[发明专利]基于SA-BP神经网络的电池SOH预测优化方法

说明书

本发明的采用模拟退火算法SA对BP神经网络进行优化即SA‑BP神经网络优化算法对电池SOH值进行预测的方法，从数据库将原始数据导入至Hadoop大数据集群下的HBase数据库，通过Spark内存计算框架对存入的数据集进行数据预处理；对处理后的数据使用线性函数转换方法，进行数据标准化处理，使数据落入一个小的特定区间，消除数据量纲的影响；构建BP神经网络预测模型，确定其传递函数和参数，作为算法优化的基础；使用SA算法得到全局最优解，再使用全局最优解进行BP神经网络预测电池SOH值。本发明通过SA算法对BP神经网络进行优化，基于SA算法优化BP神经网络能够获取全局最优解，并提高电池SOH估算精度。

技术领域

本发明属于新能源车电池SOH值预测技术领域，具体涉及一种基于SA-BP神经网络的电池SOH预测优化方法。

背景技术

传统汽车是交通领域能源消耗的主体，发展新能源车技术是解决交通领域能源消耗的重要举措，是我国国家能源安全与能源结构调整的重要手段。新能源车不使用传统化石燃料，可以有效降低城市空气污染问题，是能源结构提升的重要体现，具有很高的实际应用价值。

新能源车具有极好的充放电性能,能量密度大,使用寿命长，充放电过程无噪声、不对环境造成污染等特点。新能源车在国家政策的大力扶持下迅速发展，但是新能源车还需要自身有过硬的质量才能够拥有更大的市场。相较于传统汽车，新能源车售后问题十分突出，一旦遇到电池故障,更是“剪不断理还乱”。相较于国外发达国家，我国的新能源车技术还不是太成熟，新能源车的运营还需要稳定的监控平台。因此，为了更好的发展与管理新能源车，实现其社会效益最大化，对新能源车电池SOH值的预测是十分必要的。

发明内容

发明目的：对于SOH的预测可以采用神经网络算法，BP神经网络是解决非线性问题的有效方法，对于电池的非线性退化问题十分有效。BP神经网络包括信号的前向传播和误差的反向传播两个过程。在信号的前向传播过程中，输入信号通过隐含层的处理，输出结果。如果输出的结果不满足期望，则进行误差的反向传播，重新分配权值，再进行计算，最终使误差最小。经过训练的神经网络可以处理类似的样本。但是BP神经网络容易陷入局部最优解，为了避免这种情况的出现，本发明采用了模拟退火算法(SA)对BP神经网络进行优化，提高了SOH估算的准确性。

本发明是采用模拟退火算法(SA)对BP神经网络进行优化，解决传统BP神经网络对SOH估算容易陷入局部最优解的问题，提供一种基于SA-BP神经网络的电池SOH估算方法。

技术方案：一种基于SA-BP神经网络的电池SOH预测优化方法，所述方法包括如下步骤：

步骤1)从数据库将包含有新能源车电池相关数据的原始数据导入至Hadoop大数据集群下的HBase数据库，通过Spark内存计算框架对存入的数据集进行数据预处理；

步骤2)对处理后的数据使用线性函数转换的方法，进行数据标准化处理，使数据落入一个小的特定区间，消除数据量纲的影响；

步骤3)构建BP神经网络预测模型，确定传递函数和参数，作为算法优化的基础；

步骤4)使用SA算法得到全局最优解，解决BP神经网络容易陷入局部最优解的问题，再使用全局最优解进行BP神经网络预测电池SOH值，提高预测精准度。

作为优化：所述的步骤1)中对存入的数据集进行数据预处理具体为：通过Hadoop大数据平台对HBase数据库下的原始数据进行数据读取，对原始数据中的时间数据进行数据处理，将时间格式处理成时间戳格式，并将缺失的数据进行填补，将错误的数据剔除。数据预处理主要是实时测量数据中的缺失值、奇异值和数据补偿工作，主要步骤包括：数据清理、数据集成、数据规约和数据变换。