一种基于深度信念网络的动力电池SOC预测方法技术

本发明专利技术涉及混合动力汽车领域，特别是涉及一种基于深度信念网络的动力电池SOC预测方法。一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据；使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。上述动力汽车SOC预测方法将所述动力电池特征参数的实验室恒流放电数据集训练DBN模型，再将所述动力电池特征参数的实际工况数据输入训练好的DBN模型，不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。获取运行中的SOC值。获取运行中的SOC值。

【技术实现步骤摘要】
一种基于深度信念网络的动力电池SOC预测方法


[0001]本专利技术涉及混合动力汽车领域，特别是涉及一种基于深度信念网络的动力电池SOC预测方法。

技术介绍

[0002]与传统型汽车相比，混合动力汽车充分吸取了电力/热力系统中最大的优势，很大程度地降低了汽车的耗油量和污染物的排放，可以确保具有同等的性能和优势，并且在节能和排放上胜出一筹。混合动力汽车在现有技术的基础上达到了提高燃料经济性和减少排放的目的，因而极具发展前景。
[0003]对于混合动力汽车，动力电池SOC(State Of Charge，荷电状态)的估算是其电池管理系统中的关键技术之一。一般的，混合动力汽车动力电池SOC预测方法有开路电压法、安时积分法、放电实验法等。其中，开路电压法每次测量开路电压都需要耗费很长的时间来等待重复实验，不适用于预测运行中的电池SOC；安时积分法必须提前知道动力电池的初始SOC值，如果值不准确，将会影响偏移程度，且由于是积分的结果，此方法长期使用会导致误差积累；而放电实验法必须保证电流恒定并且测量无误差，所以只能在实验室环境下进行试验，在实际测量时，不能保证电流大小恒定，并且可能会因为实际情况而不得不中断电流，无法提供像在实验室中稳定的试验环境。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于深度信念网络的动力电池SOC预测方法，只需提前获取动力电池的端电压、工作电流、环境温度等特征参数，而不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。
[0005]一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：
[0006]提供所述动力电池特征参数的实验室恒流放电数据集；
[0007]采集所述动力电池特征参数的实际工况数据；
[0008]使用所述实验室恒流放电数据集训练DBN(Deep Belief Networks，深度信念网路)模型，得到训练完毕的DBN模型；以及
[0009]将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。
[0010]上述动力电池SOC预测方法，将所述动力电池特征参数的实验室恒流放电数据集训练DBN模型，再将所述动力电池特征参数的实际工况数据输入训练好的DBN模型，不需要使动力电池静置长时间，适用于电池任意状态下的SOC估算；不需要提前知道SOC初始值，没有由于积分导致的累计误差；不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。
[0011]在其中一个实施例中，所述特征参数包括所述动力电池的端电压、工作电流、平均温度和电压极差。
[0012]在其中一个实施例中，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，包括：
[0013]设置DBN模型的初始参数，包括RBM(Restricted Boltzmann Machines，受限玻尔兹曼机)层数、每层的节点数、最大迭代次数以及学习率；
[0014]基于对比散度算法，训练第一层RBM；
[0015]将所述第一层RBM的输出值作为第二层RBM的输入数据，利用对比散度算法训练所述第二层RBM；
[0016]依次训练，直至所有RBM训练完毕；
[0017]其中，所述第一层RBM的输入数据为随机选取的初始值。
[0018]在其中一个实施例中，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，还包括：
[0019]在所述DBN模型的最顶层加上反向传播(BP，Back Propagation)神经网络，接收最后一层RBM的输出值作为所述反向传播神经网络的输入数据，有监督地训练分类器；
[0020]反向传播神经网络将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。
[0021]在其中一个实施例中，所述反向传播神经网络使用线性函数Sigmoid函数作为传递函数。
[0022]在其中一个实施例中，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，还包括：
[0023]选用平均绝对百分比误差衡量预测结果；
[0024]将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为DBN模型的训练数据，所述两部分中较小的部分作为DBN模型的测试数据；
[0025]利用所述训练数据训练所述DBN模型，得到训练后的DBN模型；
[0026]利用所述测试数据测试所述训练后的DBN模型，判断所述训练后的DBN模型性能是否符合要求；
[0027]其中，当所述平均绝对百分比误差小于0.05％时，认为所述训练后的DBN模型的精度和稳健性符合要求；若所述训练后的DBN模型性能不符合要求，则重新调整所述DBN模型的初始参数，再次训练，直至符合要求。
[0028]在其中一个实施例中，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：
[0029]提供所述动力电池特征参数的实验室恒流放电原始数据；
[0030]对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。
[0031]在其中一个实施例中，所述预测方法还包括对所述实验室恒流放电数据集和所述实际工况数据集进行归一化处理。
[0032]在其中一个实施例中，所述预测方法还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。
[0033]在其中一个实施例中，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。
附图说明
[0034]图1为一个实施例中基于深度信念网络的动力电池SOC预测方法的流程图；
[0035]图2为一个实施例中DBN模型的网络结构图；
[0036]图3为另一个实施例中基于深度信念网络的动力电池SOC预测方法的流程图。
具体实施方式
[0037]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于解释本专利技术，并不用于限定本专利技术。
[0038]图1为一个实施例中基于深度信念网络的动力电池SOC预测方法的流程图，如图1所示，一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：
[0039]S110，提供所述动力电池特征参数的实验室恒流放电数据集；
[0040]S120，采集所述动力电池特征参数的实际工况数据；
[0041]S130，使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及
[0042]S140，将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。
[0043]在其中一个实施例中，所述特征参数包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度信念网络的动力电池SOC预测方法，其特征在于，所述动力电池用于混合动力汽车中，所述预测方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据；使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。2.根据权利要求1所述的预测方法，其特征在于，所述特征参数包括所述动力电池的端电压、工作电流、平均温度和电压极差。3.根据权利要求1所述的预测方法，其特征在于，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，包括：设置DBN模型的初始参数，包括RBM层数、每层的节点数、最大迭代次数以及学习率；基于对比散度算法，训练第一层RBM；将所述第一层RBM的输出值作为第二层RBM的输入数据，利用对比散度算法训练所述第二层RBM；依次训练，直至所有RBM训练完毕；其中，所述第一层RBM的输入数据为随机选取的初始值。4.根据权利要求1所述的预测方法，其特征在于，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，还包括：在所述DBN模型的最顶层加上反向传播神经网络，接收最后一层RBM的输出值作为所述反向传播神经网络的输入数据，有监督地训练分类器；反向传播神经网络将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。5.根据权利要求4所述的预测方法，其特征在于，所述反向传播神经网络使用线性函数Sigmoid函数作为传递函数。6.根据权利...

【专利技术属性】
技术研发人员：甘磊，刘华，王峥，樊向荣，周伯寅，魏旻，杨超，
申请(专利权)人：南昌济铃新能源科技有限责任公司，
类型：发明
国别省市：