CN110082682A - 一种锂电池荷电状态估计方法 - Google Patents

Abstract

本发明公开了一种锂电池荷电状态估计方法。本发明步骤如下：步骤1、输入原始数据集；步骤2、清洗原始数据集，抽取需要的数据字段；步骤3、设定遗传算法的初始值，并选择使用非线性自回归外源输入神经网络预测结果的均方误差作为遗传算法的适应度函数；步骤4、搭建神经网络；步骤5、优化遗传算法；步骤6、训练预测模型。本发明将遗传算法与非线性自回归外源输入神经网络结合在一起，能减少寻找最佳神经网络参数的工作量和时间，准确的预测锂电池荷电状态，反映电池的健康状况。

Description

一种锂电池荷电状态估计方法

技术领域

本发明涉及锂电池技术，人工神经网络技术领域，提供一种锂电 池荷电状态估计方法，具体的涉及一种基于非线性自回归外源输入神 经网络的锂电池荷电状态估计方法。

背景技术

荷电状态(SOC)是指示锂离子电池内剩余电量的重要指标。是基 于电流的积分计算的。精确而稳健的SOC估算技术可避免过荷电，过 放电和过热，从而延长电池的使用寿命，现有荷电状态估计方法有着 依赖电池模型精度或者估计结果不准确的缺陷，电池老化导致荷电容 量减少也增加了现有技术准确估计荷电状态的困难。

非线性自回归外源输入(NARX)神经网络是一种改进的人工神经 网络，在学习能力，收敛速度，泛化和高精度方面有优异的表现。 NARXNN网络使用有限的反馈来形成输出层而不是隐藏层。适用于预 测非线性和时间序列问题。可用于多个输入和多个输出的时间序列应 用。

遗传算法(GA)是进化算法的重要分支，从建立问题解决方案集合 的群体开始，在每一代演化过程中根据个体的适应性选择个体，进行 交叉和变异生成新群体，最终从解码结果中得到近似最优解。使用遗 传算法可减少在寻找最优解时进行试错实验的工作量。

发明内容

本发明的目的克服现有锂电池荷电状态预测方法的不足。提供一 种锂电池荷电状态估计方法。本发明将遗传算法与非线性自回归外源 输入神经网络结合在一起，能减少寻找最佳神经网络参数的工作量和 时间，准确的预测锂电池荷电状态，反映电池的健康状况。

实现上述目的的技术方案具体包括如下步骤：

步骤1、输入原始数据集，原始数据集包含锂电池工作数据；

步骤2、清洗原始数据集，抽取需要的数据字段。

首先，去掉原始数据集中数据字段包含空值、负值的数据，获取 清洗后的数据。

然后，计算出每组数据对应的锂电池电荷剩余量作为数据标签， 生成标准的二维数据矩阵；

步骤3、设定遗传算法的初始值，并选择使用非线性自回归外源 输入神经网络预测结果的均方误差作为遗传算法的适应度函数；

所述的初始值包括迭代次数、个体数、需要优化的变量，其中需 要优化的变量包括非线性自回归外源输入神经网络的输入延迟、反馈 延迟、隐层神经元数。

步骤4、搭建神经网络：

首先，搭建供遗传算法优化使用的非线性自回归外源输入神经网 络。非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神 经元数由遗传算法随机生成的个体包含的数值确定。

非线性自回归外源输入神经网络的网络结构分为输入层、隐层、 输出层及反馈层。

步骤5、优化遗传算法

将步骤2中清洗好的数据集划分为训练集、验证集和测试集，分 别作为非线性自回归外源输入神经网络的输入。

根据步骤3确定非线性自回归外源输入神经网络的输入延迟、反 馈延迟、隐层神经元数的最优值，直到达到迭代次数；

步骤6、训练预测模型

将步骤5中确定的非线性自回归外源输入神经网络的输入延迟、 反馈延迟、隐层神经元数的最优值，搭建新的非线性自回归外源输入 神经网络。

将步骤2中清洗好的数据集划分为训练集、验证集和测试集作为 新搭建的非线性自回归外源输入神经网络的输入。

运行非线性自回归外源输入神经网络，开始训练锂电池荷电状态 预测模型，将生成的模型用于锂电池荷电状态的预测。

所述步骤2中，从原始数据集中的若干表格中抽取出与锂电池荷 电状态相关的电流、电压、温度、初始电池容量、时间的数据。对抽 取的数据进行筛查负值和空值信息，并删除负值和空值信息。根据初 始电池容量和时间计算锂电池对应时刻的荷电状态。将电流、电压、 温度作为分析数据，转换成一个二维数据矩阵。将荷电状态作为数据 标签。

所述步骤S3中，遗传算法优化的变量设置为非线性自回归外源 输入神经网络的输入延迟、反馈延迟、隐层神经元数，三个参数范围 设定在0至20之间。选择非线性自回归外源输入神经网络预测结果 的均方误差作为遗传算法的适应度函数。

