CN110579714A

CN110579714A - 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法

Info

Publication number: CN110579714A
Application number: CN201910680177.3A
Authority: CN
Inventors: 寇发荣; 王思俊
Original assignee: Xian University of Science and Technology
Current assignee: Xian University of Science and Technology
Priority date: 2019-07-26
Filing date: 2019-07-26
Publication date: 2019-12-17

Abstract

本发明属于动力电池管理系统领域，尤其涉及一种基于BAS优化ElmanNN‑AH法电池SOC双态切换算法。本发明采用BAS算法对ElmanNN中的权值进行优化，并依据ElmanNN与修正安时法切换的方法，对于不同电池状态切换不同的估计算法。消除了安时积分法初始SOC难测量和误差累计的缺点，同时减少了神经网络的训练数据和训练次数，减轻了工作量。

Description

一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法

技术领域

本发明属于动力电池管理系统领域，尤其涉及一种基于BAS优化 ElmanNN-AH法电池SOC双态切换算法。

背景技术

荷电状态(State of Charge，SOC)是动力电池管理系统中最为重要的参数。但由于化学电池内部复杂，该参数无法直接测得，只能依据模型或相应的算法估计得到。

目前，SOC的估计方法有很多种，但各种单一方法都是优点与缺陷并存。开路电压法测得的SOC十分接近电动势，因此可以作为电池 SOC标准。但是，测量时要使电池静置一段时间，无法在工作中使用；安时积分法计算简单，但是其估计精度依赖于初始SOC值和累积误差的大小；内阻法测量精度高，并且SOC与内阻关系密切，但是电池内阻的测量过于困难；数学模型和等效电路估计法，通过稳态试验获得模型参数与变量之间的函数关系，因此函数关系固定，很难反应电池工作中的动态特性；基于神经网络的模型估计方法是目前的热点，有无需具体数学模型、自学习能力强等优点，但是也存在样本数据对模型影响较大、易陷入局部最优、训练时间长等缺点。

发明内容

为了解决现有技术SOC的估计误差大、估计工作量大的问题，本发明提供一种更为精确的SOC的估计算法，即采用BAS算法对ElmanNN 中的权值进行优化，并依据ElmanNN与修正安时法切换的方法，对于不同电池状态切换不同的估计算法，这样的切换模式估计算法有效提高SOC估计精度。

本发明基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，包括以下步骤：

步骤1依据动力电池OCV实况采集到的开路电压判断电池状态；

步骤2当开路电压U_oc满足3V<U_oc<3.4V时，采用模式一的算法；当电池开路电压3V≥U_oc或U_oc≥3.4V时，采用模式二的算法。

所述模式一包括以下步骤:

步骤1.1采集数据：电池端电压、电流倍率、环境温度进行采、电池的循环次数、出厂时间；

步骤1.2将采集数据代入BAS算法优化的ElmanNN的S模型算出电池SOC值。

所述BAS算法优化的ElmanNN的S模型的步骤为：

步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值；

步骤1.12将得到的最优初始权阈值应用到已经设定好的

ElmanNN中。

所述模式二包括以下步骤：

步骤2.1判断前一刻是否为工作状态；

步骤2.2若否，则采集数据：电池端电压、电流倍率、环境温度，将采集数据利用OCV法准确测量SOC值；若是，则采集数据：电池端电压、电流倍率、环境温度，将采集数据利用修正安时积分法进行估算。

所述修正安时积分法引入寿命因素γ、温度因素C_T及效率因素η对安时积分法进行修正，其修正后的公式为：

其中，

通过采用BAS优化ElmanNN-AH法电池SOC双态切换算法，最有益之处为消除了安时积分法初始SOC难测量和误差累计的缺点，同时减少了ElmanNN-AH训练数据和训练次数，减轻了工作量；此外BAS 优化算法因没有过多参数需要调整、易实现、精度高、收敛快等优点，在优化ElmanNN最优权值过程中，解决了传统ElmanNN稳定性差且随机初始化易陷入局部最优的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于BAS优化ElmanNN-AH法电池SOC双态切换算法方法实施的流程图；

图2为本发明动力电池放电OCV-SOC曲线示意图；

图3为本发明ElamnNN拓扑结构示意图；

图4为本发明BAS算法优化ElmanNN流程示意图；

具体实施方式

步骤1、依据动力电池OCV实况采集到的开路电压判断电池状态。动力电池电压采集模块采集电池端电压，虽然测得的是电池端电压，与电池开路电压之间会有一个电池内阻与电压乘积的一个压差，但是由于电池内阻过小，对电压测量影响不是太大。因此，我们认为测得的就是开路电压。

