CN106383315A - 一种新能源汽车电池荷电状态soc预测方法 - Google Patents

Abstract

本发明涉及一种新能源汽车电池荷电状态SOC预测方法，包括网络初始化、隐含层输出计算、输出层输出计算、误差计算、权值更新、阈值更新、判断算法迭代是否结束以及预测输出电池使用SOC值步骤，本发明的有益效果是：由于采用了径向基函数RBF神经网络原理，径向基网络的输出和权值之间为线性关系，故所需训练时间要比前向BP网络少，且由于局部响应特点，径向基网络能够以任意精度逼近任意连续函数，提高了预测模型的准确性。同时，神经网络具有逼近多输入输出参数函数、高度的非线性、鲁棒性和容错性等特点，对于外部激励能够给出相应的输出，可以不需要建立数学模型而对电池内部复杂系统进行预测和控制。

Description

一种新能源汽车电池荷电状态SOC预测方法

技术领域

本发明属于电池荷电状态预测方法，具体是一种新能源汽车电池荷电状态SOC预测方法。

背景技术

新能源电池的SOC预测对提高电池利用率，延长电池使用寿命，保证电池使用安全，降低由于电池性能衰退对设备运行带来的损坏具有重要意义。现有的电池性能预测方法主要有：基于电池使用中信号特征的机器学习方法和基于实验验证的经验公式法。现有技术中公开了一种SOC预测方法，其专利名称为“一种混合动力汽车电池SOC预测方法”，其专利申请号为：“201310428151.2”。该方法用电池的外部特性参数，采用贝叶斯证据框架下最小二乘支持向量机方法设计电池SOC的预测模型实现SOC预测。然而，支持向量机借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，使得基于支持向量机的SOC方法具有一定的局限性。

发明内容

为了克服现有的电池性能预测方法对电池荷电状态预测的不足，本发明提供一种新能源汽车电池荷电状态SOC预测方法。该方法采用数据挖掘原理，通过获取电池使用过程中的全样本数据，对电池使用过程中的SOC值的预测进行学习训练。在使用过程中，实时采集电池使用数据，通过基于径向基函数RBF的神经网络模型对电池SOC值进行预测。

为实现上述目的，本发明的技术方案是以下述方式实现的：

一种新能源汽车电池荷电状态SOC预测方法，包括以下步骤：

步骤1：网络初始化，根据系统输入输出序列(X，Y)确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

步骤2：隐含层输出计算，根据输入变量X，输入层和隐含层间连接权值w_ij，以及隐含层阈值a，计算隐含层输出H，计算公式为：其中j＝1,2,...,l；式中，l为隐含层节点数；f为隐含层激励函数，计算公式为：radbas(n)＝e^-n2。

步骤3：输出层输出计算，根据隐含层输出H，连接权值w_jk和阈值b，计算径向基函数RBF神经网络预测输出O，计算公式为：其中k＝1,2,...,m。

步骤4：误差计算，根据网络预测输出和期望输出Y，计算网络预测误差e，计算公式为e_k＝Y_k-O_k，其中k＝1,2,...,m。

步骤5：权值更新，根据网络预测误差e更新网络连接权值w_ij和w_jk,w_ij计算公式为：其中i＝1,2,...,n、j＝1,2,...,l；w_jk计算公式为：w_jk＝w_jk+ηH_je_k，其中j＝1,2,...,l、k＝1,2,...,m。

步骤6：阈值更新，根据网络预测误差e，更新网络节点阈值a和b，阈值a计算公式为：其中j＝1,2,...,l；阈值b计算公式为：b_k＝b_k+e_k,其中k＝1,2,...,m。

步骤7：判断算法迭代是否结束，若没有结束，则返回步骤2。

步骤8：输入一个新的电池使用状态数据向量，根据神经网络模型对电池使用SOC值进行预测输出。

本发明的有益效果是：由于采用了径向基函数RBF神经网络原理，径向基网络的输出和权值之间为线性关系，故所需训练时间要比前向BP网络少，且由于局部响应特点，径向基网络能够以任意精度逼近任意连续函数，提高了预测模型的准确性。同时，神经网络具有逼近多输入输出参数函数、高度的非线性、鲁棒性和容错性等特点，对于外部激励能够给出相应的输出，可以不需要建立数学模型而对电池内部复杂系统进行预测和控制。与现有技术方法相比，该方法对电池使用状况进行学习，提高了电池SOC值状态预测的准确率。

附图说明

图1：本发明的步骤流程图。

图2：本发明的神经网络原理图。

具体实施方式

下面结合具体实施方式和附图对本发明作详细说明。

如图1所示，一种新能源汽车电池荷电状态SOC预测方法，包括以下步骤：

步骤1：网络初始化，根据系统输入输出序列(X，Y)确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

步骤2：隐含层输出计算，根据输入变量X，输入层和隐含层间连接权值w_ij，以及隐含层阈值a，计算隐含层输出H，计算公式为：其中j＝1,2,...,l；式中，l为隐含层节点数；f为隐含层激励函数，计算公式为：radbas(n)＝e^-n2。

步骤3：输出层输出计算，根据隐含层输出H，连接权值w_jk和阈值b，计算径向基函数RBF神经网络预测输出O，计算公式为：其中k＝1,2,...,m。

步骤4：误差计算，根据网络预测输出和期望输出Y，计算网络预测误差e，计算公式为e_k＝Y_k-O_k，其中k＝1,2,...,m。

步骤5：权值更新，根据网络预测误差e更新网络连接权值w_ij和w_jk,w_ij计算公式为：其中i＝1,2,...,n、j＝1,2,...,l；w_jk计算公式为：w_jk＝w_jk+ηH_je_k，其中j＝1,2,...,l、k＝1,2,...,m。

步骤6：阈值更新，根据网络预测误差e，更新网络节点阈值a和b，阈值a计算公式为：其中j＝1,2,...,l；阈值b计算公式为：b_k＝b_k+e_k,其中k＝1,2,...,m。

步骤7：判断算法迭代是否结束，若没有结束，则返回步骤2。

步骤8：输入一个新的电池使用状态数据向量，根据神经网络模型对电池使用SOC值进行预测输出。

下面结合测试方法对本发明作进一步说明：

如图2所示，首先将电池使用状态以向量的形式表示，以向量中属性取值的不同表征状态的变化。影响电池状态变化的要素有四个，电池电压，充放电电流、温度，电阻。状态向量的表示及包含的具体属性如下：

状态向量S＝(U,I,R,T)，其中U表电压，I表示电流，R表示电阻，T表示温度。

以x＝{x₁,x₂,x₃,x₄}表示上述所有电池使用状态向量，y＝{y₁,y₂...y_m}表示电池使用电荷状态SOC值，通过实际测量数据对神经网络模型进行训练。

在采集输入量的实验中，使用安时积分的方法来标定当前蓄电池的剩余容量，以此来验证估算值的精确度。

训练样本的选择对于保证神经网络模型的精度是非常重要的，通常要求训练样品能够尽量覆盖整个工作范围，由于要求具有相当多的数据，为了保证网络的精度，在主要放电电流的范围内多选取数据，放电电流的选择从0.1到3C这样的范围，电池放电电压是从满电量开始放电至截止电压，选取的放电电流包括0.2C、0.5C、0.8C、IC、2C、3C，放电过程中，端电压每下降0.1V便采集一次数据，直至放电结束，所选择的特定电池放电电流、放电电压、内阻值以及温度组成训练样本对的输入向量，以及相应所测定得到的电池放电容量的数值，构成了神经网络模型的训练样本对。

按照上述方式，得到训练样本对。网络的训练及测试过程均在Matlab环境下进行，将归一化处理后的数据，送入建立径向基神经网络中进行训练，调整参数，使网络达到精度要求，误差收敛到期望值。

电池荷电状态SOC预测时，输入电池使用状态向量，得到电池使用SOC值。

本发明利用基于径向基函数RBF神经网络方法，将电池使用状态数据作为网络输入，输出电池SOC值，实现了对电池SOC的预测，与现有的技术方法相比，本方法具有智能匹配，容错性高，精度高等特点。对本发明的检验是将每一个电池使用状态向量作为网络输入，每个输入网络的向量包含4个维度，取10个新增电池使用状态数据进行预测的结果，最小误差结果为err＝0.03933，网络的预测准确率达到96％以上。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

Claims (1)

1.一种新能源汽车电池荷电状态SOC预测方法，其特征在于，包括以下步骤：

(1)网络初始化，根据系统输入输出序列(X，Y)确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

(2)隐含层输出计算，根据输入变量X，输入层和隐含层间连接权值w_ij，以及隐含层阈值a，计算隐含层输出H，计算公式为：其中j＝1,2,...,l；式中，l为隐含层节点数；f为隐含层激励函数，计算公式为：radbas(n)＝e^-n2；

(3)输出层输出计算，根据隐含层输出H，连接权值w_jk和阈值b，计算径向基函数RBF神经网络预测输出O，计算公式为：其中k＝1,2,...,m；

(4)误差计算，根据网络预测输出和期望输出Y，计算网络预测误差e，计算公式为e_k＝Y_k-O_k，其中k＝1,2,...,m；

(5)权值更新，根据网络预测误差e更新网络连接权值w_ij和w_jk,w_ij计算公式为：其中i＝1,2,...,n、j＝1,2,...,l；w_jk计算公式为：w_jk＝w_jk+ηH_je_k，其中j＝1,2,...,l、k＝1,2,...,m；

(6)阈值更新，根据网络预测误差e，更新网络节点阈值a和b，阈值a计算公式为：其中j＝1,2,...,l；阈值b计算公式为：b_k＝b_k+e_k,其中k＝1,2,...,m；

(7)判断算法迭代是否结束，若没有结束，返回步骤(2)；

(8)输入一个新的电池使用状态数据向量，根据神经网络模型对电池使用SOC值进行预测输出。