CN105429230B - 基于人工神经网络算法的电池管理系统及方法 - Google Patents
基于人工神经网络算法的电池管理系统及方法 Download PDFInfo
- Publication number
- CN105429230B CN105429230B CN201510968220.8A CN201510968220A CN105429230B CN 105429230 B CN105429230 B CN 105429230B CN 201510968220 A CN201510968220 A CN 201510968220A CN 105429230 B CN105429230 B CN 105429230B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- layer
- battery
- hidden layer
- output
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 70
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 39
- 230000005611 electricity Effects 0.000 claims description 24
- 230000000052 comparative effect Effects 0.000 claims description 8
- 238000004321 preservation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 21
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
- H02J7/0014—Circuits for equalisation of charge between batteries
-
- H02J7/0021—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/0036—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits using connection detecting circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00304—Overcurrent protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于人工神经网络算法的电池管理系统及方法;基于人工神经网络算法的电池管理系统,包括程控转换与均衡电路、直流可编程电源、电子负载、温度检测电路、数字万用表和上位机;其特征在于:直流可编程电源、电子负载和数字万用表均由上位机进行远端编程控制;直流可编程电源、电子负载和数字万用表分别通过第一继电器、第二继电器和第三继电器与电池组连接;直流可编程电源用于对电池组进行充电,并检测充电电流输出到上位机;电子负载用于对电池组进行放电试验,检测电池组放电电流,输出到上位机;本发明利用人工神经网络算法,得到电池组电量与电池组动态参数的映射规则,实现精确监控电池组状态,可广泛应用于电池管理系统中。
Description
技术领域:
本发明涉及电池管理系统及方法,具体涉及基于人工神经网络算法的电池管理系统及方法。
技术背景:
电池管理系统(Battery Management System)是电池与用户之间的纽带,该系统主要应用对象为二次电池。电池管理系统(以下简称BMS系统)主要针对电池个体中存在的储能少、寿命短、使用完全性以及电池电量难以估算等问题提供全方位的解决方案,其目的是为了得到电池相关性能参数的实时精确数据并对其进行监控,达到提高电池利用率的目的。
BMS系统主要包括三个功能:首先是准确估测电池组的荷电状态(State ofCharge,以下简称SOC),即电池的剩余电量,保证SOC值维持在合理范围内,防止过充和过放对电池造成损伤。SOC值以剩余电量与完全充电状态电量的比值表示。其次是在电池的充放电过程中对电池组进行全参数(包括每块电池端电压、温度、电流、总电压等)动态监测,建立每一块电池以及电池组的历史档案;最后是利用均衡技术使电池组中的各电池都处于均衡一致的状态,从而达到电池利用率最大化的目的。其中能否准确对SOC进行估算决定了对电池动态参数的正确评估能力,该行为直接决定电池过充、过放、均衡性等重要指标的准确性,是BMS系统能否有效提高电池利用率的最重要因素。现阶段BMS系统的SOC值估算在实际应用中多通过电池端电压值标定电量值的方法进行估算,由于电池组的电量值并非与电池端电压值呈线性变化,因而使用电压标定法对电量估算存在较大误差(约-10%~+10%),从而无法通过该方法计算出精确的SOC值,很难满足准确估测电池参数的要求。
发明内容:
本发明所要解决的技术问题是提供基于人工神经网络算法的电池管理系统及方法。
为了解决上述问题,本发明的第一个技术方案是,基于人工神经网络算法的电池管理系统,包括程控转换与均衡电路、直流可编程电源、电子负载、温度检测电路、数字万用表和上位机;其特征在于:
直流可编程电源、电子负载和数字万用表均由上位机进行远端编程控制;直流可编程电源、电子负载和数字万用表分别通过第一继电器、第二继电器和第三继电器与电池组连接;
直流可编程电源用于对电池组进行充电,并检测充电电流输出到上位机;
电子负载用于对电池组进行放电试验,检测电池组放电电流,输出到上位机;
数字万用表用于采集电池组以及每个单体电池的电压值,输出到上位机;
温度检测电路用于采集电池组温度,通过程控转换与均衡电路进行处理后输出到上位机;
程控转换与均衡电路接收上位机输出的控制指令,控制第一继电器、第二继电器和第三继电器的通电状态,以对系统进行充放电切换控制和环路通断控制,并对电池组各电池单元进行电压均衡控制;同时,接收温度检测电路输出的温度数据,进行处理后输出到上位机;
上位机分别接收直流可编程电源、电子负载、数字万用表输出的电池组充电电流、放电电流、电池组电压值以及每个单体电池的电压值,还接收温度检测电路通过程控转换与均衡电路输出的电池组温度数据,通过人工神经网络算法,得到电池组电量与电池组动态参数的映射规则,并将该映射规则存入上位机中。
根据本发明所述的基于人工神经网络算法的电池管理系统的优选方案,所述程控转换与均衡电路包括微控制单元、电压均衡电路、第一升压电路、第二升压电路和第三升压电路;
第一升压电路连接在微控制单元与第一继电器之间,第二升压电路连接在微控制单元与第二继电器之间,第三升压电路连接在微控制单元与第三继电器之间,第一升压电路、第二升压电路、第三升压电路分别接收微控制单元输出的信号,进行升压电路转换,分别控制第一继电器、第二继电器和第三继电器的通断;
电压均衡电路接收微控制单元输出的信号,对电池组各单体电池进行电压均衡控制,对电压高的单体电池的充电电流进行旁路;
微控制单元接收上位机输出的控制指令,分别输出信号到电压均衡电路、第一升压电路、第二升压电路和第三升压电路;同时,接收温度检测电路输出的温度数据,进行处理后输出到上位机。
根据本发明所述的基于人工神经网络算法的电池管理系统的优选方案,该系统包括电池管理模块;
电池管理模块与上位机进行通信,上位机将电池组电量与电池组动态参数的映射规则写入电池管理模块的主控芯片内;电池管理模块对电池组的充电电流、放电电流、温度以及电压进行检测,利用映射规则计算出电池组当前电量与SOC值,并与电池管理模块的主控芯片内的预设值进行比较,输出信号到程控转换与均衡电路。
本发明的第二个技术方案是,基于人工神经网络算法的电池管理方法,其特征在于:包括如下步骤:
A、上位机进行人工神经网络算法学习,分别得到在充电状态下和放电状态下电池组电量与电池组动态参数的映射规则;
B、将充电状态下和放电状态下电池组电量与电池组动态参数的映射规则存入上位机的指定内存或者存入电池管理模块;
采集电池组动态参数,判断电池组处于充电状态或是放电状态,当为充电状态时,根据充电状态下电池组电量与电池组动态参数的映射规则实时计算电池组电量与SOC值,当为放电状态时,根据放电状态下电池组电量与电池组动态参数的映射规则实时计算电池组电量与SOC值,判断电池组是否处于过充或过放状态,当处于过充或过放状态,断开电池组,完成电池组过充保护、过放保护
根据本发明所述的基于人工神经网络算法的电池管理方法的优选方案,上位机进行人工神经网络算法学习,分别得到在充电状态下和放电状态下电池组电量与电池组动态参数的映射规则,具体包括:
A1、搭建人工神经网络:采用单隐含层方式搭建人工神经网络,设置人工神经网络由输入层、隐含层和输出层构成;输入层由若干输入节点构成,输入节点的数量等于需采集参数的个数;隐含层由若干隐含节点构成;输出层只由一个输出节点构成;每个输入节点都同时连接所有的隐含节点;每个隐含节点同时连接所有的输入节点;并且,每个隐含节点均与输出节点连接;输出节点同时连接所有的隐含节点;
A2、控制电池组通过电子负载放电,当电池组电量放空后,断开电子负载;
A3、接通直流可编程电源对电池组进行充电;
A4、每间隔设定时间,利用数字万用表采集电池组以及每个单体电池的电压值,输出到上位机;利用直流可编程电源采集电池组的充电电流值,输出到上位机;同时,利用温度检测电路采集电池组温度,通过程控转换与均衡电路进行处理后输出到上位机;
A5、判断电池组电量是否充满,当电池组电量充满后,断开直流可编程电源,停止数据采集;
A6、将数字万用表采集的电池组以及每个单体电池的电压值、直流可编程电源采集电池组的充电电流值以及温度检测电路采集的电池组温度作为输入层的输入节点;
A7、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A8、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A9、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A10、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A11、进行误差比较:将A10步的结果与电池组的标准电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A7步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到充电状态下电池组电量与电池组动态参数的映射规则;
A12、控制电池组通过电子负载放电;
A13每间隔设定时间,利用数字万用表采集电池组以及每个单体电池的电压值,利用电子负载采集电池组的放电电流值,输出到上位机;同时,利用温度检测电路用于采集电池组温度,通过程控转换与均衡电路进行处理后输出到上位机;
A14、判断电池组电量是否放空,当电池组电量放空后,断开电子负载;数字万用表和温度检测电路停止数据采集;
A15、将电池组以及每个单体电池的电压值、电池组的放电电流值以及电池组温度作为输入层的输入节点;
A16、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A17、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A18、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A19、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A20、进行误差比较:将A19步的结果与电池组的精确电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A16步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到放电状态电池组电量同电池组动态参数的映射规则,学习结束。
本发明所述的基于人工神经网络算法的电池管理系统及方法的有益效果是:本发明利用上位机程控精密测量仪器,检测出电池组关键特性参数的精确数据,利用人工神经网络算法中的误差反向原理将采集的参数对实际结果建立人工神经网络,经过反复学习和训练,最终在误差允许最大值范围内建立出采集数据对电池组实际参数的多点映射,得到电池组电量与电池组动态参数的映射规则,实现精确监控电池组状态,并实现对电池组的充放电保护、短路保护等功能,极大提高电池组状态监控的精确度,从而提高其使用寿命,可广泛应用于电池管理系统中。
附图说明
图1是本发明所述的基于人工神经网络算法的电池管理系统原理框图。
图2是本发明程控转换与均衡电路原理框图。
图3是本发明所述的基于人工神经网络算法的电池管理方法流程示意图。
图4是本发明人工神经网络算法学习流程示意图。
图5是本发明人工神经网络算法结构示意图。
图6是本发明模拟不同温度单节电池放电电压随时间变化曲线。
具体实施方式
参见图1和图2,基于人工神经网络算法的电池管理系统,包括程控转换与均衡电路1、直流可编程电源2、电子负载3、温度检测电路4、数字万用表5和上位机6;其特征在于:
直流可编程电源2、电子负载3和数字万用表5均由上位机6进行远端编程控制;直流可编程电源2、电子负载3和数字万用表5分别通过第一继电器7、第二继电器8和第三继电器9与电池组10连接;
直流可编程电源2用于对电池组进行充电,并检测充电电流输出到上位机6;
电子负载3用于对电池组进行放电试验,检测电池组放电电流,输出到上位机6;
数字万用表5用于采集电池组以及每个单体电池的电压值,输出到上位机6;
温度检测电路4用于采集电池组温度,通过程控转换与均衡电路1进行处理后输出到上位机6;
程控转换与均衡电路1接收上位机6输出的控制指令,控制第一继电器7、第二继电器8和第三继电器9的通电状态,以对系统进行充放电切换控制和环路通断控制,并对电池组各电池单元进行电压均衡控制;同时,接收温度检测电路4输出的温度数据,进行处理后输出到上位机6;
上位机6分别接收直流可编程电源2、电子负载3、数字万用表5输出的电池组充电电流、放电电流、电池组电压值以及每个单体电池的电压值,还接收温度检测电路4通过程控转换与均衡电路1输出的电池组温度数据,通过人工神经网络算法,得到电池组电量与电池组动态参数的映射规则,并将该映射规则存入上位机6中。
所述程控转换与均衡电路1包括微控制单元14、电压均衡电路15、第一升压电路11、第二升压电路12和第三升压电路13;
