CN105183994A - 一种基于改进的i-elm的动力电池soc预测方法及装置 - Google Patents
一种基于改进的i-elm的动力电池soc预测方法及装置 Download PDFInfo
- Publication number
- CN105183994A CN105183994A CN201510573503.2A CN201510573503A CN105183994A CN 105183994 A CN105183994 A CN 105183994A CN 201510573503 A CN201510573503 A CN 201510573503A CN 105183994 A CN105183994 A CN 105183994A
- Authority
- CN
- China
- Prior art keywords
- biased
- elm
- hidden neuron
- hidden
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于改进的I-ELM的动力电池SOC预测方法及装置,其中,该方法包括:采集训练样本,并对动力电池的充放电数据和SOC数据进行归一化处理;将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络;根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。该方法具有学习速度快,拥有更好预测精度的优点。可以而准确预测电池SOC、降低重复充放电对电池的损耗、延长电池的使用寿命。
Description
技术领域
本发明涉及动力电池状态预测技术领域,具体地,涉及一种基于改进的I-ELM的动力电池SOC预测方法及装置。
背景技术
近几年,具有寿命长、比能量高、无环境污染、安全性好等优点的磷酸铁锂电池被广泛用做新能源汽车的车载能源。精确的SOC预测是磷酸铁锂电池高效管理的关键技术前提。但是由于磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征,导致仅靠等效电路很难准确描述电池状态的特征,它严重影响电池荷电状态(SOC)的预测精度,影响磷酸铁锂电池利用效率和使用寿命。因此,建立精确的磷酸铁锂动力电池的SOC预测模型,实现对其SOC的准确预测是非常必要的。
目前,预测磷酸铁锂电池SOC的方法主要有:安时计量法、开路电压法、内阻法、卡尔曼滤波法等。这些预测磷酸铁锂电池SOC的方法是通过测量电池在充放电过程中的电压、电流、温度、充放电倍率等数据,并通过它们与SOC的关系来预测SOC的。但是,磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征,这些特征表示磷酸铁锂电池的SOC与其它参数之间具有很强的非线性,剩余电量也受到多种因素的影响,从而很难实时跟踪磷酸铁锂电池复杂快速的内部反应,导致上述传统的电池SOC预测方法精度不高,难以满足实际要求。由于神经网络具有能逼近多输入输出参数函数的非线性映射能力、自学习自适应能力、泛化能力、鲁棒性和容错性等特点,可以准确地预测电池当前的荷电状态,在电池管理系统中具有较好的应用前景。
然而,传统的神经网络如误差反向传播(BackPropagation,BP)神经网络具有机理复杂、结构选择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时,泛化能力较差、数据量过大时,又容易陷入局部最小等缺点。而支持向量机(SupportVectorMachine,SVM)在学习过程中需要人为设置核函数、误差控制参数以及惩罚系数等参数,参数设定复杂,并且浪费大量时间进行参数的调整,使其对大规模训练样本难以实施,从而难以在实际应用中得到推广。
I-ELM(Incremental-ExtremeLearningMachine,增强型极限学习机)作为一种增量型单隐层前馈神经网络与传统的神经网络相比,具有结构简单、学习速度快、参数容易调整且不易陷入局部最小、泛化性能好等优点。它在执行过程中不需要调整网络的输入权值以及隐层神经元的偏置,并且产生唯一的最优解,而且随着隐层神经元的增加网络泛化性能越来越好。但是由于其输入权值以及隐层神经元的偏置是随机选取的,所以可能存在部分隐层神经元的输出权值过小,使其对网络输出贡献很小,存在无效神经元的问题,它不但使网络变得更复杂,而且降低了网络的稳定性。
现今,由于磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征使得用安时计量法、开路电压法、内阻法、卡尔曼滤波法等对磷酸铁锂动力电池的SOC预测建模,磷酸铁锂电池的SOC预测精度不高,难以满足实际要求。传统的神经网络如误差反向传播(BackPropagation,BP)神经网络具有机理复杂、结构选择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时,泛化能力较差、数据量过大时,又容易陷入局部最小等缺点,而支持向量机对大规模训练样本难以实施,从而难以在实际的磷酸铁锂动力电池的SOC预测建模中得到推广。I-ELM在对磷酸铁锂动力电池的SOC预测建模时,由于其输入权值以及隐层神经元的偏置是随机选取的,所以可能存在部分隐层神经元的输出权值过小,使其对网络输出贡献很小,存在无效神经元的问题,它不但使网络变得更复杂,而且降低了网络的稳定性。
发明内容
本发明是为了克服现有技术中磷酸铁锂动力电池的SOC难以预测的缺陷,根据本发明的一个方面,提出一种基于改进的I-ELM的动力电池SOC预测方法。
本发明实施例提供一种基于改进的I-ELM的动力电池SOC预测方法,包括:
采集训练样本,训练样本包括动力电池充放电数据和动力电池的SOC数据,并对动力电池充放电数据和SOC数据进行归一化处理,动力电池充放电数据包括电压信号、电流信号和温度信号;
将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值;
根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。
在上述技术方案中,确定网络模型参数,包括:
