CN109507598A - 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 - Google Patents
贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 Download PDFInfo
- Publication number
- CN109507598A CN109507598A CN201710811101.0A CN201710811101A CN109507598A CN 109507598 A CN109507598 A CN 109507598A CN 201710811101 A CN201710811101 A CN 201710811101A CN 109507598 A CN109507598 A CN 109507598A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- algorithm
- lithium battery
- bayesian regularization
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 23
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种贝叶斯正则化的LM‑BP神经网络的锂电池SOC预测方法,包括如下步骤:a、建立BP神经网络模型;b、构建贝叶斯正则化的LM‑BP神经网络算法;c、样本数据的获取以及样本SOC的计算;d、数据的归一化处理。神经网络具有很好的非线性拟合能力,不需要考虑电池内部复杂的化学结构,可以很好的拟合锂电池的动态特性,而结合贝叶斯正则化算法可以提高网络的泛化能力,再与LM算法结合则加快了网络的收敛速度提高了其逼近精度,因此,本发明具有预测精度高、收敛速度快、泛化能力强的特点,适用于多种动力电池。
Description
技术领域
本发明涉及动力电池的测试领域,具体涉及一种贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法。
背景技术
由于人类社会迅速发展,环境问题和能源问题日益突出,绿色能源正逐渐步入人类的生产和生活当中。其中,以新能源发电为主要动力的电动汽车因其无污染,噪音低等优点得到了大力的发展,但是由于电池管理系统的不完善,会造成电池过充或者过放,影响电动汽车的使用安全性。而SOC作为电池的一个重要参数,其重要性就相当于人体的心脏,又由于电池内部是一个极其复杂的系统,使得电池SOC同电池其他参数的关系表现为高度的非线性,从而很难对电池的SOC进行准确地预测。
由于SOC是电池的内部状态参数,无法直接测量得到,只有通过测量电压、电流和温度等参数进行间接估算。因此,国内外相关研究工作者通过对电池SOC估算问题的研究提出了开路电压法、放电实验法、安时积分法、卡尔曼滤波法以及神经网络法等估算方法。但是这些方法都有各自的适用范围:开路电压法简单易行,但需要长时间的静置,耗时长,通常用于获取初始SOC,不适合在线测量;放电实验法能够可靠的测量电池SOC,但是在整个过程中电池进行的工作必须停止,并且需要大量的时间,不能在线测量;安时积分法不考虑电池内部复杂的电化学反应及各参数之间的关系,应用起来比较简单,可在线测量,但是该方法容易产生累积误差;卡尔曼滤波法用于SOC估算的核心是要建立精准的电池等效模型,根据模型确定一组状态方程来进行估算研究,运算量大,结构复杂;神经网络法适用于各种电池的SOC估算,但是需要大量的训练样本数据对网络进行训练,泛化能力差。
考虑到各种方法的使用局限性,可知单一使用一种方法来预测电池的SOC存在预测误差大、精度低、泛化能力弱等缺点,很难准确地预测电池的SOC,因此急需一种新的方法来提高SOC的预测精度。
发明内容
本发明的目的是克服现有方法的不足,提供一种贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,通过贝叶斯正则化的LM算法与BP神经网络算法相结合来解决锂离子动力电池SOC估算精度低以及泛化能力差的问题。
为解决上述技术问题,本发明采用的技术方案如下:贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,包括如下步骤:a、建立神经网络模型,根据Kolmogorov定理,一个三层的神经网络具有对任意精度函数的逼近能力,所以本发明采用三层BP神经网络,即输入层、隐含层、输出层。b、构建贝叶斯正则化的LM-BP神经网络算法,利用所述的贝叶斯正则化的LM算法来优化传统的BP神经网络算法,才。c、样本数据的获取及样本SOC的计算。d、数据的归一化处理。
所述步骤b构建贝叶斯正则化的LM-BP神经网络算法,包括如下步骤:step1:初始化网络,计算网络隐层的输出,输出节点的输出,误差及误差平方和函数;step2:计算,性能函数,如果达到目标误差则停止,否则继续;step3:进一步用LM算法减小性能函数的迭代;step4:计算新的和性能函数,如达到目标误差或达到最大训练次数则停止,否则转step2。
本发明的有益效果:本发明建立了一种贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法。本发明与申请号为201610288501.3公布的“一种改进的RBF神经网络的电池SOC预测方法”以及申请号为201610526989.9公开的“一种基于BP神经网络的锂电池SOC估算方法”相比,其区别在于,申请号为201610288501.3的专利是通过优化预测模型的参数来提高神经网络预测的效率,申请号为201610526989.9的专利则是建立在电池数据样本足够多的情况下,通过BP神经网络对输入输出样本进行训练,来拟合电池的动态特性。而本发明则是将贝叶斯正则化方法及LM算法与BP神经网络算法相结合来建立一个全新的锂电池SOC预测模型,首先通过贝叶斯正则化与LM算法结合来优化神经网络的性能函数,达到减小误差、提高精度的目的,同时贝叶斯正则化方法泛化能力较强,对于训练集之外的数据也能够产生正确的输出,尤其适用于多变量、大样本的情况,具有很好的的应用前景。
附图说明
下面对本说明书附图所表达的内容作简要的说明。
图1为本发明的流程图。
图2为贝叶斯正则化的LM算法与BP神经网络算法结合的实现流程图。
图3为基于贝叶斯正则化的LM算法的锂电池SOC预测方法所建立的BP神经网结构示意图。
