第33卷第5期Vol．33NO．5重庆工商大学学报(自然科学版)JChongqingTechnolBusinessUniv.(NatSciEd)2016年10月Oct．2016doi:10．16055/j．issn．1672－058X．2016．0005．002基于AFSA-ＲBF神经网络的电动汽车动力电池SOC预测*凤志民，田丽(安徽工程大学电气工程学院，安徽芜湖241000)收稿日期:2016－03－01;修回日期:2016－04－14．*基金项目:大学生创新创业训练计划(201510363006)．作者简介:凤志民(1992－)，男，安徽芜湖人，硕士研究生，从事复杂系统建模、控制与优化研究．摘要:传统的电池荷电状态(StateofCharge，SOC)估计方法是基于精确的数学模型，它依赖于大量的建模假设和经验参数，故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度，提出利用人工鱼群算法(ArtificialFishSwarmAlgorithm，AFSA)优化径向基神经网络(ＲBF)对SOC进行预测，解决了ＲBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测，且具有实际使用价值。关键词:电动汽车电池;荷电状态SOC预测;径向基神经网络;人工鱼群算法中图分类号:U467．3文献标志码:A文章编号:1672-058X(2016)05-0006-05随着能源问题和环境问题的双重压力，国家大力倡导使用清洁新能源，一些诸如太阳能、风能、潮汐能、核能、生物化学能等清洁的新能源正在逐步的步入人类的工业生产和实际生活之中。以新能源发电为主要动力的电动汽车得到了大力的发展，电动汽车动力电池荷电状态的管理与预测估算对发展电动汽车起着重要的作用。介于电动汽车的动力电池系统内部结构极其复杂，具有复杂的非线性，很难对其建立稳定而准确有效地电池等效模型(电化学模型、电路模型等模型)，为保证电动汽车电池的安全稳定运行、使其在原有的使用寿命基础上加以延长和提高电池使用效率，需要对电池SOC进行准确高精度的加以预测［1］。目前国内外对电池荷电状态的预测方法有很多，如放电法、比重法、开路电压法、等效电路法、卡尔曼滤波法等方法［2-3］，然而这些方法的应用都具有各自的局限性，只可以在一些特定的场合下应用，泛化性能较差，在一些复杂的工况环境下不适宜推广应用。如放电法是在较理想的环境下使用的方法，在实现过程中比较困难，在多数电池复杂的工作条件下并不能满足实际的要求;比重法依据电池电解液密度的浓度大小来推断SOC大小的，方法成本高，效率低，并不适合工况多变的电动汽车电池的预测;开路电压法虽然操作简单，但是由于电池本身的动态滞回特性，而且测量时还需电池长时间保持在静置的状态，这对于动电动汽车电池的测量很难适用;等效电路法较难辨识电路模型中未知元件的参数，且由于电池自身的老化使得此法通过修正其它参数才能估计SOC，过程比较繁琐;卡尔曼滤波法需要涉及大量的数学运算，对模型的精准度要求较高，在工程上应用较难实现［4］;神经网络法对处理复杂非线性特性的动力电池SOC预测尤为适用，其预测电池SOC并不需要考虑电池内部复杂的非线性特性，只需考虑电池系统外部的输入输

出特性，通过训练大量的样本数据，可以预测不同环境下电池的SOC状态，泛化能力很强［5］。利用人工鱼群算法优化径向基神经网络对电动汽车电池SOC预测，并与径向基神经网络预测的电池SOC相比较，建立了AFSA-ＲBF模型，考虑了将电池的温度也加入到网络的输入矢量中，使模型更加的高效精准预测SOC，最后利用AFSA-ＲBF模型预测电池在不同放电倍率下的荷电状态，并且与SOC实测值相比较。1径向基函数ＲBF神经网络径向基网络是由具有单隐层的三层［6］(即是由输入层、隐含层、输出层构成)前馈型网络构成，其通常都是取径向基函数作为中间层的激励函数。目前已经证明，ＲBF具备超强逼近非线性的性能、结构简单、操作简易、自学习能力佳，训练过程分为有教师式学习和无教师式学习两步，对复杂非线性系统的学习不需要熟悉系统复杂的内部结构，适应性强，和其他网络相比训练的时间快。分别以动力电池的环境温度(℃)、电压(V)、电流(A)作为ＲBF网络的输入向量，以荷电状态SOC的大小作为输出向量，网络结构如图1所示。图1ＲBF神经网络结构图Fig．