[发明专利]一种基于小波神经网络算法的锂电池SOC预测方法

权利要求书

1.一种基于小波神经网络算法的锂电池SOC预测方法，其特征在于，其步骤如下：

S1：从数据库中读取锂电池荷电状态的影响因素数据，其影响因素包括端电压、电流和内阻，并对影响因素数据进行预处理，得到输入变量，并将锂电池荷电状态作为输出变量；

S2：构建小波神经网络的拓扑结构，并初始化权值及阈值；

S3：利用输入变量和输出变量对小波神经网络进行训练，得到基于小波神经网络算法的锂电池荷电状态预测模型；

S4：将数据库中归一化的测试样本数据输入到基于小波神经网络算法的锂电池荷电状态预测模型进行预测，并对预测得到的荷电状态进行准确性估计。

2.根据权利要求1所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述对影响因素数据进行预处理的方法为：判断影响因素数据是否缺失或者异常，若部分数据缺失或者异常，则对该部分数据进行剔除；否则，则将读入影响因素数据及锂电池荷电状态数据进行归一化处理，将影响因素数据作为输入变量，将锂电池荷电状态作为输出变量。

3.根据权利要求1所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述小波神经网络的拓扑结构的构建方法为：构建了包含输入层、隐含层和输出层的小波神经网络；

S21、隐含层的激活函数Morlet函数表示为：

其中，h_j为小波基函数；x_j＝[x_1j,x_2j,x_3j]为若干锂电池测点的数据序列；

S22、隐含层的输出公式为：

其中，w_ij表示连接输入层与隐含层之间的权值；H(j)为隐含层第j个节点的输出值；L表示输入层神经元的个数；a_j为平移因子，b_j为伸缩因子；

S23、小波神经网络输出层的输出值为：

其中，w_jk表示连接隐含层与输出层之间的权值；M表示输出层神经元的个数；

S24、确定网络拓扑中隐含层神经元个数：

其中，a为常数，N为隐含层神经元的个数。

4.根据权利要求3所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述对小波神经网络进行训练的方法包括：判断期望误差是否在设定范围内，如满足则小波神经网络模型收敛，训练停止，否则，对权值及阈值进行更新，直至满足为止。

5.根据权利要求1所述的基于小波神经网络算法的锂电池SOC预测方法，其特征在于，所述对预测得到的荷电状态进行准确性估计的方法为：

其中，y_i表示原始容量数据；y_i'表示预测容量数据；n表示预测样本数；MAE为平均绝对误差，MSE为均方误差，MSPE为均方百分比误差。