一种磷酸铁锂电池LOC估算方法和系统与流程

本发明涉及蓄电池loc(可用时间)估算方法领域，更具体地，涉及一种磷酸铁锂电池loc估算方法，其可应用于电动汽车电池组充放电管理以及相关电池行业。

背景技术：

电动汽车作为未来交通工具的发展趋势，以环保、节能、轻便等特点被人们所青睐，作为关键技术部件的电池，其性能直接影响到整车性能的好坏。蓄电池是电动汽车的动力源，其寿命和价格关系到电动汽车的成本，它的储能容量和功率密度决定着电动汽车的行驶里程和速度，而这些因素又直接影响电动汽车能否真正走向市场，因此，开发寿命长、高性能、低成本的蓄电池是发展电动汽车的必经之路。

动力电池作为储能动力源，是电动汽车的核心部件，目前超级电容和锂离子电池是电动汽车上应用的主要储能动力源。超级电容受其能量密度和价格的影响，在纯电动车上的应用受到了很大的限制。电池正极材料为lifepo4的锂电池相比于其它蓄电池，其具有比能量高、电压高、自放电率低、充放电寿命长、无记忆效应、工作温度范围宽、无污染和安全可靠等优点。

作为电池系统的控制和管理的一个重要问题，也是电动车行驶焦虑症的关键就是电池还剩余多少时间可以使用。本发明提出loc可用时间参数，将具有很重要的现实意义和经济价值。

在电动汽车的实际运行过程中，电池所处的工况非常复杂，可测参数电压、电流、温度等与loc之间的关系都是复杂的非线性关系，特别是电动汽车在启动、加速或者爬坡阶段，电池为大电流放电状态，电压、电流的变化十分剧烈，波动较大，同时不同环境温度对电池的性能也有很大的影响，

本发明通过分析影响蓄电池loc的各方面因素，提出使用可伸缩维数小波神经网络方法来解决磷酸铁锂电池可用时间的预测问题。

技术实现要素：

为了解决上述技术问题，实现准确、有效、可靠地对磷酸铁锂电池loc进行估算，本发明提供一种磷酸铁锂电池loc估算方法和系统，本发明解决其问题所采用的技术方案是：

本发明提供了一种磷酸铁锂电池loc估算方法，该估算方法包括以下步骤：

s1：建立小波神经网络模型；

s2：构建小波神经网络；

s3：获取与磷酸铁锂电池loc有关的输入参数；

s4：将输入参数输入至小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

进一步地，小波神经网络模型的拓扑结构包括输入层、隐含层和输出层。

进一步地，隐含层的节点传输函数为小波基函数。

进一步地，小波基函数采用morlet函数，其数学公式为：

进一步地，所述步骤s2包括：

(1)建立初始网络，其中所述初始网络由尺度为j的小波框架构成；

(2)进行训练，并在训练过程中判断误差是否变大，记录下误差变大之前的权值并作为当前网络的最终权值，同时，判断精度是否满足要求，若精度满足要求则停止训练，若精度不满足要求则并入尺度为j+1的子网络，并令本级网络的期望输出为上一级网络的误差，即对上一级网络的误差进行学习；