所述步骤4中，选择电流、电压、温度作为非线性自回归外源输 入神经网络的三个输入维度，步骤2中计算得到的电荷剩余量标签数 据作为参考值。非线性自回归外源输入神经网络设定为三层结构，包 括输入层、隐层、输出层。数据集划分为训练集、验证集、测试集， 训练集用于训练神经网络模型，测试集用于模型测试，验证集用于评 估模型性能。

所述步骤5中，根据设定使用步骤2遗传算法生成的种群个体中 的数值作为非线性自回归外源输入神经网络的输入延迟、反馈延迟、 隐层神经元数，搭建神经网络并运行神经网络，直至达到最大迭代次 数。

所述步骤6中，使用步骤5得到的非线性自回归外源输入神经网 络的输入延迟、反馈延迟、隐层神经元数最优解搭建新的神经网络模 型，选择电流、电压、温度作为新的神经网络的三个输入维度，步骤 2中计算得到的电荷剩余量标签数据作为参考值。新的神经网络模型 设定为三层结构，包括输入层、隐层、输出层。数据集划分为训练集、 验证集、测试集。将数据集输入神经网络进行训练，测试以及评估神 经网络模型性能。

本发明有益效果如下：

本发明的基于非线性自回归外源输入神经网络的锂电池荷电状 态估计方法，将遗传算法与非线性自回归外源输入神经网络结合在一 起，避免了建立复杂的电池模型，可以准确的预测锂电池荷电状态， 反映电池的健康状况。

附图说明

图1为本发明的基于非线性自回归外源输入神经网络的锂电池 荷电状态估计方法流程图；

图2 NARX神经网络结构图；

图3遗传算法优化实施流程；

具体实施方式

为了是本技术领域的技术人员能更好地理解本发明的技术方案， 下面结合附图对其具体实施方式进行详细地说明：

请参阅图1至图3，本发明的最佳实施例，

一种锂电池荷电状态估计方法,其特征在于，包括以下步骤：

S1，原始数据集输入步骤，输入包含锂电池工作数据的原始数据 集；

S2，数据清洗步骤，把需要的数据字段抽取出来。去掉数据字段 中的空值、负值。然后计算出每组数据对应的锂电池电荷剩余量作为 数据标签。然后生成标准的二维数据矩阵；

S3，设定遗传算法的初始值，种群大为40，迭代次数为50，编 码长度20。需要优化的变量数为3，变量取值范围均为1至20。并 确定使用非线性自回归外源输入神经网络预测结果的均方误差作为 遗传算法的适应度函数；

S4，搭建神经网络，首先搭建供遗传算法优化使用的非线性自回 归外源输入神经网络。非线性自回归外源输入神经网络的输入延迟、 反馈延迟、隐层神经元数由遗传算法随机生成的个体包含的数值确定。 非线性自回归外源输入神经网络的网络结构分为输入层、隐层、输出 层及反馈层；

S5，遗传算法优化步骤，将S2中清洗好的数据集划分为训练集、 验证集和测试集作为非线性自回归外源输入神经网络的输入。运行编 写好的遗传算法程序，开始寻找非线性自回归外源输入神经网络的输 入延迟、反馈延迟、隐层神经元数的最优值，直到程序达到迭代次数；

S6，训练预测模型步骤，使用S5中寻找到的非线性自回归外源 输入神经网络的输入延迟、反馈延迟、隐层神经元数的最优值搭建新 的非线性自回归外源输入神经网络。将S2中清洗好的数据集划分为 训练集、验证集和测试集作为非线性自回归外源输入神经网络的输入。 运行神经网络，开始训练锂电池荷电状态预测模型。将生成的模型用 于锂电池荷电状态的预测。

步骤S2中，从原始数据集中的若干表格中抽取出与锂电池荷电 状态相关的电流、电压、温度、初始电池容量、时间。对这些数据进 行筛查负值和空值信息并删除这些信息。将电流、电压、温度作为分 析数据，转换成一个二维矩阵。根据初始电池容量和时间计算锂电池 对应时刻的荷电状态，用电流(i)乘以库伦效率(η)然后对时间积分， 在除以标准电池容量(C_n)得到一个值，然后用荷电状态初始值(SOC₀) 减去这个值，得到对应时刻的荷电状态。将荷电状态作为标签。计算 方法如下：

步骤S3中，遗传算法优化的变量设置为非线性自回归外源输入 神经网络的输入延迟、反馈延迟、隐层神经元数，三个参数范围设定 在0至20之间。选择非线性自回归外源输入神经网络预测结果的均 方误差作为遗传算法的适应度函数。

步骤S4中，选择电流、电压、温度作为非线性自回归外源输入 神经网络的三个输入维度，步骤S2中计算得到的电荷剩余量标签数 据作为参考值。非线性自回归外源输入神经网络设定为三层结构，包 括输入层、隐层、输出层(请参阅图2)。学习算法选择为LM算法，神经元激活函数选为tansig函数。数据集划分为训练集、验证集、 测试集，比例分别是70％、15％、15％，训练集用于训练神经网络模型， 测试集用于模型测试，验证集用于评估模型性能。

步骤S5中，根据设定自动使用步骤S2遗传算法生成种群个体中 的数值作为非线性自回归外源输入神经网络的输入延迟、反馈延迟、 隐层神经元数搭建神经网络并运行神经网络，直至达到最大迭代次数 (请参阅图3)。

