基于回声状态网络的锂离子电池SOC在线预测方法技术

本发明专利技术公开一种基于回声状态网络的锂离子电池SOC直线预测方法，将k折交叉验证法应用于回声状态网络的多个不确定参数的优选过程，简化了寻找最优参数的过程，同时在寻找合适的训练集和测试集过程中，以一定的梯度差间距初选多个训练集和测试集训练和测试网络，根据训练和测试的误差大小，综合考虑选择出合理的训练集和测试集，确保在一定程度上使得网络具有较强的泛化能力，提升网络预测精度。此外，还采用带遗忘因子的递归最小二乘法训练回声状态网络，随后根据最新采集的电池数据，实时调整网络输出权值，确保网络的在线预测。

【技术实现步骤摘要】
基于回声状态网络的锂离子电池SOC在线预测方法
本专利技术涉及电池性能预测
，具体涉及一种基于回声状态网络的锂离子电池SOC在线预测方法。
技术介绍
随着近年传统汽车行业所带来的环境污染、能源危机等问题日益严峻，现代新能源电动汽车的快速发展将不断缓解上述问题。与传统汽车相比，新能源电动汽车具有无污染排放，能源清洁等优点。车载锂电池作为电动汽车的核心部件和动力之源，其所能储存的电量决定了电动汽车的续航里程。车载锂电池的荷电状态SOC是一个无法直接测量的物理量，现有的技术只能对SOC进行间接的检测，常用的检测方法有以下几种：1)安时积分法，初始SOC难以确定，有误差累积。2)电路模型法，依赖于电池模型，参数辨识比较困难。3)放电试验法，适用所有电池，一般适用电池检修或实验室测试，不适用于实时工况监测。基于以上分析，采用以上方法检测电池SOC仍然存在以下问题：1)建立精准的电池模型困难；2)参数辨识计算复杂，效率不高；3)无法实现在线快速预测电池SOC。
技术实现思路
本专利技术所要解决的是现有方法只能对电池SOC进行间接的检测的问题，提供一种基于回声状态网络的锂离子电池SOC在线预测方法。为解决上述问题，本专利技术是通过以下技术方案实现的：基于回声状态网络的锂离子电池SOC在线预测方法，其具体包括如下步骤：步骤1、构建回声状态网络，采用k折交叉验证确定所构建的回声状态网络的未定参数，得到回声状态网络模型；步骤1.1、用采集装置采集M组电池电流I、电压V、电池组温度T，并对电池厂家提供的SOC-OCV曲线离散化得到对应M组的荷电状态SOC，将电流I、电压V、电池组温度T和对应的荷电状态SOC均分为k份数据集；步骤1.2、设定回声状态网络的初始参数，包括输入维数K，输出维数L，储备池神经元数目N的变化范围和步长，谱半径SR的变化范围和步长，输入缩放IS的变化范围和步长，输入位移IF的变化范围和步长，以及误差阈值minerror；步骤1.3、回声状态网络的输入缩放IS在其变化范围内任意选取并保持固定不变，输入位移IF在其变化范围内任意选取并保持固定不变，储备池神经元数目N在其变化范围内以其步长进行变化，谱半径SR在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一储备池神经元数目N和谱半径SR的取值组合所得到每一个训练误差trainerror和对应的测试误差testerror均满足最优条件时，则该储备池神经元数目N和谱半径SR的取值即为回声状态网络所需寻找的最优储备池神经元数目N和谱半径SR；步骤1.4、回声状态网络的储备池神经元数目N在其变化范围内任意选取并保持固定不变，谱半径SR在其变化范围内任意选取并保持固定不变，输入缩放IS在其变化范围内以其步长进行变化，输入位移IF在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一输入缩放IS和输入位移IF的取值组合所得到每一个训练误差trainerror和对应的测试误差testerror均满足最优条件时，则该输入缩放IS和输入位移IF即为回声状态网络所需寻找的最优输入缩放IS和输入位移IF；步骤1.5、根据步骤1.3所确定的最优储备池神经元数目N和谱半径SR和步骤1.4所确定的最优输入缩放IS和输入位移IF来构建回声状态网络模块；步骤2、实时采集锂电池在运行过程中的实时电流I、电压V和电池组外表温度T，并将实时电流I、电压V和电池组外表温度T输入到回声状态网络模型中，该回声状态网络模型的输出即为实时预测的锂电池的荷电状态SOC。