CN117554814A - 一种电池荷电状态预测方法、装置、电子设备及存储介质 - Google Patents
一种电池荷电状态预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117554814A CN117554814A CN202311477392.6A CN202311477392A CN117554814A CN 117554814 A CN117554814 A CN 117554814A CN 202311477392 A CN202311477392 A CN 202311477392A CN 117554814 A CN117554814 A CN 117554814A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf neural
- particle swarm
- network model
- particles
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 177
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 83
- 238000005457 optimization Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种电池荷电状态预测方法、装置、电子设备及存储介质,方法包括,获取样本数据,对样本数据进行归一化处理;初始化RBF神经网络结构的参数,通过参数生成粒子群后,对粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理;构建RBF神经网络模型,其中,RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;采用粒子群算法对RBF神经网络模型的参数进行优化,其中,参数与粒子群的种群规模、粒子的位置、粒子的速度对应;将归一化处理后的样本数据输入至优化后的RBF神经网络模型中,以获得电池SOC预测结果,提高了电池SOC预测估算的精度以及效率。
Description
技术领域
本发明涉及新能源电池技术领域,具体涉及一种电池荷电状态预测方法、装置、电子设备及存储介质。
背景技术
由于电池SOC无法直接测量,并且电池本身具有高度非线性,因此很难精确地对其测量估算。现有的电池SOC估算方法主要有:放电试验法、安时积分法、开路电压法、测量内阻法;放电试验法,使用该方法时电池必须是处于静态,不能实现实时在线测量;安氏积分法,累积误差过大,并且无法处理电池自放电情况;开路电压法,使用该方法时电池需要静置很长时间,因此也不能实现实时在线测量;测量内阻法,受电池状态以及测量环境影响太大,测量估算误差过大;卡尔曼滤波法,该方法很依赖于所建立的电池模型,模型建立的精确度对估算结果的影响也很大;其次就是卡尔曼滤波法在实现的时候计算量特别大,需要很长的时间,并且无法处理电池的高度非线性问题。
发明内容
本发明的目的在于克服上述技术不足,提供一种电池荷电状态预测方法、装置、电子设备及存储介质,解决现有技术中电池荷电状态预测精度不高的技术问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面、本发明提供一种电池荷电状态预测方法,包括如下步骤:
获取样本数据,对所述样本数据进行归一化处理;
初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中所述RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
构建RBF神经网络模型,其中,所述RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,所述RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;
利用优化后的RBF神经网络模型对归一化处理后的所述样本数据进行预测,以获得电池SOC预测结果。
在其中一些实施例中,所述径向基函数的计算式为:
其中,φi为径向基函数,σi为高斯函数的方差,x为输入向量的特征维数,h为隐含层神经元个数,ci为第i个隐含层神经元径向基函数的中心,i为常数。
在其中一些实施例中,所述采用粒子群算法对所述RBF神经网络模型的参数进行优化,包括:
步骤1、获得RBF网络的输入输出值后,根据适应度函数确定粒子群的适应度值;
步骤2、基于所述粒子群的适应度值,确定粒子群的个体最优和种群最优;
步骤3、更新种群中粒子的位置和速度,以构建新的粒子群,其中,引入惯性权重因子,以改进粒子群算法的收敛速度和计算精度;
步骤4、重复步骤1至步骤3,直至获得一组稳定不变的最优解或达到网络初始设定的最大迭代次数时,停止迭代,以获得最优解。
在其中一些实施例中,所述RBF网络的输入输出值的计算式为:
其中,φi(Xi,ci)为隐含层的输出,Xi为RBF网络输入,ci为第i个隐含层神经元径向基函数的中心,σi为高斯函数的方差,F(Xi)为输出层,hij为隐含层神经元,ωij为连接隐含层和输出层的权值,G为Green矩阵。
