CN111398832A - 一种基于anfis模型的公交车电池soc预测方法 - Google Patents

Abstract

一种基于ANFIS模型的公交车电池SOC预测方法，它属于公交车电池SOC预测技术领域。本发明解决了现有方法对电池SOC预测的误差大，预测的准确率低的问题。本发明首先确定电压、电流、平均温度和电池组内最大电压差为模型输入，其次，采用密度函数对样本加权的方式优化FCM算法目标函数与聚类中心的计算，并通过模拟遗传退火算法得到FCM聚类结果，并最终建立ANFIS模型；然后采用基于粒子分布情况调整惯性权重的PSO算法进行ANFIS参数寻优；最后通过实际公交车的电池数据对模型进行评估。通过本发明方法可以有效减小电池SOC预测的误差，提高SOC预测的准确率。本发明可以应用于公交车电池SOC预测。

Description

一种基于ANFIS模型的公交车电池SOC预测方法

技术领域

本发明属于公交车电池SOC预测技术领域，具体涉及一种基于ANFIS模型的公交车电池SOC(State of Charge，荷电状态)预测方法。

背景技术

近几年，一些国家虽然已经在节能减排上做出一定努力，但是近年来环境恶化和能源短缺的问题在全球范围内日益严重，特别是全球变暖的现象更是受到学者和工业部门的密切关注。加速开发和推广新能源技术已成为全球共识，也是车辆工业发展的主要方向之一。新能源车辆的动力来源绿色无污染，因此新能源技术在车辆工业上的普及是处理当前全球石油资源日益短缺和环境变暖问题的重要途径。我国在汽车工业上需要将新能源汽车作为主要研究方向。工信和信息化部也面向社会公开征求新能源车辆的发展意见。而新能源技术的关键在于研制安全、高效和低成本的动力电池，目前，磷酸铁锂电池因其热稳定性好，能量比高和使用时间长等优点，逐渐成为新能源车辆动力来源的主要选用的电池类型之一。

电池管理系统(Battery Management System，BMS)是在电动车辆上无法缺少的一部分。该系统的职责在于保障动力电池的安全使用，对电池的使用做监控从而保证电动汽车可以安全行驶。而电池的荷电状态是BMS中一个重要的状态参数，其重要程度就如同燃油表在燃油汽车中的重要程度一样。其定义由公式(1)表示。

式(1)中，C_r为电池剩余电量，C_n为电池在充满电的情况下可以放出的电池电量。

较为准确的SOC对充电和放电策略具有指导性的作用。在电池充放电过程中SOC要到达最低值或最高值时，BMS可以发出报警信号，从而以保护电池免受过充电或者过放电带来的损害。BMS的其他功能也有很大一部分是依赖于SOC的。此外，准确的SOC估计也可以辅助司机决定去给公交车充电的时间。然而SOC在应用场景中不能直接测量，往往只能基于电池工作时的其他参数如工作电压、工作电流等因素进行判断。而且SOC与各种因素之间的关系在高精度要求下是无法线性表示的，而且在电池工作中各种因素之间也会彼此影响。因此，获得精确的SOC值既对BMS而言意义重大，也存在一定挑战性。

公交车在公共交通中整体上应用最为普遍，也是得到新能源技术广泛应用的一个场景。新能源公交车被广泛应用的有两种，一种是既使用汽油或柴油也使用电力的公交车，另一种是只使用电力的公交车。在纯电动公交车中，大量的单体电池被串联在一起组成电池组以满足车辆运行时的能量需求。公交车行车工况复杂，那么研究出一个具有鲁棒性和准确性的SOC预测模型对纯电动公交车这个应用场景而言是极其重要的。

安时积分法由于其简单且有效的特点被更为广泛地应用在电池SOC预测上，但只有在提前知道初始SOC并且有高精度的电流传感器的情况下才会有较小的误差。开路电压法由于其测量时间长的特点常常作为一种SOC校准的手段。卡尔曼滤波法是一种基于建立的等效电路的SOC预测方式，依赖于建立的等效电路在非线性系统中存在误差较大的问题。模糊控制依赖于工程经验。综上所述，虽然现有方法在电池SOC预测上已经取得了一些成就，但是现有方法对电池SOC预测的误差较大，预测准确率仍然较低。

发明内容

本发明的目的是为解决现有方法对电池SOC预测的误差大，预测的准确率低的问题，而提出了一种基于ANFIS模型的公交车电池SOC预测方法。

本发明为解决上述技术问题采取的技术方案是：一种基于ANFIS模型的公交车电池SOC预测方法，该方法包括以下步骤：

步骤一、采集同一线路上的M辆公交车的电池数据，即分别获得每辆公交车在各采集节点处的电池组电压数据、电流数据、电池组内最大电压差数据以及同一辆公交车在各采集节点处的电池组平均温度数据；

步骤二、对步骤一获得的数据进行归一化处理，获得归一化处理后的数据；

步骤三、建立ANFIS模型，将归一化处理后数据作为ANFIS模型的输入数据，将公交车的SOC数据作为输出数据，利用粒子群优化方法对ANFIS模型进行训练，直至训练达到设置的最大迭代次数G_k时停止训练，获得训练好的ANFIS模型；

所述ANFIS模型的第一层为隶属度函数层、第二层为激励强度层、第三层为激励强度归一化层、第四层为规则层、第五层为输出层；

输入数据向前传输至ANFIS模型的第四层后，调整第四层的节点参数，再通过第四层的节点参数计算误差率，并将误差率反向传输至第一层，并调整第一层节点参数；

步骤四、按照步骤一的方法，采集待进行SOC预测的公交车数据，将采集的数据输入训练好的ANFIS模型，获得ANFIS模型输出的SOC预测结果。

本发明的有益效果是：本发明提出了一种基于ANFIS模型的公交车电池SOC预测方法，本发明首先确定电压、电流、平均温度和电池组内最大电压差为模型输入，其次，采用密度函数对样本加权的方式优化FCM算法目标函数与聚类中心的计算，并通过模拟遗传退火算法得到FCM聚类结果，并最终建立ANFIS模型；然后采用基于粒子分布情况调整惯性权重的PSO算法进行ANFIS参数寻优；最后通过实际公交车的电池数据对模型进行评估。通过本发明方法可以有效减小电池SOC预测的误差，提高SOC预测的准确率。

附图说明

图1是双输入单输出ANFIS模型结构图；

其中：x和y代表输入，A₁代表输入x对第1个聚类中心的隶属度函数，A₂代表输入x对第2个聚类中心的隶属度函数，B₁代表输入y对第1个聚类中心的隶属度函数，B₂代表输入y对第2个聚类中心的隶属度函数，П代表代表对应(箭头)上一层节点的输出用符合T规范的AND算子相乘所得乘积，N代表上层输出的乘积归一化后的值，O_3,1f₁代表第三层第一个节点的输出隶属度函数，是一条模糊规则，O_3,2f₂代表第三层第2个节点的输出隶属度函数，是一条模糊规则，Output代表输出；

