本发明涉及电池管理系统,具体为一种基于de-mlbp神经网络的锂电池soc估计方法。
背景技术:
1、
2、作为锂电池系统的监测“大脑”,电池管理系统在新能源汽车中可以实现对电池soc的监测,预测电池的功率强度,便于对整个电池系统的了解和整车系统的掌控,目前,基于开路电压、安时积分、扩展/无迹卡尔曼滤波等面向等效电路模型的估计算法和面向电化学模型的估计算法层出不穷,为soc估计提供了充足的思路。
3、然而,由于电池电化学模型参数繁多,通用性差,电池等效电路模型参数辨识困难,精度难以把控,因此面向电池模型的soc估计算法面临巨大挑战。
技术实现思路
1、本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
2、因此,本发明的目的是提供一种基于de-mlbp神经网络的锂电池soc估计方法,基于de-mlbp神经网络对电芯soc进行估计,不需要建立电池等效电路模型,输出soc通过加权求和计算,复杂度较低,提高电池模型的soc估算精准度。
3、为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
4、一种基于de-mlbp神经网络的锂电池soc估计方法,其包括:
5、s1、根据神经网络的输入输出数量确定mlbp网络结构并确定各层间连接权的维度;
6、s2、通过de算法,对各层间连接权的初始值进行优化;
7、s3、将训练数据集和优化后的权值初始值带入mlbp网络反复训练,得到锂电池soc估计模型。
8、作为本发明所述的一种基于de-mlbp神经网络的锂电池soc估计方法的一种优选方案,其中,所述步骤s1中,包括构造mlbp神经网络前向传播过程,具体步骤如下:
9、设mlbp神经网络各层神经元数量分别表示为im、jm、km和lm,设输入层神经元的输出为xi,i≤im,输入层与隐含层1之间的权值为wij,j≤jm;
10、设隐含层1神经元的输入为xj,神经元输出为x’j,j≤jm,隐含层1与隐含层2之间的权值为wjk,k≤km;
11、设隐含层2神经元的输入为xk,神经元输出为x’k,k≤km,隐含层2与输出层之间的权值为wkl,l≤lm;
12、设输出层神经元的输出为y;
13、隐含层1的输入为所有输入层神经元输出的加权之和:
14、
15、隐含层1的输出通过s函数激发xj得到:
16、
17、隐含层2的输入为所有隐含层1输出的加权之和:
18、
19、隐含层2的输出通过s函数激发xk得到:
20、
21、输出层的输出为神经网络输出,是所有隐含层2输出的加权之和:
22、
23、作为本发明所述的一种基于de-mlbp神经网络的锂电池soc估计方法的一种优选方案,其中,所述步骤s1中,包括构造mlbp神经网络反向传播过程,具体步骤如下:
24、设神经网络输出与理想输出y0的误差为e1,有:
25、
26、选取下述误差性能指标函数作为权值优化的依据:
27、
28、输出层与隐含层2之间的权值学习算法为:
29、δwkl=ηelx′k
30、式中,η表示学习效率,取值范围为0到1之间;
31、则t+1时刻的权值为:
32、wkl(t+1)=wkl(t)+δwkl+α(wkl(t)-wkl((t-1))
33、式中,α表示动量因子,取值范围为0到1之间;
34、隐含层2和隐含层1之间的权值学习算法为:
35、δwjk=ηwjk•x′k(1-x′k)·x′j;
36、则t+1时刻的权值为:
37、wjk(t+1)=wjk(t)+δwjk+α(wjk(t)-wjk(t-1));
38、隐含层1与输入层之间的权值学习算法为:
39、δwij=ηwkl•x′j(1-x′j)xi;
40、则t+1时刻的权值为:
41、wij(t+1)=wij(t)+δwij+α(wij(t)-wij(t-1));
42、重复执行前向传播和反向传播过程,直到ep满足设计要求或迭代次数超过预设的阈值后,提取各层间的权值信息。
43、作为本发明所述的一种基于de-mlbp神经网络的锂电池soc估计方法的一种优选方案,其中,所述步骤s2中,通过de算法,对各层间连接权的初始值进行优化的步骤如下:
44、基于差分进化算法,选取适当的变异因子、交叉因子、群体规模和最大迭代代数,以mlbp神经网络输出的总体方差最小为优化目标,对mbp神经网络各层间权值的初始值进行优化;
45、de算法经变异操作、交叉操作和选择操作反复迭代,达到终止条件后输出神经网络连接权最优初始值。
46、作为本发明所述的一种基于de-mlbp神经网络的锂电池soc估计方法的一种优选方案,其中,所述步骤s3中,训练数据集通过相应的电池充放电实验,测量在不同循环工况和温度下锂电池充放电实验数据。
47、作为本发明所述的一种基于de-mlbp神经网络的锂电池soc估计方法的一种优选方案,其中,所述锂电池充放电实验数据包括电池电流、端电压、剩余容量和电池soc;
48、其中,所述电池电流、端电压、剩余容量为锂电池soc估计模型的训练输入值,所述电池soc为锂电池soc估计模型的训练输出值。
49、与现有技术相比,本发明具有的有益效果是:
50、1、本发明基于de-mlbp神经网络对电芯soc进行估计,不需要建立电池等效电路模型,输出soc通过加权求和计算,复杂度较低。
51、2、本发明对mlbp神经网络的训练过程是离线进行的,训练时间仅与计算机性能有关,而soc估计精度仅与训练数据集质量和训练情况有关,干扰因素较少。
52、3、本发明针对不同类型和规格的锂电池系统,只需更换训练数据集重新训练学习即可,模型结构无需改动,适应性较高。
1.一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,包括:
2.根据权利要求1所述的一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,所述步骤s1中,包括构造mlbp神经网络前向传播过程,具体步骤如下:
3.根据权利要求2所述的一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,所述步骤s1中,包括构造mlbp神经网络反向传播过程,具体步骤如下:
4.根据权利要求1所述的一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,所述步骤s2中,通过de算法,对各层间连接权的初始值进行优化的步骤如下:
5.根据权利要求1所述的一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,所述步骤s3中,训练数据集通过相应的电池充放电实验,测量在不同循环工况和温度下锂电池充放电实验数据。
6.根据权利要求5所述的一种基于de-mlbp神经网络的锂电池soc估计方法,其特征在于,所述锂电池充放电实验数据包括电池电流、端电压、剩余容量和电池soc;