电池SOC仿真系列-基于GA-BP神经网络的电池SOC估算方法

基于 GA-BP神经网络的电池SOC估算方法

1、引言

  考虑到遗传算法具有全局最优的特点，能够很好的优化BP神经网络的初始权值和阈值，克服BP神经网络陷入局部最优的缺点，本期内容为基于GA-BP神经网络的电池SOC估算方法。

2、BP神经网络

  BP学习算法根据梯度最速下降法原理，调整权值和阈值使得网络总误差达到最小。本文以电池温度、电流、电压3个影响因素作为BP网络的输入，电池SOC作为BP网络输出。
  BP算法的步骤如下：

clc ;
clear all;
load 电池测试数据.mat

% 训练数据和预测数据
input_train=input(:,1:2)';
output_train=output(:,3)';
input_test=input(:,1:2)';
output_test=output(:,3)';

% 数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

% 神经网络构建
net=newff(inputn,outputn,5);

% 神经网络参数
net.trainParam.epochs=200;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;

% 开始训练网络
net=train(net,inputn,outputn);

% 测试样本归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
BPoutput=mapminmax('reverse',an,outputps);

figure(1);
plot(BPoutput,':og');
hold on;
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize', 12);
title('BP神经网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);
ylabel('输出','fontsize',12);

3、GA-BP神经网络

  遗传算法（genetic algorithms，GA）是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。
  利用GA具有的全局搜索和快速收敛的特点，与BP网络联合起来，这样不仅能够发挥BP神经网络的泛化映射能力，而且可以避免BP网络易陷人局部最小并改善收敛速度。
  优化过程可分为三个部分：１）根据功能要求，确定网络结构；２）利用遗传算法对BP神经网络结构的参数值进行优化，即将网络中所有的初始权值和阈值进行遗传操作，得到初始最优权值和阈值；３）保持BP神经网络的拓扑结构，将初始最优权值和阈值赋予网络，然后用BP神经网络进行训练、测试和验证。
  GA-BP算法的步骤如下：

%% 遗传算法参数初始化
maxgen=10;                         %进化代数，即迭代次数
sizepop=10;                        %种群规模
pcross=[0.3];                       %交叉概率选择，0和1之间
pmutation=[0.1];                    %变异概率选择，0和1之间

%节点总数
numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;

lenchrom=ones(1,numsum);        
bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围

%------------------------------------------------------种群初始化--------------------------------------------------------
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  %将种群信息定义为一个结构体
avgfitness=[];                      %每一代种群的平均适应度
bestfitness=[];                     %每一代种群的最佳适应度
bestchrom=[];                       %适应度最好的染色体
%初始化种群
for i=1:sizepop
    %随机产生一个种群
    individuals.chrom(i,:)=Code(lenchrom,bound);    %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）
    x=individuals.chrom(i,:);
    %计算适应度
    individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   %染色体的适应度
end

%找最好的染色体
[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:);  %最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness]; 
 
%% 迭代求解最佳初始阀值和权值
% 进化开始
for i=1:maxgen
    i
    % 选择
    individuals=select(individuals,sizepop); 
    avgfitness=sum(individuals.fitness)/sizepop;
    %交叉
    individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
    % 变异
    individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);
    
    % 计算适应度 
    for j=1:sizepop
        x=individuals.chrom(j,:); %解码
        individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   
    end
    
  %找到最小和最大适应度的染色体及它们在种群中的位置
    [newbestfitness,newbestindex]=min(individuals.fitness);
    [worestfitness,worestindex]=max(individuals.fitness);
    % 代替上一次进化中最好的染色体
    if bestfitness>newbestfitness
        bestfitness=newbestfitness;
        bestchrom=individuals.chrom(newbestindex,:);
    end
    individuals.chrom(worestindex,:)=bestchrom;
    individuals.fitness(worestindex)=bestfitness;
    
    avgfitness=sum(individuals.fitness)/sizepop;
    
    trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度

end
%% 遗传算法结果分析 
 figure(1)
[r c]=size(trace);
plot([1:r]',trace(:,2),'b--');
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
legend('平均适应度','最佳适应度');
disp('适应度                   变量');
x=bestchrom;
%% BP网络训练
%网络进化参数
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
%net.trainParam.goal=0.00001;

%网络训练
[net,per2]=train(net,inputn,outputn);

%% BP网络预测
%数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_test


figure(2);
plot(test_simu,':og');
hold on;
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize', 12);
title('遗传算法优化的BP神经网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);
ylabel('输出','fontsize',12);

4、结果分析

  从上图中可以清晰地看到，GA-BP网络预测误差基本上保持在3％，最大误差不超过5％，而BP网络预测误差明显大于GA-BP网络，最大时达到了7％。通过MATLAB仿真实验证明，经过遗传算法优化后的BP神经网络对锂电池SOC的估算表现出了更好的准确性。