一种基于改进的i-elm的动力电池soc预测方法及装置的制造方法

文档序号:9432815阅读:612来源:国知局
一种基于改进的i-elm的动力电池soc预测方法及装置的制造方法
【技术领域】
[0001] 本发明设及动力电池状态预测技术领域,具体地,设及一种基于改进的I-ELM的 动力电池S0C预测方法及装置。
【背景技术】
[0002] 近几年,具有寿命长、比能量高、无环境污染、安全性好等优点的憐酸铁裡电池被 广泛用做新能源汽车的车载能源。精确的S0C预测是憐酸铁裡电池高效管理的关键技术前 提。但是由于憐酸铁裡电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非 线性和时变性等特征,导致仅靠等效电路很难准确描述电池状态的特征,它严重影响电池 荷电状态(S0C)的预测精度,影响憐酸铁裡电池利用效率和使用寿命。因此,建立精确的憐 酸铁裡动力电池的S0C预测模型,实现对其S0C的准确预测是非常必要的。
[0003] 目前,预测憐酸铁裡电池S0C的方法主要有:安时计量法、开路电压法、内阻法、卡 尔曼滤波法等。运些预测憐酸铁裡电池S0C的方法是通过测量电池在充放电过程中的电 压、电流、溫度、充放电倍率等数据,并通过它们与S0C的关系来预测S0C的。但是,憐酸铁裡 电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征, 运些特征表示憐酸铁裡电池的S0C与其它参数之间具有很强的非线性,剩余电量也受到多 种因素的影响,从而很难实时跟踪憐酸铁裡电池复杂快速的内部反应,导致上述传统的电 池S0C预测方法精度不高,难W满足实际要求。由于神经网络具有能逼近多输入输出参数 函数的非线性映射能力、自学习自适应能力、泛化能力、鲁棒性和容错性等特点,可W准确 地预测电池当前的荷电状态,在电池管理系统中具有较好的应用前景。
[0004] 然而,传统的神经网络如误差反向传播度ackPropagation,B巧神经网络具有 机理复杂、结构选择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时,泛化 能力较差、数据量过大时,又容易陷入局部最小等缺点。而支持向量机(SuppcxrtVector Machine,SVM)在学习过程中需要人为设置核函数、误差控制参数W及惩罚系数等参数,参 数设定复杂,并且浪费大量时间进行参数的调整,使其对大规模训练样本难W实施,从而难 W在实际应用中得到推广。
[0005]I-ELM(Incremental-ExtremeLearningMachine,增强型极限学习机)作为一种 增量型单隐层前馈神经网络与传统的神经网络相比,具有结构简单、学习速度快、参数容易 调整且不易陷入局部最小、泛化性能好等优点。它在执行过程中不需要调整网络的输入权 值W及隐层神经元的偏置,并且产生唯一的最优解,而且随着隐层神经元的增加网络泛化 性能越来越好。但是由于其输入权值W及隐层神经元的偏置是随机选取的,所W可能存在 部分隐层神经元的输出权值过小,使其对网络输出贡献很小,存在无效神经元的问题,它不 但使网络变得更复杂,而且降低了网络的稳定性。
[0006] 现今,由于憐酸铁裡电池具有复杂的内部反应及其在运行过程中所表现出来的复 杂的非线性和时变性等特征使得用安时计量法、开路电压法、内阻法、卡尔曼滤波法等对憐 酸铁裡动力电池的S0C预测建模,憐酸铁裡电池的S0C预测精度不高,难W满足实际要求。 传统的神经网络如误差反向传播度ackPropagation,B巧神经网络具有机理复杂、结构选 择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时,泛化能力较差、数据量过 大时,又容易陷入局部最小等缺点,而支持向量机对大规模训练样本难W实施,从而难W在 实际的憐酸铁裡动力电池的S0C预测建模中得到推广。I-ELM在对憐酸铁裡动力电池的S0C 预测建模时,由于其输入权值W及隐层神经元的偏置是随机选取的,所W可能存在部分隐 层神经元的输出权值过小,使其对网络输出贡献很小,存在无效神经元的问题,它不但使网 络变得更复杂,而且降低了网络的稳定性。

