[发明专利]一种基于深度信念网络的动力电池SOC预测方法

说明书

本发明涉及混合动力汽车领域，特别是涉及一种基于深度信念网络的动力电池SOC预测方法。一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据；使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。上述动力汽车SOC预测方法将所述动力电池特征参数的实验室恒流放电数据集训练DBN模型，再将所述动力电池特征参数的实际工况数据输入训练好的DBN模型，不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。

技术领域

本发明涉及混合动力汽车领域，特别是涉及一种基于深度信念网络的动力电池SOC预测方法。

背景技术

与传统型汽车相比，混合动力汽车充分吸取了电力/热力系统中最大的优势，很大程度地降低了汽车的耗油量和污染物的排放，可以确保具有同等的性能和优势，并且在节能和排放上胜出一筹。混合动力汽车在现有技术的基础上达到了提高燃料经济性和减少排放的目的，因而极具发展前景。

对于混合动力汽车，动力电池SOC(State Of Charge，荷电状态)的估算是其电池管理系统中的关键技术之一。一般的，混合动力汽车动力电池SOC预测方法有开路电压法、安时积分法、放电实验法等。其中，开路电压法每次测量开路电压都需要耗费很长的时间来等待重复实验，不适用于预测运行中的电池SOC；安时积分法必须提前知道动力电池的初始SOC值，如果值不准确，将会影响偏移程度，且由于是积分的结果，此方法长期使用会导致误差积累；而放电实验法必须保证电流恒定并且测量无误差，所以只能在实验室环境下进行试验，在实际测量时，不能保证电流大小恒定，并且可能会因为实际情况而不得不中断电流，无法提供像在实验室中稳定的试验环境。

发明内容

基于此，有必要针对上述技术问题，提供一种基于深度信念网络的动力电池SOC预测方法，只需提前获取动力电池的端电压、工作电流、环境温度等特征参数，而不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。

一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：

提供所述动力电池特征参数的实验室恒流放电数据集；

采集所述动力电池特征参数的实际工况数据；

使用所述实验室恒流放电数据集训练DBN(Deep Belief Networks，深度信念网路)模型，得到训练完毕的DBN模型；以及

将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。

上述动力电池SOC预测方法，将所述动力电池特征参数的实验室恒流放电数据集训练DBN模型，再将所述动力电池特征参数的实际工况数据输入训练好的DBN模型，不需要使动力电池静置长时间，适用于电池任意状态下的SOC估算；不需要提前知道SOC初始值，没有由于积分导致的累计误差；不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。

在其中一个实施例中，所述特征参数包括所述动力电池的端电压、工作电流、平均温度和电压极差。

在其中一个实施例中，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，包括：

设置DBN模型的初始参数，包括RBM(Restricted Boltzmann Machines，受限玻尔兹曼机)层数、每层的节点数、最大迭代次数以及学习率；

基于对比散度算法，训练第一层RBM；

将所述第一层RBM的输出值作为第二层RBM的输入数据，利用对比散度算法训练所述第二层RBM；

依次训练，直至所有RBM训练完毕；