本發(fā)明涉及汽車
技術領域：
，特別是指一種電池剩余電量的確定方法、裝置及汽車。
背景技術：
：目前國內(nèi)外在對電池剩余電量SOC的準確估算方面已經(jīng)做出了大量的研究，但常用的方法仍然是簡單的開路電壓法和安時積分法相結合。開路電壓法是電池管理系統(tǒng)靜止后再次上電工作時，根據(jù)單體電壓查表靜態(tài)開路電壓OCV數(shù)據(jù)，估算電池的初始SOC值。安時積分法是將電池的充放電電流對時間進行積分運算，估算電池的動態(tài)SOC值。開路電壓法需要動力電池靜置足夠長的時間，這在工作條件下顯然是不易實現(xiàn)的。而安時積分法對電流采樣精度要求較高，若動力電池長時間在SOC高端進行充放電，會產(chǎn)生較大的積累誤差。另外，汽車動力電池SOC的使用區(qū)間一般在30-70％之間，若長時間無低端修正，使用安時積分法會造成較大誤差。技術實現(xiàn)要素：本發(fā)明的目的是提供一種電池剩余電量的確定方法、裝置及汽車，用以解決現(xiàn)有方案不易在工作條件下實現(xiàn)對剩余電量的確定，對電流采樣精度要求較高，結果誤差大等問題。為達到上述目的，本發(fā)明的實施例提供一種電池剩余電量的確定方法，包括：在構建的第一電量確定模型和第二電量確定模型中選取目標電量確定模型；其中，所述第一電量確定模型和第二電量確定模型均是基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構；將獲取到的電池的當前狀態(tài)信息輸入到所述目標電量確定模型，得到所述電池的剩余電量。本發(fā)明實施例的電池剩余電量的確定方法，通過基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構的目標電量確定模型對電池的剩余電量進行確定，由于該模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。其中，構建第一電量確定模型和第二電量確定模型的步驟，包括：基于典型自適用神經(jīng)模糊系統(tǒng)結構，預設輸入變量模糊子集的隸屬函數(shù)類型和模糊子集的個數(shù)，分別構建具有第一預設數(shù)量輸入變量的第一初始電量確定模型和具有第二預設數(shù)量輸入變量的第二初始電量確定模型；其中，所述第一初始電量確定模型的輸入變量包括電池電壓和放電電流；所述第二初始電量確定模型的輸入變量包括電池電壓、放電電流和放電容量；對所述第一初始電量確定模型和所述第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型。其中，對所述第一初始電量確定模型和所述第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型的步驟，包括：獲取第一預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；根據(jù)所有測試數(shù)據(jù)確定所述訓練數(shù)據(jù)的初始化對數(shù)；將所述訓練數(shù)據(jù)對應導入第一初始電量確定模型和第二初始電量確定模型，得到第一電量確定模型和第二電量確定模型。其中，在構建的第一電量確定模型和第二電量確定模型中選取目標電量確定模型的步驟，包括：獲取第二預設數(shù)量的目標數(shù)據(jù)作為驗證數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；將所述驗證數(shù)據(jù)對應導入訓練后得到的第一電量確定模型和第二電量確定模型；獲取所述第一電量確定模型輸出的第一數(shù)值和所述第二電量確定模型輸出的第二數(shù)值；將所述第一數(shù)值、所述第二數(shù)值分別與所述驗證數(shù)據(jù)對應的實際數(shù)值進行比較，得到對應所述第一數(shù)值的第一誤差參數(shù)，對應所述第二數(shù)值的第二誤差參數(shù)；根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，在根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型的步驟之前，還包括：將所述第一誤差參數(shù)和所述第二誤差參數(shù)分別與第一預設閾值進行比較；若所述第一誤差參數(shù)大于所述第一預設閾值，或者所述第二誤差參數(shù)大于所述第一預設閾值，則重新獲取第三預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)，其中所述第三預設數(shù)量大于所述第一預設數(shù)量；反之，則根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，所述第一誤差參數(shù)和所述第二誤差參數(shù)均包括：平均百分比誤差、絕對誤差和均方誤差。