基于HCOAG算法优化KELM的全钒液流电池SOC估计

基于HCOAG算法优化KELM的全钒液流电池SOC估计

针对直流微电网储能系统中全钒液流电池SOC难以精确估计的问题,提出一种基于郊狼算法(coyoteoptimization algorithm,COA)与灰狼算法(grey wolf optimization,GWO)的混合算法(hybrid COA with gwo,HCOAG)优化核极限学习机(kernel extreme learning machine,KELM)的全钒液流电池SOC估计方法.首先将改进的郊狼算法(improved COA,ICOA)与简化操作的灰狼算法(simplified GWO,SGWO)采用正弦交叉策略融合组成HCOAG算法,利用HCOAG算法对KELM模型的参数...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电力系统保护与控制 2023-04, Vol.51 (7), p.135-145
Hauptverfasser: 陆鹏, 付华, 卢万杰, 张慧峰, 郑翔宇
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:针对直流微电网储能系统中全钒液流电池SOC难以精确估计的问题,提出一种基于郊狼算法(coyoteoptimization algorithm,COA)与灰狼算法(grey wolf optimization,GWO)的混合算法(hybrid COA with gwo,HCOAG)优化核极限学习机(kernel extreme learning machine,KELM)的全钒液流电池SOC估计方法.首先将改进的郊狼算法(improved COA,ICOA)与简化操作的灰狼算法(simplified GWO,SGWO)采用正弦交叉策略融合组成HCOAG算法,利用HCOAG算法对KELM模型的参数进行寻优.然后利用基准函数对HCOAG算法进行测试,并与其他智能算法对比寻优能力.最后通过CEC-VRB-5 kW型号电池进行仿真和实验,验证了该估计方法的准确性与可行性.结果表明,所提HCOAG-KELM方法估计精度优于GWO-KELM、ICOA-KELM、KELM、扩展卡尔曼滤波(extended kalman filter,EKF)和无迹卡尔曼滤波(unscented kalman filter,UKF)算法模型,同时估计误差在2％之内,满足实际需求.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.221050