一种改进的RBF神经网络的电池SOC预测方法技术

本发明专利技术公开了一种改进的RBF神经网络的电池SOC预测方法，首先通过RBF神经网络方法建立动力电池SOC预测模型，然后以神经网络的输出电池SOC作为评价指标，建立一个优化模型，采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。神经网络预测方法具有效率高、成本低的特点。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种改进的RBF神经网络的电池SOC预测方法，首先通过RBF神经网络方法建立动力电池SOC预测模型，然后以神经网络的输出电池SOC作为评价指标，建立一个优化模型，采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。神经网络预测方法具有效率高、成本低的特点。【专利说明】一种改进的RBF神经网络的电池SOC预测方法
本专利技术属于动力电池的测试领域，具体涉及到一种改进的RBF神经网络的电池SOC预测方法。
技术介绍
随着能源问题和环境问题的双重压力，国家大力倡导使用清洁新能源，一些诸如太阳能、风能、潮汐能、核能、生物化学能等清洁的新能源正在逐步的步入人类的工业生产和实际生活之中。以新能源发电为主要动力的电动汽车得到了大力的发展，电动汽车动力电池荷电状态的管理与预测对发展电动汽车起着重要的作用。介于电动汽车的动力电池系统内部结构极其复杂，具有复杂的非线性，很难对其建立稳定而准确有效地电池等效模型(电化学模型、电路模型等模型)，为保证电动汽车电池的安全稳定运行、使其在原有的使用寿命基础上加以延长和提高电池使用效率，需要对电池SOC进行准确高精度的加以预测。目前国内外对电池荷电状态的预测方法有很多，如放电法、比重法、开路电压法、等效电路法、卡尔曼滤波法等方法，然而这些方法的应用都具有各自的局限性，只可以在一些特定的场合下应用，泛化性能较差，在一些复杂的工况环境下不适宜推广应用。如放电法是在较理想的环境下使用的方法，在实现过程中比较困难，在多数电池复杂的工作条件下并不能满足实际的要求;比重法依据电池电解液密度的浓度大小来推断SOC大小的，此方法成本高，效率低，并不适合工况多变的电动汽车电池的预测;开路电压法虽然操作简单，但是由于电池本身的动态滞回特性，而且测量时还需电池长时间保持在静置的状态，这对于动电动汽车电池的测量很难适用；等效电路法较难辨识电路模型中未知元件的参数，且由于电池自身的老化使得此法通过修正其它参数才能估计S0C，过程比较繁琐;卡尔曼滤波法需要涉及大量的数学运算，对模型的精准度要求较高，在工程上应用较难实现。
技术实现思路
根据以上现有技术的不足，本专利技术所要解决的技术问题是提出一种改进的RBF神经网络的电池SOC预测方法，通过优化神经网络结构及参数，提供一种简单、方便、准确率高的测试方法，解决了现在的电池寿命测试装置或者方法测试结构或者过程复杂的问题。为了解决上述技术问题，本专利技术采用的技术方案为:一种改进的RBF神经网络的电池SOC预测方法，该方法通过RBF神经网络方法建立动力电池SOC预测模型，然后以神经网络的输出电池SOC作为评价指标，建立一个优化模型，采用人工鱼群算法分别对神经网络的宽度向量S1、中心向量Vi和输出神经元的权值Wi进行优化计算。一种改进的RBF神经网络的电池SOC预测方法，该方法包括步骤如下:步骤一、利用人工鱼群算法训练RBF神经网络结构，得到利用人工鱼群算法优化RBF神经网络结构后的最优网络结构;步骤二、将电池的电池外部特性参数作为优化后RBF网络结构的输入，并将动力电池的SOC作为网络结构的输出；步骤三、用人工鱼群算法优化RBF神经网络后的最优网络结构建立RBF网络的预测模型，并对动力电池SOC预测。