一種改進(jìn)的rbf神經(jīng)網(wǎng)絡(luò)的電池soc預(yù)測方法
【專利摘要】本發(fā)明公開了一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，首先通過RBF神經(jīng)網(wǎng)絡(luò)方法建立動(dòng)力電池SOC預(yù)測模型，然后以神經(jīng)網(wǎng)絡(luò)的輸出電池SOC作為評價(jià)指標(biāo)，建立一個(gè)優(yōu)化模型，采用人工魚群算法分別對神經(jīng)網(wǎng)絡(luò)的寬度向量δi、中心向量vi和輸出神經(jīng)元的權(quán)值wi進(jìn)行優(yōu)化計(jì)算。神經(jīng)網(wǎng)絡(luò)預(yù)測方法具有效率高、成本低的特點(diǎn)。
【專利說明】
一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于動(dòng)力電池的測試領(lǐng)域，具體涉及到一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法。
【背景技術(shù)】
[0002]隨著能源問題和環(huán)境問題的雙重壓力，國家大力倡導(dǎo)使用清潔新能源，一些諸如太陽能、風(fēng)能、潮汐能、核能、生物化學(xué)能等清潔的新能源正在逐步的步入人類的工業(yè)生產(chǎn)和實(shí)際生活之中。以新能源發(fā)電為主要?jiǎng)恿Φ碾妱?dòng)汽車得到了大力的發(fā)展，電動(dòng)汽車動(dòng)力電池荷電狀態(tài)的管理與預(yù)測對發(fā)展電動(dòng)汽車起著重要的作用。
[0003]介于電動(dòng)汽車的動(dòng)力電池系統(tǒng)內(nèi)部結(jié)構(gòu)極其復(fù)雜，具有復(fù)雜的非線性，很難對其建立穩(wěn)定而準(zhǔn)確有效地電池等效模型(電化學(xué)模型、電路模型等模型)，為保證電動(dòng)汽車電池的安全穩(wěn)定運(yùn)行、使其在原有的使用壽命基礎(chǔ)上加以延長和提高電池使用效率，需要對電池SOC進(jìn)行準(zhǔn)確高精度的加以預(yù)測。目前國內(nèi)外對電池荷電狀態(tài)的預(yù)測方法有很多，如放電法、比重法、開路電壓法、等效電路法、卡爾曼濾波法等方法，然而這些方法的應(yīng)用都具有各自的局限性，只可以在一些特定的場合下應(yīng)用，泛化性能較差，在一些復(fù)雜的工況環(huán)境下不適宜推廣應(yīng)用。如放電法是在較理想的環(huán)境下使用的方法，在實(shí)現(xiàn)過程中比較困難，在多數(shù)電池復(fù)雜的工作條件下并不能滿足實(shí)際的要求;比重法依據(jù)電池電解液密度的濃度大小來推斷SOC大小的，此方法成本高，效率低，并不適合工況多變的電動(dòng)汽車電池的預(yù)測;開路電壓法雖然操作簡單，但是由于電池本身的動(dòng)態(tài)滯回特性，而且測量時(shí)還需電池長時(shí)間保持在靜置的狀態(tài)，這對于動(dòng)電動(dòng)汽車電池的測量很難適用；等效電路法較難辨識(shí)電路模型中未知元件的參數(shù)，且由于電池自身的老化使得此法通過修正其它參數(shù)才能估計(jì)S0C，過程比較繁瑣;卡爾曼濾波法需要涉及大量的數(shù)學(xué)運(yùn)算，對模型的精準(zhǔn)度要求較高，在工程上應(yīng)用較難實(shí)現(xiàn)。

【發(fā)明內(nèi)容】

[0004]根據(jù)以上現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問題是提出一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，提供一種簡單、方便、準(zhǔn)確率高的測試方法，解決了現(xiàn)在的電池壽命測試裝置或者方法測試結(jié)構(gòu)或者過程復(fù)雜的問題。
[0005]為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為:一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，該方法通過RBF神經(jīng)網(wǎng)絡(luò)方法建立動(dòng)力電池SOC預(yù)測模型，然后以神經(jīng)網(wǎng)絡(luò)的輸出電池SOC作為評價(jià)指標(biāo)，建立一個(gè)優(yōu)化模型，采用人工魚群算法分別對神經(jīng)網(wǎng)絡(luò)的寬度向量S1、中心向量Vi和輸出神經(jīng)元的權(quán)值Wi進(jìn)行優(yōu)化計(jì)算。
[0006]一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，該方法包括步驟如下:步驟一、利用人工魚群算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到利用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu);步驟二、將電池的電池外部特性參數(shù)作為優(yōu)化后RBF網(wǎng)絡(luò)結(jié)構(gòu)的輸入，并將動(dòng)力電池的SOC作為網(wǎng)絡(luò)結(jié)構(gòu)的輸出；步驟三、用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)的預(yù)測模型，并對動(dòng)力電池SOC預(yù)測。