基于改进灰狼优化算法的RBF神经网络的锂离子电池SOH估计方法

技术领域

本发明属于动力电池管理技术领域，具体的说是一种基于改进灰狼优化算法的RBF神经网络的锂离子电池SOH估计方法。

背景技术

锂离子电池凭借着能量密度高、自放电率低等优点，已经发展成为电动汽车目前最主要的驱动能源。然而，随着电池持续的运行，其性能会发生变化，还可能会带来安全问题，这直接限制了电动汽车的广泛普及。电池健康状态(state of health,SOH)作为动力电池管理系统最重要的参数之一，对其进行准确地估计不仅能够有助于解决上述问题，也能够提高其他参数的估计精确度，如：荷电状态、能量状态。

目前SOH估计方法大致分为基于模型的方法和基于数据驱动的方法。基于模型的方法虽然具有较高的可解释性，但其效果随模型选取的不同存在较大差异且估算精度较低。由于大数据技术和机人工智能技术的发展，基于数据驱动的SOH估计方法具有良好的应用前景。其中神经网络算法被广泛应用于SOH估计中。然而，基于神经网络的SOH估计方法仍有一些局限性性。首先，根据电池老化原理，可以清楚地知道容量随着充放电周期的增加而降低，这表明电池健康状态退化数据可以被视为一个长期的时间序列。然而，由于神经网络的隐含层函数对输入特性进行非线性转换，特性与SOH之间的直接线性相关性降低。因此，估计的 SOH在后期逐渐偏离真实值，无法准确地遵循长期线性变化过程。其次，传统的神经网络在参数选择上存在收敛速度慢、易陷入局部最优、过拟合等问题。近年来，元启发式在神经网络训练中的应用引起了许多科学家的关注，神经网络的性能得到了很大的提高。但仍有许多不足需要进一步研究，如收敛速度慢、智能搜索能力差等。因此，如何在SOH估计中优化神经网络的参数成为另一个问题。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于改进灰狼优化算法的 RBF神经网络的锂离子电池SOH估计方法，以期能解决传统RBF神经网络难以跟踪电池SOH 全局线性变化和容易陷入局部最优的问题，从而能提高模型对锂离子电池SOH的估计精度。

本发明一种基于改进灰狼优化算法的RBF神经网络的锂离子电池SOH估计方法的特点在于，包括以下步骤：

步骤S1、数据采集：

对任意锂电池进行n次充放电，并记录充放电过程中锂电池的电流、电压、温度、时间数据以及每次放电完全的容量；

步骤S2、以第k次充电过程的恒流充电时间f

步骤S3、构建改进RBF神经网络，并基于所述训练集，采用改进灰狼优化算法优化网络中的参数；

步骤3.1、利用式(1)构建改进的RBF神经网络：

式(1)中，w

式(2)中，σ

步骤3.2、通过改进灰狼优化算法对改进RBF神经网络的五种参数[σ,c,w,Φ,h]进行寻优：

步骤3.2.1、定义当前迭代次数为t，并初始化t＝1；

定义并初始化改进灰狼算法中的各个参数，包括：狼群的大小M，最大迭代次数T，搜索空间维度D及第t代系数向量a

步骤3.2.2、随机初始第t代灰狼种群{X

步骤3.2.3、利用式(3)计算第t代灰狼种群中第j个灰狼个体的适应度函数值finess

式(3)中，

步骤3.2.4、对第t代灰狼种群中每个灰狼个体的适应度函数值进行升序排序，找出适应度函数排名前三的灰狼个体分别记为α(t)、β(t)、γ(t)，并将第t代灰狼个体α(t)的方向向量记为X

步骤3.2.5、利用式(4)确定第t+1代中最优灰狼个体的方向向量X(t+1)：

式(4)中：Gauchy(0,1)表示一个均值为0，方差为1的随机数；

步骤3.2.6、利用式(5)更新第t代系数向量a

式(5)中：rand表示(0，1)之间的随机数；

步骤3.2.7、将t+1赋值给t后，判断t＞T是否成立，若成立，则输出第T代最优灰狼个体的方向向量，并作为优化后的改进RBF神经网络的最优参数[σ

步骤S4、保存最优参数[σ

与现有技术相比，本发明的有益效果在于：

1、本发明提出了一种基于改进灰狼优化算法和RBF神经网络的方法来估计电池的SOH。该方法通过改进的灰狼优化算法优化改进的RBF神经网络参数，有效地解决了传统RBF神经网络的估计值在SOH估计后期容易偏离真实值以及容易陷入局部最优的问题，从而，有效提高了SOH估计的准确性和鲁棒性。

2、本发明在传统的RBF神经网络函数中加入与特征变量直接相关的线性多项式以跟踪电池在长期老化过程中的线性趋势。相比与传统的RBF神经网络，该方法既能有效地跟踪由于容量再生而产生的局部非线性变化，又能模拟长期电池老化过程中的容量衰减趋势，从而有利于提高SOH估计精度。

