一种基于BP神经网络的SOC估计方法、系统、终端设备及可读存储介质

本发明属于电池管理系统(bms)领域，具体涉及一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质。

背景技术：

bms系统具有实时监控电池状态信息、分析电池安全性能、优化电池能量控制和延长电池使用寿命等重要作用，是保障电池安全、调控电池性能的重要系统。其中，电池荷电状态的监控的核心在于对soc的估算，soc监测的难点在于无法准确对电池电荷状态进行直接测量，常用的估算方法包括安时积分法、开路电压法、卡尔曼滤波法、扩展卡尔曼滤波法以及神经网络法等。同时，由于低温下电池容量出现明显的衰减，这样使得soc检测偏离实际情况，而现有缺乏一种可靠的技术手段来确定低温下的soc值。在不同温度的环境下，soc误差较大，导致bms系统可靠性降低。

技术实现要素：

本发明的目的是提供一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质，所述方法针对不同温度的环境下soc误差较大以及低温下电池容量出现明显的衰减的情况，至少将变温速率以及温度、前一个时刻的剩余电量作为电池特征量进行模型训练，尤其是通过引入变温速率因子，一方面，准确把握电池内部温度与外界环境温度的滞后效应，确定内部活性物质的量随温度降低带来的实际损失，以达到减小由于电池内外热传导过程引发的误差；二方面，使得变温过程更加平滑，进而让电量估计值平滑变化，避免大幅掉电、跳电情况的发生。整体而言，利用变温速率以及温度的特征将低温环境以及soc与温度环境变化的关联性引入到了模型中，使得构建的soc预测模型的准确率大大提高。

一方面，本发明提供一种基于bp神经网络的soc估计方法，包括如下步骤：

s1：设定温度梯度，在各个温度进行放电操作以采集电池在各个温度下的样本数据；

所述样本数据包括电池特征量以及soc值，所述电池特征量至少包含：温度、变温速率、前一个时刻的剩余电量；所述变温速率用于表示电池所处环境的温度变化，所述温度梯度至少包含低温范围；

s2：基于步骤s1采集的样本数据训练bp神经网络得到soc预测模型；

所述soc预测模型的输入特征为电池特征量，所述soc预测模型的输出特征为soc值；

其中，将待测电池的电池特征量输入至所述soc预测模型得到soc值。

本发明的核心点之一为引入了变温速率因子，利用其准确把握电池内部温度与外界环境温度的滞后效应。将其作为电池特征量引入神经网络，建立了其与soc之间的关联，更加准确地描述了环境温度与soc的关联情况，进而提高了soc预测模型的可靠性。

可选地，所述电池特征量还包括：放电电流和电压。

可选地，步骤s1中样本数据的中的soc值以及变温速率的采集过程如下：

s1.1：将电池放置在额定温度环境下充电到工作电压；

s1.2：将电池在所述温度梯度中的某一温度环境下放置n小时，n为正整数；

s1.3：在步骤s1.2中的温度环境下以恒流放电的方式，将电池放电到下限截止电压，进而采集到电池的soc值，以及计算出变温速率，所述变温速率的计算公式如下：

k为变温速率，δt为环境温度差，其等于步骤s1.2中环境温度与s1.1中额定温度的差值。

可选地，样本数据采集是的变量包括：工作电压、温度以及放置时间，所述温度梯度的温度范围为-50℃至80℃，所述放置时间n的范围为0h至24h。

可选地，步骤s2中所述bp神经网络的权值和阈值采用遗传算法进行优化，优化过程选用的适应度函数如下：

f＝exp[-βabs(y-o)]

其中，f为适应度值，y为bp神经网络节点的期望输出，o为节点的实际输出，β为系数，abs表示取绝对值，赋予系数β动态函数：

β＝0.99βj

式中，j为神经网络循环次数。

可选地，步骤s2中利用遗传算法优化bp神经网络的权值和阈值，其过程如下：

a：确定神经网络的拓扑结构；

b：解码得到权值和阈值；

c：将权值和阈值赋予bp神经网络，并利用样本数据训练bp神经网络，再计算出种群个体的适应度值；

d：判断是否达到迭代终止条件；

e：若未达到，依据适应度在种群内部进行选择、交叉、变异操作，再返回步骤b；若达到了迭代终止条件，得到最佳权值和最佳阈值。

可选地，步骤s2中所述soc预测模型的构建过程如下：

首先，利用遗传算法优化bp神经网络的权值和阈值得到最佳权值和最佳阈值；

然后，将最佳权值和最佳阈值赋予bp神经网络，并利用样本数据训练bp神经网络得到soc预测模型。

二方面，本发明提供的一种基于所述方法的系统，包括：数据采集模块以及soc预测模型构建模块；

数据采集模块：用于设定温度梯度，并在各个温度进行放电操作以采集电池在各个温度下的样本数据；

所述样本数据包括电池特征量以及soc值，所述电池特征量至少包含：温度、变温速率、前一个时刻的剩余电量；所述变温速率用于表示电池所处环境的温度变化，所述温度梯度至少包含低温范围；