图2是SCM算法的流程图；

图3是FCM算法的流程图；

图4是肘部法的示意图；

图5是基于减法聚类的FCM算法的流程图；

图6是本发明使用的数据集中目标函数在不同聚类数目下的变化图；

图7是不同聚类数目下预测模型的均方差折线图；

图8是不同聚类数目下预测模型的最大误差折线图；

图9是IFCM的算法流程图。

具体实施方式

具体实施方式一：本实施方式所述的一种基于ANFIS模型的公交车电池SOC预测方法，该方法包括以下步骤：

步骤一、采集同一线路上的M辆公交车的电池数据，即分别获得每辆公交车在各采集节点处的电池组电压数据、电流数据、电池组内最大电压差数据以及同一辆公交车在各采集节点处的电池组平均温度数据；

步骤二、对步骤一获得的数据进行归一化处理，获得归一化处理后的数据；

步骤一采集数据时，同时采集了对应的SOC数据，但是不需要对SOC数据进行归一化处理；

步骤三、建立ANFIS(Adaptive Network-based Fuzzy Inference System，自适应模糊神经推理系统)模型，将归一化处理后数据作为ANFIS模型的输入数据，将公交车的SOC数据作为输出数据，利用粒子群优化方法对ANFIS模型进行训练，直至训练达到设置的最大迭代次数G_k时停止训练，获得训练好的ANFIS模型；

所述ANFIS模型的第一层为隶属度函数层、第二层为激励强度层、第三层为激励强度归一化层、第四层为规则层、第五层为输出层；

输入数据向前传输至ANFIS模型的第四层后，调整第四层的节点参数，再通过第四层的节点参数计算误差率，并将误差率反向传输至第一层，并调整第一层节点参数；

输入数据向前传输至第四层，再反向传输至第一层，这个过程视为完成一次迭代；

步骤四、按照步骤一的方法，采集待进行SOC预测的公交车数据，将采集的数据输入训练好的ANFIS模型，获得ANFIS模型输出的SOC预测结果。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中，同一辆公交车在各采集节点处的电池组平均温度数据表示为temp_avg：

其中：n为数据采集节点的数量，temp_i为第i个采集节点采集到的电池组温度；

所述电池组内最大电压差数据表示为dif：

其中：

为电池组内第i₀个单体电池的电压值，

为电池组内第j₀个单体电池的电压值，N为电池组内单体电池数量。

由于数据采集频率高且同一辆公交车大部分时间上相邻的样本之间的区别较小，而且考虑到公交车动力电池在放电初期电压下降速度较快的情况，故在单一车辆单一放电过程中，当电池SOC大于50％，取样频率为隔5s取一次，当电池SOC小于50％时，取样频率为每隔10s取一次。经筛选后，共获得115267组数据，这是因为公交车行驶过程中通常不会让SOC降到很低。

具体实施方式三：本实施方式与具体实施方式一不同的是：所述ANFIS模型中的初始模糊推理系统的生成方法为：

步骤1、利用减法聚类方法获得初始聚类中心，并将获得的初始聚类中心作为FCM(Fuzzy C-Means，模糊C聚类)聚类方法的初始聚类中心；

利用减法聚类方法获得初始聚类中心时，引入了余弦相似度对欧式距离加权；

步骤2、通过FCM聚类方法获得最优聚类结果。

具体实施方式四：本实施方式与具体实施方式三不同的是：所述FCM聚类方法的目标函数J(U,c₁,...,c_k)为：

其中：m为模糊指数，c_j为第j个初始聚类中心，j＝1,2,…,k，k为初始聚类中心的个数，xi为第i个样本点(每个采集节点的数据对应于一个样本点)，d_ij(x_i,c_j)为x_i和c_j之间的欧氏距离，u_ij表示x_i对c_j的隶属度，w_i是第i个样本点的权值；

其中：D_i代表第i个样本点的密度。

具体实施方式五：本实施方式与具体实施方式四不同的是：所述步骤2中通过FCM聚类方法获得最优聚类结果，其具体过程为：

采用模拟退火遗传方法对FCM聚类方法进行改进；

步骤S1：初始化：种群规模为size，最大迭代次数为G，交叉概率为p_cross，变异概率为p_mut，退火初始温度为T，退火终止温度为T_end，温度衰减函数参数为a(0<a<1)；

步骤S2：采用二进制编码生成初始种群：设染色体由初始的k个聚类中心构成，每个聚类中心拥有d个属性，每个属性采用m位二进制编码，则随机生成size个长度为k×d×m的二进制串作为初始种群，每个二进制串作为初始种群中的一个个体，令遗传迭代计数gen＝0；

步骤S3：对每一个个体解码：根据每一个个体的目标函数J_i′，得到每一个个体对应的适应度值f_i′＝1/J_i′，其中i′＝1,2,…,size，i′代表第i′个个体；

步骤S4：经过选择、交叉和变异生成新种群，将新种群中的各个个体的适应度值f_i′′与亲代(即初始种群中对应的个体)的适应度值f_i′进行比较，令Δf＝f_i′′-f_i′；

若Δf＞0，则接受新个体，并从初始种群中去除其亲代，否则判断是否满足条件exp(Δf/T)＞r(r为0到1的随机数)，若满足，则接受新个体，并从初始种群中去除其亲代，若不满足，则去除新个体保留亲代个体，以获得下一代种群个体；

步骤S5：重复步骤S3至步骤S4的过程，若gen<G，令gen＝gen+1，并转至步骤S3；若gen＝G，则转至步骤S6；

步骤S6：设当前时刻温度为T′，若T′＜T_end，则算法终止，输出适应度值最优的个体，解码得到k个聚类中心；

否则，令gen＝0，T＝aT′，执行降温操作，转至步骤S3；

步骤S7：根据步骤S6解码得到的k个聚类中心获得最优聚类结果。

用轮盘赌算法进行选择，其次用单点交叉算子进行交叉，然后选择随机变异的方式进行变异；

具体实施方式六：本实施方式与具体实施方式一不同的是：所述ANFIS模型的第一层和第四层节点参数的调整采用粒子群优化方法(Particle swarm optimization，PSO)；

设第l个粒子在改变位置的过程中适应度最高的位置为pBest_l，所有粒子在改变位置的过程中适应度最高的位置为gBest；

选取出全部粒子在改变位置的过程中的最高适应度，将最高适应度所对应的位置记为gBest；比如说粒子A的历史位置包括s1、s2、s3，粒子B的历史位置包括s4、s5、s6，则比较位置s1、s2、s3、s4、s5、s6所各自对应的适应度，将其中最高的适应度所对应的位置记作gBest；

在粒子群优化方法中，对惯性权重进行调整，调整的具体过程为：

设全部粒子的当前位置和gBest共同构成集合M，则在集合M中，第l个粒子的当前位置相对于集合M中其它位置的平均距离d_l为：

其中：L为集合M的大小，||x_l-x_j′||代表第l个粒子当前位置x_l与集合M中其它位置x_j′的距离，j′＝1,2，…，L；

惯性权重ω为：

f(d_g,d_min,d_max)＝(d_g-d_min)/(d_max-d_min)

