本发明申请属于电池，具体涉及一种融合改进gru网络和贝叶斯滤波的电池soc估计方法。
背景技术：
1、电池荷电状态(soc)的准确估计直接影响着锂电池组的使用效率和安全性。现如今的锂离子电池soc估计方法大致分为基于机理的，基于数据驱动的和基于融合的模型。基于机理模型其精度虽然高，但广泛适用性欠佳，且需要建模人员有非常高的理论知识的基础，其预测精度受模型准确度影响大，精度越高的模型其考虑因素也越多，模型复杂程度也越高，同时建模难度也急剧上升。基于数据驱动的其只需要电池的大量退化数据就能实现对锂离子电池soc估计这种非线性系统的建模，且其具有非常广泛的适用性，但通过何种算法来模拟电池这种复杂非线性系统才是最优解至今仍没有一个准确答案，不同算法有其独特的优点，同时也有其难以避免的缺陷，采用单一算法建模往往难以建模出非常准确的模型
2、现有技术存在采用神经网络对电池soc进行估计的方法里，大多并未考虑到模型搭建出来的泛化能力，导致模型预测精度起伏大，可靠性低。
技术实现思路
1、为克服上述现有技术的不足，在综合门控循环单元(gru)神经网络与改进灰狼优化算法(agwo)的优点的基础上建模，通过建立多个模型采用贝叶斯滤波对其进行融合，进一步提升模型的适应性，提高其预测稳定性。同时在对预测模型主体进行选择时也详细说明了模型选择的合理性，通过算法的合理搭配，综合各自优点，提出了一种融合改进gru网络和贝叶斯滤波的电池soc估计方法。
2、本发明申请提出的一种融合改进gru网络和贝叶斯滤波的电池soc估计方法，包括：
3、获取锂离子电池的参数，对锂离子电池参数进行归一化处理，形成归一化的数据，所述归一化的数据包括训练集和测试集；
4、采用引入随机性和非线性递减模式对灰狼算法的收敛因子进行优化，形成改进的灰狼算法；
5、采用改进的灰狼算法对gru神经网络的初始权值和偏置进行优化，形成优化后的gru神经网络；
6、将所述训练集带入优化后的gru神经网络，得到多个gru神经网络模型；
7、基于多个所述gru神经网络模型，通过gru神经网络模型测试误差进行初步筛选，通过贝叶斯滤波对所述多个所述gru神经网络模型进行融合，得到经贝叶斯滤波融合后的gru神经网络模型；
8、根据所述经贝叶斯滤波融合后的gru神经网络模型，对锂离子电池soc进行估计。
9、优选的，所述采用引入随机性和非线性递减模式对灰狼算法的收敛因子进行优化，形成改进的灰狼算法，包括：
10、生成一个0-1区间内的随机数；
11、将灰狼算法的收敛因子引入三角函数以改变随机数的分布特性与随机数共同构成收敛因子的非线性递减模式，同时结合灰狼算法的当前迭代次数、最大迭代次数和所述随机数，形成改进的灰狼算法。
12、优选的，所述基于灰狼算法的当前迭代次数和所述随机数，确定收敛因子，采用如下计算公式：
13、
14、上式中：α是灰狼算法的收敛因子，rand()为0-1区间内的随机数，t是当当前迭代次数，tmax是最大迭代次数。
15、优选的，所述获取锂离子电池的参数，对锂离子电池参数进行归一化处理，形成归一化的数据，所述归一化的数据包括训练集和测试集，具体过程满足如下公式：
16、
17、式中：v表示归一化的数据；v0表示锂离子电池的参数；vmin表示的锂离子电池的参数的最小值，vmax表示锂离子电池的参数的最大值。
18、优选的，所述采用改进的灰狼算法对gru神经网络的初始权值和偏置进行优化，形成优化后的gru神经网络，包括：
19、采用改进的灰狼算法优化gru神经网络的初始权重、gru神经网络的初始偏置，形成所述gru神经网络的优化初始权重和所述gru神经网络的优化初始偏置；
20、采用所述改进的灰狼算法对所述优化初始权重和所述优化偏置，迭代寻优；
21、当所述迭代次数到达预设最大迭代次数，输出所述最终的由改进的灰狼算法优化的gru神经网络的最终优化权重和最终优化偏置，形成优化后的gru神经网络。
22、优选的，所述迭代优化过程中，定义所述改进的灰狼算法的适应度函数如下：
23、
24、上式中：f为适应度值,m为为迭代初始权值和偏置作为样本s的数量，为样本s的第k个输出节点的期望输出；为第k个输出节点在样本s作用下的输出，n为输出节点数。
25、优选的，所述将所述训练集带入优化后的gru神经网络，得到多个gru神经网络模型，包括：
26、所述训练集包括：电池电压、电流和平均温度，所述优化后的gru神经网络的输入是电压、电流和平均温度作为训练集样本组成的3×m的矩阵，矩阵的表达如下：
27、
28、上述矩阵中，m表示训练集样本总数，u1...um为电压，i1...im为为电流，t1...tm为平均温度，x为矩阵；
29、输出变量为电池参数组成的一个1×m的行向量，满足如下行向量：
