[发明专利]基于纵横交叉优化神经网络的电池SOC估算方法

权利要求书

1.基于纵横交叉优化神经网络的电池SOC估算方法，其特征在于,包括以下步骤：

S1：获取数据样本，并进行样本数据归一化处理；

S2：分析影响电池SOC的主要因素，构建BP神经网络结构；

S3：算法参数初始化；

S4：计算BP神经网络的输出值以及各层之间的连接权值与各项阈值；

S5：根据BP神经网络的输入值和输出值，以BP网络的实际输出值和期望输出值的均方误差作为CSO的适应度函数，计算每个CSO粒子的适配值，得到粒子的个体最优值与全局最优值，然后将CSO个体的最优值与全局最优值作比较，取适配值优者作为当前最优位置；

S6：利用纵横交叉算法对BP神经网络的权值和阈值进行优化；

S7：重复步骤S5和S6，直到满足结束条件为止；

S8：将CSO算法优化得到的参数作为BP神经网络的初始权值和阈值，并将初始权值和阈值代入BP神经网络算法中进行训练；若BP神经网络的输出误差值满足预定的误差精度，则停止迭代，输出结果；否则，回到步骤S5，重新进行优化迭代，直至满足BP神经网络算法的最小允许误差为止。

2.根据权利要求1所述的基于纵横交叉优化神经网络的电池SOC估算方法，其特征在于,所述步骤S2中的分析过程如下：

S2-1：进行电池SOC与开路电压的关系分析，根据SOC-OCV曲线来估算电池的SOC；

S2-2：进行电池SOC与温度的关系分析，得出不同温度情况下，电压与SOC的关系曲线；

S2-3：进行电池SOC与放电电流的关系分析，得到不同倍率放电时电压与容量关系曲线。

3.根据权利要求1所述的基于纵横交叉优化神经网络的电池SOC估算方法，其特征在于,所述步骤S2中，选取电池的放电电流I、电池组电压U以及环境温度T作为BP神经网络结构的输入层的输入矢量，并且三个影响因子彼此独立，网络的输出矢量为电池SOC，进行BP神经网络模型构造。

4.根据权利要求1所述的基于纵横交叉优化神经网络的电池SOC估算方法，其特征在于,所述步骤S3算法参数初始化具体为：输入BP神经网络算法的拓扑结构、最小允许误差值；输入CSO算法的种群规模，粒子维度数目，最大迭代次数，横向交叉概率和纵向交叉概率。

5.根据权利要求1所述的基于纵横交叉优化神经网络的电池SOC估算方法，其特征在于,所述步骤S4计算BP神经网络的输出值以及各层之间的连接权值与各项阈值的具体过程如下：

S4-1：选取第k个输入样本x(k)以及对应的期望输出d₀(k)：

x(k)＝(x₁(k),x₂(k),...,x_n(k))；

d₀(k)＝(d₁(k),d₂(k),...,d_q(k))；

S4-2：计算隐含层个神经元的输入hi_h(k)与输出ho_h(k)以及输出层神经元的输入yi_o(k)与输出yo_o(k)：

ho_h(k)＝f(hi_h(k)) h＝1,2,...,p；

yo_o(k)＝f(yi_o(k)) o＝1,2,...,q；

S4-3：根据输出层期望输出和实际输出以及输出层输入，计算函数e对输出层各神经元的偏导数：

误差函数

S4-4：根据输出层的灵敏度δo(k)，隐含层连接权值w以及输出层的输入值，计算误差函数对隐含层各神经元的偏导数：

S4-5：利用步骤S4-3中的偏导数来修正输出层连接权值：

S4-6：利用步骤S4-4中的偏导数来修正隐含层连接权值：