电动汽车电池荷电状态的预测方法与流程

1.本技术涉及电动汽车技术领域，具体涉及一种电动汽车电池荷电状态的预测方法。


背景技术：

2.电动汽车电池soc(state of charge，荷电状态)的精确预测具有复杂性。电动汽车的续航里程同时受到电池本身状态、驾驶员水平、交通路况等多方面因素的影响，因此准确地预测电池的荷电状态对于在当前技术水平条件下有效地指导驾驶员提高续航里程有着非常重要的作用。提高对电动汽车电池荷电状态的预测准确性是当前待解决的问题。


技术实现要素：

3.本技术的目的是提供一种电动汽车电池荷电状态的预测方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
4.根据本技术实施例的一个方面，提供一种电动汽车电池荷电状态的预测方法，包括：
5.第n次获取所述电动汽车电池的当前状态数据；其中n≥1；
6.当n＝1时，根据第一次获取的当前状态数据，采用预先训练完成的第一人工神经网络第一次预测所述电动汽车电池当前的表现能力；
7.根据第一次获取的当前状态数据，第一次判断所述电动汽车电池的当前状态；
8.根据第一次判断得到的当前状态，采用预先训练完成的人工神经网络预测所述电动汽车电池当前的潜在能力；
9.当n≥2时，根据第n次所获取的当前状态数据、第n
‑
1次预测得到的所述电动汽车电池的放电潜在能力和充电潜在能力，采用预先训练完成的第一人工神经网络预测所述电动汽车电池当前的表现能力；
10.根据所述第n次所获取的当前状态数据，判断所述电动汽车电池的当前状态；
11.根据所述电动汽车电池的当前状态以及第n
‑
1次预测得到的所述表现能力，采用预先训练完成的人工神经网络预测所述电动汽车电池当前的潜在能力；
12.根据所述电动汽车电池当前的表现能力和潜在能力，预测所述电动汽车电池当前的荷电状态；
13.在未达到预设停止条件时更新n的值，转向所述第n次获取所述电动汽车电池的当前状态数据，直至达到预设停止条件时停止。
14.在本技术的一些实施例中，所述潜在能力包括放电潜在能力和充电潜在能力。
15.在本技术的一些实施例中，所述根据第一次判断得到的当前状态，采用预先训练完成的人工神经网络预测所述电动汽车电池当前的潜在能力，包括：
16.若所述第一次判断得到的当前状态为当前处于放电状态，则通过所述预先训练完成的第二人工神经网络预测所述电动汽车电池的放电潜在能力；
17.若所述第一次判断得到的当前状态为当前处于充电状态，则通过所述预先训练完成的第三人工神经网络预测所述电动汽车电池的充电潜在能力。
18.在本技术的一些实施例中，所述根据所述电动汽车电池的当前状态以及第n
‑
1次预测得到的所述表现能力，采用预先训练完成的人工神经网络预测所述电动汽车电池当前的潜在能力，包括：
19.若所述电动汽车电池的当前状态为当前处于放电状态，则根据所述第n
‑
1次预测得到的所述表现能力，通过所述预先训练完成的第二人工神经网络预测所述电动汽车电池的放电潜在能力；
20.若所述电动汽车电池的当前状态为当前处于充电状态，则根据所述第n
‑
1次预测得到的所述表现能力，通过所述预先训练完成的第三人工神经网络预测所述电动汽车电池的充电潜在能力。
21.在本技术的一些实施例中，所述获取电动汽车电池的当前状态数据，包括：
22.采集所述电动汽车电池当前的状态参数数据；所述状态参数数据包括电压、电流、消耗的电量和温度；
23.对所述状态参数数据进行归一化处理，得到所述当前状态数据。
24.在本技术的一些实施例中，所述预先训练完成的第一人工神经网络的输入包括所述电压的变化率以及所述温度的变化率。
25.在本技术的一些实施例中，在所述获取电动汽车电池的当前状态数据之前，所述方法还包括：
26.采用不同放电倍率情况下的电动汽车电池数据训练第一人工神经网络得到所述预先训练完成的第一人工神经网络。
27.在本技术的一些实施例中，在所述获取电动汽车电池的当前状态数据之前，所述方法还包括：
28.分别采用不同循环寿命下的电动汽车电池测试数据训练第二人工神经网络和第三人工神经网络得到所述预先训练完成的第二人工神经网络以及所述预先训练完成的第三人工神经网络。
