一种基于神经网络和ukf的锂电池组soc预测方法
【专利摘要】本发明公开了一种基于神经网络和UKF的锂电池组SOC预测方法，包括：S1、采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据；S2、建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理后获得最后的预测结果。本发明可以准确地获得SOC的在线预测值，而且预测精度高、误差小，预测成本低，可广泛应用于电动汽车的控制行业中。
【专利说明】
一种基于神经网络和UKF的锂电池组SOC预测方法
技术领域
[0001] 本发明涉及电动汽车电池技术领域，特别是涉及一种基于神经网络和UKF的锂电 池组S0C预测方法。
【背景技术】
[0002] 名词解释：
[0003] UKF:Unscented Kalman Filter，中文名称为无损卡尔曼滤波、无迹卡尔曼滤波或 者去芳香卡尔曼滤波，是无损变换和标准Kalman滤波体系的结合，通过无损变换使非线性 系统方程适用于线性假设下的标准Kalman滤波体系；
[0004] S0C:荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的 剩余容量与其完全充电状态的容量的比值，常用百分数表示；
[0005] BP神经网络:Back Propagation神经网络，按误差逆传播算法训练的多层前馈网 络。
[0006] 由于人类社会迅速发展，环境问题日益突出，石油燃料日益减少。传统的燃油汽车 在给人类带来便捷的同时，产生了严重的环境问题，出现了雾霾天气，对人类健康带来严重 威胁。电动汽车依靠电力作为动力，具有零排放、低噪声、无污染等优点。电动汽车发展迅 速，但是电池管理系统技术的发展相对落后。如果电池管理技术不完善，将会使电池过充或 过放，电池长期处于该状态会严重影响其寿命。S0C是磷酸铁锂电池的重要参数，对于整车 的控制策略具有重要的意义。由于磷酸铁锂电池是化学电池，具有很强的非线性，精确的模 型难以建立，S0C预测困难。
[0007] 目前，研究S0C的方法很多，常见测量或预测方法的有开路电压法、安时积分法、放 电实验法、神经网络算法、卡尔曼滤波法等。现有方法不足之处如下：一、开路电压法，利用 开路电压和S0C的对应关系，需要静置的时间较长，由查表得到电池的S0C，这种方法操作简 单，但是电池组要间歇静置，适合实验室用，不满足电动汽车在线要求;二、安时积分法，可 在线测试，使用简单，但该方法会随着时间的积累导致估算误差增大;三、放电实验法，该方 法可以测量得到可靠的S0C，但是该方法需要离线测试，需要充放电机，充放电时间长，导致 成本增加；四、神经网络算法预测，这种方法的预测精度依赖于大量的训练数据和合适的训 练方法;五、卡尔曼滤波算法，适合电动车剧烈运行的工况，但是传统的卡尔曼滤波算法只 适合线性系统，对于在运行中呈现强烈非线性的磷酸铁锂电池不适合。
[0008] 总的来说，目前对电动汽车锂电池组S0C的在线测量或预测方法存在误差大、精度 低、成本高或者建模准确度低等问题，难以准确地获得电动汽车锂电池的S0C。
【发明内容】
[0009] 为了解决上述的技术问题，本发明的目的是提供一种基于神经网络和UKF的锂电 池组S0C预测方法。
[0010]本发明解决其技术问题所采用的技术方案是：
[0011] -种基于神经网络和UKF的锂电池组S0C预测方法，包括步骤：
[0012] S1、采集电动汽车锂电池组的历史充放电数据以及对应的S0C数据；
[0013] S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神 经网络；
[0014] S3、对电动汽车锂电池组的历史充放电数据以及对应的S0C数据进行归一化处理；
[0015] S4、根据归一化处理后的数据对建立的BP神经网络进行训练；
[0016] S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入， 采用训练后的BP神经网络对锂电池组的S0C数据进行预测；
[0017] S6、采用UKF滤波算法对BP神经网络预测获得的S0C数据进行滤波处理后获得最后 的预测结果。
[0018] 进一步，所述充放电数据包括锂电池组的各单体电池的充放电电流、单体电压和 工作温度。
[0019] 进一步，所述步骤S2,包括：
[0020] S21、根据采集的电动汽车锂电池组的历史充放电数据以及对应的S0C数据，将任 一时刻的S0C数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放 电数据作为BP神经网络的输入数据；
[0021] S22、对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节点数，从 而确定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。