1ＲBFneuralnetworkstructure隐含层的激励函数一般用高斯函数表示为r(x)=Φ((x－)vi)(1)电池SOC的输出大小表示为ySOC=ΣMi=1wiΦ(x－vi)=ΣMi=1wiexp(x－vi)22δ2i[](2)其中，vi是第i个隐含层神经元的中心，x是3维输入失量，wi表示第i个输出神经单元的权值，δi表示第i个隐含层神经元的中心宽度，M表示隐含层的神经元数量。2鱼群算法人工鱼群算法是基于动物行为的群体智能优化算法，AFSA在搜索空间中是通过模拟鱼群的觅食行为、聚群行为、随机行为、追尾行为等方式来寻优［7］，其具有分布处理、参数和初值的鲁棒性能强、简单易实现及使用灵活等优良特性。假设一条人工鱼的当前位置为X=(x1，x2，…，xn)，LVisual表示人工鱼的视野，Xv表示人工鱼此刻的视点位置，如果此视点的食物浓度高于当前人工鱼所在的位置，则向此方向游动，当其游动到Xnext位置时，如果Xnext位置的食物浓度高于Xv位置的食物浓度，则人工鱼在Xnext位置继续巡视其视野范围内的浓度更高的位置。在空间中巡视次数越多，人工鱼就越全面对整个搜索空间加深了解，以得到食物浓度更高的位置，得到更好的解。AFSA的模型如图2所示。图2AFSA模型Fig．2AFSAmodel图2中，位置X=(x1，x2，…，xn)，Xv=(xv1，xv2，…，xvn)，人工鱼巡游过程表示:xvi=xi+LVisual·rand()，i=1，2，…，n(3)Xnext=Xv－XXv－X·NStep·rand()(4)其中，rand()表示随机数，范围为［－1，1］，NStep表示移动的步长，X1，X2，X3表示人工鱼视野范围内的3条鱼的位置。3基于AFSA-ＲBF网络预测荷电状态的模型采用人工鱼群算法优化径向基神经网络，就是7第5期凤志民，等:基于AFSA-ＲBF神经网络的电动汽车动力电池SOC预测

利用人工鱼群算法具有避免陷入局部最优、在搜索空间取得全局极值的能力较强，并且其还具备自较强的适应能力，对初值和参数选择的不敏感性能及抗干扰性能好等。通过AFSA优化ＲBF使其网络取得最佳的网络结构，即得到最佳的宽度向量δi、中心向量vi，输出神经元的权值wi。为了使结果具备更好的直观性，目标函数(即适应度函数)选取为SOC预测值f(xi)与SOC实测值yi之差的范数，即fobj=yi－f(xi)。具体流程步骤如图3所示。图3AFSA-ＲBF流程图Fig．3AFSA-ＲBFflowchart具体步骤:Step1:首先对鱼群进行初始化，随机产生N条人工鱼，即人工鱼种群大小为N;Step2:用人工鱼群算法训练径向基神经网络，通过AFSA优化网络的宽度向量δi、中心向量vi，输出神经元的权值wi;Step3:计算人工鱼群中所有个体的目标函数值(适应度值)，将目标值最小的人工鱼个体赋给公告板，并且各条人工鱼都在试探模拟执行追尾行为;Step4:所有人工鱼在试探模拟执行追尾行为后，比较各个人工鱼和执行追尾行为前的适应度值大小，若有进步，则执行追尾行为，若无进步，则人工鱼模拟执行聚群行为;Step5:人工鱼在模拟执行聚群行为后，比较各个人工鱼和聚群行为前的适应度值大小，若有进步，则执行聚群行为，若无进步，则人工鱼执行觅食行为;Step6:计算所有人工鱼群个体的适应度值，若鱼群中某个个体的适应度值优于公告板，则将公告板更新为人工鱼个体，否则保持公告板当前值;Step7:判断是否满足终止条件，若是，获得通过AFSA优化网络的宽度向量δi、中心向量vi，输出神经元的权值wi，否则，返回Step4。4MATLAB仿真实验由于电池荷电状态SOC的影响因素(如放电电压、放电电流［8］、内阻、自放电、老化程度、电池温度、自放电率、充放电次数等)众多，但介于目前技术的限制，使得很多影响电池的因素并不能精准的测量，对于ＲBF网络，参考的输入向量越多，SOC的建模越精确，对电池荷电状态的预测更加的精准。选取电池的温度(℃)、电压(V)、电流(A)作为荷电状态SOC预测的输入矢量，因为对于电池的温度(℃)、电压(V)、电流(A)目前技术是可以用高精度的仪器准确测量得到。用在常温下实验得到30组(表1)训练数据对AFSA-ＲBF网络模型进行优化训练。迭代结果如图4。图4AFSA-ＲBF网络迭代过程Fig．4AFSA-ＲBFnetworkiterativeprocess8重庆工商大学学报(自然科学版)第33卷