其中：d_max为最大平均距离(所有粒子对应的平均距离中的最大值)，d_min为最小平均距离(所有粒子对应的平均距离中的最大小值)，d_g为对全部粒子的平均距离取平均；

在粒子群优化方法中，对学习因子c₂进行动态调整：

其中：g为粒子位置的已更新次数；

为学习因子的初始值。

通过一次迭代获得各个粒子的新位置后，根据新位置所对应的适应度来判断是否对gBest更新，若新位置中的最高适应度大于等于原gBest中位置的适应度，则将新位置中最高适应度所对应的位置作为gBest，再利用新位置和新gBest构建新的集合M用于下一次迭代，若新位置中的最高适应度小于原gBest中位置的适应度，则不对gBest进行更新，利用新位置和原gBest构建新的集合M用于下一次迭代。

具体实施方式七：本实施方式与具体实施方式一不同的是：所述最大迭代次数G_k的取值为600次。

根据公式(1)，SOC只和电池额定电量和剩余电量的直接相关，但是两者不容易在使用场景中直接测出。因此在建立数学模型的时候需要考虑与电池SOC间接相关的因素作为模型的输入。与公交车电池SOC间接相关的因素有很多，影响较大的有工作电压、工作电流、工作温度、内阻等，影响随时间而逐渐增大的有电池使用循环次数、自放电反应等，这也使电池SOC的准确估算变得十分困难。下面将对一些关键因素进行分析：

1)电压。根据电化学方面的知识，电压可以在一定程度上反应电池电解液的浓度，两者成正比，所以无论是在蓄电池充电过程还是放电过程中，电池电压都可以间接反应出电池剩余电量。在电池使用中，SOC的变化和两端电压的变化是一般成正比关系。在固定额定电量容量的情况下，电压越高，说明剩余电量越高，也就是SOC值越高，反之，如果电压越低，也就是SOC值越低。端电压与剩余电量之间的这种关系是一些使用开路电压和SOC之间的关系曲线来估算SOC的理论依据。纯电动公交车在运行过程中，其动力电池组的SOC值也会在电池充放电过程中随着的放电电压的改变而发生改变。需要特别说明的是，动力电池在已经充满电的状态下进行放电的过程中，其两端电压会在放电初期会迅速降低，一段时间后电压会变为缓慢降低，然后在快要到达电池最低电压的时候，电压又会开始迅速下降。同样地，在动力电池在从无剩余电量开始充电的过程中，动力电池的两端电压也会在电池充电初期和电池充电末期快速提高，而在充电的中期，则缓缓提高。需要注意的是蓄电池在处于工作状态时的电池两端电压和电池的开路电压是不同的。开路电压是指电池断开电路后，经过充分时间放置最终趋于稳定后测得的电池两端电压。

2)电流。电流反映了电池放出电量的速度，是能直观表现出电池电量变化的电池参数。在反应过程中电解液产生的物质会扩散到电池内的任一地方，而在不同电流的情况下，也会对电池的实际放电电量造成不同影响。当使用较大的电流进行工作时，电池极板周围就会迅速的产生大量反应生成物在附近堆积的现象，这最终将影响传递离子的过程和化学反应的正常进行。当电池放电过程中的电流较大，电池的化学反应受到过大影响时，真实放出的电量就会低于预期；与之相反，当电池放电过程中的电流较小时，电池实际放出的电量就会较大，这也是使用安时积分法无法避免的一种误差。根据peukert经验公式，可以在只考虑电池类型情况下，较为直观地看出电池放电电流对电池实际已放出的电量的影响，peukert经验公式及其变形由下列公式表示。

IⁿT＝k

IT＝I^1-nk

式IⁿT＝k中，n的取值和k的数值和电池类型有关，k是一个常数，n一般通过放电数据获得，在锂电池中n往往大于1，I为电流，T为时间长度。变形公式IT＝I^1-nk的等式左侧在理论上可视为电池所放出的电量，故而相同时间内放电电流越大电池的利用率就越小，反之，电池利用率就会越高。纯电动公交车的运行工况十分不固定，在城市道路运行时，会出现加速行驶，减速行驶，匀速行驶等常见场景，甚至在驾驶员行为不当或者特殊交通情况时会出现急加速，急减速等操作。在这种复杂的运行场景下，电池的放电电流也会处于无规则的变化之中，而当电池的放电放电电流不同，电池SOC的变化也会有相应的不同。此外，在充电过程中，如果使用较大的电流对公交车电池进行充电，那么电池的实际容量会变大，反之则会变小。这也对公交车根据电池SOC进行合理的充放电安排带来较大难题。

3)温度。电池的工作温度是有一定范围的，温度过高和过低都会对电池性能造成一定影响，而且也会使内阻发生改变。在电池在较低温度的情况下工作时，电池内部的电化学反应发生的速率会降低，并且电池内阻会随之变大，这种情况下，电池放出的电量要较低；而温度在一定范围内提升时则相反，但是温度过大时，由于破坏了电池内部的化学反应平衡，放出的电量又反而会下降。而当电池处于充电过程中时，较高的温度会使得电池端电压以更快的速度升高到终止电压，但是电池充电的需要实际上并没有得到满足，此时实际充入电池的电量少于应当冲入电池的电量。不仅如此，温度的变化也可能导致其他影响电池容量的因素发生变化，如电池的自放电反应，温度越高，自放电越强烈。

4)自放电反应。自放电反应是指电池并没有连入任何负载电路时，其电量因为电池内部自然发生的化学反应而缓缓减少的情况。电池在自放电反应过程中的放出电量的比率反应了电池对电量保持能力。电池出现自放电反应主要是因为在制作电池的过程中，电池内部电解液材质无法保证没有杂质，而且电极处的材料会掺入一些杂质，这些不可抗的杂质都会和电解液发生反应，生成不可逆的产物，使得锂离子总量变少，导致电池最大容量变小。此外，电池自放电反应还与存放环境，老化程度和制作工艺等因素有关。总之，电池的自放电反应是不可避免的。电池的自放电反应会给需要给定电池放电过程中电池SOC初值的SOC估算方法带来误差。电池的制作工艺不同材质不同，其自放电率通常也存在较大区别。通常情况下，电池的荷电量和自放电率有如下关系，电池荷电量越高，自放电率越高。这是因为电池荷电量越高，表示正极电势越高，负极电势相对越低，在这种情况下正极氧化性更强，负极还原性也更强，副反应就越激烈。

