CN109828211A - 一种基于神经网络自适应滤波的应急灯电池soc估计方法 - Google Patents

Abstract

本发明涉及一种基于神经网络自适应滤波的应急灯电池SOC估计方法。该方法用自适应CKF滤波代替了BP神经网络训练权值的方法，首先利用自适应CKF离线估计BP神经网络的权值，然后将估计的权值构成BP神经网络去估计应急灯电池的SOC。本发明解决了BP神经网络由于应急灯电池建模存在的噪声而估计性能下降的问题。

Description

一种基于神经网络自适应滤波的应急灯电池SOC估计方法

技术领域

本发明属于神经网络自适应滤波与电池SOC估计领域，特别涉及一种基于神经网络自适应滤波的应急灯电池SOC估计方法。

背景技术

当火灾险情发生时，消防应急灯可以有效的起到救援的作用，所以消防应急灯布置在楼宇的各个消防通道两旁。但是实际情况中，应急灯的电池管理系统通过对电池组进行综合管理和保护，达到延长电池使用寿命、提高使用效率和可靠性的目的。电池的荷电状态(State of Charge，SOC)的精确估算是电池管理系统中一项关键技术，是评估电池健康状态以及放点过程的依据。

目前最常用的电池SOC估算方法包括开路电压法、安时法和卡尔曼滤波法等。开路电压法耗时较长，无法动态估算电池SOC，因此只适用于电池非工作状态下的预测。安时法中，如果电流测量值存在误差，则会出现误差累计放大效应。卡尔曼滤波法对SOC的初始误差有很强的修正作用，但需要精确知道电池的系统数学模型。人工神经网络(ANN)和支持向量机(SVM)由于具有高度非线性的处理能力，已被广泛研究和成功地应用于时间序列预测。然而，ANNs和支持向量机对非线性模型的良好拟合结果不能保证同样好的预测性能。一个主要原因是它们的动力学和性质随时间变化，另一个关键问题是拟合数据的固有噪声。非线性滤波方法具有一些优点，如处理加性噪声以及当底层模型随时间演化时跟踪系统的运动。因人工神经网络具有强大的处理非线性问题的能力，但是训练权值的时间会随着神经元的个数增加而增加，所以利用CKF代替BP神经网络权值系数的自适应调整，从而实现BP-CKF算法，用于应急灯电池SOC估计。

发明内容

本发明针对现有技术的不足，提供了一种基于神经网络自适应滤波的应急灯电池SOC估计方法。

本发明解决技术问题所采取的技术方案为：

步骤1.建立BP神经网络离散状态空间模型；

x(k+1)＝Φ(k+1,k)x(k)+w(k) (1)

z(k)＝h(x(k))+v(k) (2)

上式中，Φ(k+1,k)为状态转移矩阵，对于神经网络权值的状态转移矩阵是一个单位矩阵，x(k)是权值向量，w(k)为过程噪声向量；v(k)为电池端电压测量噪声；w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声；h(·)为神经网络的核函数，选用sigmoid激励函数，即

h(x)＝1/(1+e^-x) (3)

输出层采用正比例函数

f(x)＝x (4)

为了能使用Kalman滤波对BP神经网络的权值进行估计，将BP神经网络的权值作为状态变量，对于具有N层BP神经网络，每层神经网络有n_k(k＝1,2,…,N)个输入，则第k层神经元的连接权值为：

为了将连接权值的计算转化为CKF滤波的状态空间形式，将网络中的连接权值和偏置b写成增广状态向量的形式如下：

对BP神经网络进行训练，就是对网络的连接权值w_ij ^k和偏置b进行最优化估计。

步骤2应急灯电池SOC估计过程

步骤2.1设置BP神经网络的初始参数x(0)和P(0|0)

