一种基于SAE-ACO-SVM的SOC估计方法技术

本发明专利技术公开了一种基于SAE

【技术实现步骤摘要】
一种基于SAE
‑
ACO
‑
SVM的SOC估计方法


[0001]本专利技术涉及电池管理
，更具体的说是涉及一种基于SAE
‑
ACO
‑
SVM的SOC估计方法。

技术介绍

[0002]锂离子电池具备能量密度高、寿命长、体积小等优点，已经广泛应用于储能电站、电动汽车、电子产品等多个领域。为了确保锂电池安全可靠工作，电池管理系统(BMS)应运而生，其具备实时监控并评估电池状态、优化电池能量控制等重要作用，电池的荷电状态(SOC)估计是BMS的核心组成部分。
[0003]SOC是电池剩余容量与最大可用容量之比，用于描述电池在使用中的状态。影响SOC的因素有很多，例如温度、电池组循环寿命、电池自放电等，而估计SOC只能通过可观测的电池姿态如电压电流、温度等进行间接计算，因此，SOC的准确估计十分具有挑战性，也是需要改善的重要方向。
[0004]目前，针对SOC估计问题，普遍采用的方法可分为查表法、安时积分法、放电测试法、基于模型法(基于观测器、基于滤波器)和数据驱动法(神经网络、支持向量机等)。但是这些方法均存在各自的缺陷，包括准确度不足、计算量大、实时性差等等。因此，需要研究一种能够在保证准确度的基础上降低计算量的解决方案。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的在于提供一种基于SAE
‑
ACO
‑
SVM的SOC估计方法以解决上述现有技术中存在的技术问题。
[0006]为实现上述目的，本专利技术提供了如下技术方案：
[0007]一种基于SAE
‑
ACO
‑
SVM的SOC估计方法，包括以下步骤：
[0008]步骤1，电池数据的采集，获取估算模型所需的训练数据；
[0009]步骤2，数据的预处理；
[0010]步骤3，构建SAE模型，输入预处理后的样本向量，对其进行深层次特征提取及降维；
[0011]步骤4，构建ACO－SVM模型，利用ACO优化SVM惩罚参数；
[0012]步骤5，将SAE处理后的特征向量作为ACO
‑
SVM的输入，对锂离子电池的SOC进行估算。
[0013]作为本专利技术的进一步改进，所述步骤1，包括：
[0014]通过对锂离子电池在不同温度下进行通放电实验，获取不同时刻锂离子电池的开路电压、反应极化过电势、欧姆极化过电势、端电压、电流、温度、以及基于电流积分的电量数据，将所有数据根据采集时间进行整理。
[0015]作为本专利技术的进一步改进，所述步骤2，包括：
[0016]对采集的锂离子电池数据进行数据清洗、去噪和归一化；
[0017]在数据清洗阶段对数据集中的缺失值采用三次样条插值进行处理，对重复值和离群值进行去重和删除处理；
[0018]在去噪阶段利用EMD+FastICA的方法滤除因设备、环境等不确定性因素造成的噪声；
[0019]最后对数据集进行0
‑
1归一化处理。
[0020]作为本专利技术的进一步改进，所述去噪阶段中，EMD+FastICA方法具体为：
[0021]1)将每个特征参数随时间变化的序列进行EMD分解，获取m阶不同尺度分量IMF和残差RES；
[0022]2)通过滑动依次取n(n<m)阶IMF分量组成输入向量矩阵进行FastICA处理，将最优结果作为重构信号的第i个分量，最终获取m
‑
n+1个重构分量；
[0023]3)利用m
‑
n+1个重构分量和RES重构信号，得到去噪后的数据。
[0024]作为本专利技术的进一步改进，所述步骤3，包括：
[0025]构建的SAE由两个自编码器堆叠而成，其输入为SOC估计的样本向量集x
t
＝[x1,x2,
…
,x
q
]，其中x1,x2,
…
,x
q
分别对应电池的t时刻锂电池测量得到的样本向量，包括但不限于开路电压、反应极化过电势、欧姆极化过电势、端电压、电流和温度；1～p时刻的样本向量集为X
p
×
q
；
[0026]在SAE中，利用AE1将输入数据映射到高维空间，AE1的隐含层节点个数设置大于输入样本向量维数，用于提取深层次特征；将AE1的隐含层作为AE2的输入，利用AE2对高维深层次特征进行降维处理，其隐含层的节点数设置小于输入样本向量，用于对提取的高维深层次特征进行压缩，将其输出作为估计SOC的特征向量。