5)电池组内不均衡。纯电动公交车的电力来源都是电池组。这是因为在纯电动公交车上单个电池很难满足纯电动公交车在实际运行过程中所需要的工作电压。在电池组的设计中，通常默认构成电池组的每一个单体电池的电压和容量还有其他参数是相同的，而实际中特别是在车辆运行一段时间并对电池组进行反复充放电后，即使是型号一致厂家一致的不同单体电池的参数也会有所区别，这也就是电池组的不均衡性。这种不均衡性会影响公交车电池组的使用性能。在公交车进行充电时，电池组的不均衡可能会导致BMS系统在充电管理中使组内额定电量最小的单体电池过充，而额定电量较大的单体电池有可能没有被充分充电；而在电池放电过程中，最小电池容量单体电池的电量存在先放空进而出现因压差而充电的现象，此时被放空的电池被充电，成为负载电路上的额外负载，而且电池组也因此发生变化，进而给SOC估算造成误差。传统的SOC估算方法中多基于所有的单体电池对整体的影响是相同的，缺少对这种不均衡性地考虑。在不考虑这种不均衡的情况下，很难用单一公式或者模型来描述，因为不同的电池组内的单体电池的不均衡情况也不尽相同。公交车辆在刚投入使用的时候，电池组不同单体电池间的容量差别相对比较小，但随着电池的长时间使用，电池的充放电次数增加，电池组的整体性能会发生迅速的变化，致使电池组的容量发生变化。综上所述，在估算公交车电池组SOC时，不应当认为单体电池对整体的贡献是完全均衡的，且单体电池之间的参数的不同程度会随着电池组的循环使用次数的增多而变得越来越大。最终会导致电池组的容量发生显著变化，从而能较大程度地影响到对电池组SOC的预测精度。

6)电池老化程度。这一属性和其循环使用次数相关。随着次数的增多，电池必然会出现老化的问题。在电池老化的过程中，电池电解液的挥发，电池正负极材料的老化会导致电池容量的衰减和内阻的增大。蓄电池的额定容量在电池刚投入使用的时候，一般会有小幅度的波动，甚至有所增加，但是随着使用，电池额定容量会逐渐下降。通常情况下，当电池额定容量低于其出厂设计的80％时，可认为该电池已经不能够在当前应用中继续工作，可按照需要在其他小功率设备上使用或者被废弃。

7)内阻。在电池处于工作状态时，由于电池内部存在电阻，测量得到的电池两端电压无法与开路电压大小相等。电池在充电状态下，两端电压要比开路电压高，而在工作状态下，则端电压较高，这是受到电池内阻影响的结果。内阻是电池内部极其重要的一个参数，其大小会对电池的工作电压、工作电流和电池容量等产生直接的影响。内阻在充满电的电池放电开始阶段和放电中期的变化程度都较小，只有在电池剩余电量降低到一定程度时，内阻才会有显著性变化。此外，内阻也会随着温度、充放电倍率电池老化程度而发生改变。

由上述分析可知，纯电动公交车电池组的SOC会受到诸多因素影响。这些因素有电压、电流、温度、电池老化程度、内阻、自放电反应和电池组内不均衡的状态，这些因素之间也会互相影响。要建立SOC估算模型，首先要确定模型的输入参数，一些研究在建立模型时考虑到了蓄电池的动态内阻，而本发明不选取的原因是本发明所获得的数据集中，公交车在行驶过程中很少会使电池到达放电末期，而只有在放电末期，电池动态内阻才会显著增大，其他时间电池的动态内阻的变化较小，此时这种变化度才能体现内阻对电池SOC估算的贡献。本发明基于参数对SOC的贡献度以及数据集内参数的变化度，选取电池组的电压、电流、平均温度和电池组内最大电压差为输入，电池组的SOC为输出，建立一个4输入1输出的ANFIS模型。

ANFIS是神经网络模型和T-S型模糊推理系统的有效结合。引入神经网络的ANFIS模型不仅可以在先验知识不充分的情况下确定模糊规则，还可以借助其学习能力自适应的调整规则参数。

ANFIS模型共有5层结构。为简单介绍ANFIS的结构，假定所建立模型的输入只有x和y，并且所有的输入样本可聚为两类，最终输出为Output。一个使用聚类方法建立的ANFIS结构如图1所示。

第一层为隶属度函数层。在这一层首先将每个输入划分为两个子空间，每个子空间都有一个与之对应的隶属度函数。模型使用相应的隶属度函数计算得到每个输入对相应子空间的隶属度，并作为相应输出。在图1中第一层每个节点既对应划分的子空间也对应一个隶属度函数。这一层节点输出可由公式(2)和(3)表示。

O_1,Ai＝μ_Ai(x),i＝1,2 (2)

O_1,Bi＝μ_Bi(x),i＝1,2 (3)

式(2)中，

是A_i对应的隶属度函数，在处理非线性系统的问题时，通常可以选用钟型函数或者高斯函数，以钟型函数为例，钟型函数公式为

那么{a,b,c}就是A_i的参数集。模型在训练过程中的反向传播阶段就是在自适应调整第一层每个节点的参数集，以逼近所模拟的系统。通常来讲，隶属度函数的曲线形状越平滑，输出就会越稳定，曲线形状越尖，对输入越敏感。ANFIS的前件参数集由第一层所有节点的参数集构成。

第二层为激励强度层。这一层是通过将A_i和B_i的输出用符合T规范的AND算子相乘，所得乘积就是本层节点的输出，也是相应规则的激励强度。第二层节点的数量在不使用聚类方法时为每个输入变量划分子集数目的乘积，在使用聚类方法时，为聚类数目。第二层节点与第四层节点存在一一对应的关系。模型这一层第i个节点对应的输出可由公式(4)表示。

O_2,i＝μ_Ai(x)μ_Bi(x),i＝1,2 (4)

第三层是激励强度归一化层。这一层将上一层所有输出放在一起做归一化计算，并得出各个节点对应规则的置信度，计算公式与该层节点的输出函数由公式(5)表示。

第四层为规则层。在图1中模型中每个规则有三个参数，最终的输出还和归一化的激励强度有关。这一层所有节点的参数集合是ANFIS的后件参数集合，可在训练过程中自适应调整。该层节点输出由公式(6)表示。

第五层为输出层。这一层为单节点，用来加权计算并得到模型的最终输出。输出地计算如公式(7)所示。

ANFIS是一种基于前馈神经网络的计算模型，学习方式为监督学习。在ANFIS模型中仅有第一层和第四层包含可调节的参数，这两层被称为自适应层。在第一层每个节点包含参数数目和其所使用函数有关，其集合被称为ANFIS的前件参数；在第四层每个节点包含参数数目和输入变量的数目有关，用于构成一阶多项式，其集合被称为ANFIS的后件参数。模型的学习算法是为了调整优化前件参数和后件参数以降低模型在训练集上的计算误差。这两个集合都确定的时候，模型也就完成建立了。ANFIS的学习算法一般使用BP算法训练第一层的参数集合和用最小二乘法训练第4层的参数集合，这样比只使用BP法训练效率要高。混合学习算法可分为如下两步：

第一步是前向传播。信号前向传输至模型第四层，然后根据最小二乘法(LeastSquares Algorithm，LSM)调整ANFIS模型的第四层节点参数；第二步是反向传播。首先通过第一步得到的后件参数对训练集进行计算得到误差率，其次将误差率反向传播至第一层，然后通过梯度下降法改变第一层参数。两步反复操作，实现模型参数的调优，直至模型达到终止条件如精度大于阈值，训练次数超过设定值。

