一种基于ICGWO优化ELM的锂电池SOC估计方法

技术领域

本发明涉及电池系统管理技术领域，特别是一种基于ICGWO优化ELM的锂电池SOC估计方法。

背景技术

纯电动汽车(EV)和混动电动汽车(HEV)作为一种可替代的交通工具越来越受欢迎，它具有环境友好，无尾气污染、变速切换流畅，震动幅度小等优点。EV和HEV目前面临的主要问题是与传统ICE车辆相比，整体续航里程明显偏少。而缺少一种可以有效估计和预测电池的实际剩余电量的电池管理系统，是增加续航里程的瓶颈所在。为了描述锂离子电池储存电能的状态，提出一种衡量电池剩余电量的指标表示电池荷电状态(state ofcharge，SOC)，Klein等人给出了电池SOC的定义：在给定时间内的可用电池容量与电池标称容量的比率，100％表示电池完全充电，0％表示空状态。如何准确的确定和计算SOC成为搭建电池管理系统(battery management system，BMS)的关键。

近年来，随着人工智能和机器学习理论的迅速发展，以神经网络和支持向量机为代表的基于数据驱动的智能建模方法成为了电池SOC估计的一种主流方法。极限学习机(Extreme Learning Machine,ELM)是基于广义逆矩阵理论提出的一种性能优良的新型单隐层前馈神经网络模型(Single Hidden Layer Feedforward Networks,SLFNs)。相比传统神经网络和支持向量机回归模型，ELM具有数学模型简单、学习速度快、泛化能力强的优点，目前已在模式识别、故障诊断等领域得到了广泛应用，也成为锂电池SOC估计领域的一个重要的研究方向。但是，发明人发现，锂电池的充放电过程具有机理复杂和强非线性等特征，诸多因素都会影响充放电效率，进而影响SOC估计模型的精度。传统极限学习机可能因为损失函数不是凸函数而陷入局部最优解。同时，若算法参数设置不当，可能会造成过拟合，是泛化能力变差等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于ICGWO优化ELM的锂电池SOC估计方法，实现更好的预测精度和泛化能力，能够新能源汽车的电池管理系统提供重要的反馈信息。

为实现上述目的，本发明采用如下技术方案：一种基于ICGWO优化ELM的锂电池SOC估计方法，包括以下步骤：

步骤1：针对灰狼算法在进化后期因种群多样性迅速下降而经常遇到早熟现象和局部收敛的问题，通过引入改进策略，构建一种具有良好全局寻优性能的改进灰狼算法；

步骤2：利用改进灰狼算法，以模型输出均方根误差最小化为目标函数，对极限学习机的隐层阈值及输入权值参数进行优化，建立起基于ICGWO优化ELM的锂电池SOC估计模型。

在一较佳的实施例中：步骤1中，所述的ICGWO算法的改进策略为：

利用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群；设置算法参数并记录当前迭代次数下的最优的前三个位置α、β和δ，其余的记为ω狼；

根据非线性因子调整策略确定狼群位置，以增加算法的局部搜索能力；最后对当前最优解进行柯西变异扰动，增加种群多样性，提高算法的全局搜索能力。

在一较佳的实施例中：步骤1中，所属的ICGWO算法的具体步骤为：

步骤S11：设定ICGWO算法初始种群规模N，最大迭代次数T

步骤S12：利用Tent混沌映射公式产生满足变量上下限约束的初始灰狼种群，令t＝1；

式中，x

步骤S13：计算出各个种狼的适应度，选取适应度最低的前三头种狼分别记为α、β和δ，其余的记为ω狼；

步骤S14：判断是否达到最大迭代次，是，输出α狼对应适应度，算法结束，否则跳转到步骤S15；

步骤S15：根据式

式中，a为非线性收敛因子，A和C为系数向量；

步骤S16：根据下式依次更新灰狼群各个种狼的位置：

D＝|C·X

X(t+1)＝X

其中t为当前迭代次数，D表示种狼与猎物之间的距离，A和C为系数向量，X

式中，X

步骤S17：根据下式对α狼进行柯西变异操作，判断是否达到最大迭代次数，若未达到则返回步骤S12继续运算；

X

其中

式中，X

在一较佳的实施例中：步骤2中，所属的ICGWO算法的目标函数为：

ELM模型预测输出值和实测值之间的均方误差反映了模型预测精度和泛化性能，因此，本文选取优化目标函数以ELM输出均方根误差f

其中，j＝1,…,N，L为隐层节点数，g(x)为激励函数，w

与现有技术相比，本发明具有以下有益效果：

(1)本发明将改进灰狼算法和ELM相结合，利用改进灰狼算法的全局搜索能力优化ELM的参数，避免了ELM算法出现易陷入局部最优的问题。

(2)本发明采用Tent混沌映射产生灰狼算法的初始种群，使得初始个体将尽可能均匀分布在搜索区域中，以此来提高初始种群的多样性和适应性，加快种群进化进程

(3)本发明采用非线性调整策略设计收敛因子，使收敛因子前期递减速度缓慢，有利于增强算法的全局探索能力；后期递减速度加快，能够有效提高算法的收敛性。

(4)本发明引入柯西变异算子，保证了灰狼算法种群的多样性，避免了早熟现象的发生。

(5)本发明具有更好的收敛精度和更快的收敛速度，结果表明，本发明的基于ICGWO-ELM模型的SOC预测方法，有更好的预测精度和泛化能力，能够为新能源汽车的电池管理系统提供重要的反馈信息。

附图说明

图1为本发明优选实施例的算法流程图。

图2为本发明优选实施例的ICGWO-ELM模型流程。

图3为本发明优选实施例的模拟行驶工况时刻——速度图。

图4为本发明优选实施例的不同算法的训练结果对比图。

图5为本发明优选实施例的不同算法的估计结果对比图。

图6为本发明优选实施例的不同算法的相对误差比较图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种基于ICGWO优化ELM的锂电池SOC估计方法参考图1至6，包括以下步骤：

步骤1：针对灰狼算法在进化后期因种群多样性迅速下降而经常遇到早熟现象和局部收敛的问题，通过引入改进策略，构建一种具有良好全局寻优性能的改进灰狼算法；

步骤2：利用改进灰狼算法，以模型输出均方根误差最小化为目标函数，对极限学习机的隐层阈值及输入权值参数进行优化，建立起基于ICGWO优化ELM的锂电池SOC估计模型。

步骤1中，所述的ICGWO算法的主要改进策略为：

利用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群；

其次，根据非线性因子调整策略确定狼群位置，以增加算法的局部搜索能力；最后对当前最优解进行柯西变异扰动，增加种群多样性，提高算法的全局搜索能力。

步骤1中，所属的ICGWO算法的具体步骤为：

步骤S11：设定ICGWO算法初始种群规模N，最大迭代次数T

步骤S12：利用Tent混沌映射公式产生满足变量上下限约束的初始灰狼种群，令t＝1；

式中，x

步骤S13：计算出各个种狼的适应度，选取适应度最低的前三头种狼分别记为α、β和δ，其余的记为ω狼；

步骤S14：判断是否达到最大迭代次，是，输出α狼对应适应度，算法结束，否则跳转到步骤S15；

步骤S15：根据式

式中，a为非线性收敛因子，A和C为系数向量；

步骤S16：根据下式依次更新灰狼群各个种狼的位置：

D＝|C·X

X(t+1)＝X

其中t为当前迭代次数，D表示种狼与猎物之间的距离，A和C为系数向量，X

式中，X

步骤S17：根据下式对α狼进行柯西变异操作，判断是否达到最大迭代次数，若未达到则返回步骤S12继续运算；

X

其中

式中，X

步骤2中，所属的ICGWO算法的目标函数为：

ELM模型预测输出值和实测值之间的均方误差反映了模型预测精度和泛化性能，因此，本文选取优化目标函数以ELM输出均方根误差f

其中，j＝1,…,N，L为隐层节点数，g(x)为激励函数，w

本发明具体步骤如下：

S1.采集电池数据包括端电压、电流、内阻、开路电压和SOC，得到多个不同工况下的样本数据，建立训练数据集和测试数据集。

S2.构建包含输入层、隐含层和输出层组成的单层前馈神经网络并设置各个神经元的权值和阈值。

S3.设置灰狼算法中种群的个数与问题维度，构建表示ELM模型的灰狼种群。设置灰狼算法的最大迭代次数T

S4.将构建出的ELM中的权值和阈值按顺序赋到狼群位置中每个维度的值中。将S1中所述的训练集输入到ELM中，而后通过适应度函数F来计算预测SOC的误差值。若迭代次数未达到最大迭代次数T

