【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、为达到上述技术目的，本专利技术采取了以下技术方案：
3、第一方面、本专利技术提供一种电池荷电状态预测方法，包括如下步骤：
4、获取样本数据，对所述样本数据进行归一化处理；
5、初始化rbf神经网络结构的参数，通过所述参数生成粒子群后，对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理，其中所述rbf神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、
6、构建rbf神经网络模型，其中，所述rbf神经网络模型的输入层至少包括电池的电压、温度以及充放电电流，所述rbf神经网络模型的输出层至少包括电池soc，采用高斯函数作为径向基函数；
7、采用粒子群算法对所述rbf神经网络模型的参数进行优化，其中，所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应；
8、利用优化后的rbf神经网络模型对归一化处理后的所述样本数据进行预测，以获得电池soc预测结果。
9、在其中一些实施例中，所述径向基函数的计算式为：
10、
11、其中，φi为径向基函数，σi为高斯函数的方差，x为输入向量的特征维数，h为隐含层神经元个数，ci为第i个隐含层神经元径向基函数的中心，i为常数。
12、在其中一些实施例中，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：
13、步骤1、获得rbf网络的输入输出值后，根据适应度函数确定粒子群的适应度值；
14、步骤2、基于所述粒子群的适应度值，确定粒子群的个体最优和种群最优；
15、步骤3、更新种群中粒子的位置和速度，以构建新的粒子群，其中，引入惯性权重因子，以改进粒子群算法的收敛速度和计算精度；
16、步骤4、重复步骤1至步骤3，直至获得一组稳定不变的最优解或达到网络初始设定的最大迭代次数时，停止迭代，以获得最优解。
17、在其中一些实施例中，所述rbf网络的输入输出值的计算式为：
18、
19、
20、其中，φi(xi,ci)为隐含层的输出，xi为rbf网络输入，ci为第i个隐含层神经元径向基函数的中心，σi为高斯函数的方差，f(xi)为输出层，hij为隐含层神经元，ωij为连接隐含层和输出层的权值，g为green矩阵。
21、在其中一些实施例中，所述适应度函数的计算式为：
22、
23、其中，fitness为适应度函数，n为数据样本个数，d为输出神经元个数，yij为第i个样本的第j个分量的输出值，tij为第i个样本的第j个分量的期望输出值。
24、在其中一些实施例中，所述更新种群中粒子的位置和速度的计算式为：
25、
26、
27、其中，为第i个粒子的当前位置，为第i个粒子的当前速度，ω为粒子群算法的搜索步长，是第i个粒子搜索到的最优位置，是整个粒子群搜索到的最优位置，rand()为服从[0,1]上的均匀分布的随机数，c1、c2为学习因子，k为迭代次数，d为目标搜索空间的维数。
28、在其中一些实施例中，所述粒子群算法的搜索步长计算式为：
29、ω(k)＝1.1-λω(k-1)(0<ω(k)≤1)，
30、λ＝sign[α(k)-α(k-1)]，
31、
32、f(xi(k))＝f(xi,1(k),xi,2(k),...,xi,d(k))，
33、
34、其中，ω(k)为粒子群算法的搜索步长，λ为步长的二进制，f(xi(k))是第i个粒子在第k次迭代时对应的函数值，f(xmin(k))是最优粒子在第k次迭代时对应的函数值，α(k)用来判断目标函数的平整度，k为迭代次数，d为目标搜索空间的维数，xi为粒子种群，m为种群中粒子个数。
35、第二方面、本专利技术还提供一种电池荷电状态预测装置，包括：
36、样本数据处理模块，用于获取样本数据，对所述样本数据进行归一化处理；
37、初始化模块，用于初始化rbf神经网络结构的参数，通过所述参数生成粒子群后，对所述粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理，其中所述rbf神经网络结构的参数至少包括连接隐含层和输出层的权值、径向基函数的中心、高斯函数的方差；
38、rbf神经网络模型构建模块，用于构建rbf神经网络模型，其中，所述rbf神经网络模型的输入层至少包括电池的电压、温度以及充放电电流，所述rbf神经网络模型的输出层至少包括电池soc，采用高斯函数作为径向基函数；
39、粒子群算法优化模块，用于采用粒子群算法对所述rbf神经网络模型的参数进行优化，其中，所述参数与所述粒子群的种群规模、粒子的位置、粒子的速度对应；
40、预测结果获得模块，用于利用优化后的rbf神经网络模型对归一化处理后的所述样本数据进行预测，以获得电池soc预测结果。
41、第三方面、本专利技术还提供一种电子设备，包括：处理器和存储器；
42、所述存储器上存储有可被所述处理器执行的计算机可读程序；
43、所述处理器执行所述计算机可读程序时实现如上所述的电池荷电状态预测方法中的步骤。
44、第四方面、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的电池荷电状态预测方法中的步骤。
45、现有技术相比，本专利技术提供的电池荷电状态预测方法、装置、电子设备及存储介质，首先，获取样本数据，对样本数据进行归一化处理；初始化rbf神经网络结构的参数，通过所述参数生成粒子群后，对粒子群的种群规模、粒子的位置、粒子的速度进行初始化处理，其中rbf神经网络结构的参数至少包括连接隐含本文档来自技高网...
【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，其特征在于，所述更新种群中粒子的位置和速度的计算式为：
7.根据权利要求6所述的电池荷电状态预测方法，其特征在于，所述粒子群算法的搜索步长计算式为：
8.一种电池荷电状态预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器和存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处
...【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。