[发明专利]一种基于人工生命模型的锂电池组SOC预测方法

权利要求书

1.一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，包括具体步骤：

S1、建立基本人工生命体模型；

S2、改善基本人工生命体模型的结构，即将神经网络引入基本人工生命体模型的每个元胞中，每个元胞内存放了需要训练的神经网络，神经网络为三层结构，分别是输入层、隐藏层、输出层；

S3、改进人工生命体模型的学习算法，即利用QPSO算法来替换人工生命体原来的学习算法之后，通过调整其参数β来实现学习过程，具体包括以下步骤：

S31、设迭代次数n＝0，初始化粒子群，包括粒子的个数，搜索空间，随机初始化每个粒子初始位置；

S32、在第一次迭代时，每个粒子的初始位置即为个体最好的位置；每个粒子的位置为神经网络中的参数，计算所有输入组数据神经网络的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函数值，所有的粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的位置即为全局最好的位置，同时保存该粒子所对应的结论参数矩阵；

S33、由所有的粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位置进行更新，计算每个粒子的目标函数值，并更新个体最好位置；比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最好位置粒子所对应的参数矩阵；

S34、当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的神经网络参数值，保存的结论参数矩阵即为要确定的结论参数；当迭代结束条件未达到时，设n＝n+1,转到步骤S3；其中n表示基本人工生命体模型的规模；

S4、采集锂电池组的历史充放电数据以及对应的SOC数据；

S5、对锂电池组的历史充放电数据以及对应的SOC数据进行归一化处理；

S6、将处理完成的数据输入到每个个体元胞中去，并赋予元胞空间内的每个元胞一套自身的网络权重系数，利用权重网络计算每个元胞的实际输出，若元胞空间的平均实际输出达到标准或者完成训练步数，则结束算法，否则继续；

S7、计算适应度，比较期望输出与每个元胞的实际输出，计算每个元胞的适应度；

S8、选择与复制，每个元胞均在邻居范围内选择适应度最大的个体作为学习对象，每个元胞对选择出的邻居中的优秀个体进行复制操作，更新自身的网络权重系数，然后返回步骤S6。

2.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S1中，建立基本的人工生命模型是指的建立n×n的网格元胞自动机模型。

3.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S4，其具体为：所述的采集数据是锂电池组的各个单体电池的充放电电流、单体电压。

4.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S5，其具体为：所述采集数据经过归一化处理，据跟下式，对锂电池组的历史充放电数据进行归一化处理：

上式中，X表示归一化处理后的数据，x_k表示实际输入的历史充放电数据，

k为自然数，表示序号，x_max表示x_k所在的数据序列中的最大值，x_min表示x_k所在的数据序列中的最小值。

5.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于：所述步骤S6，其具体为：步骤S3所建立的人工生命体模型将对基于步骤S5处理的数据进行学习，该模型会在不断进化，直到完成进化。

6.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S7，其具体为：每个元胞比较自身实际输出与期望输出的差距，计算适应度，方式如下：

上式中，fitness是适应度，out_a是元胞实际输出，out_q是期望输出。

7.根据权利要求1所述的一种基于人工生命模型的锂电池组SOC预测方法，其特征在于，所述步骤S8，其具体为：每个元胞均在邻居范围内中选择适应度fit_star＝max{fit_j，j∈Ω}作为学习对象，元胞的邻居范围包括自身，每个元胞对选择出适应度最大的元胞个体进行复制，并更新自身的网络权重系数：

W_i,t'＝W_star,t

V_i.t'＝V_star,t

然后返回步骤S6。