【技术实现步骤摘要】
本专利技术涉及电动汽车动力电池领域，涉及一种动力电池的soc预测方法。
技术介绍
1、电池荷电状态(soc)是电池状态参数的核心，其量化了电池当前剩余的可用能量，它可以表示为当前时刻电池的剩余电池容量qt与电池的额定总容量q0的比值的百分比，但其无法直接通过测量得到，只能通过测量电流电压等参数间接计算进行估计。
2、另外，电池soc是一个瞬时性指标，其是连续可变的，且具有非线性的动态变化，准确的进行电池soc在线估计困难，同时电动汽车在运行时的其他因素也会导致电池soc的在线估计困难加大。
技术实现思路
1、本专利技术的目的是提供一种动力电池的soc预测方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于ceemdan-bwo-tcn模型的电动汽车动力电池soc预测方法，所述方法步骤如下。
3、首先通过车联网平台采集相关数据，并对数据进行处理与清洗，之后通过相关性分析选取几种与电池soc相关性高的特征作为输入，并对其进行归一化处理，其具体包括：
4、通过车联网平台采集相关数据，选取了与电池相关的可充电储能装置数据、整车数据、报警数据以及极值数据。
5、通过删除缺失值方法处理缺失值，通过直接剔除异常值处理异常值。
6、为了便于分析，对所有数据进行重采样处理，将原始数据采样频率压缩为1h一次，取每小时soc的均值作为采样点数据。
7、对车联网平台收集的电池数据进行相关性分析
8、对电池特征进行归一化处理，这里使用min-max归一化方法对电池特征进行归一化处理,其计算公式如下：
9、
10、
11、式中与分别为各类电池特征序列数据的最小值和最大值，为当前时间点的电池特征数值，为min-max归一化后的电池特征数值，为经过深 度学习算法输出的电池soc序列，为进行反归一化后的电池特征。
12、进一步的，白鲸优化算法(bwo)的主要内容包括：
13、bwo设定了一个平衡因子来切换勘探和开发模式,当时，算法为勘探阶段，而当时，算法则切换为开发阶段，其计算式如下：
14、
15、式中为一随机种子，其取值范围为(0,1)；为算法的最大迭代次数，随着迭代次数的增加，的取值范围将减小到(0,0.05)。
16、进一步的，通过的值，bwo算法勘探阶段的位置更新函数如下：
17、
18、
19、式中表示为第条白鲸在第个维度上的位置更新值;( j=1,2,3,... d)为总维度选取的随机维度个数；表示在随机维度上第条白鲸的位置；与为取值范围为(0,1)的随机种子；和则分别表示白鲸的游泳状态。
20、进一步的，在bwo算法的开发阶段，为了增强bwo算法的收敛效果而引入飞行策略，其表达式如下：
21、
22、式中为随机跳跃强度；和为取值范围为(0,1)的随机种子；为迭代过程中找到的最佳位置。
23、进一步的，飞行函数的计算如下：
24、
25、
26、式中是两个随机数，其呈现正态分布；是一个值为1.5的常数。
27、进一步的，设置了鲸落阶段，其概率被定义为，其计算如下：
28、
29、式中为最大迭代次数。
30、进一步的，bwo算法的鲸落阶段，利用白鲸坠落步长以及位置来进行位置更新，其数学模型如下：
31、
32、
33、式中，，为取值范围为(0,1)的随机种子；为白鲸位置更新的步长；为位置更新的步长因子；和分别为bwo算法寻优时的上\下边界。
34、进一步的，使用ceemdan方法将经过预处理后的电池soc序列分解为不同频率和振幅的12个本征模态函数子序列，子序列频率由高到低分布，呈降低趋势。
35、进一步的，构建了ceemdan-bwo-tcn组合预测模型，其具体包括：
36、首先进行电池数据处理并进行特征筛选，最后输入到tcn模型当中。
37、使用ceemdan方法将经过预处理后的电池soc序列分解为不同频率和振幅的多个本征模态函数最后输入到tcn模型当中。
38、利用bwo算法优化最后输入到tcn模型当中神经网络中的关键结构参数来得到最佳网络结构，将最优参数输入到tcn模型当中。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电动汽车动力电池SOC预测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的一种基于深度学习的电动汽车动力电池SOC预测方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的电动汽车动力电池SOC预测方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的电动汽车动力电池SOC预测方法，其特征在于，所述S3包括以下步骤：
5.根据权利要求1所述的一种基于深度学习的电动汽车动力电池SOC预测方法，其特征在于，所述S4包括以下步骤：
【技术特征摘要】
1.一种基于深度学习的电动汽车动力电池soc预测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的一种基于深度学习的电动汽车动力电池soc预测方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的电动汽车动力电池soc预...
【专利技术属性】
技术研发人员：曾建邦，黄豪，李骏，沈超群，段兴兵，胡亦非，覃清梅，李彬彬，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。