【发明内容】

[0007] 本发明是为了克服现有技术中憐酸铁裡动力电池的S0C难W预测的缺陷,根据本 发明的一个方面,提出一种基于改进的I-ELM的动力电池S0C预测方法。
[0008] 本发明实施例提供一种基于改进的I-ELM的动力电池S0C预测方法,包括:
[0009] 采集训练样本,训练样本包括动力电池充放电数据和动力电池的S0C数据,并对 动力电池充放电数据和S0C数据进行归一化处理,动力电池充放电数据包括电压信号、电 流信号和溫度信号;
[0010] 将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型参数;改进的 I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,网络模型参数包括 输入权值、隐层神经元的阔值、隐层输出矩阵的偏置和输出权值;
[0011] 根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的动力电池充放电 数据进行归一化处理后输入至改进的I-ELM网络模型中,确定动力电池的荷电状态。
[0012] 在上述技术方案中,确定网络模型参数,包括:
[0013] 随机获取隐层神经元的输入权值和阔值,并确定隐层神经元的激励函数;
[0014] 根据隐层神经元的输入权值、阔值和激励函数确定当前的隐层输出矩阵,并为隐 层输出矩阵增加偏置,进而确定输出权值;
[0015] 计算余差和误差,余差的初始值与归一化处理后的S0C数据相对应,误差为余差 的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加的隐层神经元, 直至误差小于期望误差。
[0016] 在上述技术方案中,当隐层神经元为加法隐层神经元时,隐层神经元的激励函数 为:
[0017]
[0018] 当隐层神经元为径向基隐层神经元时,隐层神经元的激励函数为:
[0019]g(X) =exp(-X)。
[0020] 在上述技术方案中,为隐层输出矩阵增加偏置,进而确定输出权值,包括:
[0021] 选取偏置m,隐层输出矩阵M=[也+m),0i2+m),…,化N+m)],其中,为I-ELM网 络的输出矩阵H=比1,hz,…,hj中的矩阵元素,N为训练样本的样本数;
[0022] 根据隐层输出矩阵M和余差E确定输出权值k,输出权值为:
[0023]
[0024] 计算余差,包括:
[00巧]余差为E' =E-kX(m+H),其中,E'为本轮计算重新确定的余差。
[0026] 在上述技术方案中,选取偏置m,包括:
[0027] 根据余差E和I-ELM网络的输出矩阵H确定S个参数Cl,C2,C3,其中,
[0029] 当Cl声0时,确定两个偏置:
[0030]
[0031] 并在两个偏置中选取使误差Z'较小的一个偏置作为最终确定的偏置;
[00础其中,误差Z'为:
[0033]
; 为余差E=[e1,62,…,ej中的余差 兀素;
[0034] 当Ci=0、C2声 0 且
[003引当Cl=0、C2声0且
计,隐层神经元无效,重新训练隐层神经元;
[0036]当Ci= 0、C2= 0 时,偏置为m= 0。
[0037] 基于同样的发明构思,本发明实施例提供一种基于改进的I-ELM的动力电池S0C 预测装置,包括:
[003引采集模块,用于采集训练样本,训练样本包括动力电池充放电数据和动力电池的S0C数据,并对动力电池充放电数据和S0C数据进行归一化处理,动力电池充放电数据包括 电压信号、电流信号和溫度信号;
[0039]训练模块,用于将训练样本输入到改进的I-ELM网络中进行训练,确定网络模型 参数;改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络,网络模 型参数包括输入权值、隐层神经元的阔值、隐层输出矩阵的偏置和输出权值;
[0040] 处理模块,用于根据网络模型参数建立改进的I-ELM网络模型,并将现场采集的 动力电池充放电数据进行归一化处理后输入至改进的I-ELM网络模型中,确定动力电池的 荷电状态。
[0041] 在上述技术方案中,训练模块包括:
[0042] 获取单元,用于随机获取隐层神经元的输入权值和阔值,并确定隐层神经元的激 励函数;
[0043] 确定单元,用于根据隐层神经元的输入权值、阔值和激励函数确定当前的隐层输 出矩阵,并为隐层输出矩阵增加偏置,进而确定输出权值;
[0044] 计算单元,用于计算余差和误差,余差的初始值与归一化处理后的S0C数据相对 应,误差为余差的平方平均数;当误差不小于期望误差时,增加一个隐层神经元并训练增加 的隐层神经元,直至误差小于期望误差。
[0045] 在上述技术方案中,当隐层神经元为加法隐层神经元时,隐层神经元的激励函数 为:
[0046]
[0047] 当隐层神经元为径向基隐层神经元时,隐层神经元的激励函数为:
[0048] g(X)=exp(-X)。
[0049] 在上述技术方案中,确定单元包括:
[0050] 选取子单元,用于选取偏置m,隐层输出矩阵M=[化i+m),化2+m),…,化w+m)],其 中,为I-ELM网络的输出矩阵H=比i,h2,…,W中的矩阵元素,N为训练样本的样本数;
[0051] 确定子单元,用于根据隐层输出矩阵M和余差E确定输出权值k,输出权值为:
[0052]
[0053]计算单元具体用于:计算余差,余差为E' =E-kX
当前第1页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1