欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種電池剩余電量的確定方法、裝置及汽車與流程

文檔序號:11861830閱讀:422來源:國知局
一種電池剩余電量的確定方法、裝置及汽車與流程
本發(fā)明涉及汽車
技術(shù)領(lǐng)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(shù)
:目前國內(nèi)外在對電池剩余電量SOC的準(zhǔn)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(jié)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(jìn)行積分運(yùn)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(shí)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(jìn)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(shù)實(shí)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(shí)現(xiàn)對剩余電量的確定,對電流采樣精度要求較高,結(jié)果誤差大等問題。為達(dá)到上述目的,本發(fā)明的實(shí)施例提供一種電池剩余電量的確定方法,包括:在構(gòu)建的第一電量確定模型和第二電量確定模型中選取目標(biāo)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(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu);將獲取到的電池的當(dāng)前狀態(tài)信息輸入到所述目標(biāo)電量確定模型,得到所述電池的剩余電量。本發(fā)明實(shí)施例的電池剩余電量的確定方法,通過基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu)的目標(biāo)電量確定模型對電池的剩余電量進(jìn)行確定,由于該模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。其中,構(gòu)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(jié)構(gòu),預(yù)設(shè)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(gòu)建具有第一預(yù)設(shè)數(shù)量輸入變量的第一初始電量確定模型和具有第二預(yù)設(shè)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(jìn)行訓(xùn)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(jìn)行訓(xùn)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(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(xùn)練數(shù)據(jù)的初始化對數(shù);將所述訓(xùn)練數(shù)據(jù)對應(yīng)導(dǎo)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(gòu)建的第一電量確定模型和第二電量確定模型中選取目標(biāo)電量確定模型的步驟,包括:獲取第二預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(yàn)證數(shù)據(jù)對應(yīng)導(dǎo)入訓(xùn)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(yàn)證數(shù)據(jù)對應(yīng)的實(shí)際數(shù)值進(jìn)行比較,得到對應(yīng)所述第一數(shù)值的第一誤差參數(shù),對應(yīng)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(biāo)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(biāo)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(yù)設(shè)閾值進(jìn)行比較;若所述第一誤差參數(shù)大于所述第一預(yù)設(shè)閾值,或者所述第二誤差參數(shù)大于所述第一預(yù)設(shè)閾值,則重新獲取第三預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),其中所述第三預(yù)設(shè)數(shù)量大于所述第一預(yù)設(shè)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(biāo)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(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理的步驟,包括:根據(jù)公式對預(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理,得到目標(biāo)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(yīng)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(yīng)的數(shù)據(jù)組中的最小數(shù)值。為達(dá)到上述目的,本發(fā)明的實(shí)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(gòu)建的第一電量確定模型和第二電量確定模型中選取目標(biāo)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(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu);第二處理模塊,用于將獲取到的電池的當(dāng)前狀態(tài)信息輸入到所述目標(biāo)電量確定模型,得到所述電池的剩余電量。本發(fā)明實(shí)施例的電池剩余電量的確定裝置,通過基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu)的目標(biāo)電量確定模型對電池的剩余電量進(jìn)行確定,由于該模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。