本发明专利技术公开了一种基于BP神经网络的锂电池SOC估算方法，包括如下步骤：(1)建立神经元模型；(2)建立BP神经网络模型；(3)构建BP神经网络算法；(4)网络样本数据获取；(5)样本SOC计算，神经网络算法具有较强的非线性拟合能力，不需要考虑锂电池的内部结构的情况下，对于外部激励，输入和输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以很好的拟合锂电池的动态特性，以此估算电池的SOC，这种方法的估算精度高，在电池数据样本足够的情况下，可以得到较高的精度，并且神经网络估算SOC具有很好的适用性，适用于多种动力电池。
【技术实现步骤摘要】
本专利技术涉及BP神经网络应用
，具体涉及一种基于BP神经网络的锂电池SOC估算方法。
技术介绍
随着科学技术和工业技术的发展，能源危机和大气污染问题日益严重。根据北京市环保局2013年的调查数据，机动车排放占整个PM2.5排放量的31.1％。从经济、技术和环保方面考虑，电动汽车的优势在于零排放，低噪音，高效率，发展电动汽车将成为治理大气污染、解决能源危机的重要途径之一。当前电动汽车存在续航时间短，动力性能不足等问题，而电动汽车发展的关键技术问题在于动力电池技术的发展，各国政府都提出了相应的技术战略。日本在2012年实施蓄电战略，提出锂电池产业在2020年要达到世界份额的50％；美国也提出了2020年拥有1400万电动汽车的目标；法国和德国都提出了相应的动力电池技术战略；我国也将动力电池技术列为“十一五”、“十二五”节能与新能源汽车重大项目的重要研究方向。锂电池具有稳定的安全性能和高容量的特性，因此成为电动汽车动力电池的主要组成部分。SOC作为体现锂电池内部状态的重要参量，准确估算SOC是在锂电池技术中非常基础而又关键的一环。准确估算锂电池的SOC，具有重要的现实意义：首先SOC直接反映电动汽车的续航里程，为混合动力汽车的控制系统设计提供依据，有助于混合电动汽车能量管理系统的性能提升，提高车载电池的能量合理使用能力；其次，准确的SOC估计可以防止电池过充过放，延长电池的使用寿命，监控电池的SOC并根据电池组中各单体电池SOC的差异进行能量分配，保证电池电量的一致性，可以延长电池组单次充电后的使用时间。SOC的估算不准确会导致电池的过充过放，减少电池的使用期限；同时会影响对续航时间的准确计算，降低电池的使用效能。SOC作为锂电池的内在特性，很难通过传感器直接测量，其运行过程中受到温度、放电电流、自放电、电池寿命等因素影响，从而呈现复杂的非线性，因此寻求一种准确的SOC估算方法是当前动力电池行业的重要研究课题。
技术实现思路
针对以上问题，本专利技术提供了一种基于BP神经网络的锂电池SOC估算方法，神经网络算法具有较强的非线性拟合能力，不需要考虑锂电池的内部结构的情况下，对于外部激励，输入和输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以很好的拟合锂电池的动态特性，以此估算电池的SOC，这种方法的估算精度高，在电池数据样本足够的情况下，可以得到较高的精度，并且神经网络估算SOC具有很好的适用性，适用于多种动力电池，可以有效解决
技术介绍
中的问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于BP神经网络的锂电池SOC估算方法，包括如下步骤：(1)建立神经元模型：BP神经网络是由输入层、隐含层、输出层组成的多层神经网络，其每一层都是由若干个神经元构成，神经元是神经网络中最基本的组成单位；设定X＝(x1，x2，…)是神经元的输入，y是神经元的输出，W＝(w1，w2，…)是可调输入权值，B＝b是神经元的阈值，f(net)是神经元的激励函数，其输入信号通过输入权值连接进入神经元，通过激励函数得到输出y；(2)建立BP神经网络模型：三层BP神经网络包括输入层、隐含层、输出层，设定X＝(x1，x2，…xn