[0029] 一、电池SOC智能预测装置总体设计
[0030] 电池SOC智能预测装置应具有如下功能:1)参数检测。实时采集电池充放电状态,采集电池的数据包括电压、电池电流、电池温度以及单体模块电池电压等;2)剩余电量(SOC)预测。系统应即时采集充放电电流和电压等参数,通过相应的算法进行SOC的估计,电池剩余能量相当于传统车的油量;3)热管理。实时采集电池的温度,通过对散热装置的控制防止电池温度过高;4)均衡控制。由于每块电池个体的差异以及不同使用状态等原因,因此电池在使用过程中不一致性会越来越严重,系统应能判断并自动进行均衡处理;5)信息监控。电池的主要信息通过RS232接口在触摸屏显示终端进行实时显示;6)CAN接口。根据电动汽车CAN通信协议,电池测控单元通过CAN接口与整车其他系统进行信息共享。
[0031] 二、测控单元硬件设计
[0032] 为了获得电动汽车电池的放电过程特性以及电池SOC预测系统建模所需数据,本发明专利一种电动汽车动力电池SOC智能预测装置中设计电池参数采集平台。电池参数采集平台由电流传感器、电压检测电路、电池组温度传感器、环境温度传感器、负载和测控单元组成,其中测控单元包括单体电池数据采集模块、CPU处理器、触摸屏、RSS32接口、CAN接口、A/D转换单元和均衡器,该电池参数采集平台采集电池组电压、电流、电池温度和环境温度,并通过CAN总线接口与电动汽车控制系统进行信息交互;电动汽车动力电池SOC智能预测装置如图1所示。电池管理系统CPU处理器是整个系统的核心,CPU处理器选用集成了CAN控制器模块的DSP56F807芯片实现CAN接口,CAN接口收发器选用PCA82C250做收发器,电池均衡器采用集散式动态均衡控制,主要包括DC/DC斩波电路、隔离驱动、PWM控制器和矩阵开关型通道选择电路;采用AV100-150霍尔电压传感器和CHB-200SF霍尔电流传感器分别对电池组进行总电压和电流检测。单体电池数据采集模块实时监测取得每个单体电池的电压和温度数据,由均衡器对通道选择电路发出选通信号,实现对每个电池模块中单体电池的动态均衡充放电;通过RS232实现与触摸屏的通信以及系统的标定等。电池测控模块微控制器选用集成了2路12bit精度A/D的转换单元,电池组温度传感器和环境温度传感器选用数字温度传感器DS18B20采集电池测试点温度和电池组工作环境温度。
[0033] 三、测控单元软件设计
[0034] 测控单元软件采用模块化程序设计,CPU处理器程序采用C语言编写,根据系统具有的功能分为若干子程序,其中包括:程序参数和控制参数初始化模块、参数与控制模块和显示模块,实现电池电压、电流、温度和环境温度的采集、电池的均衡控制、SOC估计、曲线显示和数据显示等功能。软件功能见图3。
[0035] 四、电池SOC预测系统
[0036] 在测控单元的CPU处理器中设计电池SOC预测系统预测电池SOC值,电池SOC预测系统包括灰色预测GM(1,1)模型、SOM神经网络分类器、多个RBF模糊神经网络估计模型、ANFIS估计补偿模型和ARIMA动态预测模型组成,电池SOC预测系统如图2所示,分别作如下设计:
[0037] 1、SOM神经网络分类器
[0038] SOM神经网络分类器称为自组织特征映射网络,该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络,当一个神经网络接受外界输入模式时,将会分为不同的反应区域,各区域对输入模式具有不同的响应特性。本发明专利利用SOM神经网络分类器对影响电池电量的预测特征参数电压、电流和温度的样本进行分类,各类样本参数输入对应的RBF模糊神经网络估计模型来预测电池SOC,SOM神经网络学习算法如下:
[0039] (1)、连接权值的初始化。对N个输入神经元到输出神经元的连接权值赋予较小的权值,该网络的N=3,它们分别是电池的预测特征参数电压、电流和温度。
[0040] (2)、计算欧氏距离dj,即输入样本X与每个输出神经元j之间的距离:
[0041]
[0042] 并计算出一个具有最小距离的神经元j*,即确定出某个单元k,使得对于任意的j,都有
[0043] (3)、按照式(2)修正输出神经元j*及其“邻接神经元”的权值:
[0044] wij(t+1)=wij(t)+η[xi(t)-wij(t)] (2)
