一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置

soc a2soc2 a3soc3；其中，a0、a1、a2、a3为关联核心参数voc和soc 的关联参数；
9.步骤3：利用樽海鞘算法对步骤2中电池基本模型的性能曲线参数进行优化。
10.进一步地，所述步骤3中利用樽海鞘算法对性能曲线参数进行优化的方法具体为：
11.步骤3.1：对高精度储能元件模型的搜索代理和最优候选解进行初始化voc，soc数值，清空算法加速度a，初始速度v，记录当前目标参数拟合结果误差值；
12.步骤3.2：输入电池的a0、a1、a2、a3，计算n个樽海鞘的初始适应度值；
13.步骤3.3：选定食物位置，将樽海鞘按照适应度值排序，排在首位的为最优的樽海鞘的位置即为设定的位置；
14.步骤3.4：选定领导者与追随者；选定好食物位置后，群体中剩余n-1个樽海鞘，将排在前一半的樽海鞘视作领导者，其余的樽海鞘视作追随者；
15.步骤3.5：种群位置更新：
16.首先更新领导者位置，随后进一步更新追随者位置，领导者位置更新公式如下：
[0017][0018]
其中，显示第一个樽海鞘的位置，fj为食物源在第j维中的位置，ubj为第j维中的位置，lbj为第j维的下界，c1、c2、c3是随机数；c1是领导者中最重要的参数，其为收敛因子；更新追随者位置，我们提出以下公式：
[0019][0020]
其中，当i≥2，表示第一个追随者的位置，t表示时间，v表示速度；a、v的公式分别表示为：v
final
为最终速度、x为最终位置坐标、x0为最初坐标；
[0021]
步骤3.6：将更新后的每个樽海鞘个体适应度值与当前食物适应度值比较，若更新后的樽海鞘的适应度值优于食物，则以适应度值最优的樽海鞘位置作为新的食物位置；
[0022]
步骤3.7：判断迭代次数是否达到设定的目标次数，若未达到，返回步骤3.5，若达到目标值，输出所有关系参数。
[0023]
进一步地，所述步骤3.5中收敛因子关系式如下:
[0024][0025]
其中,l为当前迭代，l为最大迭代次数，c2和c3在[0,1]区间内的随机数，控制参数c2和 c3在[0,1]区间内的随机数。
[0026]
进一步地，所述步骤3.5中设定没有速度，更新追随者位置的具体公式为：
[0027][0028]
其中，i≥2，表示d维中彼此紧连的两个樽海鞘的位置。
[0029]
本发明还公开一种基于樽海鞘算法的高精度储能元件模型的拟合装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述基于樽海鞘算法的高精度储能元件模型的拟合方法。
[0030]
有益效果：
[0031]
本发明利用两种电路模型耦合而成的双极性二阶模型可以拟合电池的性能曲线，结合樽海鞘算法可以更好的优化电池的性能曲线，高精度储能模型优化后计算模块出力最优解，使电池性能曲线更接近于实际值；通过对储能技术的优化，对能源的总利用率也获得明显提高，对于优化后的性能曲线可以用于预测新型设备在参数变化下的性能变迁趋向。
附图说明
[0032]
图1为本发明高精度储能元件模型的结构示意图；
[0033]
图2为本发明性能曲线优化算法流程图；
[0034]
图3为本发明电池soc随时间变化模拟曲线与实际曲线比较图；
[0035]
图4为本发明电池可用容量随循环次数模拟曲线与实际曲线比较图；
[0036]
图5为本发明电池voc随电池soc模拟曲线与实际曲线比较图；
[0037]
图6为本发明soc、可用容量、voc数据拟合误差error分析对比图。
具体实施方式
[0038]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0039]