随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
根据隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为隐层输出矩阵增加偏置,进而确定输出权值;
计算余差和误差,余差的初始值与归一化处理后的SOC数据相对应,误差为余差的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加的隐层神经元,直至误差小于期望误差。
在上述技术方案中,当隐层神经元为加法隐层神经元时,隐层神经元的激励函数为:
当隐层神经元为径向基隐层神经元时,隐层神经元的激励函数为:
g(x)=exp(-x)。
在上述技术方案中,为隐层输出矩阵增加偏置,进而确定输出权值,包括:
选取偏置m,隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
根据隐层输出矩阵M和余差E确定输出权值k,输出权值为:
计算余差,包括:
余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
在上述技术方案中,选取偏置m,包括:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
ei为余差E=[e1,e2,…,eN]中的余差元素;
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,隐层神经元无效,重新训练隐层神经元;
当c1=0、c2=0时,偏置为m=0。
基于同样的发明构思,本发明实施例提供一种基于改进的I-ELM的动力电池SOC预测装置,包括:
采集模块,用于采集训练样本,训练样本包括动力电池充放电数据和动力电池的SOC数据,并对动力电池充放电数据和SOC数据进行归一化处理,动力电池充放电数据包括电压信号、电流信号和温度信号;
训练模块,用于将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值;
处理模块,用于根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。
在上述技术方案中,训练模块包括:
获取单元,用于随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
确定单元,用于根据隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为隐层输出矩阵增加偏置,进而确定输出权值;
计算单元,用于计算余差和误差,余差的初始值与归一化处理后的SOC数据相对应,误差为余差的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加的隐层神经元,直至误差小于期望误差。
在上述技术方案中,当隐层神经元为加法隐层神经元时,隐层神经元的激励函数为:
当隐层神经元为径向基隐层神经元时,隐层神经元的激励函数为:
g(x)=exp(-x)。
在上述技术方案中,确定单元包括:
选取子单元,用于选取偏置m,隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
确定子单元,用于根据隐层输出矩阵M和余差E确定输出权值k,输出权值为:
计算单元具体用于:计算余差,余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
在上述技术方案中,选取子单元具体用于:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
ei为余差E=[e1,e2,…,eN]中的余差元素;
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,隐层神经元无效,重新训练隐层神经元;
当c1=0、c2=0时,偏置为m=0。
本发明实施例提供的一种基于改进的I-ELM的动力电池SOC预测方法及装置,其在I-ELM的隐层输出矩阵上加上了一个偏置,该方法能在保持I-ELM结构简单、学习速度快、参数容易调整且不易陷入局部最小、泛化性能好等优点的同时显著提高I-ELM的误差下降速度,不仅提高了I-ELM的学习速度,而且提高了I-ELM的测试精度,较好地解决了I-ELM由于输入权值以及隐层神经元的阈值是随机取得,在训练过程中增加神经元会存在部分隐层神经元的输出权值过小,导致其对网络输出贡献很小,降低了网络的训练速度,使网络变得更复杂的问题。综上,该方法具有学习速度快,拥有更好预测精度的优点。可以而准确预测电池SOC、降低重复充放电对电池的损耗、延长电池的使用寿命,达到降低电池的使用成本的目的。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中基于改进的I-ELM的动力电池SOC预测方法流程图;
图2为本发明实施例中I-ELM网络结构示意图;
图3为本发明实施例中I-ELM的学习步骤示意图;
图4为本发明实施例中II-ELM网络结构示意图;
图5为实施例一中基于改进的I-ELM的动力电池SOC预测方法流程图;
图6为实施例一中动力电池SOC的预测误差下降曲线图;
图7为本发明实施例中基于改进的I-ELM的动力电池SOC预测装置的结构图;
图8为本发明实施例中训练模块的结构图;
图9为本发明实施例中确定单元的结构图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
根据本发明实施例,提供了一种基于改进的I-ELM的动力电池SOC预测方法,图1为该方法的流程图,具体包括步骤101-104:
步骤101:采集训练样本,该训练样本包括动力电池充放电数据和动力电池的SOC数据。
本发明实施例中,该训练样本即为事先确定的动力电池充放电数据和SOC(即荷电状态)数据,用于训练网络。
步骤102:对动力电池充放电数据和SOC数据进行归一化处理,动力电池充放电数据包括电压信号、电流信号和温度信号。
其中,经过归一化后数据的范围是(-1,1)。上述的电池充放电电压、温度、电流信号作为网络输入,SOC数据作为输出。
