一種基于改進(jìn)的i-elm的動(dòng)力電池soc預(yù)測(cè)方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及動(dòng)力電池狀態(tài)預(yù)測(cè)技術(shù)領(lǐng)域，具體地，設(shè)及一種基于改進(jìn)的I-ELM的 動(dòng)力電池S0C預(yù)測(cè)方法及裝置。
【背景技術(shù)】
[0002] 近幾年，具有壽命長、比能量高、無環(huán)境污染、安全性好等優(yōu)點(diǎn)的憐酸鐵裡電池被 廣泛用做新能源汽車的車載能源。精確的S0C預(yù)測(cè)是憐酸鐵裡電池高效管理的關(guān)鍵技術(shù)前 提。但是由于憐酸鐵裡電池具有復(fù)雜的內(nèi)部反應(yīng)及其在運(yùn)行過程中所表現(xiàn)出來的復(fù)雜的非 線性和時(shí)變性等特征，導(dǎo)致僅靠等效電路很難準(zhǔn)確描述電池狀態(tài)的特征，它嚴(yán)重影響電池 荷電狀態(tài)（S0C)的預(yù)測(cè)精度，影響憐酸鐵裡電池利用效率和使用壽命。因此，建立精確的憐 酸鐵裡動(dòng)力電池的S0C預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)其S0C的準(zhǔn)確預(yù)測(cè)是非常必要的。
[0003] 目前，預(yù)測(cè)憐酸鐵裡電池S0C的方法主要有：安時(shí)計(jì)量法、開路電壓法、內(nèi)阻法、卡 爾曼濾波法等。運(yùn)些預(yù)測(cè)憐酸鐵裡電池S0C的方法是通過測(cè)量電池在充放電過程中的電 壓、電流、溫度、充放電倍率等數(shù)據(jù)，并通過它們與S0C的關(guān)系來預(yù)測(cè)S0C的。但是，憐酸鐵裡 電池具有復(fù)雜的內(nèi)部反應(yīng)及其在運(yùn)行過程中所表現(xiàn)出來的復(fù)雜的非線性和時(shí)變性等特征， 運(yùn)些特征表示憐酸鐵裡電池的S0C與其它參數(shù)之間具有很強(qiáng)的非線性，剩余電量也受到多 種因素的影響，從而很難實(shí)時(shí)跟蹤憐酸鐵裡電池復(fù)雜快速的內(nèi)部反應(yīng)，導(dǎo)致上述傳統(tǒng)的電 池S0C預(yù)測(cè)方法精度不高，難W滿足實(shí)際要求。由于神經(jīng)網(wǎng)絡(luò)具有能逼近多輸入輸出參數(shù) 函數(shù)的非線性映射能力、自學(xué)習(xí)自適應(yīng)能力、泛化能力、魯棒性和容錯(cuò)性等特點(diǎn)，可W準(zhǔn)確 地預(yù)測(cè)電池當(dāng)前的荷電狀態(tài)，在電池管理系統(tǒng)中具有較好的應(yīng)用前景。
[0004] 然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)如誤差反向傳播度ackPropagation,B巧神經(jīng)網(wǎng)絡(luò)具有 機(jī)理復(fù)雜、結(jié)構(gòu)選擇不一、計(jì)算量大、學(xué)習(xí)速度非常慢、過擬合、處理小樣本數(shù)據(jù)時(shí)，泛化 能力較差、數(shù)據(jù)量過大時(shí)，又容易陷入局部最小等缺點(diǎn)。而支持向量機(jī)（SuppcxrtVector Machine,SVM)在學(xué)習(xí)過程中需要人為設(shè)置核函數(shù)、誤差控制參數(shù)W及懲罰系數(shù)等參數(shù)，參 數(shù)設(shè)定復(fù)雜，并且浪費(fèi)大量時(shí)間進(jìn)行參數(shù)的調(diào)整，使其對(duì)大規(guī)模訓(xùn)練樣本難W實(shí)施，從而難 W在實(shí)際應(yīng)用中得到推廣。