具体实施方式
下面结合说明书附图对本发明的较佳实施方法进行详细阐述,以使本发明的优点和特征能易于被本领域技术人员理解,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。
结合图1,贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,包括如下步骤。
a、建立神经网络模型:根据Kolmogorov定理,一个三层的神经网络具有对任意精度函数的逼近能力,所以本发明采用三层BP神经网络,即输入层、隐含层、输出层。设定为输入向量,为输出向量,分别为输入层与隐含层之间的连接权值及隐含层与输出层之间的连接权值。
输出层采用的是Purelin线性激活函数:f(x)=x。
隐含层变换函数是单极性Sigmoid函数:。
b、构建贝叶斯正则化的LM-BP神经网络算法:利用所述的贝叶斯正则化的LM算法来优化传统的BP神经网络算法,优化后的性能函数为,即在标准误差函数的基础上与网络权重平方和进行平均分配,其中为比例系数,控制着权值及阈值的分布,即有,式中,n为网络中的参数个数,H为性能函数Hessian矩阵,若,则训练算法的目的在于尽量减小网络的训练误差;若,则训练算法的目的在于尽可能减少网络的有效参数,来弥补较大的网络误差。结合图2,贝叶斯正则化的LM算法与BP神经网络结合包括如下步骤。
step1:初始化网络,计算网络隐层的输出,输出节点的输出,误差及误差平方和函数令。
step2:计算,性能函数,如果达到目标误差则停止,否则继续。
step3:进一步用LM算法减小性能函数的迭代。
step4:计算新的和性能函数,如达到目标误差或达到最大训练次数则停止,否则转step2。
c、样本数据的获取及样本SOC的计算。
c1、样本数据的获取:采用市面上常见的3.7V单体锂电池,其标称容量为1500mAh,充电限制电压为4.2V,然后对其以不同的倍率进行恒流放电实验,放电截止电压为3.0V,而电池的温度可以直接通过传感器来获得,并将实验数据记录下来。
c2、样本SOC的计算:将记录下的实验数据用开路电压法结合安时积分法计算SOC作为标准SOC,计算公式如下。
。
其中是初始电量,为额定容量,I为充放电电流,为充放电效率。
d、数据的归一化处理:根据下式,对锂电池的历史充放电数据进行归一化处理,同时对SOC数据进行反归一化处理。
。
上式中:为归一化处理后的数据,为实验测试数据或者犯规异化处理后的SOC数据,分别为实验测试数据的最大值和最小值,且。
图3所示为采用贝叶斯正则化的LM算法的锂电池SOC预测方法优化BP神经网结构示意图,以电池的充放电电压、电流,外部环境温度作为优化后的网络输入,而将锂电池的SOC作为网络结构的输出。
与现有技术相比较,本发明的优点在于,解决了由于锂电池本身特性而存在的问题,采用贝叶斯及LM算法与BP神经网络结合的方式,不仅提高了SOC的估算精度,而且对于多变量、大样本的情况同样适用。
显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变形属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变形之内。
Claims (4)
1.贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,其特征在于,该方法通过BP
神经网络算法建立锂电池SOC预测模型,并与贝叶斯正则化的LM算法结合,通过重新分配标
准误差函数和网络权重平方和的比重来减小网络误差,提高预测精度。
2.根据权利要求1所述的贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,其特征在于,该方法包括如下步骤:
a、建立神经网络模型,根据Kolmogorov定理,一个三层的神经网络具有对任意精度函数的逼近能力,所以本发明采用三层的BP神经网络,即输入层、隐含层、输出层;
b、构建贝叶斯正则化的LM-BP神经网络算法,利用所述的贝叶斯正则化的LM算法来优化传统的BP神经网络算法,优化后的性能函数为,即在标准误差函数的基础上与网络权重平方和进行平均分配,其中为比例系数,控制着权值及阈值的分布,即有,式中,n为网络中的参数个数,H为性能函数Hessian矩阵,若,则训练算法的目的在于尽量减小网络的训练误差;若,则训练算法的目的在于尽可能减少网络的有效参数,来弥补较大的网络误差;
c、样本数据的获取、样本SOC的计算及数据的归一化处理。
3.根据权利要求2所述的贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,其特征在于,所述步骤a中神经网络结构的输入层的参数为电池的充放电电压、电流及外部环境温度,输出层为电池的SOC。
4.根据权利要求2所述的贝叶斯正则化的LM-BP神经网络的锂电池SOC预测方法,其特征在于,所述步骤b构建贝叶斯正则化的LM-BP神经网络算法,包括如下步骤:
Step1:初始化网络,计算网络隐层的输出,输出节点的输出,误差及误差平方和函数,并令;
Step2:计算,性能函数,如果达到目标误差则停止,否则继续;
Step3:进一步用LM算法减小性能函数的迭代;
Step4:计算新的及性能函数,如果达到目标误差或达到最大训练次数则停止,否则转Step2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811101.0A CN109507598A (zh) | 2017-09-11 | 2017-09-11 | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811101.0A CN109507598A (zh) | 2017-09-11 | 2017-09-11 | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109507598A true CN109507598A (zh) | 2019-03-22 |
Family