减法聚类算法

减法聚类(Subtractive Clustering Method，SCM)是由Chiu提出的一种基于密度的硬聚类方法。该方法基于山峰聚类并有一定优化。不同于后者将网格点作为候选聚类中心，减法聚类方法从样本中选出聚类中心，可能性只和算法中给出的样本密度指标有关。具体描述如下：

设样本空间X:{x₁,x₂,…,x_n}，每个样本共有m个属性，即为x_i＝{x_i1,x_i2,…,x_im}，先计算所有样本的密度D_i，计算如公式(8)所示。

式(8)中，r₁表示的是一个受x_i影响的邻域空间的半径，为常量，不同取值会影响算法的最终聚类个数。由式(8)可知，当x_i半径范围内样本越多，则x_i的密度就越大，x_i也越有可能成为聚类中心。在通过式(8)得出所有样本的密度后，选择密度为max(D_i)的样本作为聚类中心。之后选择聚类中心时，不仅要考虑每个样本的密度指标，还要考虑与已选取的聚类中心的距离，以确保不同聚类中心间有足够的距离。设

为第一个聚类中心，

为该样本的密度，然后修正其他样本的密度指标，计算如公式(9)所示。

式(9)中，r₂为常数且r₂＝ηr₁，表示为c₁的一个邻域半径，目的是避免不同聚类中心之间的距离过近，抑制因子η取值要大于1，k比已经产生的聚类中心的数目大1。当寻找之后的聚类中心时，不仅要选择出修正后的密度指标最大的样本，还要将其密度与

作比较，判断是否达到聚类的终止条件，如公式(10)所示。

式(10)中，参数δ被称为拒绝因子，若式(10)成立，则拒绝选择

为聚类中心，且算法终止。若式(10)不成立，则

为第k个聚类中心，并按式(9)更新其他样本的密度，并继续寻找下一个聚类中心。判断条件中的拒绝因子取值范围为0到1。SCM的算法流程图如图2所示。

FCM聚类算法

FCM算法于1974年由Dunn提出，由Bezdek于1981年改进。相比于其他聚类算法，FCM算法精度高适用范围广，已被广泛应用于各种领域。和减法聚类不同，FCM算法是在求取能使目标函数最小的聚类中心，具体描述如下：

设样本空间X:{x₁,x₂,…,x_n}，x_j为第j个样本点，算法将X划分为k类(2≤k≤n)子空间，聚类中心为C:{c₁,c₂,...,c_k}，用u_ij(i＝1,2,…,k,j＝1,2,…,n)来表示x_j对c_i的隶属度，u_ij可以构成i×j大小的矩阵U。u_ij满足条件见公式(11)。

FCM算法的目标函数的计算如公式(12)所示。

式(12)中，m为设定的模糊指数且m∈[1,+∞]，d_ij为x_j和c_i之间的欧氏距离。

为获得c_i和u_ij的计算公式，使用拉格朗日乘子计算法改变式(12)，改变后如公式(13)所示。

式(13)中，λ_j(j＝1,2,…,n)为拉格朗日乘子。令J’分别对c_i和u_ij进行求导，当分别满足极值条件时，条件见公式(14)。

可得c_i和u_ij的计算公式，分别由公式(15)和(16)表示。

FCM的具体实现步骤如下：

步骤一：设定公式(12)中的参数k和参数m，设J的最小变化量为ε，以及算法最大迭代次数为G，且令迭代计数g＝0。

步骤二：随机初始化聚类中心C(g)，得到J(g)。

步骤三：根据公式(16)计算隶属度函数矩阵U。

步骤四：根据公式(15)计算新的聚类中心C(g+1)。

步骤五：根据公式(12)计算目标函数值J(g+1)，若J(g+1)-J(g)<ε或g＝G，则聚类算法停止；否则，令g＝g+1，跳转至第3步；

FCM流程图见图3。

基于减法聚类的FCM法

ANFIS模型的复杂度主要取决于模糊规则的数目以及对输入变量的划分区域数目。为了降低网格划分法产生的模糊规则数目从而降低模型复杂度，可以引入聚类方法。不同于网格划分法对每个输入都采取线性划分的方式，使用聚类算法生成的ANFIS网络结构生成模糊规则数目仅与聚类数量相关，系统复杂度会大大降低。

SCM是一种基于密度的单次迭代聚类算法。SCM受到数据维度的影响较低，其将样本点作为聚类中心候选集。然而这也导致SCM会受到当样本空间的样本分布的影响，如果分布不够密集，那么SCM聚类效果就会较差。此外，SCM以样本点为聚类中心，通常与真实的聚类情况有偏差。而FCM算法是一种迭代求解最小目标函数值的算法，但是在FCM算法的应用中，较差的初始聚类中心可能使算法只能得到一个局部最优解。故而结合两者的优点，使用SCM初始化FCM的初始聚类中心以提高FCM算法的稳定性。

在进行减法聚类之前，首先需要确定FCM的聚类个数k。k可以通过肘部法(ElbowMethod)来简单提供参考。肘部法的示意图如图4。随着k取值的增大，公式(12)中的J的最终取值也会逐渐下降，但是算法复杂度也会提高，所以取图4中黑点位置，聚类个数达到黑点所在的值之前，目标函数J的下降趋势较为明显，而之后则下降的较为缓慢。

图4中x轴为聚类个数，y轴为对应聚类个数下FCM的最小目标函数值。黑点位置表示的聚类个数为6。找到黑点所对应的聚类个数后，可通过试探法最终确定k的取值。在使用减法聚类生成聚类中心的时候有两个参数至关重要，首先是聚类中心每一维的影响范围r₁，其次是抑制因子η。根据η可以得出在根据公式(9)修正样本密度时，最新聚类中心影响的邻域半径r₂。在半径r₂确定的邻域空间内的样本被修正密度后将基本不可能成为聚类中心。抑制因子通常取为1.25，抑制因子越大，生成的聚类数目越少。此外，还有拒绝因子δ，决定了算法的终止条件。当剩余样本的密度指标都与第1个聚类中心的密度指标的比值小于拒绝因子时，算法就达到终止条件并得到了n个聚类中心。减法聚类生成聚类中心的过程中，聚类中心的生成和样本密度密切相关，密度指标越大的样本越有可能成为聚类中心。但是因为样本可能不是最优的聚类中心，所以不能仅仅通过减法聚类而得到最终的聚类中心。但是减法聚类生成的聚类中心从密度的角度来看应该与实际的聚类中心的距离较小，故而可以成为较好的FCM初始聚类中心。通过调节r₁和η和拒绝因子δ得到n(n>k)个聚类中心，然后从n个位置中取前k个便可用于初始化FCM聚类算法中初始聚类中心的位置。通过这样的方式可以减轻FCM中随机初始聚类中心给最终效果带来的负面影响。

