[发明专利]一种基于神经网络自适应滤波的应急灯电池SOC估计方法

摘要

本发明涉及一种基于神经网络自适应滤波的应急灯电池SOC估计方法。该方法用自适应CKF滤波代替了BP神经网络训练权值的方法，首先利用自适应CKF离线估计BP神经网络的权值，然后将估计的权值构成BP神经网络去估计应急灯电池的SOC。本发明解决了BP神经网络由于应急灯电池建模存在的噪声而估计性能下降的问题。

主权项

1.一种基于神经网络自适应滤波的应急灯电池SOC估计方法，其特征在于该方法包括以下步骤：步骤1.建立BP神经网络离散状态空间模型；x(k+1)＝Φ(k+1,k)x(k)+w(k)   (1)z(k)＝h(x(k))+v(k)   (2)上式中，Φ(k+1,k)为状态转移矩阵，对于神经网络权值的状态转移矩阵是一个单位矩阵，x(k)是权值向量，w(k)为过程噪声向量；v(k)为电池端电压测量噪声；w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声；h(·)为神经网络的核函数，选用sigmoid激励函数，即h(x)＝1/(1+e^‑x)   (3)输出层采用正比例函数f(x)＝x   (4)为了能使用Kalman滤波对BP神经网络的权值进行估计，将BP神经网络的权值作为状态变量，对于具有N层BP神经网络，每层神经网络有n_k(k＝1,2,…,N)个输入，则第k层神经元的连接权值为：为了将连接权值的计算转化为CKF滤波的状态空间形式，将网络中的连接权值和偏置b写成增广状态向量的形式如下：对BP神经网络进行训练，就是对网络的连接权值和偏置b进行最优化估计；步骤2应急灯电池SOC估计过程步骤2.1设置BP神经网络的初始参数x(0)和P(0|0)步骤2.2 BP神经网络权值估计阶段采用应急灯电池充放电时的电压、电流数据以及真实的SOC作为BP神经网络的训练样本；(1)利用步骤2.1中初始化的BP神经网络权值向量，构成BP神经网络结构，输入样本数据得到应急灯电池SOC的一步预测输出；(2)用应急灯电池的真实SOC减去(1)中得到的一步预测输出应急灯电池的SOC，得到应急灯电池的SOC新息；(3)将(2)得到的应急灯电池的SOC新息，用于自适应CKF滤波，更新BP神经网络权值向量和估计误差协方差矩阵；(4)将(3)中得到的BP神经网络权值向量替换掉(1)中的初始化权值向量，重新构成BP神经网络，得到一步预测输出应急灯电池的SOC，然后执行(2)和(3)；(5)判断CKF算法的估计误差互协方差矩阵是否收敛，如果不收敛，回到(4)顺序执行，直至估计误差互协方差矩阵收敛；如果收敛，进入BP神经网络应急灯电池SOC估计阶段的步骤2.3；步骤2.3 BP神经网络应急灯电池SOC估计阶段；使用步骤2.2中得到的权值向量构成BP神经网络进行应急灯电池SOC估计；(1)使用步骤2.2中得到的权值向量构成BP神经网络；(2)输入样本自变量得到应急灯电池SOC估计值；(3)使用(2)得到的应急灯电池SOC估计值与实际的应急灯电池SOC值进行误差分析。