[0005]I-ELM(Incremental-ExtremeLearningMachine,增強(qiáng)型極限學(xué)習(xí)機(jī)）作為一種 增量型單隱層前饋神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快、參數(shù)容易 調(diào)整且不易陷入局部最小、泛化性能好等優(yōu)點(diǎn)。它在執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán) 值W及隱層神經(jīng)元的偏置，并且產(chǎn)生唯一的最優(yōu)解，而且隨著隱層神經(jīng)元的增加網(wǎng)絡(luò)泛化 性能越來越好。但是由于其輸入權(quán)值W及隱層神經(jīng)元的偏置是隨機(jī)選取的，所W可能存在 部分隱層神經(jīng)元的輸出權(quán)值過小，使其對(duì)網(wǎng)絡(luò)輸出貢獻(xiàn)很小，存在無效神經(jīng)元的問題，它不 但使網(wǎng)絡(luò)變得更復(fù)雜，而且降低了網(wǎng)絡(luò)的穩(wěn)定性。
[0006] 現(xiàn)今，由于憐酸鐵裡電池具有復(fù)雜的內(nèi)部反應(yīng)及其在運(yùn)行過程中所表現(xiàn)出來的復(fù) 雜的非線性和時(shí)變性等特征使得用安時(shí)計(jì)量法、開路電壓法、內(nèi)阻法、卡爾曼濾波法等對(duì)憐 酸鐵裡動(dòng)力電池的S0C預(yù)測(cè)建模，憐酸鐵裡電池的S0C預(yù)測(cè)精度不高，難W滿足實(shí)際要求。 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)如誤差反向傳播度ackPropagation,B巧神經(jīng)網(wǎng)絡(luò)具有機(jī)理復(fù)雜、結(jié)構(gòu)選 擇不一、計(jì)算量大、學(xué)習(xí)速度非常慢、過擬合、處理小樣本數(shù)據(jù)時(shí)，泛化能力較差、數(shù)據(jù)量過 大時(shí)，又容易陷入局部最小等缺點(diǎn)，而支持向量機(jī)對(duì)大規(guī)模訓(xùn)練樣本難W實(shí)施，從而難W在 實(shí)際的憐酸鐵裡動(dòng)力電池的S0C預(yù)測(cè)建模中得到推廣。I-ELM在對(duì)憐酸鐵裡動(dòng)力電池的S0C 預(yù)測(cè)建模時(shí)，由于其輸入權(quán)值W及隱層神經(jīng)元的偏置是隨機(jī)選取的，所W可能存在部分隱 層神經(jīng)元的輸出權(quán)值過小，使其對(duì)網(wǎng)絡(luò)輸出貢獻(xiàn)很小，存在無效神經(jīng)元的問題，它不但使網(wǎng) 絡(luò)變得更復(fù)雜，而且降低了網(wǎng)絡(luò)的穩(wěn)定性。
【發(fā)明內(nèi)容】
[0007] 本發(fā)明是為了克服現(xiàn)有技術(shù)中憐酸鐵裡動(dòng)力電池的S0C難W預(yù)測(cè)的缺陷，根據(jù)本 發(fā)明的一個(gè)方面，提出一種基于改進(jìn)的I-ELM的動(dòng)力電池S0C預(yù)測(cè)方法。
[0008] 本發(fā)明實(shí)施例提供一種基于改進(jìn)的I-ELM的動(dòng)力電池S0C預(yù)測(cè)方法，包括：
[0009] 采集訓(xùn)練樣本，訓(xùn)練樣本包括動(dòng)力電池充放電數(shù)據(jù)和動(dòng)力電池的S0C數(shù)據(jù)，并對(duì) 動(dòng)力電池充放電數(shù)據(jù)和S0C數(shù)據(jù)進(jìn)行歸一化處理，動(dòng)力電池充放電數(shù)據(jù)包括電壓信號(hào)、電 流信號(hào)和溫度信號(hào)；