29.在本技术的一些实施例中，将所述电动汽车电池替换为电动汽车电池等效电路模型，以预测所述电动汽车电池等效电路模型得到的荷电状态作为所述电动汽车电池的荷电状态。
30.根据本技术实施例的另一个方面，提供一种电动汽车电池等效电路模型，用于实现上述的方法；所述电动汽车电池等效电路模型包括电源、第一电阻、第二电阻、第三电阻、第四电阻、第一电容、第二电容、第三电容、第一二极管、第二二极管、正向输出端和负向输出端；其中，所述第一电容、所述第二电容、所述第三电容均为有极性电容；所述电源的正极与所述第三电容的负极相连接，所述第三电容的正极分别与所述第一电阻的第一端和所述第二电阻的第一端相连接，所述第一电阻的第二端与所述第一二极管的正极相连接，所述第二电阻的第二端与所述第二二极管的负极相连接，所述第一二极管的负极和所述第二二极管的正极分别与所述正向输出端相连接；所述电源的负极、所述第三电阻、所述第四电阻
和所述负向输出端依次连接；所述第一电容与所述第三电阻并联，所述第一电容的正极与所述电源的负极相连接；所述第二电容与所述第四电阻并联，所述第二电容的负极与所述负向输出端相连接。
31.本技术实施例的其中一个方面提供的技术方案可以包括以下有益效果：
32.本技术实施例提供的电动汽车电池荷电状态的预测方法，采用人工神经网络预测电动汽车电池的表现能力和潜在能力，根据表现能力和潜在能力预测电动汽车电池的荷电状态，大大提高了对电动汽车电池的荷电状态的预测准确性，确保电动汽车电池在整个寿命周期中都能够获得一个准确的荷电状态预测结果。
33.本技术的其他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，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
34.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1示出了本技术的一个实施例的电动汽车电池荷电状态的预测方法流程图；
36.图2示出了本技术的一个实施例的电动汽车电池等效电路模型电路图；
37.图3示出了本技术的一个实施例中的电池等效模型的验证仿真模型示意图；
38.图4示出了本技术的一个实施例中的电池脉冲放电过程的仿真结果；
39.图5示出了本技术的一个实施例中的平行控制的工作方式示意图；
40.图6示出了本技术的一个实施例中的电池剩余容量的预测流程图；
41.图7示出了本技术的一个实施例中的电池soc预测算法的示意图；
42.图8示出了本技术的一个实施例中的电池恒流放电测试数据下的soc预测结果；
43.图9示出了本技术的一个实施例中的国标模态工况速度变化曲线；
44.图10示出了本技术的一个实施例中的国标模态工况下的avl cruise计算结果；
45.图11示出了本技术的一个实施例中的国标模态工况标准电池数据下的soc预测结果；
46.图12示出了本技术的一个实施例中的ftp75工况速度变化曲线；
47.图13示出了本技术的一个实施例中的单次ftp75工况下的avl cruise计算结果；
48.图14示出了本技术的一个实施例中的单次ftp75工况标准电池数据下的soc预测结果。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本技术做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提
下所获得的所有其他实施例，都属于本技术保护的范围。
50.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
51.由于电池所能放出的容量受到放电率、电池温度、充放电循环次数等很多因素的影响，因此电池的soc计算应该充分地考虑这些因素的影响。对于电动汽车的电池soc预测来说，其主要的影响因素有以下两点：
52.(1)电池本身的影响
53.电池的寿命实际上决定了电池的实际电量，该参数受到了电池的循环次数、工作环境、放电深度等因素的影响，这些类似的状态变量会决定电池能放出的总电量多少，确定电池总电量才能够准确地求出电池的剩余电量。另外，对于同一型号的电池来说，不同的电池包之内和电池组之间都会存在一致性的问题，也就是说对于某一电池的等效参数不一定适用于另一组电池，所以对每个特定的电池在预测时都需要修正其状态的参数。