其中，將預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理的步驟，包括：根據(jù)公式對預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理，得到目標數(shù)據(jù)；其中，y表示待處理數(shù)據(jù)，ymin表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值，ymax表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值。為達到上述目的，本發(fā)明的實施例還提供了一種電池剩余電量的確定裝置，包括：第一處理模塊，用于在構建的第一電量確定模型和第二電量確定模型中選取目標電量確定模型；其中，所述第一電量確定模型和第二電量確定模型均是基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構；第二處理模塊，用于將獲取到的電池的當前狀態(tài)信息輸入到所述目標電量確定模型，得到所述電池的剩余電量。本發(fā)明實施例的電池剩余電量的確定裝置，通過基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構的目標電量確定模型對電池的剩余電量進行確定，由于該模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。其中，所述電池剩余電量的確定裝置還包括：構建模塊，用于基于典型自適用神經(jīng)模糊系統(tǒng)結構，預設輸入變量模糊子集的隸屬函數(shù)類型和模糊子集的個數(shù)，分別構建具有第一預設數(shù)量輸入變量的第一初始電量確定模型和具有第二預設數(shù)量輸入變量的第二初始電量確定模型；其中，所述第一初始電量確定模型的輸入變量包括電池電壓和放電電流；所述第二初始電量確定模型的輸入變量包括電池電壓、放電電流和放電容量；訓練模塊，用于對所述第一初始電量確定模型和所述第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型。其中，所述訓練模塊包括：第一獲取子模塊，用于獲取第一預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；第一訓練子模塊，用于根據(jù)所有測試數(shù)據(jù)確定所述訓練數(shù)據(jù)的初始化對數(shù)；第二訓練子模塊，用于將所述訓練數(shù)據(jù)對應導入第一初始電量確定模型和第二初始電量確定模型，得到第一電量確定模型和第二電量確定模型。其中，所述第一處理模塊包括：第二獲取子模塊，用于獲取第二預設數(shù)量的目標數(shù)據(jù)作為驗證數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；導入子模塊，用于將所述驗證數(shù)據(jù)對應導入訓練后得到的第一電量確定模型和第二電量確定模型；第三獲取子模塊，用于獲取所述第一電量確定模型輸出的第一數(shù)值和所述第二電量確定模型輸出的第二數(shù)值；第一比較子模塊，用于將所述第一數(shù)值、所述第二數(shù)值分別與所述驗證數(shù)據(jù)對應的實際數(shù)值進行比較，得到對應所述第一數(shù)值的第一誤差參數(shù)，對應所述第二數(shù)值的第二誤差參數(shù)；確定子模塊，用于根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，所述第一處理模塊還包括：第二比較子模塊，用于在根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型之前，將所述第一誤差參數(shù)和所述第二誤差參數(shù)分別與第一預設閾值進行比較；處理子模塊，用于若所述第一誤差參數(shù)大于所述第一預設閾值，或者所述第二誤差參數(shù)大于所述第一預設閾值，則重新獲取第三預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)，其中所述第三預設數(shù)量大于所述第一預設數(shù)量；反之，則根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，所述第一誤差參數(shù)和所述第二誤差參數(shù)均包括：平均百分比誤差、絕對誤差和均方誤差。其中，所述電池剩余電量的確定裝置還包括：歸一化處理模塊，用于根據(jù)公式對預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理，得到目標數(shù)據(jù)；其中，y表示待處理數(shù)據(jù)，ymin表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值，ymax表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值。為達到上述目的，本發(fā)明的實施例還提供了一種汽車，包括如上所述的電池剩余電量的確定裝置。本發(fā)明實施例的汽車，通過基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構的目標電量確定模型對電池的剩余電量進行確定，由于該模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。