基于大数据和bp神经网络的锂离子电池SOC预测方法与流程

本发明涉及电池管理技术领域，更具体的，涉及一种基于大数据和bp神经网络的锂离子电池SOC预测方法。

背景技术：

由于能源的匮乏以及环境问题越来越严重，电动汽车取代化石燃料汽车已经成为主要趋势。而锂离子锂电池是新能源汽车的核心动力部件。为了保证电池性能良好，延长使用寿命，就需要对电池进行有效的管理，前提是必须准确而又可靠地得知电池的荷电状态(state of charge，SOC)。SOC为电池内部特性无法直接对其进行测量，只能通过对其电压、电流、温度、内阻、电容等一些直接测量的外部特性参数预测得到。

目前常用的电池SOC预测方法有传统模型方法和智能方法。传统模型的方法在电化学反应的基础上建立电池等效电路模型，最终得预测精度依赖模型的准确性，而在实际应用中电池的模型难以建立。智能方法主要包括神经网络、支持向量机等。由于锂离子电池的非线性特点以及建模困难，这些智能方法的优点就是解决非线性建模的困难，提高预测精度高，BP神经网络在小样本、非线性问题具有较高的预测精度，随着数据量的增加，却忽略电池数据本身的特性。电池的外部特性参数种类很多，随着电动汽车越来越多，电池所产生的数据量也在不断增加，大多数利用神经网络对电池SOC预测都是选择三个电池外部特性参数的输入，而随着大数据的趋势下，影响电池外部特性参数不只有电流、电压、温度，还应该需要考虑内阻和电容对电池SOC估算，这种预测并不能在实际中得到很好应用。

针对以上问题，本发明提出一种基于大数据技术和bp神经网络相结合的方法，在实际预测中并不是将所有参数都用于预测，就能获得较好的预测结果，预测输入会出现多种组合，比如(电流，电压，电容)、(电流，电压，温度，内阻)、(电流，电压，电容，内阻)等等，不同的组合可能得出的预测效果也有差别，那么预测的精度也一样，所以最好的输入组合有待确定。

技术实现要素：

本发明为克服现有的电池SOC预测方法应用时存在需要将所有参数都用于预测，无法很好地得到实际应用的技术缺陷，提供一种基于大数据和bp神经网络的锂离子电池SOC预测方法。

为解决上述技术问题，本发明的技术方案如下：

基于大数据和bp神经网络的锂离子电池SOC预测方法，包括以下步骤：

S1：实时采集大量的电池外部特征参数，根据电池外部特征参数和SOC的真实值建立电池SOC大数据的数据集；

S2：根据电池SOC大数据的数据集，建立不同参数输入、输出样本的训练集和测试集；

S3：构建不同输入参数和输出参数的多重bp神经网络预测模型；

S4：将电池SOC大数据的数据集分别放入不同参数的bp神经网络预测模型中，对模型进行预测和误差分析，得到测量精度；

S5：根据不同参数的bp神经网络预测模型所得到的测量精度进行分析，得到精度最高的一组，进而确定最优解，得到预测结果。

其中，在所述步骤S1中，所述的电池外部特征参数包括电压U、电流I、温度T、电容C、内阻R以及电池SOC的真实值；将电池外部特征参数进行归一化处理，使电池外部特征参数和电池SOC的真实值处于(0，1)之间。

其中，步骤S2中所述的不同参数输入、输出样本的训练集和测试集为16重数据集，具体为：

一：电流、电压、温度；二：电流、电压、内阻；三：电流、电压、电容；四：电流、电容、内阻；五：电流、温度、内阻；六：电压、电容、内阻；七：电压、电容、温度；八：温度、电容、内阻；九：温度、内阻、电压；十：温度、电容、电压；十一：内阻、电容、电流、电压；十二：电压、温度、电容、内阻；十三：电流、温度、电容、内阻；十四：电流、电压、温度、电容；十五：电流、电压、温度、内阻；十六：电流、电压、温度、内阻、电容。

其中，步骤S3中所述的多重bp神经网络预测模型为三层结构，包括输入层、激活层和输出层，其中：

所述输入层包括输入向量，即步骤S2中所述的数据集，具体表示为：

X＝(T,U,I,R,C)^T；

所述激活层上的激活函数用于根据输入向量的到电池SOC值，具体计算

公式为：

其中，y表示电池SOC值，x表示输入向量；

通过激活层得到的电池SOC值共同构成了输出层的输出向量。

其中，步骤S3中所述的多重bp神经网络预测模型为并行分布的bp神经网络预测模型，即有多个输入节点，bp神经网络通过多个输入节点并行决策出输入权重，保证与单个的bp神经网络决策的输出权重一致。