54.(2)电池使用方式的影响
55.电池使用方式导致放电能力的变化不仅由电池不同的放电倍率决定，还因为再生制动技术的存在使得电池在电动汽车的使用过程中不单只包括放电过程。电池的充放电化学反应互为逆过程，而在此过程中副反应生成的产物并不相同，因此决定了充放电不同状态下电池在电路中表现出了不同的特性，后文中根据实际电池的测试数据计算也证明了这一结论。因此需要将电动汽车上的电池分别对充放电状态下进行考虑，才能够精确地模拟电池的实际情况。
56.在实际过程中，soc的预测结果误差来源通常可以分为老化引起的误差、使用方式引起的误差和测量引起的误差。测量的误差由于传感器等设备的测量精度造成的，属于不可避免的误差；而电池本身的误差和使用方式的误差则是在预测过程中需要考虑进行修正的关键。根据以上分析，本技术实施例设计了基于平行模型的跟踪预测soc的算法，对产生误差的主要原因进行了修正，提高了预测精度。
57.电动汽车的电池目前使用最多电池类型是锂离子电池，锂离子电池的模型针对不同的研究内容可以有多种不同的建模方式。就电池soc预测的内容而言，采用电池的等效电路模型不仅可以等效电池的工作原理，还能够通过电路参数的变化反应电池的本身的状态情况，有利于预测计算过程对误差的消除。
58.参考图1所示，本技术的一个实施例提供了一种电动汽车电池荷电状态的预测方法1，包括以下步骤：
59.第n次获取电动汽车电池的当前状态数据；其中n≥1；
60.当n＝1时，根据第一次获取的当前状态数据，采用预先训练完成的第一人工神经网络第一次预测电动汽车电池当前的表现能力；
61.根据第一次获取的当前状态数据，第一次判断电动汽车电池的当前状态；
62.根据第一次判断得到的当前状态，采用预先训练完成的人工神经网络预测电动汽车电池当前的潜在能力；
63.当n≥2时，根据第n次所获取的当前状态数据、第n
‑
1次预测得到的电动汽车电池的放电潜在能力和充电潜在能力，采用预先训练完成的第一人工神经网络预测电动汽车电池当前的表现能力；
64.根据第n次所获取的当前状态数据，判断电动汽车电池的当前状态；
65.根据电动汽车电池的当前状态以及第n
‑
1次预测得到的表现能力，采用预先训练完成的人工神经网络预测电动汽车电池当前的潜在能力；
66.根据电动汽车电池当前的表现能力和潜在能力，预测电动汽车电池当前的荷电状态；
67.在未达到预设停止条件时更新n的值，转向上述第n次获取电动汽车电池的当前状态数据，直至达到预设停止条件时停止。预设停止条件例如可以为预测得到的电动汽车电池当前的荷电状态达到某一预设阈值等。
68.在某些实施方式中，潜在能力包括放电潜在能力和充电潜在能力。
69.根据第一次判断得到的当前状态，采用预先训练完成的人工神经网络预测电动汽车电池当前的潜在能力，包括：
70.若第一次判断得到的当前状态为当前处于放电状态，则通过预先训练完成的第二人工神经网络预测电动汽车电池的放电潜在能力；
71.若第一次判断得到的当前状态为当前处于充电状态，则通过预先训练完成的第三人工神经网络预测电动汽车电池的充电潜在能力。
72.根据电动汽车电池的当前状态以及第n
‑
1次预测得到的表现能力，采用预先训练完成的人工神经网络预测电动汽车电池当前的潜在能力，包括：
73.若电动汽车电池的当前状态为当前处于放电状态，则根据第n
‑
1次预测得到的表现能力，通过预先训练完成的第二人工神经网络预测电动汽车电池的放电潜在能力；
74.若电动汽车电池的当前状态为当前处于充电状态，则根据第n
‑
1次预测得到的表现能力，通过预先训练完成的第三人工神经网络预测电动汽车电池的充电潜在能力。
75.获取电动汽车电池的当前状态数据，包括：
76.采集电动汽车电池当前的状态参数数据；状态参数数据包括电压、电流、消耗的电量和温度；
77.对状态参数数据进行归一化处理，得到当前状态数据。
78.预先训练完成的第一人工神经网络的输入包括电压的变化率以及温度的变化率。
79.在获取电动汽车电池的当前状态数据之前，方法还包括：