附圖說明圖1為本發(fā)明實施例的電池剩余電量的確定方法的步驟流程示意圖；圖2為T-S型模糊推理系統(tǒng)原理結構示意圖；圖3為典型自適應神經(jīng)模糊系統(tǒng)原理結構示意圖；圖4為本發(fā)明實施例中兩輸入變量的第一初始電量確定模型結構示意圖；圖5為本發(fā)明實施例中三輸入變量的第二初始電量確定模型結構示意圖；圖6為兩輸入模型訓練前電流和電壓隸屬度函數(shù)形狀示意圖；圖7為兩輸入模型訓練后電流隸屬度函數(shù)形狀示意圖；圖8為兩輸入模型訓練后電壓隸屬度函數(shù)形狀示意圖；圖9為三輸入模型訓練前電流、電壓和電量隸屬度函數(shù)形狀示意圖；圖10為三輸入模型訓練后電流隸屬度函數(shù)形狀示意圖；圖11為三輸入模型訓練后電壓隸屬度函數(shù)形狀示意圖；圖12為三輸入模型訓練后電量隸屬度函數(shù)形狀示意圖；圖13為兩輸入電量確定模型估算值與實際值比較示意圖；圖14為兩輸入電量確定模型估算值與實際值絕對誤差示意圖；圖15為三輸入電量確定模型估算值與實際值比較示意圖；圖16為三輸入電量確定模型估算值與實際值絕對誤差示意圖；圖17為7.2A放電兩輸入模型估算值、三輸入模型估算值和實際值比較示意圖；圖18為18A放電兩輸入模型估算值、三輸入模型估算值和實際值比較示意圖；圖19為三輸入模型ECE15工況下SOC估算值示意圖；圖20為三輸入模型ECE15工況下SOC估算值與實際值的絕對誤差示意圖；圖21為本發(fā)明實施例的電池剩余電量的確定裝置的結構示意圖。具體實施方式為使本發(fā)明要解決的技術問題、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例進行詳細描述。本發(fā)明針對現(xiàn)有的方案不易在工作條件下實現(xiàn)對剩余電量的確定，對電流采樣精度要求較高，結果誤差大等問題，提供了一種電池剩余電量的確定方法，基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構的模型對電池剩余電量進行確定，能夠得到更精確的結果，減小了誤差，且易在工作條件下實現(xiàn)。如圖1所示，本發(fā)明實施例的一種電池剩余電量的確定方法，其特征在于，包括：步驟101，在構建的第一電量確定模型和第二電量確定模型中選取目標電量確定模型；其中，所述第一電量確定模型和第二電量確定模型均是基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構；步驟102，將獲取到的電池的當前狀態(tài)信息輸入到所述目標電量確定模型，得到所述電池的剩余電量。通過上述步驟，本發(fā)明實施例的電池剩余電量的確定方法，通過基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構的目標電量確定模型對電池的剩余電量進行確定，由于該模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。其中，本發(fā)明實施例中，在步驟101選取目標電量確定模型之前，構建第一電量確定模型和第二電量確定模型的步驟，包括：步驟103，基于典型自適用神經(jīng)模糊系統(tǒng)結構，預設輸入變量模糊子集的隸屬函數(shù)類型和模糊子集的個數(shù)，分別構建具有第一預設數(shù)量輸入變量的第一初始電量確定模型和具有第二預設數(shù)量輸入變量的第二初始電量確定模型；其中，所述第一初始電量確定模型的輸入變量包括電池電壓和放電電流；所述第二初始電量確定模型的輸入變量包括電池電壓、放電電流和放電容量；步驟104，對所述第一初始電量確定模型和所述第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型。具體的，在本發(fā)明實施例中，典型自適用神經(jīng)模糊系統(tǒng)ANFIS是人工神經(jīng)網(wǎng)絡與Takagi-Sugeno(T-S)模糊推理結合在一起的系統(tǒng)結構。應該了解的是，T-S型模糊推理系統(tǒng)的原理結構如圖2所示，其輸出分為兩種形式：0階T-S型模糊推理和1階T-S型模糊推理，1階的T-S模糊推理模型的模糊規(guī)則為：If(is)and(is)Then(fk＝pkx+qky+rk)。其中x和y是輸入量，Ak和Bk是模糊集，fk是特定模糊規(guī)則下論域中的輸出值，pk、qk和rk是由訓練過程中決定的設計參數(shù)(＝1，2，…，N)。假設實際的T-S型模糊推理系統(tǒng)有k條模糊規(guī)則，系統(tǒng)的輸入x對Ak的隸屬度函數(shù)為y對Bk的隸屬度函數(shù)為每條規(guī)則的輸出為：fk＝pkx+qky+rk，則該條模糊規(guī)則的輸出對總輸出的權重為根據(jù)式(1)計算權重的歸一化值：ω‾=ωk/Σk=1Nωk---(1)]]>則系統(tǒng)的最終輸出可由式(2)計算得到：f=Σk=1Nω‾kfk---(2)]]>通過T-S型模糊推理系統(tǒng)計算過程可以看出，輸入的精確值經(jīng)過模糊化轉換為模糊集合，精確值和模糊集合經(jīng)T-S模糊規(guī)則推理計算之后直接得到精確值，予以輸出。