)是网络的输入矩阵，xn为输入特征向量，W＝(w0，w1，…wn)是输入层和隐含层之间的连接权值矩阵，wn是权值向量，其中w0是阈值向量，V＝(v0，v1，…vn)是隐含层和输出层之间的连接权值，vn是权值向量，其中v0是阈值向量，y是输出向量；对于输出层，有以下关系：yk＝f(netk)k＝1，2，3，…l(2-1)netk＝Σvjkyjk＝1，2，3，…l(2-2)对于隐含层，有以下关系：yj＝f(netj)j＝1，2，3，…m(2-3)netj＝Σwijyij＝1，2，3，…m(2-4)；(3)构建BP神经网络算法；(4)网络样本数据获取：将18650锂电池置于恒温箱内，通过导线与电池测试装置连接，在电池充满电状态的恒温环境下进行放电测试，放电截至电压为3.0V，并记录其电压值；(5)样本SOC计算：采用安时积分法估算得到的SOC作为标准SOC，计算公式为：其中I是当前的放电电流，η充放电效率，CI，T是当前电流和温度下电池所能放出的总电量。作为本专利技术一种优选的技术方案，所述步骤(2)的关系式中，其输出层的变换函数是线性函数：f(x)＝x(2-5)隐含层变换函数是单极性Sigmoid函数：f(x)＝1/(1+ex)(2-6)或者是双极性Sigmoid函数：f(x)＝(1-ex)/(1+ex)(2-7)；作为本专利技术一种优选的技术方案，构建BP神经网络算法的步骤如下：(3a)初始化：给权值向量W和V赋初始值，将样本计数p和网络训练次数q初始化为1，误差E置0，学习率η为0～1之间的小数，网络预期精度Emin设为正小数；(3b)输入样本对，计算各层误差：输入当前样本Xp，dp，并根据式(2-5)和式(2-7)计算出各层的输出值Y和O；(3c)计算网络输出误：针对P对训练样本，网络对于样本p的误差：再将全部样本的输出误差求几何平均值，作为总的误差：(3d)计算各层误差信号计算误差和(3e)调整权值和阈值：根据误差调节下一次的权值W，V：(3f)判断是否所有的样本都被训练：若p＜P，p，q增加1，返回步骤(3b)，否则转步骤(3g)；(3g)判断是否满足误差精度要求和终止条件：若满足ERME＜Emin或者P＜Pmax，训练完成，否则E置0，p置1，返回步骤(3b)继续训练。作为本专利技术一种优选的技术方案，所述步骤(4)所使用的锂电池是标称容量2600mAh的18650锂电池，其工作温度范围为-10℃～50℃，采用的测试设备为BTS高精度电池检测系统，充放电电流最大为3A。作为本专利技术一种优选的技术方案，所述步骤(5)样本SOC计算后，对样本数据进行处理，包括如下两个步骤：(6a)数据的归一化处理：采用的方式是将数据归一化到区间[-1，1]，采用的是MATLAB工具箱自带的mapminmax函数；(6b)数据的随机排序。本专利技术的有益效果：本专利技术神经网络算法具有较强的非线性拟合能力，不需要考虑锂电池的内部结构的情况下，对于外部激励，输入和输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以很好的拟合锂电池的动态特性，以此估算电池的SOC，这种方法的估算精度高，在电池数据样本足够的情况下，可以得到较高的精度，并且神经网络估算SOC具有很好的适用性，适用于多种动力电池。附图说明图1为本专利技术的实施例中电压-SOC关系图。图2为本专利技术的实施例中网络性能与隐含层节点关系图。图3为本专利技术的实施例中网络估算SOC测试数据的效果图。图4为本专利技术的实施例中网络估算SOC测试数据仿真误差图。图5为本专利技术的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例：参照图5所示，一种基于BP神经网络的锂电池SOC估算方法，包括如下步骤：(1)建立神经元模型：BP神经网络是由输入层、隐含层、输出层组成的多层神经网络，其每一层都是由若干个神经元构成，神经元是神经网络中最基本本文档来自技高网...
