[發(fā)明專利]一種基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的電池SOC值的預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201810016229.2
• 申請日: 2018-01-08
• 公開（公告）號: CN108181591B
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計(jì)）人: 徐自強(qiáng);楊云龍;吳孟強(qiáng);朱洪濤;王曉輝;馬永笠;廖家軒;鞏峰;林金明;張韜
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/382
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 吳姍霖

1.一種基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的電池SOC值的預(yù)測方法，包括以下步驟：

步驟1、電池?cái)?shù)據(jù)采集步驟：采集電動(dòng)汽車動(dòng)力電池?cái)?shù)據(jù)，得到初始的電池?cái)?shù)據(jù)樣本；

步驟2、數(shù)據(jù)預(yù)處理步驟：對步驟1采集得到的電池?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)降維，得到數(shù)據(jù)矩陣；

步驟3、網(wǎng)絡(luò)模型搭建步驟：采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型建模，得到網(wǎng)絡(luò)結(jié)構(gòu)模型；

步驟4、網(wǎng)絡(luò)模型優(yōu)化步驟：利用免疫遺傳算法優(yōu)化步驟3得到的網(wǎng)絡(luò)結(jié)構(gòu)模型中的權(quán)值和閾值，從而構(gòu)建出優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)模型；

a.將步驟3搭建的網(wǎng)絡(luò)結(jié)構(gòu)模型中的待優(yōu)化的值作為目標(biāo)函數(shù)對應(yīng)抗原的接收；

b.構(gòu)建初始抗體種群：首次進(jìn)化時(shí)隨機(jī)產(chǎn)生m個(gè)抗體構(gòu)建初始抗體種群A₁；第2，…，k次進(jìn)化時(shí)，初始抗體種群由m/2個(gè)隨機(jī)產(chǎn)生的抗體和m/2個(gè)選自于上一次進(jìn)化時(shí)對應(yīng)種群的免疫記憶單元中的抗體組成；

c.計(jì)算抗體適應(yīng)度：

假設(shè)種群中第i個(gè)抗體b_i對抗原的適應(yīng)度A_bgi為：

其中，g_max為目標(biāo)函數(shù)g的最大值，A_bgi∈(0,1]，數(shù)值越大，表示抗體對抗原的適應(yīng)度越高；g(b_i)為第i個(gè)抗體b_i對應(yīng)的目標(biāo)函數(shù)的解；

d.免疫記憶單元數(shù)據(jù)的獲取：將步驟c計(jì)算得到的抗體適應(yīng)度中滿足適應(yīng)度設(shè)定范圍要求的抗體保留，更新免疫記憶單元數(shù)據(jù)；其中，首次免疫記憶單元數(shù)據(jù)為第一代進(jìn)化得到的新的種群BK’；

e.計(jì)算抗體濃度：與抗體b_i的相似度大于λ的抗體所占的比例定義為抗體b_i的濃度C_i：

其中，λ表示相似度常數(shù)；

f抗體的抑制/促進(jìn)：根據(jù)步驟e計(jì)算得到的抗體濃度，選擇其中濃度大于設(shè)定值的抗體，得到的n個(gè)抗體的濃度概率為：

剩下的m-n個(gè)抗體的濃度概率p_d′為：

抗體被選擇的概率p由適應(yīng)度概率p_f和濃度概率p_c兩部分構(gòu)成，即

p＝μp_f+(1-μ)p_c

其中μ表示親和系數(shù)且μ＞0

適應(yīng)度概率p_f定義為：

其中，k為常數(shù)；

g.將根據(jù)步驟f抗體被選擇的概率p計(jì)算得到的m個(gè)抗體被選擇的概率進(jìn)行降序排列，選取其中概率最大的m/2個(gè)抗體組成一個(gè)種群BK；然后對種群BK中的抗體進(jìn)行交叉和變異處理，得到新的種群BK’；然后計(jì)算新的種群BK’中每個(gè)抗體的抗體適應(yīng)度，若其中存在滿足抗體適應(yīng)度要求的抗體，則保留適應(yīng)度最大的抗體作為最優(yōu)解輸出，即可得到優(yōu)化后的值，若其中不存在滿足抗體適應(yīng)度要求的抗體，則返回步驟b進(jìn)行下一次進(jìn)化；

步驟5、網(wǎng)絡(luò)結(jié)構(gòu)模型訓(xùn)練步驟：將步驟2得到的數(shù)據(jù)矩陣進(jìn)行數(shù)據(jù)劃分，分為訓(xùn)練集和測試集，將訓(xùn)練集的數(shù)據(jù)導(dǎo)入步驟4優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

步驟6、網(wǎng)絡(luò)模型測試步驟：將步驟5得到的測試集的數(shù)據(jù)導(dǎo)入步驟5訓(xùn)練后的網(wǎng)絡(luò)模型中進(jìn)行測試，得到預(yù)測的電池SOC值；

步驟7、誤差評估步驟：將步驟6預(yù)測的電池SOC值與實(shí)際的SOC值進(jìn)行誤差計(jì)算，當(dāng)?shù)玫降恼`差小于或等于設(shè)定的精度時(shí)，輸出電池的SOC值；當(dāng)?shù)玫降恼`差大于設(shè)定的精度時(shí)，返回步驟3，重新對網(wǎng)絡(luò)模型進(jìn)行搭建，直到滿足設(shè)定的誤差精度要求。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的電池SOC值的預(yù)測方法，其特征在于，步驟2所述數(shù)據(jù)預(yù)處理的具體過程為：首先，對步驟1采集得到的電池?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到第一數(shù)據(jù)集；然后，采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化的方式，將第一數(shù)據(jù)集轉(zhuǎn)換得到第二數(shù)據(jù)集；最后采用主成分分析的方法將第二數(shù)據(jù)集中無關(guān)的特征向量刪除，完成數(shù)據(jù)的降維過程，得到數(shù)據(jù)矩陣。