[0027]作为本专利技术的进一步改进，所述步骤4，包括：
[0028]所述ACO
‑
SVM的具体步骤为：
[0029]1)根据预设的SVM参数C和γ的取值范围将其进行等分，获取不同的参数组合；
[0030]2)根据蚂蚁的位置(C
i
,γ
i
)输入SVM模型计算目标函数值，并更新信息素，其中，蚂蚁选取位置j的转移概率为：
[0031][0032]式中，τ
ij
(t)为两个位置连接边的信息素含量，η
ij
是i地点到j地点的期望程度，α表示路径上信息量的相对重要性，β表示启发信息的相对重要性，M
α
为蚂蚁走过的城市；
[0033]信息素的更新规则为：
[0034][0035]式中，ρ表示信息素含量，取值为0～1之间的常数，是在一段时间内，蚂蚁k在两个地点位置连接边上的增长的浓度；
[0036]3)获取使SVM性能最优的参数(C
better
,γ
better
)，利用该参数构造最优SVM。
[0037]本专利技术的有益效果：
[0038]1)通过对数据集进行数据清洗、EMD+FastICA去噪和归一化预处理，之后利用栈式自编码器(SAE)对获取的电池参数进行深层特征提取和降维，减少估计过程的计算量，之后利用蚁群算法(ACO)进行参数寻优，确定SVM模型的惩罚因子，提高估算的准确性，实现快速、准确的SOC估算；
[0039]2)采用EMD+FastICA算法对获取的锂离子电池数据进行去噪处理，降低了来自传感器、环境等的影响，有利于提高SOC估计的准确度；
[0040]3)采用更多的电池参数进行SOC估计，并利用SAE挖掘更深层次特征，提高了SOC估计的准确度，此外，SAE输出降维后的特征向量，降低了SOC估计的计算量，提高了计算速度；
[0041]4)利用ACO进行SVM的参数寻优，提高了SVM估计模型的性能，有效提高SOC估计的准确度。
附图说明
[0042]图1为本专利技术方法中提出的SAE
‑
ACO
‑
SVM总体流程图；
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SAE
‑
ACO
‑
SVM的SOC估计方法，其特征在于，包括以下步骤：步骤1，电池数据的采集，获取估算模型所需的训练数据；步骤2，数据的预处理；步骤3，构建SAE模型，输入预处理后的样本向量，对其进行深层次特征提取及降维；步骤4，构建ACO－SVM模型，利用ACO优化SVM惩罚参数；步骤5，将SAE处理后的特征向量作为ACO
‑
SVM的输入，对锂离子电池的SOC进行估算。2.根据权利要求1所述的一种基于SAE
‑
ACO
‑
SVM的SOC估计方法，其特征在于：所述步骤1，包括：通过对锂离子电池在不同温度下进行通放电实验，获取不同时刻锂离子电池的开路电压、反应极化过电势、欧姆极化过电势、端电压、电流、温度、以及基于电流积分的电量数据，将所有数据根据采集时间进行整理。3.根据权利要求2所述的一种基于SAE
‑
ACO
‑
SVM的SOC估计方法，其特征在于：所述步骤2，包括：对采集的锂离子电池数据进行数据清洗、去噪和归一化；在数据清洗阶段对数据集中的缺失值采用三次样条插值进行处理，对重复值和离群值进行去重和删除处理；在去噪阶段利用EMD+FastICA的方法滤除因设备、环境等不确定性因素造成的噪声；最后对数据集进行0
‑
1归一化处理。4.根据权利要求3所述的一种基于SAE
‑
ACO
‑
SVM的SOC估计方法，其特征在于：所述去噪阶段中，EMD+FastICA方法具体为：1)将每个特征参数随时间变化的序列进行EMD分解，获取m阶不同尺度分量IMF和残差RES；2)通过滑动依次取n(n<m)阶IMF分量组成输入向量矩阵进行FastICA处理，将最优结果作为重构信号的第i个分量，最终获取m
‑
n+1个重构分量；3)利用m
‑
n+1个重构分量和RES重构信号，得到去噪后的数据。5.根据权利要求4所述的一种基于SAE
‑<...

【专利技术属性】
技术研发人员：朱毛赛，肖勇军，穆福举，陈振亚，
申请(专利权)人：林源电力南京有限公司，
类型：发明
国别省市：