【动力电池组SOC估算算法概述2800字】

目录 1 2 3 如果估算误差较大，则影响电池组的充放电过程，易造本文提出PCA-ACO-Elman动态神经网络-UKF的联合估算算法进行SOC估个基于时间序列的问题，故可最大化Elman神经网络的特有功能。为避免Elman网络在训练过程中陷入局部最优，应用ACO搜索神经网络的权值和阈值，达到最大训练次数或预设精度并稳定后，将测试数据的主元输入，得到SOC初步估算结果；最后，将SOC初步预测值作为观测数据输入UKF滤波器，将AH计量法公式用于状态预测得到SOC最终预测结果。该算法创新点为，应用PCA的降维作用简化神经网络的结构，减小网络训练量；应用ACO对网络的权值和阈值进行寻优，通过其全局寻优能力提升训练精度；应用UKF滤波器对网络输出结果进行滤波处理，避免可对高阶电池模型模型的参数辨识，且利用UKF对非线NY试验数据采集PCA算法降维确定eman神经网络结构神经网络初步预测值UKF滤波器最终预测值ACO算法忧化神经网络的权值、阏值PCA算法属于一种多元回归分析法，适用于对模型中的高维数自变量进行主因分析，消除各变量间的相关性，得到若干承载原始数据提供的大多数信息的线性无关的主元，然后将得到的主元参与至模型计算，达到降维的目的，且不以通过图2-2可表征PCA算法原理，(x1,x2)表示两自变量，它们之间并无严格的线性关系，若将横纵轴逆向旋转一定角度，得到新坐标轴(t1,t₂),则近似得出变量的变化主要通过t1体现，即t₁提供原始数据的多数信息。t1、t₂可表示为x₁、x₂的线性组合，即t₁、t₂为x₁、x₂的主元，若t1覆盖原始数据信息量超过阈值，则可只通过t₁近似表征原始数据。用PCA算法消除SOC影响因素的相关性，简化后续神经网络模型的复杂度，具(1)选定若干SOC的影响因素，并进行n次观测，得到原始数据矩阵x(2)对x进行去均值化处理，得到标准化矩阵X。(3)计算X的协方差阵Px(4)计算Yx的特征值11>2……>λa>0,及对应的正交特征向量(即1.2ACO-Elman动态神经网络算法见图2-3,与普通的双层神经网络不同，Elman神经网络隐含层的的反馈节点可WWWbb0000文应用ACO的全局寻优能力指导神经网络的训练，提高其计算精度模拟蚂蚁觅食过程中所释放的信息素以优化搜索结果。ACO基本原理为，蚁群(1)确定神经网络结构：神经网络的输入变量为PCA算法输出的主元，输(2)确定蚁群系统的初始参数：每只蚂蚁的搜索范围，即神经网络权值和阈值的范围设置为[-10,10],搜索间隔为0.01,起始信息素阵为πo,起始禁忌素阵为Jo。(3)在第e次迭代中，第k只蚂蚁的第r次(r≤q)搜索从i点至j点的概(5)本次迭代完成后，搜寻神经网络输出最小误差所对应的蚂蚁，更新该P₁—一信息素挥发系数，0<pi≤1,取p1=0.7;P₂——信息素增长系数，0<p₂≤1,取p₂=0.3;△te——网络本次搜索输出最小误差所对应的蚂蚁走过路径的信息素，该矩阵元素非0即1。待迭代次数达到最大值或神经网络输出值达到预设精度并稳定后，即视为ACO对Elman神经网络的训练完毕，将测试数据输入PCA算法模型得到的主元导入ACO-Elman神经网络后，即可获得神经网络输出的SOC初步预测结果。1.3UKF算法理，其中EKF算法得到广泛关注，EKF算法围绕滤波值将非线性函数展开为二阶泰勒级数，获得近似二阶线性系统，再应用传统Kalman进行处理，但它只能在一步预测误差较小时效果较好。为了克服EKF的估算精度低且稳定性差的缺由于SOC估算系统是典型的非线性系统，故UKF适用于SOC预测，具体(2)计算sigma点集，及其对应权值：a—一控制sigma点集的分布，取α=1;SO