3、本发明在传统的灰狼优化算法中引进了非线性自适应收敛策略和柯西变异以提高种群的多样性和全局探索开发能力，避免了陷入局部最优，提高了收敛精度。非线性自适应收敛策略将收敛因子的线性变化转变为非线性变化来增加算法的多样性，更符合现实世界中的应用场景。此外，通过引入柯西分布函数的方法对全局搜索的灰狼位置信息进行变异，提高了灰狼的全局搜索能力，从而使得算法能够更好地达到全局最优，大大提升了锂离子电池SOH 的估计精度。

附图说明

图1为实验用锂离子电池在不同循环次数下的充电电压曲线图；

图2为实验用锂离子电池在不同循环次数下的增量容量曲线图；

图3为本发明改进的RBF神经网络结构图；

图4为本发明提出的一种基于改进灰狼优化算法和RBF神经网络的锂离子电池SOH估计方法的流程图；

图5为基于不同算法的SOH估计结果和误差图。

具体实施方式

本实施例中，一种基于改进灰狼优化算法的RBF神经网络的锂离子电池SOH估计方法，如图4所示，包括以下步骤：

步骤S1、数据采集：

采集待测电池历史运行数据，包括充放电次数、每个充放电周期的电压、电流、运行时间、放电完全的容量等。该电池共进行了166次充放电循环。然后，从容量的角度定义电池 SOH如式(1)所示：

式(1)中：SOH

步骤S2、从电池充电电压曲线中提取与电池退化有关的特征。图1显示了在不同循环次数的充电电压曲线。随着循环次数增加，恒流充电持续时间减小，且恒压充电时间增加。从增量容量曲线上提取与电池退化有关的特征，并由式(2)得到。图2显示了在不同循环次数的增量容量曲线。随着循环次数增加，增量容量曲线的峰值减小，且峰值对应位置向右偏移。特征提取如下：以第k次充电过程的恒流充电时间f

步骤S3、构建改进RBF神经网络，并基于训练集，采用改进灰狼优化算法优化网络中的参数；

步骤3.1、利用式(3)构建改进的RBF神经网络，其网络结构如图3所示。RBF神经网络包含三层，分别是输入层、隐含层、输出层。与传统的RBF神经网络不同，改进的RBF神经网络的输出层在原有的基础上增加了一个与特征直接相关的线性多项式，以提高SOH的估计精度。其原因为根据电池老化原理，可以清楚地知道容量随着充放电循环次数的增加而减小，这说明电池健康状态退化数据可以看作是一个长期的时间序列。但是，由于神经网络隐含层的函数非线性地转换了输入特征，降低了特征与SOH的直接线性相关。因此，估计的SOH在后期逐渐偏离真实值，不能准确地跟随长期的线性变化过程。因此，改进的RBF神经网络既能够处理由于各种不确定因素导致电池SOH出现局部非线性变化的问题，有能够准确跟踪电池SOH长期线性变化的问题；

式(3)中，w

式(4)中，σ

步骤3.2、通过改进灰狼优化算法对改进RBF神经网络的五种参数[σ,c,w,Φ,h]进行寻优。灰狼优化算法是一种智能优化算法，本发明主要采用非线性自适应策略和柯西变异来改进传统的灰狼优化算法，改善其容易陷入局部最优的问题，从而使得改进的灰狼优化算法能够得到最佳的RBF神经网络参数：

步骤3.2.1、定义当前迭代次数为t，并初始化t＝1；

定义并初始化改进灰狼算法中的各个参数，包括：狼群的大小M，最大迭代次数T，搜索空间维度D及第t代系数向量a

步骤3.2.2、随机初始第t代灰狼种群{X

步骤3.2.3、利用式(5)计算第t代灰狼种群中第j个灰狼个体的适应度函数值finess

式(5)中，

步骤3.2.4、对第t代灰狼种群中每个灰狼个体的适应度函数值进行升序排序，找出适应度函数排名前三的灰狼个体分别记为α(t)、β(t)、γ(t)，并将第t代灰狼个体α(t)的方向向量记为X

步骤3.2.5、利用式(6)确定第t+1代中最优灰狼个体的方向向量X(t+1)，其中针对灰狼优化算法易陷入局部最优的特点，利用柯西变异来增加种群的多样性，提高算法的全局搜索能力，增加搜索空间。柯西分布函数在原点处的峰值较小但在两端的分布比较长，利用柯西变异能够在当前变异的灰狼个体附近生成更大的扰动从而使得柯西分布函数的范围比较广，采用柯西变异两端分布更容易跳出局部最优值；

式(6)中：Gauchy(0,1)表示一个均值为0，方差为1的随机数；

步骤3.2.6、利用式(7)更新第t代系数向量a

式(12)中：rand表示(0，1)之间的随机数；

步骤3.2.7、将t+1赋值给t后，判断t＞T是否成立，若成立，则输出第T代最优灰狼个体的方向向量，并作为优化后的改进RBF神经网络的最优参数[σ

步骤S4、保存最优参数[σ

为了验证本发明的优越性，将本发明中的算法和SVR以及GPR三种算法的预测性能进行比较。图5表示这三种算法在测试集上的SOH估计结果和误差，通过图5中的(a)部分可见采用本发明的方法对锂电池SOH估计值与真实值非常接近，说明本发明具有估计结果准确的特点。通过图5中的(b)部分的误差分析可以发现，本发明所提算法能够将估计误差控制在2％以内，并且相比于其他三种算法有更高的估计精度。