基于优化Elman神经网络的锂离子电池荷电状态估计方法技术

本发明专利技术公开了一种基于优化Elman神经网络的锂离子电池荷电状态估计方法。包括：利用Elman神经网络辨识输入电流、电压、平均电流、平均电压和温度与输出的电池荷电状态值的内在映射关系；通过鲸鱼优化算法优化Elman神经网络权值与阈值；用训练优化好的Elman神经网络估计锂离子电池荷电状态并用平均绝对误差和均方根误差作为锂离子电池荷电状态估计精确度的评价指标。基于Elman神经网络的锂离子电池荷电状态估计方法的优势在于，其不需要复杂的建模过程，操作简单易于实现，且Elman神经网络特殊的结构使其在电池荷电状态估计上具有良好的性能。有良好的性能。有良好的性能。

【技术实现步骤摘要】
基于优化Elman神经网络的锂离子电池荷电状态估计方法


[0001]本专利技术涉及电动汽车领域，是一种基于优化Elman神经网络的锂离子电池荷电状态估计方法，适用于电动汽车锂离子电池荷电状态的估计。

技术介绍

[0002]随着世界经济的快速发展，人们对环境保护和清洁能源的追求愈发强烈。为了解决环境与能源问题，锂电池的应用逐渐成为各行各业的选择之一。例如绝大部分电动汽车都会选择锂电池作为动力源，电动汽车在解决全球环境与能源问题方面发挥着重要的作用。锂离子电池与传统电池技术相比，充电更快速，使用更持久，而且锂离子电池更高的功率密度可实现更长的使用时间。
[0003]由于锂离子电池的广泛使用，对于锂离子电池潜在安全隐患的防范尤为重要。为了智能化管理及维护各个电池单元，防止电池过度充电与放电，延长电池的使用寿命，监控电池的状态，电池管理系统(BMS)被提出。而电池荷电状态SOC是BMS系统中最重要的参数，用来反映电池的剩余容量。如果没有精确的SOC估计，BMS便无法正常工作，有了精确的SOC值我们就可以对电池电量进行更好的规划，提高电池寿命与利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化Elman神经网络的锂离子电池荷电状态估计方法，其特征在于，所述方法包括：S1、利用获取的数据集对Elman神经网络进行训练，得到Elman神经网络初始权值；其中所述数据集中包括电流、电压、平均电流、平均电压、温度和对应的电池荷电状态SOC值；S2、基于Elman神经网络初始权值，利用鲸鱼优化算法优化Elman神经网络权值与阈值，得到优化好的Elman神经网络；S3、用优化好的Elman神经网络进行估计得到锂离子电池荷电状态SOC估计结果。2.根据权利要求1所述的基于优化Elman神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤S1中，Elman神经网络的非线性状态空间表达式为：y(k)＝g(w3x(k))x(k)＝f(w1x
c
(k)+w2u(k
‑
1))x
c
(k)＝x(k
‑
1)其中，y(k)为输出的电池荷电状态SOC值，x(k)为隐含层向量，u(k)为输入的电流、电压、平均电流、平均电压和温度，x
c
(k)为承接层向量；w1为承接层到中间层到连接权值，w2为输入层到中间层连接权值，w3为中间层到输出层的连接权值，g(
·
)为输出神经元的传递函数，f(
·
)为中间层神经元的传递函数。3.根据权利要求1所述的基于优化Elman神经网络的锂离子电池荷电状态估计方法，其特征在于，其中鲸鱼优化算法包括：(1)收缩环绕捕食其中，为收缩环绕捕食行为下鲸鱼个体与领头鲸的距离，式中t表示当前迭代，为领头鲸位置，即最优目标，为鲸鱼个体的位置，系数向量由下式得出：其中，为[0,1]之间的随机向量；每一代鲸鱼的位置根据下式更新：每一代鲸鱼的位置根据下式更新：为系数向量，由下式表示：随着不断的迭代，为系数向量，从2线性的下降为0；(2)利用气泡网捕食在利用气泡网捕食时领头鲸和鲸鱼个体的距离表示为：鲸鱼位置螺旋状更新，表达式如下：
式中e为自然对数的底，b为对数螺线常数，l为[
‑
1,1]之间的随机数；在鲸鱼的捕食过程中，收缩环绕捕食和利用气泡网捕食行为会同时出现，将收缩环绕捕食和利用气泡网捕食行为的发生概率分别定义为0.5；在此阶段，鲸鱼收缩环绕捕食时，的范围定义在[
‑
1,1]之间，得到以下...

【专利技术属性】
技术研发人员：沈德智，丁洁，黄诗萌，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：