【动力电池组SOC估算算法概述2800字】.docxVIP

动力电池组SOC估算算法概述

目录

动力电池组SOC估算算法概述 1

1.1PCA算法 2

1.2ACO-Elman动态神经网络算法 3

1.3UKF算法

SOC估算精度对电动汽车续驶里程的预测、充电时机的把握有重要意义，如果估算误差较大，则影响电池组的充放电过程，易造成过充放电或欠充放电，影响电池组的使用安全性，因此，有必要设计一套兼具准确性和简便性的估算方法。

本文提出PCA-ACO-Elman动态神经网络-UKF的联合估算算法进行SOC估算，估算流程见图2-1。首先，使用PCA算法对SOC影响因素数据进行降维处理，通过预先设计的累积贡献率阈值，得到若干主元；然后，将PCA算法输出的主元输入至Elman动态神经网络，克服网络输入变量维数大的劣势，Elman动态神经网络预测不依赖电池模型的精度，且具备动态记忆效应，SOC估算是一个基于时间序列的问题，故可最大化Elman神经网络的特有功能。为避免Elman网络在训练过程中陷入局部最优，应用ACO搜索神经网络的权值和阈值，达到最大训练次数或预设精度并稳定后，将测试数据的主元输入，得到SOC初步估算结果；最后，将SOC初步预测值作为观测数据输入UKF滤波器，将AH计量法公式用于状态预测得到SOC最终预测结果。该算法创新点为，应用PCA的降维作用简化神经网络的结构，减小网络训练量；应用ACO对网络的权值和阈值进行寻优，通过其全局寻优能力提升训练精度；应用UKF滤波器对网络输出结果进行滤波处理，避免可对高阶电池模型模型的参数辨识，且利用UKF对非线性系统具有良好的优化性能。

建立原始数据矩阵，并去均值化处理

建立原始数据矩阵，并去均值化处理

计算协方差阵及其特征德和特征向量

计算主元及其方差贡献率

设定黑积责献率，确定主元

确定状态方程和观测方程

计算sigma点及其对应权值

计算状态量的一步预测值和协方差阵

利用新的zigma点产生观测预测值，并加权得到系统的状态量和协方差

计算增益阵，更新状态量和协方差

初始化蚊群系统

计算蚂蚁移动概率

一只蚂蚁宪成动作励，还原禁忌素

一次选代宪成后，更新信息来

N

桶重是否达标或选代

次数达到最值Y

让练宪毕

试验数据采集

PCA算法降维

确定eman神经网络结

构

神经网络初步预测值

UKF滤波器

最终预测值

ACO算法忧化神经网络的权值、阏值

图2-1SOC估算流程图

Fig.2-1SOCestimationflowchart

1.1PCA算法

PCA算法属于一种多元回归分析法，适用于对模型中的高维数自变量进行主因分析，消除各变量间的相关性，得到若干承载原始数据提供的大多数信息的线性无关的主元，然后将得到的主元参与至模型计算，达到降维的目的，且不以牺牲算法精度为代价[691。

通过图2-2可表征PCA算法原理，(x1,x2)表示两自变量，它们之间并无严格的线性关系，若将横纵轴逆向旋转一定角度，得到新坐标轴(t1,t?),则近似得出变量的变化主要通过t1体现，即t?提供原始数据的多数信息。t1、t?可表示为x?、

x?的线性组合，即t?、t?为x?、x?的主元，若t1覆盖原始数据信息量超过阈值，则可只通过t?近似表征原始数据。

图2-2PCA算法示意图

Fig.2-2SchematicdiagramofPCAalgorithm

SOC的影响因素包括电压、电流、温度、循环次数等，如果将这些数据全部输入后续Elman神经网络，则会造成其内部结构复杂，训练过程繁琐，故本文应用PCA算法消除SOC影响因素的相关性，简化后续神经网络模型的复杂度，具体步骤如下：

(1)选定若干SOC的影响因素，并进行n次观测，得到原始数据矩阵x

(2-1)

式中：

m—一所选取的SOC影响因素的个数；

x1、x?、……、Xm—一对某一自变量的n次观测值组成的列向量。

(2)对x进行去均值化处理，得到标准化矩阵X。

(3)计算X的协方差阵Px

(2-2)

(4)计算Yx的特征值112……λa0,及对应的正交特征向量(即主元的系数向量)p1、p2、……、Pa,m个影响因素最多有m个主元，故a≤m。

(5)计算主元t;及其对应的方差贡献率δi,与前i个主元的累积贡献率μli,根据设定的累积贡献率阈值，即可确定需要选择的主元数。

(2-3)

(2-4)

因此，Yx的特征根与δi成正比，将特征根由大到小排列后，根据