CN109239603A - 一种流形正则化框架下的极限学习机预测动力电池soc方法 - Google Patents

Abstract

本发明公开了一种流形正则化框架下的极限学习机预测动力电池SOC方法，属于电池管理系统技术领域，采集到实验室样本数据，建立模型，得到样本数据归一化，采用z‑score标准化法，选择高斯核函数计算各点与_xi的相似度，反映样本空间的流形，依据极限学习机预测SOC模型设置相关参数和函数形式，在流形正则化框架下，创建极限学习机SOC预测模型，利用差分进化方法寻优正则化参数。本发明引入流形正则化理论优化极限学习机，提高极限学习机泛化性能，通过引入差分进化优化算法解决，提高极限学习机的预测性能，利用极限学习机建立的动力电池SOC预测模型能够提高预测精度、预测效率与预测稳定性。

Description

一种流形正则化框架下的极限学习机预测动力电池SOC方法

技术领域

本发明涉及一种预测动力电池SOC方法，特别是涉及一种流形正则化框架下的极限学习机预测动力电池SOC方法，属于电池管理系统技术领域。

背景技术

预测汽车车载电池SOC是动力电池管理系统的核心功能之一，主要根据电池SOC来估计续航里程，以防汽车在行驶过程中故障或是因为电池过度放电造成电池本身的损害而导致危险的发生，因此，如何准确预测车载电池的SOC成为汽车电池管理系统的重点问题之一。

目前，对SOC的估计方法各有优点，但也存在一定的应用限制，车载动力电池SOC预测方法主要有放电实验法、安时计量法、开路电压法、内阻法、卡尔曼滤波法以及神经网络法等，其中，放电实验及开路电压法测量数据可靠，但此类方法测量不容易实现实时测量，难以直接应用到车辆上；安时计量法的测量误差具有累积性，同时受高温影响较大，预测精度难于保证；开路电压法需将电池长时间静置，只适用于电动车驻车状态；内阻法能够较好的反映蓄电池的SOC，但电池内阻非常小，测量设备不方便且成本高；卡尔曼滤波法可应用于各种类型和在不同老化阶段的电池，但计算量过大，建模过程中电池中的非线性因素准确表述难于实现，神经网络法中权值、阈值的选取暂无完备理论指导，因此，对样本的训练可能会陷入局部最优。

发明内容

本发明的主要目的是为了提供一种流形正则化框架下的极限学习机预测动力电池SOC方法，针对车载动力电池SOC预测模型建立软模型，具体涉及以流形假设为依据，在数据输入空间构建图拉普拉斯算子，在其框架内求解极限学习机隐含层和输出层之间的权重，达到正则优化目的。

本发明的目的可以通过采用如下技术方案达到：

一种流形正则化框架下的极限学习机预测动力电池SOC方法，采集到实验室样本数据，建立模型，得到的样本数据归一化，采用z-score标准化法，选择高斯核函数计算各点与x_i的相似度，反映样本空间的流形，依据极限学习机预测SOC模型设置相关参数和函数形式，在流形正则化框架下，创建极限学习机SOC预测模型，利用差分进化方法寻优正则化参数。

进一步的，具体包括如下步骤：

步骤1：训练数据处理；

步骤2：流形正则化框架内计算图拉普拉斯算子L；

步骤3：初始化相关参数；

步骤4：流形正则化优化极限学习机预测模型；

步骤5：差分进化算法优化正则化参数C1、C2；

步骤6：采集测试输入样本数据集，对其进行归一化处理，并根据样本集的数量重新定义隐藏层的偏置b_i；

步骤7：利用步骤4得到的预测模型和步骤5优化选取的正则化参数C1、C2，预测测试样本集的预测输出。

进一步的，步骤1中，训练数据处理，将实验室离线环境下得到的动力电池电压、电流以及温度数据作为输入训练样本x_i；SOC数据作为训练标签样本y_i；样本数量为N；并将这些数据归一化处理。