(3)以此类推，直到并入第m个子网络时，精度满足要求时结束训练，此时得到已训练好的整个网络的权值，小波神经网络构建完成。

进一步地，输入参数包括电流、电压、温度、放电速率和循环次数。

此外，本发明还提供了一种用于实现磷酸铁锂电池loc估算方法的系统，该系统包括：

建模单元，用于建立小波神经网络模型；

网络构建单元，用于构建小波神经网络；

获取单元，用于获取与磷酸铁锂电池loc有关的输入参数；

处理单元，用于将所述输入参数输入至小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

进一步地，小波神经网络模型的拓扑结构包括输入层、隐含层和输出层。

进一步地，隐含层的节点传输函数为小波基函数，所述小波基函数采用morlet函数，其数学公式为：

进一步地，输入参数包括电流、电压、温度、放电速率和循环次数。

本发明的有益效果为：

1、尺度参数和平移参数的综合选取。一般情况下，基于框架的多维小波网络对每一维输入信号到输出信号之间的非线性映射采用不同的小波框架去逼近，这不仅导致各框架之间可能存在较大的冗余，而且随着输入维数的增长，网络的隐层节点数将会成倍地增长。本发明通过对各维输入信号进行综合时域分析，在尺度参数确定的情况下，选择合适的位移参数以使小波伸缩系即单尺度下的小波紧框架能够覆盖各维输入向量，从而可以用一个小波紧框架去逼近各维输入信号到输出信号之间的非线性映射。这样，不仅减小了不同小波框架之间的冗余，而且网络的隐含层节点数也不会随着输入维数的增加而成倍地增长。

2、隐含层节点的自适应确定。本发明构造的基于单尺度多维紧支径向小波框架的自适应一阶自反馈小波神经网络包括初始网络和在训练过程中根据精度的要求而自适应并入的子网络。初始网络和各子网络均为单隐含层的前向神经网络，各级网络的隐含层均由单尺度下的多维紧支径向小波框架构成，且尺度逐级增加，每一级网络对其上一级网络的误差进行学习，而且对新并入的子网络参数的训练不影响已训练好的网络的参数，直到满足精度要求为止。这样就可以根据精度的要求自适应地确定网络的隐含层节点数，使隐含层节点数的确定有据可依，在很大的程度上优化了网络的结构。

3、一阶自反馈结构的应用。网络的隐含层节点采用一阶自反馈结构，通过引入一阶自反馈环节来反映系统的动态特性，这样就可以不用像传统的多层动态前向网络那样通过对网络的输入和输出分别作m阶和n阶时延并将网络的输出反馈至输入端来反映系统的动态特性，这样便在很大的程度上减小了网络的输入节点数。由于隐含层节点的输入由当前时刻的输入和前一时刻的输出组成，而前一时刻的输出为该时刻输入的函数，前一时刻的输入又包含再前一时刻的输出，如此形成无限递推，所以其对信息的记忆是无限的，这样便可以在不增加网络输入节点的前提下更好地反映系统的动态特性。

附图说明

图1为本发明的一种磷酸铁锂电池loc估算方法的步骤流程框图；

图2为本发明优选实施例小波神经网络模型的拓扑结构；

图3为本发明优选实施例构建小波神经网络的流程图；

图4为本发明一种磷酸铁锂电池loc估算系统的一具体实施例结构框示意图。

具体实施方式

下面参照附图和实施例对本发明作详细描述，其中具体的实施例不应理解为对本发明范围的限制。

电池的loc是电动汽车的可持续行驶的直接依据，因此，电动汽车对其估测的准确性、可靠性提出了更高的要求。首先，我们有必要了解一下磷酸铁锂电池loc的理论公式：loc＝qn×(soc-dzsoc)/v。单体电池单次循环内寿命loc与电池的荷电状态soc、死区容量dzsoc、电池额定容量qn、放电速率v有关，同时实际模型中考虑各种工况和应力应采用加权系数对上式进行修正处理。

为了更准确、有效、可靠地对磷酸铁锂电池loc进行估算，本发明提出了一种磷酸铁锂电池loc估算方法，参照图1所示步骤流程框图，在一个实施例中，所述估算方法包括以下步骤：

s1：建立小波神经网络模型；

s2：构建小波神经网络；

s3：获取与磷酸铁锂电池loc有关的输入参数；

s4：将所述输入参数输入至小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

进一步地，在步骤1中建立的小波神经网络模型是基于bp神经网络模型，将bp神经网络模型中的隐含层的节点传输函数用小波基函数来替换，替换后的bp神经网络模型就构成了小波神经网络模型。这样做的好处是，小波变换是通过平移和尺度伸缩来对信号进行多尺度分析的，这样能更有效地提取信号的局部信息；对于神经网络而言，其本身具有良好的自适应性、较好的自我学习能力和较强的容错性等特点，可以用其来逼近大部分函数。该预测模型在本发明中优选采用的是三层wnn预测结构，即包括输入层、隐含层和输出层。因为少于三层结构的预测模型无法准确预测；结构大于三层的预测模型会相应地增加计算量。因此，在优选的实施例中，小波神经网络模型的拓扑结构如图2所示，其中，小波基函数优选采用morlet函数，其数学公式为：

