一种基于小波神经网络算法的锂电池SOC预测方法技术

本发明专利技术提出了一种基于小波神经网络算法的锂电池SOC预测方法，用以解决现有锂电池SOC预测精度较低的问题；其步骤为：首先，从数据库中读取锂电池荷电状态的影响因素数据，以影响因素数据作为输入变量，锂电池荷电状态作为输出变量；其次，构建小波神经网络的拓扑结构，并初始化权值及阈值；然后，利用输入变量和输出变量对小波神经网络进行训练，得到基于小波神经网络算法的锂电池荷电状态预测模型；最后，利用锂电池荷电状态预测模型对测试样本数据进行预测。本发明专利技术将小波神经网络算法应用到锂电池的SOC预测，建立锂电池SOC预测模型，该模型的预测误差更小，可以准确预测锂电池SOC，为锂电池SOC的判断提供依据。锂电池SOC的判断提供依据。锂电池SOC的判断提供依据。

【技术实现步骤摘要】
一种基于小波神经网络算法的锂电池SOC预测方法


[0001]本专利技术涉及锂电池SOC预测
，特别是指一种基于小波神经网络算法的锂电池SOC预测方法。

技术介绍

[0002]锂电池由于其高能量密度和低自放电等优点已广泛应用于电力、交通等行业。实际中，由于环境温度变化、电池过度充放电等原因，电池容量不断下降，使用寿命远低于理论寿命。建立基于人工智能算法的锂电池SOC预测模型，不仅可以合理地对锂电池的充电进行管理，也会增加锂电池的使用年限。
[0003]目前，锂电池SOC预测研究已经取得一些成果。文献[Zhang M,Kang G,Wu L,et al.Amethod for capacity prediction of lithium
‑
ion batteries under small sample conditions[J].Energy,2022,238:122094.]建立了一种基于极限学习机的自适应小样本预测模型，将此模型应用到锂电池SOC预测，可以有效预测锂电池SOC，但计算量较大；文献[Chiang 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波神经网络算法的锂电池SOC预测方法，其特征在于，其步骤如下：S1：从数据库中读取锂电池荷电状态的影响因素数据，其影响因素包括端电压、电流和内阻，并对影响因素数据进行预处理，得到输入变量，并将锂电池荷电状态作为输出变量；S2：构建小波神经网络的拓扑结构，并初始化权值及阈值；S3：利用输入变量和输出变量对小波神经网络进行训练，得到基于小波神经网络算法的锂电池荷电状态预测模型；S4：将数据库中归一化的测试样本数据输入到基于小波神经网络算法的锂电池荷电状态预测模型进行预测，并对预测得到的荷电状态进行准确性估计。2.根据权利要求1所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述对影响因素数据进行预处理的方法为：判断影响因素数据是否缺失或者异常，若部分数据缺失或者异常，则对该部分数据进行剔除；否则，则将读入影响因素数据及锂电池荷电状态数据进行归一化处理，将影响因素数据作为输入变量，将锂电池荷电状态作为输出变量。3.根据权利要求1所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述小波神经网络的拓扑结构的构建方法为：构建了包含输入层、隐含层和输出层的小波神经网络；S21、隐含层的激活函数Morlet函数表示为：其中，h
j
为小波基函数；x
j
＝[x
1j
,x
2j
...

【专利技术属性】
技术研发人员：邱岸兵，朱小浩，李军，庄永忠，宋树平，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：