[發明專利]一種基于多層感知機算法的動力鋰電池荷電狀態的估計方法

在審

• 申請號: 202210496363.3
• 申請日: 2022-05-09
• 公開（公告）號: CN114966409A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 李學廣;蔣海洲;孫占方;易蓉;原萬寶
• 申請（專利權）人: 中國電波傳播研究所（中國電子科技集團公司第二十二研究所）
• 主分類號: G01R31/367
• 分類號: G01R31/367
• 代理公司: 青島博雅知識產權代理事務所(普通合伙) 37317
• 代理人: 封代臣

1.一種基于多層感知機算法的動力鋰電池荷電狀態的估計方法，其特征在于，包括如下步驟：

步驟1，數據拆分：

將電池測試總數據集T_ot分為兩部分，75％為訓練數據集T_ra，25％為測試數據集T_es；

步驟2，數據預處理：

對訓練數據集T_ra中的數據進行標準化，公式如下：

其中，x表示某個特征，x_min表示該特征中最小的值，x_max表示該特征中最大的值；

步驟3，設計多層感知機網絡：

設計全連接神經網絡：

m＝f(z)

h＝f(s)

上式中，D表示尺度，x₁，x₂，……x_d表示有d個特征輸入，m₁，m₂，m₃，……m_d表示具有d隱藏層的特征，h₁，h₂……，h_d表示第2隱含層的特征個數，o₁表示多層感知機網絡的輸出值，a表示每個特征的權重，b是偏移量，W、X和M都是矩陣，f(·)表示激活函數；

步驟4：超參數的選?。?/p>

損失函數J(a)使用均方根誤差RMSE和絕對值誤差MAE，

上式中，a表示每個特征的權重，x表示某個特征，y表示SOC的值，N表示訓練數據集樣本的總數量，Y_n表示每個訓練數據樣本的真實SOC值，O_n(x)表示多層感知機算法計算出來的每個訓練數據樣本的SOC值；

模型訓練的過程中學習率采用余弦退火算法，初始化學習率為0.00015；

步驟5：參數調節：

首先調節網絡的深度，將最大網絡寬度固定為80，在訓練出網絡深度后，再固定兩個網絡深度，來優化網絡寬度，訓練循環次數從30到200中隨機取值進行測定，最后選取精度和準確率最好的最優模型；

步驟6，模型驗證：

將步驟5中選取的最優模型，作為驗證模型查看其訓練誤差和測試誤差，當訓練誤差E_tr小于千分之一，測試誤差E_te小于千分之五時，就選取該模型作為最終算法模型，未達到要求的話，重復步驟5的過程。

2.根據權利要求1所述基于多層感知機算法的動力鋰電池荷電狀態的估計方法，其特征在于：在步驟3中的每一層都增加層歸一化操作，同時在每一層的層后增加DropOut剪枝操作，DropOut剪枝操作就是將網絡連接以一定的概率P_d隨機剪斷，P_d＝0.3。

3.根據權利要求1所述基于多層感知機算法的動力鋰電池荷電狀態的估計方法，其特征在于：步驟3中的激活函數使用ReLU激活函數和Mish激活函數，ReLU激活函數和Mish激活函數進行層間交替使用，公式如下：

f(v)＝ReLU(v)＝MAX(0，v)

f(v)＝Mish(v)＝v*tanh(1+e^v)

上式中，v表示上一層神經網絡所訓練出的特征值，tanh是雙正切函數。