因此它是直接得到系統(tǒng)的精確值輸出，計算速度更快；另外由于隸屬函數(shù)和模糊規(guī)則參數(shù)決定了輸出值，可以通過神經(jīng)網(wǎng)絡方法對參數(shù)進行學習，這個兩者的結合提供了可能。ANFIS結合了神經(jīng)網(wǎng)絡的學習能力和模糊系統(tǒng)的邏輯推理能力，結構原理如圖3所示，此系統(tǒng)有兩個輸入x和y，一個輸出f，有兩條規(guī)則組成規(guī)則1：If(xisA1)and(yisB1)Then(f1＝p1x+q1y+r1)規(guī)則2：If(xisA2)and(yisB2)Then(f2＝p2x+q2y+r2)。ANFIS結構一共有五層，每一層都有節(jié)點與上下層進行連接，如圖3所示。其中在第二、三和五層用圓形節(jié)點代表這幾層節(jié)點是固定的；第一、四兩層為方形節(jié)點表示自適應節(jié)點，自適應節(jié)點中參數(shù)不斷調整和改變。第一層是模糊化層，主要任務是將輸入變量x和y進行模糊化。這一層的輸出表示為：Oi1=μAi(x)---(3)]]>其中x為節(jié)點i(i＝1,2)的輸入，Ai表示模糊集，是Ai的隸屬函數(shù)值。表示隸屬函數(shù)，優(yōu)先選擇鐘形函數(shù)，其優(yōu)點是整條曲線比較平滑，且非零，表達式為：μAi(x)=11+(x-ciai)2bi---(4)]]>式中ai、bi和ci是調整隸屬函數(shù)形狀的參數(shù)，這里把三個參數(shù)稱為前提參數(shù)。第二層是規(guī)則的釋放強度層，主要任務是將第一層模糊化的信號進行模糊相乘，該層節(jié)點的參數(shù)值在訓練中固定不變。具體輸出為：Oi2=ωi=μAi(x)×μBi(x),i=1,2---(5)]]>該層節(jié)點的輸出值表示對應規(guī)則的強度，強度越大則規(guī)則的可信度越大，式(5)中“×”表示任何滿足T-S型模糊規(guī)則的AND算子。由這一層的計算，給每條模糊規(guī)則分配一定的激活強度。第三層是規(guī)則強度的歸一化層，該層節(jié)點固定，其功能是將上一層輸出釋放的強度進行歸一化并輸出，具體為：Oi3=ω‾i=ωiω1+ω2,i=1,2---(6)]]>第四層為模糊化輸出層，該層的每個節(jié)點均為自適應節(jié)點，節(jié)點上將第三層輸出的歸一化強度與一個一階多項式相乘，相乘的結果予以輸出，即為模糊化的結果。其輸出的表達式為：Oi4=ω‾ifi=ω‾i(pix+qiy+ri),i=1,2---(7)]]>式中pi、qi和ri三個參數(shù)稱為結論參數(shù)。第五層是解模糊層，進行一個解模糊的計算，計算表達式為式(8)，是一個求和函數(shù)的計算。Oi5=f=Σi=12ω‾ifi=Σi=12ωifiΣi=12ωi,i=1,2---(8)]]>通過對ANFIS的結構分析可以看出，該系統(tǒng)中有兩層是自適應層，分別是第一層和第四層，存在六個可改變的參數(shù)分別是ai、bi、ci、pi、qi和ri，其中前三個參數(shù)與選取的隸屬函數(shù)有關，改變這三個參數(shù)可以調整隸屬函數(shù)的形狀，后三個參數(shù)是一階多項式中的參數(shù)。第一層的參數(shù)和第四層的參數(shù)分別成為前提參數(shù)和結論參數(shù)。當利用數(shù)據(jù)對ANFIS系統(tǒng)結構進行訓練，前提參數(shù)和結論參數(shù)不斷改變，前提參數(shù)固定后，總輸出利用結論參數(shù)進行表示，即：因此，在本發(fā)明實施例中，以LiFePO4電池的剩余電量SOC的估算為例，如步驟103，根據(jù)ANFIS的結構建立SOC確定模型，且為了便于比較，根據(jù)LiFePO4電池特性建立了兩種確定模型：兩輸入變量ANFIS的第一初始電量確定模型和三輸入變量的第二初始電量確定模型。往往輸入變量的選取是ANFIS模型估算SOC中至關重要的一步，在選取輸入變量時應從兩個方面考慮：一是從實際應用方面，要選擇能易于對電池直接測量到的參數(shù)；一是從反映電池特性方面，所選取變量能直觀的反映電池特性。基于上述兩個方面考慮，結合LiFePO4電池的端電壓和電流可以直接采集到，通過這兩個變量也能反映出LiFePO4電池的充放電特性。因此以電池電壓U和放電電流I作為輸入建立兩輸入變量第一初始電量確定模型，如圖4所示。另外，通過LiFePO4電池的實驗看出在恒流放電時，電池端電壓整體呈現(xiàn)下降趨勢，但在局部電壓值不斷波動，同時中間存在一個較長的平臺區(qū)。因此建立的兩變量模型會因波動而影響估算精度。為減小變量的波動對估算的影響，同時提高SOC估算精度，在兩變量的基礎上又增加電池放電時的放電容量為第三個輸入變量。因此建立三輸入變量第二初始電量確定模型，放電容量用C表示，如圖5所示。在確定基本結構的初始電量確定模型中，確定輸入變量后，需選取輸入變量隸屬度函數(shù)和模糊子集個數(shù)，這要綜合考慮所建模型模型的復雜度和估算的精度，一般模型越復雜其估算精度相對會提高，但越復雜的模型估算的速度會越慢，這是實際所不允許的，因此要充分考慮這對矛盾。優(yōu)選的，針對第一初始電量確定模型，確定輸入變量模糊子集的隸屬函數(shù)為鐘形函數(shù)，鐘形函數(shù)的整條曲線都比較平滑，且沒有零點，而模糊子集的個數(shù)最終確定為5，以此來描述出電池端電壓和放電電流與SOC的互相關系。