技術(shù)領(lǐng)域
[0001] 本
發(fā)明涉及電動
汽車復(fù)合電源系統(tǒng)能量管理領(lǐng)域，尤其涉及一種鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化方法。
背景技術(shù)
[0002] 電動汽車具有環(huán)保的優(yōu)勢和發(fā)展?jié)?a href='/zhuanli/list-23072-1.html' target='_blank'>力。目前電動汽車尚處于成長階段，全球電動汽車市場占有率很低。主要原因在于鋰電池的性能及壽命等難以滿足電動汽車要求。
[0003] 鋰電池的能量存儲與充放電過程為電化學(xué)過程，高倍率放電降低其
循環(huán)壽命，導(dǎo)致其容量下降。鋰電池放電倍率越大，對鋰電池壽命影響越大。
[0004] 由于電動汽車道路行駛時具有較高的功率峰均比，在
加速、爬坡時鋰電池高倍率放電影響其容量損失及壽命。
[0005] 將功率
密度高和充放
電能力強的超級電容作為輔助
能源，是提高鋰電池壽命、改善電動汽車加速性能等的有效途徑。提高鋰電池壽命有利于提高電動汽車可靠性，降低電動汽車的成本，提高電動汽車競爭力。
[0006] 復(fù)合電源系統(tǒng)能量管理系統(tǒng)是合理分配鋰電池功率和超級電容功率，發(fā)揮超級電容與鋰電池兩者的優(yōu)勢，提高鋰電池壽命的關(guān)鍵。
[0007] 實際應(yīng)用中，鋰電池的健康狀況會逐步衰退，因此鋰電池輸出功率應(yīng)適應(yīng)鋰電池健康狀況。但常見的模糊能量管理規(guī)則中，未充分考慮鋰
電池組健康狀況。
[0008] 目前復(fù)合電源系統(tǒng)能量管理規(guī)則的優(yōu)化，較多采用遺傳
算法等方法進行離線優(yōu)化，在線優(yōu)化方法較少。
發(fā)明內(nèi)容
[0009] 有鑒于此，本發(fā)明提出了一種鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化方法，能根據(jù)鋰電池
健康狀態(tài)，在滿足復(fù)合電源系統(tǒng)需求功率的同時，提高鋰電池的壽命。
[0010] 本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：本發(fā)明提供了一種鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化方法，包括以下步驟，
[0011] S1，輸入變量鋰電池健康因子λbt,soh、復(fù)合電源系統(tǒng)需求功率Phes,r和超級電容
荷電狀態(tài)SOCsc；對輸入變量進行量化和模糊化，轉(zhuǎn)化為模糊量；
[0012] S2，基于模糊能量管理規(guī)則，得到鋰電池組需求功率Pbt,r的模糊量，經(jīng)過
去模糊化和量化，得到鋰電池組需求功率Pbt,r；
[0013] S3，鋰電池需求功率Pbt,r傳遞給鋰電池組模
塊，得到鋰電池組輸出功率Pbt,a。
[0014] 在以上技術(shù)方案的
基礎(chǔ)上，優(yōu)選的，還包括以下步驟，
[0015] S4，將模糊能量管理規(guī)則數(shù)據(jù)化，得到輸入輸出數(shù)據(jù)樣本；
[0016] S5，利用BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)樣本進行離線學(xué)習(xí)，得到記憶了模糊能量管理規(guī)則的神經(jīng)網(wǎng)絡(luò)能量管理模塊。
[0017] 進一步優(yōu)選的，步驟S1中，
[0018] 輸入變量鋰電池健康因子λbt,soh量化后的輸入范圍為[0，1]，模糊集為﹛L，M，H﹜，H、M和L，分別代表高、中和低；當λbt,soh量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L；當λbt,soh量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M；當λbt,soh量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H；
[0019] 輸入變量復(fù)合電源系統(tǒng)需求功率Phes,r量化后的輸入范圍為[-1，1]，模糊集為﹛N，L，M，H﹜，H、M、L和N，分別代表高、中、低和負；當Phes,r量化后的輸入范圍為[-1，0]時，對應(yīng)模糊量N；當Phes,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L；當Phes,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M；當Phes,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H；
[0020] 輸入變量超級電容荷電狀態(tài)SOCsc量化后的輸入范圍為[0，1]，模糊集為﹛L，M，H﹜，H、M和L，分別代表高、中和低；當SOCsc量化后的輸入范圍為[0，0.57]時，對應(yīng)模糊量L；當SOCsc量化后的輸入范圍為[0.57，0.81]時，對應(yīng)模糊量M；當SOCsc量化后的輸入范圍為[0.81，1]時，對應(yīng)模糊量H；
[0021] 輸入變量鋰電池組需求功率Pbt,r量化后的輸入范圍為[-0.3，1]，模糊集為﹛N，L，M，H﹜，H、M、L和N，分別代表高、中、低和負；當Pbt,r量化后的輸入范圍為[-0.3，0]時，對應(yīng)模糊量N；當Pbt,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L；當Pbt,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M；當Pbt,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H；
[0022] 步驟S2中，根據(jù)以下模糊能量管理規(guī)則得到鋰電池組需求功率Pbt,r的模糊量：
[0023] 當鋰電池健康因子λbt,soh模糊量為H時，
[0024]
[0025] 當鋰電池健康因子λbt,soh模糊量為M時，
[0026]
[0027] 當鋰電池健康因子λbt,soh模糊量為L時，
[0028]
[0029] 更進一步優(yōu)選的，步驟S4中，采用以下方式將模糊能量管理規(guī)則數(shù)據(jù)化：
[0030] 當λbt,soh量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，數(shù)據(jù)化時取輸入范圍中位值0.165；當λbt,soh量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值0.485；當λbt,soh量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值0.825；
[0031] 當Phes,r量化后的輸入范圍為[-1，0]時，對應(yīng)模糊量N，數(shù)據(jù)化時取輸入范圍中位值-0.5；當Phes,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，取輸入范圍中位值0.165；當Phes,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值
0.485；當Phes,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值
0.825；
[0032] 當SOCsc量化后的輸入范圍為[0，0.57]時，對應(yīng)模糊量L，數(shù)據(jù)化時取Esc輸入范圍中位值0.165的二次方根值0.41；當SOCsc量化后的輸入范圍為[0.57，0.81]時，對應(yīng)模糊量M，數(shù)據(jù)化時取Esc輸入范圍中位值0.495的二次方根值0.70；當SOCsc量化后的輸入范圍為[0.81，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取Esc輸入范圍中位值0.825的二次方根值0.91；
[0033] 當Pbt,r量化后的輸入范圍為[-0.3，0]時，對應(yīng)模糊量N，數(shù)據(jù)化時取輸入范圍中位值-0.15；當Pbt,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，數(shù)據(jù)化時取輸入范圍中位值0.165；當Pbt,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值0.485；當Pbt,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值0.825；
