[发明专利]一种基于多层感知机算法的动力锂电池荷电状态的估计方法

权利要求书

1.一种基于多层感知机算法的动力锂电池荷电状态的估计方法，其特征在于，包括如下步骤：

步骤1，数据拆分：

将电池测试总数据集T_ot分为两部分，75％为训练数据集T_ra，25％为测试数据集T_es；

步骤2，数据预处理：

对训练数据集T_ra中的数据进行标准化，公式如下：

其中，x表示某个特征，x_min表示该特征中最小的值，x_max表示该特征中最大的值；

步骤3，设计多层感知机网络：

设计全连接神经网络：

m＝f(z)

h＝f(s)

上式中，D表示尺度，x₁，x₂，……x_d表示有d个特征输入，m₁，m₂，m₃，……m_d表示具有d隐藏层的特征，h₁，h₂……，h_d表示第2隐含层的特征个数，o₁表示多层感知机网络的输出值，a表示每个特征的权重，b是偏移量，W、X和M都是矩阵，f(·)表示激活函数；

步骤4：超参数的选取：

损失函数J(a)使用均方根误差RMSE和绝对值误差MAE，

上式中，a表示每个特征的权重，x表示某个特征，y表示SOC的值，N表示训练数据集样本的总数量，Y_n表示每个训练数据样本的真实SOC值，O_n(x)表示多层感知机算法计算出来的每个训练数据样本的SOC值；

模型训练的过程中学习率采用余弦退火算法，初始化学习率为0.00015；

步骤5：参数调节：

首先调节网络的深度，将最大网络宽度固定为80，在训练出网络深度后，再固定两个网络深度，来优化网络宽度，训练循环次数从30到200中随机取值进行测定，最后选取精度和准确率最好的最优模型；

步骤6，模型验证：

将步骤5中选取的最优模型，作为验证模型查看其训练误差和测试误差，当训练误差E_tr小于千分之一，测试误差E_te小于千分之五时，就选取该模型作为最终算法模型，未达到要求的话，重复步骤5的过程。

2.根据权利要求1所述基于多层感知机算法的动力锂电池荷电状态的估计方法，其特征在于：在步骤3中的每一层都增加层归一化操作，同时在每一层的层后增加DropOut剪枝操作，DropOut剪枝操作就是将网络连接以一定的概率P_d随机剪断，P_d＝0.3。

3.根据权利要求1所述基于多层感知机算法的动力锂电池荷电状态的估计方法，其特征在于：步骤3中的激活函数使用ReLU激活函数和Mish激活函数，ReLU激活函数和Mish激活函数进行层间交替使用，公式如下：

f(v)＝ReLU(v)＝MAX(0，v)

f(v)＝Mish(v)＝v*tanh(1+e^v)

上式中，v表示上一层神经网络所训练出的特征值，tanh是双正切函数。