CN108181591B - 一种基于改进型bp神经网络的电池soc值的预测方法 - Google Patents

Abstract

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。

Description

一种基于改进型BP神经网络的电池SOC值的预测方法

技术领域

本发明属于电动汽车电池技术领域，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。

背景技术

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。

发明内容

本发明针对背景技术存在的缺陷，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。本发明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；本发明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。

本发明的技术方案如下：

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***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***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***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A_k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A_k-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b_i对抗原的适应度A_bgi为：

其中，g_max为目标函数g(抗原)的最大值，A_bgi∈(0,1]，数值越大，表示抗体对抗原的适应度越高；g(b_i)为第i个抗体b_i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b_i的相似度大于λ的抗体所占的比例定义为抗体b_i的浓度C_i：

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，A_αβ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p_d'为：

抗体被选择的概率p由适应度概率p_f和浓度概率p_c两部分构成，即

p＝μp_f+(1-μ)p_c

其中

μ表示亲和系数且μ＞0

适应度概率p_f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，本发明具有以下有益效果：

本发明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。本发明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为本发明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为本发明实施例预测方法中网络模型测试步骤的原理图；

图3为本发明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为本发明实施例预测方法的预测结果图；

图5为本发明实施例预测方法(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，详述本发明的技术方案。

一种基于改进型BP神经网络的电池SOC值的预测方法，其中，所述电池数据采集步骤为采集新能源电动汽车动力电池数据，主要包括电池的电压、电流、温度、内阻、已放电量、放电倍率等。所述数据预处理步骤为数据清洗、数据转换和数据降维，最后得到处理后的数据矩阵。所述网络模型搭建和优化步骤如附图1所示，包括免疫遗传算法优化部分和BP神经网络构建部分，其中BP神经网络的权值和阈值的赋值需要经过免疫遗传算法的优化，通过将待优化的权值和阈值作为目标函数，该目标函数作为抗原接收内容，然后进行抗体种群的初始化操作，计算适应度函数，并通过抗体的选择、交叉、变异等操作，最后保留适应度最大的抗体作为最优解输出，得到优化后的BP神经网络的权值和阈值。

本发明通过对获得的新能源电动汽车的实时车辆电池数据进行大数据分析挖掘处理。一方面，通过对采集到的数据进行清洗、转换、降维等处理，从而提高车辆数据质量和数据挖掘的效率与准确性；另一方面，采用主成分分析方法、免疫遗传优化算法和BP神经网络结构相结合，挖掘电池剩余电量SOC值与车辆工况电池数据之间的潜在对应关系，并得到电池剩余电量SOC值网络预测模型，完成初始电池剩余电量SOC值网络预测模型的构建，实现对新能源车辆电池剩余电量SOC值的预测。

实施例

一种基于改进型BP神经网络的电池SOC值的预测方法，具体包括以下步骤：

步骤1、采集新能源电动汽车动力电池数据，得到初始的电池数据样本；其中，采集的电池数据主要为电池的电压、电流、温度、内阻、已放电量、放电倍率等，之后进入步骤2；

步骤2、对步骤1得到的初始的电池数据样本分别执行数据清洗、数据转换和数据降维处理，得到数据矩阵；本实施例中挑选对电池SOC值贡献率大于90％的变量得到处理后数据矩阵D＝[V_K，I_K，T_K，SOC_K]，其中V_K，I_K，T_K，SOC_K分别表示电压列向量，电流列向量，温度列向量，电池SOC真实值列向量，之后进入步骤3；

步骤3、将步骤2得到的数据矩阵进行归一化处理：采用MATLAB自带的mapminmax函数将步骤2得到的数据矩阵归一化到区间[-1,1]，得到归一化后的数据矩阵D'＝[V_K',I_K',T_K',SOC_K']，其中，V_K',I_K',T_K',SOC_K'分别表示归一化后的电池电压列向量，电流列向量，温度列向量，电池SOC真实值列向量；

步骤4、BP神经网络建模：本实施例中采用三层BP网络结构模型建模，其中，输入层表示为：X＝(X₁，X₂，…X_n)，X_n是输入的特征向量，n为输入的特征向量个数，输入层与隐含层的连接矩阵表示为：W＝(w₀,w₁,w₂,…w_n)，其中w₀为阈值向量，w₁，…，w_n为权值向量，隐含层与输出层的连接矩阵表示为：V＝(v₀,v₁,v₂,…,v_n)，其中v₀为阈值向量，v₁，…，v_n为权值向量，输出层则用Y来表示；通过三层BP网络结构模型建模，得到BP神经网络结构模型；