权值和阈值优化模块：用于采用遗传算法进行优化bp神经网络的权值和阈值得到最佳权值和最佳阈值；

soc预测模型构建模块：用于基于采集的样本数据训练bp神经网络得到soc预测模型；

数据采集模块：还用于采集待测电池的电池特征量；

其中，将待测电池的电池特征量输入soc预测模型得到soc值。

可选地，所述系统还包括：权值和阈值优化模块，用于采用遗传算法进行优化bp神经网络的权值和阈值得到最佳权值和最佳阈值。

三方面，本发明提供的一种终端设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行：所述一种基于bp神经网络的soc估计方法。

四方面，本发明提供的一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述一种基于bp神经网络的soc估计方法。

有益效果

1.本发明提供的一种基于bp神经网络的soc估计方法将变温速率以及温度、前一个时刻的剩余电量作为电池特征量进行模型训练，使得训练出的soc预测模型更加可靠以及准确。尤其是将引入变温速率因子，一方面，准确把握电池内部温度与外界环境温度的滞后效应，确定内部活性物质的量随温度降低带来的实际损失，以达到减小由于电池内外热传导过程引发的误差；二方面，使得变温过程更加平滑，进而让电量估计值平滑变化，避免大幅掉电、跳电情况的发生。整体而言，利用变温速率以及温度的特征量将低温环境以及soc与温度环境变化的关联性引入到了模型中，使得构建的soc预测模型的准确率大大提高，大幅改善温度变化促使实际剩余电量变化而最终导致soc产生较大误差的情况。

2.本发明进一步的优选方案中，利用遗传算法优化bp神经网络的权值和阈值，可同时处理群体中的多个个体以达到快速优化bp神经网络的初始权值和阈值，从而使优化后的bp神经网络能够更好地预测函数输出，提高bp神经网络估算soc的准确度。尤其其中选用的指数型的适应度函数，并赋予动态系数，使得多次循环后的样本的差异性凸显，更有利于选择最优个体。

附图说明

图1是bp神经网络结构图；

图2是利用遗传算法优化的bp神经网络的权值和阈值的流程图；

图3是本发明所述一种基于bp神经网络的soc估计方法的流程图。

具体实施方式

本发明提供的及一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质，所述估计方法至少将变温速率以及温度、前一个时刻的剩余电量作为电池特征量进行bp神经网络训练得到soc预测模型，并优选遗传算法优化bp神经网络的权值和阈值，使得构建的soc预测模型可以更加准确的预测出电池的soc，得到的预测结果有效改善了温度变化产生实际剩余电量变化导致soc产生较大误差的情况。

下述实施例将以放电电流、电压、温度、变温速率、前一个时刻的剩余电量作为电池特征量输入bp神经网络进行模型训练为例进行说明，其他可行的实施例中，可以根据实际需求在变温速率以及温度、前一个时刻的剩余电量的基础上选择性添加新的特征量，本发明对其不进行具体的限定。下面将结合实施例对本发明做进一步的说明。

实施例1：

本实施例提供的一种基于bp神经网络的soc估计方法，包括如下步骤：

s1：设定温度梯度，在各个温度进行放电操作以采集电池在各个温度下的样本数据。具体的采集过程如下：

s1.1：将电池放置在额定温度环境下充电到工作电压。譬如，电池的工作电压是2.4v-5.5v，优选针对每个工作电压分别进行采样。

s1.2：将电池在所述温度梯度中的某一温度环境下放置n小时，n为正整数。本实施例中，将温度梯度设置为-50℃至80℃，并以每1℃为温度间隔分别进行采样；以及将放置时间n设置为0h至24h，并以每2s为间隔时间进行采样。

s1.3：在步骤s1.2中的温度环境下以恒流放电的方式，将电池放电到下限截止电压，进而采集到电池的soc值、放电电流、电压，以及计算出变温速率，所述变温速率的计算公式如下：

k为变温速率，δt为环境温度差，其等于步骤s1.2中环境温度与s1.1中额定温度的差值。

其中，电池前一个时刻的剩余电量视为已知量。

s2：基于步骤s1采集的样本数据训练bp神经网络得到soc预测模型，其中，所述bp神经网络的权值和阈值采用遗传算法进行优化。

如图1所示的bp神经网络结构图，输入层输入矢量为电池放电电流、电池组电压、温度、变温速率以及前一个时刻的剩余电量5个特征，输出矢量为电池soc值。bp神经网络包括：具有5个节点的输入层，若干节点的隐含层和具有一个节点的输出层。隐含层节点数目根据实际训练设备情况而定，一般地，随着节点数目的增加，神经网络训练的精度越来越高，但是训练占用内存也越来越大。所述bp神经网络以电流、电压、温度、变温速率和前一时刻剩余电量作为输入层。

