一种电池剩余电量的确定方法、装置及汽车与流程

本发明涉及汽车
技术领域：
，特别是指一种电池剩余电量的确定方法、装置及汽车。
背景技术：
：目前国内外在对电池剩余电量SOC的准确估算方面已经做出了大量的研究，但常用的方法仍然是简单的开路电压法和安时积分法相结合。开路电压法是电池管理系统静止后再次上电工作时，根据单体电压查表静态开路电压OCV数据，估算电池的初始SOC值。安时积分法是将电池的充放电电流对时间进行积分运算，估算电池的动态SOC值。开路电压法需要动力电池静置足够长的时间，这在工作条件下显然是不易实现的。而安时积分法对电流采样精度要求较高，若动力电池长时间在SOC高端进行充放电，会产生较大的积累误差。另外，汽车动力电池SOC的使用区间一般在30-70％之间，若长时间无低端修正，使用安时积分法会造成较大误差。技术实现要素：本发明的目的是提供一种电池剩余电量的确定方法、装置及汽车，用以解决现有方案不易在工作条件下实现对剩余电量的确定，对电流采样精度要求较高，结果误差大等问题。为达到上述目的，本发明的实施例提供一种电池剩余电量的确定方法，包括：在构建的第一电量确定模型和第二电量确定模型中选取目标电量确定模型；其中，所述第一电量确定模型和第二电量确定模型均是基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构；将获取到的电池的当前状态信息输入到所述目标电量确定模型，得到所述电池的剩余电量。本发明实施例的电池剩余电量的确定方法，通过基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构的目标电量确定模型对电池的剩余电量进行确定，由于该模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。其中，构建第一电量确定模型和第二电量确定模型的步骤，包括：基于典型自适用神经模糊系统结构，预设输入变量模糊子集的隶属函数类型和模糊子集的个数，分别构建具有第一预设数量输入变量的第一初始电量确定模型和具有第二预设数量输入变量的第二初始电量确定模型；其中，所述第一初始电量确定模型的输入变量包括电池电压和放电电流；所述第二初始电量确定模型的输入变量包括电池电压、放电电流和放电容量；对所述第一初始电量确定模型和所述第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型。其中，对所述第一初始电量确定模型和所述第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型的步骤，包括：获取第一预设数量的目标数据作为训练数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；根据所有测试数据确定所述训练数据的初始化对数；将所述训练数据对应导入第一初始电量确定模型和第二初始电量确定模型，得到第一电量确定模型和第二电量确定模型。其中，在构建的第一电量确定模型和第二电量确定模型中选取目标电量确定模型的步骤，包括：获取第二预设数量的目标数据作为验证数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；将所述验证数据对应导入训练后得到的第一电量确定模型和第二电量确定模型；获取所述第一电量确定模型输出的第一数值和所述第二电量确定模型输出的第二数值；将所述第一数值、所述第二数值分别与所述验证数据对应的实际数值进行比较，得到对应所述第一数值的第一误差参数，对应所述第二数值的第二误差参数；根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，在根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型的步骤之前，还包括：将所述第一误差参数和所述第二误差参数分别与第一预设阈值进行比较；若所述第一误差参数大于所述第一预设阈值，或者所述第二误差参数大于所述第一预设阈值，则重新获取第三预设数量的目标数据作为训练数据，其中所述第三预设数量大于所述第一预设数量；反之，则根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，所述第一误差参数和所述第二误差参数均包括：平均百分比误差、绝对误差和均方误差。其中，将预存储的多个充放电倍率下的测试数据进行归一化处理的步骤，包括：根据公式对预存储的多个充放电倍率下的测试数据进行归一化处理，得到目标数据；其中，y表示待处理数据，ymin表示与待处理数据相应的数据组中的最小数值，ymax表示与待处理数据相应的数据组中的最小数值。