S5.更新灰狼群各个种狼的位置

S6.对α狼进行柯西变异操作

S7.将算法的输出结果作为狼群最优个体，将个体的每个维度的值赋给ELM中的权值和阈值中，即可得到优化后的ELM模型。

S8.将步骤S1中所述的测试集导入到优化后的IGGWO-ELM算法中训练，得到动力锂电池SOC预测结果。

所述步骤S1中步骤具体包含：

S9.先通过电池检测仪和上位机测试出多种工况下锂电池的电流，电压，温度等数据，然后根据安时积分法，计算电池在每一个时刻的SOC：

式中，z(t)表示电池在t时刻的SOC，i(t)表示电池在t时刻的电流，C

所述步骤S2中步骤具体包含：

给定样本数据集

进一步地，训练样本集

其中，j＝1,…,N，L为隐层节点数，g(x)为Sigmoid函数，w

进一步地，公式可改写为矩阵向量形式：Hβ＝Y

其中：

由此，隐层节点和输出层节点之间的连接权值β可由下式的极小二范数最小二乘解得：

其中H

所述步骤S3中随机初始化灰狼算法中的种群个体位置步骤具体包含：

运用Tent映射方程产生初始种群，能够使得初始个体将尽可能均匀分布在搜索区域中，具体公式为：

所述步骤S4中适应度函数F具体是指：

优化目标函数以ELM输出均方根误差(f

所述步骤S4中更新灰狼群各个种狼的位置具体是指：

灰狼群各个种狼的位置更新公式如下：

D＝|C·X

X(t+1)＝X

其中t为当前迭代次数，D表示种狼与猎物之间的距离，A和C为系数向量，X

A＝2a·r

C＝2·r

式中，a为2到0线性递减的收敛因子，由式(5)计算得到，r

其中，t为当前迭代次数，T

所述步骤S5中对α狼进行柯西变异操作具体是指：

柯西变异算子以维持进化过程中种群的多样性和算法收敛性之间的平衡，变异公式如下式：

X

式中，X

η——变异权重；

λ——调节因子；

C(0,1)——比例参数t＝1的柯西变异的随机数。

具体来说：

S1：本发明为达到预估动力电池SOC的目的，算法流程如图1所示，电池荷电状态ICGWO-ELM估计模型流程如图2所示，动力电池的工况数据采用美国城市动态循环驱动工况(UDDS)，其时刻——速度图如图3所示。

S2：将模拟测试工况分别运行一次，得到相对应的数据，选择电流、端电压、内阻、开路电压和电池温度作为输入，SOC作为输出，构成一个5输入单输出的ELM模型。采样频率设置为1Hz。UDDS工况共有1370组样本。由于锂电池在低SOC阶段由于极化效应导致数据不准确，所以选择前1000组数据作为样本。筛选出750组数据作为训练集，其余250组数据作为测试集。

由于各个输入输出的数量级差距较大，用于训练的样本先由下式进行归一化，然后再进行训练。

式中X为待归一化数据；X

S3：进一步地为了验证本文提出的基于ICGWO-ELM电池SOC估计模型的有效性，首先根据训练样本利用ICGWO算法确定ELM回归模型的最优初始输入权值和隐层阈值，然后再利用测试数据样本进行电池SOC预测，最后将预测结果与IGWO-ELM、GWO-ELM模型、PSO-ELM模型、ELM模型的预测结果进行对比。在仿真实验中，种群规模N＝30，最大迭代次数T

S4：进一步地为了清晰的反映SOC估计结果的准确程度，由下式计算得到相对误差进行比较，得到结果如图6。

式中，ε——相对误差，y

从图中可以看出，ELM模型全程误差最大，PSO-ELM模型的精度较ELM有较大提升，但中后期产生了发散现象，使得误差升高。GWO—ELM、IGWO-ELM和ICGWO-ELM总体预测效果要优于前两种算法，GWO-ELM在预测中后期的误差虽然低于PSO-ELM，但仍然高于IGWO-ELM和ICGWO-ELM。ICGWO-ELM模型成功的将相对误差控制在2％以内，几乎所有样本点上的预测值都与实际值非常接近。这表明ICGWO-ELM模型的SOC估计效果显著优于其他四种模型。

S5.为了更准确地评估所提出的模型的性能，使用误差指标平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)来评价软测量模型。表达式分别为下式：

式中，N表示样本数；y

表1四种电池SOC估计模型性能比较结果

从表中可以看出，ICGWO性能最优，精度最高。这说明ICGWO-ELM电池SOC估计模型具有较高的预报精度和较强的泛化能力。