基于减法聚类的FCM算法的具体流程如下：

步骤一：初始化减法聚类密度作用半径r₁，抑制因子η和拒绝因子δ，FCM法的最大迭代次数G，模糊指数m，聚类数目k以及目标函数变化阈值ε；

步骤二：通过减法聚类法得到n(n>k)个聚类中心的位置，取前k个中心并构成集合C；

步骤三：将FCM的初始聚类中心v设置为C，令迭代计数g＝0，得到目标函数值J(g)；

步骤四：据公式(16)计算隶属度函数u_ij；

步骤五：据公式(15)计算聚类中心v；

步骤六：令g＝g+1，据公式(12)计算目标函数值J(g)；

步骤七：如果J(g)-J(g-1)>ε且g<G，跳转至步骤四，否则算法结束。

基于减法聚类的FCM算法记为SubFCM，其流程图见图5。

在本发明中通过轴点图和试探法，可将样本聚为10类，使用高斯函数作为隶属度函数，隶属度函数的初始参数由输入的每一维属性，聚类中心和隶属度计算得到，生成初始FIS(推理模糊系统)。相较于网格划分法，SubFCM法得到的规则数目和模型复杂度大大降低。

本发明从云数据库中选取了在公交车行驶过程中的电池组的电压、电流和电池组内所有温度采集节点的温度和单体电池电压作为数据，以对模型进行实车验证。从两条公交车运行线路上选取9辆相同车型的公交车的电池放电数据作为原始数据集，第一条线路(线路A)上取6辆公交车共60万条数据，将其中的80％数据用作训练集，剩余的20％作为测试集1(Test1)，第二条线路(线路B)上取3辆公交车的数据用作模型鲁棒性测试，即作为测试集2(Test2)。

数据预处理

由于数据采集频率高且同一辆公交车大部分时间上相邻的样本之间的区别较小，而且考虑到公交车动力电池在放电初期电压下降速度较快的情况，故在单一车辆单一放电过程中，当电池SOC大于50％，取样频率为隔5s取一次，当电池SOC小于50％时，取样频率为每隔10s取一次。经筛选后，共获得115267组数据，这是因为公交车行驶过程中通常不会让SOC降到很低。

为了加快模型的收敛速度并避免不同输入变量的分布情况对训练结果的影响，需要对选取的电池组放电电压v，电池组放电电流I，电池组温度采集节点的平均温度temp_avg，单体电池间最大压差dif归一化处理，将其映射到[-1,1]范围内，由于SOC取值在[0,1]的闭区间上，故不做归一化处理。标准化数据的范例如表1所示。

表1 归一化数据示例

本发明使用Matlab进行编程，进行实验的硬件和软件环境如表2所示。

表2 实验软件和硬件环境

评价标准

本发明的研究重点是建立综合考虑预测误差和训练速度的电池SOC预测模型，所以本发明从测试集的均方差、测试集最大误差和平均训练时间三个方面比较算法的性能，其中各个指标的定义如下：

1)均方差，用来从整体上反映模型预测精度，由公式(17)计算。

式(17)中，t_i为SOC真实值，f_i为模型估算值，N为测试集样本数量。

2)最大误差，用来反映模型的稳定性，由公式(18)计算。

maxE＝max(|t_i-f_i|),0＜i＜N (18)

3)平均训练时间，由公式(19)计算。

式(19)中，为time_end和time_begin为达到训练终止状态的时间和开始训练的时间，T为实验次数。

聚类参数设置

使用通过减法聚类生成初始聚类中心的FCM法生成的初始模糊推理系统时，首先通过肘部法和在肘点位置附近试探的方法确定聚类数量，本发明使用的数据集中目标函数在不同聚类数目下的变化图如图6所示。

可以看到聚类数目为9时，为曲线的肘点。最终聚类数目的确定还需要通过试探法并根据模型的预测SOC的均方差和最大误差来确定。

为生成足够多的聚类中心，设r₁＝0.2，η＝1.1，δ＝0，并将SCM算法终止条件设置为聚类中心数量大于14。

基于减法聚类的FCM法建立的ANFIS模型的参数及取值如表3所示；

表3 两种模型共同的参数及取值

使用基于减法聚类的FCM法建立的ANFIS模型的隶属度函数类型为高斯隶属函数。在不同聚类数目相同训练条件下的测试集Test1的均方误差如图7所示，其最大误差如图8所示。

图7和图8的x轴均为聚类个数，前者的y轴为测试集的均方误差，后者的y轴为测试集的最大误差。可以看到当聚类个数在8个的情况下模型预测的最大误差最小，在11个聚类个数下模型预测SOC的均方差最小，这也说明了使用的肘部法确定聚类数目的方法有一定的有效性。根据图7和图8，综合考虑最大误差和平均误差最终选择聚类个数为10的ANFIS模型。

通过实验发现，预测较大误差的样本与同类别内其他预测误差较小的样本相比，距离其所属聚类中心要较远，也就是说最大误差较大的原因在于使用的聚类方法的效果受到孤立点影响较高。对于这个问题，一是应当对这些孤立的样本点采取加权的方法降低其对迭代计算聚类中心的影响，二是应当对于生成FCM初始聚类中心的方法进行改进，以减轻孤立点对SCM算法结果的影响。

进一步对基于减法聚类的FCM算法进行改进

基于减法聚类的FCM虽然解决了FCM算法不稳定的问题，但是仍然存在以下两个问题。第一，减法聚类生成的初始聚类中心受到样本分布影响，而实验证明样本空间中存在一些样本预测误差过大，且这些样本存在远离聚类中心的特点。这些样本会降低减法聚类算法的性能，进而影响到FCM的聚类结果，使FCM在迭代计算聚类中心时可能无法找到最优位置。第二，FCM未考虑样本自身的分布差异，FCM在计算目标函数时，不同样本对结果的贡献是一样的，也因此一些远离聚类中心的样本会对结果产生较大的影响。

本发明采用考虑余弦相似度的近邻密度函数给样本加权，从而降低FCM在计算聚类中心时远离聚类中心的样本对结果产生的影响；然后使用模拟退火遗传方法优化FCM，以降低FCM性能对初始聚类中心的依赖和FCM易陷入局部极小的缺陷。

样本加权

在FCM中，认为所有样本都是同等有效的，缺乏对远离同类别内大部分样本的样本考虑。然而在公交车运行场景复杂，样本的分布是不确定的而且数据集中难免会存在一定的孤立点。FCM算法对孤立点敏感的原因在于该算法仅使用所有距离之和来考量样本间的非相似性，并缺乏对样本近邻范围内样本的分布情况，无法体现不同样本点的对目标函数贡献相异度。SCM是一种基于密度的聚类方法，由公式(8)可知SCM仅使用欧式距离来计算样本的密度指标。欧氏距离从距离的角度反映了样本x_i和x_j的差异。但是计算欧氏距离时，样本各属性权重都为1对其贡献一致，因此可能产生误差。基于这个问题，本发明引进余弦相似度(Cosine Similarity，CS)对欧式距离加权，CS利用两个向量的余弦值作为两者差异度的评价。相比于欧式距离，CS更关注样本方向上的不同。余弦相似度由公式(20)计算。