为达到上述目的，本发明的实施例还提供了一种电池剩余电量的确定装置，包括：第一处理模块，用于在构建的第一电量确定模型和第二电量确定模型中选取目标电量确定模型；其中，所述第一电量确定模型和第二电量确定模型均是基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构；第二处理模块，用于将获取到的电池的当前状态信息输入到所述目标电量确定模型，得到所述电池的剩余电量。本发明实施例的电池剩余电量的确定装置，通过基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构的目标电量确定模型对电池的剩余电量进行确定，由于该模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。其中，所述电池剩余电量的确定装置还包括：构建模块，用于基于典型自适用神经模糊系统结构，预设输入变量模糊子集的隶属函数类型和模糊子集的个数，分别构建具有第一预设数量输入变量的第一初始电量确定模型和具有第二预设数量输入变量的第二初始电量确定模型；其中，所述第一初始电量确定模型的输入变量包括电池电压和放电电流；所述第二初始电量确定模型的输入变量包括电池电压、放电电流和放电容量；训练模块，用于对所述第一初始电量确定模型和所述第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型。其中，所述训练模块包括：第一获取子模块，用于获取第一预设数量的目标数据作为训练数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；第一训练子模块，用于根据所有测试数据确定所述训练数据的初始化对数；第二训练子模块，用于将所述训练数据对应导入第一初始电量确定模型和第二初始电量确定模型，得到第一电量确定模型和第二电量确定模型。其中，所述第一处理模块包括：第二获取子模块，用于获取第二预设数量的目标数据作为验证数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；导入子模块，用于将所述验证数据对应导入训练后得到的第一电量确定模型和第二电量确定模型；第三获取子模块，用于获取所述第一电量确定模型输出的第一数值和所述第二电量确定模型输出的第二数值；第一比较子模块，用于将所述第一数值、所述第二数值分别与所述验证数据对应的实际数值进行比较，得到对应所述第一数值的第一误差参数，对应所述第二数值的第二误差参数；确定子模块，用于根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，所述第一处理模块还包括：第二比较子模块，用于在根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型之前，将所述第一误差参数和所述第二误差参数分别与第一预设阈值进行比较；处理子模块，用于若所述第一误差参数大于所述第一预设阈值，或者所述第二误差参数大于所述第一预设阈值，则重新获取第三预设数量的目标数据作为训练数据，其中所述第三预设数量大于所述第一预设数量；反之，则根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，所述第一误差参数和所述第二误差参数均包括：平均百分比误差、绝对误差和均方误差。其中，所述电池剩余电量的确定装置还包括：归一化处理模块，用于根据公式对预存储的多个充放电倍率下的测试数据进行归一化处理，得到目标数据；其中，y表示待处理数据，ymin表示与待处理数据相应的数据组中的最小数值，ymax表示与待处理数据相应的数据组中的最小数值。为达到上述目的，本发明的实施例还提供了一种汽车，包括如上所述的电池剩余电量的确定装置。本发明实施例的汽车，通过基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构的目标电量确定模型对电池的剩余电量进行确定，由于该模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。