摘要：存在车载锂电池荷电状态SOC估算难题，以及精度欠佳等状况，运用遗传算法（GA）与回声状态网络（ESN）联合而成的GA -ESN模型来开展SOC的估算 。借助遗传算法，针对回声状态网络未确定的网络参数实施选择、交叉以及变异等行为 ，依据计算适应度函数值的大小 ，挑选出能让回声状态网络性能达最优的网络参数 。进一步使已构建的GA - ESN模型，在NYCC工况下估计那所谓的SOC 。同时，在UDDS工况下估计SOC 。并且，在US06工况下估计SOC 。仿真得出的结果显示，GA - ESN用于SOC的估计误差能够被控制在5%以内 ，借由如此情况验证了该模型拿去应用于SOC估计的可行性 。

锂电池，荷电状态，遗传算法，GA - ESN，回声状态网络 ，这些是关键词 。

0 引言

车载锂电池作为新能源电动汽车的供能核心^[1]那么，关于其荷电情形作为电量状态数值的估算探究，对于电池体系的有效地进行管控，动力体系参数的予以优化，提升整车动力性能，以及延长电池使用期限而言，具备着关键的意义 。^[2]在实际的工况情形之下，SOC受到电池组的温度影响，受到充放电倍率的影响，还受到老化等诸多呈现时变态势的因素的影响 。^[3-4]那致使SOC准确去进行估计变得困难重重。，如今所运用的SOC估计方法主要存在安时积分法子策略、开路电压法子方案、卡尔曼滤波算法子招式还有神经网络法子手段等。^[5-6]。

按照上述分析，将遗传算法也就是GA，跟回声状态网络也就是ESN相结合的神经网络办法用来估计SOC，遗传算法针对回声状态网络的储备池规模N、谱半径SR、输入缩放IS以及储备池内部权值矩阵稀疏度SD进行寻优，进而建立了GA - ESN模型。通过遗传算法在NYCC工况下对ESN模型参数进行优选，并且在UDDS和US06工况下估计SOC，结果显示ESN估计SOC的误差能够控制在5%以内，这为锂电池SOC的估计提供了一定参考。

1 ESN模型的建立

1.1原理分析

图1所呈现的是ESN结构图，输入节点的数量是K，储备池的规模是N，输出节点的数量为L，那儿有输入权值矩阵W(N*K)，储备池内部的权值矩阵Win(N*N)，反馈权值矩阵Wback(N*L)。在网络初始化的阶段，输入权值矩阵、反馈权值矩阵、储备池内部权值矩阵是随机生成且维持不变的，网络训练仅仅只需计算输出权值矩阵。当外部输入的信号u(n)传达到储备池那里的时候，要经由储备池里稀疏分布的神经元做回荡这样一种处理，储备池内部产生的信号x(n)依照式（1）来开展更新，然后借着经过去做线性处理从而得出输出y(n) ，正像式（2）所呈现的那样，其中f(*)是储备池神经元所具有的激活S型函数，fout是网络输出的线性函数。

图1 回声状态网络结构图

(1)                      (2)

储备池性能主要被 4 个关键参数决定，那其中储备池规模 N 是储备池神经元个数，谱半径 SR 是储备池权值矩阵的最大特征值，输入缩放 IS 是相关因素，矩阵稀疏度 SD 是另一相关因素，且 0 。

1.2参数优化

从以上分析能够知道，参数N、SR、IS以及SD，对于ESN模型的性能有着重要影响，要找寻到最为可靠的网络参数，运用遗传算法去优选ESN模型的参数，并且设定遗传算法交叉概率是0.8，变异概率为0.01。遗传算法适应度函数是ESN估计SOC的均方根误差RMSE（Root Mean Square Error），按照式（3）所定义，RMSE越小，寻优参数的适应度就越高。其中，ESNSOC乃是ESN的实际产出数值， SOC是锂电池当下实际存有的荷电状态之情况，n是数据的总体长度，具体的实施方式如下：

(3)