步骤103:将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数。上述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络。
其中,网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值。
具体的,I-ELM作为一种新型增量型单隐层前馈神经网络,在2006年由黄广斌提出。它在执行过程中不需要调整网络的输入权值以及隐层神经元的偏置,并且产生唯一的最优解,而且随着隐层神经元的增加网络泛化性能越来越好,因此具有训练参数少学习速度快且泛化性能好的优点。
I-ELM网络结构参见图2所示,I-ELM网络有m个输入n个输出。a表示当前隐层神经元的输入权值,是一个1×m的矩阵,它里面的元素是在范围为-1到1间随机取值的;bL表示第L个隐层神经元的阈值,当是加法隐层神经元(Sigmoid)时,bL是一个-1到1间随机取值的数字;当是径向基隐层神经元(RBF)时,bL是一个0到0.5间的随机值。给定训练集为{(xi,yi)},i=1,2,…,N(N为训练样本的个数)。其中X=[x1,x2,…,xN]为m×N的矩阵,它表示N组数据的输入;Y=[y1,y2,…,yN]为n×N的矩阵,它表示N组数据的输出。
隐层神经元的激励函数可自己选择,本发明实施例中选择的加法隐层神经元的激励函数为:
径向基隐层神经元的激励函数为:
g(x)=exp(-x)。
设最大隐层神经元个数为M,期望误差为ε,图3中期望误差取值为0.01,余差E的初值是输出Y。隐层神经元个数L从1开始增加。
I-ELM的学习步骤参见图3所示,具体如下:
当L≤M且误差不小于期望误差时,
①L=L+1;
②随机获取当前隐层神经元的输入权值a和阈值b;
③计算当前隐层神经元激励函数g(x)的输入x;
当为加法隐层神经元:将b扩展成一个1×N的矩阵b(每列都相同),然后计算:
x=aX+b;
当为径向基隐层神经元:将a扩展成一个N×m的矩阵(每行都相同),然后计算:
x=b×||XT-a||。
④计算当前的隐层输出矩阵H:
a、加法隐层神经元:H=g(x);
b、径向基隐层神经元:H=g(x)T。
⑤然后计算出该隐层神经元的输出权值β:
⑥最后重新计算余差E:E'=E-βH,其中E’为重新计算的余差,并将该E’作为新的余差E。
重复上述操作,直到误差(即余差的平方平均数)小于期望误差时停止学习;若误差仍然一直较大时,且当L>M时停止学习,并得出隐层神经元个数及其所有权值。
最后,根据给定的测试集{(Xi,Yi)},i=1,2,…,J(J为测试样本的个数),测试训练好的网络是否达到要求。若达到要求,则认为该I-ELM网络训练成功。
以上详细介绍了I-ELM网络的训练过程,本发明实施例提供的方法对I-ELM网络进行了优化(本发明实施例中,将改进的I-ELM称为II-ELM,即ImprovedI-ELM),具体如下:
在上述I-ELM网络训练过程的步骤⑤中,给隐层输出H加上了一个最优的偏置m:
具体的,当余差E=[e1,e2,…,eN],I-ELM网络的隐层输出矩阵H=[h1,h2,…,hN],偏置为m时,II-ELM的隐层输出矩阵可以为M=[(h1+m),(h2+m),…,(hN+m)]。其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;需要说明的是,也可以为hi增加2m或3m等,或者乘以一个与m相关的系数,其目的均是为该隐层输出增加偏置m,本文不做详述。
步骤104:根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。
具体的,在确定网络模型参数后,由于改进的I-ELM网络模型(下文中称为II-ELM网络模型)至少输入电池充放电的电压信号、电流信号和温度信号,故II-ELM网络模型的输入层至少有3个节点表示输入参数,输出层又一个节点表示磷酸铁锂动力电池的SOC的预测结果,II-ELM网络结构参见图4所示。并将现场采集的动力电池充放电数据归一化处理后输入至II-ELM网络模型中,并对结果进行反归一化处理,从而可以完成对磷酸铁锂动力电池的荷电状态的预测
优选的,步骤202中确定网络模型参数,具体包括步骤A1-A3:
步骤A1、随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
步骤A2、根据隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为隐层输出矩阵增加偏置,进而确定输出权值;
步骤A3、计算余差和误差,余差的初始值与归一化处理后的SOC数据相对应,误差为余差的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加的隐层神经元,直至误差小于期望误差。
优选的,步骤103中为隐层输出矩阵增加偏置,进而确定输出权值,具体包括步骤B1-B2:
步骤B1、选取偏置m,隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
步骤B2、根据隐层输出矩阵M和余差E确定输出权值k,输出权值为:
上述计算余差具体包括:余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差,并将该E’作为新的余差E。
优选的,上述选取偏置m的过程具体包括:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
ei为余差E=[e1,e2,…,eN]中的余差元素;
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,隐层神经元无效,重新训练隐层神经元;
当c1=0、c2=0时,偏置为m=0。
本发明实施例提供的一种基于改进的I-ELM的动力电池SOC预测方法,其在I-ELM的隐层输出矩阵上加上了一个偏置,该方法能在保持I-ELM结构简单、学习速度快、参数容易调整且不易陷入局部最小、泛化性能好等优点的同时显著提高I-ELM的误差下降速度,不仅提高了I-ELM的学习速度,而且提高了I-ELM的测试精度,较好地解决了I-ELM由于输入权值以及隐层神经元的阈值是随机取得,在训练过程中增加神经元会存在部分隐层神经元的输出权值过小,导致其对网络输出贡献很小,降低了网络的训练速度,使网络变得更复杂的问题。综上,该方法具有学习速度快,拥有更好预测精度的优点。可以而准确预测电池SOC、降低重复充放电对电池的损耗、延长电池的使用寿命,达到降低电池的使用成本的目的。