附图说明图1为本发明实施例的电池剩余电量的确定方法的步骤流程示意图；图2为T-S型模糊推理系统原理结构示意图；图3为典型自适应神经模糊系统原理结构示意图；图4为本发明实施例中两输入变量的第一初始电量确定模型结构示意图；图5为本发明实施例中三输入变量的第二初始电量确定模型结构示意图；图6为两输入模型训练前电流和电压隶属度函数形状示意图；图7为两输入模型训练后电流隶属度函数形状示意图；图8为两输入模型训练后电压隶属度函数形状示意图；图9为三输入模型训练前电流、电压和电量隶属度函数形状示意图；图10为三输入模型训练后电流隶属度函数形状示意图；图11为三输入模型训练后电压隶属度函数形状示意图；图12为三输入模型训练后电量隶属度函数形状示意图；图13为两输入电量确定模型估算值与实际值比较示意图；图14为两输入电量确定模型估算值与实际值绝对误差示意图；图15为三输入电量确定模型估算值与实际值比较示意图；图16为三输入电量确定模型估算值与实际值绝对误差示意图；图17为7.2A放电两输入模型估算值、三输入模型估算值和实际值比较示意图；图18为18A放电两输入模型估算值、三输入模型估算值和实际值比较示意图；图19为三输入模型ECE15工况下SOC估算值示意图；图20为三输入模型ECE15工况下SOC估算值与实际值的绝对误差示意图；图21为本发明实施例的电池剩余电量的确定装置的结构示意图。具体实施方式为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本发明针对现有的方案不易在工作条件下实现对剩余电量的确定，对电流采样精度要求较高，结果误差大等问题，提供了一种电池剩余电量的确定方法，基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构的模型对电池剩余电量进行确定，能够得到更精确的结果，减小了误差，且易在工作条件下实现。如图1所示，本发明实施例的一种电池剩余电量的确定方法，其特征在于，包括：步骤101，在构建的第一电量确定模型和第二电量确定模型中选取目标电量确定模型；其中，所述第一电量确定模型和第二电量确定模型均是基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构；步骤102，将获取到的电池的当前状态信息输入到所述目标电量确定模型，得到所述电池的剩余电量。通过上述步骤，本发明实施例的电池剩余电量的确定方法，通过基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构的目标电量确定模型对电池的剩余电量进行确定，由于该模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。其中，本发明实施例中，在步骤101选取目标电量确定模型之前，构建第一电量确定模型和第二电量确定模型的步骤，包括：步骤103，基于典型自适用神经模糊系统结构，预设输入变量模糊子集的隶属函数类型和模糊子集的个数，分别构建具有第一预设数量输入变量的第一初始电量确定模型和具有第二预设数量输入变量的第二初始电量确定模型；其中，所述第一初始电量确定模型的输入变量包括电池电压和放电电流；所述第二初始电量确定模型的输入变量包括电池电压、放电电流和放电容量；步骤104，对所述第一初始电量确定模型和所述第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型。具体的，在本发明实施例中，典型自适用神经模糊系统ANFIS是人工神经网络与Takagi-Sugeno(T-S)模糊推理结合在一起的系统结构。应该了解的是，T-S型模糊推理系统的原理结构如图2所示，其输出分为两种形式：0阶T-S型模糊推理和1阶T-S型模糊推理，1阶的T-S模糊推理模型的模糊规则为：If(is)and(is)Then(fk＝pkx+qky+rk)。其中x和y是输入量，Ak和Bk是模糊集，fk是特定模糊规则下论域中的输出值，pk、qk和rk是由训练过程中决定的设计参数(＝1，2，…，N)。假设实际的T-S型模糊推理系统有k条模糊规则，系统的输入x对Ak的隶属度函数为y对Bk的隶属度函数为每条规则的输出为：fk＝pkx+qky+rk，则该条模糊规则的输出对总输出的权重为根据式(1)计算权重的归一化值：ω‾=ωk/Σk=1Nωk---(1)]]>则系统的最终输出可由式(2)计算得到：f=Σk=1Nω‾kfk---(2)]]>通过T-S型模糊推理系统计算过程可以看出，输入的精确值经过模糊化转换为模糊集合，精确值和模糊集合经T-S模糊规则推理计算之后直接得到精确值，予以输出。因此它是直接得到系统的精确值输出，计算速度更快；另外由于隶属函数和模糊规则参数决定了输出值，可以通过神经网络方法对参数进行学习，这个两者的结合提供了可能。ANFIS结合了神经网络的学习能力和模糊系统的逻辑推理能力，结构原理如图3所示，此系统有两个输入x和y，一个输出f，有两条规则组成规则1：If(xisA1)and(yisB1)Then(f1＝p1x+q1y+r1)规则2：If(xisA2)and(yisB2)Then(f2＝p2x+q2y+r2)。ANFIS结构一共有五层，每一层都有节点与上下层进行连接，如图3所示。