[0022] 进一步，所述BP神经网络依次包括输入层、隐含层和输出层，其中所述隐含层和输 出层的任一节点的输入均为前一层的节点的加权和，且每个节点的激励程度由预设的激励 函数决定。
[0023]进一步，所述步骤S3,其具体为：
[0024] 根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对S0C数 据进行反归一化处理：
[0025] "vmax
"'.mm
[0026] 上式中，&表示归一化处理后的数据，Xl表示实际输入的历史充放电数据或者反归 一化处理后的S0C数据，i为自然数，表示序号， Xmax表示Xl所在数据序列中的最大值，Xmin表 示Xi所在数据序列中的最小值。
[0027]进一步，所述步骤S4,其具体为：
[0028]根据归一化处理后的数据对建立的BP神经网络进行误差计算、权值更新和阀值更 新，进而将BP神经网络的预测误差控制在预设范围内。
[0029]进一步，所述步骤S6,其具体为：
[0030] 将BP神经网络预测获得的S0C数据作为UKF的测量方程，同时采用安时积分法获得 S0C值作为UKF的状态方程，进而进行UKF滤波后获得最后的S0C预测结果。
[0031] 进一步，所述采用安时积分法获得S0C值的步骤中，S0C值的计算公式如下：
[0032]
[0033] 上式中，S0C(k+i)表示安时积分法预测的k+Ι时刻的S0C值，SOC(k)表示k时刻的S0C 值，I表示电流，Qmax表示单体电池的最大容量，V表示状态噪声，At表示离散时间间隔。 [0034]本发明的有益效果是：本发明的一种基于神经网络和UKF的锂电池组S0C预测方 法，包括步骤:S1、采集电动汽车锂电池组的历史充放电数据以及对应的S0C数据;S2、确定 神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网络;S3、对电 动汽车锂电池组的历史充放电数据以及对应的S0C数据进行归一化处理;S4、根据归一化处 理后的数据对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充 放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的S0C数据进行预 测；S6、采用UKF滤波算法对BP神经网络预测获得的S0C数据进行滤波处理后获得最后的预 测结果。本方法可以准确地对电动汽车锂电池组的S0C值进行建模并获得S0C的在线预测 值，而且预测精度高、误差小，预测成本低。
【附图说明】
[0035]下面结合附图和实施例对本发明作进一步说明。
[0036]图1是本发明的一种基于神经网络和UKF的锂电池组S0C预测方法的流程图；
[0037]图2是本发明的一种基于神经网络和UKF的锂电池组S0C预测方法所建立的BP神经 网络的结构示意图；
[0038]图3是本发明的具体实施例中采用BP神经网络和UKF获得S0C预测值的结构示意 图。
【具体实施方式】
[0039] 参照图1，本发明提供了一种基于神经网络和UKF的锂电池组S0C预测方法，包括步 骤：
[0040] S1、采集电动汽车锂电池组的历史充放电数据以及对应的S0C数据；
[0041] S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神 经网络；
[0042] S3、对电动汽车锂电池组的历史充放电数据以及对应的S0C数据进行归一化处理； [0043] S4、根据归一化处理后的数据对建立的BP神经网络进行训练；
[0044] S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入， 采用训练后的BP神经网络对锂电池组的S0C数据进行预测；
[0045] S6、采用UKF滤波算法对BP神经网络预测获得的S0C数据进行滤波处理后获得最后 的预测结果。
[0046] 进一步作为优选的实施方式，所述充放电数据包括锂电池组的各单体电池的充放 电电流、单体电压和工作温度。
[0047] 进一步作为优选的实施方式，所述步骤S2,包括：
[0048] S21、根据采集的电动汽车锂电池组的历史充放电数据以及对应的S0C数据，将任 一时刻的S0C数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放 电数据作为BP神经网络的输入数据；
[0049] S22、对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节点数，从 而确定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。
[0050] 进一步作为优选的实施方式，参照图2,所述BP神经网络依次包括输入层、隐含层 和输出层，其中所述隐含层和输出层的任一节点的输入均为前一层的节点的加权和，且每 个节点的激励程度由预设的激励函数决定。
[0051] 进一步作为优选的实施方式，所述步骤S3，其具体为：
[0052] 根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对S0C数 据进行反归一化处理：