表1训练样本与测试样本Table1Trainingsamplesandtestsamples训练样本测试样本电流/A电压/V温度/℃ySOC电流/A电压/V温度/℃ySOC183．567200．999193．36200．825183．252210．982193．16210．790183．206200．837193．10200．731183．120210．784193．03210．546183．188200．625192．92200．353183．168210．441192．76210．228183．161210．398192．65200．179183．026200．178192．53210．146183．017190．108192．52200．099183．011210．093192．38200．093273．165200．883273．24210．947273．158200．725273．15200．913273．133190．456273．09190．853273．125200．413272．99200．746272．867220．235272．90190．501272．671210．105272．80200．323363．119200．993363．25220．983363．114190．936363．16210．945……………………从AFSA-ＲBF网络模型迭代的过程可以看到，用人工鱼群算法优化径向基神经网络使网络结构收敛速度快，由平均适应度值的不断地波动情况可以知道，AFSA-ＲBF网络优化过程并没有陷入局部极值点，而且其全局搜索的效果好。用实验测得的12组测试数据，分别利用ＲBF网络模型和AFSA-ＲBF网络模型对动力电池SOC进行预测，测试结果如图5所示。图5预测结果Fig．5Forecastresult由图5可以看出，AFSA-ＲBF神经网络模型对电动汽车动力电池的荷电状态预测效果明显要由于ＲBF神经网络模型的预测效果。为了进一步验证AFSA-ＲBF神经网络模型对电池SOC的预测性能，对恒温下不同放电倍率下的动力电池SOC进行了预测，结果如图6所示。由图6可以看出利用AFSA-ＲBF模型对电池荷电状态预测，即使在不同的放电倍率下对电池荷电状态预测，其预测精度也比较高。图6不同放电倍率下AFSA-ＲBF预测SOC曲线Fig．6AFSA-ＲBFpredictionofSOCcurveunderdifferentdischargerate9第5期凤志民，等:基于AFSA-ＲBF神经网络的电动汽车动力电池SOC预测

5结论基于电动汽车动力电池荷电状态的预测，利用人工鱼群算法优化了径向基神经网络结构，并建立了基于AFSA-ＲBF预测电池SOC的模型，为了更好地预测荷电状态SOC，考虑了神经网络结构输入向量的数量，将电池的环境温度也加入到网络结构的输入矢量中去，进一步提高了网络模型的可靠性。仿真结果表明，AFSA-ＲBF预测电池的SOC操作简易，可以高效准确的对电池SOC进行精确预测，而且此方法具备一定的实际使用价值。参考文献(Ｒeferences):［1］李可，赵德安．HEV电池SOC预测的留一交叉验证优化LS-SVM方法［J］．电源技术，2014，38(11):2059-2062LIK，ZHAODA．BatterySOCPredictionforHEVBasedonLS－SVMwithinLeave-one-outCross-validation［J］．PowerTechnology，2014，38(11):2059-2062［2］刘征宇，杨俊斌，张庆，等．基于QPSO-BP神经网络的锂电池SOC预测［J］．电子测量与仪器学报，2013，27(3):224-228LIUZY，YANGJB，ZHANGQ，etal．EstimationforSOCofLithiumBatteryBasedonQPSO－BPNeuralNetwork［J］．JournalofElectronicMeasurementandInstrument，2013，27(3):224-228［3］井娥林，孙正凤，温宏愿．基于贝叶斯最小二乘支持向量机的电池SOC预测［J］．电源技术，2015，39(12):2616-2619JINGEL，SUNZF，WENHY．BatterySOCPredictionBasedonLS－SVMwithinBayesianEvidenceFramework［J］．