[发明专利]一种基于长短时记忆网络的电池SOC预测方法

权利要求书

1.一种基于长短时记忆网络的电池SOC预测方法，其特征在于，按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载NASA的电池数据集，根据电压、电流、温度以及时间组织从数据到SOC的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中进行电池SOC预测。

2.如权利要求1所述的方法，其特征在于，改造后的长短时记忆网络的结构中，在构建模型完成之后，使用反向传播算法用来更新公式中的权重W_*；所述公式如下：

f_t＝σ(W_ft·x_t+W_fh·h_t-1+W_fc·C_t-1+b_f)

i_t＝σ(W_it·x_t+W_ih·h_t-1+W_ic·C_t-1+b_i)

o_t＝σ(W_ot·x_t+W_oh·h_t-1+W_oc·C_t-1+b_o)

其中，W_**代表模型的权重，b_*代表偏置的权重,W_**·中的黑点代表矩阵和向量的乘法，*代表向量对应元素的乘积，x_t表示当前步骤的输入，h_t-1表示上一步骤的隐含状态，C_t-1表示上一步骤的细胞状态，i_t表示输入门，o_t表示输出门，f_t表示遗忘门；

通过权重更新过程，学习到SOC预测的真实输出和输入数据之间的非线性关系，在权重确定之后，输入测试数据，获得测试电池的SOC预测结果。

3.如权利要求1或2所述的方法，其特征在于，构建三层的径向基神经网络具体步骤如下：首先，构建电池的外部特性参数到SOC结果的对应关系，随后对数据进行归一化操作，最后通过确定滑窗的宽度来决定长短时记忆网络当中的时间长度。

4.如权利要求1或2所述的方法，其特征在于，所述长短时记忆网络的输出代表指的是最终输出的SOC预测结果，输入层代表电池的寿命预测相关数据参数，在组织数据输入的过程中，将多个时刻的SOC预测结果拼接在一起当作长短时记忆网络的一个样本输入；电池外部参数组成一个维度为n的向量x，考虑时间窗口K，则整体输入一个模型的样本数是K×n，计算过程是K个x分开用，时间窗内的每一个输入用x_t表示。

5.如权利要求4所述的方法，其特征在于，在预测当前时刻SOC的时候，综合考虑之前时刻的电池外部特性参数，预测当前时间T的SOC时，考虑时刻T-(K-1)到T的电池外部特性参数。