步骤1：搭建这样一个ESN模型，它把锂电池的实时电流数据、电压数据以及温度数据当作输入层，而SOC作为输出，把ESN估计SOC时的RMSE设成遗传算法目标函数，还要设定RMSE的阈值 。

步骤2：设定最大遗传代数为100，并对参数编码；

第三步：随机去产生初始的种群，之后进行网络的估计，进而计算初始种群里各个个体的适应度 。

阶段四：借由轮盘赌手段而言，具备较高适应度数值的染色体予以 duplicated，凭借单点交叉方式依照既定交叉几率把两条染色体的基因予以随机交换，依据设定的变异概率将染色体里的基因编码相互更换；。

第五步：将第三步到第四步予以重复，以此让初始种群持续优化，直到达到所设定的RMSE阈值。之后把获得的适应度最高的参数开展译码，进而得到能使ESN估计SOC的最优参数N、SR、IS、SD。

考虑到研究的具体需求，选用了gm_ev1_in这一车型，还有锂电池型号ESS_L17_temp，在NYCC工况的条件之下，采集锂电池处于工作状态时呈现的实时电流I，再有，采集其电压V，以及电池组温度T，另外也采集实际SOC数值。研究过程中，将I、V以及T作为ESN输入信号，而把估计得出的SOC作为ESN模型输出信号。GA优化过后得到了表1所示的ESN模型两组寻优参数，第一组寻优参数呈现为遗传算法迭代51代之际，N等于73，SD为0.0541，SR是0.5217，IS为[0.6215;0.6215; 0.6215]，RMSE是0.0316，寻优时间为4.8545s；第二组是迭代83代之时，RMSE为0.0160，寻优时间6.7256s，这时得到N等于94，SD为0.0628，SR是0.7525，IS为[0.4218;0.4218;0.4218]。

表1 参数寻优结果

寻优参数	代数	RMSE	寻优时间/s
第一组	51	0.0316	4.8545
第二组	83	0.0160	6.7256

 

2 仿真分析

采用第一组寻优参数之际，ESN 估计 SOC 的结果呈图 2(a)所示状，并且最大绝对误差达成 0.5840，RMSE 等于 0.0316，整体而言能够对 SOC 的变化规律予以跟踪，像图 2(b)当中，能够见到多处估计误差超过 5% 。采用第二组寻优参数时，ESN估计SOC情况如图3(a)以及3(b)所示，ESN模型寻优参数下，ESN估计SOC的最大绝对误差是0.0396，RMSE等于0.0160，从图3(a)能够看出，ESN估计SOC在一些时刻展现出一定的“突变”，致使在某些时刻估计值跟实际值波动较大，不过总体误差波动能够控制在4%以内，相较于第一组，多处估计误差大于5%。

(a)SOC估计曲线图    (b)SOC估计误差图

图2 第一组参数仿真结果

(a)SOC估计曲线图     (b)SOC估计误差图

图3第二组参数仿真结果

能够发觉，当储备池规模N于一定范畴扩大之际，ESN模型具备较高的估计精准度以及平缓的波动性，这关键是由于储备池内部神经元在一定范畴内数量越多，ESN就越能够确切地剖析出网络输入与输出之间的非线性关联，当储备池稀疏度SD在一定范围增大时，储备池神经元连接就愈发密集，在一定程度方面储备池会拥有更繁杂的状态空间，所以在输入信号传输至储备池时，状态空间能够有效地应对所输入的信号，展现出复杂的状态空间从而获取网络实际输出。

3 结论。

面对车载锂电池SOC估计存在的困难，以及不准确类等状况，建立了那样一种ESN模型，该模型以车载锂电池的实时电流、电压，还有温度作为网络输入，而且将估计SOC当作网络输出，并且借助遗传算法而完成了ESN模型参数的寻优。仿真结果显示，GA优化的ESN模型对车载锂电池SOC进行估计时，会有较好的成效，并且估计误差能够被控制在5%以内，其可以相对准确地追踪SOC的非线性变化，具备良好的估计精度以及泛化能力，这给锂电池SOC的评估研究，还有电池BMS管理系统优化等问题，提供了良好的基础，具有一定的参考价值。