80.采用不同放电倍率情况下的电动汽车电池数据训练第一人工神经网络得到预先训练完成的第一人工神经网络。
81.在获取电动汽车电池的当前状态数据之前，方法还包括：
82.分别采用不同循环寿命下的电动汽车电池测试数据训练第二人工神经网络和第三人工神经网络得到预先训练完成的第二人工神经网络以及预先训练完成的第三人工神经网络。
83.本技术的另一个实施例提供了一种电动汽车电池荷电状态的预测方法2，在方法1的基础上，将电动汽车电池替换为电动汽车电池等效电路模型，以预测电动汽车电池等效电路模型得到的荷电状态作为电动汽车电池的荷电状态。
84.本技术的另一个实施例提供了一种电动汽车电池等效电路模型，用于实现一种电动汽车电池荷电状态的预测方法2；电动汽车电池等效电路模型包括电源、第一电阻、第二电阻、第三电阻、第四电阻、第一电容、第二电容、第三电容、第一二极管、第二二极管、正向输出端和负向输出端；其中，第一电容、第二电容、第三电容均为有极性电容；电源的正极与第三电容的负极相连接，第三电容的正极分别与第一电阻的第一端和第二电阻的第一端相连接，第一电阻的第二端与第一二极管的正极相连接，第二电阻的第二端与第二二极管的负极相连接，第一二极管的负极和第二二极管的正极分别与正向输出端相连接；电源的负极、第三电阻、第四电阻和负向输出端依次连接；第一电容与第三电阻并联，第一电容的正极与电源的负极相连接；第二电容与第四电阻并联，第二电容的负极与负向输出端相连接。
85.在本技术的另一个实施例中，针对电池soc预测的等效电路建模，由于采用了平行模型的方式，因此要求等效模型要能够尽可能的逼近实际情况，需要模型具有良好的稳态特性和动态响应。同时由于电动汽车基本都具备再生制动这一功能的情况下，对于电池的模型要求其能够体现出电池充电和放电的两个不同的过程。如图2所示，本技术的一个实施例所提供的电动汽车电池等效电路模型，包括电源u
oc
、第一电阻r
ind
、第二电阻r
inc
、第三电阻r
p1
、第四电阻r
p2
、第一电容c
p1
、第二电容c
p2
、第三电容c
b
、第一二极管d1、第二二极管d2、正向输出端out1和负向输出端out2；其中，第一电容c
p1
、第二电容c
p2
、第三电容c
b
均为有极性电容；电源u
oc
的正极与第三电容c
b
的负极相连接，第三电容c
b
的正极分别与第一电阻r
ind
的第一端和第二电阻r
inc
的第一端相连接，第一电阻r
ind
的第二端与第一二极管d1的正极相连接，第二电阻r
inc
的第二端与第二二极管d2的负极相连接，第一二极管d1的负极和第二二极管d2的正极分别与正向输出端out1相连接；电源u
oc
的负极、第三电阻r
p1
、第四电阻r
p2
和负向输出端out2依次连接；第一电容c
p1
与第三电阻r
p1
并联，第一电容c
p1
的正极与电源u
oc
的负极相连接；第二电容c
p2
与第四电阻r
p2
并联，第二电容c
p2
的负极与负向输出端out2相连接。
86.如图2所示，由于锂离子电池的自放电情况相对较小，在使用过程中的自放电可以忽略，所以在模型中取消了模拟自放电情况的电阻。根据参数辨识可知，由于电池的充放电过程发生了不同的电化学反应，因此无论是电池的欧姆内阻、储能电容、极化内阻还是极化电容，在相同soc的情况下充放电的参数都存在一定的误差，因此需要考虑电池参数的时候需要区分充放电状态。
87.在确定了等效模型之后，需要对等效模型内部的电路参数进行辨识，根据《freedomcar battery test manual for power
‑
assist hybrid electric vehicles》中测试电池充放电性能实验的规定，一般采用hppc(hybrid pulse power characteristic，混合动力脉冲能力特性)的测试方法进行电池试验。hppc试验一般采用arbin bt2000、neware bts4000等专用电池检测设备完成。由于电池的性能受温度的影响较大，需要在恒温的环境下进行试验(通常设计环境温度为26℃)，其试验流程分为容量测试部分和脉冲能力测试部分，根据测试数据的结果就能够对等效电路中的参数进行计算。