步骤2.2BP神经网络权值估计阶段

采用应急灯电池充放电时的电压、电流数据以及真实的SOC作为BP神经网络的训练样本。

(1)利用步骤2.1中初始化的BP神经网络权值向量，构成BP神经网络结构，输入样本数据得到应急灯电池SOC的一步预测输出。

(2)用应急灯电池的真实SOC减去(1)中得到的一步预测输出应急灯电池的SOC，得到应急灯电池的SOC新息。

(3)将(2)得到的应急灯电池的SOC新息，用于自适应CKF滤波，更新BP神经网络权值向量和估计误差协方差矩阵。

(4)将(3)中得到的BP神经网络权值向量替换掉(1)中的初始化权值向量，重新构成BP神经网络，得到一步预测输出应急灯电池的SOC，然后执行(2)和(3)。

(5)判断CKF算法的估计误差互协方差矩阵是否收敛，如果不收敛，回到(4)顺序执行，直至估计误差互协方差矩阵收敛；如果收敛，进入BP神经网络应急灯电池SOC估计阶段的步骤2.3。

步骤2.3BP神经网络应急灯电池SOC估计阶段；

使用步骤2.2中得到的权值向量构成BP神经网络进行应急灯电池SOC估计；

(1)使用步骤2.2中得到的权值向量构成BP神经网络；

(2)输入样本自变量得到应急灯电池SOC估计值；

(3)使用(2)得到的应急灯电池SOC估计值与实际的应急灯电池SOC值进行误差分析。

本发明的有益效果：本发明方法用自适应CKF滤波代替了BP神经网络训练权值的方法，首先利用自适应CKF离线估计BP神经网络的权值，然后构成BP神经网络去估计应急灯电池的SOC，解决了BP神经网络由于应急灯电池建模存在的噪声而估计性能下降的问题。

附图说明

图1.BP神经网络结构图；

图2.本发明方法的BP神经网络权值估计阶段；

图3.本发明方法的BP神经网络应急灯电池SOC估计阶段；

图4.本发明方法的应急灯电池SOC估计流程。

具体实施方式

以下结合图1至图4对本发明作进一步说明。

本发明包括以下步骤：

步骤1.建立BP神经网络离散状态空间模型；

x(k+1)＝Φ(k+1,k)x(k)+w(k) (7)

z(k)＝h(x(k))+v(k) (8)

上式中，Φ(k+1,k)为状态转移矩阵，对于神经网络权值的状态转移矩阵是一个单位矩阵，x(k)是权值向量，w(k)为过程噪声向量；v(k)为电池端电压测量噪声；w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声；h(·)为神经网络的核函数，选用sigmoid激励函数，即

h(x)＝1/(1+e^-x) (9)

输出层采用正比例函数

f(x)＝x (10)

为了能使用Kalman滤波对BP神经网络的权值进行估计，将BP神经网络的权值作为状态变量，对于具有N层BP神经网络，每层神经网络有n_k(k＝1,2,…,N)个输入，则第k层神经元的连接权值为：

为了将连接权值的计算转化为CKF滤波的状态空间形式，将网络中的连接权值和偏置b写成增广状态向量的形式如下：

对BP神经网络进行训练，就是对网络的连接权值和偏置b进行最优化估计。

步骤2应急灯电池SOC估计过程

步骤2.1设置BP神经网络的初始参数x(0)和P(0|0)

步骤2.2BP神经网络权值估计阶段

采用应急灯电池充放电时的电压、电流数据以及真实的SOC作为BP神经网络的训练样本。

(1)利用步骤2.1中初始化的BP神经网络权值向量，构成BP神经网络结构，输入样本数据得到应急灯电池SOC的一步预测输出。

(2)用应急灯电池的真实SOC减去(1)中得到的一步预测输出应急灯电池的SOC，得到应急灯电池的SOC新息。

(3)将(2)得到的应急灯电池的SOC新息，用于自适应CKF滤波，更新BP神经网络权值向量和估计误差协方差矩阵。

(4)将(3)中得到的BP神经网络权值向量替换掉(1)中的初始化权值向量，重新构成BP神经网络，得到一步预测输出应急灯电池的SOC，然后执行(2)和(3)。

(5)判断CKF算法的估计误差互协方差矩阵是否收敛，如果不收敛，回到(4)顺序执行，直至估计误差互协方差矩阵收敛；如果收敛，进入BP神经网络应急灯电池SOC估计阶段的步骤2.3。

