基于神经网络的蓄电池剩余电量预测方法技术

本发明专利技术公开了一种基于神经网络的蓄电池剩余电量预测方法，包括：采用神经网络模型构建剩余电量预测初始模型；获取蓄电池的多组电压、电流和剩余电量数据，将电压和电流数据作为输入样本，剩余电量数据作为期望输出，输入到剩余电量预测初始模型中后，使用L1/2正则化方法确定神经网络的隐层节点数，再对剩余电量预测初始模型进行训练，得到多个剩余电量预测修正模型；选择一个对期望输出的误差最小的模型作为最终的剩余电量预测模型；将需要预测的蓄电池的电流和电压值输入到剩余电量预测模型中，得到的蓄电池的剩余电量值。本发明专利技术提供的基于神经网络的蓄电池剩余电量预测方法收敛速度快，训练次数少，估算精度高。

【技术实现步骤摘要】
基于神经网络的蓄电池剩余电量预测方法
本专利技术涉及蓄电池领域。更具体地说，本专利技术涉及一种基于神经网络的蓄电池剩余电量预测方法。
技术介绍
为更好的推动国家互联网+的战略要求，各大运营商的移动通信基站建设是大幅度增加。蓄电池作为基站备用电源设备是供电系统的关键一环，一旦在发挥作用时产生故障就会造成整个业务系统的阻断，且由于基站具有分布广、数量多、无人值守等特点，目前在基站蓄电池生命周期内暴露出较多的问题，因此，需要一种高效的蓄电池运维方案，针对通讯基站蓄电池管理存在的问题，通过估算电池剩余容量分析剩余容量和对蓄电池放电特性曲线特性分析估计剩余放电时间，从而制定出最佳应急发电调度方案。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种基于神经网络的蓄电池剩余电量预测方法，包括：采用神经网络模型构建剩余电量预测初始模型；获取蓄电池的多组电压、电流和剩余电量数据，将电压和电流数据作为输入样本，剩余电量数据作为期望输出，输入到剩余电量预测初始模型中后，使用L1/2正则化方法对剩余电量预测初始模型中神经网络的隐含层到输出层的权值本文档来自技高网...

【技术保护点】
一种基于神经网络的蓄电池剩余电量预测方法，其特征在于，包括：采用神经网络模型构建剩余电量预测初始模型；获取蓄电池的多组电压、电流和剩余电量数据，将电压和电流数据作为输入样本，剩余电量数据作为期望输出，输入到剩余电量预测初始模型中后，使用L1/2正则化方法对剩余电量预测初始模型中神经网络的隐含层到输出层的权值向量Wn进行处理得到向量Wn+1，将神经网络的隐层节点数修改为W1中不为0的权值分量的个数m，再对剩余电量预测初始模型进行训练，得到多个剩余电量预测修正模型；从得到的多个剩余电量预测修正模型中选择一个对期望输出的误差最小的模型作为最终的剩余电量预测模型；将需要预测的蓄电池的电流和电压值输入到...

【技术特征摘要】
1.一种基于神经网络的蓄电池剩余电量预测方法，其特征在于，包括：采用神经网络模型构建剩余电量预测初始模型；获取蓄电池的多组电压、电流和剩余电量数据，将电压和电流数据作为输入样本，剩余电量数据作为期望输出，输入到剩余电量预测初始模型中后，使用L1/2正则化方法对剩余电量预测初始模型中神经网络的隐含层到输出层的权值向量Wn进行处理得到向量Wn+1，将神经网络的隐层节点数修改为W1中不为0的权值分量的个数m，再对剩余电量预测初始模型进行训练，得到多个剩余电量预测修正模型；从得到的多个剩余电量预测修正模型中选择一个对期望输出的误差最小的模型作为最终的剩余电量预测模型；将需要预测的蓄电池的电流和电压值输入到剩余电量预测模型中，得到的输出数据即为该蓄电池的剩余电量值。2.如权利要求1所述的基于神经网络的蓄电池剩余电量预测方法，其特征在于，使用L1/2正则化方法对剩余电量预测初始模型中神经网络的隐含层到输出层的权值向量Wn进行处理得到向量Wn+1的具体方法为：S1、计算中间变量b：b＝Wn+(Samout-Wn*Unitout)*(Unitoutt)其中，Samout为神经网络的输出层输出向量；Unitout为神经网络的隐含层输出向量；t为神经网络的的算法精度；S2、计算中间变量r：r＝(961/2/9*u)*(b(i))3/2其中，u为给定值；b(i)为b的第i个分量，i＝1,2…,n，n为Wn的分量的个数；S3、计算Wn+1的第i个分量Wn+1(i)：若则其中，其中，abs(b(i)/3)为b(i)/3的绝对值；若则Wn+1(i)＝0；S4、依次计算Wn+1(1)到Wn+1(n)，得到Wn+1。3.如权利要求2所述的基于神经网络的蓄电池剩余电量预测方法，其特征...

【专利技术属性】
技术研发人员：覃团发，陈玮匀，胡永乐，沈湘平，董鹏琳，罗建涛，陈俊江，张万达，
申请(专利权)人：广西大学，润建通信股份有限公司，
类型：发明
国别省市：广西,45