本发明公开了一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置，如图1所示，本发明的高精度储能元件模型是由两种电路模型耦合而成的双极性二阶模型，包括跟踪电池soc模块、瞬态响应模块，跟踪电池soc模块由电阻器、电流控制的电流源ib以及电容 c-usable
组成，电阻器代表电池长时间不使用时的能量损失，电流控制的电流源可对电容进行充电放电；瞬态响应模板由电阻丝rs和两个rc网络组成，两个rc网络包括电阻rp1、电阻 rp2、电容cp1、电容cp2，rs代表内部损耗，它负责电压的瞬时降，而两个rc网络负责随后短时间和长时间的瞬态响应。
[0040]
本发明公开的一种基于樽海鞘算法的高精度储能元件模型的拟合方法，参见附图2，具体包括以下步骤：
[0041]
(1)获取所述高精度储能元件模型的参数，参数包括瞬态响应模块中的电阻rs、两个 rc网络，所述两个rc网络包括电阻rp1、电阻rp2、电容cp1、电容cp2，建立电池基本模型，并对模型参数初始化，参数有关表达式通过以下公式确定：
[0042]
voc(soc)＝a0 a
1 soc a2soc2 a3soc3。
[0043]
(2)利用樽海鞘算法对步骤(1)中模型的性能曲线进行优化，具体包括以下步骤：
[0044]
(21)对高精度储能元件模型的搜索代理和最优候选解进行初始化voc、soc数值，清空算法加速度a，初始速度v，记录当前目标参数拟合结果误差值；步骤(21)中，输入目标参数拟合精确度，满足目标模型的误差要求范围。
[0045]
(22)输入电池的a0、a1、a2、a3，计算初始适应度。计算n个樽海鞘的适应度值；找到适应度最好的salp，并将最佳位置分配给变量下作为salp的链追逐的源食物。
[0046]
(23)选定食物位置，将樽海鞘按照适应度值排序，排在首位的为最优的樽海鞘的位置即为设定的位置；
[0047]
(24)选定领导者与追随者，选定好食物位置后，群体中剩余n-1个樽海鞘，将排在
前一半的樽海鞘视作领导者，其余的樽海鞘视作追随者；
[0048]
(25)樽海鞘位置更新；种群分为两个群体：领导者和追随者。在樽海鞘链移动和觅食过程中，利用收敛因子与权重因子更新领导者位置，首先更新领导者位置，随后进一步更新追随者位置，领导者位置更新公式如下：
[0049][0050]
其中，显示第一个樽海鞘的位置，fj为食物源在第j维中的位置，ubj为第j维中的位置，lbj为第j维的下界，c1、c2、c3是随机数；表明leader只更新它相对于食物来源的位置， c1是领导者中最重要的参数，其为收敛因子：
[0051][0052]
其中,l为当前迭代，l为最大迭代次数，c2和c3在[0,1]区间内的随机数，控制参数c2和 c3在[0,1]区间内的随机数，用来增强群体随机性，提高链群的多样性。
[0053]
在樽海鞘链移动和觅食过程中，追随者通过前后个体间的影响，它们的位移符合牛顿运动定律，为了更新追随者的位置，我们提出了以下公式：
[0054][0055]
其中，当i≥2，表示第一个追随者的位置，t表示时间，v表示速度；a、v的公式分别表示为：v
final
为最终速度、x为最终位置坐标、x0为最初坐标；解释 v的含义：因为求解a需要最终速度v
final
，而求解v
final
需要用到该公式求解。
[0056]
由于优化时间为迭代，迭代间差值为1，考虑v0＝0，则式表示为：
[0057][0058]
其中，i≥2，表示d维中彼此紧连的两个樽海鞘的位置。
[0059]
(26)找出最优个体适应度值更新食物位置。将更新后的每个樽海鞘个体适应度值与当前食物适应度值比较，若更新后的樽海鞘的适应度值优于食物，则以适应度值最优的樽海鞘位置作为新的食物位置(通过比较已有数据库，和当前位置包含的关系参数信息，可以得到当代的voc，利用voc和数据库中的差值，差值越小，适应度越大)。
