基于算术优化算法的正则化极限学习方法技术

本发明专利技术公开了一种基于算术优化算法的正则化极限学习方法，结合自适应卡尔曼滤波构造了SOC估计模型，包括：在极限学习机中引入正则化的概念，并且用算术优化算法对极限学习机进行优化，以避免过拟合的问题，同时提高了一定估计精度；利用数据融合技术，将优化后的正则化极限学习机估计值作为离散自适应卡尔曼滤波测量值对SOC估计模型进行估计，将结果进行去噪和预测得到最终的SOC估计值；从不同温度下的标准驱动循环、多个标准驾驶混合循环和不同温度下相应的充电过程中收集训练数据集和测试数据集，实验中均方根误差和平均绝对误差均小于1.2％。本发明专利技术可以减小对SOC的估计误差。差。差。

【技术实现步骤摘要】
基于算术优化算法的正则化极限学习方法


[0001]本专利技术涉及电动汽车领域，尤其涉及一种基于算术优化算法的正则化极限学习方法，适用于电动汽车锂离子电池等效电路模型的SOC估计。

技术介绍

[0002]随着能源危机日益严重和城市污染日益严峻，可再生能源越来越受到重视。电动汽车因其零排放而能缓解能源危机得到高速发展，同时令作为电动汽车核心的锂电池成为当前一大研究热点。但是由于电动汽车的历程短，驾驶员会在行驶过程产生里程焦虑，这导致电动汽车的推广受到阻碍。为了确保驾驶员准确了解电动车能源消耗以及电池系统安全可靠的运行，需要获得准确的电池荷电状态(State of Charge,SOC)，它被定义为剩余容量与电池的额定容量的比值。
[0003]锂离子电池的使用过程的就是一个电化学变化过程，这个过程是极其复杂的，主要表现在多变量、非线性、复杂的电化学性。荷电状态无法在动态运行条件下直接测得，目前主要的SOC估计方法主要的方法有直接测量法，数据驱动法和基于模型的方法直接测量方法包括库仑计数法和开路电压法。库仑计数法估计SOC较准确，但是对SOC初值误差和迭代过程中的累积误差非常敏感。开路电压法则是基于开路电压OCV与SOC之间的关系，而OCV与SOC之间的关系会受到外部环境和使用寿命的影响，从而导致SOC估算的不准确。基于模型的方法主要是闭环估计法，其通过测量电池的实时参数并使用负载电流和端电压作为等效模型的输入来估计SOC。通常用电化学模型和等效电路模型描述电池的内部动态特性，并结合滤波算法估计SOC。但这个方法面临复杂模型的辨识问题。数据驱动法则是基于神经网络的方法，虽然训练时间长，但应用方便。
[0004]与传统的前馈神经网络相比，极限学习机ELM的计算方法更为动态和准确。ELM用于SOC估计，与传统的神经网络相比，它具有更快的学习速度，并且更适用于几乎所有的非线性激活函数。但其存在着过拟合的问题。统计学中的风险函数通常包括经验风险和结构风险两部分，而标准的极限学习机算法只考虑了经验风险，为了防止出现过拟合现象，因此在标准的极限学习机中引入正则化系数即将其转化为正则化极限学习机。还可以利用优化算法对其进行优化，抑制神经网络的过拟合。
[0005]近年来，群智能优化算法大量涌现，应用在各个领域。算术优化算法是2021年由Abualigah等人提出的一种新型元启发式算法，其灵感来源于数理知识中的四则混合运算。该算法利用算术中的乘除运算扩大算法全局搜索的分散性，利用加减运算提高算法的局部搜索准确性。

