[发明专利]基于数域回归的SPSO车载蓄电池SOC在线预测方法

说明书

一种基于数域回归的SPSO的车载蓄电池SOC在线预测方法，将电池电压、电流和表面温度等物理量作为输入量，蓄电池SOC作为输出量，首先确定车辆行驶工况，通过ADVISOR软件生成车载复合电源各个模块的训练和测试数据集；然后建立基于数域回归的SPSO车载蓄电池SOC在线预测模型，初始化模型权重参数和偏置参数，并对核参数、惩罚系数进行寻优；再将最优基本参数作用于系统，计算出预测模型输出权值；最后在新的样本到来时通过滚动优化与反馈校正，对整个工况预测模型输出权值进行在线更新。所述预测模型避免了大量矩阵逆运算，可以对蓄电池SOC进行准确、快速的在线预测，达到对蓄电池的保护和能量管理的目的。

技术领域

本发明属于新能源汽车领域，具体涉及了一种基于数域回归的SPSO(Super PlaneSpeed Optimizer，SPSO)车载蓄电池SOC(State Of Charge,SOC)在线预 测模型。

背景技术

环境污染和能源紧缺是当今汽车领域共同面临的问题，新能源汽车能有效 地缓解这一现状。而电池是新能源汽车的重要的能源之一，为充分发挥电池组 性能优势、延长电池寿命以及提高新能源汽车的燃油经济性，因此需要对电池 进行合理有效的管理和控制。SOC作为电池内部特性不可直接对其进行测量， 一般通过检测电池的充放电电压、充放电电流、温度和电池老化程度等外部特 性参数，并运用一些算法进行预测获得。

常用的电池SOC预测方法有以下六种：(1)基于安时计量的预测方法，安时 法结构简单，操作方便，但是在模型等效时会出现误差积累，很难得到稳定的 精确值。(2)基于开路电压(OCV)的预测方法，应用于内部达到平衡状态的 蓄电池，其开路电压与SOC有很好的映射关系，但开路电压的稳定需很长的时 间，不适合在线预测。(3)基于电池内阻特性的预测方法，该方法利用电池内 阻容量的关系来判断蓄电池当前容量，需要建立模型来估算电池的内阻，计算 量大且受温度、放电状态等影响的影响，导致与SOC映射关系不稳定，将极大 影响预测结果的准确性。(4)基于Kalman滤波器递推算法的预测方法，Kalman 滤波法将蓄电池看作动态系统，SOC作为系统内部的一个状态量，建立状态空 间模型，尤其适合电流波动较剧烈的动力电池SOC估计，但其递推过程涉及复 杂的矩阵求逆运算且初始SOC值不好确定。(5)基于神经网络的预测方法， 该方法利用神经网络的非线性映射能力来实现蓄电池SOC的预测，该方法不需 外加电流和信号处理，避免了传统方法对模型的依赖，提高了系统的鲁棒性和 抗干扰能力。但传统神经网络存在过拟合、梯度消失和依赖于经验参数的缺陷。

发明内容

针对以上SOC预测方法存在的缺点，基于数域回归的超平面极速优化器 (SuperPlane Speed Optimizer，SPSO)的车载蓄电池SOC在线预测的方法提供 了有效的解决方案，这主要是依靠数域回归方法的两个特点：

(1)依靠数域回归方法的数学特性，在进行初始输出权值离线求解时，对输 出权值表达式进行数域回归求解后，不再需要传统的矩阵求逆运算，只利用简 单的四则运算便可实现输出权值求解，加快了求解速度；

(2)在参数离线求解的基础上进行网络输出参数在线更新，充分利用计算初 始输出权值存储的信息，当新的样本到来时，实现对历史样本数据的过滤，进 而δ_N+1的计算可在δ的基础上进行，从而实现基于超平面极速优化器的SOC在 线的准确、快速预测。

为实现上述目的，本发明采用如下技术方案：

一种基于数域回归的SPSO车载蓄电池SOC在线预测方法，所述方法包含 以下步骤：

步骤1，基于车载蓄电池SOC预测模型，给定一段数据样本随机初始化网 络模型的输入权值和偏置参数；

步骤2，选择简单、适应性强的多项式核函数，并对核参数χ及惩罚系数c 进行寻优，将寻优的特征参数应用到预测模型中，计算出超平面极速优化器的 初始输入权值ω_i和偏差b_i；