上述步骤1.2中，在设定回声状态网络的初始参数时，还需要初始化回声状态网络结构参数，包括输入权值矩阵、储备池内部状态权值矩阵和反馈权值矩阵。上述步骤1.2中，输入权值矩阵W维数为N×K，储备池内部权值矩阵Win维数为N×N，反馈权值矩阵Wback维数为N×L。上述步骤1.2中，谱半径SR、输入缩放IS和输入位移IF的变化范围均为[0，1]。上述步骤1.3和1.4中的最优条件为：[(trainerror+testerror)/2]<minerror其中，trainerror为训练误差，testerror为测试误差，minerror为初始设定误差阈值。上述步骤1.5还进一步包括：采用带遗忘因子的递归最小二乘法对构建回声状态网络模块进行网络训练更新输出权值矩阵的过程。与现有技术相比，本专利技术将k折交叉验证法应用于回声状态网络的多个不确定参数的优选过程，提供了一种选取网络最优参数的方法，简化了寻找最优参数的过程，同时在寻找合适的训练集和测试集过程中，以一定的梯度差间距初选多个训练集和测试集训练和测试网络，根据训练和测试的误差大小，综合考虑选择出合理的训练集和测试集，确保在一定程度上使得网络具有较强的泛化能力，提升网络预测精度。采用带遗忘因子的递归最小二乘法训练回声状态网络，随后根据最新采集的电池数据，实时调整网络输出权值，确保网络的在线预测。附图说明图1为回声状态网络预测电池SOC流程图。图2为回声状态网络结构图。图3为k折叉验证流程图。图4为k折交叉验证训练和测试集划分图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本专利技术进一步详细说明。相比传统神经网络，回声状态网络将除输入和输出的其他部分统一归结为一个储备池结构，简化了网络结构，储备池神经元个数相对传统神经元隐层神经元规模大很多，储备池富含丰富的网络世界，解决了传统神经网络结构无法确定的问题，且网络计算只用训练输出权值矩阵，其他权值矩阵随机产生，固定不变，这样简化了网络计算，由于储备池丰富的网络世界，大大提高了网络计算效率和学习能力。此外，回声状态网络不用建立任何电池模型，该网络模型通过对电池历史数据的大量分析和网络训练，深度挖掘和分析电池的电流、电压和温度等因素对电池SOC变化的影响，经过训练后使得网络具有一定的泛化能力，回声状态网络简化了网络结构，减少了计算量，但同时也带来了多个不相关的未知参数(储备池规模N、谱半径SR、输入位移IF、输入缩放IS)无法准确选择这一问题，传统选取最优的参数方法主要是通过穷举法和试验法来选取的，穷举法计算量巨大，实行起来十分困难，试验法具有诸多不确定性和盲目性，因此如何快准确选取最优参数使得回声状态网络性能最优为本专利技术的重点。k折交叉验证法，将初始电池数据分割为k份数据集，一个单独的数据子集作为验证模型的测试集，剩下k-1个数据集样本作为训练集，重复交叉验证k次，相应的寻优参数同时以一定的步长变化，得到效果最好的训练集和测试集所对应的参数就是最优参数。这个方法的优势在于，在已知数据集和网络模型时，同时重复运用随机产生的数据集进行训练和验证，每次得到结果验证一次，这样在不知道寻优参数和模型之间的特定关系时，运用大量的数据训练和测试模型，及寻优参数梯度变化的代入模型进行训练和测试，在理论上使得模型达到最优化，与之对应的就是所求的最优参数。参见图1，本专利技术提出一种基于回声状态网络的锂离子电池SOC在线预测方法，利用k折交叉验证法来优化回声本文档来自技高网...