PowerTechnology，2015，39(12):2616-2619［4］李国进，董第永，陈双．磷酸铁锂电池的SOC预测［J］．计算机仿真，2015，32(3):163-168LIGJ，DONGDY，CHENS．EstimationforSOCofLiFePO4Li-ionBattery［J］．ComputerSimulation，2015，32(3):163-168［5］项宇，刘春光，苏建强，等．基于BP神经网络的动力电池SOC预测模型与优化［J］．电源技术，2013，37(6):963-965XIANGY，LIUCG，SUJQ，etal．ForecastModelofBatteryStateofChargeBasedonBPNetworkandItsOptimization［J］．PowerTechnology，2013，37(6):963-965［6］何耀耀，许启发，杨善林，等．基于ＲBF神经网络分位数回归的电力负荷概率密度预测方法［J］．中国电机工程学报，2013，33(1):93-98HEYY，XUQF，YANGSL，etal．APowerLoadProbabilityDensityForecastingMethodBasedonＲBFNeuralNetworkQuantileＲegression［J］．ProceedingoftheCSEE，2013，33(1):93-98［7］段其昌，唐若笠，徐宏英，等．粒子群优化鱼群算法仿真分析［J］．控制与决策，2013，28(9):1436-1440DUANQC，TANGＲL，XUHY，etal．SimulationAnalysisoftheFishSwarmAlgorithmOptimizedbyPSO［J］．ControlandDecision，2013，28(9):1436-1440［8］CHENZ，FUYH，MICC．StateofChargeEstimationofLithium－ionBatteriesinElectricDriveVehiclesUsingExtendedKalmanFiltering［J］．IEEETransactionsonVehicularTechnology，2013，62(7):1020-1030SOCPredictionforElectricVehicleBatteryBasedonAFSA-ＲBFNeuralNetworkFENGZhi-min，TIANLi(SchoolofElectricalEngineering，AnhuiPolytechnicUniversity，AnhuiWuhu241000，China)Abstract:Accordingtotheprinciplethattraditionalbatterystateofcharge(StateofCharge，SOC)estimationmethodisbasedonprecisemathematicalmodelwhichreliesonalotofmodelingassumptionsandempiricalparameters，therefore，SOCaccuracybythemodelpredictionislimited．InordertoimprovethepredictionaccuracyforthebatterySOC，ArtificialFishSwarmAlgorithm(AFSA)isappliedtopredictingtheSOCbyoptimizingＲadialBasisFunction(ＲBF)neuralnetwork，whichsolvetheuncertaintyinＲBFnetworkparameterchoice．Thesimulationtestresultsshowthatthismethodcaneasily，quicklyandaccuratelyachieveSOCpredictionandhaspracticalvalue．Keywords:electricvehiclebattery;StateofChargeSOCprediction;ＲadialBasisFunctionneuralnetwork;ArtificialFishSwarmAlgorithm责任编辑:田静01重庆工商大学学报(自然科学版)第33卷