CN119493026A 电池soc预测的方法、系统、电子设备和存储介质 （哈尔滨理工大学）_第1页
CN119493026A 电池soc预测的方法、系统、电子设备和存储介质 （哈尔滨理工大学）_第2页
CN119493026A 电池soc预测的方法、系统、电子设备和存储介质 （哈尔滨理工大学）_第3页
CN119493026A 电池soc预测的方法、系统、电子设备和存储介质 （哈尔滨理工大学）_第4页
CN119493026A 电池soc预测的方法、系统、电子设备和存储介质 （哈尔滨理工大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

训练卷积神经网络CNN对所述时间频域特征进行电压；通过无迹卡尔曼滤波器UKF对所述预测电2获取待预测电池已使用时间段的电池数据，并对所述电池数据进行短时傅里叶变换通过已训练卷积神经网络CNN对所述时间频域特征进行处理，获取所述已使用时间段通过无迹卡尔曼滤波器UKF对所述预测电压进行处理，获取作为最终预测结果的预测2.如权利要求1所述的方法，其特征在于，所述3.如权利要求1所述的方法，其特征在于，所述预测SOC获取模块，用于通过无迹卡尔曼滤波器UKF对所述预3预测SOC获取单元，用于根据所述观测方程对所述中间数据进行更新，获取所述预测9.一种电子设备，包括存储器、处理器及存储在机程序被处理器执行时实现如权利要求1_5中任一项所述的电池SOC4[0002]水下航行器的锂离子电池状态SOC预测是电池管理系统中的一项关键技术，尤其[0003]传统的SOC预测方法如安时积分法和开路电压法虽然有一定应用基础，但在深海到电流测量误差和电池老化的影响，容易导致SOC预测的偏差。而开路电压法在实际应用变化对电池性能有显著影响，而现有的SOC预测方法往往未能充分应对这些环境变化。此[0009]通过已训练卷积神经网络CNN对所述时间频域特征进行处理，获取所述已使用时[0010]通过无迹卡尔曼滤波器UKF对所述预测电压进行处理，获取作为最终预测结果的[0011]在一个可能的实现方式中，所述通过已训练卷积神经网络CNN对所述时间频域特5[0014]在另一个可能的实现方式中，所述通过无迹卡尔曼滤波器UKF对所述预测电压进[0022]预测电压获取模块，用于通过已训练卷积神经网络CNN对所述时间频域特征进行机程序被处理器执行时实现如第一方面提供的电池SOC6[0044]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述7[0054]步骤S201，通过所述时间频域特征对预设的初始CNN进行训练，获取所述已训练[0055]步骤S202，通过所述已训练CNN对所述时间频域特征进行处理，获取所述预测电8为:9态预测的改进卡尔曼滤波器。UKF相较于传统卡尔曼滤波器的最大不同就在于使用无迹变系统状态的最优预测。首先UKF利用系统的动态模型和先前时刻的状态预测来预测当前时y[0105]y的均值和协方差P通过sigma点的非线性变换和加权系数的函数计y[0127]整个SOC预测过程如下，由UUV的前端电池管理系统(BMS)中的传感器采集电池端的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的电池SOC预测的算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的电池SOC预测的步骤或者其他步骤的子步骤或者阶段的至少一部分

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论