[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

说明书

本发明公开了基于神经网络模型的电池电荷状态的预测方法及预测装置、计算机可读存储介质、计算机设备。该预测方法包括：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目标神经网络模型，目标神经网络模型输出电池的实时电荷状态数据。该预测方法从历史电荷状态数据中选取部分数据作为训练数据，能够充分挖掘历史数据信息，具有更高的灵活性与实用性，可以减少运算量，减少训练时间，可以减小模型误差，提高预测精度。

技术领域

本发明属于电池管理技术领域，具体地讲，涉及基于神经网络模型的电池电荷状态的预测方法及预测装置、计算机可读存储介质、计算机设备。

背景技术

基于电池组的储能系统是新能源发电产业的重要组成部分，能够减少可再生能源并网引起的频率波动，提高新能源利用率。锂电池具有能量密度大、功率性能优越、寿命长、低功耗以及污染少等优点，成为储能系统电池组件的首选。对电池剩余电荷状态(State ofCharge，简称SOC)的快速有效估计，是整个电池管理系统的关键部分。而电池的非线性特征和复杂的电化学特性，使得准确的电池SOC估计仍然面临很多问题。

现有的电池SOC估计方法较多，主要有基于测量的直接计算方法(电流积分法、开路电压法等)、机理模型方法(等效电路法、电化学模型法等)、基于数据驱动的方法(模糊逻辑、支持向量机等)。机理模型方法中，等效电路比较常用，但只适用于稳定的工作状态，电化学模型较为复杂，且无法考虑到实际工作中的其他因素影响。利用模糊逻辑方法进行SOC估计，能够考虑电池老化、环境温度、噪声以及其他多种因素，但需要大量的数据和长时间的训练以生成可靠的模糊准则。

因此，在避免采用复杂的电化学模型基础上，如何提供一种既能提高检测精度，又能避免长时间计算的电荷状态预测方法，是本领域技术人员急需解决的技术问题。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何提供一种既能提高检测精度，又能避免长时间计算的电荷状态预测方法。

(二)本发明所采用的技术方案

一种基于神经网络模型的电池电荷状态的预测方法，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。

优选地，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。

优选地，所述构建自回归模型的方法为：

构建离散非线性模型：