下面通过一个实施例详细介绍该方法的流程。
实施例一
在实施例一中,参见图5所示,该基于改进的I-ELM的动力电池SOC预测方法具体包括步骤501-510:
步骤501:采集训练样本,该训练样本包括动力电池充放电数据和动力电池的SOC数据。
步骤502:对动力电池充放电数据和SOC数据进行归一化处理.
该动力电池充放电数据至少包括电压信号、电流信号和温度信号。
步骤503:新增一个隐层神经元,并确定当前隐层神经元的输入权值a和阈值b。
步骤504:确定隐层神经元的激励函数,并计算激励函数的输入。
在实施例一中,加法隐层神经元的激励函数为:
径向基隐层神经元的激励函数为:
g(x)=exp(-x)。
当为加法隐层神经元:将b扩展成一个1×N的矩阵b(每列都相同),然后计算激励函数的输入:
x=aX+b
当为径向基隐层神经元:将a扩展成一个N×m的矩阵(每行都相同),然后计算激励函数的输入:
x=b×||XT-a||。
步骤505:计算隐层输出矩阵H。
对于加法隐层神经元:H=g(x);
对于径向基隐层神经元:H=g(x)T。
步骤506:为隐层输出矩阵H增加偏置m,并确定输出权值。
具体的,在实施例一中,增加偏置m后的II-ELM的隐层输出矩阵可以为M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数。
此时,输出权值k为:
误差Z’为:
根据上述计算权值k的式子可知,误差Z’具体为:
ei为余差E=[e1,e2,…,eN]中的余差元素。
设c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2;其中,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
ei为余差E=[e1,e2,…,eN]中的余差元素;
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,k=0,此时隐层神经元无效,需要重新训练隐层神经元;
当c1=0、c2=0时,偏置为m=0。
步骤507:计算余差E。
余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
步骤508:判断误差是否大于期望误差,当误差大于期望误差时,继续步骤503,否则继续步骤509。
步骤509:确定网络模型参数。
该参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值。
步骤510:根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化后输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。
图6为II-ELM和I-ELM添加到100个隐层神经元时,动力电池SOC的预测误差下降曲线,从图中可以发现,不管是用加法隐层神经元还是径向基隐层神经元,II-ELM都比I-ELM的收敛速度快多了。
表1分别给出了II-ELM、I-ELM、BP预测磷酸铁锂动力电池SOC的结果:训练时间trainingtime(反映学习速度),测试误差均值RMSE(反映网络的测试精度),测试误差的方差均值STD(反映网络的稳定性)。结果是对每个网络训练20次以上取其平均值,它们的结果都是在MATLABR2009a,3.0GHzCPU和2GRAM的PC机上完成,算法名后括号里的数字表示该网络的隐层神经元个数。
表1各算法用于磷酸铁锂动力电池SOC的预测结果的对比
由表1可知:①在隐层神经元个数相同的情况下,无论是用加法隐层神经元还是径向基隐层神经元,II-ELM在训练时间上都与I-ELM相差无几,但是在测试精度上要比I-ELM和BP更加精确而且更加稳定一些。而BP的训练时间相比于Sigmoid的I-ELM和II-ELM要长得多。②添加20个隐层神经元的II-ELM与添加100个隐层神经元的I-ELM对比时可以发现,无论是用加法隐层神经元还是径向基隐层神经元,II-ELM在各方面都优于I-ELM。
以上详细介绍了基于改进的I-ELM的动力电池SOC预测方法,该方法也可以通过相应的装置来实现,下面详细介绍给装置的结构和功能。
本发明实施例提供的一种基于改进的I-ELM的动力电池SOC预测装置,参见图7所示,包括:
采集模块71,用于采集训练样本,所述训练样本包括动力电池充放电数据和动力电池的SOC数据,并对所述动力电池充放电数据和SOC数据进行归一化处理,所述动力电池充放电数据包括电压信号、电流信号和温度信号;
训练模块72,用于将所述训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;所述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,所述网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值;
处理模块73,用于根据所述网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至所述改进的I-ELM网络模型中,确定动力电池的荷电状态。
优选的,参见图8所示,所述训练模块72包括:
获取单元721,用于随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
确定单元722,用于根据所述隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为所述隐层输出矩阵增加偏置,进而确定输出权值;
计算单元723,用于计算余差和误差,余差的初始值与归一化处理后的SOC数据相对应,误差为余差的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加的隐层神经元,直至误差小于期望误差。
优选的,当隐层神经元为加法隐层神经元时,所述隐层神经元的激励函数为:
当隐层神经元为径向基隐层神经元时,所述隐层神经元的激励函数为:
g(x)=exp(-x)。
优选的,参见图9所示,所述确定单元722包括:
选取子单元7221,用于选取偏置m,所述隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
确定子单元7222,用于根据所述隐层输出矩阵M和余差E确定输出权值k,所述输出权值为:
所述计算单元723具体用于:计算余差,所述余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
优选的,所述选取子单元7221具体用于:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
ei为余差E=[e1,e2,…,eN]中的余差元素;
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,所述隐层神经元无效,重新训练所述隐层神经元;
当c1=0、c2=0时,偏置为m=0。
本发明实施例提供的一种基于改进的I-ELM的动力电池SOC预测方法及装置,其在I-ELM的隐层输出矩阵上加上了一个偏置,该方法能在保持I-ELM结构简单、学习速度快、参数容易调整且不易陷入局部最小、泛化性能好等优点的同时显著提高I-ELM的误差下降速度,不仅提高了I-ELM的学习速度,而且提高了I-ELM的测试精度,较好地解决了I-ELM由于输入权值以及隐层神经元的阈值是随机取得,在训练过程中增加神经元会存在部分隐层神经元的输出权值过小,导致其对网络输出贡献很小,降低了网络的训练速度,使网络变得更复杂的问题。综上,该方法具有学习速度快,拥有更好预测精度的优点。可以而准确预测电池SOC、降低重复充放电对电池的损耗、延长电池的使用寿命,达到降低电池的使用成本的目的。
本发明能有多种不同形式的具体实施方式,上面以图1-图9为例结合附图对本发明的技术方案作举例说明,这并不意味着本发明所应用的具体实例只能局限在特定的流程或实施例结构中,本领域的普通技术人员应当了解,上文所提供的具体实施方案只是多种优选用法中的一些示例,任何体现本发明权利要求的实施方式均应在本发明技术方案所要求保护的范围之内。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进的I-ELM的动力电池SOC预测方法,其特征在于,包括:
采集训练样本,所述训练样本包括动力电池的充放电数据和动力电池的SOC数据,并对所述动力电池的充放电数据和SOC数据进行归一化处理,所述动力电池的充放电数据包括电压信号、电流信号和温度信号;
将所述训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;所述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,所述网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值;
根据所述网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至所述改进的I-ELM网络模型中,确定动力电池的荷电状态。
2.根据权利要求1所述的方法,其特征在于,所述确定网络模型参数,包括:
随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
根据所述隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为所述隐层输出矩阵增加偏置,进而确定输出权值;
计算余差和误差,所述余差的初始值与归一化处理后的SOC数据相对应,所述误差为所述余差的平方平均数;当所述误差不小于期望误差时,增加一个隐层神经元并训练所述增加的隐层神经元,直至所述误差小于期望误差。
3.根据权利要求2所述的方法,其特征在于,
当隐层神经元为加法隐层神经元时,所述隐层神经元的激励函数为:
当隐层神经元为径向基隐层神经元时,所述隐层神经元的激励函数为:
g(x)=exp(-x)。
4.根据权利要求2所述的方法,其特征在于,所述为所述隐层输出矩阵增加偏置,进而确定输出权值,包括:
选取偏置m,所述隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
根据所述隐层输出矩阵M和余差E确定输出权值k,所述输出权值为:
所述计算余差,包括:
所述余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
5.根据权利要求4所述的方法,其特征在于,所述选取偏置m,包括:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,所述隐层神经元无效,重新训练所述隐层神经元;
当c1=0、c2=0时,偏置为m=0。
6.一种基于改进的I-ELM的动力电池SOC预测装置,其特征在于,包括:
采集模块,用于采集训练样本,所述训练样本包括动力电池充放电数据和动力电池的SOC数据,并对所述动力电池充放电数据和SOC数据进行归一化处理,所述动力电池充放电数据包括电压信号、电流信号和温度信号;
训练模块,用于将所述训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;所述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,所述网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值;
处理模块,用于根据所述网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电数据进行归一化处理后输入至所述改进的I-ELM网络模型中,确定动力电池的荷电状态。
7.根据权利要求6所述的装置,其特征在于,所述训练模块包括:
获取单元,用于随机获取隐层神经元的输入权值和阈值,并确定隐层神经元的激励函数;
确定单元,用于根据所述隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵,并为所述隐层输出矩阵增加偏置,进而确定输出权值;