进一步的，步骤2中，流形正则化框架内计算图拉普拉斯算子L，包括如下步骤：

步骤21：使用K近邻方法选择k个样本作为x_i的邻居样本节点，测距采用欧式距离方法计算样本x_i与其它邻居样本节点之间的距离；

步骤22：根据下式计算单个样本x_i和邻居节点之间的相似度，由此构成相似度矩阵W：

步骤23：计算图拉普拉斯算子L＝D-W，其中D是一个对角矩阵

进一步的，步骤3中，初始化相关参数，设定隐含层节点个数l，定义激活函数g(ω_i,b_i,x_i)为Sigmod函数形式，随机生成输入层和隐藏层之间的权值ω_i＝[ω_i1,ω_i2,…,ω_iN]^T以及隐藏层的偏置b_i。

进一步的，步骤4中，流形正则化优化极限学习机预测模型，包括如下步骤：

步骤41：计算极限学习机隐藏层输出矩阵H：

步骤42：计算隐藏层和输出层之间的权值矩阵β：

β＝(H^TH+C₁I+C₂H^TLH)^-1H^TY (3)

步骤43：根据预测模型计算预测输出

其中：C1、C2为正则化参数；

为训练输出矩阵。

进一步的，步骤5中，差分进化算法优化正则化参数C1、C2，将流形正则化框架下的极限学习机的正则化模型参数C1、C2视为参数的组合优化，定义目标适应度函数为：

其中：y_i为实测值；

y_i为前述建立模型的预测值。

进一步的，差分进化算法，包括如下步骤：

(1)在整个搜索空间随机生成NP个初始种群个体：

(2)变异操作：

h_ij(g)＝x_p1+F(x_p2-x_p3) (7)

(3)交叉操作：

(4)选择操作，定义评价函数对向量v_i(g+1)和向量_xi(g)进行比较取优选择：

其中：rand(0,1)是[0,1]上服从均匀分布的随机数；

x_p1，x_p2，x_p3为当前种群中随机选择的三个不同参数矢量，并且p1≠p2≠p3≠i，F为[0,1]之间的缩放比例因子；

CR为取值[0,1]之间的交叉概率。

本发明的有益技术效果：

1、本发明提供的流形正则化框架下的极限学习机预测动力电池SOC方法，是基于全局最优的差分进化方法与流形正则化框架内的极限学习机相融合预测SOC建模方法；首先，为了提高建立模型的泛化性能，解决极限学习机采用最小二乘法求解与随机性初始化隐层节点阈值与输入层权值所导致的潜在的问题，在流形正则化框架内对极限学习机进行体泛化性能的优化；其次，由于在引入流行正则化，导致正则化参数存在寻优的问题，通过差分进化方法可寻得全局最优解作为预测模型的正则化参数。

2、本发明提供的流形正则化框架下的极限学习机预测动力电池SOC方法，其优点在于：引入流形正则化理论优化极限学习机，提高了极限学习机泛化性能，解决了其本身输入权值与隐层节点偏置随机初始化导致的问题；而流形正则化极限学习机网络正则化参数无法自动寻优的问题，通过引入差分进化优化算法解决，最终提高极限学习机的预测性能；在流形正则化框架内利用极限学习机建立的动力电池SOC预测模型能够提高预测精度、预测效率与预测稳定性。

附图说明

图1为按照本发明的流形正则化框架下的极限学习机预测动力电池SOC方法的一优选实施例的极限学习机预测SOC模型结构图；

图2为按照本发明的流形正则化框架下的极限学习机预测动力电池SOC方法的一优选实施例的流形正则化框架下极限学习机建SOC预测模型流程图；

图3为按照本发明的流形正则化框架下的极限学习机预测动力电池SOC方法的一优选实施例的差分进化算法寻优正则化参数流程图。

具体实施方式

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1-图3所示，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，采集到实验室样本数据越丰富，后期建立的模型的精确度越高，得到的样本数据归一化方法本发明采用z-score标准化法；选择高斯核函数计算各点与_xi的相似度,该策略可以很好的反映样本空间的流形，以提高预测精度；设置相关参数和函数形式的主要依据图1所示的极限学习机预测SOC模型结构；流形正则化框架下极限学习机建SOC预测模型流程见图2所示；利用差分进化方法寻优正则化参数的流程见图3所示，具体包括如下步骤：