其中在第二、三和五层用圆形节点代表这几层节点是固定的；第一、四两层为方形节点表示自适应节点，自适应节点中参数不断调整和改变。第一层是模糊化层，主要任务是将输入变量x和y进行模糊化。这一层的输出表示为：Oi1=μAi(x)---(3)]]>其中x为节点i(i＝1,2)的输入，Ai表示模糊集，是Ai的隶属函数值。表示隶属函数，优先选择钟形函数，其优点是整条曲线比较平滑，且非零，表达式为：μAi(x)=11+(x-ciai)2bi---(4)]]>式中ai、bi和ci是调整隶属函数形状的参数，这里把三个参数称为前提参数。第二层是规则的释放强度层，主要任务是将第一层模糊化的信号进行模糊相乘，该层节点的参数值在训练中固定不变。具体输出为：Oi2=ωi=μAi(x)×μBi(x),i=1,2---(5)]]>该层节点的输出值表示对应规则的强度，强度越大则规则的可信度越大，式(5)中“×”表示任何满足T-S型模糊规则的AND算子。由这一层的计算，给每条模糊规则分配一定的激活强度。第三层是规则强度的归一化层，该层节点固定，其功能是将上一层输出释放的强度进行归一化并输出，具体为：Oi3=ω‾i=ωiω1+ω2,i=1,2---(6)]]>第四层为模糊化输出层，该层的每个节点均为自适应节点，节点上将第三层输出的归一化强度与一个一阶多项式相乘，相乘的结果予以输出，即为模糊化的结果。其输出的表达式为：Oi4=ω‾ifi=ω‾i(pix+qiy+ri),i=1,2---(7)]]>式中pi、qi和ri三个参数称为结论参数。第五层是解模糊层，进行一个解模糊的计算，计算表达式为式(8)，是一个求和函数的计算。Oi5=f=Σi=12ω‾ifi=Σi=12ωifiΣi=12ωi,i=1,2---(8)]]>通过对ANFIS的结构分析可以看出，该系统中有两层是自适应层，分别是第一层和第四层，存在六个可改变的参数分别是ai、bi、ci、pi、qi和ri，其中前三个参数与选取的隶属函数有关，改变这三个参数可以调整隶属函数的形状，后三个参数是一阶多项式中的参数。第一层的参数和第四层的参数分别成为前提参数和结论参数。当利用数据对ANFIS系统结构进行训练，前提参数和结论参数不断改变，前提参数固定后，总输出利用结论参数进行表示，即：因此，在本发明实施例中，以LiFePO4电池的剩余电量SOC的估算为例，如步骤103，根据ANFIS的结构建立SOC确定模型，且为了便于比较，根据LiFePO4电池特性建立了两种确定模型：两输入变量ANFIS的第一初始电量确定模型和三输入变量的第二初始电量确定模型。往往输入变量的选取是ANFIS模型估算SOC中至关重要的一步，在选取输入变量时应从两个方面考虑：一是从实际应用方面，要选择能易于对电池直接测量到的参数；一是从反映电池特性方面，所选取变量能直观的反映电池特性。基于上述两个方面考虑，结合LiFePO4电池的端电压和电流可以直接采集到，通过这两个变量也能反映出LiFePO4电池的充放电特性。因此以电池电压U和放电电流I作为输入建立两输入变量第一初始电量确定模型，如图4所示。另外，通过LiFePO4电池的实验看出在恒流放电时，电池端电压整体呈现下降趋势，但在局部电压值不断波动，同时中间存在一个较长的平台区。因此建立的两变量模型会因波动而影响估算精度。为减小变量的波动对估算的影响，同时提高SOC估算精度，在两变量的基础上又增加电池放电时的放电容量为第三个输入变量。因此建立三输入变量第二初始电量确定模型，放电容量用C表示，如图5所示。在确定基本结构的初始电量确定模型中，确定输入变量后，需选取输入变量隶属度函数和模糊子集个数，这要综合考虑所建模型模型的复杂度和估算的精度，一般模型越复杂其估算精度相对会提高，但越复杂的模型估算的速度会越慢，这是实际所不允许的，因此要充分考虑这对矛盾。优选的，针对第一初始电量确定模型，确定输入变量模糊子集的隶属函数为钟形函数，钟形函数的整条曲线都比较平滑，且没有零点，而模糊子集的个数最终确定为5，以此来描述出电池端电压和放电电流与SOC的互相关系。针对第二初始电量确定模型，确定以钟型函数作为隶属函数，且输入变量的模糊子集个数为3。比较两种估算模型，两输入变量的SOC估算模型各层节点数分别：第一层2个，第二层10个，第三层25个，第四层25个，第五层25个；三输入变量的SOC估算模型各层节点数：第一层3个，第二层9个，第三层27个，第四层27个，第五层27个。可以看出这两个模型从结果复杂程度上相当，也就意味着它们的计算速度相差不大。在构建两初始电量确定模型后，为了确定出具体更高精度的电量确定模型，下一步，如步骤104，对第一初始电量确定模型和第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型。