[發明專利]一種鋰電池荷電狀態估計方法

有效

• 申請號: 201910185029.4
• 申請日: 2019-03-12
• 公開（公告）號: CN110082682B
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 郭創新;朱承治;袁根;王雪平;曹袖
• 申請（專利權）人: 浙江大學;國網浙江省電力有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 忻明年

本發明公開了一種鋰電池荷電狀態估計方法。本發明步驟如下：步驟1、輸入原始數據集；步驟2、清洗原始數據集，抽取需要的數據字段；步驟3、設定遺傳算法的初始值，并選擇使用非線性自回歸外源輸入神經網絡預測結果的均方誤差作為遺傳算法的適應度函數；步驟4、搭建神經網絡；步驟5、優化遺傳算法；步驟6、訓練預測模型。本發明將遺傳算法與非線性自回歸外源輸入神經網絡結合在一起，能減少尋找最佳神經網絡參數的工作量和時間，準確的預測鋰電池荷電狀態，反映電池的健康狀況。

技術領域

本發明涉及鋰電池技術，人工神經網絡技術領域，提供一種鋰電池荷電狀態估計方法，具體的涉及一種基于非線性自回歸外源輸入神經網絡的鋰電池荷電狀態估計方法。

背景技術

荷電狀態(SOC)是指示鋰離子電池內剩余電量的重要指標。是基于電流的積分計算的。精確而穩健的SOC估算技術可避免過荷電，過放電和過熱，從而延長電池的使用壽命，現有荷電狀態估計方法有著依賴電池模型精度或者估計結果不準確的缺陷，電池老化導致荷電容量減少也增加了現有技術準確估計荷電狀態的困難。

非線性自回歸外源輸入(NARX)神經網絡是一種改進的人工神經網絡，在學習能力，收斂速度，泛化和高精度方面有優異的表現。NARXNN網絡使用有限的反饋來形成輸出層而不是隱藏層。適用于預測非線性和時間序列問題。可用于多個輸入和多個輸出的時間序列應用。

遺傳算法(GA)是進化算法的重要分支，從建立問題解決方案集合的群體開始，在每一代演化過程中根據個體的適應性選擇個體，進行交叉和變異生成新群體，最終從解碼結果中得到近似最優解。使用遺傳算法可減少在尋找最優解時進行試錯實驗的工作量。

發明內容

本發明的目的克服現有鋰電池荷電狀態預測方法的不足。提供一種鋰電池荷電狀態估計方法。本發明將遺傳算法與非線性自回歸外源輸入神經網絡結合在一起，能減少尋找最佳神經網絡參數的工作量和時間，準確的預測鋰電池荷電狀態，反映電池的健康狀況。

實現上述目的的技術方案具體包括如下步驟：

步驟1、輸入原始數據集，原始數據集包含鋰電池工作數據；

步驟2、清洗原始數據集，抽取需要的數據字段。

首先，去掉原始數據集中數據字段包含空值、負值的數據，獲取清洗后的數據。

然后，計算出每組數據對應的鋰電池電荷剩余量作為數據標簽，生成標準的二維數據矩陣；

步驟3、設定遺傳算法的初始值，并選擇使用非線性自回歸外源輸入神經網絡預測結果的均方誤差作為遺傳算法的適應度函數；

所述的初始值包括迭代次數、個體數、需要優化的變量，其中需要優化的變量包括非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數。

步驟4、搭建神經網絡：

首先，搭建供遺傳算法優化使用的非線性自回歸外源輸入神經網絡。非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數由遺傳算法隨機生成的個體包含的數值確定。

非線性自回歸外源輸入神經網絡的網絡結構分為輸入層、隱層、輸出層及反饋層。

步驟5、優化遺傳算法

將步驟2中清洗好的數據集劃分為訓練集、驗證集和測試集，分別作為非線性自回歸外源輸入神經網絡的輸入。

根據步驟3確定非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數的最優值，直到達到迭代次數；

步驟6、訓練預測模型

將步驟5中確定的非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數的最優值，搭建新的非線性自回歸外源輸入神經網絡。