所述步驟一人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，包括以下步驟:Stepl:首先對魚群進(jìn)行初始化，隨機(jī)產(chǎn)生N條人工魚，即人工魚種群大小為N; Step2:用人工魚群算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，通過AFSA優(yōu)化網(wǎng)絡(luò)的寬度向量S1、中心向量Vi，輸出神經(jīng)元的權(quán)值Wi ； Step3:獲得AFSA優(yōu)化后的RBF網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，據(jù)此網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)預(yù)測模型；Step4:計(jì)算所有個(gè)體的目標(biāo)函數(shù)值(適應(yīng)度值)，目標(biāo)函數(shù)(即適應(yīng)度函數(shù))選取為SOC預(yù)測值f (Xi)與SOC實(shí)測值yi之差的范數(shù)，S卩obj= I y1-f(xi) | | ；Step5:判斷是否滿足終止條件，若是，獲得人工魚群算法優(yōu)化網(wǎng)絡(luò)的寬度向量S1、中心向量V1，輸出神經(jīng)元的權(quán)值W1以及RBF網(wǎng)絡(luò)預(yù)測模型，否則，返回Step2。所述步驟二電池外部特性參數(shù)包括外部環(huán)境溫度、放電電流、端電壓。人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層。
[0007]本發(fā)明有益效果是:神經(jīng)網(wǎng)絡(luò)法對處理復(fù)雜非線性特性的動(dòng)力電池SOC預(yù)測尤為適用，其預(yù)測電池SOC并不需要考慮電池內(nèi)部復(fù)雜的非線性特性，只需考慮電池系統(tǒng)外部的輸入輸出特性，通過訓(xùn)練大量的樣本數(shù)據(jù)，可以預(yù)測不同環(huán)境下電池的SOC狀態(tài)，泛化能力很強(qiáng)。具有效率高、成本低的特點(diǎn)。
【附圖說明】
[0008]下面對本說明書附圖所表達(dá)的內(nèi)容及圖中的標(biāo)記作簡要說明:
[0009]圖1是本發(fā)明的【具體實(shí)施方式】的SOC預(yù)測方法結(jié)構(gòu)流程圖。
[0010]圖2是本發(fā)明的【具體實(shí)施方式】的AFSA-RBF模型優(yōu)化流程圖。
[0011]圖3是本發(fā)明的【具體實(shí)施方式】的優(yōu)化的RDF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0012]下面對照附圖，通過對實(shí)施例的描述，本發(fā)明的【具體實(shí)施方式】如所涉及的各構(gòu)件的形狀、構(gòu)造、各部分之間的相互位置及連接關(guān)系、各部分的作用及工作原理、制造工藝及操作使用方法等，作進(jìn)一步詳細(xì)的說明，以幫助本領(lǐng)域技術(shù)人員對本發(fā)明的發(fā)明構(gòu)思、技術(shù)方案有更完整、準(zhǔn)確和深入的理解。
[0013]一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，首先通過RBF神經(jīng)網(wǎng)絡(luò)方法建立動(dòng)力電池SOC預(yù)測模型，然后以神經(jīng)網(wǎng)絡(luò)的輸出電池SOC作為評價(jià)指標(biāo)，建立一個(gè)優(yōu)化模型，采用人工魚群算法分別對寬度向量&、中心向量V1和輸出神經(jīng)元的權(quán)值W1進(jìn)行優(yōu)化計(jì)算。采用人工魚群算法分別對寬度向量S1、中心向量Vi和輸出神經(jīng)元的權(quán)值Wi進(jìn)行優(yōu)化計(jì)算，具體是:利用人工魚群算法優(yōu)化訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，以電池的外部環(huán)境溫度、放電電流和端電壓作為RBF網(wǎng)絡(luò)模型的輸入，建立人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的最優(yōu)模型，預(yù)測出以電池外部環(huán)境溫度、放電電流和端電壓為輸入的電池SOC最優(yōu)解。結(jié)合圖1所示的一種基于AFSA-RBF網(wǎng)絡(luò)的純電動(dòng)汽車動(dòng)力電池SOC預(yù)測方法，本發(fā)明的步驟如下:
[0014](I)利用AFSA訓(xùn)練RBF網(wǎng)絡(luò)結(jié)構(gòu)，得到利用AFSA優(yōu)化RBF后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；
[0015](2)將電池的外部環(huán)境溫度、放電電流、端電壓作為優(yōu)化后RBF網(wǎng)絡(luò)結(jié)構(gòu)的三個(gè)輸入，并將動(dòng)力電池的SOC作為網(wǎng)絡(luò)結(jié)構(gòu)的輸出；
[0016](3)用AFSA優(yōu)化RBF后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)的預(yù)測模型，并對動(dòng)力電池SOC預(yù)測。
[0017]結(jié)合圖2所示的AFSA-RBF模型優(yōu)化流程圖，為解決RBF網(wǎng)絡(luò)參數(shù)選擇的不確定性，利用人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)(RBF)，步驟如下:
[0018]Stepl:首先對魚群進(jìn)行初始化，隨機(jī)產(chǎn)生N條人工魚，即人工魚種群大小為N;
[0019]Step2:用人工魚群算法訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)，通過AFSA優(yōu)化網(wǎng)絡(luò)的寬度向量δι、中心向量Vi，輸出神經(jīng)元的權(quán)值Wi ；
[0020]Step3:獲得AFSA優(yōu)化后的RBF網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，據(jù)此網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)預(yù)測模型；