技术实现思路

[0006]本专利技术的目的在于提供一种基于算术优化算法的正则化极限学习方法，并且结合自适应卡尔曼滤波构造了SOC估计模型。该方法主要解决了极限学习机过拟合的问题，通过引入正则化因子和利用算术优化算法对其进行优化，并将优化后的网络结合卡尔曼滤波对
电动汽车锂离子电池的SOC进行估计。
[0007]为实现上述目的，本专利技术提供了一种基于算术优化算法的正则化极限学习方法，结合自适应卡尔曼滤波构造了SOC估计模型，所述学习方法包括以下步骤：
[0008]S1、在极限学习机中引入正则化的概念，并且用算术优化算法对极限学习机进行优化，以形成正则化极限学习机；
[0009]S2、利用数据融合技术，将优化后的正则化极限学习机估计值作为离散自适应卡尔曼滤波测量值对SOC估计模型进行估计，将结果进行去噪和预测得到最终的SOC估计值；
[0010]S3、从不同温度下的标准驱动循环、多个标准驾驶混合循环和不同温度下相应的充电过程中收集训练数据集和测试数据集，利用所得到的数据集对SOC估计值进行估计。
[0011]作为本专利技术的进一步改进，所述极限学习机为单隐层前馈神经网络，输入为X(k)＝[V(k),I(k),T(k),V
avg
(k),I
avg
(k)]，其中，V(k),I(k),T(k),V
avg
(k),I
avg
(k)分别表示在k时的电压、电流、温度、平均电压和平均电流。
[0012]作为本专利技术的进一步改进，设训练数据集(X
j
,y
j
)包含M个隐藏节点和N个样本，则单隐层前馈神经网络的输出能够表示为：
[0013][0014]式中，β
i
是隐藏层与输出层节点之间的连接权值，w
i
是输入层神经元与隐藏层之间的连接权值，b
i
是隐藏层偏差，g(
·
)表示隐藏层神经元的激活函数；
[0015]若将极限学习机隐藏层的输出矩阵记为H，则公式(1)可以化简为：
[0016]Hβ＝Y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]输出矩阵β的广义逆矩阵能够用Moore
‑
Penrose广义逆求解：
[0018][0019]在标准的极限学习机中引入正则化系数C，以转化为正则化极限学习机：
[0020][0021]其中，Y表示神经网络的输出，表示为公式(1)，HT表示输出矩阵H的共轭矩阵，I表示单位矩阵。
[0022]作为本专利技术的进一步改进，所述算术优化算法来源于数理知识中的四则混合运算，利用乘除运算扩大算法全局搜索的分散性，利用加减运算提高算法的局部搜索准确性，具体计算步骤为：
[0023]①
初始化参数和种群；
[0024]②
计算适应度值，并记录最优位置；
[0025]③
计算数学优化器加速函数MOA：
[0026][0027]其中，t为当前迭代次数，T
max
为最大迭代次数，Max和Min为数学优化器加速函数MOA的最大值和最小值；
[0028]④
根据MOA判断进行探索阶段或开发阶段，并更新位置；具体为：在算术优化算法AOA开始寻优迭代前，取一个随机数r1∈[0,1]与MOA进行比较，若r1＜MOA，则进行探索阶段；否则进行开发阶段；
[0029]探索阶段与开发阶段迭代公式分别为：
[0030][0031][0032]w＝(UB
‑
LB)
×
μ+LB
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0033]其中，x
best
表示当前最优解；r2、r3都为0到1的随机数；e是一个极小值；UB、LB分别为上下限；μ是一个调整搜索过程的控制参数；MOP为数学优化器概率，计算模型为
[0034][0035]式中，a为敏感参数；
[0036]⑤
判断是否满足结束条件，如果满足则输出最优解，否则重复步骤
②‑④
。
[0037]作为本专利技术的进一步改进，所述卡尔曼滤波为有递归数据处理的估计方法，由库伦计数法而确定SOC的一种定义如下：
[0038][0039]其中，SOC...

【技术保护点】

【技术特征摘要】
1.一种基于算术优化算法的正则化极限学习方法，结合自适应卡尔曼滤波构造了SOC估计模型，其特征在于，所述学习方法包括以下步骤：S1、在极限学习机中引入正则化的概念，并且用算术优化算法对极限学习机进行优化，以形成正则化极限学习机；S2、利用数据融合技术，将优化后的正则化极限学习机估计值作为离散自适应卡尔曼滤波测量值对SOC估计模型进行估计，将结果进行去噪和预测得到最终的SOC估计值；S3、从不同温度下的标准驱动循环、多个标准驾驶混合循环和不同温度下相应的充电过程中收集训练数据集和测试数据集，利用所得到的数据集对SOC估计值进行估计。2.根据权利要求1所述的基于算术优化算法的正则化极限学习方法，其特征在于：所述极限学习机为单隐层前馈神经网络，输入为X(k)＝[V(k),I(k),T(k),V
avg
(k),I
avg
(k)]，其中，V(k),I(k),T(k),V
avg
(k),I
avg
(k)分别表示在k时的电压、电流、温度、平均电压和平均电流。3.根据权利要求2所述的基于算术优化算法的正则化极限学习方法，其特征在于：设训练数据集(X
j
,y
j
)包含M个隐藏节点和N个样本，则单隐层前馈神经网络的输出表示为：式中，β
i
是隐藏层与输出层节点之间的连接权值，w
i
是输入层神经元与隐藏层之间的连接权值，b
i
是隐藏层偏差，g(
·
)表示隐藏层神经元的激活函数；若将极限学习机隐藏层的输出矩阵记为H，则公式(1)能够化简为：Hβ＝Y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)输出矩阵β的广义逆矩阵能够用Moore
‑
Penrose广义逆求解：在标准的极限学习机中引入正则化系数C，以转化为正则化极限学习机：其中，Y表示神经网络的输出，表示为公式(1)，HT表示输出矩阵H的共轭矩阵，I表示单位矩阵。4.根据权利要求1所述的基于算术优化算法的正则化极限学习方法，其特征在于：所述算术优化算法来源于数理知识中的四则混合运算，利用乘除运算扩大算法全局搜索的分散性，利用加减运算提高算法的局部搜索准确性，具体计算步骤为：
①
初始化参数和种群；
②
计算适应度值，并记录最优位置；
③
计算数学优化器加速函数MOA：其中，t为当前迭代次数，T
max
为最大迭代次数，Max和Min为数学优化器加速函数MOA的最大值和最小值；
④
根据MOA判断进行探索阶段或开发阶段，并更新位置；具体为：在算术优化算法AOA开始寻优迭代前，取一个随机数r1∈[0,1]与MOA进行比较，若r1＜MOA，则进行探索阶段；否则进行开发阶段；探索阶段与开发阶段迭代公式分别为：探索阶段与开发阶段迭代公式分别为：w＝(UB
‑
LB)
×
μ+LB
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，x
bes
t表示当前最优解；r2、r3都为0到1的随机数；e是一个极小值；UB、LB分别为上下限；μ是一个调整搜索过程的控制参数；MOP为数学优化器概率，计算模型为式中，a为敏感参数；
⑤
判断是否满足结束条件，如果满足则输出最优解，否则重复步骤
②‑④
。5.根据权利要求2所述的基于算术优化算法的正则化极限学习方法，...

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