[0053]
[0054] 上式中，i表示归一化处理后的数据，Xl表示实际输入的历史充放电数据或者反归 一化处理后的S0C数据，i为自然数，表示序号， Xmax表示Xl所在数据序列中的最大值，Xmin表 示Xi所在数据序列中的最小值。
[0055]进一步作为优选的实施方式，所述步骤S4，其具体为：
[0056]根据归一化处理后的数据对建立的BP神经网络进行误差计算、权值更新和阀值更 新，进而将BP神经网络的预测误差控制在预设范围内。
[0057]进一步作为优选的实施方式，所述步骤S6，其具体为：
[0058]将BP神经网络预测获得的S0C数据作为UKF的测量方程，同时采用安时积分法获得 S0C值作为UKF的状态方程，进而进行UKF滤波后获得最后的S0C预测结果。
[0059]进一步作为优选的实施方式，所述采用安时积分法获得S0C值的步骤中，S0C值的 计算公式如下：
[0060]
[0061 ] 上式中，S0C(k+i)表示安时积分法预测的k+Ι时刻的S0C值，SOC(k)表示k时刻的S0C 值，I表示电流，Qmax表示单体电池的最大容量，V表示状态噪声，At表示离散时间间隔。 [0062]以下结合具体实施例对本发明做详细说明。
[0063] 参照图1，本发明提供了一种基于神经网络和UKF的锂电池组S0C预测方法，包括步 骤：
[0064] S1、采集电动汽车锂电池组的历史充放电数据以及对应的S0C数据;充放电数据包 括锂电池组的各单体电池的充放电电流、单体电压和工作温度等与S0C数据相关的变量。 [0065] S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神 经网络；
[0066] S3、对电动汽车锂电池组的历史充放电数据以及对应的S0C数据进行归一化处理； [0067] S4、根据归一化处理后的数据对建立的BP神经网络进行训练，具体为:根据归一化 处理后的数据对建立的BP神经网络进行误差计算、权值更新和阀值更新，进而将BP神经网 络的预测误差控制在预设范围内；本实施例中，预设范围为5%~10%;进行误差控制，能够 以任意精度逼近任意非线性映射；
[0068] S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入， 采用训练后的BP神经网络对锂电池组的S0C数据进行预测；
[0069] S6、采用UKF滤波算法对BP神经网络预测获得的S0C数据进行滤波处理后获得最后 的预测结果，具体为:将BP神经网络预测获得的S0C数据作为UKF的测量方程，同时采用安时 积分法获得SOC值作为UKF的状态方程，进而进行UKF滤波后获得最后的SOC预测结果。本实 施例中采用BP神经网络和UKF获得S0C预测值的结构示意图如图3所示，本方法通过BP神经 网络和UKF可以准确地对电动汽车锂电池组的S0C估计情况进行建模，从而快速地获得精确 度高的S0C预测值。
[0070] UKF的测量方程具体如下：
[0071] NN(k+i) = S0C' (k)+w
[0072] 上式中，NN(k+i)表示UKF在k+1时刻输出的SOC值，SOC' (k)表示BP神经网络预测获得 的S0C数据，W表示测量噪声。
[0073] 采用安时积分法获得S0C值的步骤中，S0C值的计算公式如下：
[0074]
&-max
[0075] 上式中，S0C(k+i)表示安时积分法预测的k+1时刻的SOC值，SOC(k)表示k时刻的SOC 值，I表示电流，Qmax表示单体电池的最大容量，v表示状态噪声，At表示离散时间间隔。
[0076] 本实施例中，参照图2,所述BP神经网络依次包括输入层、隐含层和输出层，其中所 述隐含层和输出层的任一节点的输入均为前一层的节点的加权和，且每个节点的激励程度 由预设的激励函数决定。
[0077] 具体的，如图2所示，输出层的第k个节点的输入为：
[0078]
[0079] 上式中，q表示隐含层的节点数，表示隐含层的节点的输出，表示隐含层的节 点和输出层的节点之间的连接权值。
[0080] 激励程度表示输出值相对于输入值的激励程度。相应的，输出层的第k个节点的输 出为：
[0081] 〇k = f (nk)
[0082] 上式中，〇k表示输出层的第k个节点的输出，f(.)表示激励函数。
[0083]优选的，本实施例中，满足下式：
[0084]
X -I- U -
[0085] 其中，01{表示阈值，决定了将此神经元激活的最小输入，其值可以预先设定或调 整。
[0086] 具体的，步骤S2包括S21和S22:
[0087] S21、根据采集的电动汽车锂电池组的历史充放电数据以及对应的S0C数据，将任 一时刻的S0C数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放 电数据作为BP神经网络的输入数据；
[0088] S22、对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节点数，从 而确定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。图2中，Χ^Χ〗· · ·Χη表 示输入层的节点，yi，y2 · · · yn表示输出层的节点。Xi=(Ii，Vi，Ti)，i = l，2,.. .，n，Ii、Vi、 Ti依次表示锂电池组的单体电池的充放电电流、单体电压和工作温度。