还应该知道的是，ANFIS利用BP(Back-Propagation，BP)算法和最小二乘估计(LeastSquareError，LSE)法的混合算法进行学习，不断调整系统的前提参数和结论参数。BP算法本质是求取误差函数最小值，其处理过程主要分为两步：正向计算和反向计算。正向计算过程中利用样本数据从输入层开始，一层一层处理直到输出层，计算过程中每一层的状态只对下一层的状态产生影响。反向计算是将误差信号按照正向计算的路径反向传回，并对每一层节点的系数进行修正，使误差信号最小。ANFIS的整个混合学习算法分为两大步：第一步，估计最佳结论参数。确定第一层前提参数的初值，按每层计算的步骤计算到第四层后采用LSE法对该层的结论参数进行估计，计算公式为(10)，得到最佳结论参数。f=(ω‾1x)p1+(ω‾1y)q1+(ω‾1)r1+(ω‾2y)p2+(ω‾2y)q2+(ω‾2)r2=A·X---(10)]]>式中，X中的元素构成了结论参数的集合，表示为{p1,q1,r1,p2,q2,r2}。最佳结论参数即矩阵X的最佳估计，若输入系统的数据有m(m>>6)对,则根据LSE法计算可知当矩阵Am×6、X6×1和fm×1满足均方误差最小(min||Ax-f||)意义下可得到结论参数的最佳估计，即式(11)。X*＝(AAT)-1ATf(11)第二步，调整隶属函数的形状。根据第一步确定前提参数初值并得到结论参数的最佳估计，由式(9)可知此时系统的输出可表示成结论参数的组合，接着计算误差并利用BP算法将误差由输出端反向传递到输入端，同时更新前提参数，由于前提参数决定隶属函数的形状，因此隶属函数形状得到调整。ANFIS采用混合的学习算法，很好的提高了系统的训练效率和精度。基于上述原理，本发明实施例中，步骤104包括：步骤1041，获取第一预设数量的目标数据作为训练数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；步骤1042，根据所有测试数据确定所述训练数据的初始化对数；步骤1043，将所述训练数据对应导入第一初始电量确定模型和第二初始电量确定模型，得到第一电量确定模型和第二电量确定模型。经步骤1041～步骤1043，通过采用第一预设数量的目标数据对两个初始电量确定模型进行训练，确定了两个初始电量确定模型中各个节点参数值和隶属函数形状，得到构建完成的确定模型。在经训练得到确定模型后，下一步，如步骤101，在两个确定模型中选取最佳的模型作为最终的目标电量确定模型，对电池当前剩余电量进行确定。具体的，步骤101包括：步骤1011，获取第二预设数量的目标数据作为验证数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；步骤1012，将所述验证数据对应导入训练后得到的第一电量确定模型和第二电量确定模型；步骤1013，获取所述第一电量确定模型输出的第一数值和所述第二电量确定模型输出的第二数值；步骤1014，将所述第一数值、所述第二数值分别与所述验证数据对应的实际数值进行比较，得到对应所述第一数值的第一误差参数，对应所述第二数值的第二误差参数；步骤1014，根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。该实施例中，将第二预设数量的目标数据作为验证数据，导入确定的两个电量确定模型中，根据得到的输出数值与实际数值进行比较，然后依据该比较结果确定出较佳的目标电量确定模型。优选的，所述第一误差参数和所述第二误差参数均包括：平均百分比误差、绝对误差和均方误差。具体的，延续上例，选取LiFePO4电池在1/5C、1/3C、1/2C和1C充放电倍率下的测试数据作为样本(目标数据)，按照一定步骤从样本数据中选取一部分样本数据(训练数据)用于训练模型，选取另一部分样本数据(验证数据)作为测试验证。通过训练最终确定两个预测模型中各个节点参数值和隶属函数形状，并用验证数据予以验证。如确定了两输入变量第一初始电量确定模型和三输入变量第二初始电量确定模型的训练数据均为200对，部分训练数据和验证数据如表1所示。表1通过训练数据对模型进行训练之后，模型中隶属函数的形状也发生了明显的变化，如图6为两输入第一初始电量确定模型中输入参数电流和电压训练前隶属函数形状，图7和图8分别是该模型电流和电压训练后隶属函数形状，训练前后形状发生改变。图9为三输入第二初始电量确定模型中输入参数电流、电压和电量训练前隶属函数形状，图10、图11和图12分别是该模型电流、电压和电量在训练后隶属函数形状。在训练完成后，得到第一电量确定模型和第二电量确定模型。下一步进行验证，确定出最终的目标电量确定模型。