《基于神经网络的电池剩余电量预测算法研究》由会员分享，可在线阅读，更多相关《基于神经网络的电池剩余电量预测算法研究（41页珍藏版）》请在金锄头文库上搜索。
1、SJ005-1CHANGZHOU INSTITUTE OF TECHNOLOGY毕 业 设 计 说 明 书题目： 基于神经网络的电池剩余电量预测算法研究二级学院： 电子信息与电气工程学院 专 业： 自 动 化 班级： 10 自 二 学生姓名： 张 康 学号： 10020635 指导教师： 廉 春 原 职称： 讲 师 评阅教师： 职称： 2014 年 5 月常州工学院电子信息与电气工程学院毕业设计说明书摘要在蓄电池的使用过程中，及时了解蓄电池的剩余电量是非常重要的。但是传统蓄电池剩余电量估算方法有两个主要的缺点：一是不能在线测量，二是误差较大。由于电池剩余电量与各影响因素之间存在复杂的非线性关系
2、，故对其建立准确的数学模型是非常困难的。为了能够有效地对电池剩余电量进行预测，在分析了影响电池剩余电量相关因素的基础上，提出了基于神经网络的电池剩余电量预测模型，目的是充分利用该模型能够任意逼近任何多输入输出参数函数的性能。神经网络预测吸取了生物神经网络诸多优点，例如非线性、非局限性、非常定型、非凸性。通过固定电阻放电来得到蓄电池的剩余电量，相比于其他方法是最为可靠的。本文提出的固定电阻放电与神经网络预测剩余电量方法在蓄电池的正常工作过程中，周期性地切换到固定电阻放电状态，实时地根据该状态下的电池端电压值来估算电池剩余电量。实验结果证明，该方法相比传统的方法具有能够在线测量、精度高、无累积误差
3、等特点，因此具有很好的工程实用价值。关键词：蓄电池；剩余电量 ；神经网络；固定电阻放电AbstractIn the process of the use of the storage battery, timely understanding of battery remaining power is very important. But the traditional battery soc estimation method has two main shortcomings: one is not online measurement, the other is the error i
4、s bigger. And battery remaining power and there is a complex nonlinear relationship between various influencing factors, its is very difficult to establish accurate mathematical model, in order to effectively forecast the battery remaining power, the influence on the analysis of the battery residual
5、 capacity on the basis of the related factor, battery soc was proposed based on neural network prediction model, make full use of the model can be arbitrary close to any more than the performance of the input and output parameters of the function. Neural network prediction learned biological neural
6、network, a lot of advantage, such as nonlinearity, the limitations, and finalize the design, the convexity very much. Through constant resistance discharge to get battery remaining power, is the most reliable compared with other methods.In this paper, the constant resistance discharge and neural net
7、work prediction method in the process of the normal work of the battery soc, periodically to switch to fixed resistance discharge state, in real time according to the condition of battery terminal voltage value to estimate the battery remaining power. The experimental results show that this method i
8、s compared with the traditional method is able to online measurement, high precision and no cumulative error, therefore has the very good engineering practical value.Key words: storage battery; Remaining power; Neural network; Constant resistance discharge.常州工学院电子信息与电气工程学院毕业设计说明书目录摘要Abstract第 1 章 绪论
9、.11.1 课题简介.1 1.2 国内外电池剩余容量研究现状.1 1.2.1 剩余容量预测的相关发展.1 1.2.2 人工智能方法在剩余容量上的应用.2 1.3 课题研究目的及主要内容.2 1.4 本章小结.3第 2 章 常用的剩余容量测量方法及影响因素.4 2.1 安时法.4 2.2 放电实验法.4 2.3 电解液测量法.4 2.4 开路电压法.4 2.5 交流阻抗法.5 2.6 影响剩余容量测量的因素.5 2.7 本章小结.6第 3 章 选用固定电阻放电测量电池剩余电量.7 3.1 实验设备.7 3.2 固定电阻的放电特性曲线.7 3.3 由工作状态切换到固定电阻放电存在的问题.9 3.4
10、 本章小结.9第 4 章 基于神经网络的固定电阻放电电压预测算法.10 4.1.神经网络算法的选用.10 4.2 BP神经网络算法.11 4.2.1 BP网络的主要能力.12 4.2.2 BP神经网络训练算法与传递函数.12 4.2.3 BP网络模型结构.13 4.3神经网络模型.16 4.3.1本文选用的三层神经网络模型.16 4.3.2梯度下降法进行权值训练.17 4.3.3学习速率的选择. .19 4.4 本章小结.19第 5 章 放电电压转化与实验分析.21 5.1 固定电阻放电电压转化为剩余电量.21 5.2 选取实验测试数据.22 5.3 神经网络训练.24 5.4 预测值与实际值对比及分析.24 5.5 本章小结.27第 6 章 论文总结.27 6.1 评价.27 6.1.1 研究电池剩余电量的原因.27 6.1.2 本文选用方法的总结.27 6.2 展望.28致谢.