針對第二初始電量確定模型，確定以鐘型函數(shù)作為隸屬函數(shù)，且輸入變量的模糊子集個數(shù)為3。比較兩種估算模型，兩輸入變量的SOC估算模型各層節(jié)點數(shù)分別：第一層2個，第二層10個，第三層25個，第四層25個，第五層25個；三輸入變量的SOC估算模型各層節(jié)點數(shù)：第一層3個，第二層9個，第三層27個，第四層27個，第五層27個。可以看出這兩個模型從結果復雜程度上相當，也就意味著它們的計算速度相差不大。在構建兩初始電量確定模型后，為了確定出具體更高精度的電量確定模型，下一步，如步驟104，對第一初始電量確定模型和第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型。還應該知道的是，ANFIS利用BP(Back-Propagation，BP)算法和最小二乘估計(LeastSquareError，LSE)法的混合算法進行學習，不斷調整系統(tǒng)的前提參數(shù)和結論參數(shù)。BP算法本質是求取誤差函數(shù)最小值，其處理過程主要分為兩步：正向計算和反向計算。正向計算過程中利用樣本數(shù)據(jù)從輸入層開始，一層一層處理直到輸出層，計算過程中每一層的狀態(tài)只對下一層的狀態(tài)產(chǎn)生影響。反向計算是將誤差信號按照正向計算的路徑反向傳回，并對每一層節(jié)點的系數(shù)進行修正，使誤差信號最小。ANFIS的整個混合學習算法分為兩大步：第一步，估計最佳結論參數(shù)。確定第一層前提參數(shù)的初值，按每層計算的步驟計算到第四層后采用LSE法對該層的結論參數(shù)進行估計，計算公式為(10)，得到最佳結論參數(shù)。f=(ω‾1x)p1+(ω‾1y)q1+(ω‾1)r1+(ω‾2y)p2+(ω‾2y)q2+(ω‾2)r2=A·X---(10)]]>式中，X中的元素構成了結論參數(shù)的集合，表示為{p1,q1,r1,p2,q2,r2}。最佳結論參數(shù)即矩陣X的最佳估計，若輸入系統(tǒng)的數(shù)據(jù)有m(m>>6)對,則根據(jù)LSE法計算可知當矩陣Am×6、X6×1和fm×1滿足均方誤差最小(min||Ax-f||)意義下可得到結論參數(shù)的最佳估計，即式(11)。X*＝(AAT)-1ATf(11)第二步，調整隸屬函數(shù)的形狀。根據(jù)第一步確定前提參數(shù)初值并得到結論參數(shù)的最佳估計，由式(9)可知此時系統(tǒng)的輸出可表示成結論參數(shù)的組合，接著計算誤差并利用BP算法將誤差由輸出端反向傳遞到輸入端，同時更新前提參數(shù)，由于前提參數(shù)決定隸屬函數(shù)的形狀，因此隸屬函數(shù)形狀得到調整。ANFIS采用混合的學習算法，很好的提高了系統(tǒng)的訓練效率和精度。基于上述原理，本發(fā)明實施例中，步驟104包括：步驟1041，獲取第一預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；步驟1042，根據(jù)所有測試數(shù)據(jù)確定所述訓練數(shù)據(jù)的初始化對數(shù)；步驟1043，將所述訓練數(shù)據(jù)對應導入第一初始電量確定模型和第二初始電量確定模型，得到第一電量確定模型和第二電量確定模型。經(jīng)步驟1041～步驟1043，通過采用第一預設數(shù)量的目標數(shù)據(jù)對兩個初始電量確定模型進行訓練，確定了兩個初始電量確定模型中各個節(jié)點參數(shù)值和隸屬函數(shù)形狀，得到構建完成的確定模型。在經(jīng)訓練得到確定模型后，下一步，如步驟101，在兩個確定模型中選取最佳的模型作為最終的目標電量確定模型，對電池當前剩余電量進行確定。具體的，步驟101包括：步驟1011，獲取第二預設數(shù)量的目標數(shù)據(jù)作為驗證數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；步驟1012，將所述驗證數(shù)據(jù)對應導入訓練后得到的第一電量確定模型和第二電量確定模型；步驟1013，獲取所述第一電量確定模型輸出的第一數(shù)值和所述第二電量確定模型輸出的第二數(shù)值；步驟1014，將所述第一數(shù)值、所述第二數(shù)值分別與所述驗證數(shù)據(jù)對應的實際數(shù)值進行比較，得到對應所述第一數(shù)值的第一誤差參數(shù)，對應所述第二數(shù)值的第二誤差參數(shù)；步驟1014，根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。該實施例中，將第二預設數(shù)量的目標數(shù)據(jù)作為驗證數(shù)據(jù)，導入確定的兩個電量確定模型中，根據(jù)得到的輸出數(shù)值與實際數(shù)值進行比較，然后依據(jù)該比較結果確定出較佳的目標電量確定模型。優(yōu)選的，所述第一誤差參數(shù)和所述第二誤差參數(shù)均包括：平均百分比誤差、絕對誤差和均方誤差。