CN108875158B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108875158B
CN108875158B CN201810544224.7A CN201810544224A CN108875158B CN 108875158 B CN108875158 B CN 108875158B CN 201810544224 A CN201810544224 A CN 201810544224A CN 108875158 B CN108875158 B CN 108875158B
Authority
CN
China
Prior art keywords
voltage
discharge time
data
neural network
discharge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810544224.7A
Other languages
English (en)
Other versions
CN108875158A (zh
Inventor
黄强豪
卢允子
何德峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810544224.7A priority Critical patent/CN108875158B/zh
Publication of CN108875158A publication Critical patent/CN108875158A/zh
Application granted granted Critical
Publication of CN108875158B publication Critical patent/CN108875158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

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。

Description

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
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。
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。
本发明的有益效果为：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。
具体实施方式
下面对本发明做进一步说明。
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。
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。
实例：给出同一生产批次电池出厂时以不同电流强度放电测试的完整放电曲线的采样数据，运用本发明所述方法，以及上述六个步骤，对以下问题进行解答即可明确具体实施的步骤。
用初等函数表示各放电曲线，并分别给出各放电曲线的平均相对误差；在新电池使用中，分别以30A、40A、50A、60A和70A电流强度放电，测得电压都为9.8伏时，电池的剩余放电时间分别是多少；建立以20A到100A之间任意恒定电流强度放电时的放电曲线的数学模型，并用MRE评估模型的精度。用表格和图形给出电流强度为55A时的放电曲线；还有同一电池在不同衰减状态下以同一电流强度从充满电，开始放电的记录数据。预测电池衰减状态3的剩余放电时间。
针对上述问题，依据前文已述六个步骤。我们可以有以下具体实施解答步骤。用较优的多项式函数分别对数据进行拟合，首先选取误差较小的阶数，然后使用MATLAB的polyfit函数拟合出在每个不同电流强度下的电池电压随放电时间变化的多项式函数表达式；然后，编程筛选出在低压段，电压差符合0.005V要求的231个样本点，利用MATLAB仿真预测，用基于MRE方法计算得出样本点的平均相对误差平均值，每种放电曲线的平均相对误差平均值在0.1％左右。最后，利用得出的多项式函数曲线和roots函数，得到9.8V和9V电压所预测的时间，再利用MRE方法对剩余时间预测结果的误差进行计算，得到误差平均值为0.664％。要建立适用于任意电流强度在任意时刻的放电时间，所给数据只有几个特殊的电流强度，因此利用这些数据来建立任意时刻的模型，就是要建立起任意时刻都能找到与已有数据的关系，我们采用了高斯函数的比例分配多项式系数，较好的解决了不能实现任意时刻的放电时间的计算，并且与现有数据完全拟合，预测性能较好。该模型的MRE评估误差大约，为之前所得值的评估误差的平均值，模型的精度较高。最后利用MATLAB电流55A时的数据，并画出其对应的图像。采用BP神经网络模型,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。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。所得曲线图可知，该模型拟合结果较为准确。

Claims (1)

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。
CN201810544224.7A 2018-05-31 2018-05-31 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 Active CN108875158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810544224.7A CN108875158B (zh) 2018-05-31 2018-05-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810544224.7A CN108875158B (zh) 2018-05-31 2018-05-31 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

Publications (2)

Publication Number Publication Date
CN108875158A CN108875158A (zh) 2018-11-23
CN108875158B true CN108875158B (zh) 2022-12-06

Family

ID=64335968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810544224.7A Active CN108875158B (zh) 2018-05-31 2018-05-31 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

Country Status (1)

Country Link
CN (1) CN108875158B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007239B (zh) * 2019-04-24 2021-01-19 中富通集团股份有限公司 一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统
CN110242589B (zh) * 2019-06-25 2020-07-31 江苏大学 一种离心泵性能曲线拟合修正方法
CN110795889A (zh) * 2019-09-17 2020-02-14 张磊 基于深度学习对风力发电系统进行仿真的仿真确认方法
CN111025969B (zh) * 2019-12-05 2021-04-27 浙江大学 一种基于信息融合的野生动物监测系统及方法
CN111046327B (zh) * 2019-12-18 2021-10-19 河海大学 适用于低频振荡与次同步振荡辨识的Prony分析方法
CN111487534A (zh) * 2020-04-20 2020-08-04 芜湖职业技术学院 一种蓄电池剩余放电时间的预测方法
CN113819932B (zh) * 2021-09-28 2023-05-02 北京卫星环境工程研究所 一种基于深度学习和数学拟合的布里渊频移提取方法
CN114646880A (zh) * 2022-04-13 2022-06-21 中国铁塔股份有限公司江西省分公司 一种铅酸电池智能诊断方法及系统
US12049398B1 (en) 2023-08-16 2024-07-30 Crown Equipment Corporation Materials handling and other vehicles with functional responses to runtime calculation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于Matlab的电池剩余放电时间的建模预测;高蕾等;《通讯世界》;20161225(第24期);全文 *
基于铅酸电池剩余放电时间预测的数学模型;陈卫忠;《苏州市职业大学学报》;20180315(第01期);第3.1节 *
电池剩余放电时间预测的研究;蒋剑军;《电器与能效管理技术》;20170415(第07期);全文 *
蓄电池剩余放电时间综合分析模型研究;李勃等;《煤炭技术》;20111210(第12期);摘要 *
铅酸电池剩余放电时间的预测模型;段璐灵;《广西教育学院学报》;20170410(第02期);全文 *
铅酸电池剩余放电时间预测模型与求解;彭亚发;《温州职业技术学院学报》;20171128(第04期);全文 *

Also Published As

Publication number Publication date
CN108875158A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108875158B (zh) 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
Motapon et al. A generic cycle life model for lithium-ion batteries based on fatigue theory and equivalent cycle counting
Chen et al. A convolutional neural network for estimation of lithium-ion battery state-of-health during constant current operation
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
CN107037373B (zh) 基于神经网络的蓄电池剩余电量预测方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN110568361A (zh) 一种动力电池健康状态的预测方法
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN109815995B (zh) 一种缺失观测值条件下锂电池剩余寿命预测方法
JP2023501995A (ja) バッテリー性能予測
CN113361692B (zh) 一种锂电池剩余寿命结合预测方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
Lamprecht et al. Random forest regression of charge balancing data: A state of health estimation method for electric vehicle batteries
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
CN114545279A (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
Youssef et al. Design and simulation of an accurate neural network state-of-charge estimator for lithium ion battery pack
KR102575963B1 (ko) 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법 및 그 제어장치
CN110927584B (zh) 一种基于神经网络的电池寿命延长预测方法
CN112327169A (zh) 一种锂电池剩余寿命预测方法
Shin Design of Backpropagation Neural Network for Aging Estimation of Electric Battery.
Li et al. State of health estimation of lithium-ion batteries under variable load profile
Wang et al. Remaining useful life prediction of capacitor based on genetic algorithm and particle filter
CN114624602A (zh) 一种储能电池系统并联支路电流估计值矫正方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant