[发明专利]基于K均值聚类与Elman神经网络的锂电池容量在线预测方法

权利要求书

1.一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于：利用K均值聚类算法对实验获取的锂电池实际容量预测数据模型做聚类分析，引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值，离线构建预测系统，实现精确地在线预测锂电池的实际容量；

所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，包括以下步骤：

步骤1、通过实验构建锂电池实际容量预测数据模型，转入步骤2；

步骤2：对矩阵T₁做K均值聚类，构建Elman神经网络训练集，转入步骤3；

步骤3、使用模拟退火遗传算法优化Elman神经网络：

建立Elman神经网络的拓扑结构，使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值，转入步骤4；

步骤4、训练Elman神经网络，离线构建锂电池实际容量预测系统，具体如下：

4-1)将步骤2中构建Elman神经网络训练集中的输入训练集，分别进行归一化处理后，输入相应的k个Elman神经网络；

4-2)将步骤2中构建Elman神经网络训练集中的输出训练集，分别归一化处理后，作为相应的第l个Elman神经网络的输出；

4-3)将步骤3中得到的最优初始连接权值和阈值赋给每个Elman神经网络，利用对应的各个训练集训练相应的Elman神经网络；

4-4)将K均值聚类分析与训练好的Elman神经网络相结合，结合方式为：若输入的待测电池的放电时间被划分至第l簇，则将待测锂电池的放电时间序列归一化后，输入第l个Elman神经网络，以确定待测锂电池的实际容量，转入步骤5；

步骤5、在线实现锂电池实际容量预测。

2.根据权利要求1所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于，步骤1中通过实验构建锂电池实际容量预测数据模型，具体如下：

1-1)确定待测锂电池型号，并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验，实验过程为：

以充电电流I₁恒流充电，直至锂电池电压达到预设值U₁，保持电压U₁不变，在恒压模式下继续充电，直至充电电流I₁下降至预设值I₂；接着以放电电流I₃恒流放电，直至电压下降至预设值U₂；

按上述过程对锂电池循环充电、放电，直至锂电池SOH下降至其预设值停止实验，实验中电流I₁，I₂，I₃，电压U₁，U₂和SOH均为常数，根据锂电池实际工作环境不同而选取不同值，锂电池完成一次充电与一次放电的过程记为一次循环；

1-2)每次循环从锂电池开始放电的时刻计时，统计每次循环中锂电池放电过程的端电压分别为V₁，V₂，…，V_n，这n个电压值对应的时刻，相应的端电压记为向量V＝[V₁，V₂，…，V_n]，向量V中各元素所对应的时间点依次排列组成的时间序列记为u＝[t₁，t₂，…，t_n]，称该时间序列为锂电池放电时间序列，其中V_n-1≥V_n且V_n-1-V_n＝常数，将N次循环记录的N个锂电池放电时间序列合并，记为矩阵T₁：

式中：N为实验停止时锂电池循环充放电的次数；

1-3)记录每次循环结束后锂电池的实际容量，记为向量C₁：

C₁＝[c₁ c₂ … c_N]

转入步骤2。