在其中一些实施例中,所述适应度函数的计算式为:
其中,fitness为适应度函数,N为数据样本个数,D为输出神经元个数,yij为第i个样本的第j个分量的输出值,tij为第i个样本的第j个分量的期望输出值。
在其中一些实施例中,所述更新种群中粒子的位置和速度的计算式为:
其中,为第i个粒子的当前位置,/>为第i个粒子的当前速度,ω为粒子群算法的搜索步长,/>是第i个粒子搜索到的最优位置,/>是整个粒子群搜索到的最优位置,rand()为服从[0,1]上的均匀分布的随机数,c1、c2为学习因子,k为迭代次数,d为目标搜索空间的维数。
在其中一些实施例中,所述粒子群算法的搜索步长计算式为:
ω(k)=1.1-λω(k-1)(0<ω(k)≤1),
λ=sign[α(k)-α(k-1)],
f(Xi(k))=f(xi,1(k),xi,2(k),...,xi,D(k)),
其中,ω(k)为粒子群算法的搜索步长,λ为步长的二进制,f(Xi(k))是第i个粒子在第k次迭代时对应的函数值,f(Xmin(k))是最优粒子在第k次迭代时对应的函数值,α(k)用来判断目标函数的平整度,k为迭代次数,D为目标搜索空间的维数,xi为粒子种群,m为种群中粒子个数。
第二方面、本发明还提供一种电池荷电状态预测装置,包括:
样本数据处理模块,用于获取样本数据,对所述样本数据进行归一化处理;
初始化模块,用于初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中所述RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
RBF神经网络模型构建模块,用于构建RBF神经网络模型,其中,所述RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,所述RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
粒子群算法优化模块,用于采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;
预测结果获得模块,用于利用优化后的RBF神经网络模型对归一化处理后的所述样本数据进行预测,以获得电池SOC预测结果。
第三方面、本发明还提供一种电子设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的电池荷电状态预测方法中的步骤。
第四方面、本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的电池荷电状态预测方法中的步骤。
现有技术相比,本发明提供的电池荷电状态预测方法、装置、电子设备及存储介质,首先,获取样本数据,对样本数据进行归一化处理;初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;构建RBF神经网络模型,电池的电压、温度以及充放电电流作为RBF神经网络模型的输入,电池SOC作为RBF神经网络模型的输出,采用高斯函数作为径向基函数,其次,采用粒子群优化对对RBF神经网络模型进行优化,以获得优化后的RBF神经网络模型,最后,将样本数据输入至优化后的RBF神经网络模型中进行预测,以获得电池SOC预测结果;提高了电池SOC预测估算的精度以及效率。
附图说明
图1是本发明提供的电池荷电状态预测方法的一实施例流程图;
图2是本发明提供的电池荷电状态预测装置的的一实施例示意图;
图3是本发明提供的电池荷电状态预测程序的一实施例的运行环境示意图;
图4是本发明提供的电池荷电状态预测方法的径向基函数RBF神经网络结构示意图;
图5是本发明提供的电池荷电状态预测方法的电池荷电状态预测的RBF神经网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种电池荷电状态预测方法、装置、电子设备及存储介质,可用于计算机中。本发明所涉及的方法、设备或者计算机可读存储介质既可以与上述设备集成在一起,也可以是相对独立的。
本发明提供了一种电池荷电状态预测方法,可由计算机执行,具体可由该计算机的一个或者多个处理器执行。图1是本发明实施例提供的电池荷电状态预测方法的流程图,请参阅图1,电池荷电状态预测方法包括如下步骤:
S100、获取样本数据,对样本数据进行归一化处理;
S200、初始化RBF神经网络结构的参数,通过参数生成粒子群后,对粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
S300、构建RBF神经网络模型,其中,RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
S400、采用粒子群算法对RBF神经网络模型的参数进行优化,其中,参数与粒子群的种群规模、粒子的位置、粒子的速度对应;
S500、利用优化后的RBF神经网络模型对归一化处理后的样本数据进行预测,以获得电池SOC预测结果。