[0010] 將訓(xùn)練樣本輸入到改進(jìn)的I-ELM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，確定網(wǎng)絡(luò)模型參數(shù)；改進(jìn)的 I-ELM網(wǎng)絡(luò)為在I-ELM網(wǎng)絡(luò)的基礎(chǔ)上為隱層輸出矩陣增加偏置的網(wǎng)絡(luò)，網(wǎng)絡(luò)模型參數(shù)包括 輸入權(quán)值、隱層神經(jīng)元的闊值、隱層輸出矩陣的偏置和輸出權(quán)值；
[0011] 根據(jù)網(wǎng)絡(luò)模型參數(shù)建立改進(jìn)的I-ELM網(wǎng)絡(luò)模型，并將現(xiàn)場采集的動(dòng)力電池充放電 數(shù)據(jù)進(jìn)行歸一化處理后輸入至改進(jìn)的I-ELM網(wǎng)絡(luò)模型中，確定動(dòng)力電池的荷電狀態(tài)。
[0012] 在上述技術(shù)方案中，確定網(wǎng)絡(luò)模型參數(shù)，包括：
[0013] 隨機(jī)獲取隱層神經(jīng)元的輸入權(quán)值和闊值，并確定隱層神經(jīng)元的激勵(lì)函數(shù)；
[0014] 根據(jù)隱層神經(jīng)元的輸入權(quán)值、闊值和激勵(lì)函數(shù)確定當(dāng)前的隱層輸出矩陣，并為隱 層輸出矩陣增加偏置，進(jìn)而確定輸出權(quán)值；
[0015] 計(jì)算余差和誤差，余差的初始值與歸一化處理后的S0C數(shù)據(jù)相對(duì)應(yīng)，誤差為余差 的平方平均數(shù)；當(dāng)誤差不小于期望誤差時(shí)，增加一個(gè)隱層神經(jīng)元并訓(xùn)練增加的隱層神經(jīng)元， 直至誤差小于期望誤差。
[0016] 在上述技術(shù)方案中，當(dāng)隱層神經(jīng)元為加法隱層神經(jīng)元時(shí)，隱層神經(jīng)元的激勵(lì)函數(shù) 為：
[0017]
[0018] 當(dāng)隱層神經(jīng)元為徑向基隱層神經(jīng)元時(shí)，隱層神經(jīng)元的激勵(lì)函數(shù)為：
[0019]g(X) =exp(-X)。
[0020] 在上述技術(shù)方案中，為隱層輸出矩陣增加偏置，進(jìn)而確定輸出權(quán)值，包括：
[0021] 選取偏置m，隱層輸出矩陣M=[也+m)，0i2+m)，…，化N+m)]，其中，為I-ELM網(wǎng) 絡(luò)的輸出矩陣H=比1，hz，…，hj中的矩陣元素，N為訓(xùn)練樣本的樣本數(shù)；
[0022] 根據(jù)隱層輸出矩陣M和余差E確定輸出權(quán)值k，輸出權(quán)值為：
[0023]
[0024] 計(jì)算余差，包括：
[00巧]余差為E' =E-kX(m+H)，其中，E'為本輪計(jì)算重新確定的余差。
[0026] 在上述技術(shù)方案中，選取偏置m，包括：
[0027] 根據(jù)余差E和I-ELM網(wǎng)絡(luò)的輸出矩陣H確定S個(gè)參數(shù)Cl,C2,C3,其中，
[0029] 當(dāng)Cl聲0時(shí)，確定兩個(gè)偏置：
[0030]
[0031] 并在兩個(gè)偏置中選取使誤差Z'較小的一個(gè)偏置作為最終確定的偏置；
[00礎(chǔ)其中，誤差Z'為：
[0033]
； 為余差E=[e1，62,…，ej中的余差 兀素；
[0034] 當(dāng)Ci=0、C2聲 0 且
[003引當(dāng)Cl=0、C2聲0且