88.根据某型号锂离子电池的hppc测试数据进行参数辨识，电池额定电压为3.7v，额定容量63ah，额定电流63a，测试环境温度设定在26℃。下表展示了对放电脉冲过程的拟合结果。
89.表1改进gnl模型的拟合参数(放电)
[0090][0091]
根据充放电不通情况下的参数辨识结果，可以采用电路仿真的方式验证是否正确。在matlab/simulink环境中搭建的仿真电路如图3所示。
[0092]
以放电脉冲过程的拟合结果为例，仿真结果如图4所示。
[0093]
从图4上可以看到在放电脉冲阶段的仿真曲线和实际测试曲线的基本一致，可以证明等效模型和辨识的参数能够反应电池的真实物理情况。基于以上模型，就可以进一步研究电动汽车电池soc的预测方法。
[0094]
基于平行模型的soc预测方法
[0095]
平行模型是应用在平行控制系统里面描述实际过程的模型。平行控制指的是通过虚实互动的方式来完成任务的一种控制方法，是在大数据和数据驱动的基础上迈向计算控制科学的一种途径。平行控制基于acp方法而实现，所谓的acp，是指人工社会(artificial societies)、计算实验(computational experiments)、平行执行(parallel execution)三者的有机结合。本质上acp的核心就是把复杂系统“虚”的和“软”的部分建立起来，通过可定量、可实施的计算化、实时化，使之“硬化”，真正的用于解决实际的复杂问题。平行控制的核心思想为：针对复杂系统，构造其实际系统与人工系统并行互动的平行系统，目标是使实际系统趋向人工系统，而非人工系统逼近实际系统，进而借助人工系统使复杂问题简单化，以此实现复杂系统的控制和管理。平行控制的工作方式示意图如图5所示。本质上，平行控制的内容是一种知识自动化的体现。这种控制的方法实现了实体世界和虚体世界的相互反馈，交互运行。
[0096]
本技术实施例的方法，目标是实现电池soc的准确预测，因此需要对实际过程中实体的变化进行跟踪和精确模拟，使模型尽可能的逼近真实的状态。因此本技术实施例将电池等效模型和实际使用过程相结合，这种方式不仅可以通过电池的等效模型参数体现老化的影响，还可以根据电池充放电不同的状态模拟实际行驶过程中的变化情况，这种预测模式与实际中从设备出发再考虑使用方式的关系一致，能够实现对实际过程更准确的描述。
[0097]
基于本技术实施例采用的电池等效模型，本技术实施例已经对其中的参数进行了拟合辨识，这些参数在预测剩余容量的模型中作为电池“潜在能力”的表现。“潜在能力”表示了电池本身随着使用寿命的增加而导致的内部过程的变化从而影响的充放电能力的变化，潜在能力是由电池本身的状态所决定的。在参数的选择上，为了保证能够准确的描述电
池的性能，采用q
eff
，r
in
，τ1，τ2四个参数作为表示电池潜在能力的参数。其中q
eff
表示了电池当前状态下的总电量，可以根据电池的衰减曲线和实际使用过程中的循环放电总量来修正；欧姆内阻r
in
用来体现电池使用过程中稳态变化和老化的影响，根据拟合的结果可以分为充电时候的r
inc
和放电时候的r
ind
，应用在不同的使用情况下；τ1，τ2表示的是电池的动态响应，同样可以分为充放电不同状态下分别考虑。以上参数基本完备的代表了电池模型的主要性能，因此采用这几个参数能够合理的体现电池的“潜在能力”。
[0098]
电动汽车在实际行驶的过程中电池放出的电量不仅与电池的本身状态有关，还与环境条件如温度，工作条件如放电率、电压变化率等参数关系密切。电动汽车行驶过程中的电池的使用情况直接决定了电池实际放出电量的多少，这部分实际放出的电量称为电池的“表现能力”，用q
de
来表示。也就是说，q
de
是由“潜在能力”与实际的运行参数共同决定的，采用q
de
能够保证电池的实际最大放电量尽可能的精确，从而减去使用量后计算得到剩余容量的精度将会远大于传统采用额定容量安时法的精度。
[0099]
