【技术实现步骤摘要】
本申请涉及计算机技术，能够应用于数据分析，特别是指锂离子电池的soc(stateof charge，即荷电状态)预测方法。
技术介绍
1、在当代社会中电力无疑是不可或缺的，而越来越多的电子设备采用锂离子电池。锂离子电池因其高能量密度和长寿命等优点受到广泛应用。然而，准确预测电池的soc(state of charge，即荷电状态)是电池管理系统中的一个关键挑战。传统的soc预测方法往往存在精度不高、响应速度慢等问题。
技术实现思路
1、为了解决现有技术中传统soc预测方法精度差的问题，本申请提供了一种锂离子电池的荷电状态预测方法，相比较传统的soc预测方法能够提高预测精度。
2、为了达到上述目的，本申请实施例提出了一种锂离子电池的荷电状态预测方法，包括：
3、步骤101、构建四层模糊神经网络，其中所述四层模糊神经网络包括：输入层、隶属函数层、规则层、输出层；
4、其中输入层用于将输入向量zδ传递到隶属函数层；其中，δ＝1，2..m表示输入层的输入向量，m代表输入层输入向量个数；其中所述输入向量为所属锂离子电池的参数；
5、其中所述隶属函数层为以输入向量zδ作为参数的高斯函数：
6、
7、其中，u代表隶属函数层高斯函数，j代表隶属函数层的第j个神经元，表示隶属函数层中以第δ个输入向量为变量的第j个高斯函数；exp[.]是指数函数，和分别表示输入向量zδ的第j个高斯函数的节点的中心和宽度，j＝1,2,....β，β
8、其中所述规则层用于利用模糊推理机制，根据隶属函数层的输出，结合预设的规则库，计算得出规则层的输出；其中该规则层采用高斯函数作为隶属函数，以输入向量以及节点中心、宽度为基础，计算输入向量在各高斯函数节点上的隶属度；规则层运用模糊推理机制，输出为
9、
10、其中，s代表规则层输出，sk表示规则层的第k个神经元输出，k＝1,2,....,λ代表第k个神经元，λ代表神经元个数；表示基于第δ个输入向量的隶属函数层中第j个神经元和规则层中第k个神经元之间的权值；
11、其中所述输出层用于根据规则层的输出、输出层与规则层之间的权值，计算得出最终的soc预测值本层的神经元表示输出变量y：
12、
13、其中，wk是规则层第k个神经元和输出层之间的权值，λ表示规则层神经元个数；
14、输出层的神经元为：
15、y＝wts
16、其中，w＝(w1,w2,w3....wλ)t,t代表矩阵转置，s＝(s1,s2,s3....sλ)；
17、步骤102、初始化四层模糊神经网络参数，利用聚类方法初始化隶属函数层高斯函数节点中心和宽度，规则层和输出层之间权值wk的初始化可以选取[0，1]之间的数值作为权重；
18、步骤103、确定训练样本的输入向量x＝[x1,x2,....,xm]t，输出向量m是输入层的神经元个数，λ是输出层的神经元个数；
19、步骤104、计算输出层的均方根误差rms值
20、
21、步骤105、确定rms是否达到要求的预设精度；如果是则步骤结束；如果否则返回步骤103继续训练。
22、进一步的，所述输入向量包括以下的一个或多个：用于表征锂离子电池放电电压的向量、用于表征锂离子电池放电电流的向量、表征锂离子电池温度的向量。
23、进一步的，所述方法还包括：
24、修正规则层与输出层之前的权值，利用聚类方法初始化隶属函数的节点中心和宽度。
25、本申请的上述技术方案的有益效果如下：上述技术方案既可以适用于单个锂离子电池的soc预测，还适用于锂离子电池组的soc预测。由于该方法实现简单、预测精度高，因此具有广泛的工程应用前景。
本文档来自技高网...【技术保护点】
1.一种锂离子电池的荷电状态预测方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池的荷电状态预测方法，其特征在于，所述输入向量包括以下的一个或多个：用于表征锂离子电池放电电压的向量、用于表征锂离子电池放电电流的向量、表征锂离子电池温度的向量。
3.根据权利要求1所述的锂离子电池的荷电状态预测方法，其特征在于，所述方法还包括：
【技术特征摘要】
1.一种锂离子电池的荷电状态预测方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池的荷电状态预测方法，其特征在于，所述输入向量包括以下的一个或多个：用于表征锂...
【专利技术属性】
技术研发人员：徐金华，张东，喻宜，吕志来，蒋旭东，黄正博，吴迪，
申请(专利权)人：北京许继电气有限公司，
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。