步骤2.3BP神经网络应急灯电池SOC估计阶段；

使用步骤2.2中得到的权值向量构成BP神经网络进行应急灯电池SOC估计。

(1)使用步骤2.2中得到的权值向量构成BP神经网络。

(2)输入样本自变量得到应急灯电池SOC估计值。

(3)使用(2)得到的应急灯电池SOC估计值与实际的应急灯电池SOC值进行误差分析。

最后说明，以上描述仅用以说明本发明的技术方案而非限制其所包含范围，即对本发明的技术方案进行修改或者等同替换，而并未脱离其目的和范围的，均应涵盖于本发明的权利要求范围当中。

Claims (1)

1.一种基于神经网络自适应滤波的应急灯电池SOC估计方法，其特征在于该方法包括以下步骤：

步骤1.建立BP神经网络离散状态空间模型；

x(k+1)＝Φ(k+1,k)x(k)+w(k) (1)

z(k)＝h(x(k))+v(k) (2)

上式中，Φ(k+1,k)为状态转移矩阵，对于神经网络权值的状态转移矩阵是一个单位矩阵，x(k)是权值向量，w(k)为过程噪声向量；v(k)为电池端电压测量噪声；w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声；h(·)为神经网络的核函数，选用sigmoid激励函数，即

h(x)＝1/(1+e^-x) (3)

输出层采用正比例函数

f(x)＝x (4)

为了能使用Kalman滤波对BP神经网络的权值进行估计，将BP神经网络的权值作为状态变量，对于具有N层BP神经网络，每层神经网络有n_k(k＝1,2,…,N)个输入，则第k层神经元的连接权值为：

为了将连接权值的计算转化为CKF滤波的状态空间形式，将网络中的连接权值和偏置b写成增广状态向量的形式如下：

对BP神经网络进行训练，就是对网络的连接权值和偏置b进行最优化估计；

步骤2应急灯电池SOC估计过程

步骤2.1设置BP神经网络的初始参数x(0)和P(0|0)

步骤2.2 BP神经网络权值估计阶段

采用应急灯电池充放电时的电压、电流数据以及真实的SOC作为BP神经网络的训练样本；

(1)利用步骤2.1中初始化的BP神经网络权值向量，构成BP神经网络结构，输入样本数据得到应急灯电池SOC的一步预测输出；

(2)用应急灯电池的真实SOC减去(1)中得到的一步预测输出应急灯电池的SOC，得到应急灯电池的SOC新息；

(3)将(2)得到的应急灯电池的SOC新息，用于自适应CKF滤波，更新BP神经网络权值向量和估计误差协方差矩阵；

(4)将(3)中得到的BP神经网络权值向量替换掉(1)中的初始化权值向量，重新构成BP神经网络，得到一步预测输出应急灯电池的SOC，然后执行(2)和(3)；

(5)判断CKF算法的估计误差互协方差矩阵是否收敛，如果不收敛，回到(4)顺序执行，直至估计误差互协方差矩阵收敛；如果收敛，进入BP神经网络应急灯电池SOC估计阶段的步骤2.3；

步骤2.3 BP神经网络应急灯电池SOC估计阶段；

使用步骤2.2中得到的权值向量构成BP神经网络进行应急灯电池SOC估计；

(1)使用步骤2.2中得到的权值向量构成BP神经网络；

(2)输入样本自变量得到应急灯电池SOC估计值；

(3)使用(2)得到的应急灯电池SOC估计值与实际的应急灯电池SOC值进行误差分析。