具體的，延續(xù)上例，選取LiFePO4電池在1/5C、1/3C、1/2C和1C充放電倍率下的測試數(shù)據(jù)作為樣本(目標數(shù)據(jù))，按照一定步驟從樣本數(shù)據(jù)中選取一部分樣本數(shù)據(jù)(訓練數(shù)據(jù))用于訓練模型，選取另一部分樣本數(shù)據(jù)(驗證數(shù)據(jù))作為測試驗證。通過訓練最終確定兩個預測模型中各個節(jié)點參數(shù)值和隸屬函數(shù)形狀，并用驗證數(shù)據(jù)予以驗證。如確定了兩輸入變量第一初始電量確定模型和三輸入變量第二初始電量確定模型的訓練數(shù)據(jù)均為200對，部分訓練數(shù)據(jù)和驗證數(shù)據(jù)如表1所示。表1通過訓練數(shù)據(jù)對模型進行訓練之后，模型中隸屬函數(shù)的形狀也發(fā)生了明顯的變化，如圖6為兩輸入第一初始電量確定模型中輸入?yún)?shù)電流和電壓訓練前隸屬函數(shù)形狀，圖7和圖8分別是該模型電流和電壓訓練后隸屬函數(shù)形狀，訓練前后形狀發(fā)生改變。圖9為三輸入第二初始電量確定模型中輸入?yún)?shù)電流、電壓和電量訓練前隸屬函數(shù)形狀，圖10、圖11和圖12分別是該模型電流、電壓和電量在訓練后隸屬函數(shù)形狀。在訓練完成后，得到第一電量確定模型和第二電量確定模型。下一步進行驗證，確定出最終的目標電量確定模型。用平均百分比誤差(averagepercentageerror，APE)、絕對誤差(absoluteerror，abs.err)和均方誤差(meansquarederror，MSE)三個值分析SOC估算的結果。其中APE的計算如下：APE=1NΣi=1N|SOC-SOC*||SOC|×100%]]>式中N表示數(shù)據(jù)個數(shù)，SOC和SOC*表示實際值和模型估算值。對于兩輸入第一電量確定模型，選取200對訓練數(shù)據(jù)對其訓練后，選用100對數(shù)據(jù)進行測試驗證，得到SOC的估算值，并計算估算值與實驗值的誤差。圖13是驗證數(shù)據(jù)實際SOC與估算SOC曲線圖，圖中估算值和實際值的最大絕對誤差為4.8％，絕大多數(shù)誤差的絕對值在3％以下，均方誤差為3.1e-4，平均百分比誤差APE＝3.35％，絕對誤差如圖14所示。三輸入第二電量確定模型也選取了200對數(shù)據(jù)進行訓練，并將166對測試數(shù)據(jù)導入訓練后的模型進行SOC估算，圖15是驗證數(shù)據(jù)SOC估算結果。絕對誤差如圖16所示。三輸入變量的第二電量確定模型進行SOC估算時最大絕對誤差在1％以下，平均百分比誤差為1.8％，均方誤差為2.77e-5，與兩個輸入變量模型相比其估算精度有了明顯提升。為更加直觀比較兩種模型的SOC估算效果，優(yōu)選的，取相同端電壓和放電電流的樣本數(shù)據(jù)，分別采用兩輸入變量和三輸入變量的ANFIS模型進行SOC估算，部分估算結果如圖16所示。圖17和圖18為7.2A恒流放電SOC估算比較和18A恒流放電SOC估算比較。從圖17和圖18可以看出，在相同端電壓和放電電流數(shù)據(jù)的情況下，增加放電容量的三輸入變量第二電量確定模型估算的SOC值與實驗值更加接近，能夠很好地與實驗值相吻合。綜合圖13、圖15、圖17和圖18的比較結果表明：三輸入變量模型估算SOC的平均百分比誤差、絕對誤差和均方誤差遠小于兩輸入變量模型估算誤差，且估算結果更準確。以上三輸入第二電量確定模型均是在電池一定倍率恒流放電情況下進行SOC估算，為驗證該模型的泛化能力，隨機選取了一組LiFePO4電池在ECE15工況下的放電數(shù)據(jù)，一共選取了500對數(shù)據(jù)，并將數(shù)據(jù)輸入該模型中進行測試，測試結果如圖19所示，實際值與估算值的絕對誤差在圖20中畫出，可以看出兩者的絕對誤差控制在3％以內(nèi)，表明三輸入第二電量確定模型通過訓練數(shù)據(jù)進行訓練之后，具有良好的自適應性，能較好的對LiFePO4電池SOC進行估算。然而，需要了解的是，有時由于訓練數(shù)據(jù)選取的數(shù)量較小，訓練后得到的模型不能夠達到需要，因此，在步驟1014之前，還包括：步驟1015，將所述第一誤差參數(shù)和所述第二誤差參數(shù)分別與第一預設閾值進行比較；步驟1016，若所述第一誤差參數(shù)大于所述第一預設閾值，或者所述第二誤差參數(shù)大于所述第一預設閾值，則重新獲取第三預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)，其中所述第三預設數(shù)量大于所述第一預設數(shù)量；反之，則根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。這樣，在經(jīng)訓練后的模型不滿足要求時，能夠通過增大訓練數(shù)據(jù)，再之前數(shù)據(jù)的基礎上，利用新增數(shù)據(jù)繼續(xù)訓練，提升模型的估算性能，直至滿足要求。優(yōu)選的，新增第一預設數(shù)量的1％的數(shù)據(jù)繼續(xù)訓練。