一种基于改进型BP神经网络的电池SOC值的预测方法技术

一种基于改进型BP神经网络的电池SOC值的预测方法，属于电动汽车电池技术领域。本发明专利技术采用免疫遗传优化算法优化网络模型，克服了普通遗传优化算法陷入局部极值的缺点，同时保留了遗传算法强大的全局随机搜索能力；本发明专利技术利用神经网络较好的非线性拟合能力，挖掘出电池数据与电池SOC值的潜在对应关系，实现了动态电池SOC值的精确预测，便于电池的维护管理，有助于提高电池的效率与使用寿命，同时方法简单，易于实现，准确高效，具有广泛的应用价值。

A prediction method of battery SOC value based on improved BP neural network

A prediction method of battery SOC value based on improved BP neural network belongs to the field of electric vehicle battery technology. The invention uses the immune genetic optimization algorithm to optimize the network model, overcomes the disadvantage of the common genetic optimization algorithm falling into the local extremum, and preserves the powerful global random search ability of the genetic algorithm, and uses the better nonlinear fitting ability of the neural network to excavate the potential correspondence between the battery data and the SOC value of the battery. It realizes the accurate prediction of the SOC value of the dynamic battery, facilitates the maintenance and management of the battery, and helps to improve the efficiency and service life of the battery. At the same time, the method is simple, easy to be realized, accurate and efficient, and has extensive application value.