[0034] 神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)樣本為鋰電池健康因子λbt,soh、復(fù)合電源系統(tǒng)需求功率Phes,r和超級電容荷電狀態(tài)SOCsc，神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)樣本為鋰電池需求功率Pbt,r。
[0035] 進一步優(yōu)選的，還包括以下步驟，
[0036] S6，選取鋰電池輸出
電流均方根作為性能函數(shù)，利用神經(jīng)網(wǎng)絡(luò)的
自學(xué)習(xí)能力，采用BP算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值和
閾值，實時優(yōu)化模糊能量管理規(guī)則，使性能函數(shù)全局最小。
[0037] 更進一步優(yōu)選的，步驟S5中，
[0038] 量化模塊將輸入變量實際值轉(zhuǎn)化到神經(jīng)網(wǎng)絡(luò)輸入范圍，k時刻，
輸入層到隱層權(quán)值系數(shù)為w(2)ij(k)(i＝1,2…9,j＝1,2,3)，閾值為b(2)i(k)(i＝1,2…9)，隱層到
輸出層權(quán)系數(shù)為w(3)li(k)(i＝1,2…9,l＝1)，閾值為b(3)l(k)(l＝1)；
[0039] 步驟S6中，采用表征鋰電池壽命的鋰電池組輸出電流的均方根作為神經(jīng)網(wǎng)絡(luò)性能函數(shù)J(k)，
[0040]
[0041] Ibt,a(k)表示k時刻鋰電池組輸出電流，N表示k時刻鋰電池組輸出電流Ibt,a
采樣值總個數(shù)；
[0042] 利用BP學(xué)習(xí)算法，正向傳播時，輸入變量從輸入層經(jīng)隱含層傳向輸出層；反向傳播時，將性能函數(shù)J(k)從輸出層經(jīng)隱含層傳到輸入層，按照
梯度下降法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；按照J(k)對神經(jīng)網(wǎng)絡(luò)的負梯度方向搜索，并附加一個使搜索快速收斂的慣性項，優(yōu)化能量管理策略，權(quán)值和閾值調(diào)整公式如下所示：
[0043]
[0044]
[0045]
[0046]
[0047] 其中，η為學(xué)習(xí)速率，α為慣性系數(shù)。
[0048] 更進一步優(yōu)選的，還包括步驟S7，對優(yōu)化結(jié)果進行評估，達到要求時，優(yōu)化結(jié)束；不能達到要求時，對模糊能量管理規(guī)則進行
修改，再按步驟S1～S6進行優(yōu)化。
[0049] 在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述能量實時優(yōu)化方法在基于MATLAB的ADVISOR
軟件中完成。
[0050] 本發(fā)明的鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化方法相對于
現(xiàn)有技術(shù)具有以下有益效果：
[0051] (1)將鋰電池健康因子納入復(fù)合電源系統(tǒng)模糊能量管理規(guī)則考慮范圍，合理分配鋰電池功率和超級電容功率，發(fā)揮超級電容與鋰電池兩者的優(yōu)勢，提高鋰電池壽命；
[0052] (2)模糊變量采用三
角形隸屬度函數(shù)，模糊變量取其輸入范圍的平均值，實現(xiàn)模糊規(guī)則的數(shù)據(jù)化，得到輸入數(shù)據(jù)樣本和輸出數(shù)據(jù)樣本；
[0053] (3)利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，對數(shù)據(jù)化后的模糊規(guī)則進行學(xué)習(xí)，得到基于神經(jīng)網(wǎng)絡(luò)的模糊能量管理模塊；
[0054] (4)在此基礎(chǔ)上，采用鋰電池輸出電流均方根作為性能函數(shù)，利用BP算法對神經(jīng)網(wǎng)絡(luò)權(quán)值及閾值進行調(diào)整，優(yōu)化復(fù)合電源系統(tǒng)能量管理規(guī)則，在滿足復(fù)合電源系統(tǒng)需求功率的同時，提高鋰電池的壽命。
附圖說明
[0055] 為了更清楚地說明本發(fā)明
實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0056] 圖1鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化流程；
[0057] 圖2基于ADVISOR軟件的復(fù)合電源系統(tǒng)模糊能量管理結(jié)構(gòu)圖；
[0058] 圖3基于MATLAB的復(fù)合電源系統(tǒng)模糊能量管理模塊；
[0059] 圖4基于MATLAB的復(fù)合電源系統(tǒng)模糊能量管理規(guī)則；
[0060] 圖5基于MATLAB的鋰電池健康因子λbt,soh隸屬函數(shù)圖；
[0061] 圖6基于MATLAB的復(fù)合電源系統(tǒng)需求功率Phes,r隸屬函數(shù)圖；
[0062] 圖7基于MATLAB的超級電容荷電狀態(tài)SOCsc隸屬函數(shù)圖；
[0063] 圖8基于MATLAB的鋰電池組需求功率Pbt,r隸屬函數(shù)圖；
[0064] 圖9BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0065] 圖10基于ADVISOR軟件的神經(jīng)網(wǎng)絡(luò)實時優(yōu)化能量管理結(jié)構(gòu)圖。
具體實施方式
[0066] 下面將結(jié)合本發(fā)明實施方式，對本發(fā)明實施方式中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施方式僅僅是本發(fā)明一部分實施方式，而不是全部的實施方式?；诒景l(fā)明中的實施方式，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施方式，都屬于本發(fā)明保護的范圍。
[0067] ADVISOR軟件是基于MATLAB軟件開發(fā)的源代碼開放的可進行前向與后向仿真相結(jié)合的電動汽車仿真軟件，適合于電動汽車能量管理評估及優(yōu)化。本發(fā)明的鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化方法，在基于MATLAB6.5環(huán)境下ADVISOR2002軟件中完成。
[0068] 鋰電池與超級電容復(fù)合電源系統(tǒng)能量實時優(yōu)化流程如圖1所示，包括以下步驟：
[0069] 1.制定模糊能量管理規(guī)則
[0070] 根據(jù)鋰電池
能量密度大功率密度小，超級電容功率密度大能量密度小的特點，考慮鋰電池健康狀況的復(fù)合電源系統(tǒng)模糊能量管理規(guī)則如下：
[0071] 表1(a)當鋰電池健康因子λbt,soh模糊量為H時，
[0072]
[0073] 表1(b)當鋰電池健康因子λbt,soh模糊量為M時，
[0074]
[0075] 表1(c)當鋰電池健康因子λbt,soh模糊量為L時，
[0076]
[0077] 其中，λbt,soh代表輸入變量鋰電池健康因子，Phes,r代表輸入變量復(fù)合電源系統(tǒng)需求功率，SOCsc代表輸入變量超級電容荷電狀態(tài)；Pbt,r代表輸出變量鋰電池組需求功率。
[0078] 如上表所示，隨著鋰電池健康狀態(tài)下降，鋰電池的需求功率相應(yīng)下降。鋰電池組需求功率根據(jù)鋰電池健康狀況因子大小適當調(diào)整，避免鋰電池過電流充放電，提高鋰電池壽命。
[0079] 表1(a)、表1(b)、表1(c)中共有三十六條模糊規(guī)則。表1(a)中，其中一條模糊能量管理規(guī)則描述為，當鋰電池健康因子λbt,soh為H(高)，復(fù)合電源系統(tǒng)需求功率Phes,r為H(高)，超級電容荷電狀態(tài)SOCsc為M(中)時，鋰電池組需求功率Pbt,r為H(高)。
[0080] 表1(b)中，其中一條模糊能量管理規(guī)則描述為，當鋰電池健康因子λbt,soh為M(中)，復(fù)合電源系統(tǒng)需求功率Phes,r為H(高)，超級電容荷電狀態(tài)SOCsc為M(中)時，鋰電池組需求功率Pbt,r為M(中)。
[0081] 表1(C)中，其中一條模糊能量管理規(guī)則描述為，當鋰電池健康因子λbt,soh為L(低)、，復(fù)合電源系統(tǒng)需求功率Phes,r為H(高)，超級電容荷電狀態(tài)SOCsc為M(中)時，鋰電池組需求功率Pbt,r為L(低)。
[0082] 上述三條模糊能量管理規(guī)則中，鋰電池組需求功率Pbt,r考慮了鋰電池健康狀況，有利于提升鋰電池壽命。
[0083] 基于ADVISOR軟件的復(fù)合電源系統(tǒng)模糊能量管理模塊結(jié)構(gòu)圖如圖2所示。Phes,r為復(fù)合電源系統(tǒng)需求功率，Phes,a為復(fù)合電源系統(tǒng)輸出功率，Psc,r為超級電容需求功率，Psc,a為超級電容輸出功率，Pbt,r為鋰電池需求功率，Pbt,a為鋰電池輸出功率。
[0084] 功率分配模塊中，超級電容組需求功率Psc,r如下式。
[0085] Psc,r＝Phes,r-Pbt,a???(1)
[0086] 復(fù)合電源系統(tǒng)輸出功率Phes,a如下式。
[0087] Phes,a＝Pbt,a+Psc,a???(2)
[0088] 基于MATLAB的模糊能量管理模塊如圖3所示。模糊能量管理模塊輸入變量鋰電池健康因子λbt,soh、復(fù)合電源系統(tǒng)需求功率Phes,r和超級電容荷電狀態(tài)SOCsc，輸入變量經(jīng)過量化和模糊化，轉(zhuǎn)化為模糊量。通過查詢表1(a)、表1(b)和表1(c)的模糊能量管理規(guī)則，得到鋰電池需求功率Pbt,r的模糊量，經(jīng)過去模糊化和量化，得到鋰電池需求功率Pbt,r。鋰電池需求功率Pbt,r傳遞給鋰電池組模塊，得到鋰電池組輸出功率Pbt,a。
[0089] 根據(jù)表1(a)、表1(b)和表1(c)的模糊能量管理規(guī)則，得到基于MATLAB的模糊能量管理規(guī)則如圖4所示。
[0090] 超級電容組需求功率Psc,r由公式(1)得到，超級電容組需求功率Psc,r傳遞給超級電容組模塊，得到超級電容組輸出功率Psc,a。
[0091] 2.數(shù)據(jù)化模糊能量管理規(guī)則
[0092] 基于MATLAB的鋰電池健康因子λbt,soh隸屬度函數(shù)圖如圖5所示，采用三角形隸屬度函數(shù)。鋰電池健康狀況評估模塊根據(jù)鋰電池的
電壓、電流、運行時間等參數(shù)得到鋰電池健康狀況因子λbt,soh。輸入變量鋰電池健康因子λbt,soh量化后的輸入范圍為[0，1]，模糊集為﹛L，M，H﹜，H、M和L，分別代表高、中和低；當λbt,soh量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，數(shù)據(jù)化時取輸入范圍中位值0.165；當λbt,soh量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值0.485；當λbt,soh量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值0.825；L(低)、M(中)，H(高)的隸屬度函數(shù)分別為，[0093] y＝trimf(x,[0,0.165,0.33])
[0094] y＝trimf(x,[0.33,0.485,0.66])
[0095] y＝trimf(x,[0.66,0.825,1])
[0096] 基于MATLAB的復(fù)合電源系統(tǒng)需求功率Phes,r隸屬度函數(shù)圖如圖6所示，采用三角形隸屬度函數(shù)。輸入變量復(fù)合電源系統(tǒng)需求功率Phes,r量化后的輸入范圍為[-1，1]，模糊集為﹛N，L，M，H﹜，H、M、L和N，分別代表高、中、低和負；當Phes,r量化后的輸入范圍為[-1，0]時，對應(yīng)模糊量N，數(shù)據(jù)化時取輸入范圍中位值-0.5；當Phes,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，取輸入范圍中位值0.165；當Phes,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值0.485；當Phes,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值0.825；N(負)、L(低)、M(中)，H(高)的隸屬度度函數(shù)分別為，
[0097] y＝trimf(x,[-1,-0.5,0])
[0098] y＝trimf(x,[0,0.165,0.33])
[0099] y＝trimf(x,[0.33,0.485,0.66])
[0100] y＝trimf(x,[0.66,0.825,1])