本实施例中,首先,获取样本数据,对样本数据进行归一化处理;初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差,其中网络结构参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;其次,构建RBF神经网络模型,其中,RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;采用粒子群算法对RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;最后,利用优化后的RBF神经网络模型对归一化处理后的样本数据进行预测,以获得电池SOC预测结果,提高了电池SOC预测估算的精度以及效率。
在一些实施例中,步骤S100中,获取电池的电压、温度以及充放电电流,以作为样本数据,对样本数据进行归一化处理,统一在[0,1]这一范围内。
在一些实施例中,步骤S200中,初始化RBF神经网络结构的参数,通过RBF神经网络结构的参数生成粒子群后,并赋予其粒子随机值,用以初始化粒子群的种群规模、粒子的位置、粒子的速度,其中,RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差。
RBF神经网络由三层神经元构成,即输入层、隐含层以及输出层,其中,输入层包含n个神经元X=(x1,x2,...,xn)T,对应于输入向量的特征维数;隐含层包含h个神经元,采用径向基函数作为其激励函数φi:Rn→R;输出层包含m个神经元Y=(y1,y2,...,ym)T,其径向基函数RBF神经网络结构图,请参阅图4;
采用高斯函数作为RBF神经网络的径向基函数,其计算式为:
其中,φi为径向基函数,σi为高斯函数的方差,x为输入向量的特征维数,h为隐含层神经元个数,ci为第i个隐含层神经元径向基函数的中心,i为常数。
在一些实施例中,步骤S300中,针对影响电池荷电状态(SOC)的主要因素进行分析,确定电池电压、电池温度以及充放电电流是影响电池SOC的三个主要因素,从而构建RBF神经网络模型,其中电池的电压、温度以及充放电电流为RBF神经网络模型的输入,电池SOC为RBF神经网络模型的输出,采用高斯函数作为径向基函数,其RBF神经网络模型示意图,请参阅图5。
在一些实施例中,步骤S400中,粒子群优化算法的基本思想是,每个优化问题的潜在解都是搜索空间的粒子,所有的粒子都有一个被优化的函数决定的适应值(FitnessValue),每个粒子还有一个速度向量决定它们飞翔的方向和距离,然后粒子们就追随当前的最优粒子在解空间中的搜索;粒子群优化算法初始化为一群随机粒子,然后通过迭代找到最优解;在每一次迭代中,粒子通过跟踪两个极值来更新自己,第一个就是粒子本身到当前时刻为止找到的最优解,这个解称为个体最优解,另一个极值就是整个种群到当前时刻找到的最优解即全局最优解;因此可知,粒子群优化算法也是基于个体的协作与竞争来完成复杂搜索空间中最优解的搜索,是一种基于群智能方法的演化计算技术;粒子群优化算法同遗传算法类似,是一种基于群体的优化工具;但粒子群优化算法并没有遗传算法用的交叉、变异等操作,而是粒子在解空间追随最优的粒子进行搜索,因此具有简单容易实现并且没有许多参数需要调整的优点;采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应,其具体步骤包括:
步骤1、获得RBF网络的输入输出值后,根据适应度函数确定粒子群的适应度值;
步骤2、基于所述粒子群的适应度值,确定粒子群的个体最优和种群最优;
步骤3、更新种群中粒子的位置和速度,以构建新的粒子群,其中,引入惯性权重因子,以改进粒子群算法的收敛速度和计算精度;
步骤4、重复步骤1至步骤3,直至获得一组稳定不变的最优解或达到网络初始设定的最大迭代次数时,停止迭代,以获得最优解。
在一些实施例中,通过隐含层的输出以及输出层的输出,获得RBF神经网络模型的输入输出值,其计算式为:
其中,φi(Xi,ci)为隐含层的输出,Xi为RBF网络输入,ci为第i个隐含层神经元径向基函数的中心,σi为高斯函数的方差,F(Xi)为输出层,hij为隐含层神经元,ωij为连接隐含层和输出层的权值,G为Green矩阵。
根据适应度函数,计算粒子群的适应度值,从而确定粒子群的个体最优Pbest和种群最优Gbest;
其适应度函数的计算式为:
其中,fitness为适应度函数,N为数据样本个数,D为输出神经元个数,yij为第i个样本的第j个分量的输出值,tij为第i个样本的第j个分量的期望输出值。
更新种群中粒子的位置和速度,以构建新的粒子群;在一个D维的目标搜索空间中,有m个粒子组成一个群体xi=(x1,x2,...,xm)T,其中,第i个粒子的位置表示为向量xi=(xi1,xi2,...,xin)T,其速度也是一个n维的向量,记vi=(vi1,vi2,...,vin)T,第i个粒子迄今为止搜索到的最优位置为pi=(pi1,pi2,...,pim)T,整个粒子群搜索到的最优位置为Pg=(pg1,pg2,...,pgn)T;其粒子的位置和速度更新的计算式为:
其中,学习因子c1和c2非负常数,通常设置为相同数值,rand()服从[0,1]上的均匀分0布随机数。和/>是第i个粒子的当前位置和速度,/>是第i个粒子迄今为止搜索到的最优位置,/>是整个粒子群搜索到的最优位置;