所述步骤一人工鱼群算法优化RBF神经网络，包括以下步骤:Stepl:首先对鱼群进行初始化，随机产生N条人工鱼，即人工鱼种群大小为N; Step2:用人工鱼群算法训练RBF神经网络，通过AFSA优化网络的宽度向量S1、中心向量Vi，输出神经元的权值Wi ； Step3:获得AFSA优化后的RBF网络结构及参数，据此网络结构建立RBF网络预测模型；Step4:计算所有个体的目标函数值(适应度值)，目标函数(即适应度函数)选取为SOC预测值f (Xi)与SOC实测值yi之差的范数，S卩obj= I y1-f(xi) | | ；Step5:判断是否满足终止条件，若是，获得人工鱼群算法优化网络的宽度向量S1、中心向量V1，输出神经元的权值W1以及RBF网络预测模型，否则，返回Step2。所述步骤二电池外部特性参数包括外部环境温度、放电电流、端电压。人工鱼群算法优化RBF神经网络结构包括输入层、隐含层和输出层。本专利技术有益效果是:神经网络法对处理复杂非线性特性的动力电池SOC预测尤为适用，其预测电池SOC并不需要考虑电池内部复杂的非线性特性，只需考虑电池系统外部的输入输出特性，通过训练大量的样本数据，可以预测不同环境下电池的SOC状态，泛化能力很强。具有效率高、成本低的特点。【附图说明】下面对本说明书附图所表达的内容及图中的标记作简要说明:图1是本专利技术的【具体实施方式】的SOC预测方法结构流程图。图2是本专利技术的【具体实施方式】的AFSA-RBF模型优化流程图。图3是本专利技术的【具体实施方式】的优化的RDF神经网络结构图。【具体实施方式】下面对照附图，通过对实施例的描述，本专利技术的【具体实施方式】如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。一种改进的RBF神经网络的电池SOC预测方法，首先通过RBF神经网络方法建立动力电池SOC预测模型，然后以神经网络的输出电池SOC作为评价指标，建立一个优化模型，采用人工鱼群算法分别对宽度向量&、中心向量V1和输出神经元的权值W1进行优化计算。采用人工鱼群算法分别对宽度向量S1、中心向量Vi和输出神经元的权值Wi进行优化计算，具体是:利用人工鱼群算法优化训练RBF神经网络，以电池的外部环境温度、放电电流和端电压作为RBF网络模型的输入，建立人工鱼群算法优化神经网络的最优模型，预测出以电池外部环境温度、放电电流和端电压为输入的电池SOC最优解。结合图1所示的一种基于AFSA-RBF网络的纯电动汽车动力电池SOC预测方法，本专利技术的步骤如下:(I)利用AFSA训练RBF网络结构，得到利用AFSA优化RBF后的最优网络结构；(2)将电池的外部环境温度、放电电流、端电压作为优化后RBF网络结构的三个输入，并将动力电池的SOC作为网络结构的输出；(3)用AFSA优化RBF后的最优网络结构建立RBF网络的预测模型，并对动力电池SOC预测。结合图2所示的AFSA-RBF模型优化流程图，为解决RBF网络参数选择的不确定性，利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)，步骤如下:Stepl:首先对鱼群进行初始化，随机产生N条人工鱼，即人工鱼种群大小为N;Step2:用人工鱼群算法训练径向基神经网络，通过AFSA优化网络的宽度向量δι、中心向量Vi，输出神经元的权值Wi ；Step3:获得AFSA优化后的RBF网络结构及参数，据此网络结构建立RBF网络预测模型；Step4:计算所有个体的目标函数值(适应度值)，目标函数(即适应度函数)选取为SOC预测值f (Xi)与SOC实测值yi之差的范数，S卩obj = | y1-f(xi) | | ；Step5:判断是否本文档来自技高网...

【技术保护点】
一种改进的RBF神经网络的电池SOC预测方法，其特征在于,该方法通过RBF神经网络方法建立动力电池SOC预测模型，然后以神经网络的输出电池SOC作为评价指标，建立一个优化模型，采用人工鱼群算法分别对神经网络的宽度向量δi、中心向量vi和输出神经元的权值wi进行优化计算。

【技术特征摘要】

【专利技术属性】
技术研发人员：田丽，凤志民，娄洁，曹安照，李从飞，吴道林，王勇，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：安徽;34