步骤1：训练数据处理；

步骤2：流形正则化框架内计算图拉普拉斯算子L；

步骤3：初始化相关参数；

步骤4：流形正则化优化极限学习机预测模型；

步骤5：差分进化算法优化正则化参数C1、C2；

步骤6：采集测试输入样本数据集，对其进行归一化处理，并根据样本集的数量重新定义隐藏层的偏置b_i；

步骤7：利用步骤4得到的预测模型和步骤5优化选取的正则化参数C1、C2，预测测试样本集的预测输出。

在本实施例中，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，具体包括如下步骤：

步骤1：训练数据处理

将实验室离线环境下得到的动力电池电压、电流以及温度数据作为输入训练样本x_i；SOC数据作为训练标签样本y_i；样本数量为N；并将这些数据归一化；

步骤2：流形正则化框架内计算图拉普拉斯算子L；

(1)使用K近邻方法选择k个样本作为x_i的邻居样本节点，测距采用欧式距离方法计算样本x_i与其它邻居样本节点之间的距离；

(2)根据下式计算单个样本x_i和邻居节点之间的相似度，由此构成相似度矩阵W：

(3)计算图拉普拉斯算子L＝D-W，其中D是一个对角矩阵

步骤3：初始化相关参数

设定是隐含层节点个数l，定义激活函数g(ω_i,b_i,x_i)为Sigmod函数形式，随机生成输入层和隐藏层之间的权值ω_i＝[ω_i1,ω_i2,…,ω_iN]^T以及隐藏层的偏置b_i；

步骤4：流形正则化优化极限学习机预测模型：

(1)计算极限学习机隐藏层输出矩阵H

(2)计算隐藏层和输出层之间的权值矩阵β

β＝(H^TH+C₁I+C₂H^TLH)^-1H^TY (3)

其中：C1、C2为正则化参数，为训练输出矩阵；

(3)根据预测模型计算预测输出

步骤5：差分进化算法优化正则化参数C1、C2

将流形正则化框架下的极限学习机的正则化模型参数C1、C2视为参数的组合优化，定义目标适应度函数为：

其中：y_i为实测值，y_i为前述建立模型的预测值；

差分进化方法主要包含四步，其中迭代寻优主要包含变异、交叉以及选择三步操作，具体如下：

(1)在整个搜索空间随机生成NP个初始种群个体：

其中：rand(0,1)是[0,1]上服从均匀分布的随机数；

(2)变异操作：

h_ij(g)＝x_p1+F(x_p2-x_p3) (7)

其中：x_p1，x_p2，x_p3为当前种群中随机选择的三个不同参数矢量，并且p1≠p2≠p3≠i，F为[0,1]之间的缩放比例因子；

(3)交叉操作，交叉操作可以增加种群的多样性，操作如下：

其中，CR为取值[0,1]之间的交叉概率；

(4)选择操作，定义评价函数对向量v_i(g+1)和向量_xi(g)进行比较取优选择：

步骤6：采集测试输入样本数据集，对其进行归一化处理，并根据样本集的数量重新定义隐藏层的偏置b_i；

步骤7：利用步骤四得到的预测模型和步骤五优化选取的正则化C1、C2参数预测测试样本集的预测输出。

在本实施例中，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，是基于全局最优的差分进化方法与流形正则化框架内的极限学习机相融合预测SOC建模方法；首先，为了提高建立模型的泛化性能，解决极限学习机采用最小二乘法求解与随机性初始化隐层节点阈值与输入层权值所导致的潜在的问题，在流形正则化框架内对极限学习机进行体泛化性能的优化；其次，由于在引入流行正则化，导致正则化参数存在寻优的问题，通过差分进化方法可寻得全局最优解作为预测模型的正则化参数。

