【技术实现步骤摘要】
本申请涉及电池，具体涉及一种电池荷电状态预测方法、电子设备及计算机可读存储介质。
技术介绍
1、电池的荷电状态(state of charge，soc)的准确预测是电池健康管理的基础，因此，建立精确的电池的soc预测模型一直是国内外研究热点，常见的方法包括安时积分法、开路电压法、优化卡尔曼滤波法、时序神经网络法等。
2、然而，由于受到实际环境下的噪声等影响，上述方法要么是结构简单，但预测精度低，泛化能力差，要么是预测精度高，泛化能力强，但结构复杂，无法满足实时预测电池soc的要求。
3、前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
技术实现思路
1、针对上述技术问题，本申请提供一种电池荷电状态预测方法、电子设备及计算机可读存储介质，能够实现实时预测电池的荷电状态，且预测精度高。
2、本申请提供一种电池荷电状态预测方法，包括：
3、步骤s1、获取待测电池的当前运行参数，运行参数包括端电压、端放电电流和端电压变化率；
4、...
【技术保护点】
1.一种电池荷电状态预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤S1之前，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，广义回归神经网络包括输入层、模式层、求和层和输出层；输入层的神经元个数等于训练样本的输入向量的维数，模式层的神经元个数等于训练样本数量，求和层的神经元个数等于训练样本的输入向量的维数加1，输出层的神经元个数等于训练样本的输出向量的维数。
4.如权利要求2所述的方法，其特征在于，所述步骤S30，包括：
5.如权利要求4所述的方法，其特征在于，所述步骤S
【技术特征摘要】
1.一种电池荷电状态预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤s1之前，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，广义回归神经网络包括输入层、模式层、求和层和输出层；输入层的神经元个数等于训练样本的输入向量的维数，模式层的神经元个数等于训练样本数量，求和层的神经元个数等于训练样本的输入向量的维数加1，输出层的神经元个数等于训练样本的输出向量的维数。
4.如权利要求2所述的方法，其特征在于，所述步骤s30，包括：
5.如权利要求4所述的方法，其特征在于，所述步骤s305，包括：
6.如权利要求5所述的方法，其特征在于，所述步骤...
【专利技术属性】
技术研发人员：于天剑，徐海铭，毕福亮，向超群，成庶，伍珣，
申请(专利权)人：中南大学，
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。