30、x＝(soc1…socm)
31、上述行向量中：soc1…socm为行向量中的元素。
32、基于所述输入变量、输出变量，形成多个gru神经网络模型。
33、优选的，所述基于多个所述gru神经网络模型，通过gru神经网络模型测试误差进行初步筛选，通过贝叶斯滤波对所述多个所述gru神经网络模型进行融合，得到经贝叶斯滤波融合后的gru神经网络模型，包括：
34、基于多个所述gru神经网络模型，通过测试集对多个所述gru神经网络模型，采均方根误差公式计算出多个所述gru神经网络模型的误差；
35、筛选所述误差位于预设误差区间内的对应的多个所述gru神经网络模型，使用测试集的数据通过所述gru神经网络模型估计电池soc值，把经筛选出的多个所述gru神经网络模型与所述最大误差对应的所述所述gru神经网络模型所估计出的soc值作为贝叶斯滤波的先验值，把经筛选出的多个所述gru神经网络模型与所述较小误差对应的所述多个所述gru神经网络模型所估计出的soc值作为贝叶斯滤波的后验值，所述后验值用于修正误差值大的所述多个所述gru神经网络模型，将筛选出的多个所述gru神经网络模型经贝叶斯滤波进行融合，形成经贝叶斯滤波融合后的gru神经网络模型；
36、所述根据所述经贝叶斯滤波融合后的gru神经网络模型，对锂离子电池soc进行估计，包括：
37、根据所述经贝叶斯滤波融合后的gru神经网络模型通过电池电压，电流以及温度对电池soc进行估计。
38、与最接近的现有技术相比，本发明申请具有的有益效果如下：
39、1.电池soc与电池电流，电压和温度有非常强的相关性，这种相关性除了表现在当前时刻的强相关之外，在单一变量时间序列上也有着较强相关性，因此，通过神经网络进行soc估计时应考虑变量过去与现在的综合作用。因此本发明以门控循环单元(gru)神经网络为主干对电池soc进行估计。gru神经网络是循环神经网络(rnn)的变体，其具有结构简单参数少的特点，在一些任务上有更快的训练速度和更低的计算成本，也避免了rnn存在梯度消失的问题，同时它最大的特点是能综合变量在时间序列上的影响，在功能上非常符合上述想法。
40、2.由于gru神经网络其本质的训练模式与大多数神经网络类似，采用的梯度下降算法来进行参数更新，而梯度下降算法一旦初始权值和偏置选择与误差最小值处偏差过大，则很可能会陷入局部最小值。为了改进gru神经网络这一缺点，本发明以一种全局搜索能力更佳的灰狼优化算法(gwo)为主体对其权值和偏置进行优化。
41、3.通过引入随机数和非线性函数来改变gwo收敛因子α的计算方式改进为自适应灰狼优化算法(agwo)，使得gwo的全局搜索能力和收敛速度得到进一步增强，并以此来优化gru神经网络的初始权值和偏置，改善其易陷入局部最小的缺点。
42、4.通过多组训练集建立多个gru神经网络模型，然后通过多组测试集对每个模型误差大小进行评估，根据误差大小赋予其不同权值，再通过贝叶斯滤波对建立的gru神经网络模型进行融合得到最终的融合模型，以此来进一步增加融合模型的估计精度与泛化能力。充分考虑到模型搭建出来的泛化能力，模型预测精度起伏小，可靠性高。
1.一种融合改进gru网络和贝叶斯滤波的电池soc估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采用引入随机性和非线性递减模式对灰狼算法的收敛因子进行优化，形成改进的灰狼算法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于灰狼算法的当前迭代次数和所述随机数，确定收敛因子，采用如下计算公式：
4.根据权利要求1所述的方法，其特征在于，所述获取锂离子电池的参数，对锂离子电池参数进行归一化处理，形成归一化的数据，所述归一化的数据包括训练集和测试集，具体过程满足如下公式：
5.根据权利要求1所述的方法，其特征在于，所述采用改进的灰狼算法对gru神经网络的初始权值和偏置进行优化，形成优化后的gru神经网络，包括：
6.根据权利要求5所述的方法，其特征在于，所述迭代优化过程中，定义所述改进的灰狼算法的适应度函数如下：
7.根据权利要求1所述的方法，其特征在于，所述将所述训练集带入优化后的gru神经网络，得到多个gru神经网络模型，包括：
8.根据权利要求1或7所述的方法，其特征在于，所述基于多个所述gru神经网络模型，通过gru神经网络模型测试误差进行初步筛选，通过贝叶斯滤波对所述多个所述gru神经网络模型进行融合，得到经贝叶斯滤波融合后的gru神经网络模型，包括：
9.根据权利要求8所述的方法，其特征在于，所述根据所述经贝叶斯滤波融合后的gru神经网络模型，对锂离子电池soc进行估计，包括：