【技术实现步骤摘要】
一种基于改进型BP神经网络的电池SOC值的预测方法
本专利技术属于电动汽车电池
，具体涉及一种基于改进型BP神经网络的电池SOC值的预测方法。
技术介绍
经济的快速发展导致环境和资源都出现严重的问题，为进一步减少对资源的消耗，加大对环境的保护力度，势必要发展新能源电动汽车。而电动汽车发展的关键技术问题在于动力电池技术的发展，电池是新能源电动汽车的能量来源，为保证电池组的优良性能并延长其使用寿命，需要对电池进行必要的管理和控制。SOC作为体现电池内部状态的重要参量，对SOC值的准确估算在电池技术发展中显得尤为重要。目前，在动力电池领域，对电池的SOC值的估算主要有安时积分法、开路电压法、卡尔曼滤波算法以及计算机智能算法等。这些算法通常预测精度不高，存在容易受传感器采集精度的影响、电磁干扰引起的状态监测的不准确、估算误差大以及稳定性不好等问题，难以满足实际应用的需求。
技术实现思路
本专利技术针对
技术介绍
存在的缺陷，提出了一种基于改进型BP神经网络的电池SOC值的预测方法。本专利技术利用神经网络较好的非线性拟合能力，挖掘出电池数据与电池SOC值的潜在对应关系，从而构建出与车辆电池数据相关的电池SOC估算预测网络模型；本专利技术方法适用于多种电池类型，减少了对电池模型的依赖性，实现了对新能源车辆电池的SOC值的精确预测。本专利技术的技术方案如下：一种基于改进型BP神经网络的电池SOC值的预测方法，包括以下步骤：1、电池数据采集步骤：采集电动汽车动力电池数据，得到初始的电池数据样本；2、数据预处理步骤：对步骤1采集得到的电池数据进行数据清洗、数据转换和数据降维，得到数据矩阵；3、网络模型搭建步骤：采用三层BP神经网络结构模型建模，得到网络结构模型；4、网络模型优化步骤：利用免疫遗传算法优化步骤3得到的网络结构模型中的权值和阈值，从而构建出优化后的网络结构模型；5、网络结构模型训练步骤：将步骤2得到的数据矩阵进行数据划分，分为训练集和测试集，将训练集的数据导入步骤4优化后的网络结构模型进行网络训练；6、网络模型测试步骤：将步骤5得到的测试集的数据导入步骤5训练后的网络模型中进行测试，得到预测的电池SOC值；7、误差评估步骤：将步骤6预测的电池SOC值与实际的SOC值进行误差计算，当得到的误差小于或等于设定的精度时，输出电池的SOC值，当得到的误差大于设定的精度时，返回步骤3，重新对网络模型进行搭建，直到满足设定的误差精度要求。优选地，在步骤2所述数据预处理步骤中，数据清洗的具体过程为：a.采用描述性统计方法，初步清洗所述电池数据中的脏数据，例如：无效值、空值、重复值或异常值；b.通过专家系统对经初步清洗的电池数据进行进一步清洗处理，输出最终的电池数据，记为第一数据集。其中，专家系统为基于电池数据变量的物理意义构建的数据清洗工具。优选地，步骤2所述数据预处理的具体过程为：首先，对步骤1采集得到的电池数据进行数据清洗，得到第一数据集；然后，采用标准差标准化的方式，将第一数据集转换得到第二数据集；最后采用主成分分析的方法将第二数据集中无关的特征向量删除，完成数据的降维过程，得到数据矩阵。进一步地，无关特征向量的删除采用主成分分析的方法实现，将转换后的第二数据集进行主成分分析，选择对电池SOC值贡献度大于90％的属性，删除剩下的贡献度的属性。进一步地，步骤4网络模型优化中，将生物领域的免疫系统机制加入遗传算法中进行网络结构模型的优化。进一步地，步骤4网络模型优化的具体过程为：a.将步骤3搭建的网络结构模型中的待优化的值作为目标函数g对应抗原的接收；b.构建初始抗体种群(抗体为目标函数的候选解)：首次进化时随机产生m个抗体构建初始抗体种群A1；第2，…，k次进化时，初始抗体种群由m/2个随机产生的抗体和m/2个选自于上一次进化时(第1，…，k-1次)对应种群的免疫记忆单元中的抗体组成；例如，第k次进化时，初始抗体种群Ak由m/2个随机产生的抗体和m/2个第k-1次进化时对应种群Ak-1的免疫记忆单元中的抗体组成；c.计算抗体适应度(抗体适应度为抗体和抗原之间的亲和度)：假设种群中第i个(i＝1,2,…,m)抗体bi对抗原的适应度Abgi为：其中，gmax为目标函数g(抗原)的最大值，Abgi∈(0,1]，数值越大，表示抗体对抗原的适应度越高；g(bi)为第i个抗体bi对应的目标函数的解；d.免疫记忆单元数据的获取：将步骤c计算得到的抗体适应度中满足适应度设定范围要求的抗体保留，更新免疫记忆单元数据；其中，首次免疫记忆单元数据为第一代进化得到的新的种群BK’；e.计算抗体浓度：在包含m个抗体的种群中，将与抗体bi的相似度大于λ的抗体所占的比例定义为抗体bi的浓度Ci：其中，λ表示一个相似度常数，一般取0.8≤λ≤1相似度的计算公式为：其中，Aαβ指的是两个抗体α和β的相似程度，H(2)为抗体α和β的平均信息熵；f抗体的抑制/促进：根据步骤e计算得到的抗体浓度，选择其中浓度大于设定值ω的抗体(选择得到n个抗体)，得到的n个抗体的浓度概率为：剩下的m-n个抗体的浓度概率pd'为：抗体被选择的概率p由适应度概率pf和浓度概率pc两部分构成，即p＝μpf+(1-μ)pc其中μ表示亲和系数且μ＞0适应度概率pf定义为：其中，k为常数；根据抗体被选择的概率p的定义可知，抗体适应度越大，选择的概率越大；抗体浓度越大，选择的概率越小，以实现抗体的抑制/促进；g.将根据步骤f抗体被选择的概率p公式计算得到的m个抗体被选择的概率进行降序排列，选取其中概率最大的m/2个抗体(前m/2个抗体)组成一个种群BK；然后对种群BK中的抗体进行交叉(其中交叉操作采用实数交叉法)和变异处理，得到新的种群BK’(第一代进化中为首次免疫记忆单元数据)；然后计算新的种群BK’中每个抗体的抗体适应度，若其中存在满足抗体适应度要求的抗体，则保留适应度最大的抗体作为最优解输出，即可得到优化后的值，若其中不存在满足抗体适应度要求的抗体，则返回步骤b进行下一次进化。与传统的电池SOC值估算模型相比，本专利技术具有以下有益效果：本专利技术提供了一种基于改进型BP神经网络的电池SOC值的预测方法，在提升新能源电动汽车电池数据的质量的同时，提高了数据挖掘处理的效率与准确性。本专利技术采用免疫遗传优化算法优化网络模型，克服了普通遗传优化算法陷入局部极值的缺点，同时保留了遗传算法强大的全局随机搜索能力；本专利技术利用神经网络较好的非线性拟合能力，挖掘出电池数据与电池SOC值的潜在对应关系，实现了动态电池SOC值的精确预测，便于电池的维护管理，有助于提高电池的效率与使用寿命，同时方法简单，易于实现，准确高效，具有广泛的应用价值。附图说明图1为本专利技术预测方法中采用免疫遗传算法优化网络结构模型的流程图；图2为本专利技术实施例预测方法中网络模型测试步骤的原理图；图3为本专利技术实施例预测方法中免疫遗传算法(IGA)优化BP神经网络的适应度曲线图；图4为本专利技术实施例预测方法的预测结果图；图5为本专利技术实施例预测方法(IGA-BP)与传统的BP神经网络电池SOC值预测方法得到的预测结果的误差对比图。具体实施方式下面结合附图和实施例，详述本专利技术的技术方案。一种基于改进型BP神经网络的电池SOC值的预测方法，其中，所述电池数据本文档来自技高网...