[0101] 基于MATLAB的超級電容荷電狀態(tài)SOCsc隸屬度函數(shù)圖如圖7所示，采用三角形隸屬度函數(shù)。輸入變量超級電容荷電狀態(tài)SOCsc量化后的輸入范圍為[0，1]，模糊集為﹛L，M，H﹜，H、M和L，分別代表高、中和低；由于超級電容儲存的能量Esc與超級電容荷電狀態(tài)SOCsc的平方成正比，當SOCsc量化后的輸入范圍為[0，0.57] 時，對應(yīng)模糊量L，數(shù)據(jù)化時取Esc輸入范圍中位值0.165的二次方根值0.41；當SOCsc量化后的輸入范圍為[0.57，0.81]時，對應(yīng)模糊量M，數(shù)據(jù)化時取Esc輸入范圍中位值0.495的二次方根值0.70；當SOCsc量化后的輸入范圍為[0.81，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取Esc輸入范圍中位值0.825的二次方根值0.91；L(低)、M(中)，H(高)的隸屬度函數(shù)分別為，
[0102] y＝trimf(x,[0,0.41,0.57])
[0103] y＝trimf(x,[0.57,0.7,0.81])
[0104] y＝trimf(x,[0.81,0.91,1])
[0105] 基于MATLAB的鋰電池組需求功率Pbt,r隸屬度函數(shù)圖如圖8所示，采用三角形隸屬度函數(shù)。輸入變量鋰電池組需求功率Pbt,r量化后的輸入范圍為[-0.3，1]，模糊集為﹛N，L，M，H﹜，H、M、L和N，分別代表高、中、低和負；當Pbt,r量化后的輸入范圍為[-0.3，0]時，對應(yīng)模糊量N，數(shù)據(jù)化時取輸入范圍中位值-0.15；當Pbt,r量化后的輸入范圍為[0，0.33]時，對應(yīng)模糊量L，數(shù)據(jù)化時取輸入范圍中位值0.165；當Pbt,r量化后的輸入范圍為[0.33，0.66]時，對應(yīng)模糊量M，數(shù)據(jù)化時取輸入范圍中位值0.485；當Pbt,r量化后的輸入范圍為[0.66，1]時，對應(yīng)模糊量H，數(shù)據(jù)化時取輸入范圍中位值0.825；N(負)、L(低)、M(中)，H(高)的隸屬度函數(shù)分別為，
[0106] y＝trimf(x,[-0.3,-0.15,0])
[0107] y＝trimf(x,[0,0.165,0.33])
[0108] y＝trimf(x,[0.33,0.485,0.66])
[0109] y＝trimf(x,[0.66,0.825,1])
[0110] 3.輸入輸出數(shù)據(jù)樣本
[0111] 表1(a)、表1(b)、表1(c)中的三十六條模糊控制規(guī)則，進行數(shù)據(jù)化處理后，神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)樣本為鋰電池健康因子λbt,soh、復(fù)合電源系統(tǒng)需求功率Phes,r和超級電容荷電狀態(tài)SOCsc，神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)樣本為鋰電池需求功率Pbt,r，得到如表2(a)所示的用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)樣本P和表2(b)所示的輸出數(shù)據(jù)樣本T。
[0112] 表2(a)神經(jīng)網(wǎng)絡(luò)的輸入樣本P
[0113] P＝[0.165?-0.5?0.41；0.165?-0.5?0.70；0.165?-0.5?0.91；0.165?0.165?0.41；0.165?0.165?0.70；0.165?0.165?0.91；0.165?0.495?0.41；0.165?0.495?0.70；0.165?
0.495?0.91；0.165?0.825?0.41；0.165?0.825?0.70；0.165?0.825?0.91；0.495?-0.5?
0.41；0.495?-0.5?0.70；0.495?-0.5?0.91；0.495?0.165?0.41；0.495?0.165?0.70；0.495?
0.165?0.91；0.495?0.495?0.41；0.495?0.495?0.70；0.495?0.495?0.91；0.495?0.825?
0.41；0.495?0.825?0.70；0.495?0.825?0.91；0.825?-0.5?0.41；0.825?-0.5?0.70；0.825?-0.5?0.91；0.825?0.165?0.41；0.825?0.165?0.70；0.825?0.165?0.91；0.825?0.495?