步骤S6中，使用步骤S5得到的非线性自回归外源输入神经网络 的输入延迟、反馈延迟、隐层神经元数最优解搭建新的神经网络模型， 选择电流、电压、温度作为新的神经网络的三个输入维度，步骤S2 中计算得到的电荷剩余量标签数据作为参考值。新的神经网络模型设 定为三层结构，包括输入层、隐层、输出层。学习算法选择为LM算 法，神经元激活函数选为tansig函数。数据集划分为训练集、验证 集、测试集，比例分别是70％、15％、15％。将数据集输入神经网络进 行训练，测试以及评估神经网络模型性能。

本发明的基于非线性自回归外源输入神经网络的锂电池荷电状 态估计方法，使用遗传算法代替手动试错来寻找神经网络最佳参数， 采用数据清洗，然后用样本数据集结合神经网络来训练荷电状态预测 模型。从而用于预测锂电池荷电状态。

综上所述，本发明的基于非线性自回归外源输入神经网络的锂电 池荷电状态估计方法，通过在大量实际数据的应用实践，证明了该方 法的精准性，具有良好的实际应用潜力，能很好的满足实际需求。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用 来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质 精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利 要求书范围内。

Claims (6)

1.一种锂电池荷电状态估计方法,其特征在于，包括以下步骤：

步骤1、输入原始数据集，原始数据集包含锂电池工作数据；

步骤2、清洗原始数据集，抽取需要的数据字段；

首先，去掉原始数据集中数据字段包含空值、负值的数据，获取清洗后的数据；

然后，计算出每组数据对应的锂电池电荷剩余量作为数据标签，生成标准的二维数据矩阵；

步骤3、设定遗传算法的初始值，并选择使用非线性自回归外源输入神经网络预测结果的均方误差作为遗传算法的适应度函数；

所述的初始值包括迭代次数、个体数、需要优化的变量，其中需要优化的变量包括非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数；

步骤4、搭建神经网络：

首先，搭建供遗传算法优化使用的非线性自回归外源输入神经网络；非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数由遗传算法随机生成的个体包含的数值确定；

非线性自回归外源输入神经网络的网络结构分为输入层、隐层、输出层及反馈层；

步骤5、优化遗传算法

将步骤2中清洗好的数据集划分为训练集、验证集和测试集，分别作为非线性自回归外源输入神经网络的输入；

根据步骤3确定非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数的最优值，直到达到迭代次数；

步骤6、训练预测模型

将步骤5中确定的非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数的最优值，搭建新的非线性自回归外源输入神经网络；

将步骤2中清洗好的数据集划分为训练集、验证集和测试集作为新搭建的非线性自回归外源输入神经网络的输入；

运行非线性自回归外源输入神经网络，开始训练锂电池荷电状态预测模型，将生成的模型用于锂电池荷电状态的预测。

2.根据权利要求1所述的一种锂电池荷电状态估计方法，其特征在于：

所述步骤2中，从原始数据集中的若干表格中抽取出与锂电池荷电状态相关的电流、电压、温度、初始电池容量、时间的数据；对抽取的数据进行筛查负值和空值信息，并删除负值和空值信息；根据初始电池容量和时间计算锂电池对应时刻的荷电状态；将电流、电压、温度作为分析数据，转换成一个二维数据矩阵；将荷电状态作为数据标签。

3.根据权利要求2所述的一种锂电池荷电状态估计方法，其特征在于，所述步骤S3中，遗传算法优化的变量设置为非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数，三个参数范围设定在0至20之间；选择非线性自回归外源输入神经网络预测结果的均方误差作为遗传算法的适应度函数。

4.根据权利要求3所述的一种锂电池荷电状态估计方法，其特征在于，所述步骤4中，选择电流、电压、温度作为非线性自回归外源输入神经网络的三个输入维度，步骤2中计算得到的电荷剩余量标签数据作为参考值；非线性自回归外源输入神经网络设定为三层结构，包括输入层、隐层、输出层；数据集划分为训练集、验证集、测试集，训练集用于训练神经网络模型，测试集用于模型测试，验证集用于评估模型性能。

5.根据权利要求4所述的一种基锂电池荷电状态估计方法，其特征在于：

所述步骤5中，根据设定使用步骤2遗传算法生成的种群个体中的数值作为非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数，搭建神经网络并运行神经网络，直至达到最大迭代次数。

6.根据权利要求5所述的一种锂电池荷电状态估计方法，其特征在于：

所述步骤6中，使用步骤5得到的非线性自回归外源输入神经网络的输入延迟、反馈延迟、隐层神经元数最优解搭建新的神经网络模型，选择电流、电压、温度作为新的神经网络的三个输入维度，步骤2中计算得到的电荷剩余量标签数据作为参考值；新的神经网络模型设定为三层结构，包括输入层、隐层、输出层；数据集划分为训练集、验证集、测试集，比例分别是70％、15％、15％；将数据集输入神经网络进行训练，测试以及评估神经网络模型性能。