另外，為了提高模型訓練的效率和估算精度，本發(fā)明實施例中，具體的，將預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理的步驟，包括：根據(jù)公式對預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理，得到目標數(shù)據(jù)；其中，y表示待處理數(shù)據(jù)，ymin表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值，ymax表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值。當然，還應該了解的是，溫度對電池的性能也存在一定的影響，在構建初始模型時，還可以在輸入端增加溫度變量，進一步提升結果的準確性，更貼近實際。綜上所述，本發(fā)明實施例的電池剩余電量的確定方法采用了基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)進行剩余電量的確定。首先通過構建基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)的五層結構的兩個電量確定模型。其次，通過訓練數(shù)據(jù)對兩種模型進行訓練和測試驗證，最終使得模型穩(wěn)定，并將輸出數(shù)值與實際值比較，確定出更佳的目標電量確定模型對汽車當前的剩余電量進行確定。由于該目標電量確定模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。如圖21所示，本發(fā)明實施例還提供了一種電池剩余電量的確定裝置，包括：第一處理模塊2101，用于在構建的第一電量確定模型和第二電量確定模型中選取目標電量確定模型；其中，所述第一電量確定模型和第二電量確定模型均是基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)構建的五層結構；第二處理模塊2102，用于將獲取到的電池的當前狀態(tài)信息輸入到所述目標電量確定模型，得到所述電池的剩余電量。其中，所述電池剩余電量的確定裝置還包括：構建模塊，用于基于典型自適用神經(jīng)模糊系統(tǒng)結構，預設輸入變量模糊子集的隸屬函數(shù)類型和模糊子集的個數(shù)，分別構建具有第一預設數(shù)量輸入變量的第一初始電量確定模型和具有第二預設數(shù)量輸入變量的第二初始電量確定模型；其中，所述第一初始電量確定模型的輸入變量包括電池電壓和放電電流；所述第二初始電量確定模型的輸入變量包括電池電壓、放電電流和放電容量；訓練模塊，用于對所述第一初始電量確定模型和所述第二初始電量確定模型分別進行訓練，得到第一電量確定模型和第二電量確定模型。其中，所述訓練模塊包括：第一獲取子模塊，用于獲取第一預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；第一訓練子模塊，用于根據(jù)所有測試數(shù)據(jù)確定所述訓練數(shù)據(jù)的初始化對數(shù)；第二訓練子模塊，用于將所述訓練數(shù)據(jù)對應導入第一初始電量確定模型和第二初始電量確定模型，得到第一電量確定模型和第二電量確定模型。其中，所述第一處理模塊包括：第二獲取子模塊，用于獲取第二預設數(shù)量的目標數(shù)據(jù)作為驗證數(shù)據(jù)；所述目標數(shù)據(jù)是將預存儲的多個充放電倍率下的測試數(shù)據(jù)經(jīng)歸一化處理后的數(shù)據(jù)；導入子模塊，用于將所述驗證數(shù)據(jù)對應導入訓練后得到的第一電量確定模型和第二電量確定模型；第三獲取子模塊，用于獲取所述第一電量確定模型輸出的第一數(shù)值和所述第二電量確定模型輸出的第二數(shù)值；第一比較子模塊，用于將所述第一數(shù)值、所述第二數(shù)值分別與所述驗證數(shù)據(jù)對應的實際數(shù)值進行比較，得到對應所述第一數(shù)值的第一誤差參數(shù)，對應所述第二數(shù)值的第二誤差參數(shù)；確定子模塊，用于根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，所述第一處理模塊還包括：第二比較子模塊，用于在根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型之前，將所述第一誤差參數(shù)和所述第二誤差參數(shù)分別與第一預設閾值進行比較；處理子模塊，用于若所述第一誤差參數(shù)大于所述第一預設閾值，或者所述第二誤差參數(shù)大于所述第一預設閾值，則重新獲取第三預設數(shù)量的目標數(shù)據(jù)作為訓練數(shù)據(jù)，其中所述第三預設數(shù)量大于所述第一預設數(shù)量；反之，則根據(jù)所述第一誤差參數(shù)和所述第二誤差參數(shù)，確定所述第一電量確定模型和第二電量確定模型中誤差參數(shù)相對小的模型為目標電量確定模型。其中，所述第一誤差參數(shù)和所述第二誤差參數(shù)均包括：平均百分比誤差、絕對誤差和均方誤差。