[发明专利]一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法

说明书

本发明所提出的一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法。针对电池测量数据存在缺失、异常和噪音的特点，根据变异系数采用改进粒子滤波算法处理或选择最小二乘法、均值替换法处理参数以使神经网络输入参数平稳，从而提高抗噪性。而GRNN算法应用于SOH估算具有估算精度高的优势，但因平滑因子人为设定存在其实验平均误差与方差不稳定局限。因此本发明利用QGA对GRNN的平滑因子进行优化以提高网络自适应性。进一步的，考虑到不同特征参数与容量的相关性存在差异的特点，本发明利用最优平滑因子与相关系数构建模式层的传递函数以提高GRNN的估算精度。实验结果表明，本发明所提出的算法能有效估算锂离子电池健康状态具有广阔的应用前景。

技术领域

本发明属于电动汽车电池技术领域，涉及一种锂离子电池健康状态的估算方法，具体涉及一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法。

背景技术

随着全球实施能源和环境保护战略，锂离子电动汽车因为能源效率高和环境友好性等特点得到快速发展。锂离子电池的健康状态是电动汽车安全性和可靠性的重要指标，所以实现锂离子电池健康状态的有效估算具有极为重要的意义。电池健康状态SOH难以直接测量，主要通过可直接测量的电池特征如充放电的电流、电压等来估算。

由于SOH的估算与电池特征参数之间的关系是一种高度复杂的非线性关系，而人工神经网络(ANN:Artificial Neural Network)具有很强的非线性映射能力，已经在SOH估算得到广泛应用。其中，GRNN算法应用于SOH估算具有估算精度高的优势，但其实验平均误差与方差不稳定。究其原因主要是因为平滑因子人为设定难以达到最优。研究GRNN发现，其神经元在处理数据时，将所有分类的分布视为相同概率密度函数的高斯分布，平滑因子即对应高斯分布的方差，所以当平滑因子取值过大时，网络输出近似于所有样本因变量的平均值。若平滑因子取值过小时，会出现过拟合现象。因此为提高GRNN的估算精度寻找GRNN平滑因子的优化方法极为重要。

发明内容

本发明的目的在于提出一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法，以提高对锂离子电池健康状态估算方法的自适应性、抗噪性与精确度。本发明首先采用电池参数自适应预处理算法对电池数据处理以使神经网络输入参数平稳，从而提高抗噪性。利用QGA对GRNN的平滑因子进行优化以提高网络自适应性。利用计算的相关系数重构模式层的传递函数以提高GRNN的估算精度。

具体技术方案如下：

一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法，包括以下步骤：

步骤1，基于电池参数自适应预处理算法处理电池数据，并构建数据集：计算电池参数，根据变异系数选择利用改进粒子滤波算法PF处理或选择最小二乘法、均值替换法处理参数，并将处理后的数据划分为训练数据集和测试数据集，在此基础上构建矢量集；

步骤2，利用量子遗传算法QGA优化广义神经网络GRNN中的平滑因子:基于经验设置QGA的迭代次数、种群数和染色体长度，构建QGA中用于选择操作的适度函数，迭代得到最优平滑因子；

步骤3，基于最优平滑因子和相关系数构建GRNN以估算电动汽车锂离子电池健康状态:计算训练矢量参数与容量的相关系数，利用步骤2估算的平滑因子与相关系数构建GRNN模式层的传递函数，以优化后的GRNN估算电动汽车锂离子电池健康状态。

进一步，所述步骤1中基于电池参数自适应预处理算法处理电池数据，并构建数据集，包括以下步骤：

步骤1.1，计算所有循环的恒流充电时间序列T、恒压放电时间序列D、放电电压骤降值序列V，提取容量计算电池健康状态SOH序列S；

步骤1.2，计算参数序列的变异系数，以恒流充电时间序列T为例，若变异系数则执行步骤1.3，否则执行步骤1.4，其中SD_T为T的标准差，M_T为T的均值，N_SD为变异系数阈值；