为了改进粒子群算法的收敛速度和计算精度,引入惯性权重因子,得到更新种群中粒子的位置和速度的计算式,其计算式为:
其中,为第i个粒子的当前位置,/>为第i个粒子的当前速度,/>是第i个粒子搜索到的最优位置,/>是整个粒子群搜索到的最优位置,rand()为服从[0,1]上的均匀分布的随机数,c1、c2为学习因子,k为迭代次数,d为目标搜索空间的维数,ω为惯性权重因子,ω值代表粒子群算法的搜索步长,通常情况下ω∈(0,1),其较大的ω值有利于跳出局部极小点,进行全局寻优,而较小的ω值有利于局部寻优,加速算法收敛。
为了更好地增强探索方向,采用基于目标函数平整度变化的惯性权重因子动态调整粒子群算法的搜索步长,其粒子群算法的搜索步长通过以下计算式来进行调整变化,其粒子群算法的搜索步长计算式为:
ω(k)=1.1-λω(k-1)(0<ω(k)≤1),
λ=sign[α(k)-α(k-1)],
f(Xi(k))=f(xi,1(k),xi,2(k),...,xi,D(k)),
其中,ω(k)为粒子群算法的搜索步长,λ为步长的二进制,f(Xi(k))是第i个粒子在第k次迭代时对应的函数值,f(Xmin(k))是最优粒子在第k次迭代时对应的函数值,α(k)用来判断目标函数的平整度,k为迭代次数,D为目标搜索空间的维数,xi为粒子种群,m为种群中粒子个数。
重复上述步骤1至步骤3,直至获得一组稳定不变的最优解或达到网络初始设定的最大迭代次数时,停止迭代,以获得最优解,并将当前全局最优解还原成RBF神经网络的对应参数,作为网络的最优初始参数。
在一些实施例中,步骤S500中,获得优化后的RBF神经网络模型,将归一化处理后的样本数据输入至优化后的RBF神经网络模型中,进行预测,获得电池SOC预测结果。
基于上述电池荷电状态预测方法,本发明实施例还相应的提供一种电池荷电状态预测装置,请参阅图2,该电池荷电状态预测装置600包括样本数据处理模块610、初始化模块620、RBF神经网络模型构建模块630、粒子群算法优化模块640、预测结果获得模块650;
样本数据处理模块610,用于获取样本数据,对所述样本数据进行归一化处理;
初始化模块620,用于初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中所述RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
RBF神经网络模型构建模块630,用于构建RBF神经网络模型,其中,所述RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,所述RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
粒子群算法优化模块640,用于采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;
预测结果获得模块650,用于利用优化后的RBF神经网络模型对归一化处理后的所述样本数据进行预测,以获得电池SOC预测结果。
如图3所示,基于电池荷电状态预测方法,本发明还相应提供了一种电子设备,该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。图3仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是该电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器20在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于电子设备的应用软件及各类数据,例如安装电子设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有电池荷电状态预测程序40,该电池荷电状态预测程序40可被处理器10所执行,从而实现本发明各实施例的电池荷电状态预测方法。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如电池荷电状态预测方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在所述电池荷电状态预测程序的识别信息以及用于显示可视化的用户界面。电子设备的部件10-30通过系统总线相互通信。
在一些实施例中,当处理器10执行存储器20中电池荷电状态预测程序40时实现如上述各实施例所述的电池荷电状态预测方法中的各个步骤,由于上文已对电池荷电状态预测方法进行详细描述,在此不再赘述。
综上所述,本发明提供的电池荷电状态预测方法、装置、电子设备及存储介质,首先,获取样本数据,对所述样本数据进行归一化处理;初始化RBF神经网络结构的参数,通过所述参数组成粒子,以完成粒子群的种群规模、粒子的位置、粒子的速度的初始化,其中RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;构建RBF神经网络模型,其中,RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;其次,采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数对应粒子群的种群规模、粒子的位置、粒子的速度;最后,利用优化后的RBF神经网络模型对归一化处理后的样本数据进行预测,以获得电池SOC预测结果,提高了电池SOC预测估算的精度以及效率。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种电池荷电状态预测方法,其特征在于,包括如下步骤:
获取样本数据,对所述样本数据进行归一化处理;
初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中所述RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
构建RBF神经网络模型,其中,所述RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,所述RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;
利用优化后的RBF神经网络模型对归一化处理后的所述样本数据进行预测,以获得电池SOC预测结果。
2.根据权利要求1所述的电池荷电状态预测方法,其特征在于,所述径向基函数的计算式为:
其中,φi为径向基函数,σi为高斯函数的方差,x为输入向量的特征维数,h为隐含层神经元个数,ci为第i个隐含层神经元径向基函数的中心,i为常数。
3.根据权利要求1所述的电池荷电状态预测方法,其特征在于,所述采用粒子群算法对所述RBF神经网络模型的参数进行优化,包括:
步骤1、获得RBF网络的输入输出值后,根据适应度函数确定粒子群的适应度值;
步骤2、基于所述粒子群的适应度值,确定粒子群的个体最优和种群最优;
步骤3、更新种群中粒子的位置和速度,以构建新的粒子群,其中,引入惯性权重因子,以改进粒子群算法的收敛速度和计算精度;
步骤4、重复步骤1至步骤3,直至获得一组稳定不变的最优解或达到网络初始设定的最大迭代次数时,停止迭代,以获得最优解。
4.根据权利要求3所述的电池荷电状态预测方法,其特征在于,所述RBF神经网络模型的输入输出值的计算式为:
其中,φi(Xi,ci)为隐含层的输出,Xi为RBF网络输入,ci为第i个隐含层神经元径向基函数的中心,σi为高斯函数的方差,F(Xi)为输出层,hij为隐含层神经元,ωij为连接隐含层和输出层的权值,G为Green矩阵。
5.根据权利要求3所述的电池荷电状态预测方法,其特征在于,所述适应度函数的计算式为:
其中,fitness为适应度函数,N为数据样本个数,D为输出神经元个数,yij为第i个样本的第j个分量的输出值,tij为第i个样本的第j个分量的期望输出值。
6.根据权利要求3所述的电池荷电状态预测方法,其特征在于,所述更新种群中粒子的位置和速度的计算式为:
其中,为第i个粒子的当前位置,/>为第i个粒子的当前速度,ω为粒子群算法的搜索步长,/>是第i个粒子搜索到的最优位置,/>是整个粒子群搜索到的最优位置,rand()为服从[0,1]上的均匀分布的随机数,c1、c2为学习因子,k为迭代次数,d为目标搜索空间的维数。
7.根据权利要求6所述的电池荷电状态预测方法,其特征在于,所述粒子群算法的搜索步长计算式为:
ω(k)=1.1-λω(k-1)(0<ω(k)≤1),
λ=sign[α(k)-α(k-1)],
f(Xi(k))=f(xi,1(k),xi,2(k),...,xi,D(k)),
其中,ω(k)为粒子群算法的搜索步长,λ为步长的二进制,f(Xi(k))是第i个粒子在第k次迭代时对应的函数值,f(Xmin(k))是最优粒子在第k次迭代时对应的函数值,α(k)用来判断目标函数的平整度,k为迭代次数,D为目标搜索空间的维数,xi为粒子种群,m为种群中粒子个数。
8.一种电池荷电状态预测装置,其特征在于,包括:
样本数据处理模块,用于获取样本数据,对所述样本数据进行归一化处理;
初始化模块,用于初始化RBF神经网络结构的参数,通过所述参数生成粒子群后,对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理,其中所述RBF神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差;
RBF神经网络模型构建模块,用于构建RBF神经网络模型,其中,所述RBF神经网络模型的输入层至少包括电池的电压、温度以及充放电电流,所述RBF神经网络模型的输出层至少包括电池SOC,采用高斯函数作为径向基函数;
粒子群算法优化模块,用于采用粒子群算法对所述RBF神经网络模型的参数进行优化,其中,所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应;