其中,所述電池剩余電量的確定裝置還包括:構(gòu)建模塊,用于基于典型自適用神經(jīng)模糊系統(tǒng)結(jié)構(gòu),預(yù)設(shè)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(gòu)建具有第一預(yù)設(shè)數(shù)量輸入變量的第一初始電量確定模型和具有第二預(yù)設(shè)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(xùn)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(jìn)行訓(xùn)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(xùn)練模塊包括:第一獲取子模塊,用于獲取第一預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(xùn)練子模塊,用于根據(jù)所有測試數(shù)據(jù)確定所述訓(xùn)練數(shù)據(jù)的初始化對數(shù);第二訓(xùn)練子模塊,用于將所述訓(xùn)練數(shù)據(jù)對應(yīng)導(dǎo)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(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(dǎo)入子模塊,用于將所述驗(yàn)證數(shù)據(jù)對應(yīng)導(dǎo)入訓(xùn)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(yàn)證數(shù)據(jù)對應(yīng)的實(shí)際數(shù)值進(jìn)行比較,得到對應(yīng)所述第一數(shù)值的第一誤差參數(shù),對應(yīng)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(biāo)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(biāo)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(yù)設(shè)閾值進(jìn)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(yù)設(shè)閾值,或者所述第二誤差參數(shù)大于所述第一預(yù)設(shè)閾值,則重新獲取第三預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),其中所述第三預(yù)設(shè)數(shù)量大于所述第一預(yù)設(shè)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(biāo)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(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理,得到目標(biāo)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(yīng)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(yīng)的數(shù)據(jù)組中的最小數(shù)值。為達(dá)到上述目的,本發(fā)明的實(shí)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(shí)施例的汽車,通過基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu)的目標(biāo)電量確定模型對電池的剩余電量進(jìn)行確定,由于該模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。附圖說明圖1為本發(fā)明實(shí)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(jié)構(gòu)示意圖;圖3為典型自適應(yīng)神經(jīng)模糊系統(tǒng)原理結(jié)構(gòu)示意圖;圖4為本發(fā)明實(shí)施例中兩輸入變量的第一初始電量確定模型結(jié)構(gòu)示意圖;圖5為本發(fā)明實(shí)施例中三輸入變量的第二初始電量確定模型結(jié)構(gòu)示意圖;圖6為兩輸入模型訓(xùn)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(xùn)練后電流隸屬度函數(shù)形狀示意圖;圖8為兩輸入模型訓(xùn)練后電壓隸屬度函數(shù)形狀示意圖;圖9為三輸入模型訓(xùn)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(xùn)練后電流隸屬度函數(shù)形狀示意圖;圖11為三輸入模型訓(xùn)練后電壓隸屬度函數(shù)形狀示意圖;圖12為三輸入模型訓(xùn)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(shí)際值比較示意圖;圖14為兩輸入電量確定模型估算值與實(shí)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(shí)際值比較示意圖;圖16為三輸入電量確定模型估算值與實(shí)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(shí)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(shí)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(shí)際值的絕對誤差示意圖;圖21為本發(fā)明實(shí)施例的電池剩余電量的確定裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。本發(fā)明針對現(xiàn)有的方案不易在工作條件下實(shí)現(xiàn)對剩余電量的確定,對電流采樣精度要求較高,結(jié)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(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu)的模型對電池剩余電量進(jìn)行確定,能夠得到更精確的結(jié)果,減小了誤差,且易在工作條件下實(shí)現(xiàn)。如圖1所示,本發(fā)明實(shí)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(gòu)建的第一電量確定模型和第二電量確定模型中選取目標(biāo)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(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu);步驟102,將獲取到的電池的當(dāng)前狀態(tài)信息輸入到所述目標(biāo)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(shí)施例的電池剩余電量的確定方法,通過基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu)的目標(biāo)電量確定模型對電池的剩余電量進(jìn)行確定,由于該模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。其中,本發(fā)明實(shí)施例中,在步驟101選取目標(biāo)電量確定模型之前,構(gòu)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(jié)構(gòu),預(yù)設(shè)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(gòu)建具有第一預(yù)設(shè)數(shù)量輸入變量的第一初始電量確定模型和具有第二預(yù)設(shè)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(jìn)行訓(xùn)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(shí)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(luò)與Takagi-Sugeno(T-S)模糊推理結(jié)合在一起的系統(tǒng)結(jié)構(gòu)。