[发明专利]一种基于循环神经网络的锂离子电池SOC预测方法

权利要求书

1.一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：该方法包含如下步骤：

S1：对锂离子电池进行多次循环充放电试验，采集每次循环过程中每个时刻的锂离子电池运行过程的特征参数，并计算每时刻锂离子电池的荷电状态(State Of Charge SOC)；

S2：将电池的外部特性参数作为长短时记忆模型(Long Short-Term Memory LSTM)网络结构的输入，并将锂离子电池的SOC作为网络结构的输出；

S3：对采集的输入数据进行预处理，删除冗余数据，并对输入数据做归一化处理；

S4：利用滑动窗口算法将多元时间序列问题转化为监督学习问题，将电池的充放电状态作为输入的标签量，建立输入数据序列；

S5：根据输入输出特性建立全连接的LSTM网络结构，确定隐含层节点数，将预处理过后的电池外部特性数据输入到初始化后的LSTM网络结构中，正向传递训练网络，并根据真实SOC值反向传播调整网络参数和偏差值，从而确定最终适用于预测准确SOC值的LSTM网络结构；

S6：将测试样本输入训练好的LSTM网络结构进行检验，计算预测误差。

2.根据权利要求1所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S1中所述特征参数包含电池电流I、电压V、内阻R、温度T、功率P以及电池容量Q。

3.根据权利要求2所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S3包含如下步骤：

S31：进行数据清洗，将数据的日期时间信息整合为一个时间日期；

S32：删除重复冗余数据，对于数据中出现的分散的NA值用0值标记；

S33：将数据转置成新的数据集，并进行归一化处理。

4.根据权利要求3所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：所述步骤S4中利用滑动窗口算法将多元时间序列问题转化为监督学习问题具体为，使用以前的时间序列为输入变量，并使用该序列的下一时间序列作为输出变量，重构数据使其转变为监督学习问题。