CN105823989A - 一种改进的rbf神经网络的电池soc预测方法 - Google Patents
一种改进的rbf神经网络的电池soc预测方法 Download PDFInfo
- Publication number
- CN105823989A CN105823989A CN201610288501.3A CN201610288501A CN105823989A CN 105823989 A CN105823989 A CN 105823989A CN 201610288501 A CN201610288501 A CN 201610288501A CN 105823989 A CN105823989 A CN 105823989A
- Authority
- CN
- China
- Prior art keywords
- rbf
- rbf neural
- artificial fish
- soc
- network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种改进的RBF神经网络的电池SOC预测方法,首先通过RBF神经网络方法建立动力电池SOC预测模型,然后以神经网络的输出电池SOC作为评价指标,建立一个优化模型,采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。神经网络预测方法具有效率高、成本低的特点。
Description
技术领域
本发明属于动力电池的测试领域,具体涉及到一种改进的RBF神经网络的电池SOC预测方法。
背景技术
随着能源问题和环境问题的双重压力,国家大力倡导使用清洁新能源,一些诸如太阳能、风能、潮汐能、核能、生物化学能等清洁的新能源正在逐步的步入人类的工业生产和实际生活之中。以新能源发电为主要动力的电动汽车得到了大力的发展,电动汽车动力电池荷电状态的管理与预测对发展电动汽车起着重要的作用。
介于电动汽车的动力电池系统内部结构极其复杂,具有复杂的非线性,很难对其建立稳定而准确有效地电池等效模型(电化学模型、电路模型等模型),为保证电动汽车电池的安全稳定运行、使其在原有的使用寿命基础上加以延长和提高电池使用效率,需要对电池SOC进行准确高精度的加以预测。目前国内外对电池荷电状态的预测方法有很多,如放电法、比重法、开路电压法、等效电路法、卡尔曼滤波法等方法,然而这些方法的应用都具有各自的局限性,只可以在一些特定的场合下应用,泛化性能较差,在一些复杂的工况环境下不适宜推广应用。如放电法是在较理想的环境下使用的方法,在实现过程中比较困难,在多数电池复杂的工作条件下并不能满足实际的要求;比重法依据电池电解液密度的浓度大小来推断SOC大小的,此方法成本高,效率低,并不适合工况多变的电动汽车电池的预测;开路电压法虽然操作简单,但是由于电池本身的动态滞回特性,而且测量时还需电池长时间保持在静置的状态,这对于动电动汽车电池的测量很难适用;等效电路法较难辨识电路模型中未知元件的参数,且由于电池自身的老化使得此法通过修正其它参数才能估计SOC,过程比较繁琐;卡尔曼滤波法需要涉及大量的数学运算,对模型的精准度要求较高,在工程上应用较难实现。
发明内容
根据以上现有技术的不足,本发明所要解决的技术问题是提出一种改进的RBF神经网络的电池SOC预测方法,通过优化神经网络结构及参数,提供一种简单、方便、准确率高的测试方法,解决了现在的电池寿命测试装置或者方法测试结构或者过程复杂的问题。
为了解决上述技术问题,本发明采用的技术方案为:一种改进的RBF神经网络的电池SOC预测方法,该方法通过RBF神经网络方法建立动力电池SOC预测模型,然后以神经网络的输出电池SOC作为评价指标,建立一个优化模型,采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。
一种改进的RBF神经网络的电池SOC预测方法,该方法包括步骤如下:步骤一、利用人工鱼群算法训练RBF神经网络结构,得到利用人工鱼群算法优化RBF神经网络结构后的最优网络结构;步骤二、将电池的电池外部特性参数作为优化后RBF网络结构的输入,并将动力电池的SOC作为网络结构的输出;步骤三、用人工鱼群算法优化RBF神经网络后的最优网络结构建立RBF网络的预测模型,并对动力电池SOC预测。所述步骤一人工鱼群算法优化RBF神经网络,包括以下步骤:Step1:首先对鱼群进行初始化,随机产生N条人工鱼,即人工鱼种群大小为N;Step2:用人工鱼群算法训练RBF神经网络,通过AFSA优化网络的宽度向量δi、中心向量vi,输出神经元的权值wi;Step3:获得AFSA优化后的RBF网络结构及参数,据此网络结构建立RBF网络预测模型;Step4:计算所有个体的目标函数值(适应度值),目标函数(即适应度函数)选取为SOC预测值f(xi)与SOC实测值yi之差的范数,即obj=||yi-f(xi)||;Step5:判断是否满足终止条件,若是,获得人工鱼群算法优化网络的宽度向量δi、中心向量vi,输出神经元的权值wi以及RBF网络预测模型,否则,返回Step2。所述步骤二电池外部特性参数包括外部环境温度、放电电流、端电压。人工鱼群算法优化RBF神经网络结构包括输入层、隐含层和输出层。
本发明有益效果是:神经网络法对处理复杂非线性特性的动力电池SOC预测尤为适用,其预测电池SOC并不需要考虑电池内部复杂的非线性特性,只需考虑电池系统外部的输入输出特性,通过训练大量的样本数据,可以预测不同环境下电池的SOC状态,泛化能力很强。具有效率高、成本低的特点。
附图说明
下面对本说明书附图所表达的内容及图中的标记作简要说明:
图1是本发明的具体实施方式的SOC预测方法结构流程图。
图2是本发明的具体实施方式的AFSA-RBF模型优化流程图。
图3是本发明的具体实施方式的优化的RDF神经网络结构图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种改进的RBF神经网络的电池SOC预测方法,首先通过RBF神经网络方法建立动力电池SOC预测模型,然后以神经网络的输出电池SOC作为评价指标,建立一个优化模型,采用人工鱼群算法分别对宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。采用人工鱼群算法分别对宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算,具体是:利用人工鱼群算法优化训练RBF神经网络,以电池的外部环境温度、放电电流和端电压作为RBF网络模型的输入,建立人工鱼群算法优化神经网络的最优模型,预测出以电池外部环境温度、放电电流和端电压为输入的电池SOC最优解。结合图1所示的一种基于AFSA-RBF网络的纯电动汽车动力电池SOC预测方法,本发明的步骤如下:
(1)利用AFSA训练RBF网络结构,得到利用AFSA优化RBF后的最优网络结构;
(2)将电池的外部环境温度、放电电流、端电压作为优化后RBF网络结构的三个输入,并将动力电池的SOC作为网络结构的输出;
(3)用AFSA优化RBF后的最优网络结构建立RBF网络的预测模型,并对动力电池SOC预测。
结合图2所示的AFSA-RBF模型优化流程图,为解决RBF网络参数选择的不确定性,利用人工鱼群算法(ArtificialFishSwarmAlgorithm,AFSA)优化径向基神经网络(RBF),步骤如下:
Step1:首先对鱼群进行初始化,随机产生N条人工鱼,即人工鱼种群大小为N;
Step2:用人工鱼群算法训练径向基神经网络,通过AFSA优化网络的宽度向量δi、中心向量vi,输出神经元的权值wi;
Step3:获得AFSA优化后的RBF网络结构及参数,据此网络结构建立RBF网络预测模型;
Step4:计算所有个体的目标函数值(适应度值),目标函数(即适应度函数)选取为SOC预测值f(xi)与SOC实测值yi之差的范数,即obj=||yi-f(xi)||;
Step5:判断是否满足终止条件,若是,获得AFSA优化网络的宽度向量δi、中心向量vi,输出神经元的权值wi以及RBF网络预测模型,否则,返回Step2。
图3所示的为优化后RBF网络输入输出结构图,以电池的外部环境温度、放电电流、端电压作为优化后RBF网络结构的三个输入,并将动力电池的SOC作为网络结构的输出。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (5)
1.一种改进的RBF神经网络的电池SOC预测方法,其特征在于,该方法通过RBF神经网络方法建立动力电池SOC预测模型,然后以神经网络的输出电池SOC作为评价指标,建立一个优化模型,采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。
2.根据权利要求1所述的改进的RBF神经网络的电池SOC预测方法,其特征在于,该方法包括步骤如下:
步骤一、利用人工鱼群算法训练RBF神经网络结构,得到利用人工鱼群算法优化RBF神经网络结构后的最优网络结构;
步骤二、将电池的电池外部特性参数作为优化后RBF网络结构的输入,并将动力电池的SOC作为网络结构的输出;
步骤三、用人工鱼群算法优化RBF神经网络后的最优网络结构建立RBF网络的预测模型,并对动力电池SOC预测。
3.根据权利要求2所述的改进的RBF神经网络的电池SOC预测方法,其特征在于,所述步骤一人工鱼群算法优化RBF神经网络,包括以下步骤:
Step1:首先对鱼群进行初始化,随机产生N条人工鱼,即人工鱼种群大小为N;
Step2:用人工鱼群算法训练RBF神经网络,通过AFSA优化神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi;
Step3:获得AFSA优化后的RBF网络结构及参数,据此网络结构建立RBF网络预测模型;
Step4:计算所有个体的目标函数值,目标函数选取为SOC预测值f(xi)与SOC实测值yi之差的函数,即obj=||yi-f(xi)||;
Step5:判断是否满足终止条件,若是,获得人工鱼群算法优化网络的宽度向量δi、中心向量vi、输出神经元的权值wi以及RBF网络预测模型,否则,返回Step2。
4.根据权利要求2所述的改进的RBF神经网络的电池SOC预测方法,其特征在于,所述步骤二电池外部特性参数包括外部环境温度、放电电流、端电压。
5.根据权利要求2所述的改进的RBF神经网络的电池SOC预测方法,其特征在于,人工鱼群算法优化RBF神经网络结构包括输入层、隐含层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610288501.3A CN105823989A (zh) | 2016-05-04 | 2016-05-04 | 一种改进的rbf神经网络的电池soc预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610288501.3A CN105823989A (zh) | 2016-05-04 | 2016-05-04 | 一种改进的rbf神经网络的电池soc预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105823989A true CN105823989A (zh) | 2016-08-03 |
Family
ID=56528065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610288501.3A Pending CN105823989A (zh) | 2016-05-04 | 2016-05-04 | 一种改进的rbf神经网络的电池soc预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105823989A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN106779052A (zh) * | 2016-11-30 | 2017-05-31 | 国网江苏省电力公司南京供电公司 | 一种基于bp神经网络的配电电缆绝缘层实时温度计算方法 |
CN107167741A (zh) * | 2017-06-06 | 2017-09-15 | 浙江大学 | 一种基于神经网络的锂电池soc观测方法 |
CN107972508A (zh) * | 2017-11-27 | 2018-05-01 | 南京晓庄学院 | 一种电动汽车充电功率控制方法及控制装置 |
CN109884530A (zh) * | 2019-04-02 | 2019-06-14 | 西安交通大学 | 一种基于神经网络算法的电池管理系统及其操作方法 |
CN110232432A (zh) * | 2018-03-05 | 2019-09-13 | 重庆邮电大学 | 一种基于人工生命模型的锂电池组soc预测方法 |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及系统 |
CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234956A1 (en) * | 2007-03-19 | 2008-09-25 | Nippon Soken, Inc. | Method of calculating state variables of secondary battery and apparatus for estimating state variables of secondary battery |
CN102680903A (zh) * | 2012-05-11 | 2012-09-19 | 山东轻工业学院 | 便携式蓄电池状态检测系统及其检测方法 |
CN104375090A (zh) * | 2014-11-12 | 2015-02-25 | 国网重庆市电力公司电力科学研究院 | 一种充电锂电池剩余电量远程监测装置及其监测方法 |
-
2016
- 2016-05-04 CN CN201610288501.3A patent/CN105823989A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234956A1 (en) * | 2007-03-19 | 2008-09-25 | Nippon Soken, Inc. | Method of calculating state variables of secondary battery and apparatus for estimating state variables of secondary battery |
CN102680903A (zh) * | 2012-05-11 | 2012-09-19 | 山东轻工业学院 | 便携式蓄电池状态检测系统及其检测方法 |
CN104375090A (zh) * | 2014-11-12 | 2015-02-25 | 国网重庆市电力公司电力科学研究院 | 一种充电锂电池剩余电量远程监测装置及其监测方法 |
Non-Patent Citations (3)
Title |
---|
娄洁、戴龙泉、王勇: "基于PSO_SVM的电动汽车电池SOC估算方法", 《电源技术》 * |
赵丽虹、范敬柱: "量子鱼群算法优化RBF网络的浮选预测模型", 《辽宁科技大学学报》 * |
雷肖 等: "电动车电池SOC估计的径向基函数神经网络方法", 《电工技术学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN106779052A (zh) * | 2016-11-30 | 2017-05-31 | 国网江苏省电力公司南京供电公司 | 一种基于bp神经网络的配电电缆绝缘层实时温度计算方法 |
CN107167741A (zh) * | 2017-06-06 | 2017-09-15 | 浙江大学 | 一种基于神经网络的锂电池soc观测方法 |
CN107972508A (zh) * | 2017-11-27 | 2018-05-01 | 南京晓庄学院 | 一种电动汽车充电功率控制方法及控制装置 |
CN110232432A (zh) * | 2018-03-05 | 2019-09-13 | 重庆邮电大学 | 一种基于人工生命模型的锂电池组soc预测方法 |
CN110232432B (zh) * | 2018-03-05 | 2022-09-20 | 重庆邮电大学 | 一种基于人工生命模型的锂电池组soc预测方法 |
CN109884530A (zh) * | 2019-04-02 | 2019-06-14 | 西安交通大学 | 一种基于神经网络算法的电池管理系统及其操作方法 |
CN113325317A (zh) * | 2021-07-08 | 2021-08-31 | 山东大学 | 基于改进rbf神经网络的动力电池故障诊断方法及系统 |
CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105823989A (zh) | 一种改进的rbf神经网络的电池soc预测方法 | |
CN105548901B (zh) | 一种轨道交通用钛酸锂电池功率状态预测方法 | |
CN104965179B (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN105954679A (zh) | 一种锂电池荷电状态的在线估计方法 | |
Einhorn et al. | Comparison of electrical battery models using a numerically optimized parameterization method | |
CN102608535A (zh) | 一种锂离子电池容量的预测方法 | |
Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
CN106093782A (zh) | 动态建模的最小二乘支持向量机soc估计方法 | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN103439666A (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
CN109856545B (zh) | 太阳能汽车的蓄电池组剩余容量检测方法及系统 | |
CN104617876A (zh) | 一种太阳能光伏组件的户外测试平台及发电性能在线分析方法 | |
CN109507598A (zh) | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN105116346A (zh) | 一种串联型锂离子电池系统及其荷电状态估计方法 | |
CN102263527A (zh) | 一种光伏发电系统最大功率点跟踪方法 | |
Li et al. | The open-circuit voltage characteristic and state of charge estimation for lithium-ion batteries based on an improved estimation algorithm | |
Cao et al. | Non-invasive characteristic curve analysis of lithium-ion batteries enabling degradation analysis and data-driven model construction: a review | |
Ren et al. | State of charge estimation of ultracapacitor based on forgetting factor recursive least square and extended Kalman filter algorithm at full temperature range | |
CN106004481A (zh) | 一种混合动力汽车电池组soh值估算方法 | |
Li et al. | The battery management system construction method study for the power lithium-ion battery pack | |
Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
Zhou et al. | Parameters Identification of Battery Model Using a Novel Differential Evolution Algorithm Variant |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
RJ01 | Rejection of invention patent application after publication |