对于“潜在能力”和“表现能力”的预测方式，由于电池本身特性导致的参数的非线性，传统预测方法不仅建模困难，也会存在复杂的计算和拟合精度的调整，因此本技术实施例采用人工神经网络来实现对“潜在能力”和“表现能力”的预测。整个预测剩余容量的程序包括两个或以上的神经网络模块，其中一个神经网络预测电池的潜在能力(考虑充放电情况下是两个神经网络)，将预测的结果提供给另一个神经网络，该神经网络将潜在能力信息和其他采集的信息一起作为输入预测电池的表现能力，根据表现能力的结果计算电池的剩余容量，具体的预测流程如图6所示。
[0100]
根据图6展示的预测流程，其中决定预测精度的核心是神经网络的计算结果，同时也是该平行模型反应实际情况最主要的表现。通过对神经网络的合理训练，在保证计算精度的情况下该预测方法不仅能够得到一个准确的剩余容量，还能够通过对潜在能力参数和表现能力参数的分析判断实际过程中产生误差的来源，从而对电动汽车采取相应的措施进行引导或改进。
[0101]
本技术实施例不再单独接受神经网络的训练和设置过程，本技术实施例采用的神经网络模块是根据大量数据样本训练之后选择的误差最小的结构。结构的选择并不唯一，根据具体的训练情况进行选择。
[0102]
在某些实施方式中，采用的电池soc预测程序主要结构如图7所示。
[0103]
如图7所示，数据处理的部分包括了输入数据的采集，数据的归一化以及初始状态的判断。初始状态根据电池工作前一时刻所测量的开路电压获得电池当前的容量。输入数据主要包括电压u、电流i、消耗的电量(电流对时间的积分)q、温度t这四种参数。其中潜在能力部分采用了两个神经网络分别代表充放电的不同情况，根据电流的方向进行判断，还增加了电池的循环次数n用来作为电池老化的表征参数；表现能力的神经网络模块输入增加了电压变化率du/dt和温度变化率dt/dt用来反应使用过程中的变化情况，输出结果的q
de
用来计算电池的剩余电量。程序的输出结果可以包括电池剩余电量和电池soc值。反馈的数据主要是通过q
de
的变化率对潜在能力中的q
eff
预测结果进行修正，提高潜在能力的预测精度。
[0104]
本技术实施例采用了matlab/simulink为平台编写了预测剩余容量的程序，分别通过上节提到的电池测试数据和整车仿真的数据来验证算法的准确性。采用m文件编写数
据处理的基本内容，将处理后的数据采用simulink中搭建的模块进行计算。
[0105]
在本技术实施例设计的程序中，最重要的是保证神经网络的计算精度，而神经网络的精度是根据预测样本的情况和神经网络的训练情况决定的。本技术实施例中对潜在能力的训练采用了不同循环寿命下的电池测试数据，而对表现能力的训练则是采用了不同放电倍率情况下的数据进行了训练。在神经网络的训练过程中对神经网络的隐藏层层数和节点个数的确定直接影响神经网络的预测效果。以本技术实施例中的神经网络训练为例，由于训练数据样本有限，必须对不同隐藏层节点个数进行训练，通过对计算结果误差的比较来判断最优解，同时还需要通过程序使用中的预测结果判断神经网络计算的参数是否满足相应的变化规律。以上图中放电潜在能力模块的训练为例，该神经网络结构包含了4输入参数和4输出参数，本技术实施例在分别比较了单隐藏层和双隐藏层的计算误差之后，最终选择了采用双隐藏层的方式；同样为了确定隐藏层节点个数，通过对不同节点个数网络计算误差的比较，最终选定了误差最小的节点个数作为程序使用的神经网络的结构。本技术实施例放电潜在能力部分采用了两层各20个节点的结构，充电潜在能力模块节点个数分别为11和16；表现能力模块节点分别为10和20。
[0106]
电池恒流放电测试数据的验证
[0107]
根据本技术实施例使用的某型号锂离子电池数据，采用hppc测试中恒流放电的数据进行验证。先验证无衰减情况下对电池完整放电过程的soc预测的情况。采用soc变化为100％到0％的恒流放电曲线进行验证。由于预测的数据过多对部分区域放大后进行了标注，可以看到程序的预测数据曲线和实际数据曲线几乎重合，预测误差随放电深度的增加误差略有增加，整体预测精度很高，证明了预测程序在soh较高的情况下能很好的实现对电池soc的比较精确的预测。电池恒流放电测试数据下的soc预测结果如图8所示。
[0108]
电动汽车行驶标准数据的验证
[0109]