其中，所述步骤S4的过程具体为：

S41：将所述步骤S2中16重数据集的训练集放入并行分布的bp神经网络预测模型中训练，得到训练后的多个不同的并行分布bp神经网络预测模型；

S42：将输入样本的测试集分别放入不同的并行分布bp神经网络预测模型进行测试，得到不同的输入电池SOC的预测值；

S43：将输入电池SOC的预测值于样本输出的测试集中SOC真实值进行误差分析，其中包括均方误差、平均绝对误差，其中均方差MSE越小预测的精度越高，平均绝对误差更好反映出SOC预测误差的实际情况，从而确定测量精度。

其中，所述的均方误差具体计算公式为：

所述的平均绝对误差具体计算公式为：

其中，Ot表示电池SOC的真实值，Pt表示电池SOC的预测值。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的一种基于大数据和bp神经网络的锂离子电池SOC预测方法，通过建立大数据集将获取得到的大量电池外部特性参数进行整合，形成SOC预测的大数据集，以便于后期对数据进行有效的挖掘，保证预测精度；通过分布bp神经网络预测模型对电池外部参数对电池进行SOC精确预测，具有较高的精度，尤其在大数据下，电池外部参数不断变化，该方法依然能准确的预测电池SOC的值，具有很高的使用性，可在实际中得到广泛应用。

附图说明

图1为本发明的方法流程图；

图2为本发明图多重bp神经网络预测模型示意图；

图3为本发明电池SOC预测的bp神经网络结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，基于大数据和bp神经网络的锂离子电池SOC预测方法，包括以下步骤：

S1：实时采集大量的电池外部特征参数，根据电池外部特征参数和SOC的真实值建立电池SOC大数据的数据集；

S2：根据电池SOC大数据的数据集，建立不同参数输入、输出样本的训练集和测试集；

S3：构建不同输入参数和输出参数的多重bp神经网络预测模型；

S4：将电池SOC大数据的数据集分别放入不同参数的bp神经网络预测模型中，对模型进行预测和误差分析，得到测量精度；

S5：根据不同参数的bp神经网络预测模型所得到的测量精度进行分析，得到精度最高的一组，进而确定最优解，得到预测结果。

更具体的，在所述步骤S1中，所述的电池外部特征参数包括电压U、电流I、温度T、电容C、内阻R以及电池SOC的真实值；将电池外部特征参数进行归一化处理，使电池外部特征参数和电池SOC的真实值处于(0，1)之间。

更具体的，如图2所示，所述步骤S2中所述的不同参数输入、输出样本的训练集和测试集为16重数据集，具体为：

一：电流、电压、温度；二：电流、电压、内阻；三：电流、电压、电容；四：电流、电容、内阻；五：电流、温度、内阻；六：电压、电容、内阻；七：电压、电容、温度；八：温度、电容、内阻；九：温度、内阻、电压；十：温度、电容、电压；十一：内阻、电容、电流、电压；十二：电压、温度、电容、内阻；十三：电流、温度、电容、内阻；十四：电流、电压、温度、电容；十五：电流、电压、温度、内阻；十六：电流、电压、温度、内阻、电容。

更具体的，如图3所示，步骤S3中所述的多重bp神经网络预测模型为三层结构，包括输入层、激活层和输出层，其中：

所述输入层包括输入向量，即步骤S2中所述的数据集，具体表示为：

X＝(T,U,I,R,C)^T；

所述激活层上的激活函数用于根据输入向量的到电池SOC值，具体计算公式为：

其中，y表示电池SOC值，x表示输入向量；

通过激活层得到的电池SOC值共同构成了输出层的输出向量。

更具体的，步骤S3中所述的多重bp神经网络预测模型为并行分布的bp神经网络预测模型，即有多个输入节点，bp神经网络通过多个输入节点并行决策出输入权重，保证与单个的bp神经网络决策的输出权重一致。

在具体实施过程中，所述多个输入节点包括三个输入节点、四个输入节点和五个输入节点，并行分布的bp神经网络预测模型可以选择多个输入节点并行决策输入权重，同时还可以保证与单个的bp神经网络决策的输出权重一致。bp神经网络预测模型是将多个单体的bp神经网络并联，有利于对电池外部参数大数据进行快速数据挖掘，通过分析比较预测值，能快速有效地找到SOC与电池外部参数的关系。

更具体的，所述步骤S4的过程具体为：

S41：将所述步骤S2中16重数据集的训练集放入并行分布的bp神经网络预测模型中训练，得到训练后的多个不同的并行分布bp神经网络预测模型；

S42：将输入样本的测试集分别放入不同的并行分布bp神经网络预测模型进行测试，得到不同的输入电池SOC的预测值；

S43：将输入电池SOC的预测值于样本输出的测试集中SOC真实值进行误差分析，其中包括均方误差、平均绝对误差，其中均方差MSE越小预测的精度越高，平均绝对误差更好反映出SOC预测误差的实际情况，从而确定测量精度。

其中，所述的均方误差具体计算公式为：

所述的平均绝对误差具体计算公式为：

其中，Ot表示电池SOC的真实值，Pt表示电池SOC的预测值。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。