[发明专利]一种基于多项式函数拟合和BP神经网络的电池放电时间预测方法

权利要求书

1.一种基于多项式函数拟合和BP神经网络的电池放电时间预测方法，其特征在于，所述预测方法包括以下步骤：

1)采集用于针对于电池放电时间实际问题的实际数据，所述实际数据包括电压；

2)对数据进行预处理；

3)对处理后的数据进行多项式拟合；

4)计算平均相对误差MRE来获取仿真效果最好的MATLAB曲线；

5)建立放电时间模型并评估模型精度；

6)用BP神经网络对放电时间进行预测；

所述步骤2)中，阀控式铅酸蓄电池在放电过程中有一个特殊的电化学现象，充满电的蓄电池在放电初期，会出现一个很短暂的电压突然下降，但是电压马上又会上升，把这么一个电压快速下降又上升的过程描述为“电压陡降复升”阶段，将电压短暂下降的最低点称为“槽底电压”，上升的最高点称为“恢复电压”，将恢复电压前的点舍去，完成对数据的筛选；

所述步骤3)中，运用MATLAB中的“polyfit”函数对各电流强度下的电压与时间的数据进行多项式函数拟合，得到以放电时间作为自变量，电压为因变量的各放电曲线的初等函数表达式用MATLAB编程从中筛选出电压差值小于或等于0.005V的电压点，从低电压段依次选出各个电流强度下的电压样本点，采用roots函数求出对应电压的时间；

所述步骤4)中，将函数拟合放电时间与数据样本放电时间做差，取绝对值得绝对误差与数据样本放电时间作比得相对误差；

所述步骤5)中，若要求的电流曲线越靠近已知的一条曲线，则该电流曲线与已知电流曲线的相似度越高，将该相似度作为权值，则权值与所有已知电流曲线的系数向量积的和就是所求曲线的系数向量；并对已知曲线进行MRE评估；

所述步骤6)中，采用神经网络模型对数据进行拟合，将电压、新电池状态、衰减状态1、衰减状态2作为自变量，因变量为衰减状态3，所述衰减状态是值处于电池放电电流开始随放电时间衰减的过程中的任一时刻对应的电流值，衰减状态1为从放电电流开始衰减到t1时的放电电流大小；衰减状态2为从放电电流开始衰减到t2时的放电电流大小；衰减状态3为模型需要预测在未来t3时刻的放电电流大小；在神经网络的训练中，将已有的状态3的对应数据作为训练样本，以此来训练神经网络，得出所缺失的数据；最后以电压为自变量，衰减状态3为因变量进行多项式拟合；使用BP神经网络模型预测电池衰落的剩余放电时间；使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；使用了tan函数作为激活函数，观察它们的MSE结果。