[0045] (4)、根据下公式计算输出实现对电池预测特征参数样本分类。
[0046]
[0047] (5)、提供新的学习样本来重复上述学习过程。
[0048] 2、RBF模糊神经网络估计模型
[0049] 模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达与神经网络的强大自学习能力于一体的智能技术。本专利采用结构简单、逼近能力较好并具有函数等价性的RBF模糊神经网络,该RBF模糊神经网络为4层结构,它们分别为输入层、模糊化层、模糊规则层和解模糊层。第1层为输入层。该层有3节点,其输入量为分别为电池的预测特征参数电压、电流和温度,它们的输入向量为X=[x1,x2,x3]。第2层为模糊化层。对输入参量进行模糊化,这里将3个输入各自划分为3个模糊子集{正大、正小、零},因此该层共有9个节点。每个节点对所对应的第i个输入变量的第j个模糊子集的隶属度μij(i=1,2,3;j=1,2,3)进行计算,隶属度函数选用高斯函数。第三层为模糊规则层,用来匹配模糊规则前件并计算出每条规则的适用度。该层每个节点代表一个模糊规则,由于输入模糊子集的全排列组合可得到3×3×3=27条规则,所以该层有27个节点。每个节点的规则适应度采用式极小运算得到。第四层为解模糊层,采用加权平均法计算模糊神经网络的输出。本专利所提的RBF神经网络(RBF-FNN)算法中,对RBF模糊神经网络参数的隶属度函数中心、隶属度函数宽度和规则层与解模糊层之间的连接权值cij、σij、wmn的强化学习调整主要分为以下2个阶段。①在实际应用中对模糊神经网络的参数进行初始训练调整,通过对参数的训练直至均方误差小于预设的阈值后,才认为利用当前参数下的模糊神经网络对电池SOC进行预测;②利用初始训练好的模糊神经网络对模糊神经网络的参数进行在线训练调整,以动态适应网络电池特征参数的变化,达到较好的电池负荷预测效果。
[0050] 3、ANFIS补偿估计模型
[0051] 由于模糊推理本身不具备自学习功能,其应用受到了很大限制,而人工神经网络又不能表达模糊语言,实际上类似一个黑箱,缺少透明度,所以不能很好地表达人脑的推理功能。基于神经网络的自适应模糊推理系统ANFIS,也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System),将二者有机地结合起来,既能发挥二者的优点,又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的,ANFIS最大的特点就是基于数据的建模方法,而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS补偿估计模型的输入分别为RBF模糊神经网络估计模型的输出、电池内阻变化量预测值和环境温度变化量预测值,输出为电池SOC补偿预测量,ANFIS补偿估计模型的主要运算步骤如下:
[0052] 第1层:将输入的数据模糊化,每个节点对应输出可表示为:
[0053]
[0054] 本发明专利为3个节点,分别是RBF模糊神经网络估计模型的输出、电池内阻变化预测值和环境温度变化预测值。式n为每个输入隶属函数个数,隶属函数采用高斯隶属函数。
[0055] 第2层:实现规则运算,输出规则的适用度,ANFIS补偿估计模型的规则运算采用乘法。
[0056]
[0057] 第3层:将各条规则的适用度归一化:
[0058]
[0059] 第4层:每个节点的传递函数为线性函数,表示局部的线性模型,每个自适应节点i输出为:
[0060]
[0061] 第5层:该层的单节点是一个固定节点,计算ANFIS补偿估计模型的补偿预测值总输出为:
[0062]
[0063] ANFIS补偿估计模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS补偿估计模型每一次迭代中首先输入信号沿网络正向传递直到第4层,此时固定条件参数,采用最小二乘估计算法调节结论参数;信号继续沿网络正向传递直到输出层(即第5层)。ANFIS补偿估计模型将获得的误差信号沿网络反向传播,用梯度法更新条件参数。以此方式对ANFIS补偿估计模型中给定的条件参数进行调整,可以得到结论参数的全局最优点,这样不仅可以降低梯度法中搜索空间的维数,还可以提高ANFIS补偿估计模型参数的收敛速度。