步骤5、网络模型的优化：

利用免疫遗传算法优化BP神经网络的权值和阈值，本实施例中免疫遗传优化算法的过程为：1)将BP神经网络的待优化的权值和阈值作为相应的目标函数作为抗原的接收；2)初始化40个抗体组成抗体种群，设定进化代数为20；3)计算抗体适应度值；4)将抗体适应度值满足设定要求的抗体保留，本实施例设定要求值是抗体适应度值小于0.25，得到免疫记忆单元数据，为下次进化时提供初始的抗体；5)计算抗体的浓度以及抗体间的相似度；6)进行抗体的抑制/促进，其中在进行抗体选择概率时，本实施例亲和系数为1.2；7)通过步骤6)选择概率公式计算得到的每个抗体被选择的概率排序，然后选取其中概率最大的20个抗体组成一个新的种群，并对这个种群进行抗体的交叉和变异操作，其中本实施例中交叉概率设置为0.2，变异概率设置为0.1，接着更新这个抗体种群；最后判断是否满足设置要求。本实施的设定要求为适应度值小于0.12或者进化代数大于20次，若满足则退出，同时保留适应度最大的抗体作为最优解输出，得到优化后的值；如不满足需要重新进行上述操作直到满足结束要求为止。

其中进化代数为免疫遗传算法网络循环迭代次数，交叉操作采用的是从抗体种群中选择两个抗体，按照一定的概率交叉得到新的抗体，本实施例中交叉概率为0.2，变异操作采用的是从抗体种群中随机选择一个抗体，按照一定的概率变异得到新抗体，本实施例变异概率为0.1。免疫遗传算法的流程图如附图1所示；

步骤6、将步骤3归一化后得到的数据矩阵采用抽样法进行数据划分，分为训练集和测试集，本实施例中选取的样本总数为2000个，其中测试集为100个，剩下的1900个作为训练集；然后，通过步骤5优化后的网络结构模型，将训练集数据矩阵导入优化后的网络结构模型中进行训练，得到训练后的网络结构模型，再将测试集的数据矩阵导入训练后的网络结构模型中进行测试，输出电池SOC值结果，之后进入步骤7；

步骤7、计算步骤6输出的结果的误差；假设选取r个测试样本，采用交叉熵作为误差函数，则误差计算公式为：

本实施例中，r为100个测试样本，v表示预测值，u表示实际值。

步骤8、当步骤7计算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，则进入步骤4，通过改变隐含层神经元的个数重新搭建网络模型，直到满足设定的误差精度要求；本实施例中精度设定为2％；

步骤9、将步骤8得到的电池的SOC值经激活函数计算，得到最终的电池剩余电量SOC预测值；其中，激活函数表达式为：

y表示输出电池的SOC值。

本实施例的适应度曲线如附图3所示，表明采用免疫遗传算法求解速度快，响应时间短，经过约10次进化迭代后达到了最佳的适应度值，有利于加快整个网络预测时间，提高网络的运行效率。

本实施例得到的预测结果如附图4和5所示；表明本发明经免疫遗传算法改进后的BP神经网络相较于传统的BP神经网络，在预测精度上提高了4～6倍，且预测误差控制在2％以内(在可接受的误差范围内)，该模型能够用于电动汽车动力电池SOC值的精确预测。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (2)

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；

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b_i对抗原的适应度A_bgi为：

其中，g_max为目标函数g的最大值，A_bgi∈(0,1]，数值越大，表示抗体对抗原的适应度越高；g(b_i)为第i个抗体b_i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：与抗体b_i的相似度大于λ的抗体所占的比例定义为抗体b_i的浓度C_i：

其中，λ表示相似度常数；

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的抗体，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p_d′为：

抗体被选择的概率p由适应度概率p_f和浓度概率p_c两部分构成，即

p＝μp_f+(1-μ)p_c

其中

μ表示亲和系数且μ＞0

适应度概率p_f定义为：

其中，k为常数；

g.将根据步骤f抗体被选择的概率p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个抗体组成一个种群BK；然后对种群BK中的抗体进行交叉和变异处理，得到新的种群BK’；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；

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。

Images