【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電動汽車動力電池領(lǐng)域，涉及一種動力電池的soc預(yù)測方法。
技術(shù)介紹
1、電池荷電狀態(tài)(soc)是電池狀態(tài)參數(shù)的核心，其量化了電池當(dāng)前剩余的可用能量，它可以表示為當(dāng)前時刻電池的剩余電池容量qt與電池的額定總?cè)萘縬0的比值的百分比，但其無法直接通過測量得到，只能通過測量電流電壓等參數(shù)間接計(jì)算進(jìn)行估計(jì)。
2、另外，電池soc是一個瞬時性指標(biāo)，其是連續(xù)可變的，且具有非線性的動態(tài)變化，準(zhǔn)確的進(jìn)行電池soc在線估計(jì)困難，同時電動汽車在運(yùn)行時的其他因素也會導(dǎo)致電池soc的在線估計(jì)困難加大。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是提供一種動力電池的soc預(yù)測方法，以解決上述現(xiàn)有技術(shù)存在的問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種基于ceemdan-bwo-tcn模型的電動汽車動力電池soc預(yù)測方法，所述方法步驟如下。
3、首先通過車聯(lián)網(wǎng)平臺采集相關(guān)數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行處理與清洗，之后通過相關(guān)性分析選取幾種與電池soc相關(guān)性高的特征作為輸入，并對其進(jìn)行歸一化處理，其具體包括：
4、通過車聯(lián)網(wǎng)平臺采集相關(guān)數(shù)據(jù)，選取了與電池相關(guān)的可充電儲能裝置數(shù)據(jù)、整車數(shù)據(jù)、報警數(shù)據(jù)以及極值數(shù)據(jù)。
5、通過刪除缺失值方法處理缺失值，通過直接剔除異常值處理異常值。
6、為了便于分析，對所有數(shù)據(jù)進(jìn)行重采樣處理，將原始數(shù)據(jù)采樣頻率壓縮為1h一次，取每小時soc的均值作為采樣點(diǎn)數(shù)據(jù)。
7、對車聯(lián)網(wǎng)平臺收集的電池?cái)?shù)據(jù)進(jìn)行相關(guān)性分析
8、對電池特征進(jìn)行歸一化處理，這里使用min-max歸一化方法對電池特征進(jìn)行歸一化處理,其計(jì)算公式如下：
9、
10、
11、式中與分別為各類電池特征序列數(shù)據(jù)的最小值和最大值，為當(dāng)前時間點(diǎn)的電池特征數(shù)值，為min-max歸一化后的電池特征數(shù)值，為經(jīng)過深?度學(xué)習(xí)算法輸出的電池soc序列，為進(jìn)行反歸一化后的電池特征。
12、進(jìn)一步的，白鯨優(yōu)化算法(bwo)的主要內(nèi)容包括：
13、bwo設(shè)定了一個平衡因子來切換勘探和開發(fā)模式,當(dāng)時，算法為勘探階段，而當(dāng)時，算法則切換為開發(fā)階段，其計(jì)算式如下：
14、
15、式中為一隨機(jī)種子，其取值范圍為(0,1)；為算法的最大迭代次數(shù)，隨著迭代次數(shù)的增加，的取值范圍將減小到(0,0.05)。
16、進(jìn)一步的，通過的值，bwo算法勘探階段的位置更新函數(shù)如下：
17、
18、
19、式中表示為第條白鯨在第個維度上的位置更新值;( j=1,2,3,... d)為總維度選取的隨機(jī)維度個數(shù)；表示在隨機(jī)維度上第條白鯨的位置；與為取值范圍為(0,1)的隨機(jī)種子；和則分別表示白鯨的游泳狀態(tài)。
20、進(jìn)一步的，在bwo算法的開發(fā)階段，為了增強(qiáng)bwo算法的收斂效果而引入飛行策略，其表達(dá)式如下：
21、
22、式中為隨機(jī)跳躍強(qiáng)度；和為取值范圍為(0,1)的隨機(jī)種子；為迭代過程中找到的最佳位置。
23、進(jìn)一步的，飛行函數(shù)的計(jì)算如下：
24、
25、
26、式中是兩個隨機(jī)數(shù)，其呈現(xiàn)正態(tài)分布；是一個值為1.5的常數(shù)。
27、進(jìn)一步的，設(shè)置了鯨落階段，其概率被定義為，其計(jì)算如下：
28、
29、式中為最大迭代次數(shù)。
30、進(jìn)一步的，bwo算法的鯨落階段，利用白鯨墜落步長以及位置來進(jìn)行位置更新，其數(shù)學(xué)模型如下：
31、
32、
33、式中，，為取值范圍為(0,1)的隨機(jī)種子；為白鯨位置更新的步長；為位置更新的步長因子；和分別為bwo算法尋優(yōu)時的上\下邊界。
34、進(jìn)一步的，使用ceemdan方法將經(jīng)過預(yù)處理后的電池soc序列分解為不同頻率和振幅的12個本征模態(tài)函數(shù)子序列，子序列頻率由高到低分布，呈降低趨勢。
35、進(jìn)一步的，構(gòu)建了ceemdan-bwo-tcn組合預(yù)測模型，其具體包括：
36、首先進(jìn)行電池?cái)?shù)據(jù)處理并進(jìn)行特征篩選，最后輸入到tcn模型當(dāng)中。
37、使用ceemdan方法將經(jīng)過預(yù)處理后的電池soc序列分解為不同頻率和振幅的多個本征模態(tài)函數(shù)最后輸入到tcn模型當(dāng)中。
38、利用bwo算法優(yōu)化最后輸入到tcn模型當(dāng)中神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵結(jié)構(gòu)參數(shù)來得到最佳網(wǎng)絡(luò)結(jié)構(gòu)，將最優(yōu)參數(shù)輸入到tcn模型當(dāng)中。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的電動汽車動力電池SOC預(yù)測方法，其特征在于，包括以下幾個步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池SOC預(yù)測方法，其特征在于，所述S1包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池SOC預(yù)測方法，其特征在于，所述S2包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池SOC預(yù)測方法，其特征在于，所述S3包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池SOC預(yù)測方法，其特征在于，所述S4包括以下步驟：
【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的電動汽車動力電池soc預(yù)測方法，其特征在于，包括以下幾個步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池soc預(yù)測方法，其特征在于，所述s1包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電動汽車動力電池soc預(yù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曾建邦，黃豪，李駿，沈超群，段興兵，胡亦非，覃清梅，李彬彬，
申請(專利權(quán))人：華東交通大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。