[0064] 4、灰色预测GM(1,1)模型
[0065] 灰色预测GM(1,1)模型的建模过程是将无规律的电压、电流、温度、温度变化量、内阻变化量等要预测变量的原始数据进行累加,得到规律性比较强的生成序列后进行建模,由生成模型得到的数据再进行累减得到原始数据的预测值,然后进行预测。假设要预测参数的原始数列为:
[0066] x(0)=(x(0)(1),x(0)(2),…x(0)(n)) (9)
[0067] 一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n)) (10)[0068] 其中:
[0069] 则x(1)序列具有指数增长的规律,即满足一阶线性微分方程:
[0070]
[0071] 公式中a成为发展灰数,它反映x(1)和x(0)的发展趋势;u为内生控制灰数,反映了数(1)据之间的变化关系。解上式的微分方程得到x 的预测值为:
[0072]
[0073] 通过下公式的累减还原,得到原始序列x(0)的灰色预测模型为:
[0074]
[0075] 通过构建灰色预测GM(1,1)模型,可以实现对本专利电源的电压、电流、温度和内阻变化量和环境温度变化量的预测,构建对应电池特征参数的灰色预测GM(1,1)模型。
[0076] 5、构建ARIMA动态预测模型
[0077] ARIMA模型是由Box等提出的一种根据时间序列预测建模对象方法,它可延伸到对被预测对象的时间序列进行分析。本专利对ARIMA动态预测模型的时间序列特征的研究,采用3个参数用来分析电池SOC值变化的时间序列,即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。ARIMA动态预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测电池SOC模型方程可以表示如下:
[0078]
[0079] Δdyt表示yt经d次差分转换之后的序列,εt是时刻的随机误差,是相互独立的白噪2
声序列,且服从均值为0,方差为常量σ的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA动态预测模型的待估计参数,p和q为ARIMA动态预测电池SOC模型的阶。ARIMA动态预测电池SOC模型本质上属于线性模型,建模与预测包含4个步骤:(1)、序列平稳化处理。如果电池SOC数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则电池SOC时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对电池SOC数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对电池SOC数据进行对数转换。(2)、模型识别。主要通过自相关系数和偏自相关系数来确定ARIMA动态预测电池SOC模型的阶数p,d和q。(3)、估计模型的参数和和模型诊断。用极大似然估计得到ARIMA动态预测电池SOC模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建电池SOC模型是否可取,利用选取合适参数的ARIMA动态预测电池SOC模型进行电池SOC预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)、利用具有合适参数电池SOC模型进行电池SOC预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现整个建模过程。
[0080] 五、电动汽车电池管理系统的设计举例
[0081] 电动汽车电池管理系统根据电池管理系统组成部件,系统布置了电流传感器、电压检测电路、负载、环境温度传感器、电池温度传感器、电池组和测控单元的平面布置安装图,其中环境温度传感器布置在被检测电池组工作环境中,电池温度传感器布置在电池组的外壳,整个系统平面布置见图4,通过该系统实现对电动汽车电池管理参数的采集与预测电池SOC值。
[0082] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。