[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

说明书

技术领域

本发明涉及动力电池状态预测技术领域，具体地，涉及一种基于改进的I-ELM的动力电池SOC预测方法及装置。

背景技术

近几年，具有寿命长、比能量高、无环境污染、安全性好等优点的磷酸铁锂电池被广泛用做新能源汽车的车载能源。精确的SOC预测是磷酸铁锂电池高效管理的关键技术前提。但是由于磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征，导致仅靠等效电路很难准确描述电池状态的特征，它严重影响电池荷电状态(SOC)的预测精度，影响磷酸铁锂电池利用效率和使用寿命。因此，建立精确的磷酸铁锂动力电池的SOC预测模型，实现对其SOC的准确预测是非常必要的。

目前，预测磷酸铁锂电池SOC的方法主要有：安时计量法、开路电压法、内阻法、卡尔曼滤波法等。这些预测磷酸铁锂电池SOC的方法是通过测量电池在充放电过程中的电压、电流、温度、充放电倍率等数据，并通过它们与SOC的关系来预测SOC的。但是，磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征，这些特征表示磷酸铁锂电池的SOC与其它参数之间具有很强的非线性，剩余电量也受到多种因素的影响，从而很难实时跟踪磷酸铁锂电池复杂快速的内部反应，导致上述传统的电池SOC预测方法精度不高，难以满足实际要求。由于神经网络具有能逼近多输入输出参数函数的非线性映射能力、自学习自适应能力、泛化能力、鲁棒性和容错性等特点，可以准确地预测电池当前的荷电状态，在电池管理系统中具有较好的应用前景。

然而，传统的神经网络如误差反向传播(Back Propagation,BP)神经网络具有机理复杂、结构选择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时，泛化能力较差、数据量过大时，又容易陷入局部最小等缺点。而支持向量机(Support Vector Machine,SVM)在学习过程中需要人为设置核函数、误差控制参数以及惩罚系数等参数，参数设定复杂，并且浪费大量时间进行参数的调整，使其对大规模训练样本难以实施，从而难以在实际应用中得到推广。

I-ELM(Incremental-Extreme Learning Machine，增强型极限学习机)作为一种增量型单隐层前馈神经网络与传统的神经网络相比，具有结构简单、学习速度快、参数容易调整且不易陷入局部最小、泛化性能好等优点。它在执行过程中不需要调整网络的输入权值以及隐层神经元的偏置，并且产生唯一的最优解，而且随着隐层神经元的增加网络泛化性能越来越好。但是由于其输入权值以及隐层神经元的偏置是随机选取的，所以可能存在部分隐层神经元的输出权值过小，使其对网络输出贡献很小，存在无效神经元的问题，它不但使网络变得更复杂，而且降低了网络的稳定性。

现今，由于磷酸铁锂电池具有复杂的内部反应及其在运行过程中所表现出来的复杂的非线性和时变性等特征使得用安时计量法、开路电压法、内阻法、卡尔曼滤波法等对磷酸铁锂动力电池的SOC预测建模，磷酸铁锂电池的SOC预测精度不高，难以满足实际要求。传统的神经网络如误差反向传播(Back Propagation,BP)神经网络具有机理复杂、结构选择不一、计算量大、学习速度非常慢、过拟合、处理小样本数据时，泛化能力较差、数据量过大时，又容易陷入局部最小等缺点，而支持向量机对大规模训练样本难以实施，从而难以在实际的磷酸铁锂动力电池的SOC预测建模中得到推广。I-ELM在对磷酸铁锂动力电池的SOC预测建模时，由于其输入权值以及隐层神经元的偏置是随机选取的，所以可能存在部分隐层神经元的输出权值过小，使其对网络输出贡献很小，存在无效神经元的问题，它不但使网络变得更复杂，而且降低了网络的稳定性。

发明内容

本发明是为了克服现有技术中磷酸铁锂动力电池的SOC难以预测的缺陷，根据本发明的一个方面，提出一种基于改进的I-ELM的动力电池SOC预测方法。

本发明实施例提供一种基于改进的I-ELM的动力电池SOC预测方法，包括：

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

将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；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，网络模型参数包括输入权值、隐层神经元的阈值、隐层输出矩阵的偏置和输出权值；