(m+H)，其中，E'为本轮计算重新 确定的余差。
[0054] 在上述技术方案中，选取子单元具体用于：
[005引根据余差E和I-ELM网络的输出矩阵H确定S个参数Cl,C2,C3,其中，
[0057] 当Cl声0时，确定两个偏置：
[0058]
[0059] 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；
[0060] 其中，误差Z，为：
[006U
为余差E= [61,62,…，ej中的余差 兀素；
[0062] 当Ci=0、C2声 0 且
[006引当ci= 0、C2声0且
时，隐层神经元无效，重新训练隐层神经元；
[0064]当Ci= 0、C2= 0 时，偏置为m= 0。
[006引本发明实施例提供的一种基于改进的I-ELM的动力电池S0C预测方法及装置，其 在I-ELM的隐层输出矩阵上加上了一个偏置，该方法能在保持I-ELM结构简单、学习速度 快、参数容易调整且不易陷入局部最小、泛化性能好等优点的同时显著提高I-ELM的误差 下降速度，不仅提高了I-ELM的学习速度，而且提高了I-ELM的测试精度，较好地解决了 I-ELM由于输入权值W及隐层神经元的阔值是随机取得，在训练过程中增加神经元会存在 部分隐层神经元的输出权值过小，导致其对网络输出贡献很小，降低了网络的训练速度，使 网络变得更复杂的问题。综上，该方法具有学习速度快，拥有更好预测精度的优点。可W而 准确预测电池S0C、降低重复充放电对电池的损耗、延长电池的使用寿命，达到降低电池的 使用成本的目的。
[0066] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明 书、权利要求书、W及附图中所特别指出的结构来实现和获得。
[0067] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
【附图说明】
[0068] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实 施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0069] 图1为本发明实施例中基于改进的I-ELM的动力电池S0C预测方法流程图；
[0070] 图2为本发明实施例中I-ELM网络结构示意图；
[0071] 图3为本发明实施例中I-ELM的学习步骤示意图；
[007引图4为本发明实施例中II-ELM网络结构示意图；
[007引图5为实施例一中基于改进的I-ELM的动力电池S0C预测方法流程图；
[0074] 图6为实施例一中动力电池S0C的预测误差下降曲线图；
[007引图7为本发明实施例中基于改进的I-ELM的动力电池S0C预测装置的结构图；
[0076] 图8为本发明实施例中训练模块的结构图；
[0077] 图9为本发明实施例中确定单元的结构图。
【具体实施方式】
[0078] 下面结合附图，对本发明的【具体实施方式】进行详细描述，但应当理解本发明的保 护范围并不受【具体实施方式】的限制。
[0079] 根据本发明实施例，提供了一种基于改进的I-ELM的动力电池S0C预测方法，图1 为该方法的流程图，具体包括步骤101-104 :
[0080] 步骤101:采集训练样本，该训练样本包括动力电池充放电数据和动力电池的S0C 数据。
[0081] 本发明实施例中，该训练样本即为事先确定的动力电池充放电数据和soc(即荷 电状态）数据，用于训练网络。
[0082] 步骤102 :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。
[0083] 其中，经过归一化后数据的范围是（-1,1)。上述的电池充放电电压、溫度、电流信 号作为网络输入，S0C数据作为输出。
[0084] 步骤103 :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。 上述改进的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。
[0085] 其中，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。
[0086] 具体的，I-ELM作为一种新型增量型单隐层前馈神经网络，在2006年由黄广斌提 出。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，因此具有训练参数少学习速 度快且泛化性能好的优点。
