[发明专利]一种基于改进的I-ELM的动力电池SOC预测方法及装置

权利要求书

1.一种基于改进的I-ELM的动力电池SOC预测方法，其特征在于，包括：

采集训练样本，所述训练样本包括动力电池的充放电数据和动力电池的SOC数据，并对所述动力电池的充放电数据和SOC数据进行归一化处理，所述动力电池的充放电数据包括电压信号、电流信号和温度信号；

将所述训练样本输入到改进的I-ELM网络中进行训练，确定网络模型参数；所述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络，所述网络模型参数包括隐层神经元的输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值；

根据所述网络模型参数建立改进的I-ELM网络模型，并将现场采集的动力电池充放电数据进行归一化处理后输入至所述改进的I-ELM网络模型中，确定动力电池的荷电状态；

所述确定网络模型参数，包括：

随机获取隐层神经元的输入权值和阈值，并确定隐层神经元的激励函数；

根据所述隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵，并为所述隐层输出矩阵增加偏置，进而确定输出权值；

计算余差和误差，所述余差的初始值与归一化处理后的SOC数据相对应，所述误差为所述余差的平方平均数；当所述误差不小于期望误差时，增加一个隐层神经元并训练所述增加的隐层神经元，直至所述误差小于期望误差；

所述为所述隐层输出矩阵增加偏置，进而确定输出权值，包括：

选取偏置m，所述隐层输出矩阵M＝[(h₁+m),(h₂+m),…,(h_N+m)]，其中，h_i为I-ELM网络的输出矩阵H＝[h₁,h₂,…,h_N]中的矩阵元素，N为训练样本的样本数；

根据所述隐层输出矩阵M和余差E确定输出权值k，所述输出权值为：

k=E·MTM·MT;]]>

所述计算余差，包括：

所述余差为E'＝E-k×(m+H)，其中，E’为本轮计算重新确定的余差；

所述选取偏置m，包括：

根据余差E和I-ELM网络的输出矩阵H确定三个参数c₁,c₂,c₃，其中，

c₁＝a₁b₂-a₂b₁，c₂＝2(a₁b₃-a₃b₁)，c₃＝a₂b₃-a₃b₂，b₁＝N，

当c₁≠0时，确定两个偏置：

m=-c2±c22-4c1c32c1;]]>

并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置；

其中，误差Z’为：

ei为余差E＝[e₁,e₂,…,e_N]中的余差元素；

当c₁＝0、c₂≠0且时，偏置为

当c₁＝0、c₂≠0且时，所述隐层神经元无效，重新训练所述隐层神经元；

当c₁＝0、c₂＝0时，偏置为m＝0。

2.一种基于改进的I-ELM的动力电池SOC预测装置，其特征在于，包括：

采集模块，用于采集训练样本，所述训练样本包括动力电池充放电数据和动力电池的SOC数据，并对所述动力电池充放电数据和SOC数据进行归一化处理，所述动力电池充放电数据包括电压信号、电流信号和温度信号；

训练模块，用于将所述训练样本输入到改进的I-ELM网络中进行训练，确定网络模型参数；所述改进的I-ELM网络为在I-ELM网络的基础上为隐层输出矩阵增加偏置的网络，所述网络模型参数包括隐层神经元的输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值；

处理模块，用于根据所述网络模型参数建立改进的I-ELM网络模型，并将现场采集的动力电池充放电数据进行归一化处理后输入至所述改进的I-ELM网络模型中，确定动力电池的荷电状态；

所述训练模块包括：

获取单元，用于随机获取隐层神经元的输入权值和阈值，并确定隐层神经元的激励函数；

确定单元，用于根据所述隐层神经元的输入权值、阈值和激励函数确定当前的隐层输出矩阵，并为所述隐层输出矩阵增加偏置，进而确定输出权值；

计算单元，用于计算余差和误差，所述余差的初始值与归一化处理后的SOC数据相对应，所述误差为所述余差的平方平均数；当所述误差不小于期望误差时，增加一个隐层神经元并训练所述增加的隐层神经元，直至所述误差小于期望误差；

所述确定单元包括：

选取子单元，用于选取偏置m，所述隐层输出矩阵M＝[(h₁+m),(h₂+m),…,(h_N+m)]，其中，h_i为I-ELM网络的输出矩阵H＝[h₁,h₂,…,h_N]中的矩阵元素，N为训练样本的样本数；

确定子单元，用于根据所述隐层输出矩阵M和余差E确定输出权值k，所述输出权值为：

k=E·MTM·MT;]]>

所述计算单元具体用于：计算余差及误差，所述余差为E'＝E-k×(m+H)，其中，E’为本轮计算重新确定的余差；

所述选取子单元具体用于：

根据余差E和I-ELM网络的输出矩阵H确定三个参数c₁,c₂,c₃，其中，

c₁＝a₁b₂-a₂b₁，c₂＝2(a₁b₃-a₃b₁)，c₃＝a₂b₃-a₃b₂，b₁＝N，

当c₁≠0时，确定两个偏置：

m=-c2±c22-4c1c32c1;]]>

并在两个偏置中选取使误差Z’较小的一个偏置作为最终确定的偏置；

其中，误差Z’为：

ei为余差E＝[e₁,e₂,…,e_N]中的余差元素；

当c₁＝0、c₂≠0且时，偏置为

当c₁＝0、c₂≠0且时，所述隐层神经元无效，重新训练所述隐层神经元；

当c₁＝0、c₂＝0时，偏置为m＝0。