用平均百分比误差(averagepercentageerror，APE)、绝对误差(absoluteerror，abs.err)和均方误差(meansquarederror，MSE)三个值分析SOC估算的结果。其中APE的计算如下：APE=1NΣi=1N|SOC-SOC*||SOC|×100%]]>式中N表示数据个数，SOC和SOC*表示实际值和模型估算值。对于两输入第一电量确定模型，选取200对训练数据对其训练后，选用100对数据进行测试验证，得到SOC的估算值，并计算估算值与实验值的误差。图13是验证数据实际SOC与估算SOC曲线图，图中估算值和实际值的最大绝对误差为4.8％，绝大多数误差的绝对值在3％以下，均方误差为3.1e-4，平均百分比误差APE＝3.35％，绝对误差如图14所示。三输入第二电量确定模型也选取了200对数据进行训练，并将166对测试数据导入训练后的模型进行SOC估算，图15是验证数据SOC估算结果。绝对误差如图16所示。三输入变量的第二电量确定模型进行SOC估算时最大绝对误差在1％以下，平均百分比误差为1.8％，均方误差为2.77e-5，与两个输入变量模型相比其估算精度有了明显提升。为更加直观比较两种模型的SOC估算效果，优选的，取相同端电压和放电电流的样本数据，分别采用两输入变量和三输入变量的ANFIS模型进行SOC估算，部分估算结果如图16所示。图17和图18为7.2A恒流放电SOC估算比较和18A恒流放电SOC估算比较。从图17和图18可以看出，在相同端电压和放电电流数据的情况下，增加放电容量的三输入变量第二电量确定模型估算的SOC值与实验值更加接近，能够很好地与实验值相吻合。综合图13、图15、图17和图18的比较结果表明：三输入变量模型估算SOC的平均百分比误差、绝对误差和均方误差远小于两输入变量模型估算误差，且估算结果更准确。以上三输入第二电量确定模型均是在电池一定倍率恒流放电情况下进行SOC估算，为验证该模型的泛化能力，随机选取了一组LiFePO4电池在ECE15工况下的放电数据，一共选取了500对数据，并将数据输入该模型中进行测试，测试结果如图19所示，实际值与估算值的绝对误差在图20中画出，可以看出两者的绝对误差控制在3％以内，表明三输入第二电量确定模型通过训练数据进行训练之后，具有良好的自适应性，能较好的对LiFePO4电池SOC进行估算。然而，需要了解的是，有时由于训练数据选取的数量较小，训练后得到的模型不能够达到需要，因此，在步骤1014之前，还包括：步骤1015，将所述第一误差参数和所述第二误差参数分别与第一预设阈值进行比较；步骤1016，若所述第一误差参数大于所述第一预设阈值，或者所述第二误差参数大于所述第一预设阈值，则重新获取第三预设数量的目标数据作为训练数据，其中所述第三预设数量大于所述第一预设数量；反之，则根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。这样，在经训练后的模型不满足要求时，能够通过增大训练数据，再之前数据的基础上，利用新增数据继续训练，提升模型的估算性能，直至满足要求。优选的，新增第一预设数量的1％的数据继续训练。另外，为了提高模型训练的效率和估算精度，本发明实施例中，具体的，将预存储的多个充放电倍率下的测试数据进行归一化处理的步骤，包括：根据公式对预存储的多个充放电倍率下的测试数据进行归一化处理，得到目标数据；其中，y表示待处理数据，ymin表示与待处理数据相应的数据组中的最小数值，ymax表示与待处理数据相应的数据组中的最小数值。当然，还应该了解的是，温度对电池的性能也存在一定的影响，在构建初始模型时，还可以在输入端增加温度变量，进一步提升结果的准确性，更贴近实际。综上所述，本发明实施例的电池剩余电量的确定方法采用了基于结合人工神经网络与模糊逻辑的自适应神经模糊系统进行剩余电量的确定。首先通过构建基于结合人工神经网络与模糊逻辑的自适应神经模糊系统的五层结构的两个电量确定模型。其次，通过训练数据对两种模型进行训练和测试验证，最终使得模型稳定，并将输出数值与实际值比较，确定出更佳的目标电量确定模型对汽车当前的剩余电量进行确定。由于该目标电量确定模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。如图21所示，本发明实施例还提供了一种电池剩余电量的确定装置，包括：第一处理模块2101，用于在构建的第一电量确定模型和第二电量确定模型中选取目标电量确定模型；其中，所述第一电量确定模型和第二电量确定模型均是基于结合人工神经网络与模糊逻辑的自适应神经模糊系统构建的五层结构；第二处理模块2102，用于将获取到的电池的当前状态信息输入到所述目标电量确定模型，得到所述电池的剩余电量。