bp神经网络的权值和阈值采用遗传算法(ga)进行优化，具体优化过程下文描述。其中，利用优化后的权重和阈值导入bp神经网络，并利用样本数据进行模型训练得到soc预测模型。

s3：采集待测电池的电池特征量，即电池放电电流、电池组电压、温度、变温速率以及前一个时刻的剩余电量；并将采集的电池特征量输入至所述soc预测模型得到soc值。

参照图2，bp神经网络的权值和阈值采用遗传算法(ga)进行优化过程包括：

步骤1：确定bp神经网路的拓扑结构，即bp神经网络所含的输入层、隐含层、输出层各自对应的神经元，并根据所述bp神经网路中的输入层、隐含层、输出层各自对应的神经元，确定出所述bp神经网路中的权值和阈值；其中，所述bp神经网路中输入层的神经元由电池特征量决定；所述bp神经网路中输出层的神经元为soc值。

步骤2：初始化设置。对权值和阈值进行bias编码随即生成初始种群、确定适应度函数，即筛选函数。其中，种群个体以实数串表示，由输入层和隐含层连接权重、隐含层阈值、隐含层与输出层连接权重以及输出层阈值4个部分组成。

步骤3：将基因解码生成权重和阈值。

在一个实例中，输入层的神经元个数有5个、隐含层的神经元个数有5个、输出层的神经元个数有1个，得到权值包括输入层至隐含层的权值5*5＝25以及隐含层至输出层的权值5*1＝5，共,30个，阈值有5+1＝6个。

步骤4：将权值和阈值赋予bp神经网络，并利用样本数据训练bp神经网络，再计算出种群个体的适应度值；

适应度函数如下：

f＝exp[-βabs(y-o)]

其中，f为适应度值，y为bp神经网络节点的期望输出，o为节点的实际输出，β为系数，赋予系数β动态函数：

β＝0.99βj

式中，βj＝0值为1，j为神经网络循环次数。即下一次的循环过程中引入了前一次的系数，并进行动态调整。

步骤5：判断是否达到迭代终止条件。其中，迭代终止条件可以设置为适应度是否满足预设要求或者适应度满足预设要求以及满足迭代次数的双重要求作为终止条件或者soc预测偏差是否满足预设要求。本发明对迭代终止条件的具体设置不进行具体的限定，应当理解，迭代终止条件可以根据实际精度需求进行调整。

步骤6：若未达到，依据适应度在种群内部进行选择、交叉、变异操作(选择适应度符合要求的个体进行交叉、变异)，再返回步骤3，即调整权值和阈值；若达到了迭代终止条件，得到最佳权值和最佳阈值。

其中，若满足迭代终止条件的个体存在多个，则可以依据适应度或者模型的soc预测偏差来确定最佳权值和最佳阈值。得到最佳阈值和最佳权重后，将其导入bp神经网络进行更新，利用更新后的bp神经网络进行模型训练得到soc预测模型。

基于上述方法，在一些实施例方式中，本发明还提供一种基于bp神经网络的soc估计系统，包括：数据采集模块、权值和阈值优化模块以及soc预测模型构建模块；

数据采集模块：用于设定温度梯度，并在各个温度进行放电操作以采集电池在各个温度下的样本数据；

所述样本数据包括电池特征量以及soc值，所述电池特征量至少包含：温度、变温速率、前一个时刻的剩余电量；所述变温速率用于表示电池所处环境的温度变化，所述温度梯度至少包含低温范围；

权值和阈值优化模块：用于采用遗传算法进行优化bp神经网络的权值和阈值得到最佳权值和最佳阈值；

soc预测模型构建模块：用于基于采集的样本数据训练bp神经网络得到soc预测模型；

数据采集模块：还用于采集待测电池的电池特征量；

其中，将待测电池的电池特征量输入soc预测模型得到soc值。

在一些实现方式中，若没有对优化bp神经网络的权值和阈值，则不存在对应的权值和阈值优化模块。

其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

在一些可行方式中，本发明还提供一种终端设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行：一种基于bp神经网络的soc估计方法。各个步骤的具体实现过程请参照前述方法的阐述。

在一些可行方式中，本发明还提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：一种基于bp神经网络的soc估计方法。各个步骤的具体实现过程请参照前述方法的阐述。

应当理解，在本发明实施例中，所称处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。