一种基于大数据和极限学习机的车载电池SOC在线预测方法技术

本发明专利技术公开了一种基于大数据和极限学习机的车载电池SOC在线预测方法，选取电池的电压、电流、温度、内阻等外部特性参数，通过大数据方法将在线获得的大量的电池外部特性参数进行整合，形成SOC预测的大数据系统，以便后期对数据进行有效挖掘，保证预测精度；通过极限学习机方法找出与SOC预测关系最为紧密的有效数据，根据所挖掘的有效数据进而对SOC进行精确预测。该方法具有预测精度高，实用性强等优点。

An on line prediction method of vehicle battery SOC based on large data and limit learning machine

The invention discloses a method for prediction of vehicle battery SOC online data and based on extreme learning machine, voltage, current, temperature resistance, external characteristics such as parameter selection of the battery, through the big data approach will integrate a lot of battery external characteristic parameters online, the formation of large data prediction system SOC, so that later. To ensure effective data mining, prediction accuracy; the extreme learning machine and SOC prediction method to find the most effective data close relationship, according to the effective data mining and accurate prediction of SOC. This method has the advantages of high prediction precision and strong practicability.

【技术实现步骤摘要】
一种基于大数据和极限学习机的车载电池SOC在线预测方法
本专利技术涉及一种车载电池荷电状态(stateofcharge,SOC)的预测方法，根据电池的电压、电流、温度、内阻等外部特性参数，基于大数据和极限学习机方法，对其SOC进行精确预测。
技术介绍
电池作为电动汽车或者混合动力汽车动力系统的关键部件，对整车系统的动力性、安全性以及经济性至关重。为保证电池性能良好，延长其使用寿命，需要对电池进行合理的管理与控制，但是前提必须是准确而又可靠地获得电池的荷电状态(stateofcharge,SOC)。SOC作为电池的内部特性不可以直接对其进行测量，只能通过对电池电压、电流、温度等一些直接测量的外部特性参数预测而得。常用的电池SOC预测方法包括安时计量法、开路电压法、内阻特性法、卡尔曼滤波法以及神经网络方法等等，归纳总结后发现上述预测方法过度依赖算法本身，试图从算法上对SOC的精确预测求得突破，往往忽略了电池数据本身固有的特性。然而在电池SOC在线预测中，电池的外部特性参数种类较多，数据量较大，有必要大数据条件下实时快速地对SOC进行精确预测。其次，电池外部特性参数包括电压、电流、温度和内阻等，在实际预测中并不是将所有参数都用于预测，就能获得较好的预测结果，预测输入会出现多种组合，如(电压，电流)、(电压，电流，温度)、(电压，电流，内阻)等等，不同的组合可能得出的分类效果也有所不同，精度也必然不同，因此最优输入组合有待确定。
技术实现思路
为实现车载电池SOC的精确在线预测，本专利技术提出了一种基于大数据和极限学习机的SOC预测方法。为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于大数据和极限学习机的SOC预测方法，包括以下步骤：S1、实时在线采集大量的电池外部特性参数，根据电池的外部特性参数以及SOC的真实值，确定SOC预测建模所需的输入、输出变量；形成电池SOC预测的大数据系统；S2、根据SOC大数据系统，建立极限学习机的输入、输出样本训练集和测试集；S3、建立多重极限学习机预测模型，根据汽车和电池的实际运行情况有针对性地对多重预测模型进行动态修正，保证数据的实时性；S4、利用极限学习机的挖掘和预测功能对建立好的电池SOC多重动态预测模型进行预测和误差分析，得到预测精度；S5、对多个不同的预测精度值进行分析，得到精度最高值，从而确定最优预测组合，给出预测结果。进一步地，所述步骤S1中的电池外部参数包括电池的电流、电压、内阻和温度。进一步地，所述步骤S3中建立十重极限学习机预测模型，分别为1电压、电流；2电压、内阻；3电压、温度；4电流、温度；5电流、内阻；6温度、内阻；7电压、电流、内阻、温度；8电流、内阻、温度；9电压、电流、内阻；10电压、电流、温度。进一步地，所述极限学习机采用协同分布极限学习机，协同分布极限学习机可多个节点并行决策输出权重，同时还保证了与单体极限学习机决策输出权重的一致性。协同分布极限学习机类似于并联了多个单体极限学习机，有利于对大数据系统进行快速数据挖掘。进一步地，所述步骤S4预测和误差分析方法为：S41、将输入、输出样本训练集用来训练协同分布极限学习机，找出电池外部参数与SOC存在的潜在非线性关系；S42、将输入样本测试集带入到训练后的协同分布极限学习机中，从而得到SOC预测值；S43、将SOC预测值与样本输出测试集中的SOC真实值进行误差分析，包括绝对误差、相对误差和均方根误差的计算，其中绝对误差、相对误差主要用于验证SOC预测系统的局部性能，而均方根误差则用于验证SOC预测系统的整体性能。相对于现有技术，本专利技术的有益效果如下：本专利技术基于大数据和极限学习机的车载电池SOC在线预测方法，通过大数据系统将在线获得大量的电池外部特性参数进行整合，形成SOC预测的大数据系统，以便后期对数据进行有效挖掘，保证预测精度；通过极限学习机根据所挖掘的有效数据进而对SOC进行精确预测，找出与SOC预测关系最为紧密的有效数据。本方法具有较高的精度，尤其是在大数据和电池外部特性不断变化的情况下，依然能够实时准确地预测出电池的SOC值，实用性强，有效性高。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1是基于大数据和极限学习机的车载电池SOC在线预测原理图。图2是电池SOC在线预测的多重极限学习机预测模型图。图3是电池SOC在线预测的多重动态极限学习机预测原理图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。如图1和图3所示，本专利技术的一种基于大数据和极限学习机的SOC预测方法，包括以下步骤：S1、实时在线采集大量的电池外部特性参数，电池外部特性参数包括电压、电流、内阻、温度，根据电池的外部特性参数以及SOC的真实值，确定SOC预测建模所需的输入、输出变量；形成电池SOC预测的大数据系统。S2、根据SOC大数据系统，建立协同分布极限学习机的输入、输出样本训练集和测试集；S3、电池外部特性参数在实际预测中并不是将所有参数都用于预测，就能获得较好的预测结果，预测输入会出现多种组合，不同的组合可能得出的分类效果也有所不同，精度也必然不同，因此建立多重极限学习机预测模型，根据汽车和电池的实际运行情况有针对性地对多重预测模型进行动态修正，保证数据的实时性。如图2所示，共建立了10重预测模型，分别为(电压、电流)，(电压、内阻)，(电压、温度)，(电流、内阻)，(电流、温度)，(内阻、温度)，(电压、电流、内阻)，(电压、电流、温度)，(电压、内阻、温度)，(电压、电流、内阻、温度)。S4、首先，将多重动态预测模型的输入、输出样本训练集用来训练协同分布极限学习机，找出电压、电流、内阻和温度外部参数与SOC存在的潜在非线性关系；再其次，将输入样本测试集带入到训练后的协同分布极限学习机中，从而得到每组预测模型的SOC预测值。最后，将SOC预测值与对应的样本输出测试集中的SOC真实值进行误差分析，包括绝对误差、相对误差和均方根误差的计算，其中绝对误差、相对误差主要用于验证SOC预测系统的局部性能，而均方根误差则用于验证SOC预测系统的整体性能。S5、对多个不同的预测精度值进行分析，得到精度最高值，从而确定最优预测组合，给出预测结果。本文档来自技高网...

