[发明专利]一种基于人工生命模型的锂电池组SOC预测方法

说明书

本专利发明了一种基于人工生命模型的锂电池组SOC预测方法，该方法包括人工生命模型建立和人工生命模型进化两部分。首先，建立锂电池SOC预测的人工生命模型。其次，为了使人工生命体可以更快速地学习，从而引入人工神经网络并将QPSO算法作为人工生命体的学习算法。之后，将采集电动汽车锂电池组的历史充放电数据以及对应的SOC数据提供给人工生命体进而使它们不断进化。再次，进化完成时，选取最优的种群中的最优个体作为预测锂电池SOC的模型。最后，通过测试数据对所得模型进行评估，并计算出模型的准确率。本发明无需复杂的参数配置，就可以准确地获得预测结果，而且预测精度高、误差小，预测成本低，可广泛应用于电动汽车的控制行业中。

技术领域

本发明涉及电池能源管理系统领域，特别是涉及一种基于人工生命模型的锂电池组SOC预测方法。

背景技术

名词解释：

元胞自动机：cellular automata，是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂系统时空演化能力，是一种典型的人工生命模型。

SOC：荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示；

BP神经网络：Back Propagation神经网络，按误差逆传播算法训练的多层前馈网络。

QPSO算法：Quantum-behaved Particle Swarm Optimization，量子微粒群算法，是一种改进的微粒群优化算法(PSO)，克服了PSO算法搜索空间有限和易陷入局部极值的不足，同时该算法具有参数少、易实现、收敛速度快等优点。

近年来雾霾不断出现，是因为传统的燃油汽车越来越多，所产生的汽车尾气也更多了，随着化石能源的逐渐枯竭，环境问题日益突出。锂电池的出现恰好可以满足现代社会对既绿色又环保的新能源需求，锂电池因其高能量密度和高比功率广泛应用在电动汽车的电池系统中，电池的性能不但决定着电动汽车系统的安全性，而且还决定着其可靠性以及效率。电池管理系统(BMS)需要提供精确的电池状态信息以供人参考，而电池管理系统的核心则是电池荷电状态(SOC)，只有精确的锂电池SOC预测才可以准确预测电池的剩余容量，同时确定行之有效的电池管理策略，从而避免出现电池的过充电和过放电情况，延长电池的使用寿命。

可是SOC又不能够直接测量得到，必须通过可测量的电压、电流来预测，SOC预测的准确性对电池的使用效率、使用寿命以及安全性有着决定性影响。

从目前来看，SOC的研究方法很多，常见测量或者预测方法的有开路电压法、安时积分法、放电实验法、神经网络算法、卡尔曼滤波等。分析得出现有方法不足之处，现列举如下：1.开路电压法，通过开路电压和SOC的对应关系，可是需要静置的时间较长，由查表得到电池的SOC，这种方法操作简单，但是电池组要间歇静置，只适用实验室用，不能满足电动汽车在线要求；2.安时积分法，可在线测试，使用简单，但该方法会随着时间的积累导致估算误差增大；3.放电实验法，该方法可以测量得到可靠的SOC，但是该方法需要离线测试，并且需要充放电机，而且充放电时间长，因而导致成本增加；4.神经网络算法预测，这种方法的预测精度依赖于大量的训练数据和合适的训练方法；5.卡尔曼滤波算法，适合电动车剧烈运行的工况，但是传统的卡尔曼滤波算法只适合线性系统，对于在运行中成剧烈非线性的锂电池不适合。

总的来说，就目前对电动车锂电池组SOC的在线测量或者预测方法存在误差大、精度低、成本高或者建模准确度低等问题，很难准确地获得电动汽车锂电池的SOC。

发明内容

针对以上技术背景中的问题，本发明的目的是提出一种基于人工生命模型的锂电池组SOC预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于人工生命模型的锂电池SOC预测方法，包括步骤：