應(yīng)該了解的是,T-S型模糊推理系統(tǒng)的原理結(jié)構(gòu)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(xùn)練過程中決定的設(shè)計(jì)參數(shù)(=1,2,…,N)。假設(shè)實(shí)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(quán)重為根據(jù)式(1)計(jì)算權(quán)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(jì)算得到:f=Σk=1Nω‾kfk---(2)]]>通過T-S型模糊推理系統(tǒng)計(jì)算過程可以看出,輸入的精確值經(jīng)過模糊化轉(zhuǎn)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(jì)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(jì)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(luò)方法對參數(shù)進(jìn)行學(xué)習(xí),這個兩者的結(jié)合提供了可能。ANFIS結(jié)合了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和模糊系統(tǒng)的邏輯推理能力,結(jié)構(gòu)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(jié)構(gòu)一共有五層,每一層都有節(jié)點(diǎn)與上下層進(jìn)行連接,如圖3所示。其中在第二、三和五層用圓形節(jié)點(diǎn)代表這幾層節(jié)點(diǎn)是固定的;第一、四兩層為方形節(jié)點(diǎn)表示自適應(yīng)節(jié)點(diǎn),自適應(yīng)節(jié)點(diǎn)中參數(shù)不斷調(diào)整和改變。第一層是模糊化層,主要任務(wù)是將輸入變量x和y進(jìn)行模糊化。這一層的輸出表示為:Oi1=μAi(x)---(3)]]>其中x為節(jié)點(diǎn)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(diǎn)是整條曲線比較平滑,且非零,表達(dá)式為:μAi(x)=11+(x-ciai)2bi---(4)]]>式中ai、bi和ci是調(diào)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(qiáng)度層,主要任務(wù)是將第一層模糊化的信號進(jìn)行模糊相乘,該層節(jié)點(diǎn)的參數(shù)值在訓(xùn)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(diǎn)的輸出值表示對應(yīng)規(guī)則的強(qiáng)度,強(qiáng)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(jì)算,給每條模糊規(guī)則分配一定的激活強(qiáng)度。第三層是規(guī)則強(qiáng)度的歸一化層,該層節(jié)點(diǎn)固定,其功能是將上一層輸出釋放的強(qiáng)度進(jìn)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(diǎn)均為自適應(yīng)節(jié)點(diǎn),節(jié)點(diǎn)上將第三層輸出的歸一化強(qiáng)度與一個一階多項(xiàng)式相乘,相乘的結(jié)果予以輸出,即為模糊化的結(jié)果。其輸出的表達(dá)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(jié)論參數(shù)。第五層是解模糊層,進(jìn)行一個解模糊的計(jì)算,計(jì)算表達(dá)式為式(8),是一個求和函數(shù)的計(jì)算。Oi5=f=Σi=12ω‾ifi=Σi=12ωifiΣi=12ωi,i=1,2---(8)]]>通過對ANFIS的結(jié)構(gòu)分析可以看出,該系統(tǒng)中有兩層是自適應(yīng)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(guān),改變這三個參數(shù)可以調(diào)整隸屬函數(shù)的形狀,后三個參數(shù)是一階多項(xiàng)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(jié)論參數(shù)。當(dāng)利用數(shù)據(jù)對ANFIS系統(tǒng)結(jié)構(gòu)進(jìn)行訓(xùn)練,前提參數(shù)和結(jié)論參數(shù)不斷改變,前提參數(shù)固定后,總輸出利用結(jié)論參數(shù)進(jìn)行表示,即:因此,在本發(fā)明實(shí)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(jié)構(gòu)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(guān)重要的一步,在選取輸入變量時應(yīng)從兩個方面考慮:一是從實(shí)際應(yīng)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?;谏鲜鰞蓚€方面考慮,結(jié)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(shí)驗(yàn)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(chǔ)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(jié)構(gòu)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(fù)雜度和估算的精度,一般模型越復(fù)雜其估算精度相對會提高,但越復(fù)雜的模型估算的速度會越慢,這是實(shí)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(diǎn),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(guān)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(diǎn)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(diǎn)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(jié)果復(fù)雜程度上相當(dāng),也就意味著它們的計(jì)算速度相差不大。在構(gòu)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(jìn)行訓(xùn)練,得到第一電量確定模型和第二電量確定模型。還應(yīng)該知道的是,ANFIS利用BP(Back-Propagation,BP)算法和最小二乘估計(jì)(LeastSquareError,LSE)法的混合算法進(jìn)行學(xué)習(xí),不斷調(diào)整系統(tǒng)的前提參數(shù)和結(jié)論參數(shù)。BP算法本質(zhì)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(jì)算和反向計(jì)算。