步骤2、当开路电压U_oc满足3V<U_oc<3.4V时，采用模式一的算法。当电池开路电压3V≥U_oc或U_oc≥3.4V时，采用模式二的算法。

【实施例一】

所述模式一包括以下步骤:

所述BAS算法优化的ElmanNN的S模型的步骤为：

步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值；

步骤1.12将得到的最优初始权阈值应用到已经设定好的 ElmanNN中。

进一步的，模式一：基于BAS算法优化的ElmanNN模型在线估计SOC的具体流程为：

1.ElmanNN的构建

ElmanNN(Neural Networks)是一种典型的动态递归神经网络，它是在BP网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆的目的。

网络拓扑结构如图3所示，其中网络拓扑结构为：

(1)输入层参数：端电压、电流倍率、温度、循环次数、出厂时间；

(2)隐藏层参数：采用试凑法确定隐节点数的大致范围，并通过实验对比，确定最终最优的隐含层节点数；

(3)承接层参数：作为延迟算子记忆隐层前一时刻的历史输出值，内部反馈网络的加入增加了网络本身处理动态信息的能力；

(4)输出层参数：电池SOC；

而神经网络中隐含层激活函数：代价函数：

具体网络训练过程中前向传播过程为：

首先因为输入参数范围差别较大，需要先对输入参数进行归一化处理；输入层到隐含层承接层到输入层隐含层的接收

ElmanNN在训练中，反复输入参数，反复计算代价函数，并采用梯度下降反向传播更迭各层网络的权值和阈值，最终实现网络训练。

在使用阶段，输入相应参数，得到输出SOC：

2.BAS算法

BAS(天牛须搜索算法)算法是一种基于天牛觅食原理的适用于多目标函数优化的新算法。

建模过程如下:

(1)创建天牛须朝向的随机向量且做归一化处理

式中:rands()为随机函数；n表示空间维度。

(2)创建天牛左右须空间坐标

式中:x_rt表示天牛右须在第t次迭代时的位置坐标；x_lt表示天牛左须在第t次迭代时的位置坐标；x^t表示天牛在第t次迭代时的质心坐标；d₀表示两须之间的距离。

(3)根据适应度函数判断左右须气味强度，

即f(x_l)和f(x_r)的强度，f(x)函数为适应度函数。

(4)迭代更新天牛的位置

式中:δ_t表示在第t次迭代时的步长因子

3.BAS算法优化ElmanNN

BAS算法优化ElmanNN算法，即用BAS算法寻找ElmanNN的最优初始权阈值，并将其应用到已经设定好的网络中，从而构造出最终的训练模型。构建过程如下：

(1)创建天牛须朝向的随机向量，定义空间维度k，设模型结构为M-N-1，M为输入层神经元个数，N为隐含层神经元个数，输出层神经元个数为1，则搜索空间维度k＝M·N+N·1+N+1

(2)步长因子δ可以用来控制天牛的区域搜索能力，初始步长应尽可能的大，使之足以覆盖当前的搜索区域而不至于陷入局部极小，本专利采用线性递减权值以保证搜索的精细化，即:

δ^t+1＝δ^t·λ

式中:λ取[0，1]之间靠近1的数，本文中λ＝0.94

(3)适应度函数以测试数据的均方根误差MSE作为适应度评价函数，用于推进对空间区域的搜索。函数为:

式中:N为训练集样本数；t_sim(i)为第i个样本的模型输出值；y_i为第i个样本的实际值。因此，算法迭代停止时适应度函数值最小的位置即为问题所求的最优解。

(4)初始天牛参数取[－0.5，0.5]之间的随机数作为天牛须算法的初始解集，即天牛的初始位置，并将其保存在bestX中。

(5)根据适应度函数计算在初始位置时的适应度函数值，保存在bestY中。

(6)解的更新依BAS中的左右须位置，分别求左右须的适应度函数值f(x_l)和f(x_r)，比较其强度并更新天牛位置，即调整ElmanNN 的权、阈值，并计算在当前位置下的适应度函数值。若此时的适应度函数值优于bestY，更新bestY，bestX。

(7)迭代是否停止判断适应度函数值是否达到设定的精度 (1×10^-3)或迭代进行到最大次数，否则继续迭代。

(8)算法停止迭代时，bestX中的解为训练的最优解，即ElmanNN 的最优初始权阈值。将上述最优解带入ElmanNN中进行二次训练学习，最终形成BAS-Elman预测模型。