[0021]Step4:計(jì)算所有個(gè)體的目標(biāo)函數(shù)值(適應(yīng)度值)，目標(biāo)函數(shù)(即適應(yīng)度函數(shù))選取為SOC預(yù)測值f (Xi)與SOC實(shí)測值yi之差的范數(shù)，S卩obj = | y1-f(xi) | | ；
[0022]Step5:判斷是否滿足終止條件，若是，獲得AFSA優(yōu)化網(wǎng)絡(luò)的寬度向量S1、中心向量Vi，輸出神經(jīng)元的權(quán)值Wi以及RBF網(wǎng)絡(luò)預(yù)測模型，否則，返回Step2。
[0023]圖3所示的為優(yōu)化后RBF網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)圖，以電池的外部環(huán)境溫度、放電電流、端電壓作為優(yōu)化后RBF網(wǎng)絡(luò)結(jié)構(gòu)的三個(gè)輸入，并將動(dòng)力電池的SOC作為網(wǎng)絡(luò)結(jié)構(gòu)的輸出。
[0024]上面結(jié)合附圖對本發(fā)明進(jìn)行了示例性描述，顯然本發(fā)明具體實(shí)現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進(jìn)行的各種非實(shí)質(zhì)性的改進(jìn)，或未經(jīng)改進(jìn)將本發(fā)明的構(gòu)思和技術(shù)方案直接應(yīng)用于其它場合的，均在本發(fā)明的保護(hù)范圍之內(nèi)。本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書所限定的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1.一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，其特征在于，該方法通過RBF神經(jīng)網(wǎng)絡(luò)方法建立動(dòng)力電池SOC預(yù)測模型，然后以神經(jīng)網(wǎng)絡(luò)的輸出電池SOC作為評價(jià)指標(biāo)，建立一個(gè)優(yōu)化模型，采用人工魚群算法分別對神經(jīng)網(wǎng)絡(luò)的寬度向量中心向量^和輸出神經(jīng)元的權(quán)值Wi進(jìn)行優(yōu)化計(jì)算。2.根據(jù)權(quán)利要求1所述的改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，其特征在于，該方法包括步驟如下: 步驟一、利用人工魚群算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到利用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)； 步驟二、將電池的電池外部特性參數(shù)作為優(yōu)化后RBF網(wǎng)絡(luò)結(jié)構(gòu)的輸入，并將動(dòng)力電池的SOC作為網(wǎng)絡(luò)結(jié)構(gòu)的輸出； 步驟三、用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)后的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)的預(yù)測模型，并對動(dòng)力電池SOC預(yù)測。3.根據(jù)權(quán)利要求2所述的改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，其特征在于，所述步驟一人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，包括以下步驟: Stepl:首先對魚群進(jìn)行初始化，隨機(jī)產(chǎn)生N條人工魚，即人工魚種群大小為N; Step2:用人工魚群算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，通過AFSA優(yōu)化神經(jīng)網(wǎng)絡(luò)的寬度向量δι、中心向量Vi和輸出神經(jīng)元的權(quán)值Wi ； Step3:獲得AFSA優(yōu)化后的RBF網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，據(jù)此網(wǎng)絡(luò)結(jié)構(gòu)建立RBF網(wǎng)絡(luò)預(yù)測模型； Step4:計(jì)算所有個(gè)體的目標(biāo)函數(shù)值，目標(biāo)函數(shù)選取為SOC預(yù)測值f (Xi)與SOC實(shí)測值yi之差的函數(shù)，即obj= I y1-f(xi) I I ； Step5:判斷是否滿足終止條件，若是，獲得人工魚群算法優(yōu)化網(wǎng)絡(luò)的寬度向量S1、中心向量V1、輸出神經(jīng)元的權(quán)值W1以及RBF網(wǎng)絡(luò)預(yù)測模型，否則，返回Step2。4.根據(jù)權(quán)利要求2所述的改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，其特征在于，所述步驟二電池外部特性參數(shù)包括外部環(huán)境溫度、放電電流、端電壓。5.根據(jù)權(quán)利要求2所述的改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法，其特征在于，人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層。
【文檔編號(hào)】G06N3/08GK105823989SQ201610288501
【公開日】2016年8月3日
【申請日】2016年5月4日
【發(fā)明人】田麗, 鳳志民, 婁潔, 曹安照, 李從飛, 吳道林, 王勇
【申請人】安徽工程大學(xué)