在本实施例中，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，引入流形正则化理论优化极限学习机，提高了极限学习机泛化性能，解决了其本身输入权值与隐层节点偏置随机初始化导致的问题。

在本实施例中，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，而流形正则化极限学习机网络正则化参数无法自动寻优的问题，通过引入差分进化优化算法解决，最终提高极限学习机的预测性能。

在本实施例中，本实施例提供的流形正则化框架下的极限学习机预测动力电池SOC方法，在流形正则化框架内利用极限学习机建立的动力电池SOC预测模型能够提高预测精度、预测效率与预测稳定性。

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。

Claims (8)

1.一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，采集到实验室样本数据，建立模型，得到的样本数据归一化，采用z-score标准化法，选择高斯核函数计算各点与x_i的相似度，反映样本空间的流形，依据极限学习机预测SOC模型设置相关参数和函数形式，在流形正则化框架下，创建极限学习机SOC预测模型，利用差分进化方法寻优正则化参数。

2.如权利要求1所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，具体包括如下步骤：

步骤1：训练数据处理；

步骤2：流形正则化框架内计算图拉普拉斯算子L；

步骤3：初始化相关参数；

步骤4：流形正则化优化极限学习机预测模型；

步骤5：差分进化算法优化正则化参数C1、C2；

步骤6：采集测试输入样本数据集，对其进行归一化处理，并根据样本集的数量重新定义隐藏层的偏置b_i；

步骤7：利用步骤4得到的预测模型和步骤5优化选取的正则化参数C1、C2，预测测试样本集的预测输出。

3.如权利要求2所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，步骤1中，训练数据处理，将实验室离线环境下得到的动力电池电压、电流以及温度数据作为输入训练样本x_i；SOC数据作为训练标签样本y_i；样本数量为N；并将这些数据归一化处理。

4.如权利要求2所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，步骤2中，流形正则化框架内计算图拉普拉斯算子L，包括如下步骤：

步骤21：使用K近邻方法选择k个样本作为x_i的邻居样本节点，测距采用欧式距离方法计算样本x_i与其它邻居样本节点之间的距离；

步骤22：根据下式计算单个样本x_i和邻居节点之间的相似度，由此构成相似度矩阵W：

步骤23：计算图拉普拉斯算子L＝D-W，其中D是一个对角矩阵

5.如权利要求2所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，步骤3中，初始化相关参数，设定隐含层节点个数l，定义激活函数g(ω_i,b_i,x_i)为Sigmod函数形式，随机生成输入层和隐藏层之间的权值ω_i＝[ω_i1,ω_i2,…,ω_iN]^T以及隐藏层的偏置b_i。

6.如权利要求2所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，步骤4中，流形正则化优化极限学习机预测模型，包括如下步骤：

步骤41：计算极限学习机隐藏层输出矩阵H：

步骤42：计算隐藏层和输出层之间的权值矩阵β：

β＝(H^TH+C₁I+C₂H^TLH)^-1H^TY (3)

步骤43：根据预测模型计算预测输出

其中：C1、C2为正则化参数；

为训练输出矩阵。

7.如权利要求2所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，步骤5中，差分进化算法优化正则化参数C1、C2，将流形正则化框架下的极限学习机的正则化模型参数C1、C2视为参数的组合优化，定义目标适应度函数为：

其中：y_i为实测值；

y_i为前述建立模型的预测值。

8.如权利要求7所述的一种流形正则化框架下的极限学习机预测动力电池SOC方法，其特征在于，差分进化算法，包括如下步骤：

(1)在整个搜索空间随机生成NP个初始种群个体：

(2)变异操作：

h_ij(g)＝x_p1+F(x_p2-x_p3) (7)

(3)交叉操作：

(4)选择操作，定义评价函数对向量v_i(g+1)和向量x_i(g)进行比较取优选择：

其中：rand(0,1)是[0,1]上服从均匀分布的随机数；

x_p1，x_p2，x_p3为当前种群中随机选择的三个不同参数矢量，并且p1≠p2≠p3≠i，F为[0,1]之间的缩放比例因子；

CR为取值[0,1]之间的交叉概率。