[发明专利]一种基于状态转移优化RBF神经网络的锂电池SOC估算方法

权利要求书

1.一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，其特征在于包括如下步骤：

(A)获取离线训练样本数据，样本数据包括充放电倍率间隔为0.2C，温度间隔为5摄氏度下锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数以及对应的SOC数据，将单体端电压、充放电电流、极耳温度和循环寿命参数作为网络的输入层矢量，SOC作为网络的输出层矢量；根据下式，对所有训练样本进行归一化处理：

其中，R为实际样本的真实值，R*为归一化处理后的数据，R_max为对应类型数据样本的最大值，R_min为对应类型数据样本的最小值；

(B)建立基于RBF神经网络的锂电池SOC估算模型：

首先，选择高斯函数为RBF神经网络隐含层节点的基函数，其表示如下：

其中，x是4维输入矢量，分别对应锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数，c_i是隐含层第i个神经元节点的中心矢量，维数与输入向量x相同,σ_i²为第i个神经元节点的中心宽度；

其次根据训练样本，将任意时刻锂电池的充放电数据作为RBF神经网络的输入数据，将该时刻对应的SOC数据作为RBF神经网络的输出数据，则该模型对应的输出表达式如下：

其中为网络输出，即SOC估算值，w_i表示第i个神经元节点到输出节点的连接权值，k为网络隐含层节点数；

(C)采用STA优化算法对所建立的RBF神经网络模型进行优化：

首先，运用K-means聚类算法对RBF网络输入样本集进行分类，降低隐含层节点数，对于网络隐含层节点数k的确定，采用距离代价原则确定：

l_k1为平均最小类际距离，定义为所有聚类中心到与其最近聚类中心的距离之和的平均值，c_i为第i个聚类的中心，c_j为第j个聚类的中心；

l_k2为平均类内距离，定义为所有聚类簇内部距离之和的平均值，n为样本总数，m_i为第i个聚类的样本总数，x_ij为第i个聚类内部第j个样本；

l_k＝l_k1-l_k2 (6)

l_k为网络隐含层节点数为k时的距离代价，则最优的网络隐含层节点数k应使得在最大分类数k_max内,l_k为最大,即：

l_k＝max(l_i)，i＝1,2,......k_max (7)

同时，对于确定的网络隐含层节点数k，在运用K-means算法进行聚类时，为克服K-means算法在进行聚类时容易陷入局部最优的缺点，采用STA算法优化K-means算法在聚类过程中每次迭代的中心点的选取，对应的优化问题可以等效为以下等式：

其中C_k(i+1)代表一个状态，具体为k个中心点位置，l_k(i+1)是对应C_k(i+1)状态下的距离代价，具体计算公式如式(4)至式(6)；A_i为状态转移矩阵，可被认为是优化算法的操作算子；经STA算法优化后，即得到网络隐含层节点数为k情况下的最优分类方案；

其次，使用STA算法确定RBF网络的第i个聚类的中心c_i、中心宽度σ_i²和第i个神经元节点到输出节点的连接权值w_i；采用STA优化RBF网络参数问题表示为如下关系：

其中，S_k代表一个状态，对应网络第i个聚类的中心c_i、中心宽度σ_i²以及第i个神经元节点到输出节点的连接权值w_i的一组解，A_k是状态转移矩阵，为优化算法的操作算子，SOC_i为第i个样本的SOC值，为第i个样本的估算值，n是总的样本个数，err(x_k+1)为目标函数，定义为SOC真实值与估算值的均方误差，使用STA训练RBF网络的具体步骤如下：

(a)初始化种群个体数SE＝30，在可行域内随机均匀初始化c_i、σ_i²和w_i三个变量，产生初始种群，产生SE组初始可行解；

(b)从当前种群中选择使目标函数f达到最小值的一组c_i、σ_i²和w值，记为best，对应的成本为fbest，将best复制为个体数为SE的群体，记为S(k)，按式(10)进行伸缩变换得到新的种群：

S(k+1)＝S(k)+γR_eS(k) (10)

其中,γ为正常数，称为伸缩因子,取值为1，R_e∈R^n×n为一随机对角矩阵，S(k+1)为S(k)经过伸缩变换后的新种群；

经过伸缩变换后的种群中的最优个体为newbest，对应的成本为gbest，如果gbest小于fbest，则按式(11)对个体newbest进行平移变换，并更新平移变换后的best和fbest，否则不进行平移变换；

其中,β为正常数，称为平移因子，取值为1,R_m∈R^n×n为一随机变量，其取值在[0,1]范围内，S(k-1)为newbest个体进行伸缩变换前的值；

(c)将best复制为个体数为SE的群体，然后按式(12)进行旋转变换得到新的种群,选择旋转变换后种群中的最优个体newbest，对应的成本为gbest；

其中，α为正常数,称为旋转因子,取值为1，R∈R^n×n的随机矩阵，其元素取值在[-1,1]范围，||·||₂为向量的2范数,I_n是单位矩阵；

如果gbest小于fbest，则按式(11)进行平移变换，并更新平移变换后的best和fbest，否则不进行平移变换；

(d)将best复制为个体数为SE的群体，然后按式(13)进行轴变换并进行判断，选择变换后种群中最优的个体记为newbest，对应的成本为gbest；

S_k+1＝S_k+δR_aS_k (13)

其中，δ为轴因子，取值为1，R_a为随机对角矩阵；

如果gbest小于fbest,则按式(11)进行平移变换,并更新平移变换后的best和fbest，否则不进行平移变换；

(e)重复步骤b)至步骤d)，直到适应度满足最小要求或达到迭代次数；

(f)保存经STA优化得到的第i个聚类的中心c_i、中心宽度σ_i²以及第i个神经元节点到输出节点的连接权值w_i；

(D)保存训练好的RBF网络结构以及各参数值，将训练好的RBF网络用于磷酸铁锂电池SOC的估算。