ID=65744255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811101.0A Pending CN109507598A (zh) | 2017-09-11 | 2017-09-11 | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507598A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470481A (zh) * | 2019-08-13 | 2019-11-19 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
CN111079814A (zh) * | 2019-12-10 | 2020-04-28 | 温州大学 | 一种基于vr技术的记忆提升检测方法及系统 |
CN111598235A (zh) * | 2020-05-18 | 2020-08-28 | 山东交通学院 | 贝叶斯正则化反向传播神经网络坐标转换方法及装置 |
CN112014785A (zh) * | 2020-08-06 | 2020-12-01 | 三峡大学 | 基于弹性网络的空心线圈电流互感器误差补偿方法 |
CN112818594A (zh) * | 2021-01-28 | 2021-05-18 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
-
2017
- 2017-09-11 CN CN201710811101.0A patent/CN109507598A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470481A (zh) * | 2019-08-13 | 2019-11-19 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
CN110470481B (zh) * | 2019-08-13 | 2020-11-24 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
CN111079814A (zh) * | 2019-12-10 | 2020-04-28 | 温州大学 | 一种基于vr技术的记忆提升检测方法及系统 |
CN111598235A (zh) * | 2020-05-18 | 2020-08-28 | 山东交通学院 | 贝叶斯正则化反向传播神经网络坐标转换方法及装置 |
CN112014785A (zh) * | 2020-08-06 | 2020-12-01 | 三峡大学 | 基于弹性网络的空心线圈电流互感器误差补偿方法 |
CN112014785B (zh) * | 2020-08-06 | 2023-07-11 | 三峡大学 | 基于弹性网络的空心线圈电流互感器误差补偿方法 |
CN112818594A (zh) * | 2021-01-28 | 2021-05-18 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN112818594B (zh) * | 2021-01-28 | 2023-05-30 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN115840145B (zh) * | 2022-11-29 | 2023-07-25 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507598A (zh) | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 | |
El-Sehiemy et al. | Parameter identification and state-of-charge estimation for lithium-polymer battery cells using enhanced sunflower optimization algorithm | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN105891724B (zh) | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 | |
CN106909716B (zh) | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 | |
CN101629992B (zh) | 磷酸铁锂动力电池剩余容量的估算方法 | |
CN105912799B (zh) | 一种液态或半液态金属电池的建模方法 | |
CN103675706B (zh) | 一种动力电池电荷量估算方法 | |
CN104535934B (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
CN104991980B (zh) | 锂离子电池的电化学机理建模方法 | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
CN107656210A (zh) | 一种估算电池电量状态的方法 | |
CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
CN103278777B (zh) | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 | |
CN105572596B (zh) | 锂电池soc估算方法及系统 | |
CN105811500A (zh) | 一种锂离子电池组均衡控制方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN103884994B (zh) | 一种防止锂离子电池过放的soc在线检测与修正方法 | |
CN107169170B (zh) | 一种电池剩余容量的预测方法 | |
CN105140981A (zh) | 锂电池主动均衡控制方法 | |
CN109633479A (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
CN105093129B (zh) | 一种储能电池剩余容量检测方法 | |
CN109614754A (zh) | 一种锂离子电池三维简化模型的仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190322 |