预测结果获得模块,用于利用优化后的RBF神经网络模型对归一化处理后的所述样本数据进行预测,以获得电池SOC预测结果。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的电池荷电状态预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-7任意一项所述的电池荷电状态预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477392.6A CN117554814A (zh) | 2023-11-07 | 2023-11-07 | 一种电池荷电状态预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477392.6A CN117554814A (zh) | 2023-11-07 | 2023-11-07 | 一种电池荷电状态预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117554814A true CN117554814A (zh) | 2024-02-13 |
Family
ID=89812027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477392.6A Pending CN117554814A (zh) | 2023-11-07 | 2023-11-07 | 一种电池荷电状态预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011221A (zh) * | 2024-04-08 | 2024-05-10 | 西南科技大学 | 基于混沌粒子群反馈优化的多温度锂电池soc估算方法 |
-
2023
- 2023-11-07 CN CN202311477392.6A patent/CN117554814A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011221A (zh) * | 2024-04-08 | 2024-05-10 | 西南科技大学 | 基于混沌粒子群反馈优化的多温度锂电池soc估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | Surrogate-assisted particle swarm optimization algorithm with Pareto active learning for expensive multi-objective optimization | |
EP3446260B1 (en) | Memory-efficient backpropagation through time | |
CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN110520868A (zh) | 分布式强化学习 | |
CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
CN117554814A (zh) | 一种电池荷电状态预测方法、装置、电子设备及存储介质 | |
CN112905801A (zh) | 基于事件图谱的行程预测方法、系统、设备及存储介质 | |
Aoun et al. | Hidden markov model classifier for the adaptive particle swarm optimization | |
WO2021051556A1 (zh) | 深度学习权值更新方法、系统、计算机设备及存储介质 | |
CN116129219A (zh) | 一种基于知识稳健-重平衡网络的sar目标类增量识别方法 | |
CN117057258B (zh) | 基于权重分配相关系数的黑启动过电压预测方法及系统 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111260074B (zh) | 一种超参数确定的方法、相关装置、设备及存储介质 | |
CN115794805B (zh) | 一种中低压配网量测数据补齐方法 | |
CN116705192A (zh) | 基于深度学习的药物虚拟筛选方法及装置 | |
CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
CN115148292A (zh) | 基于人工智能的dna模体预测方法、装置、设备及介质 | |
CN114970732A (zh) | 分类模型的后验校准方法、装置、计算机设备及介质 | |
CN113205185A (zh) | 网络模型优化方法、装置、计算机设备和存储介质 | |
CN112810499A (zh) | 一种新能源汽车剩余里程的二次处理算法及系统 | |
CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
TWI825980B (zh) | 記憶體內計算的模擬器的設定方法 | |
CN113469244B (zh) | 小众app分类系统 | |
US20230169391A1 (en) | Feature selection via an ensemble of gating layers | |
WO2022141840A1 (zh) | 网络架构搜索方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |