[发明专利]一种储能电池的剩余电量预测校准方法

说明书

本发明公开了一种储能电池的剩余电量预测校准方法，包括以下步骤：S1.采集储能电池的多组状态数据；S2.构建神经网络预测模型，并训练得到成熟的神经网络预测模型；S3.获得标准温度下的剩余电量预测值；S4.得到N个不同温度的剩余电量预测值；S5.生成温度比值表，对N个不同温度及其对应的比值进行保存；S6.在储能电池剩余电量未知时，对其剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。本发明考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。

技术领域

本发明涉及储能电池，特别是涉及一种储能电池的剩余电量预测校准方法。

背景技术

储能电池的剩余电量SOC(State Of Charge，荷电状态)是整个电池系统的核心参数，确定电池剩余电量可以实现对电池组合理的使用，防止电池组过充电和过放电，降低电池故障发生概率，提高电池组使用寿命，延长电池续航能力具有重要的作用；

一般而言，储能电池的剩余电量虽然可以直接测试，但是储能电池分布式的应用于各个领域，如新能源汽车、通信基站等，在每个应用场景均利用专业的测试设备进行测试，是很难实现的，因此，一般情况下是通过对储能电池进行参数的采集后，根据采集到的数据进行估算，但是，在进行储能电池参数采集时，由于温度的影响，会导致采集到的参数误差较大，从而使得预测出的剩余电量与实际电量存在较大误差，不利于储能电池的准确估算。

发明内容

本发明的目的在于克服现有技术的不足，提供一种储能电池的剩余电量预测校准方法，考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。

本发明的目的是通过以下技术方案来实现的：一种储能电池的剩余电量预测校准方法，包括以下步骤：

S1.采集储能电池的多组状态数据，每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力；

S2.构建神经网络预测模型，利用采集得到的数据对神经网络预测模型进行训练，得到成熟的神经网络预测模型；

S3.设定标准温度T，将储能电池设置于一密闭的测试空间内，并将测试空间内的温度调节为测试温度，然后采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到标准温度下的剩余电量预测值；

S4.调节测试控制内的温度值，并使得储能电池的实际剩余电量与标准温度测试时一致，在N个不同的温度下，采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到N个不同温度的剩余电量预测值，其中N为偶数；

S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算，得到N个不同温度下的比值，并生成温度比值表，对N个不同温度及其对应的比值进行保存；

S6.在储能电池剩余电量未知时，测试该储能电池的电流、电压和该储能电池的表面压力，并测试该储能电池所在环境的温度，将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中，得到剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。

本发明的有益效果是：本发明通过采集储能电池的多组状态数据，进行神经网络模型的构建和训练，并基于训练得到的神经网络进行储能电池剩余电量的预测，并且考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种储能电池的剩余电量预测校准方法，包括以下步骤：