一种基于状态转移优化RBF神经网络的锂电池SOC估算方法技术

一种基于状态转移优化RBF神经网络的锂电池SOC估算方法。本发明专利技术公开了一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，它涉及到电动汽车技术领域。其中，该方法包括：(1)采集离线训练样本数据，对所有训练样本进行归一化处理；(2)建立基于RBF神经网络的锂电池SOC估算模型；(3)采用STA优化算法对所建立的RBF神经网络模型进行优化；(4)保存训练好的RBF网络结构以及各参数值，将训练好的RBF网络用于磷酸铁锂电池SOC的估算；本发明专利技术可以准确的估算锂电池SOC，具有估算精度高、可靠性强、估算模型简单等特点，可广泛应用于电动汽车动力电池技术领域。

A SOC estimation method for lithium battery based on state transfer optimization RBF neural network

A SOC estimation method for lithium battery based on state transfer optimization (RBF) neural network. The invention discloses a lithium battery SOC estimation method based on state transfer optimization RBF neural network, which involves the field of electric vehicle technology. Among them, the method comprises the following steps: (1) acquisition of off-line training sample data, all the training samples were normalized; (2) establish the estimation model of lithium battery SOC based on RBF neural network; (3) using STA optimization algorithm of RBF neural network model is optimized; (4) preservation of RBF network training well, the parameters of RBF network is trained to estimate the lithium iron phosphate battery SOC; the invention can estimate the lithium battery SOC accurately, has high estimation accuracy and reliability, estimation model is simple, and can be widely applied to the technical field of electric vehicle batteries.

【技术实现步骤摘要】
一种基于状态转移优化RBF神经网络的锂电池SOC估算方法所属
本专利技术涉及电动汽车动力电池
，具体地，涉及一种基于状态转移优化RBF神经网络的锂电池SOC估算方法。
技术介绍
随着全球环境的恶化以及资源短缺问题的严重，特别是近几年国内PM2.5污染的加剧，国内外传统汽车行业发生了巨大的变化，新能源汽车的发展成为大家日益关注的焦点；在汽车的众多替代能源中，电能以其安全、高效、清洁的特点，让以动力电池为主动力源或者辅助动力源的新能源汽车成为大家研究的主要对象；电池管理系统(BMS)是基于优化管理和保护动力电池的控制系统，同时也是评估电动汽车车载电池的工作状态、性能的管理系统，保障车辆安全行驶、维持电池高效利用及稳定性；电池管理系统的核心部分是电池SOC(StateOfCharge，即电池荷电状态)的准确估算；而电池作为复杂的非线性系统，很难找到电池SOC与电压、电流、温度、内阻等参数的数学关系；根据电池的SOC同电池的电流、电压、温度、老化程度等参数呈现非线性的特点，如何利用电池可测参数数据来实现当前电池剩余电量准确估算一直以来是蓄电池管理系统的核心问题和急需解决的技术难题，也是本文档来自技高网...

【技术保护点】
一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，其特征在于包括如下步骤：(A)获取离线训练样本数据，样本数据包括充放电倍率间隔为0.2C，温度间隔为5摄氏度下锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数以及对应的SOC数据，将单体端电压、充放电电流、极耳温度和循环寿命参数作为网络的输入层矢量，SOC作为网络的输出层矢量；根据下式，对所有训练样本进行归一化处理：

【技术特征摘要】
1.一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，其特征在于包括如下步骤：(A)获取离线训练样本数据，样本数据包括充放电倍率间隔为0.2C，温度间隔为5摄氏度下锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数以及对应的SOC数据，将单体端电压、充放电电流、极耳温度和循环寿命参数作为网络的输入层矢量，SOC作为网络的输出层矢量；根据下式，对所有训练样本进行归一化处理：其中，R为实际样本的真实值，R*为归一化处理后的数据，Rmax为对应类型数据样本的最大值，Rmin为对应类型数据样本的最小值；(B)建立基于RBF神经网络的锂电池SOC估算模型：首先，选择高斯函数为RBF神经网络隐含层节点的基函数，其表示如下：其中，x是4维输入矢量，分别对应锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数，ci是隐含层第i个神经元节点的中心矢量，维数与输入向量x相同,σi2为第i个神经元节点的中心宽度；其次根据训练样本，将任意时刻锂电池的充放电数据作为RBF神经网络的输入数据，将该时刻对应的SOC数据作为RBF神经网络的输出数据，则该模型对应的输出表达式如下：其中为网络输出，即SOC估算值，wi表示第i个神经元节点到输出节点的连接权值，k为网络隐含层节点数；(C)采用STA优化算法对所建立的RBF神经网络模型进行优化：首先，运用K-means聚类算法对RBF网络输入样本集进行分类，降低隐含层节点数，对于分类的个数k的确定，采用距离代价原则确定：lk1为平均最小类际距离，定义为所有聚类中心到与其最近聚类中心的距离之和的平均值，ci为第i个聚类的中心，cj为第j个聚类的中心；lk2为平均类内距离，定义为所有聚类簇内部距离之和的平均值，n为样本总数，mi为第i个聚类的样本总数，xij为聚类内部第j个样本；lk＝lk1-lk2(6)lk为分类个数为k时的距离代价，则最优的分类个数k应使得在最大分类数kmax内,lk为最大,即：lk＝max(li)，i＝1,2,......kmax(7)同时，对于确定的分类个数k，在运用K-means算法进行聚类时，为克服K-means算法在进行聚类时容易陷入局部最优的缺点，采用STA算法优化K-means算法在聚类过程中每次迭代的中心点的选取，对应的优化问题可以等效为以下等式：其中Ck(i+1)代表一个状态，具体为k个中心点位置，lk(i+1)是对应Ck(i+1)状态下的距离代价，具体计算公式如式(4)至式(6)；Ai为状态转移矩阵，可被认为是优化算法的操作算子；经STA算法优化后，即可得到分类个数为k情况下的最优分类方案；其次，使用S...

【专利技术属性】
技术研发人员：陈宁，李学鹏，阳春华，吴奇，张志平，桂卫华，金浩文，陆国雄，
申请(专利权)人：中南大学，东莞博力威电池有限公司，
类型：发明
国别省市：湖南,43