[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

说明书

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，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；2)对于数据进行预处理；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。本发明提出了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，运用多项式拟合与BP神经网络模拟出放电时间曲线，正确率较高、可信度较好。

技术领域

本发明涉及数据处理、误差消除领域。具体是指针对现实生活中电池使用时间预测提出的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。

背景技术

铅酸电池作为电源被广泛用于工业、军事、日常生活中。在铅酸电池以恒定电流强度放电过程中，电压随放电时间单调下降，直到额定的最低保护电压。电池在当前负荷下还能供电多长时间(即以当前电流强度放电到Um的剩余放电时间)是使用中必须回答的问题。电池通过较长时间使用或放置，充满电后的荷电状态会发生衰减。

针对电池剩余放电时间预测的问题，通过对数据进行综合分析，首先建立标准对数据进行预处理筛选排除异常点，再借助MATLAB软件，对数据进行多项式拟合处理，并用MRE方法对模型求解结果进行检验。对于预测，采用BP神经网络模型。主要运用：MATLAB，数据筛选，数据拟合，高斯分布，BP神经网络。

其中数据拟合又称曲线拟合，是一种把现有数据透过数学方法来代入一条数式的表示方式。科学和工程问题可以通过诸如采样、实验等方法获得若干离散的数据，根据这些数据，我们往往希望得到一个连续的函数(也就是曲线)或者更加密集的离散方程与已知数据相吻合，这过程就叫做拟合。

BP神经网络是指一种按照误差逆向传播算法训练的多层前馈神经网络，包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

发明内容

本发明的目的是针对上述实际工业生产中电池应用问题提供一种简单高效、误差低、仿真性能可靠、可以较为精准的预测电池放电时间的方法。

为了解决上述技术问题，本发明的技术方案如下：

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，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。

进一步，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。