其中，所述电池剩余电量的确定装置还包括：构建模块，用于基于典型自适用神经模糊系统结构，预设输入变量模糊子集的隶属函数类型和模糊子集的个数，分别构建具有第一预设数量输入变量的第一初始电量确定模型和具有第二预设数量输入变量的第二初始电量确定模型；其中，所述第一初始电量确定模型的输入变量包括电池电压和放电电流；所述第二初始电量确定模型的输入变量包括电池电压、放电电流和放电容量；训练模块，用于对所述第一初始电量确定模型和所述第二初始电量确定模型分别进行训练，得到第一电量确定模型和第二电量确定模型。其中，所述训练模块包括：第一获取子模块，用于获取第一预设数量的目标数据作为训练数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；第一训练子模块，用于根据所有测试数据确定所述训练数据的初始化对数；第二训练子模块，用于将所述训练数据对应导入第一初始电量确定模型和第二初始电量确定模型，得到第一电量确定模型和第二电量确定模型。其中，所述第一处理模块包括：第二获取子模块，用于获取第二预设数量的目标数据作为验证数据；所述目标数据是将预存储的多个充放电倍率下的测试数据经归一化处理后的数据；导入子模块，用于将所述验证数据对应导入训练后得到的第一电量确定模型和第二电量确定模型；第三获取子模块，用于获取所述第一电量确定模型输出的第一数值和所述第二电量确定模型输出的第二数值；第一比较子模块，用于将所述第一数值、所述第二数值分别与所述验证数据对应的实际数值进行比较，得到对应所述第一数值的第一误差参数，对应所述第二数值的第二误差参数；确定子模块，用于根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，所述第一处理模块还包括：第二比较子模块，用于在根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型之前，将所述第一误差参数和所述第二误差参数分别与第一预设阈值进行比较；处理子模块，用于若所述第一误差参数大于所述第一预设阈值，或者所述第二误差参数大于所述第一预设阈值，则重新获取第三预设数量的目标数据作为训练数据，其中所述第三预设数量大于所述第一预设数量；反之，则根据所述第一误差参数和所述第二误差参数，确定所述第一电量确定模型和第二电量确定模型中误差参数相对小的模型为目标电量确定模型。其中，所述第一误差参数和所述第二误差参数均包括：平均百分比误差、绝对误差和均方误差。其中，所述电池剩余电量的确定装置还包括：归一化处理模块，用于根据公式对预存储的多个充放电倍率下的测试数据进行归一化处理，得到目标数据；其中，y表示待处理数据，ymin表示与待处理数据相应的数据组中的最小数值，ymax表示与待处理数据相应的数据组中的最小数值。本发明实施例的电池剩余电量的确定装置采用了基于结合人工神经网络与模糊逻辑的自适应神经模糊系统进行剩余电量的确定。首先通过构建基于结合人工神经网络与模糊逻辑的自适应神经模糊系统的五层结构的两个电量确定模型。其次，通过训练数据对两种模型进行训练和测试验证，最终使得模型稳定，并将输出数值与实际值比较，确定出更佳的目标电量确定模型对汽车当前的剩余电量进行确定。由于该目标电量确定模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。需要说明的是，该装置是应用了上述电池剩余电量的确定方法的装置，上述电池剩余电量的确定方法实施例的实现方式适用于该装置，也能达到相同的技术效果。本发明的实施例还提供了一种汽车，包括如上所述的电池剩余电量的确定装置。本发明实施例的汽车采用了基于结合人工神经网络与模糊逻辑的自适应神经模糊系统进行剩余电量的确定。首先通过构建基于结合人工神经网络与模糊逻辑的自适应神经模糊系统的五层结构的两个电量确定模型。其次，通过训练数据对两种模型进行训练和测试验证，最终使得模型稳定，并将输出数值与实际值比较，确定出更佳的目标电量确定模型对汽车当前的剩余电量进行确定。由于该目标电量确定模型有机结合了人工神经网络与模糊逻辑，具有与神经网络更接近的学习总结能力，同时继承了模糊系统在表现人类思维时的优势，能够得到更精确的结果，减小误差。而且利用该模型进行确定，也易在工作条件下实现。需要说明的是，该汽车是包括了上述电池剩余电量的确定装置的汽车，上述电池剩余电量的确定装置实施例的实现方式适用于该汽车，也能达到相同的技术效果。进一步需要说明的是，此说明书中所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。以上所述是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页1 2 3