【技术保护点】
一种基于BP神经网络的锂电池SOC估算方法，其特征在于，包括如下步骤：(1)建立神经元模型：BP神经网络是由输入层、隐含层、输出层组成的多层神经网络，其每一层都是由若干个神经元构成，神经元是神经网络中最基本的组成单位；设定X＝(x1，x2，…)是神经元的输入，y是神经元的输出，W＝(w1，w2，…)是可调输入权值，B＝b是神经元的阈值，f(net)是神经元的激励函数，其输入信号通过输入权值连接进入神经元，通过激励函数得到输出y；(2)建立BP神经网络模型：三层BP神经网络包括输入层、隐含层、输出层，设定X＝(x1，x2，…xn)是网络的输入矩阵，xn为输入特征向量，W＝(w0，w1，…wn)是输入层和隐含层之间的连接权值矩阵，wn是权值向量，其中w0是阈值向量，V＝(v0，v1，…vn)是隐含层和输出层之间的连接权值，vn是权值向量，其中v0是阈值向量，y是输出向量；对于输出层，有以下关系：yk＝f(netk) k＝1，2，3，…l (2‑1)netk＝∑vjkyj k＝1，2，3，…l (2‑2)对于隐含层，有以下关系:yj＝f(netj) j＝1，2，3，…m (2‑3)netj＝∑wijyi j＝1，2，3，…m (2‑4)；(3)构建BP神经网络算法；(4)网络样本数据获取：将18650锂电池置于恒温箱内，通过导线与电池测试装置连接，在电池充满电状态的恒温环境下进行放电测试，放电截至电压为3.0V，并记录其电压值；(5)样本SOC计算：采用安时积分法估算得到的SOC作为标准SOC，计算公式为：SOC(t)=1-1CI,T∫0tηI(τ)dτ---(5-1)]]>其中I是当前的放电电流，η充放电效率，CI，T是当前电流和温度下电池所能放出的总电量。...
【技术特征摘要】
1.一种基于BP神经网络的锂电池SOC估算方法，其特征在于，包括如下步骤：(1)建立神经元模型：BP神经网络是由输入层、隐含层、输出层组成的多层神经网络，其每一层都是由若干个神经元构成，神经元是神经网络中最基本的组成单位；设定X＝(x1，x2，…)是神经元的输入，y是神经元的输出，W＝(w1，w2，…)是可调输入权值，B＝b是神经元的阈值，f(net)是神经元的激励函数，其输入信号通过输入权值连接进入神经元，通过激励函数得到输出y；(2)建立BP神经网络模型：三层BP神经网络包括输入层、隐含层、输出层，设定X＝(x1，x2，…xn)是网络的输入矩阵，xn为输入特征向量，W＝(w0，w1，…wn)是输入层和隐含层之间的连接权值矩阵，wn是权值向量，其中w0是阈值向量，V＝(v0，v1，…vn)是隐含层和输出层之间的连接权值，vn是权值向量，其中v0是阈值向量，y是输出向量；对于输出层，有以下关系：yk＝f(netk)k＝1，2，3，…l(2-1)netk＝∑vjkyjk＝1，2，3，…l(2-2)对于隐含层，有以下关系:yj＝f(netj)j＝1，2，3，…m(2-3)netj＝∑wijyij＝1，2，3，…m(2-4)；(3)构建BP神经网络算法；(4)网络样本数据获取：将18650锂电池置于恒温箱内，通过导线与电池测试装置连接，在电池充满电状态的恒温环境下进行放电测试，放电截至电压为3.0V，并记录其电压值；(5)样本SOC计算：采用安时积分法估算得到的SOC作为标准SOC，计算公式为：SOC(t)=1-1CI,T∫0tηI(τ)dτ---(5-1)]]>其中I是当前的放电电流，η充放电效率，CI，T是当前电流和温度下电池所能放出的总电量。2.根据权利要求1所述的一种基于BP神经网络的锂电池SOC估算方法，其特征在于，所述步骤(2)的关系式中，其输出层的变换函数是线性函数：f(x)＝x(2-5)隐含层变换函数是单极性Sigmoid函数:f(x)＝1/(1+ex)(2-6)或者是双极性Sigmoid函数:f(x)＝(1-ex)/(1+ex)(2-7)。3.根据权...
【专利技术属性】
技术研发人员：陈逸涵，
申请(专利权)人：陈逸涵，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。