本专利选相对误差和决定系数两个评价指标来评价模型的性能，其公式如下：

式中:为第i个样本的预测值；y_i(i＝1,2,...,n)为第i个样本的真实值；n为样品数目；且相对误差越小，表明模型性能越好；决定系数范围在[0，1]内，愈接近于1，表明模型性能愈好，反之，愈趋近于0，表明模型性能愈差。

这样便运用BAS优化了ElmanNN的综合性能，加快模型收敛速度，减少模型训练时间。

ElmanNN模型的最大优点就是摆脱了非线性问题数学建模的复杂性，只要有合适的ElmanNN拓扑结构和适当的训练，就能实现高精度的估计。但由于训练数据量巨大，因此只取平台期的数据对网络进行训练，减小工作量。修正安时积分法是电池SOC预估的基本方法，算法简单可靠。但是，难以测量初始SOC值和误差的累计限制了该方法的准确性。因此，与ElmanNN结合的双态切换法在平台期内可准确测得SOC值，在切换发生时，初始SOC就是前一时刻平台期的SOC，不用再进行测量，而且数值准确；误差累积与积分时间相关，因此，采取修正安时法在电压爬坡期而不是整个区间，减少了积分时间，同时也减少误差累计。

【实施例二】

所述模式二包括以下步骤：

步骤2.1判断前一刻是否为工作状态；

所述修正安时积分法引入寿命因素γ、温度因素C_T及效率因素η对安时积分法进行修正。

进一步的模式二：基于修正安时积分法在线估计SOC

当实测端电压估算出的OCV值处于爬坡区时，SOC估计策略切换成修正安时积分法。

安时积分法定义式：

基于安时计量法对SOC的计算，主要有影响因素如：SOC初值的确定，寿命因素，温度因素，效率因素等。

因为安时积分法是解决时间段内电量变化，而剩余电量依赖于SOC初值，而安时积分法无法直接计算出初始SOC。当电池从未工作状态切换到工作状态时，长时间静止未放电的电池可以采用OCV法准确测量SOC值；

寿命因素γ。由于化学电池内部活性物的化学反应，无论电池是否使用，其容量从出厂开始就一直减小。由于循环寿命和日历寿命同时存在，因此，引入老化系数修正安时积分法公式。

温度因素C_T。温度会影响电池的内阻和老化程度，也同时影响离子活性从而影响实际可放电容量。根据不同温度下，对电池组总容量进行估计，获得对应的容量，从而引入温度系数修正安时积分法公式。

效率因素η。不同的放电倍率下，电池内化学能作热功占总功的比例不一样，而且热辐射会进一步改变内阻。因此，引入一个平均充放电效率修正安时积分法公式，以适用于不同充放电倍率。

综上因素考虑，修正安时积分法公式：

其中，

当模式判别完成后，只需要输入实时电流，通过时间积分，便可以准确获得电压位于充放电末期的电池SOC。

与现有技术相比，本发明基于BAS优化ElmanNN-AH法电池SOC 双态切换算法的优点为：

1.双态切换法将两种模式联合起来预估电池SOC，消除了安时积分法初始SOC难测量和误差累计的缺点，同时减少了神经网络的训练数据和训练次数，减轻了工作量；

2.双态切换法结合了神经网络法自学习能力强、非线性预估良好和修正安时积分法工作简单高效的双重优点。

3.BAS优化算法因没有过多参数需要调整、易实现、精度高、收敛快等优点，在优化ElmanNN最优权值过程中，解决了传统神经网络易陷入局部最优的问题。

4.ElmanNN动态反馈型网络能够内部反馈、存储和利用过去时刻输出信息，既可以实现静态系统的建模，还能实现动态系统的映射并直接反应系统的动态特性，在计算能力及网络稳定性方面都比传统 BP神经网络更胜一筹。

Claims

1.一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，其特征在于，包括以下步骤：

步骤1依据动力电池OCV实况采集到的开路电压判断电池状态；

2.根据权利要求1所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，其特征在于：所述模式一包括以下步骤:

3.根据权利要求2所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，其特征在于：所述BAS优化的ElmanNN的S模型的步骤为：

步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值；

步骤1.12将得到的最优初始权阈值应用到已经设定好的ElmanNN中。

4.根据权利要求1所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，其特征在于：所述模式二包括以下步骤：

步骤2.1判断前一刻是否为工作状态；

5.根据权利要求4所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法，其特征在于：所述修正安时积分法引入寿命因素γ、温度因素C_T及效率因素η对安时积分法进行修正，其修正后的公式为：

其中，。