[发明专利]一种基于深度信念网络的动力电池SOC预测方法

权利要求书

1.一种基于深度信念网络的动力电池SOC预测方法，其特征在于，所述动力电池用于混合动力汽车中，所述预测方法包括：

提供所述动力电池特征参数的实验室恒流放电数据集；

采集所述动力电池特征参数的实际工况数据；

使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及

将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。

2.根据权利要求1所述的预测方法，其特征在于，所述特征参数包括所述动力电池的端电压、工作电流、平均温度和电压极差。

3.根据权利要求1所述的预测方法，其特征在于，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，包括：

设置DBN模型的初始参数，包括RBM层数、每层的节点数、最大迭代次数以及学习率；

基于对比散度算法，训练第一层RBM；

将所述第一层RBM的输出值作为第二层RBM的输入数据，利用对比散度算法训练所述第二层RBM；

依次训练，直至所有RBM训练完毕；

其中，所述第一层RBM的输入数据为随机选取的初始值。

4.根据权利要求1所述的预测方法，其特征在于，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，还包括：

在所述DBN模型的最顶层加上反向传播神经网络，接收最后一层RBM的输出值作为所述反向传播神经网络的输入数据，有监督地训练分类器；

反向传播神经网络将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。

5.根据权利要求4所述的预测方法，其特征在于，所述反向传播神经网络使用线性函数Sigmoid函数作为传递函数。

6.根据权利要求1所述的预测方法，其特征在于，所述使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型的步骤，还包括：

选用平均绝对百分比误差衡量预测结果；

将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为DBN模型的训练数据，所述两部分中较小的部分作为DBN模型的测试数据；

利用所述训练数据训练所述DBN模型，得到训练后的DBN模型；

利用所述测试数据测试所述训练后的DBN模型，判断所述训练后的DBN模型性能是否符合要求；

其中，当所述平均绝对百分比误差小于0.05％时，认为所述训练后的DBN模型的精度和稳健性符合要求；若所述训练后的DBN模型性能不符合要求，则重新调整所述DBN模型的初始参数，再次训练，直至符合要求。

7.根据权利要求1所述的预测方法，其特征在于，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：

提供所述动力电池特征参数的实验室恒流放电原始数据；

对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。

8.根据权利要求1所述的预测方法，其特征在于，还包括对所述实验室恒流放电数据集和所述实际工况数据集进行归一化处理。

9.根据权利要求1～8任意一项所述的预测方法，其特征在于，还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。

10.根据权利要求1～8任意一项所述的预测方法，其特征在于，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。