【技术保护点】
1.一种基于改进型BP神经网络的电池SOC值的预测方法，包括以下步骤：步骤1、电池数据采集步骤：采集电动汽车动力电池数据，得到初始的电池数据样本；步骤2、数据预处理步骤：对步骤1采集得到的电池数据进行数据清洗、数据转换和数据降维，得到数据矩阵；步骤3、网络模型搭建步骤：采用三层BP神经网络结构模型建模，得到网络结构模型；步骤4、网络模型优化步骤：利用免疫遗传算法优化步骤3得到的网络结构模型中的权值和阈值，从而构建出优化后的网络结构模型；步骤5、网络结构模型训练步骤：将步骤2得到的数据矩阵进行数据划分，分为训练集和测试集，将训练集的数据导入步骤4优化后的网络结构模型进行网络训练；步骤6、网络模型测试步骤：将步骤5得到的测试集的数据导入步骤5训练后的网络模型中进行测试，得到预测的电池SOC值；步骤7、误差评估步骤：将步骤6预测的电池SOC值与实际的SOC值进行误差计算，当得到的误差小于或等于设定的精度时，输出电池的SOC值；当得到的误差大于设定的精度时，返回步骤3，重新对网络模型进行搭建，直到满足设定的误差精度要求。

【技术特征摘要】
1.一种基于改进型BP神经网络的电池SOC值的预测方法，包括以下步骤：步骤1、电池数据采集步骤：采集电动汽车动力电池数据，得到初始的电池数据样本；步骤2、数据预处理步骤：对步骤1采集得到的电池数据进行数据清洗、数据转换和数据降维，得到数据矩阵；步骤3、网络模型搭建步骤：采用三层BP神经网络结构模型建模，得到网络结构模型；步骤4、网络模型优化步骤：利用免疫遗传算法优化步骤3得到的网络结构模型中的权值和阈值，从而构建出优化后的网络结构模型；步骤5、网络结构模型训练步骤：将步骤2得到的数据矩阵进行数据划分，分为训练集和测试集，将训练集的数据导入步骤4优化后的网络结构模型进行网络训练；步骤6、网络模型测试步骤：将步骤5得到的测试集的数据导入步骤5训练后的网络模型中进行测试，得到预测的电池SOC值；步骤7、误差评估步骤：将步骤6预测的电池SOC值与实际的SOC值进行误差计算，当得到的误差小于或等于设定的精度时，输出电池的SOC值；当得到的误差大于设定的精度时，返回步骤3，重新对网络模型进行搭建，直到满足设定的误差精度要求。2.根据权利要求1所述的基于改进型BP神经网络的电池SOC值的预测方法，其特征在于，步骤4网络模型优化的具体过程为：a.将步骤3搭建的网络结构模型中的待优化的值作为目标函数对应抗原的接收；b.构建初始抗体种群：首次进化时随机产生m个抗体构建初始抗体种群A1；第2，…，k次进化时，初始抗体种群由m/2个随机产生的抗体和m/2个选自于上一次进化时对应种群的免疫记忆单元中的抗体组成；c.计算抗体适应度：假设种群中第i个抗体bi对抗原的适应度Abgi为：其中，gmax为目标函数g的最大值，...

【专利技术属性】
技术研发人员：徐自强，杨云龙，吴孟强，朱洪涛，王晓辉，马永笠，廖家轩，巩峰，林金明，张韬，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51