由于在电动汽车的实际使用过程中，电池的使用情况并不是单纯的恒流放电，而是动态的充放电相结合的过程，需要采用不规律的放电数据对程序加以验证，保证程序能够适用于实际电动汽车的使用。采用avl cruise软件对实际工况下的电池数据进行计算。cruise软件是奥地利avl公司开发的高级仿真软件，可以用于车辆(包括摩托车、客车、货车等)的燃油经济性、动力、变速箱传动比、排放性能以及制动性能的设计和计算。该软件可以通过对实际车辆参数的设置，生成不同工况下的车辆各参数变化曲线。由于在电池的离线测试中较难实现对电动汽车上电池放电情况的精确模拟，所以avl cruise软件通过实际工况下生成的电池消耗数据可以作为标准的数据进行测试，从而进一步验证本技术实施例设计程序的合理性。首先采用《gb/t 18386
‑
2005电动汽车能量消耗率和续驶里程试验方法》中规定的工况进行检验。图9展示了国标模态工况速度变化曲线，图10展示了国标模态工况下的avl cruise计算结果，图11展示了国标模态工况标准电池数据下的soc预测结果。
[0110]
图11展示了在电池soc为100％的初始状态下采用程序的预测结果和标准数据的对比情况。可以看到soc曲线由于再生制动的原因并不呈现单调递减的变化规律，在某些时间由于再生制动的充电过程使得soc曲线存在短暂的上升。从预测的结果和标准的数据比较而言，预测的结果有较高的精度，能够对不规律放电电池的soc曲线有较高的预测精度，证明程序能够实现nedc工况下的soc预测。
[0111]
nedc工况虽然一定程度上反映了车辆行驶的变化情况，不过其构造形式上属于合
成行驶的模态工况，而实际过程中更多的可能的情况应该是速度和加速度都变化得比较频繁，因此还需要对类似美国ftp75的瞬态工况进行程序验证，以验证模型是对于任何情况都可以预测出准确的结果，工况如图12。图13展示了单次ftp75工况下的avl cruise计算结果。
[0112]
根据以上数据，采用本技术实施例设计的预测程序进行验证，得到结果如图14所示。
[0113]
从预测结果可以看到，电池的初始soc为50％，整个预测过程中soc曲线的变化频率要高于nedc工况，是由于ftp75工况的中速度的变化更频繁造成的。图上还可以看到一段平缓的soc下降过程，该过程在ftp75工况中速度为零，也就是电动汽车处于停止状态，但是由于在avl软件中设置了汽车上的额外电能消耗所以使得曲线呈下降趋势，该部分可以模拟实际过程中的堵车或者路口等待的情况，也即是电能通过电动汽车上除电动机以外的其它设备消耗的过程，符合实际情况。
[0114]
对上述两种不同的数据预测结果的分析，可以看到本技术实施例设计的程序能够实现对电池剩余容量的较为准确预测，对于理想的电池恒流放电情况有很高的预测精度，经计算对恒流放电情况下的预测误差整体小于1％，由于该放电过程较为简单，该方法可以很好的实现对soc的预测；同样对于电池实际使用中充放电不规律的情况，经计算后可得预测过程中误差最大值小于3％，满足预测的精度要求。
[0115]
本技术实施例通过采用平行模型的方法，采用神经网络的技术手段实现了对电动汽车电池soc的预测结果。首先分析了造成预测的误差和原因，确定了合适的电池等效模型和参数的辨识方法。基于该模型设计了预测电池soc的方法流程和实现步骤，采用实例数据证明了方法的正确性。本技术实施例方法的重点是对电动汽车电池的本身状态和使用情况进行不断的更新和追踪，因此可以保证电池在整个寿命周期中都能够获得一个较为准确的预测结果。
[0116]
需要说明的是：
[0117]
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
[0118]
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示例一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0119]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0120]
以上所述实施例仅表达了本技术的实施方式，其描述较为具体和详细，但并不能
因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。