計(jì)，隱層神經(jīng)元無效，重新訓(xùn)練隱層神經(jīng)元；
[0036]當(dāng)Ci= 0、C2= 0 時(shí)，偏置為m= 0。
[0037] 基于同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例提供一種基于改進(jìn)的I-ELM的動(dòng)力電池S0C 預(yù)測(cè)裝置，包括：
[003引采集模塊，用于采集訓(xùn)練樣本，訓(xùn)練樣本包括動(dòng)力電池充放電數(shù)據(jù)和動(dòng)力電池的S0C數(shù)據(jù)，并對(duì)動(dòng)力電池充放電數(shù)據(jù)和S0C數(shù)據(jù)進(jìn)行歸一化處理，動(dòng)力電池充放電數(shù)據(jù)包括 電壓信號(hào)、電流信號(hào)和溫度信號(hào)；
[0039]訓(xùn)練模塊，用于將訓(xùn)練樣本輸入到改進(jìn)的I-ELM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，確定網(wǎng)絡(luò)模型 參數(shù)；改進(jìn)的I-ELM網(wǎng)絡(luò)為在I-ELM網(wǎng)絡(luò)的基礎(chǔ)上為隱層輸出矩陣增加偏置的網(wǎng)絡(luò)，網(wǎng)絡(luò)模 型參數(shù)包括輸入權(quán)值、隱層神經(jīng)元的闊值、隱層輸出矩陣的偏置和輸出權(quán)值；
[0040] 處理模塊，用于根據(jù)網(wǎng)絡(luò)模型參數(shù)建立改進(jìn)的I-ELM網(wǎng)絡(luò)模型，并將現(xiàn)場采集的 動(dòng)力電池充放電數(shù)據(jù)進(jìn)行歸一化處理后輸入至改進(jìn)的I-ELM網(wǎng)絡(luò)模型中，確定動(dòng)力電池的 荷電狀態(tài)。
[0041] 在上述技術(shù)方案中，訓(xùn)練模塊包括：
[0042] 獲取單元，用于隨機(jī)獲取隱層神經(jīng)元的輸入權(quán)值和闊值，并確定隱層神經(jīng)元的激 勵(lì)函數(shù)；
[0043] 確定單元，用于根據(jù)隱層神經(jīng)元的輸入權(quán)值、闊值和激勵(lì)函數(shù)確定當(dāng)前的隱層輸 出矩陣，并為隱層輸出矩陣增加偏置，進(jìn)而確定輸出權(quán)值；
[0044] 計(jì)算單元，用于計(jì)算余差和誤差，余差的初始值與歸一化處理后的S0C數(shù)據(jù)相對(duì) 應(yīng)，誤差為余差的平方平均數(shù)；當(dāng)誤差不小于期望誤差時(shí)，增加一個(gè)隱層神經(jīng)元并訓(xùn)練增加 的隱層神經(jīng)元，直至誤差小于期望誤差。
[0045] 在上述技術(shù)方案中，當(dāng)隱層神經(jīng)元為加法隱層神經(jīng)元時(shí)，隱層神經(jīng)元的激勵(lì)函數(shù) 為：
[0046]
[0047] 當(dāng)隱層神經(jīng)元為徑向基隱層神經(jīng)元時(shí)，隱層神經(jīng)元的激勵(lì)函數(shù)為：
[0048] g(X)=exp(-X)。
[0049] 在上述技術(shù)方案中，確定單元包括：
[0050] 選取子單元，用于選取偏置m，隱層輸出矩陣M=[化i+m)，化2+m),…，化w+m)]，其 中，為I-ELM網(wǎng)絡(luò)的輸出矩陣H=比i，h2,…，W中的矩陣元素，N為訓(xùn)練樣本的樣本數(shù)；
[0051] 確定子單元，用于根據(jù)隱層輸出矩陣M和余差E確定輸出權(quán)值k，輸出權(quán)值為：
[0052]
[0053]計(jì)算單元具體用于：計(jì)算余差，余差為E' =E-kX