基于模拟退火算法优化后的BP神经网络来估算SOC的方法技术

本发明专利技术提供一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，包括确定BP神经网路及输入层、隐含层、输出层各自对应的神经元，并确定BP神经网路中的权值和阈值；将权值和阈值作为待优化参数基于模拟退火算法迭代求解，得到最优位置点，并将所得到的最优位置点中对应的权值和阈值对BP神经网路中的权值和阈值进行相应的更新，得到更新后的BP神经网络；获取动力电池外部特性的实测数据作为输入导入更新后的BP神经网络中，得到的SOC值即为所求的SOC估算值。实施本发明专利技术，能克服现有技术中存在的不足之处，确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。

A Method of Estimating SOC Based on BP Neural Network Optimized by Simulated Annealing Algorithms

【技术实现步骤摘要】
基于模拟退火算法优化后的BP神经网络来估算SOC的方法
本专利技术涉及动力电池
，尤其涉及一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法。
技术介绍
随着我国经济的快速发展，汽车的数量随之迅速增加，从而导致环境污染越来越严重。在环境污染口趋严重的同时，煤炭、石油等不可再生资源的短缺问题也越来越突出。环境污染及能源的巨大消耗将成为阻碍中国经济社会发展的巨大障碍，新能源汽车的大力推广对于这两大问题的缓解有着很大的作用。但是受限于现阶段电池的技术水平，人们利用电池管理系统提高电池本身的使用效率，使电池在现有条件下尽可能的高效化。电池管理系统中最重要的技术就是SOC估计技术，SOC用于表征电池所剩可用容量，即在固定电流下放电，当前电池所剩余的可放电电量与总的可放电电量的比值。由于电池SOC不能通过仪器直接测得，所有只能利用电池的其他外特性参数进行数学运算间接获取。目前的电池SOC的估计方法有很多，但是它们都存在一定的缺陷。例如，放电实验法是最可靠的SOC估计方法，可用于所有电池的电量估计，通过给定的电流放电，通过电流与时间的乘积获得使用电量，但是耗时长，且估计期间电池不能进行正常工作，无法用于驾驶时的电动汽车。又如，安时积分法计算方便，只要采集实时电流，通过电流对时间的积分就能估计SOC，但是随着时间的增长测量产生的误差会被不断积累，导致估算精确度下降。又如，开路电压法利用电池在长时间静置后的开路电压与SOC的相对固定的函数关系进行SOC的估计，该方法虽然简单易行，精度随电池的静置时间增长而增高，然而由于电动汽车频繁启停，电池无法得到足够的静置时间，所以无法用于实时估算SOC。因此，亟需一种估算动力电池SOC的新方法，能够克服现有技术中存在的不足之处，确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，能克服现有技术中存在的不足之处，确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。为了解决上述技术问题，本专利技术实施例提供了一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，包括以下步骤：步骤S1、确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元，并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元，确定出所述BP神经网路中的权值和阈值；其中，所述BP神经网路中输入层的神经元由动力电池外部特性决定；所述BP神经网路中输出层的神经元为SOC值；步骤S2、将所确定的权值和阈值作为待优化参数基于模拟退火算法迭代求解，得到最优位置点，并将所得到的最优位置点中对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新，得到更新后的BP神经网络；其中，所述步骤S2的具体实现如下：步骤21、初始化模拟退火算法中种群的规模、最大迭代次数、初始温度以及待优化参数的维数；步骤22、生成两个随机初始点；其中，所述两个随机初始点是由所确定的所有权值和阈值确定，且每一个权值和阈值都确定了一维空间上的坐标；步骤23、利用退温函数对温度进行迭代更新；步骤24、在当前温度下，进行Markov链长度L的迭代；步骤25、利用状态产生函数产生下一个位置点并进行边界处理，使得新产生的位置点每一个维度上的坐标处于权值和阈值所要求的范围内；其中，所述利用状态产生函数产生的下一个位置点是在初始位置点的基础上计算产生；步骤26、利用评价函数判断寻找该温度下适应度函数值最小的最优个体；步骤27、进行Metropolis准则判断是否接受新解，若接受继续进行，若不接受，返回到步骤25重新迭代；步骤28、接受后产生新的位置点，即产生新解步骤29、判断是否到达Markov链长度L，若未达到，返回到步骤25，若达到，向下进行；步骤30、判断是否达到算法终止准则，若是，输出新解结果，该新解应是算法求解出的最优位置点；若否返回到步骤23、继续迭代，直到满足终止条件；步骤S3、获取所述动力电池外部特性的实测数据，并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中，得到的SOC值即为所求的最终SOC估算值。其中，所述动力电池外部特性包括电流、电压和温度。其中，所述动力电池外部特性中电流、电压和温度的实测数据是在动力电池上以FUDS工况进行充放电时获取的。实施本专利技术实施例，具有如下有益效果：本专利技术利用BP神经网络具有较强的鲁棒性，能在不同的电池状态、动态负载和温度下工作，并且不需要数学模型，能处理任何非线性和复杂的系统等优点来克服现有技术中存在的不足之处，确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的估算，同时通过模拟退火算法优化BP神经网络来进一步提升BP神经网络的性能，从而提高动力电池SOC的估算精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1为本专利技术实施例提出的一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法的流程图。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，下面将结合附图对本专利技术作进一步地详细描述。如图1所示，为本专利技术实施例中，提出的一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，包括以下步骤：步骤S1、确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元，并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元，确定出所述BP神经网路中的权值和阈值；其中，所述BP神经网路中输入层的神经元由动力电池外部特性决定；所述BP神经网路中输出层的神经元为SOC值；步骤S2、将所确定的权值和阈值作为待优化参数基于模拟退火算法迭代求解，得到最优位置点，并将所得到的最优位置点中对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新，得到更新后的BP神经网络；步骤S3、获取所述动力电池外部特性的实测数据，并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中，得到的SOC值即为所求的最终SOC估算值。具体过程为，在步骤S1中，BP神经网路由输入层、隐含层和输出层构成，输入层的神经元由动力电池外部特性决定，隐含层的神经元可以根据实际进行调整(一般与输入层的神经元相对应)，输出层的神经元为SOC值。此时，BP神经网路中输出层的SOC表示式为f代表激活函数，其表达式为其中，i从1到n，表示输入层的第i个神经元；j从1到n，表示隐含层的第j个神经元；k＝1，表示输出层的个数；wji和wkj均表示权值，wji为输入层第i个神经元至隐含层第j个神经元的权值，wkj为输出层第k个神经元至隐含层第j个神经元的权值；θj和θk均表示阈值。在一个实施例中，动力电池外部特性包括电流、电压和温度，且动力电池外部特性中电流、电压和温度的实测数据是在动力电池上以美国联邦城市驾驶工况FUDS进行充放电时获取的。应当说明的是，为了能够满足BP神经网本文档来自技高网...