式(20)中，X和Y为n维向量，θ为X和Y的夹角。修改后的欧式距离计算如公式(21)所示。

dist(X,Y)＝sim(X,Y)||X-Y|| (21)

基于余弦相似度后的减法聚类点密度计算如公式(22)所示。

根据式(22)得到所有样本的密度指标后，需要将所有样本的指标归一化，归一化的结果就是各自对应样本的权值，从而降低远离大部分样本的样本对FCM算法的负面影响，样本权值计算如公式(23)所示。

式(23)中，n为样本数量。对于密度指标越高的样本，其得到的权值也就越大；而对邻域空间内样本数量较少的样本将得到较小的权值，降低了其对FCM结果的影响。样本加权后的FCM算法的目标函数的计算如公式(24)所示。

通过拉格朗日乘子法，得到样本加权后FCM算法中c_i和u_ij的计算分别由公式(25)和(26)所示。

把模拟退火遗传算法应用于样本加权后的FCM，可以在一定程度上避免FCM在迭代计算聚类中心时陷入局部最优，使FCM可以找到最优的聚类结果，将改进后的算法记为IFCM。

IFCM的具体步骤为：

步骤一：初始化控制参数。种群规模size，最大迭代次数G，交叉概率p_cross，变异概率p_mut，退火初始温度T，退火终止温度T_end和温度衰减函数参数a；

步骤二：采用二进制编码生成初始种群。设染色体由k个聚类中心构成，样本拥有d个属性，每个属性采用m位二进制编码，则随机生成size个长度为k×d×m的二进制串作为初始种群，令遗传迭代计数gen＝0，适应度函数为f_i＝1/J_i，其中i＝1,2,…,size；

步骤三：对每个个体解码，并根据公式(24)计算每个个体的FCM目标函数J_i，并得到每个个体对应的适应度f_i＝1/J_i；

步骤四：产生下一代个体。首先用轮盘赌算法进行选择，其次用单点交叉算子进行交叉，然后选择随机变异的方式进行变异。最后，对下一代种群中的各个个体的适应度值f_i’与亲代适应度值f_i比较，令Δf＝f_i′-f_i，若Δf＞0则接受新个体并从种群中去除其亲代，否则若exp(Δf/T)＞r(r为0到1的随机数)，则接受新个体，否则去除新个体保留亲代个体，最终得到下一代种群个体；

步骤五：若gen<G，则令gen＝gen+1，并转至步骤三；

步骤六：若T<T_end，则算法终止，输出适应度函数最优的个体，解码得到k个聚类中心；否则，令gen＝0，并执行降温操作令T＝aT，并转至步骤三。

IFCM的算法流程图如图9所示。

基于改进PSO(粒子群优化算法)的ANFIS参数寻优

PSO算法中，粒子在迭代更新位置时会出现许多粒子聚在一起的现象。gBest往往被其他粒子包围，此时gBest与其他粒子的平均距离较小，而当其他粒子远离gBest的时候，往往是因为大部分粒子陷入了局部最小值，此时最优与其它粒子的平均距离较大。针对这一现象，本发明提出一种根据粒子群中粒子分布情况调整ω的方法，使得ω在算法迭代过程中，可以根据粒子间间距，调整大小从而确定PSO算法搜索能力的侧重于全局寻优还是局部寻优。首先计算每个粒子的当前位置和gBest共同构成的集合M中，粒子i相对于其它粒子的平均距离，其计算如公式(27)所示。

式(27)中，n为集合M中的元素数量。然后根据gBest的平均距离d_g和当前粒子中最大平均距离和最小平均距离计算ω。将ω限定在使用较多的[0.4,0.9]闭区间后，其计算如公式(28)所示。

式(28)中，f(d_g,d_min,d_max)＝(d_g-d_min)/(d_max-d_min)，d_max为集合M中粒子的最大平均距离，d_min为集合中粒子的最小平均距离。当d_g较大时，ω也较大，使其他较多的远离最优位置的粒子跳出可能陷入的局部最优并向最优位置趋近，当d_g较小时，ω也较小，使较多的粒子可以以较小的位置变化量趋近最优点。

此外，加速常数c₂也修改为动态调整，其计算如公式(29)所示。

式(29)中，g为粒子位置的已更新次数；G_k为设置的位置最大更新次数；

为学习因子c₂的初始值。

使用改进的PSO优化ANFIS模型的具体步骤为：

步骤一：确定ANFIS网络拓扑结构，确定参数个数m，以及初始参数集合P＝(p₁,p₂,…,p_m)。设置粒子群数量n，最大迭代次数G_k。随机初始化n个种群粒子，则第i个粒子位置向量为X_i＝(x_i1,x_i2,…,x_im)，速度向量为V_i＝(v_i1,v_i2,…,v_im)，其中1≤i≤n，令全局最好位置gBest＝P，迭代计数g＝0，最大速度V_max＝(v₁,v₂,…,v_m)；

步骤二：根据ANFIS模型的RMSE指标的倒数为适应度函数，则第i个粒子的适应度值为F(X_i)，并令粒子最好位置pBest_i＝X_i；

步骤三：计算粒子与其他粒子(将gBest位置也视为其中一个粒子)的平均距离，根据式(28)更新惯性权重ω，并按照式(29)更新学习因子c₂并令g＝g+1；

步骤四：根据公式v_i＝ω×v_i+c₁×r₁×(pbest_i-x_i)+c₂×r₂×(gbest-x_i)计算每个粒子的速度V，比较每个粒子的V和V_max的每一维属性，如果v_ij>v_j，令v_ij＝v_j；

步骤五：根据公式x_i＝x_i+v_i计算每个粒子的位置，然后更新每个粒子历史最好位置pBest_i和群体最好位置gBest。如果F(X_i)>F(pBest_i)，则令pBest_i＝X_i，如果F(X_i)>F(gBest)，则令gBest＝X_i；

步骤六：判断算法终止条件，若满足则终止，否则转至步骤三。

改进后的ANFIS模型的各类静态参数如表4所示。

表4 静态参数设置表

粒子群优化算法中学习因子c₂随着迭代次数增加而增加，初值为0.8，终值为1.8；惯性权重按公式(28)自适应变化。

对基于减法聚类的FCM算法的优化有两方面，一方面通过引入余弦相似度改进的密度指标对样本加权，以降低孤立点对FCM的负面影响，然后通过SAGA-FCM算法得到最优聚类中心和隶属度矩阵，从而得到更好地更稳定的初始FIS结构，并为后续训练模型的粒子群优化算法赋予gBest初值；另一方面使用根据粒子分布调整适应权重的PSO算法对ANFIS进行训练。改进后的模型体现了较好的预测电池SOC的能力，降低了最大误差，也提高了预测精度，表5是改进前后所有模型预测SOC效果的对比。

