【技术实现步骤摘要】
本专利技术涉及新能源电池，具体涉及一种电池荷电状态预测方法、装置、电子设备及存储介质。
技术介绍
1、由于电池soc无法直接测量，并且电池本身具有高度非线性，因此很难精确地对其测量估算。现有的电池soc估算方法主要有：放电试验法、安时积分法、开路电压法、测量内阻法；放电试验法，使用该方法时电池必须是处于静态，不能实现实时在线测量；安氏积分法，累积误差过大，并且无法处理电池自放电情况；开路电压法，使用该方法时电池需要静置很长时间，因此也不能实现实时在线测量；测量内阻法，受电池状态以及测量环境影响太大，测量估算误差过大；卡尔曼滤波法，该方法很依赖于所建立的电池模型，模型建立的精确度对估算结果的影响也很大；其次就是卡尔曼滤波法在实现的时候计算量特别大，需要很长的时间，并且无法处理电池的高度非线性问题。
技术实现思路
1、本专利技术的目的在于克服上述技术不足，提供一种电池荷电状态预测方法、装置、电子设备及存储介质，解决现有技术中电池荷电状态预测精度不高的技术问题。
2、为达到上述技术目...
【技术保护点】
1.一种电池荷电状态预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电池荷电状态预测方法，其特征在于，所述径向基函数的计算式为：
3.根据权利要求1所述的电池荷电状态预测方法，其特征在于，所述采用粒子群算法对所述RBF神经网络模型的参数进行优化，包括：
4.根据权利要求3所述的电池荷电状态预测方法，其特征在于，所述RBF神经网络模型的输入输出值的计算式为：
5.根据权利要求3所述的电池荷电状态预测方法，其特征在于，所述适应度函数的计算式为：
6.根据权利要求3所述的电池荷电状态预测方法，其特征在...
【技术特征摘要】
1.一种电池荷电状态预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电池荷电状态预测方法，其特征在于，所述径向基函数的计算式为：
3.根据权利要求1所述的电池荷电状态预测方法，其特征在于，所述采用粒子群算法对所述rbf神经网络模型的参数进行优化，包括：
4.根据权利要求3所述的电池荷电状态预测方法，其特征在于，所述rbf神经网络模型的输入输出值的计算式为：
5.根据权利要求3所述的电池荷电状态预测方法，其特征在于，所述适应度函数的计算式为：
6.根据权利要求...
【专利技术属性】
技术研发人员：陈风，刘长来，夏诗忠，杨诗军，程威，
申请(专利权)人：骆驼能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。