【技术保护点】
1.一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，其特征在于，包括以下步骤：步骤S1、确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元，并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元，确定出所述BP神经网路中的权值和阈值；其中，所述BP神经网路中输入层的神经元由动力电池外部特性决定；所述BP神经网路中输出层的神经元为SOC值；步骤S2、将所确定的权值和阈值作为待优化参数基于模拟退火算法迭代求解，得到最优位置点，并将所得到的最优位置点中对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新，得到更新后的BP神经网络；其中，所述步骤S2的具体实现如下：步骤21、初始化模拟退火算法中种群的规模、最大迭代次数、初始温度以及待优化参数的维数；步骤22、生成两个随机初始点；其中，所述两个随机初始点是由所确定的所有权值和阈值确定，且每一个权值和阈值都确定了一维空间上的坐标；步骤23、利用退温函数对温度进行迭代更新；步骤24、在当前温度下，进行Markov链长度L的迭代；步骤25、利用状态产生函数产生下一个位置点并进行边界处理，使得新产生的位置点每一个维度上的坐标处于权值和阈值所要求的范围内；其中，所述利用状态产生函数产生的下一个位置点是在初始位置点的基础上计算产生；步骤26、利用评价函数判断寻找该温度下适应度函数值最小的最优个体；步骤27、进行Metropolis准则判断是否接受新解，若接受继续进行，若不接受，返回到步骤25重新迭代；步骤28、接受后产生新的位置点，即产生新解步骤29、判断是否到达Markov链长度L，若未达到，返回到步骤25，若达到，向下进行；步骤30、判断是否达到算法终止准则，若是，输出新解结果，该新解应是算法求解出的最优位置点；若否返回到步骤23、继续迭代，直到满足终止条件；步骤S3、获取所述动力电池外部特性的实测数据，并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中，得到的SOC值即为所求的最终SOC估算值。...

【技术特征摘要】
1.一种基于模拟退火算法优化后的BP神经网络来估算SOC的方法，其特征在于，包括以下步骤：步骤S1、确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元，并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元，确定出所述BP神经网路中的权值和阈值；其中，所述BP神经网路中输入层的神经元由动力电池外部特性决定；所述BP神经网路中输出层的神经元为SOC值；步骤S2、将所确定的权值和阈值作为待优化参数基于模拟退火算法迭代求解，得到最优位置点，并将所得到的最优位置点中对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新，得到更新后的BP神经网络；其中，所述步骤S2的具体实现如下：步骤21、初始化模拟退火算法中种群的规模、最大迭代次数、初始温度以及待优化参数的维数；步骤22、生成两个随机初始点；其中，所述两个随机初始点是由所确定的所有权值和阈值确定，且每一个权值和阈值都确定了一维空间上的坐标；步骤23、利用退温函数对温度进行迭代更新；步骤24、在当前温度下，进行Markov链长度L的迭代；步骤25、利用状态产生函数产生下一个位置点并进行边界处理，使得新产生的位置点每一个维度上的坐标处...

【专利技术属性】
技术研发人员：玄东吉，赵小波，侍壮飞，王标，陈家辉，钱潇，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33