其中，所述電池剩余電量的確定裝置還包括：歸一化處理模塊，用于根據(jù)公式對預存儲的多個充放電倍率下的測試數(shù)據(jù)進行歸一化處理，得到目標數(shù)據(jù)；其中，y表示待處理數(shù)據(jù)，ymin表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值，ymax表示與待處理數(shù)據(jù)相應的數(shù)據(jù)組中的最小數(shù)值。本發(fā)明實施例的電池剩余電量的確定裝置采用了基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)進行剩余電量的確定。首先通過構建基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)的五層結構的兩個電量確定模型。其次，通過訓練數(shù)據(jù)對兩種模型進行訓練和測試驗證，最終使得模型穩(wěn)定，并將輸出數(shù)值與實際值比較，確定出更佳的目標電量確定模型對汽車當前的剩余電量進行確定。由于該目標電量確定模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。需要說明的是，該裝置是應用了上述電池剩余電量的確定方法的裝置，上述電池剩余電量的確定方法實施例的實現(xiàn)方式適用于該裝置，也能達到相同的技術效果。本發(fā)明的實施例還提供了一種汽車，包括如上所述的電池剩余電量的確定裝置。本發(fā)明實施例的汽車采用了基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)進行剩余電量的確定。首先通過構建基于結合人工神經(jīng)網(wǎng)絡與模糊邏輯的自適應神經(jīng)模糊系統(tǒng)的五層結構的兩個電量確定模型。其次，通過訓練數(shù)據(jù)對兩種模型進行訓練和測試驗證，最終使得模型穩(wěn)定，并將輸出數(shù)值與實際值比較，確定出更佳的目標電量確定模型對汽車當前的剩余電量進行確定。由于該目標電量確定模型有機結合了人工神經(jīng)網(wǎng)絡與模糊邏輯，具有與神經(jīng)網(wǎng)絡更接近的學習總結能力，同時繼承了模糊系統(tǒng)在表現(xiàn)人類思維時的優(yōu)勢，能夠得到更精確的結果，減小誤差。而且利用該模型進行確定，也易在工作條件下實現(xiàn)。需要說明的是，該汽車是包括了上述電池剩余電量的確定裝置的汽車，上述電池剩余電量的確定裝置實施例的實現(xiàn)方式適用于該汽車，也能達到相同的技術效果。進一步需要說明的是，此說明書中所描述的許多功能部件都被稱為模塊，以便更加特別地強調其實現(xiàn)方式的獨立性。本發(fā)明實施例中，模塊可以用軟件實現(xiàn)，以便由各種類型的處理器執(zhí)行。舉例來說，一個標識的可執(zhí)行代碼模塊可以包括計算機指令的一個或多個物理或者邏輯塊，舉例來說，其可以被構建為對象、過程或函數(shù)。盡管如此，所標識模塊的可執(zhí)行代碼無需物理地位于一起，而是可以包括存儲在不同位里上的不同的指令，當這些指令邏輯上結合在一起時，其構成模塊并且實現(xiàn)該模塊的規(guī)定目的。實際上，可執(zhí)行代碼模塊可以是單條指令或者是許多條指令，并且甚至可以分布在多個不同的代碼段上，分布在不同程序當中，以及跨越多個存儲器設備分布。同樣地，操作數(shù)據(jù)可以在模塊內(nèi)被識別，并且可以依照任何適當?shù)男问綄崿F(xiàn)并且被組織在任何適當類型的數(shù)據(jù)結構內(nèi)。所述操作數(shù)據(jù)可以作為單個數(shù)據(jù)集被收集，或者可以分布在不同位置上(包括在不同存儲設備上)，并且至少部分地可以僅作為電子信號存在于系統(tǒng)或網(wǎng)絡上。在模塊可以利用軟件實現(xiàn)時，考慮到現(xiàn)有硬件工藝的水平，所以可以以軟件實現(xiàn)的模塊，在不考慮成本的情況下，本領域技術人員都可以搭建對應的硬件電路來實現(xiàn)對應的功能，所述硬件電路包括常規(guī)的超大規(guī)模集成(VLSI)電路或者門陣列以及諸如邏輯芯片、晶體管之類的現(xiàn)有半導體或者是其它分立的元件。模塊還可以用可編程硬件設備，諸如現(xiàn)場可編程門陣列、可編程陣列邏輯、可編程邏輯設備等實現(xiàn)。上述范例性實施例是參考該些附圖來描述的，許多不同的形式和實施例是可行而不偏離本發(fā)明精神及教示，因此，本發(fā)明不應被建構成為在此所提出范例性實施例的限制。更確切地說，這些范例性實施例被提供以使得本發(fā)明會是完善又完整，且會將本發(fā)明范圍傳達給那些熟知此項技術的人士。在該些圖式中，組件尺寸及相對尺寸也許基于清晰起見而被夸大。在此所使用的術語只是基于描述特定范例性實施例目的，并無意成為限制用。如在此所使用地，除非該內(nèi)文清楚地另有所指，否則該單數(shù)形式“一”、“一個”和“該”是意欲將該些多個形式也納入。會進一步了解到該些術語“包含”及/或“包括”在使用于本說明書時，表示所述特征、整數(shù)、步驟、操作、構件及/或組件的存在，但不排除一或更多其它特征、整數(shù)、步驟、操作、構件、組件及/或其族群的存在或增加。除非另有所示，陳述時，一值范圍包含該范圍的上下限及其間的任何子范圍。以上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。當前第1頁1 2 3