[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

说明书

本发明提出了一种基于小波神经网络算法的锂电池SOC预测方法，用以解决现有锂电池SOC预测精度较低的问题；其步骤为：首先，从数据库中读取锂电池荷电状态的影响因素数据，以影响因素数据作为输入变量，锂电池荷电状态作为输出变量；其次，构建小波神经网络的拓扑结构，并初始化权值及阈值；然后，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；最后，利用锂电池荷电状态预测模型对测试样本数据进行预测。本发明将小波神经网络算法应用到锂电池的SOC预测，建立锂电池SOC预测模型，该模型的预测误差更小，可以准确预测锂电池SOC，为锂电池SOC的判断提供依据。

技术领域

本发明涉及锂电池SOC预测技术领域，特别是指一种基于小波神经网络算法的锂电池SOC预测方法。

背景技术

锂电池由于其高能量密度和低自放电等优点已广泛应用于电力、交通等行业。实际中，由于环境温度变化、电池过度充放电等原因，电池容量不断下降，使用寿命远低于理论寿命。建立基于人工智能算法的锂电池SOC预测模型，不仅可以合理地对锂电池的充电进行管理，也会增加锂电池的使用年限。

目前，锂电池SOC预测研究已经取得一些成果。文献[Zhang M,Kang G,Wu L,etal.Amethod for capacity prediction of lithium-ion batteries under smallsample conditions[J].Energy,2022,238:122094.]建立了一种基于极限学习机的自适应小样本预测模型，将此模型应用到锂电池SOC预测，可以有效预测锂电池SOC，但计算量较大；文献[Chiang Y H,Sean W Y,Ke JC.Online estimation of internal resistanceand open-circuit voltage of lithium-ion batteries in electric vehicles[J].Journal of Power Sources,2011,196(8):3921-3932.]引入了一阶RC电路模型，使用卡尔曼滤波法检测电池容量，此方法使用最小方差估算，能够估算出电池的使用程度，但是建模复杂，设计成本高；文献[邝利丹,邓清勇,李哲涛.一种估算锂电池SOC的新型方法[J].计算机工程与应用,2013,49(06):249-252.]建立了一种基于GAAA(Genetic Algorithm AntAlgorithm)优化BP神经网络的锂电池SOC预测模型，通过数据分析得出最优解，此方法预测误差较小，但模型较为复杂，学习成本高；文献[陈赐阳,陈德旺.基于CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究[J].电源技术,2021,45(05):589-594.]使用卷积神经网络对长短期记忆神经网络算法进行改进，并用于预测锂电池SOC，提高了传统的长短期记忆神经网络算法的预测精度和泛化能力，但此方法需大量样本数据进行训练。

发明内容

针对现有锂电池SOC预测精度较低的问题，本发明将小波神经网络算法应用到锂电池的SOC预测，提出一种基于小波神经网络算法的锂电池SOC预测方法，明确以端电压、电流以及内阻为小波神经网络算法的输入变量，建立锂电池SOC预测模型，该模型的预测误差更小，可以准确预测锂电池SOC，为锂电池SOC的判断提供依据。

本发明的技术方案是这样实现的：

一种基于小波神经网络算法的锂电池SOC预测方法，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；