基于长鼻浣熊优化算法优化NARX神经网络的动力电池组SOH估算方法

本发明属于动力电池管理，具体涉及一种基于长鼻浣熊优化算法(coa)优化narx神经网络的动力电池组soh估算方法。

背景技术：

1、随着电动汽车等新能源车辆的普及，动力电池作为关键核心部件，其性能与安全性的测试与评估变得至关重要。soh作为描述电池当前健康状态的指标，其准确估计对于保证电动汽车整车动力性能与安全性能具有重要意义。soh通常用来表示电池的剩余寿命，随着电池循环次数的增加，电池soh会逐渐降低，剩余寿命减少，可用容量也会逐渐减少。因此，准确预测电池容量衰减曲线以及有效管理电池健康状态显得尤为重要。

2、目前动力电池soh评估的主要方法大致分为基于模型的方法和基于数据驱动的方法。相比于基于模型的方法，目前而言，由于大数据技术和人工智能技术的发展使得基于数据驱动的方法更具发展前景，其中神经网络就应用广泛。而神经网络在对输入特性进行非线性转换时，输入特性与soh之间的相关性会减弱，使得后期的soh估计值误差偏大。其次，传统的神经网络在参数选择上存在收敛速度慢、过拟合、易陷入局部最优等问题。

技术实现思路

1、针对现有技术中存在不足，本发明提供了一种基于长鼻浣熊优化算法(coa)优化narx神经网络的动力电池组soh估算方法，以期能解决传统的神经网络在参数选择上存在收敛速度慢、过拟合、易陷入局部最优等问题，提高动力电池组soh估算的准确性。

2、本发明是通过以下技术手段实现上述技术目的的。

3、基于长鼻浣熊优化算法优化narx神经网络的动力电池组soh估算方法：

4、采集动力电池组两年内的bms历史数据，包括电池组电压、电流和温度；

5、由电池组电流的峰谷值及其对应的位置、电池组温度在夏/冬季的峰谷值及其对应的位置、电池组电压、电池组电流不均匀位置及其对应的数值，构建第一数据集，将第一数据集进行归一化处理，得到第二数据集；

6、将第二数据集中电池组各数据看成长鼻浣熊，并执行长鼻浣熊优化算法，输出最佳解，基于最佳解构建第三数据集；

7、利用第三数据集训练和测试构建好的narx神经网络，在实际使用时，将实时采集的动力电池组的bms数据输入训练好后的narx神经网络，得到动力电池组soh的预测结果。

8、进一步的技术方案，所述长鼻浣熊优化算法包括以下流程：

9、初始化算法中各个参数，并表征初始化时长鼻浣熊在搜索狩猎空间中的位置；

10、第一阶段：将长鼻浣熊分为爬上树吓唬猎物的前半部分以及在树下等待猎物落下的后半部分，表征第一阶段长鼻浣熊的位置，如果第一阶段长鼻浣熊的位置改善了其适应度函数的值，则利用长鼻浣熊第一阶段的位置替换初始化时的位置，否则长鼻浣熊仍位于初始化时的位置；

11、第二阶段：长鼻浣熊逃离捕食者，在每个长鼻浣熊当前位置附近产生随机位置，如果随机位置改善了其适应度函数的值，则利用随机位置替换长鼻浣熊第一阶段的位置，即到达安全位置，否则长鼻浣熊仍位于第一阶段的位置。

12、更进一步的技术方案，为了避免出现局部最优的情况，在长鼻浣熊优化第一阶段开始前插入最近邻比较算法，包括：

13、(1)对于每个试验矢量v，最近邻ζn使用下式中所示的距离来探索：

14、

15、其中，x为待测样本矢量，v为试验矢量，d(x,v)是矢量x和v之间的距离，xmax、xmin是矢量x的最大值和最小值，d表示问题维度；

16、最近邻ζn是矢量x和v的最小距离；

17、(2)分别比较最近邻ζn、目标方案与试验矢量v的距离，如果最近邻ζn与试验矢量v的距离大于目标方案与试验矢量v的距离，那么试验矢量v将跳过最近邻ζn，否则试验矢量v采用最近邻ζn。

18、进一步的技术方案，所述电池组电流的峰谷值及其对应的位置表示车辆驾驶行为特征。

19、进一步的技术方案，所述电池组温度在夏/冬季的峰谷值及其对应的位置表示天气特征。

20、进一步的技术方案，所述电池组电压表示常规特征。

21、进一步的技术方案，所述电池组电流不均匀位置及其对应的数值表示电池组内部不一致的特征。

22、本发明的有益效果为：

23、(1)本发明将动力电池组在夏季、冬季的温度作为天气特征，考虑电动汽车电池组在低温和高温环境下的soh影响，并且将电流的不均匀现象也作为特征输入，考虑了电池组内部不一致性对soh的影响；使得估算的soh在实车方面能够更真实的反应出电池健康状况。

24、(2)本发明采用coa算法对动力电池组的特征数据(第二数据集)进行了优化处理，coa算法能够选择精度更高的特征，提高收敛精度，并且coa算法拥有更快的收敛速度，利用coa算法得到第三数据集训练和测试narx神经网络，在实际使用时，利用测试后的narx神经网络估算soh，能够减少估算时间。

25、(3)本发明在coa算法第一阶段开始前插入最近邻比较算法，能够避免算法出现局部最优的情况。

1.基于长鼻浣熊优化算法优化narx神经网络的动力电池组soh估算方法，其特征在于：

2.根据权利要求1所述的动力电池组soh估算方法，其特征在于，所述长鼻浣熊优化算法包括以下流程：

3.根据权利要求2所述的动力电池组soh估算方法，其特征在于，为了避免出现局部最优的情况，在长鼻浣熊优化算法第一阶段开始前插入最近邻比较算法，包括：

4.根据权利要求1所述的动力电池组soh估算方法，其特征在于，所述电池组电流的峰谷值及其对应的位置表示车辆驾驶行为特征。

5.根据权利要求1所述的动力电池组soh估算方法，其特征在于，所述电池组温度在夏/冬季的峰谷值及其对应的位置表示天气特征。

6.根据权利要求1所述的动力电池组soh估算方法，其特征在于，所述电池组电压表示常规特征。

7.根据权利要求1所述的动力电池组soh估算方法，其特征在于，所述电池组电流不均匀位置及其对应的数值表示电池组内部不一致的特征。