摘要为了在新能源汽车里实现可靠的电池治理，研究了一个先进的基于机械学习技术的电池电荷状态（SOC）预测模型。首先使用基于基因模糊 C-means 算法（FCM）对收罗到的电池数据举行分类。分类的数据用于后续模型拓扑和前向参数的学习，递归最小二乘法被用来举行后续参数的额提取。

为了确保高精度和可靠性，后向流传学习算法用于同时优化前向参数和后续数据。实验数据讲明，此方法比使用传统的模糊建模越发准确，性能更好。先容为了降低污染，减缓全球变暖，越来越多的新能源被用于汽车动力系统。

其中，电池阵列被广泛使用。为了保证电池的宁静，高效和耐用，需要对电池举行监控，预测 SOC。

电池的不稳定状态会阻碍汽车的能源门路，甚至加剧电池的宁静，耐用问题。现在已经由许多预测 SOC 的算法，可是各有优点和限制，好比卡尔曼滤波器算法，缺点就有三个（1）预测的准确性很是依赖电池模型的有效性，为了获得好的鲁棒性模型，需要举行大量的数据测试。

（2）一个小的参数扰动，就会造成 SOC 预测的偏差。（3）算法比力庞大。

本论文充实吸收模糊聚类，减法聚类，直接搜索算法，遗传算法和人工智能算法的优点，高效解决了前向流传的两大问题：（1）模型拓扑（2）参数优化。为了实现一个在新能源汽车上使用的 SOC 预测模型，建模分成 2 步完成。（1）使用 FCM 聚类算法减小进入局部最优的情况，用于举行模型拓扑和先验参数简直定。

模型的参数通过减法聚类得出模糊聚类的数量，模型的后续参数通过递归最小二乘法举行优化。（2）使用反向流传学习算法进一步优化先验和后验参数。发生的 SOC 预测模型效果，通过实验分析和对比学习举行确认。

图 1 锂电池测试平台结构锂电池测试和数据准备电池测试数据获取通过 FUDS 测试尺度，获取汽车工况数据。模型输入数据需要是可以被传感器直接感知丈量的特征。随机选取工况中 10000 笔数据，随机排序，分为训练数据和模型验证数据两部门。

图 2 训练数据图 3 滑动平均验证数据模型的验证数据举行滑动平均处置惩罚，滑动周期为 5 秒。基于监视学习的 SOC 预测模型为了抑制主观判断的影响，接纳聚类替代算法。聚类算法有许多好比：K-means 算法、FCM 算法，最大交织熵算法等。其中 FCM 算法最着名，可是却具有三个缺点：（1）必须分配集群数量的先验知识。

（2）聚类分配对初始状态高敏感。（3）很是容易陷入局部最优。

通过引入遗传算法而不是随机梯度下降算法来将（2）（3）的影响最小化。为了赔偿 GA 算法较弱的局部优化能力，引入了直接搜索算法。为相识决缺陷（1）的影响，引入减法聚类算法，该算法是一个很是快捷的单遍算法，用于预计聚类的数目和中心。基因模糊聚类算法对数据举行尺度化处置惩罚，让数据漫衍在[0, 1]区间。

通过减法聚类算法初始化数据漫衍，包罗聚类个数和聚类中心点。随机选择多个个体组成簇，每个个体都是一个向量，向量中的元素即为簇中心的值。通过适应函数判断每个个体的适应性，接纳 C-means 函数，公式如下：式中是第 i 个聚类的中心，m 是权重，c 是聚类的索引。

群体更新，依据步骤 3 的效果，执行选择-交织-变异操作发生新的个体。基因算法最终判断，如果 50 代以后平均权重小于设定的值，执行步骤 6，否者跳转步骤 3。

直接搜索：使用上述步骤发生的初始化值，使用直接搜索算法迭代降低适应性函数的值，直到到达最终条件。图 4 模糊分类的效果图 5 聚类效果在三维空间的表现模型拓扑依据上面的分类效果，设计模型拓扑，每一个输入都应该与分类个数相当的结点相连。

而且每一个推理规则也与聚类个数一致。图 6 模型拓扑模型的非线性输入和输出效果如下：图 7 输入输出映射关系实验效果图 8 SOC 预测效果图 9 SOC 预测误差从效果可以看出，SOC 的预测误差控制在 3%规模以内。

总结针对电动汽车锂离子电池模块，建设了一种新的基于机械学习的 SOC 预计器。学习机制包罗两个步骤。在第一步，使用遗传-模糊聚类技术，减法聚类和直接搜索算法学习模型的拓扑结构和前参数。

随后，接纳递归最小二乘法提取后续参数。在第二步中，反向流传学习算法，同时对前向参数和后向参数举行优化。实验验证讲明，该模型具有良好的 SOC 跟踪精度(RMSE 仅为 1.68%)。

通过与尺度学习方法建设的模型的比力，证明晰该模型在平均和最坏情况下都具有优越性。致谢本文由南京大学软件学院 2020 级硕士生倪烨翻译转述。

本文来源：威尼斯欢乐娱人城1099-www.tianrenjixie.com