[发明专利]一种锂电池单体电压差预测方法及装置

权利要求书

1.一种锂电池单体电压差预测方法，其特征在于：包括如下步骤：

S1、对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；

S2、用空值代替样本集中的异常值，并对所有空值进行数据填补；

S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式得到样本集中的第i类数据中数据x_i相对于第j个归一化区间的归一化值x′_i，其中，x_imin为第i类数据中最小值，x_imax为第i类数据中最大值，(a_j,b_j)为归一化区间；

S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。

2.根据权利要求1所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S3中拟定的多个归一化区间分别为：(0,1.5)、(0,1.0)、(0,0.75)、(0,0.5)、(0,0.25)、(0,0.15)和(0,0.1)。

3.根据权利要求1所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S2中，对空值进行数据填补包括：对于离散的空值，根据如下公式对该空值进行填补：其中，y为填补的值，x₁和x₂分别为该空值前后相邻的值；对于连续的空值，将空值及空值对应的其他类数据均删除。

4.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：根据如下公式计算PSO-BP神经网络隐藏层节点数p：p＝sqrt(m+n)+a，其中，m为PSO-BP神经网络输入层节点数量，n为PSO-BP神经网络输出层节点数量，a为调节常数，其取值范围为[1,10]。

5.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S1中，所述云端数据库的数据由电动汽车电池管理系统周期性地上传得到，对从云端数据库采集的数据进行可视化分析，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集。

6.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S4中，将各数据集的前70％划分为训练集，后30％划分为测试集。

7.一种锂电池单体电压差预测装置，其特征在于：包括：

样本集获取模块：用于对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；

数据填补模块：用于用空值代替样本集中的异常值，并对所有空值进行数据填补；

归一化模块：用于拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式得到样本集中的第i类数据中数据x_i相对于第j个归一化区间的归一化值x′_i，其中，x_imin为第i类数据中最小值，x_imax为第i类数据中最大值，(a_j,b_j)为归一化区间；

模型获取模块：样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。