正向計(jì)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(jì)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(jì)算是將誤差信號按照正向計(jì)算的路徑反向傳回,并對每一層節(jié)點(diǎn)的系數(shù)進(jìn)行修正,使誤差信號最小。ANFIS的整個混合學(xué)習(xí)算法分為兩大步:第一步,估計(jì)最佳結(jié)論參數(shù)。確定第一層前提參數(shù)的初值,按每層計(jì)算的步驟計(jì)算到第四層后采用LSE法對該層的結(jié)論參數(shù)進(jìn)行估計(jì),計(jì)算公式為(10),得到最佳結(jié)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(gòu)成了結(jié)論參數(shù)的集合,表示為{p1,q1,r1,p2,q2,r2}。最佳結(jié)論參數(shù)即矩陣X的最佳估計(jì),若輸入系統(tǒng)的數(shù)據(jù)有m(m>>6)對,則根據(jù)LSE法計(jì)算可知當(dāng)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(jié)論參數(shù)的最佳估計(jì),即式(11)。X*=(AAT)-1ATf(11)第二步,調(diào)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(jié)論參數(shù)的最佳估計(jì),由式(9)可知此時系統(tǒng)的輸出可表示成結(jié)論參數(shù)的組合,接著計(jì)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(diào)整。ANFIS采用混合的學(xué)習(xí)算法,很好的提高了系統(tǒng)的訓(xùn)練效率和精度。基于上述原理,本發(fā)明實(shí)施例中,步驟104包括:步驟1041,獲取第一預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(xùn)練數(shù)據(jù)的初始化對數(shù);步驟1043,將所述訓(xùn)練數(shù)據(jù)對應(yīng)導(dǎo)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(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)對兩個初始電量確定模型進(jìn)行訓(xùn)練,確定了兩個初始電量確定模型中各個節(jié)點(diǎn)參數(shù)值和隸屬函數(shù)形狀,得到構(gòu)建完成的確定模型。在經(jīng)訓(xùn)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(biāo)電量確定模型,對電池當(dāng)前剩余電量進(jìn)行確定。具體的,步驟101包括:步驟1011,獲取第二預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(yàn)證數(shù)據(jù)對應(yīng)導(dǎo)入訓(xùn)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(yàn)證數(shù)據(jù)對應(yīng)的實(shí)際數(shù)值進(jìn)行比較,得到對應(yīng)所述第一數(shù)值的第一誤差參數(shù),對應(yīng)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(biāo)電量確定模型。該實(shí)施例中,將第二預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù),導(dǎo)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(shí)際數(shù)值進(jìn)行比較,然后依據(jù)該比較結(jié)果確定出較佳的目標(biāo)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(biāo)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(xùn)練數(shù)據(jù))用于訓(xùn)練模型,選取另一部分樣本數(shù)據(jù)(驗(yàn)證數(shù)據(jù))作為測試驗(yàn)證。通過訓(xùn)練最終確定兩個預(yù)測模型中各個節(jié)點(diǎn)參數(shù)值和隸屬函數(shù)形狀,并用驗(yàn)證數(shù)據(jù)予以驗(yàn)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(xùn)練數(shù)據(jù)均為200對,部分訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)如表1所示。表1通過訓(xùn)練數(shù)據(jù)對模型進(jìn)行訓(xùn)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(xùn)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(xùn)練后隸屬函數(shù)形狀,訓(xùn)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(xùn)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(xùn)練后隸屬函數(shù)形狀。在訓(xùn)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(jìn)行驗(yàn)證,確定出最終的目標(biāo)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(jié)果。其中APE的計(jì)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(shí)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(xùn)練數(shù)據(jù)對其訓(xùn)練后,選用100對數(shù)據(jù)進(jìn)行測試驗(yàn)證,得到SOC的估算值,并計(jì)算估算值與實(shí)驗(yàn)值的誤差。圖13是驗(yàn)證數(shù)據(jù)實(shí)際SOC與估算SOC曲線圖,圖中估算值和實(shí)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A(yù)PE=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(jìn)行訓(xùn)練,并將166對測試數(shù)據(jù)導(dǎo)入訓(xùn)練后的模型進(jìn)行SOC估算,圖15是驗(yàn)證數(shù)據(jù)SOC估算結(jié)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(jìn)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(jìn)行SOC估算,部分估算結(jié)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(shí)驗(yàn)值更加接近,能夠很好地與實(shí)驗(yàn)值相吻合。綜合圖13、圖15、圖17和圖18的比較結(jié)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(yuǎn)小于兩輸入變量模型估算誤差,且估算結(jié)果更準(zhǔn)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(jìn)行SOC估算,為驗(yàn)證該模型的泛化能力,隨機(jī)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(jìn)行測試,測試結(jié)果如圖19所示,實(shí)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(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練之后,具有良好的自適應(yīng)性,能較好的對LiFePO4電池SOC進(jìn)行估算。然而,需要了解的是,有時由于訓(xùn)練數(shù)據(jù)選取的數(shù)量較小,訓(xùn)練后得到的模型不能夠達(dá)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(yù)設(shè)閾值進(jìn)行比較;步驟1016,若所述第一誤差參數(shù)大于所述第一預(yù)設(shè)閾值,或者所述第二誤差參數(shù)大于所述第一預(yù)設(shè)閾值,則重新獲取第三預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),其中所述第三預(yù)設(shè)數(shù)量大于所述第一預(yù)設(shè)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(biāo)電量確定模型。這樣,在經(jīng)訓(xùn)練后的模型不滿足要求時,能夠通過增大訓(xùn)練數(shù)據(jù),再之前數(shù)據(jù)的基礎(chǔ)上,利用新增數(shù)據(jù)繼續(xù)訓(xùn)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(yù)設(shè)數(shù)量的1%的數(shù)據(jù)繼續(xù)訓(xùn)練。另外,為了提高模型訓(xùn)練的效率和估算精度,本發(fā)明實(shí)施例中,具體的,將預(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理的步驟,包括:根據(jù)公式對預(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理,得到目標(biāo)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(yīng)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(yīng)的數(shù)據(jù)組中的最小數(shù)值。當(dāng)然,還應(yīng)該了解的是,溫度對電池的性能也存在一定的影響,在構(gòu)建初始模型時,還可以在輸入端增加溫度變量,進(jìn)一步提升結(jié)果的準(zhǔn)確性,更貼近實(shí)際。綜上所述,本發(fā)明實(shí)施例的電池剩余電量的確定方法采用了基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)進(jìn)行剩余電量的確定。首先通過構(gòu)建基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)的五層結(jié)構(gòu)的兩個電量確定模型。其次,通過訓(xùn)練數(shù)據(jù)對兩種模型進(jìn)行訓(xùn)練和測試驗(yàn)證,最終使得模型穩(wěn)定,并將輸出數(shù)值與實(shí)際值比較,確定出更佳的目標(biāo)電量確定模型對汽車當(dāng)前的剩余電量進(jìn)行確定。由于該目標(biāo)電量確定模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。如圖21所示,本發(fā)明實(shí)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(gòu)建的第一電量確定模型和第二電量確定模型中選取目標(biāo)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(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)構(gòu)建的五層結(jié)構(gòu);第二處理模塊2102,用于將獲取到的電池的當(dāng)前狀態(tài)信息輸入到所述目標(biāo)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(gòu)建模塊,用于基于典型自適用神經(jīng)模糊系統(tǒng)結(jié)構(gòu),預(yù)設(shè)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(gòu)建具有第一預(yù)設(shè)數(shù)量輸入變量的第一初始電量確定模型和具有第二預(yù)設(shè)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(xùn)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(jìn)行訓(xùn)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(xùn)練模塊包括:第一獲取子模塊,用于獲取第一預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(xùn)練子模塊,用于根據(jù)所有測試數(shù)據(jù)確定所述訓(xùn)練數(shù)據(jù)的初始化對數(shù);第二訓(xùn)練子模塊,用于將所述訓(xùn)練數(shù)據(jù)對應(yīng)導(dǎo)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(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù);所述目標(biāo)數(shù)據(jù)是將預(yù)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(dǎo)入子模塊,用于將所述驗(yàn)證數(shù)據(jù)對應(yīng)導(dǎo)入訓(xùn)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(yàn)證數(shù)據(jù)對應(yīng)的實(shí)際數(shù)值進(jìn)行比較,得到對應(yīng)所述第一數(shù)值的第一誤差參數(shù),對應(yīng)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(biāo)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(biāo)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(yù)設(shè)閾值進(jìn)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(yù)設(shè)閾值,或者所述第二誤差參數(shù)大于所述第一預(yù)設(shè)閾值,則重新獲取第三預(yù)設(shè)數(shù)量的目標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),其中所述第三預(yù)設(shè)數(shù)量大于所述第一預(yù)設(shè)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(biāo)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(yù)存儲的多個充放電倍率下的測試數(shù)據(jù)進(jìn)行歸一化處理,得到目標(biāo)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(yīng)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(yīng)的數(shù)據(jù)組中的最小數(shù)值。本發(fā)明實(shí)施例的電池剩余電量的確定裝置采用了基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)進(jìn)行剩余電量的確定。首先通過構(gòu)建基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)的五層結(jié)構(gòu)的兩個電量確定模型。其次,通過訓(xùn)練數(shù)據(jù)對兩種模型進(jìn)行訓(xùn)練和測試驗(yàn)證,最終使得模型穩(wěn)定,并將輸出數(shù)值與實(shí)際值比較,確定出更佳的目標(biāo)電量確定模型對汽車當(dāng)前的剩余電量進(jìn)行確定。由于該目標(biāo)電量確定模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)現(xiàn)。需要說明的是,該裝置是應(yīng)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(shí)施例的實(shí)現(xiàn)方式適用于該裝置,也能達(dá)到相同的技術(shù)效果。本發(fā)明的實(shí)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(shí)施例的汽車采用了基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)進(jìn)行剩余電量的確定。首先通過構(gòu)建基于結(jié)合人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯的自適應(yīng)神經(jīng)模糊系統(tǒng)的五層結(jié)構(gòu)的兩個電量確定模型。其次,通過訓(xùn)練數(shù)據(jù)對兩種模型進(jìn)行訓(xùn)練和測試驗(yàn)證,最終使得模型穩(wěn)定,并將輸出數(shù)值與實(shí)際值比較,確定出更佳的目標(biāo)電量確定模型對汽車當(dāng)前的剩余電量進(jìn)行確定。由于該目標(biāo)電量確定模型有機(jī)結(jié)合了人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯,具有與神經(jīng)網(wǎng)絡(luò)更接近的學(xué)習(xí)總結(jié)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(jié)果,減小誤差。而且利用該模型進(jìn)行確定,也易在工作條件下實(shí)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(shí)施例的實(shí)現(xiàn)方式適用于該汽車,也能達(dá)到相同的技術(shù)效果。進(jìn)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(qiáng)調(diào)其實(shí)現(xiàn)方式的獨(dú)立性。本發(fā)明實(shí)施例中,模塊可以用軟件實(shí)現(xiàn),以便由各種類型的處理器執(zhí)行。舉例來說,一個標(biāo)識的可執(zhí)行代碼模塊可以包括計(jì)算機(jī)指令的一個或多個物理或者邏輯塊,舉例來說,其可以被構(gòu)建為對象、過程或函數(shù)。盡管如此,所標(biāo)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(dāng)這些指令邏輯上結(jié)合在一起時,其構(gòu)成模塊并且實(shí)現(xiàn)該模塊的規(guī)定目的。實(shí)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(dāng)中,以及跨越多個存儲器設(shè)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(dāng)?shù)男问綄?shí)現(xiàn)并且被組織在任何適當(dāng)類型的數(shù)據(jù)結(jié)構(gòu)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(shè)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(luò)上。在模塊可以利用軟件實(shí)現(xiàn)時,考慮到現(xiàn)有硬件工藝的水平,所以可以以軟件實(shí)現(xiàn)的模塊,在不考慮成本的情況下,本領(lǐng)域技術(shù)人員都可以搭建對應(yīng)的硬件電路來實(shí)現(xiàn)對應(yīng)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(dǎo)體或者是其它分立的元件。模塊還可以用可編程硬件設(shè)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(shè)備等實(shí)現(xiàn)。上述范例性實(shí)施例是參考該些附圖來描述的,許多不同的形式和實(shí)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(yīng)被建構(gòu)成為在此所提出范例性實(shí)施例的限制。更確切地說,這些范例性實(shí)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(dá)給那些熟知此項(xiàng)技術(shù)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(shù)語只是基于描述特定范例性實(shí)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(jìn)一步了解到該些術(shù)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(gòu)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(gòu)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(shí)施方式,應(yīng)當(dāng)指出,對于本
技術(shù)領(lǐng)域
的普通技術(shù)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(jìn)和潤飾,這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3 
當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1
泌阳县| 海安县| 叙永县| 科尔| 乌鲁木齐县| 新蔡县| 玉山县| 达拉特旗| 嵊州市| 杭锦旗| 博罗县| 灵丘县| 临海市| 广宁县| 嘉义市| 滦平县| 灵石县| 商都县| 蒙自县| 石泉县| 宣恩县| 喜德县| 莱西市| 五家渠市| 太仆寺旗| 碌曲县| 喀喇| 松原市| 梁河县| 无锡市| 宁晋县| 中江县| 普定县| 久治县| 云阳县| 会昌县| 长乐市| 天水市| 台湾省| 鹤山市| 庄河市|