[0089] 步骤S3具体为：
[0090] 根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对S0C数 据进行反归一化处理：
[0091]
[0092] 上式中，X;表不归一化处理后的数据，Xi表示实际输入的历史充放电数据或者反归 一化处理后的S0C数据，i为自然数，表示序号， Xmax表示Xl所在数据序列中的最大值，Xmin表 示Xi所在数据序列中的最小值。
[0093]以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施 例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替 换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
【主权项】
1. 一种基于神经网络和UKF的裡电池组SOC预测方法，其特征在于，包括步骤： 51、 采集电动汽车裡电池组的历史充放电数据W及对应的S0C数据； 52、 确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网 络； 53、 对电动汽车裡电池组的历史充放电数据W及对应的S0C数据进行归一化处理； 54、 根据归一化处理后的数据对建立的BP神经网络进行训练； 55、 获取预设时间内的电动汽车裡电池组的充放电数据作为BP神经网络的输入，采用 训练后的BP神经网络对裡电池组的S0C数据进行预测； 56、 采用UKF滤波算法对BP神经网络预测获得的S0C数据进行滤波处理后获得最后的预 测结果。2. 根据权利要求1所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述充放电数据包括裡电池组的各单体电池的充放电电流、单体电压和工作溫度。3. 根据权利要求2所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述步骤S2,包括： 521、 根据采集的电动汽车裡电池组的历史充放电数据W及对应的S0C数据，将任一时 刻的S0C数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放电数 据作为BP神经网络的输入数据； 522、 对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节点数，从而确 定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。4. 根据权利要求2所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述BP神经网络依次包括输入层、隐含层和输出层，其中所述隐含层和输出层的任一节 点的输入均为前一层的节点的加权和，且每个节点的激励程度由预设的激励函数决定。5. 根据权利要求2所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述步骤S3,其具体为： 根据下式，对电动汽车裡电池组的历史充放电数据进行归一化处理，同时对S0C数据进 行反归一化处理：上式中，品表示归一化处理后的数据，XI表示实际输入的历史充放电数据或者反归一化 处理后的S0C数据，i为自然数，表示序号，Xmax表示XI所在数据序列中的最大值，Xmin表示XI所 在数据序列中的最小值。6. 根据权利要求2所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述步骤S4,其具体为： 根据归一化处理后的数据对建立的BP神经网络进行误差计算、权值更新和阀值更新， 进而将BP神经网络的预测误差控制在预设范围内。7. 根据权利要求2所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述步骤S6,其具体为： 将BP神经网络预测获得的S0C数据作为UKF的测量方程，同时采用安时积分法获得S0C 值作为UKF的状态方程，进而进行UKF滤波后获得最后的SOC预测结果。8.根据权利要求7所述的一种基于神经网络和UKF的裡电池组S0C预测方法，其特征在 于，所述采用安时积分法获得S0C值的步骤中，S0C值的计算公式如下：上式中，S0C(k+i)表示安时积分法预测的k+1时刻的S0C值，SOC(k)表示k时刻的S0C值，I表 示电流，Qmax表示单体电池的最大容量，V表示状态噪声，Δ t表示离散时间间隔。
【文档编号】G01R31/36GK105974327SQ201610407219
【公开日】2016年9月28日
【申请日】2016年6月12日
【发明人】吕洲, 何波, 高福荣, 姚科
【申请人】广州市香港科大霍英东研究院