计算单元,用于计算余差和误差,所述余差的初始值与归一化处理后的SOC数据相对应,所述误差为所述余差的平方平均数;当所述误差不小于期望误差时,增加一个隐层神经元并训练所述增加的隐层神经元,直至所述误差小于期望误差。
8.根据权利要求7所述的装置,其特征在于,
当隐层神经元为加法隐层神经元时,所述隐层神经元的激励函数为:
当隐层神经元为径向基隐层神经元时,所述隐层神经元的激励函数为:
g(x)=exp(-x)。
9.根据权利要求7所述的装置,其特征在于,所述确定单元包括:
选取子单元,用于选取偏置m,所述隐层输出矩阵M=[(h1+m),(h2+m),…,(hN+m)],其中,hi为I-ELM网络的输出矩阵H=[h1,h2,…,hN]中的矩阵元素,N为训练样本的样本数;
确定子单元,用于根据所述隐层输出矩阵M和余差E确定输出权值k,所述输出权值为:
所述计算单元具体用于:计算余差及误差,所述余差为E'=E-k×(m+H),其中,E’为本轮计算重新确定的余差。
10.根据权利要求9所述的装置,其特征在于,所述选取子单元具体用于:
根据余差E和I-ELM网络的输出矩阵H确定三个参数c1,c2,c3,其中,
c1=a1b2-a2b1,c2=2(a1b3-a3b1),c3=a2b3-a3b2,
当c1≠0时,确定两个偏置:
并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置;
其中,误差Z’为:
当c1=0、c2≠0且时,偏置为
当c1=0、c2≠0且时,所述隐层神经元无效,重新训练所述隐层神经元;
当c1=0、c2=0时,偏置为m=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510573503.2A CN105183994B (zh) | 2015-09-10 | 2015-09-10 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510573503.2A CN105183994B (zh) | 2015-09-10 | 2015-09-10 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105183994A true CN105183994A (zh) | 2015-12-23 |
CN105183994B CN105183994B (zh) | 2018-04-24 |
Family
ID=54906073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510573503.2A Active CN105183994B (zh) | 2015-09-10 | 2015-09-10 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105183994B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN107392352A (zh) * | 2017-06-21 | 2017-11-24 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN109445906A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种虚拟机需求数量预测方法 |
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
CN111476355A (zh) * | 2020-04-16 | 2020-07-31 | 浙江工业职业技术学院 | 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法 |
CN112731183A (zh) * | 2020-12-21 | 2021-04-30 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
-
2015
- 2015-09-10 CN CN201510573503.2A patent/CN105183994B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
Non-Patent Citations (4)
Title |
---|
DU JIANI等: "Li-ion Battery SOC Estimation Using EKF Based on", 《INDUSTRIAL ELECTRONICS & APPLICATIONS》 * |
GUANG-BIN HUANG等: "Extreme learning machine: Theory and applications", 《NEUROCOMPUTING》 * |
尹安东: "基于神经网络的磷酸铁锂电池SOC预测研究", 《电子测量与仪器学报》 * |
李国进等: "磷酸铁锂电池的SOC预测", 《计算机仿真》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN107392352A (zh) * | 2017-06-21 | 2017-11-24 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
CN107392352B (zh) * | 2017-06-21 | 2020-10-23 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN108734360B (zh) * | 2018-06-19 | 2021-09-07 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN109445906A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种虚拟机需求数量预测方法 |
CN109445906B (zh) * | 2018-10-11 | 2021-07-23 | 北京理工大学 | 一种虚拟机需求数量预测方法 |