表5 改进前后模型效果比对

其中：SubFCM-ANFIS代表基于减法聚类的FCM算法建立的ANFIS模型1，IFCM-ANFIS代表引入余弦相似度对欧式距离加权以及采用模拟退火遗传方法对FCM聚类方法进行改进建立的ANFIS模型2，IFCM-PSOANFIS代表在模型2的基础上，采用改进PSO进行参数寻优，建立的ANFIS模型3。角标Test1和Test2分别代表在测试集1和测试集2上取得的结果。

测试集1(Test1)为线路A上的6辆公交车的数据；测试集2(Test2)为线路B上的3辆公交车的数据；9辆公交车为相同车型的公交车。

通过表5可以发现通过IFCM-ANFIS模型在两个指标上都要优于原来的模型，最大误差降低了，均方差也有一定的降低。此外，IFCM-PSOANFIS模型的收敛速度与之有一定关系，但是PSO算法对比BP算法单次迭代时间降低，整体时间有少量提高，而且由表5可以知道，IFCM-PSOANFIS比IFCM-ANFIS在两项指标上都有所提高，可以证明使用自适应动态惯性权重的PSO算法对ANFIS进行参数寻优，进一步提升了模型的预测准确度，在一定程度上解决了BP算法以陷入局部极值无法跳出的缺点。而且对Test2的预测结果也证明了所建立模型的鲁棒性。

而且，最终改进后的模型(IFCM-PSOANFIS)有效地从整体上提高了SOC预测精度，既降低了SOC预测误差的最大值，也减少了预测误差绝对值大于5％的样本占比。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，该方法包括以下步骤：

步骤一、采集同一线路上的M辆公交车的电池数据，即分别获得每辆公交车在各采集节点处的电池组电压数据、电流数据、电池组内最大电压差数据以及同一辆公交车在各采集节点处的电池组平均温度数据；

步骤二、对步骤一获得的数据进行归一化处理，获得归一化处理后的数据；

步骤三、建立ANFIS模型，将归一化处理后数据作为ANFIS模型的输入数据，将公交车的SOC数据作为输出数据，利用粒子群优化方法对ANFIS模型进行训练，直至训练达到设置的最大迭代次数G_k时停止训练，获得训练好的ANFIS模型；

所述ANFIS模型的第一层为隶属度函数层、第二层为激励强度层、第三层为激励强度归一化层、第四层为规则层、第五层为输出层；

输入数据向前传输至ANFIS模型的第四层后，调整第四层的节点参数，再通过第四层的节点参数计算误差率，并将误差率反向传输至第一层，并调整第一层节点参数；

步骤四、按照步骤一的方法，采集待进行SOC预测的公交车数据，将采集的数据输入训练好的ANFIS模型，获得ANFIS模型输出的SOC预测结果。

2.根据权利要求1所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述步骤一中，同一辆公交车在各采集节点处的电池组平均温度数据表示为temp_avg：

其中：n为数据采集节点的数量，temp_i为第i个采集节点采集到的电池组温度；

所述电池组内最大电压差数据表示为dif：

其中：

为电池组内第i₀个单体电池的电压值，

为电池组内第j₀个单体电池的电压值，N为电池组内单体电池数量。

3.根据权利要求1所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述ANFIS模型中的初始模糊推理系统的生成方法为：

步骤1、利用减法聚类方法获得初始聚类中心，并将获得的初始聚类中心作为FCM聚类方法的初始聚类中心；

利用减法聚类方法获得初始聚类中心时，引入了余弦相似度对欧式距离加权；

步骤2、通过FCM聚类方法获得最优聚类结果。

4.根据权利要求3所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述FCM聚类方法的目标函数J(U,c₁,...,c_k)为：

其中：m为模糊指数，c_j为第j个初始聚类中心，j＝1,2,…,k，k为初始聚类中心的个数，x_i为第i个样本点，d_ij(x_i,c_j)为x_i和c_j之间的欧氏距离，u_ij表示x_i对c_j的隶属度，w_i是第i个样本点的权值；

其中：D_i代表第i个样本点的密度。

5.根据权利要求4所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述步骤2中通过FCM聚类方法获得最优聚类结果，其具体过程为：

步骤S1：初始化：种群规模为size，最大迭代次数为G，交叉概率为p_cross，变异概率为p_mut，退火初始温度为T，退火终止温度为T_end，温度衰减函数参数为a；

步骤S2：采用二进制编码生成初始种群：设染色体由初始的k个聚类中心构成，每个聚类中心拥有d个属性，每个属性采用m位二进制编码，则随机生成size个长度为k×d×m的二进制串作为初始种群，每个二进制串作为初始种群中的一个个体，令遗传迭代计数gen＝0；

步骤S3：对每一个个体解码：根据每一个个体的目标函数J_i′，得到每一个个体对应的适应度值f_i′＝1/J_i′，其中i′＝1,2,…,size，i′代表第i′个个体；

步骤S4：经过选择、交叉和变异生成新种群，将新种群中的各个个体的适应度值f_i′′与亲代的适应度值f_i′进行比较，令Δf＝f_i′′-f_i′；

若Δf＞0，则接受新个体，并从初始种群中去除其亲代，否则判断是否满足条件exp(Δf/T)＞r，r随机数，若满足，则接受新个体，并从初始种群中去除其亲代，若不满足，则去除新个体保留亲代个体，以获得下一代种群个体；

步骤S5：重复步骤S3至步骤S4的过程，若gen<G，令gen＝gen+1，并转至步骤S3；若gen＝G，则转至步骤S6；

步骤S6：设当前时刻温度为T′，若T′＜T_end，则算法终止，输出适应度值最优的个体，解码得到k个聚类中心；

否则，令gen＝0，T＝aT′，转至步骤S3；

步骤S7：根据步骤S6解码得到的k个聚类中心获得最优聚类结果。

6.根据权利要求1所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述ANFIS模型的第一层和第四层节点参数的调整采用粒子群优化方法；

设第l个粒子在改变位置的过程中适应度最高的位置为pBest_l，所有粒子在改变位置的过程中适应度最高的位置为gBest；

在粒子群优化方法中，对惯性权重进行调整，调整的具体过程为：

设全部粒子的当前位置和gBest共同构成集合M，则在集合M中，第l个粒子的当前位置相对于集合M中其它位置的平均距离d_l为：

其中：L为集合M的大小，||x_l-x_j′||代表第l个粒子当前位置x_l与集合M中其它位置x_j′的距离，j′＝1,2，…，L；

惯性权重ω为：

f(d_g,d_min,d_max)＝(d_g-d_min)/(d_max-d_min)

其中：d_max为最大平均距离，d_min为最小平均距离，d_g为对全部粒子的平均距离取平均；

在粒子群优化方法中，对学习因子c₂进行动态调整：

其中：g为粒子位置的已更新次数；

为学习因子的初始值。

7.根据权利要求1所述的一种基于ANFIS模型的公交车电池SOC预测方法，其特征在于，所述最大迭代次数G_k的取值为600次。

Images