【技术保护点】
一种基于大数据和极限学习机的SOC预测方法，包括以下步骤：S1、实时在线采集大量的电池外部特性参数，根据电池的外部特性参数以及SOC的真实值，确定SOC预测建模所需的输入、输出变量；形成电池SOC预测的大数据系统；S2、根据SOC大数据系统，建立极限学习机的输入、输出样本训练集和测试集；S3、建立多重极限学习机预测模型，根据汽车和电池的实际运行情况有针对性地对多重预测模型进行动态修正，保证数据的实时性；S4、利用极限学习机的挖掘和预测功能对建立好的电池SOC多重动态预测模型进行预测和误差分析，得到预测精度；S5、对多个不同的预测精度值进行分析，得到精度最高值，从而确定最优预测组合，给出预测结果。

【技术特征摘要】
1.一种基于大数据和极限学习机的SOC预测方法，包括以下步骤：S1、实时在线采集大量的电池外部特性参数，根据电池的外部特性参数以及SOC的真实值，确定SOC预测建模所需的输入、输出变量；形成电池SOC预测的大数据系统；S2、根据SOC大数据系统，建立极限学习机的输入、输出样本训练集和测试集；S3、建立多重极限学习机预测模型，根据汽车和电池的实际运行情况有针对性地对多重预测模型进行动态修正，保证数据的实时性；S4、利用极限学习机的挖掘和预测功能对建立好的电池SOC多重动态预测模型进行预测和误差分析，得到预测精度；S5、对多个不同的预测精度值进行分析，得到精度最高值，从而确定最优预测组合，给出预测结果。2.根据权利要求1所述的SOC预测方法，其特征在于：所述步骤S1中的电池外部参数包括电池的电流、电压、内阻和温度。3.根据权利要求2所述的SOC预测方法，其特征在于：所述步骤S3中建立十...

【专利技术属性】
技术研发人员：王琪，罗印升，倪福银，陈太洪，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏,32