CN109815995B (zh) * | 2019-01-07 | 2020-10-27 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111476355A (zh) * | 2020-04-16 | 2020-07-31 | 浙江工业职业技术学院 | 一种基于蝙蝠探测-极限学习机的锂电池soc估计方法 |
CN112731183A (zh) * | 2020-12-21 | 2021-04-30 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
CN112731183B (zh) * | 2020-12-21 | 2023-04-21 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN113985294B (zh) * | 2021-12-29 | 2022-04-01 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105183994B (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105183994A (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
Qiu et al. | Remaining useful life prediction of lithium-ion battery based on improved cuckoo search particle filter and a novel state of charge estimation method | |
Chen et al. | Model predictive control based real-time energy management for hybrid energy storage system | |
Hu et al. | A review of second-life lithium-ion batteries for stationary energy storage applications | |
Chang | Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network, an OLS algorithm and AGA | |
CN102569922B (zh) | 一种基于单体电池一致性的蓄电池组soc估计改进方法 | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN103983919B (zh) | 一种基于gm(1,n)灰色模型的电池寿命预测方法 | |
Boujoudar et al. | Lithium-ion batteries modeling and state of charge estimation using artificial neural network | |
CN105911476A (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
Liu et al. | A novel fuzzy‐extended Kalman filter‐ampere‐hour (F‐EKF‐Ah) algorithm based on improved second‐order PNGV model to estimate state of charge of lithium‐ion batteries | |
CN114692965A (zh) | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
Murawwat et al. | State of charge estimation and error analysis of lithium-ion batteries for electric vehicles using Kalman filter and deep neural network | |
Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
Ansari et al. | Jellyfish optimized recurrent neural network for state of health estimation of lithium-ion batteries | |
Lee et al. | Battery state-of-charge estimation using data-driven Gaussian process Kalman filters | |
CN113093014A (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
Li et al. | State of charge estimation of lithium-ion batteries using improved BP neural network and filtering techniques | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
Xu | State-of-charge estimation method for lithium-ion batteries based on competitive SIR model | |
Karami et al. | ANN modeling of cold cranking test for sealed lead-acid batteries | |
An | New energy vehicle lithium battery life prediction method based on improved deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |