[发明专利]电池电荷状态的预测方法及预测装置、存储介质、设备

权利要求书

1.一种基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述预测方法包括：

获取电池的历史电荷状态数据；

利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；

利用所述训练数据对初始的神经网络模型进行训练；

对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；

将获取的电池的实时输入数据输进所述目标神经网络模型，所述目标神经网络模型输出电池的实时电荷状态数据。

2.根据权利要求1所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据的方法包括：

构建自回归模型；

向所述自回归模型输入所述历史电荷状态数据中的全部时刻的历史输出数据，接着按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量；

选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。

3.根据权利要求2所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述构建自回归模型的方法为：

构建离散非线性模型：

y(t)＝f(y(t-1),···,y(t-d_y),u(t-1),···,u(t-d_u))+E，其中y(t)表示t时刻的历史输出数据，表示t时刻的历史输入数据，d_y和d_u表示时间延迟；

将所述离散非线性模型转换为多项式非线性自回归模型：

其中ψ_i(x(t)),i＝1,···,M表示全部的候选子项，θ_i表示对应子项的系数，ε(t)表示模型剩余误差，x(t)表示t时刻的历史输入数据；

将所述多项式非线性自回归模型转换为自回归模型：

y＝ФΘ+E，其中，y＝[y(1),···,y(t)]^T，Ф＝[ψ₁,ψ₂,···,ψ_t]，ψ_i＝[ψ₁(x(t)),ψ₂(x(t))···,

ψ_N(x(t))]，Θ＝[θ₁,θ₂,···,θ_N]，E＝[ε₁(t),ε₂(t),···,ε_N(t)]。

4.根据权利要求3所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，当每个时刻历史输入数据和历史输出数据依次输入至所述自回归模型中时，每个时刻的历史输入数据所对应的模型误差变化量的计算公式为：

其中，R_k＝I-Ф_k(Ф_k^TФ_k)^-1Ф_k^T，表示递归矩阵，k＝1,···,M表示选择的子项个数，ΔE表示模型误差变化量，当k＝0时，R₀＝I。

5.根据权利要求4所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述预测方法还包括：

在按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量的同时，判断模型误差变化量小于预设值的历史输入数据的数量是否达到预定数量；

若是，则停止输入后续时刻的历史输入数据并停止计算对应时刻的模型误差变化量；

若否，则继续输入后续时刻的历史输入数据并计算对应时刻的模型误差变化量，直至模型误差变化量小于预设值的历史输入数据的数量达到预定数量。