将样本数据均归一化到[‑1,1]区间。[0095] S4.根据经验公式选择合适的隐含层节点数,并对BP神经网络进行训练;当网络输出满足所设定的精度要求或是迭代次数达到设定值,则停止训练;具体过程如下:[0096] (1)网络初始化[0097] BP神经网络初始化参数包括:[0098] wij——输入层i个节点到隐含层第j个节点的连接权值,j=1,2,…,n[0099] θj——隐含层第j个节点的阈值[0100] wjl——隐含层第j个节点到输出层第l个节点的连接权值[0101] αl——输出层第l个节点的阈值[0102] η——网络学习速率[0103] (2)计算隐含层输出[0104][0105] 其中,Hj为隐含层第j个节点的输出,f为隐含层的激励函数,xi为输入层第i个节点的输入,i=1,2,…,ni。[0106] 优选地,在本实施例中BP神经网络的激励函数取为Sigmoid函数。[0107] (3)计算输出层输出[0108][0109] 其中,yl为输出层第l个节点的输出。[0110] (4)计算网络预测误差[0111] el=tl‑yll=1,2,...,no[0112] 其中,el是输出层中第l个节点的预测误差,tl是输出层中第l个节点的期望输出。[0113] (5)更新网络连接权值和阈值[0114][0115] 其中,w'ij,w'jk,θ'j,α'k分别是更新后的输入层和隐含层的网络连接权值、隐含层和输出层的网络连接权值、隐含层的阈值、输出层的阈值。[0116] (6)判断是否满足所设定的精度要求,若满足,则迭代过程结束。否则,采用更新后的网络连接权值和阈值,重复(2)‑(6)过程,直到网络迭代次数达到设定值。[0117] 需要说明的是,图5为本发明提供的不同隐含层节点数BP神经网络在DST工况下的预测结果平均绝对误差示意图。优选地,为了减小计算量,加快收敛速度,将网络的层数设为三层,即输入层、一个隐含层、输出层。进一步地,根据经验公式可知,隐含层节点数n可以取3~12个左右。在本发明的一个可选实施方式下,对隐含层节点数n为3~8时的神经网络分别进行了训练,并得到平均绝对误差。如图5所示,当n=4时,网络输出与真实值的平均绝对误差最小。而且继续增加隐含层节点数不能改善网络的性能,还会增加计算复杂程度。因此在本发明中隐含层节点数取为4。[0118] S5.将验证样本数据和测试样本数据输入到步骤S4获得的模型中,得到功率状态估计值,验证所提出的基于数据驱动的混合电容器功率状态在线估计方法的精确性和可靠性。[0119] 优选地,本发明采用均方根误差(RMSE)和平均绝对误差(MAE)来评估模型的性能,计算公式如下:[0120][0121][0122] 其中,M表示测试数据的长度,yp表示测试数据的期望输出, 表示测试数据的神经网络预测输出。[0123] 在不同工况下进行验证:[0124] 工况一(DST工况):[0125] 在DST工况下分别采用本发明提供的峰值功率测试方法测试混合电容器,得到持续时间分别为30s,60s,90s,120s的峰值功率,共3455组样本数据,随机选取3000组作为训练样本数据,剩余455组作为网络预测验证数据。混合电容器在DST工况下的测试曲线图如图3所示;[0126] 进一步地,采用训练后的BP神经网络对验证样本数据进行预测,结果如图6和图7所示;其中,图6为BP神经网络在DST工况下的峰值功率的预测结果示意图;图7为BP神经网络在DST工况下的峰值功率的预测误差示意图。BP神经网络可以精确地预测混合电容器的峰值功率,放电峰值功率的平均绝对误差是0.0783W,均方根误差为0.1126W。[0127] 工况二(FUDS工况):[0128] 在联邦城市驾驶工况(FUDS工况)下,采用本发明提供的峰值功率测试方法测试混合电容器,得到持续时间分别为30s,60s,90s,120s的峰值功率,共2868组样本数据,作为BP神经网络的测试样本数据。如图8所示为混合电容器在FUDS工况下的测试曲线图;其中,图(a)为FUDS工况下混合电容器的电流曲线;图(b)为FUDS工况下混合电容器的电压曲线。[0129] 进一步地,将测试样本数据输入BP神经网络,网络预测结果如图9所示,功率状态估计结果的统计性分析结果如表2所示;其中,图9中的(a)图为持续时间为30s时的峰值放电功率的网络预测结果示意图;图9中的(b)图为持续时间为60s时的峰值放电功率的网络预测结果示意图;图9中的(c)图为持续时间为90s时的峰值放电功率的网络预测结果示意图;图9中的(d)图为持续时间为120s时的峰值放电功率的网络预测结果示意图。从图9和表2中可以看出,本发明提供的基于数据驱动的混合电容器功率状态估计方法能够估计训练数据中没有的工况数据的功率状态,泛化能力强,平均绝对误差不超过0.13W,均方根误差不超过0.17W。由此可见,本发明所提供的方法具有较强的适用性,在实际应用中能够精确可靠地估计混合电容器的峰值功率。[0130] 表2[0131] 30s 60s 90s 120sMAE(W) 0.0796 0.0899 0.1002 0.1263RMSE(W) 0.0976 0.1132 0.1319 0.1694[0132] 本发明提供的基于数据驱动的混合电容器峰值功率在线估计模型的构建方法,采用相关性分析的方法确定BP神经网络的输入向量,并根据经验公式选择合适的隐含层节点数。该方法不仅可以降低计算过程的复杂度,还能够减少过拟合的风险。[0133] 第三方面,本发明提供了一种混合电容器功率状态在线估计模型构建系统,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行本发明第一方面所提供的混合电容器功率状态在线估计模型的构建方法。[0134] 相关技术方案同本发明第一方面中所记载的内容,这里不做赘述。[0135] 第四方面,本发明提供了一种混合电容器功率状态在线估计系统,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行本发明第二发明所提供的混合电容器功率状态在线估计方法。[0136] 相关技术方案同本发明第二方面中所记载的内容,这里不做赘述。[0137] 第五方面,本发明还提供了一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现本发明第一方面所提供的混合电容器功率状态在线估计模型的构建方法和/或本发明第二方面所提供的混合电容器功率状态在线估计方法。[0138] 相关技术方案同本发明第一方面和第二方面中所记载的内容,这里不做赘述。[0139] 本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

专利地区:湖北

专利申请日期:2021-12-08

专利公开日期:2024-06-18

专利公告号:CN114186522B

电话咨询
读内容
搜本页
回顶部