【技术保护点】
1.基于回声状态网络的锂离子电池SOC在线预测方法，其特征是，包括步骤如下：步骤1、构建回声状态网络，采用k折交叉验证确定所构建的回声状态网络的未定参数，得到回声状态网络模型；步骤1.1、用采集装置采集M组电池电流I、电压V、电池组温度T，并对电池厂家提供的SOC‑OCV曲线离散化得到对应M组的荷电状态SOC，将电流I、电压V、电池组温度T和对应的荷电状态SOC均分为k份数据集；步骤1.2、设定回声状态网络的初始参数，包括输入维数K，输出维数L，储备池神经元数目N的变化范围和步长，谱半径SR的变化范围和步长，输入缩放IS的变化范围和步长，输入位移IF的变化范围和步长，以及误差阈值minerror；步骤1.3、回声状态网络的输入缩放IS在其变化范围内任意选取并保持固定不变，输入位移IF在其变化范围内任意选取并保持固定不变，储备池神经元数目N在其变化范围内以其步长进行变化，谱半径SR在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一储备池神经元数目N和谱半径SR的取值组合所得到每一个训练误差trainerror和对应的测试误差testerror均满足最优条件时，则该储备池神经元数目N和谱半径SR的取值即为回声状态网络所需寻找的最优储备池神经元数目N和谱半径SR；步骤1.4、回声状态网络的储备池神经元数目N在其变化范围内任意选取并保持固定不变，谱半径SR在其变化范围内任意选取并保持固定不变，输入缩放IS在其变化范围内以其步长进行变化，输入位移IF在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一输入缩放IS和输入位移IF的取值组合所得到每一个训练误差trainerror和对应的测试误差testerror均满足最优条件时，则该输入缩放IS和输入位移IF即为回声状态网络所需寻找的最优输入缩放IS和输入位移IF；步骤1.5、根据步骤1.3所确定的最优储备池神经元数目N和谱半径SR和步骤1.4所确定的最优输入缩放IS和输入位移IF来构建回声状态网络模块；步骤2、实时采集锂电池在运行过程中的实时电流I、电压V和电池组外表温度T，并将实时电流I、电压V和电池组外表温度T输入到回声状态网络模型中，该回声状态网络模型的输出即为实时预测的锂电池的荷电状态SOC。...

【技术特征摘要】
1.基于回声状态网络的锂离子电池SOC在线预测方法，其特征是，包括步骤如下：步骤1、构建回声状态网络，采用k折交叉验证确定所构建的回声状态网络的未定参数，得到回声状态网络模型；步骤1.1、用采集装置采集M组电池电流I、电压V、电池组温度T，并对电池厂家提供的SOC-OCV曲线离散化得到对应M组的荷电状态SOC，将电流I、电压V、电池组温度T和对应的荷电状态SOC均分为k份数据集；步骤1.2、设定回声状态网络的初始参数，包括输入维数K，输出维数L，储备池神经元数目N的变化范围和步长，谱半径SR的变化范围和步长，输入缩放IS的变化范围和步长，输入位移IF的变化范围和步长，以及误差阈值minerror；步骤1.3、回声状态网络的输入缩放IS在其变化范围内任意选取并保持固定不变，输入位移IF在其变化范围内任意选取并保持固定不变，储备池神经元数目N在其变化范围内以其步长进行变化，谱半径SR在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一储备池神经元数目N和谱半径SR的取值组合所得到每一个训练误差trainerror和对应的测试误差testerror均满足最优条件时，则该储备池神经元数目N和谱半径SR的取值即为回声状态网络所需寻找的最优储备池神经元数目N和谱半径SR；步骤1.4、回声状态网络的储备池神经元数目N在其变化范围内任意选取并保持固定不变，谱半径SR在其变化范围内任意选取并保持固定不变，输入缩放IS在其变化范围内以其步长进行变化，输入位移IF在其变化范围内以其步长进行变化；并将步骤1.1中采集的k份数据集采用k折交叉验证方式依次输入到这些回声状态网络进行训练和测试，当其中某一输入缩放IS和输入位移IF的取值组合所得到每一个训练误差trainerror...

【专利技术属性】
技术研发人员：范兴明，蔡茂，张鑫，王超，高琳琳，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45