[0060]
(27)判断迭代次数是否达到设定的目标次数，若为达到，返回步骤(25)，若达到目标值，输出所有关系参数。
[0061]
上述的算法的复杂度关系式如下：
[0062]
o(l(d*n cof*n))
[0063]
其中，l表示迭代次数，d是变量(维数)，n是解的个数，cof表示目标函数的代价。
[0064]
本发明还公开一种基于樽海鞘算法的高精度储能元件模型的拟合装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述基于樽海鞘算法的高精度储能元件模型的拟合方法。
[0065]
本发明的优化过程所用算法为樽海鞘算法应用于工程设计问题的仿生优化，该算法能够有效改进初始数据随机解，并向最优方向收敛，类似于其他群体的技术，salp的位置定义为对salp链进行数学建模，首先将种群分为两组leader和follower。领头的是位于食物链前端的樽海鞘，而其余的樽海鞘则被认为是追随者，领导着引导群体，而追随者则相互追随(直接或间接的领导者)。
[0066]
本实施方式设定目标函数为储能元件性能优化目标。性能优化目标即对储能元件在供电运行时，负载变化运行情况，进行拟合。在本系统中性能优化目标为储能设备的荷电状态、充电放电状态、电压随时间变化情况；可用容量随循环次数变化情况；储能元件内部电压和荷电状态变化情况。系统中各模块输出参数，通过优化目标模型计算，达到性能曲线优化的目的，再输入算法中进行寻优。
[0067]
樽海鞘算法的高精度储能元件模型。针对储能元件在供电时，负载变化运行情况。将满足条件的出力进行输入，算法进行寻优。在满足优化目标模型条件下，将所有的符合条件的出力进行输入，通过樽海鞘算法进行寻优，输出最优解。以此过程，实现性能曲线优化最大化的目的。
[0068]
本发明的高精度储能元件模型拟合方法后，本发明拟用锂电池ncr18650pf其负载曲线的模拟性能曲线与实际性能曲线相对比之后，得到图3-图6。
[0069]
如图3所示，在模拟性能曲线与实际性能曲线的比较中，本发明高精度元件拟合模型电池soc随时间变化模拟性能曲线与电池soc随时间变化实际性能曲线趋势基本相同，最低电池荷电状态0.33基本耦合，符合电池的实际荷电状态。
[0070]
如图4所示，在模拟性能曲线与实际性能曲线的比较中，本发明高精度元件拟合模型电池可用容量随时间变化模拟性能曲线与电池可用容量随时间变化实际性能曲线趋势基本相同，都呈逐渐递减的趋势，符合电池的可用容量状态。
[0071]
如图5所示，在模拟性能曲线与实际性能曲线的比较中，本发明高精度元件拟合模型电池内部电压voc随电池荷电状态soc变化模拟性能曲线与电池内部电压voc随电池荷电状态soc变化实际性能曲线趋势基本相同，都呈线性上升趋势，符合电池实际电压与荷电变化趋势。
[0072]
如图6所示，是soc、可用容量、voc数据拟合误差error分析对比图，在模拟性能曲线与实际性能曲线的比较中，本发明高精度元件拟合模型电池，精度高达99.5％以上，误差仅为0.5％，拟合程度高，效果好。
[0073]
综上所述，本发明的高精度储能元件模型对储能元件性能曲线的拟合，利用该技术与已知设备寻找核心参数的耦合关系，对储能设备的设计和性能探索作出贡献。本发明应用于供电和拟合的场景中，在储能元件供电运行时，能够精确的拟合性能曲线，拟合效果好，方法棒。精度高达99.5％以上，误差仅为0.5％，相较于现有的其他储能元件模型拟合效率均具有明显的提高。对如今新型储能设备的性能表征和探索，利用本创新方法，预测新型设备在参数变化下的性能变迁趋向。
[0074]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。