一种新能源汽车动力电池SOH在线估算的方法

摘要

一种电动汽车动力电池SOH在线估算的方法：S1.电池SOH预测模型的建立及优化，采用具有输出-输入反馈机制的改进Elman网络算法：OIF Elman网络；S2.电池SOH模型输入参数的选择：电池内阻、电流和温度作为模型的输入参数；S3.在Matlab7.1环境下运行；S4.验证。本发明在样本点较少时，无论在训练速度上，还是在预测精度上，OIF Elman网络明显优于Elman网络。OIF Elman网络提高了网络的泛化能力，既降低了对训练样本个数的需求，又能提高预测精度，在动力电池剩余寿命(SOH)预测中可以成功应用。

主权项

一种电动汽车动力电池SOH在线估算的方法，其特征是：包括以下步骤：S1电池SOH预测模型的建立及优化采用具有输出‑输入反馈机制的改进Elman网络算法：OIF Elman网络，OIF Elman分为3层：输入层、隐层和输出层，其中输入层神经元数学模型为x_u(k)＝u(k‑1) (1)；x_u(k)表示k时刻输入层节点状态，u(k)表示k时刻系统输入量；隐层神经元的数学模型为：x(k)＝f(W¹¹x_c(k)+W¹²x_u(k)+W¹⁴y_c(k)) (2)x_c(k)＝αx_c(k‑1)+x(k‑1) (3)y_c(k)＝γy_c(k‑1)+y(k‑1) (4)；其中，x(k)表示k时刻隐层节点的状态；x_c(k)表示k时刻联系单元1节点的状态；y_c(k)表示k时刻联系单元2节点的状态；W¹¹表示隐含节点与联系单元的连接权矩阵；W¹²表示隐层节点与输入节点之间的连接权矩阵；W¹⁴表示隐层节点与联系单元2之间的连接权矩阵；输出层神经元的数学模型为：y(k)＝W¹³x(k) (5)；其中，y(k)表示k时刻输出层节点的状态；W¹³表示隐层节点与输出节点之间的连接权矩阵；所述的OIF Elman网络的隐层节点的输入为：输入层节点状态、联系单元1状态、联系单元2状态，设第k步系统的实际输出为y_d(k)，定义误差函数为:$E\left(k\right)=\frac{1}{2}{(y_d\left(k\right)-y\left(k\right))}^T(y_d\left(k\right)-y\left(k\right))---\left(6\right);$将E对连接权W¹¹、W¹²、W¹³、W¹⁴分别求偏导，由梯度下降法可得OIF Elman网络的学习算法：ΔW_ij¹³＝η₃δ_i⁰x_j(k) i＝1,2,…,m；j＝1,2,…,n (7)ΔW_jq¹²＝η₂δ_j^hu_q(k‑1) j＝1,2,…,n；q＝1,2,…,r (8)$\Delta {W_{\mathrm{jl}}}^{11}={\eta }_l\underset{i=1}{\overset{m}{\Sigma }}\left({{\delta }_i}^0{W_{\mathrm{ij}}}^{13}\right)\frac{{\partial x}_i\left(k\right)}{\partial {W_{\mathrm{jl}}}^{11}}j=\mathrm{1,2},...,n;l=\mathrm{1,2},...,n---\left(9\right)$$\Delta {W_{\mathrm{js}}}^{14}={\eta }_4\underset{i=1}{\overset{m}{\Sigma }}\left({{\delta }_i}^0{W_{\mathrm{ij}}}^{13}\right)\frac{{\partial x}_i\left(k\right)}{\partial {W_{\mathrm{js}}}^{14}}j=\mathrm{1,2},...,n;s=\mathrm{1,2},...,m---\left(10\right)$$\frac{{\partial x}_i\left(k\right)}{\partial {W_{\mathrm{js}}}^{14}}=f_j^{\prime }(·)y_s(k-1)+\gamma \frac{{\partial x}_i(k-1)}{{{\partial W}_{\mathrm{js}}}^{14}}j=\mathrm{1,2},...,n;s=\mathrm{1,2},...,m---\left(11\right)$其中，η₁，η₂，η₃，η₄分别为W¹¹、W¹²、W¹³、W¹⁴的学习步长，0≤γ＜1为联系单元2的自连接反馈增益因子，δ_i⁰和δ_j^h为误差信号；δ_i⁰＝(y_di(k)‑y_i(k)) (12)${{\delta }_j}^h=\underset{i=1}{\overset{m}{\Sigma }}\left({{\delta }_i}^0{W_{\mathrm{ij}}}^{13}\right)f_j^{\prime }(·)---\left(13\right)$$\frac{{\partial x}_i\left(k\right)}{{{\partial W}_{j1}}^{11}}=f_j^{\prime }(·)x_l(k-1)+\alpha \frac{{\partial x}_i(k-1)}{{{\partial W}_{\mathrm{jl}}}^{11}}---\left(14\right);$所述的OIF Elman网络学习算法采用梯度下降法，即自适应学习速率动量梯度下降反向传播算法，它既能提高网络的训练速率，又能有效抑制网络陷入局部极小点，学习的目的是用网络的实际输出值与输出样本值的差值来修改权值和阀值，使网络输出层的误差平方和最小；S2电池SOH模型输入参数的选择选择电池内阻、电流和温度作为模型的输入参数；确定隐层神经元的个数n₂和输入层神经元个数n₁：隐层神经元的个数n₂和输入层神经元个数n₁之间有以下近似关系：n₂＝2n₁+1 (14)由样本数据可知，网络输入层有3个神经元，输出层有1个神经元，故分别将中间层神经元的数目设置为7；S3在Matlab7.1环境下运行对网络输入层和输出层的各单元值进行标准化处理，并使他们处于[0,1]或[‑1,1]中，采用的输入参数的标准化方法为：$\hat{x}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}---\left(15\right)$式中，x_max为该组变量的最大值，x_min为该组变量的最小值；S4验证电池SOH预测模型的仿真分析选用6组相同型号的电池，采用相同充电制度充满电，在不同电流、不同温度的条件下，对3组电池进行放电试验，获得实测数据100组，选择其中80组数据对该模型进行训练，网络训练过程在Matlab7.1环境下运行，仿真中用改进Elman和Elman两种神经网络建模进行预测，分别得到预测结果，对比分析两者与实测SOH的误差。