[0087] I-ELM网络结构参见图2所示，I-ELM网络有m个输入n个输出。a表示当前隐层 神经元的输入权值，是一个IXm的矩阵，它里面的元素是在范围为-1到1间随机取值的； 表示第L个隐层神经元的阔值，当是加法隐层神经元（Sigmoid)时，bL是一个-1到1间 随机取值的数字；当是径向基隐层神经元（RB巧时，K是一个0到0. 5间的随机值。给定训 练集为{(Xi,y;)}，i= 1，2,…，N(N为训练样本的个数）。其中X= [Xi,而，…，xj为mXN 的矩阵，它表示N组数据的输入；Y=切，y2,…，yj为nXN的矩阵，它表示N组数据的输 出。
[008引隐层神经元的激励函数可自己选择，本发明实施例中选择的加法隐层神经元的激 励函数为：
[0089]
[0090] 径向基隐层神经元的激励函数为：
[0091] g(X) =exp(-X)。
[0092] 设最大隐层神经元个数为M，期望误差为e，图3中期望误差取值为0.01，余差E 的初值是输出Y。隐层神经元个数L从1开始增加。
[009引 I-ELM的学习步骤参见图3所示，具体如下：
[0094] 当L《M且误差不小于期望误差时，
[0095] ①L=L+1 ;
[0096] ②随机获取当前隐层神经元的输入权值a和阔值b;
[0097] ③计算当前隐层神经元激励函数g(x)的输入X;
[009引当为加法隐层神经元：将b扩展成一个1XN的矩阵b(每列都相同），然后计算：
[0099] X=aX+b；
[0100] 当为径向基隐层神经元：将a扩展成一个NXm的矩阵（每行都相同），然后计算：
[0101] X=bXIIxT-aII。
[0102] ④计算当前的隐层输出矩阵H:
[0103] a、加法隐层神经元：H=g(x);
[0104]b、径向基隐层神经元：H=g(x)T。
[0105] ⑥然后计算出该隐层神经元的输出权值P:
[0106]
[0107] ⑧最后重新计算余差E:E' =E-PH，其中E'为重新计算的余差，并将该E'作为 新的余差E。
[010引重复上述操作，直到误差（即余差的平方平均数）小于期望误差时停止学习；若误 差仍然一直较大时，且当L〉M时停止学习，并得出隐层神经元个数及其所有权值。
[0109]最后，根据给定的测试集KXi，Yi)}，i= 1，2,…，JQ为测试样本的个数），测试训 练好的网络是否达到要求。若达到要求，则认为该I-ELM网络训练成功。
[0110]W上详细介绍了I-ELM网络的训练过程，本发明实施例提供的方法对I-ELM网络 进行了优化（本发明实施例中，将改进的I-ELM称为II-ELM，即ImprovedI-ELM)，具体如 下：
[0111] 在上述I-ELM网络训练过程的步骤⑥中，给隐层输出H加上了一个最优的偏置m: [011引具体的，当余差E= [61,62,…，eJ，I-ELM网络的隐层输出矩阵H=比i，h2,…，ig， 偏置为m时，II-ELM的隐层输出矩阵可W为M=[也+m)，0i2+m)，…，化w+m)]。其中，为 I-ELM网络的输出矩阵H=比1山，…，W中的矩阵元素，N为训练样本的样本数；需要说明 的是，也可W为增加2m或3m等，或者乘W-个与m相关的系数，其目的均是为该隐层输 出增加偏置m，本文不做详述。
[011引步骤104 :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 池充放电数据输入至改进的I-ELM网络模型中，确定动力电池的荷电状态。
[0114] 具体的，在确定网络模型参数后，由于改进的I-ELM网络模型（下文中称为II-ELM 网络模型）至少输入电池充放电的电压信号、电流信号和溫度信号，故II-ELM网络模型的 输入层至少有3个节点表示输入参数，输出层又一个节点表示憐酸铁裡动力电池的S0C的 预测结果，II-ELM网络结构参见图4所示。并将现场采集的动力电池充放电数据归一化处 理后输入至II-ELM网络模型中，并对结果进行反归一化处理，从而可W完成对憐酸铁裡动 力电池的荷电状态的预测
[0115] 优选的，步骤202中确定网络模型参数，具体包括步骤A1-A3 :
[0116]步骤A1、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；
[0117] 步骤A2、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；
[0118] 步骤A3、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