参照图2，所建立的小波神经网络的数学模型可以表达为：

其中，xi(t)为网络的第i个输入，ij(t)为第j个小波基函数输入之和，sj(t)为第j个小波的输出。ψ为小波函数，和yk(t)为网络的第k个输出节点，ek(t)为模型误差，输入层到隐含层的权值为隐含层到输出层的权值为为1，隐含层节点通过引入一阶自反馈环节来反映系统的动态特性，这样就可以不用传统的多层动态前向网那样通过对网络的输入和输出分别作m阶和n阶时延并将网络的输出反馈至输入端来反映系统的动态特性，在很大程度上减小了网络的输入节点数。隐含层节点的输入由当前时刻的输入和前一时刻的输出组成，而前一时刻的输出为该时刻输入的函数，前一时刻的输入又包含再前一时刻的输出，如此形成无限递推，所以其对信息的记忆是无限的。可见，与多层动态前向网相比，采用一阶延迟结构可以更好地反映系统的动态特性，且不增加网络的输入节点数。

进一步地，在优选的实施例中，步骤2中构建小波神经网络的流程如图3所示，具体可包括：

(1)建立初始网络，其中所述初始网络由尺度为j的小波框架构成，其中j为一个较小的整数。当j取1或2时，训练精度通常很低，因此初始网络的尺度可以取为3、4或者更大的整数；

(2)进行训练，并在训练过程中判断误差是否变大，训练的过程中误差逐渐减小直至保持基本恒定，当误差变大时则表明网络训练过度，若再继续训练，则会使网络的误差继续增大，此时记录下误差变大之前的权值并作为当前网络的最终权值，同时，判断精度是否满足要求，若精度满足要求则停止训练，若精度不满足要求则并入尺度为j+1的子网络，并令本级网络的期望输出为上一级网络的误差，即对上一级网络的误差进行学习；

(3)以此类推，直到并入第m个子网络时，精度满足要求时结束训练，此时得到已训练好的整个网络的权值，小波神经网络构建完成。

本发明构造的基于单尺度多维紧支径向小波框架的自适应一阶自反馈小波神经网络包括初始网络和在训练过程中根据精度的要求而自适应并入的子网络。初始网络和各子网络均为单隐含层的前向神经网络，各级网络的隐含层均由单尺度下的多维紧支径向小波框架构成，且尺度逐级增加，每一级网络对其上一级网络的误差进行学习，而且对新并入的子网络参数的训练不影响已训练好的网络的参数，直到满足精度要求为止。这样就可以根据精度的要求自适应地确定网络的隐含层节点数，使隐含层节点数的确定有据可依，在很大的程度上优化了网络的结构。

进一步地，在步骤3中，获取与磷酸铁锂电池loc有关的输入参数可包括：电流、电压、温度、放电速率和循环次数。

进一步地，在步骤4中，将步骤3获取的与磷酸铁锂电池loc有关的输入参数输入至经步骤2构建完成的小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

此外，本发明还提供了一种磷酸铁锂电池loc估算系统，如图4所示，为该系统的一具体实施例结构框示意图，该系统包括：

建模单元，用于建立小波神经网络模型；

网络构建单元，用于构建小波神经网络；

获取单元，用于获取与磷酸铁锂电池loc有关的输入参数；

处理单元，用于将输入参数输入至小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

进一步地，建模单元建立的小波神经网络模型的拓扑结构包括输入层、隐含层和输出层。

进一步地，该隐含层的节点传输函数为小波基函数，所述小波基函数采用morlet函数，其数学公式为：

进一步地，网络构建单元构建小波神经网络的流程如步骤2所述。

进一步地，获取单元获取与磷酸铁锂电池loc有关的输入参数，可包括：电流、电压、温度、放电速率和循环次数。

进一步地，处理单元将获取单元获取的与磷酸铁锂电池loc有关的输入参数输入至小波神经网络中进行数据处理，从而输出磷酸铁锂电池loc值。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。