[发明专利]一种储能电池的剩余电量预测校准方法

权利要求书

1.一种储能电池的剩余电量预测校准方法，其特征在于：包括以下步骤：

S1.采集储能电池的多组状态数据，每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力；

S2.构建神经网络预测模型，利用采集得到的数据对神经网络预测模型进行训练，得到成熟的神经网络预测模型；

S3.设定标准温度T，将储能电池设置于一密闭的测试空间内，并将测试空间内的温度调节为测试温度，然后采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到标准温度下的剩余电量预测值；

S4.调节测试控制内的温度值，并使得储能电池的实际剩余电量与标准温度测试时一致，在N个不同的温度下，采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到N个不同温度的剩余电量预测值，其中N为偶数；

S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算，得到N个不同温度下的比值，并生成温度比值表，对N个不同温度及其对应的比值进行保存；

S6.在储能电池剩余电量未知时，测试该储能电池的电流、电压和该储能电池的表面压力，并测试该储能电池所在环境的温度，将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中，得到剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。

2.根据权利要求1所述的一种储能电池的剩余电量预测校准方法，其特征在于：所述步骤S2中的神经网络预测模型为CNN神经网络模型、RNN神经网络模型或RBF神经网络模型中的一种。

3.根据权利要求2所述的一种储能电池的剩余电量预测校准方法，其特征在于：所述步骤S2包括：

S101.在利用任一组状态数据对神经网络预测模型进行训练时，以该组状态数据的电流、电量和储能电池的表面压力作为神经网络预测模型的输入，以该组数据的储能电池剩余电量作为神经网络预测模型的期望输出，以实现神经网络预测模型的训练；

S102.对于各组状态数据，重复执行步骤S101，当每组数据均训练结束后，将此时神经网络预测模型记为成熟的神经网络预测模型。

4. 根据权利要求1所述的一种储能电池的剩余电量预测校准方法，其特征在于：所述N个不同温度以温度T为中心均匀分布：设标准温度为T，给定温度间隔为t，则N个不同的温度分别为：T-Nt/2，…，T-2t，T-t，T+t，T+2t，…，T+ Nt/2。

5.根据权利要求1所述的一种储能电池的剩余电量预测校准方法，其特征在于：所述步骤S6中剩余电量的预测值校准方式如下：

从温度比值表的N个温度中，查找出与测得的环境温度相差最小的温度值作为校准温度；

从温度比值表中查找校准温度对应的比值，然后利用该比值对剩余电量的预测值进行校准：即将剩余电量的预测值乘以查找到的比值，作为校准后的剩余电量预测值。