0.41；0.825?0.495?0.70；0.825?0.495?0.91；0.825?0.825?0.41；0.825?0.825?0.70；
0.825?0.825?0.91；]＇
[0114] 表2(a)神經(jīng)網(wǎng)絡(luò)的輸出樣本T
[0115] T＝[0.165；-0.15；-0.15；0.495；0.165；0.165；0.825；0.495；0.165；0.825；0.825；0.495；0.165；-0.15；-0.15；0.495；-0.15；-0.15；0.495；0.495；-0.15；0.495；
0.495；0.495；0.165；-0.15；-0.15；0.165；0.165；0.165；0.495；0.165；0.165；0.495；
0.165；0.165；]＇4.神經(jīng)網(wǎng)絡(luò)離線學(xué)習(xí)
[0116] BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖9所示。輸入層有三個神經(jīng)元
節(jié)點，輸出層有一個神經(jīng)元節(jié)點，隱含層神經(jīng)元節(jié)點數(shù)一般根據(jù)經(jīng)驗公式和實驗得到，可取9個節(jié)點。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)樣本為鋰電池健康因子λbt,soh、復(fù)合電源系統(tǒng)需求功率Phes,r和超級電容荷電狀態(tài)SOCsc，神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)樣本為鋰電池需求功率Pbt,r。量化模塊將輸入變量實際值轉(zhuǎn)化到神經(jīng)網(wǎng)絡(luò)輸入范圍，輸入層到隱層權(quán)值系數(shù)為w(2)ij(k)(j＝1,2,3，i＝1,2…9)，閾值為b(2)i(k)(i＝1,2…9)，隱層到輸出層權(quán)系數(shù)為w(3)li(k)(i＝1,2…9,l＝1)，閾值為b(3)l(k)(l＝1)?；贛ATLAB神經(jīng)網(wǎng)絡(luò)工具箱采用BP學(xué)習(xí)算法將輸入數(shù)據(jù)樣本P和輸出數(shù)據(jù)樣本T用于神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練，選取神經(jīng)網(wǎng)絡(luò)輸出量和輸出數(shù)據(jù)樣本T誤差最小時的神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)實現(xiàn)輸入數(shù)據(jù)樣本P和輸出數(shù)據(jù)樣本T之間的映射，神經(jīng)網(wǎng)絡(luò)記憶了模糊規(guī)則，實現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的復(fù)合電源系統(tǒng)能量管理。
[0117] 5.基于神經(jīng)網(wǎng)絡(luò)的復(fù)合電源系統(tǒng)能量管理在線優(yōu)化
[0118] 基于神經(jīng)網(wǎng)絡(luò)的復(fù)合電源系統(tǒng)能量管理結(jié)構(gòu)圖如圖10所示。
[0119] 采用表征鋰電池壽命的鋰電池組輸出電流的均方根作為神經(jīng)網(wǎng)絡(luò)性能函數(shù)J(k)，可以表示為，
[0120]
[0121] Ibt,a(k)表示k時刻鋰電池組輸出電流，N表示k時刻鋰電池組輸出電流Ibt,a采樣值總個數(shù)。
[0122] 神經(jīng)網(wǎng)絡(luò)采用上述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)。利用BP學(xué)習(xí)算法，正向傳播時，輸入變量從輸入層經(jīng)隱含層傳向輸出層；反向傳播時，將性能函數(shù)J(k)從輸出層經(jīng)隱含層傳到輸入層，按照梯度下降法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；按照J(k)對神經(jīng)網(wǎng)絡(luò)的負梯度方向搜索，并附加一個使搜索快速收斂的慣性項，優(yōu)化能量管理策略，權(quán)值和閾值調(diào)整公式如下所示：
[0123]
[0124]
[0125]
[0126]
[0127] 其中，η為學(xué)習(xí)速率，α為慣性系數(shù)。
[0128] 6.評估
[0129] 對優(yōu)化結(jié)果進行評估，達到要求時，優(yōu)化結(jié)束。不能達到要求時，對模糊能量管理規(guī)則進行修改，再按流程進行優(yōu)化。
[0130] 以上所述僅為本發(fā)明的較佳實施方式而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
