一种基于神经网络和UKF的锂电池组SOC预测方法技术

本发明专利技术公开了一种基于神经网络和UKF的锂电池组SOC预测方法，包括：S1、采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据；S2、建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理后获得最后的预测结果。本发明专利技术可以准确地获得SOC的在线预测值，而且预测精度高、误差小，预测成本低，可广泛应用于电动汽车的控制行业中。

【技术实现步骤摘要】

本专利技术涉及电动汽车电池
，特别是涉及一种基于神经网络和UKF的锂电池组SOC预测方法。
技术介绍
名词解释：UKF：Unscented Kalman Filter，中文名称为无损卡尔曼滤波、无迹卡尔曼滤波或者去芳香卡尔曼滤波，是无损变换和标准Kalman滤波体系的结合，通过无损变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系；SOC：荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示；BP神经网络：Back Propagation神经网络，按误差逆传播算法训练的多层前馈网络。由于人类社会迅速发展，环境问题日益突出，石油燃料日益减少。传统的燃油汽车在给人类带来便捷的同时，产生了严重的环境问题，出现了雾霾天气，对人类健康带来严重威胁。电动汽车依靠电力作为动力，具有零排放、低噪声、无污染等优点。电动汽车发展迅速，但是电池管理系统技术的发展相对落后。如果电池管理技术不完善，将会使电池过充或过放，电池长期处于该状态会严重影响其寿命。SOC是磷酸铁锂电池的重要参数，对于整车的控制策略具有重要的意义。由于磷酸铁锂电池是化学电池，具有很强的非线性，精确的模型难以建立，SOC预测困难。目前，研究SOC的方法很多，常见测量或预测方法的有开路电压法、安时积分法、放电实验法、神经网络算法、卡尔曼滤波法等。现有方法不足之处如下：一、开路电压法，利用开路电压和SOC的对应关系，需要静置的时间较长，由查表得到电池的SOC，这种方法操作简单，但是电池组要间歇静置，适合实验室用，不满足电动汽车在线要求；二、安时积分法，可在线测试，使用简单，但该方法会随着时间的积累导致估算误差增大；三、放电实验法，该方法可以测量得到可靠的SOC，但是该方法需要离线测试，需要充放电机，充放电时间长，
导致成本增加；四、神经网络算法预测，这种方法的预测精度依赖于大量的训练数据和合适的训练方法；五、卡尔曼滤波算法，适合电动车剧烈运行的工况，但是传统的卡尔曼滤波算法只适合线性系统，对于在运行中呈现强烈非线性的磷酸铁锂电池不适合。总的来说，目前对电动汽车锂电池组SOC的在线测量或预测方法存在误差大、精度低、成本高或者建模准确度低等问题，难以准确地获得电动汽车锂电池的SOC。
技术实现思路
为了解决上述的技术问题，本专利技术的目的是提供一种基于神经网络和UKF的锂电池组SOC预测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于神经网络和UKF的锂电池组SOC预测方法，包括步骤：S1、采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据；S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、根据归一化处理后的数据对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理后获得最后的预测结果。进一步，所述充放电数据包括锂电池组的各单体电池的充放电电流、单体电压和工作温度。进一步，所述步骤S2，包括：S21、根据采集的电动汽车锂电池组的历史充放电数据以及对应的SOC数据，将任一时刻的SOC数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放电数据作为BP神经网络的输入数据；S22、对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节
点数，从而确定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。进一步，所述BP神经网络依次包括输入层、隐含层和输出层，其中所述隐含层和输出层的任一节点的输入均为前一层的节点的加权和，且每个节点的激励程度由预设的激励函数决定。进一步，所述步骤S3，其具体为：根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对SOC数据进行反归一化处理： x ‾ i = x i - x m i n x max - x m i n ]]>上式中，表示归一化处理后的数据，xi表示实际输入的历史充放电数据或者反归一化处理后的SOC数据，i为自然数，表示序号，xmax表示xi所在数据序列中的最大值，xmin表示xi所在数据序列中的最小值。进一步，所述步骤S4，其具体为：根据归一化处理后的数据对建立的BP神经网络进行误差计算、权值更新和阀值更新，进而将BP神经网络的预测误差控制在预设范围内。进一步，所述步骤S6，其具体为：将BP神经网络预测获得的SOC数据作为UKF的测量方程，同时采用安时积分法获得SOC值作为UKF的状态方程，进而进行UKF滤波后获得最后的SOC预测结果。进一步，所述采用安时积分法获得SOC值的步骤中，SOC值的计算公式如下： SOC ( k + 1 ) = SOC ( k ) - I * Δ t Q m a x + v ]]>上式中，SOC(k+1)表示安时积分法预测的k+1时刻的SOC值，SOC(k)表示k时刻的SOC值，I表示电流，Qmax表示单体电池的最大容量，v表示状态噪声，△t表示离散时间间隔。本专利技术的有益效果是：本专利技术的一种基于神经网络和UKF的锂电池组SOC预测方法，包括步骤：S1、采集电动汽车锂电池组的历史充放电数据以及对应的
SOC数据；S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、根据归一化处理后的数据对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、本文档来自技高网...

【技术保护点】
一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，包括步骤：S1、采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据；S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、根据归一化处理后的数据对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理后获得最后的预测结果。

【技术特征摘要】
1.一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，包括步骤：S1、采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据；S2、确定神经网络的输入和输出数据，并确定最优的隐含层节点数，从而建立BP神经网络；S3、对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；S4、根据归一化处理后的数据对建立的BP神经网络进行训练；S5、获取预设时间内的电动汽车锂电池组的充放电数据作为BP神经网络的输入，采用训练后的BP神经网络对锂电池组的SOC数据进行预测；S6、采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理后获得最后的预测结果。2.根据权利要求1所述的一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，所述充放电数据包括锂电池组的各单体电池的充放电电流、单体电压和工作温度。3.根据权利要求2所述的一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，所述步骤S2，包括：S21、根据采集的电动汽车锂电池组的历史充放电数据以及对应的SOC数据，将任一时刻的SOC数据作为BP神经网络的输出数据，同时将该时刻之前预设时间内的历史充放电数据作为BP神经网络的输入数据；S22、对BP神经网络进行初始化，根据输入输出序列确定最优的隐含层节点数，从而确定输入层节点、隐含层节点和输出层节点后，建立BP神经网络。4.根据权利要求2所述的一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，所述BP神经网络依次包括输入层、隐含层和输出层，其中所述隐含层和输出层的任一节点的输入均为前一层的节点的加权和，且每个节点的激励程度由预设的激励函数决定。5.根据权利要求2所述的一种基于神经网络和UKF的锂电池组SOC预测方法，其特征在于，所述步骤S3，其具体为：根据下式，对电动汽车锂电池组的历史充放电数据进行归一化处理，同时对SOC数据进行反归一化处理： x ‾ i = x i - x m i ...

【专利技术属性】
技术研发人员：吕洲，何波，高福荣，姚科，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：广东;44