【技术实现步骤摘要】
本专利技术涉及锂电池，特别涉及一种基于elman神经网络的锂电池soc估计方法。
技术介绍
1、电池管理系统( battery management system, bms )是新能源汽车重要的技术之一，其中电池状态估计是bms的核心功能。然而在电池的各种内部状态估计中，电池荷电状态估计( state of charge, soc )面临着巨大挑战，soc是bms的重要参数。
2、针对上述问题，提供一种新的soc估计方法，能够较高精度的进行soc估计。
技术实现思路
1、为了解决上述的技术问题，本专利技术提供一种基于elman神经网络的锂电池soc估计方法，较高精度的实现soc估计，建模简单，动态适应性强。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于elman神经网络的锂电池soc估计方法，其特征在于：包括如下步骤 ：
4、s1、获取锂电池充放电数据；
5、s2、对获取充放电数据进行归一化处理；
6、s3、确定本elman神经网络的输入和输出，并确定最优的隐含层个数，从而建立elman神经网络；
7、s4、将锂电池预设一定时间的充放电数据作为elman神经网络的输入进行训练，将神经网络的误差控制在预测范围内；
8、s5、获取soc估计前一段时间的锂电池充放电电压数据、电流数据、环境温度数据作为神经网络的输入，从而对神经网络进行训练，采用训练后的神经网络对soc进行估计
9、进一步的：所述步骤s4预测范围为5%~10%。
10、进一步的：所述步骤s2归一化处理采取的公式为 uk=( uk– u min) / ( u max- u min)；
11、其中， uk 是经过归一化后的值， uk表示锂电池充放电历史序列中的第 k个参数值， k为自然数， umax表示 uk所在数据序列中的最大值， u min表示 uk所在数据序列中的最小值。
12、进一步的：所述步骤s3包括：
13、s31、elman神经网络的输入是指锂电池电压v、电流i、环境温度t；输出为soc；
14、s32、确定elman神经网络隐含层的个数。
15、进一步的：所述步骤s4包括：
16、s41、将锂电池预设一定时间的充放电数据作为elman神经网络的输入进行训练，将soc作为输出数据，同时将该时刻前一个工况周期的锂电池电压v、电流i、环境温度t作为输入；
17、s42、对神经网络进行初始化，根据输入输出序列确定神经网络相关向量，建立elman神经网络；
18、s43、将归一化的数据对elman神经网络进行误差、权值和阈值的更新、计算，并采用bp算法对权值进行修正，将神经网络的误差控制在预测范围内。
19、进一步的：所述elman神经网络非线性状态空间表达式为：
20、；
21、其中， u k表示n维输入向量， x c表示n维反馈状态向量， k为神经网络的训练次数； y( k)为 m维输出向量； x( k)为是隐层神经元输出向量； w3、 w2、 w1分别为隐层到输出层、输入层到隐层、承接层到隐层的连接权值矩阵； g(°)为输出神经元的传递函数，是中间层输出的线性组合； f(°)为隐层神经元的传递函数。
22、进一步的：所述elman神经网络采用误差平方和函数进行指标函数学习，其公式为：
23、；
24、上式中 e(t)指指标函数， d k( t)是目标输入向量。
25、进一步的：所述步骤s5，包括：
26、s51、得到预测时前一个工况周期的锂电池充放电历史数据，将电压v、电流i和环境温度t作为神经网络的输入，采获得用训练后的神经网络对当前锂电池soc进行估计，而得到当前时刻soc估计值；
27、s52，获取当前预测的soc估计值后，计算获取的soc估计值与实际soc值之间的误差，将误差反馈至神经网络。
28、本专利技术的优点是：本专利技术所述的一种基于elman神经网络的锂电池soc估计方法，获取锂电池充放电数据；对获取充放电数据进行归一化处理；确定神经网络的输入和输出，并确定最优的隐含层个数，从而建立神经网络；将锂电池预设一定时间的充放电数据作为神经网络的输入进行训练，将神经网络的误差控制在预测范围内；获取soc估计当前时刻前工况周期的锂电池充放电电压数据、电流数据、环境温度数据作为神经网络的输入，soc作为输出，采用训练后的神经网络的对新充放电数据进行soc估计。本专利技术建立的锂电池elman神经网络模型，可以很好的追踪锂电池的动态特性，具有建模简单、适应性强、精度高的特点，可获得soc在线估计值。
本文档来自技高网...【技术保护点】
1.一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：包括如下步骤 ：
2. 根据权利要求1所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述步骤S4预测范围为5%~10%。
3.根据权利要求2所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述步骤S2归一化处理采取的公式为
4.根据权利要求3所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述步骤S3包括：
5.根据权利要求4所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述步骤S4包括：
6.根据权利要求5所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述Elman神经网络非线性状态空间表达式为：
7.根据权利要求6所述的一种基于Elman神经网络的锂电池SOC估计方法，其特征在于：所述Elman神经网络采用误差平方和函数进行指标函数学习，其公式为：
8.根据权利要求7所述的一种基于Elman神经网络的锂电池SOC估计方法，其
...【技术特征摘要】
1.一种基于elman神经网络的锂电池soc估计方法，其特征在于：包括如下步骤 ：
2. 根据权利要求1所述的一种基于elman神经网络的锂电池soc估计方法，其特征在于：所述步骤s4预测范围为5%~10%。
3.根据权利要求2所述的一种基于elman神经网络的锂电池soc估计方法，其特征在于：所述步骤s2归一化处理采取的公式为
4.根据权利要求3所述的一种基于elman神经网络的锂电池soc估计方法，其特征在于：所述步骤s3包括：
5.根据权利要求4所述的一...
【专利技术属性】
技术研发人员：姜巍，于波，杨丹青，尹晓蓉，
申请(专利权)人：沈阳金晨汽车技术开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。