第一升压电路11连接在微控制单元14与第一继电器7之间,第二升压电路12连接在微控制单元14与第二继电器8之间,第三升压电路13连接在微控制单元14与第三继电器9之间,第一升压电路11、第二升压电路12、第三升压电路13分别接收微控制单元14输出的信号,进行升压电路转换,分别控制第一继电器7、第二继电器8和第三继电器9的通断;
电压均衡电路15接收微控制单元14输出的信号,对电池组各单体电池进行电压均衡控制,对电压高的单体电池的充电电流进行旁路;
微控制单元14接收上位机6输出的控制指令,分别输出信号到电压均衡电路15、第一升压电路11、第二升压电路12和第三升压电路13;同时,接收温度检测电路4输出的温度数据,进行处理后输出到上位机6。
在具体实施例中,该系统包括电池管理模块20;
电池管理模块20与上位机6进行通信,上位机6将电池组电量与电池组动态参数的映射规则写入电池管理模块20的主控芯片内;电池管理模块20对电池组的充电电流、放电电流、温度以及电压进行检测,利用映射规则计算出电池组当前电量与SOC值,并将电池组当前电量与电池管理模块20的主控芯片内的预设值进行比较,输出信号到程控转换与均衡电路1。
在具体实施例中,本发明电子负载选用Chroma公司的63203高功率直流电子负载,该电子负载支持通过GPIB、RS-232进行远端编程控制;直流可编程电源选用ITECH公司的IT6942A直流可编程电源,能通过GPIB、RS-232进行远端编程控制;数字万用表选用34410A数字多用表,该数字多用表支持多通道扫描,也支持以太网、GPIB、RS-232等方式进行远端通讯,实现编程控制。温度检测电路4中采用ADT7410系列高精度温度传感器采集电池组温度;在电量计算中通过上位机软件调用Win32API函数,直接利用上位机6硬件上的高精度定时器进行计时,仪器和传感器采集的数据通过串行通讯、以太网通讯、GPIB通讯等方式将采集数据送入上位机,利用电流与时间的乘积计算出各种电池电压与温度状态下的电量值。通过建立人工神经网络,在电池恒定充放电试验中,将采集到的参数与电池组电量值建立多点映射,训练出误差允许范围内各输入点对输出点的最优权值和阈值,输入点即采集参数,输出点即电池组电量,并将其保存作为计算依据,该计算依据即为电池组电量与电池组动态参数的映射规则。
输入与输出关系可由以下公式得出:
y=x1w1+x2w2+……xnwn;
x1、x2…xn分别为输入信息;
y为输出信息;
w1、w2…wn分别为x1、x2…xn各自对应的权值。
阈值代表输出信息y的允许偏差临界值,用t表示,满足:
x1w1+x2w2+......+xnwn+t×(-1)≥0。
在电池处于非恒流充放电状态中,利用该计算依据反向推算电池组实际剩余电量,准确计算出电池组的当前电量与SOC值,误差范围在-2%~+2%以内且可调节,自动实现电池组参数的动态监控与充放电保护的目的。
本发明可与外接电池管理模块20配合使用,系统的测量监控过程可以通过上位机软件编程测试仪器完成,也可通过系统外接模块完成。采用外接电池管理模块20测量监控,只需将本发明训练出的映射规则传送至电池管理模块20的主控芯片的静态内存中存储。以后可仅通过电池管理模块中的电压检测电路与温度传感器将测量值送入电池管理模块20的主控芯片,并按映射规则进行电量计算,得出精确的SOC值,并与主控芯片内的预设值,包括电池组的放空电压、满充电压、短路电流等进行比较,实现充放电保护、短路保护,完成对电池组的充放电保护与参数监控,实现模块化的电池管理功能。
参见图3、图4和图5,基于人工神经网络算法的电池管理方法,包括如下步骤:
A、上位机6进行人工神经网络算法学习,分别得到在充电状态下和放电状态下电池组电量与电池组动态参数的映射规则;
B、将充电状态下和放电状态下电池组电量与电池组动态参数的映射规则存入上位机6的指定内存或者存入电池管理模块20;
C、采集电池组动态参数,判断电池组处于充电状态或是放电状态,当为充电状态时,根据充电状态下电池组电量与电池组动态参数的映射规则实时计算电池组电量与SOC值,当为放电状态时,根据放电状态下电池组电量与电池组动态参数的映射规则实时计算电池组电量与SOC值,判断电池组是否处于过充或过放状态,当处于过充或过放状态,断开电池组,完成电池组过充保护、过放保护。
采集电池组动态参数可以利用电池管理模块20完成,也可以利用二个数字万用表、直流可编程电源2和温度检测电路4完成;其中一个数字万用表完成电压检测,另一个数字万用表完成放电电流检测;采集的电池组动态参数包括充电电流、放电电流、电池组以及每个单体电池的电压值、电池组温度等。
上位机6进行人工神经网络算法学习,分别得到在充电状态下和放电状态下电池组电量与电池组动态参数的映射规则,具体包括:
A1、搭建人工神经网络:采用单隐含层方式搭建人工神经网络,设置人工神经网络由输入层、隐含层和输出层构成;输入层由若干输入节点构成,输入节点的数量等于需采集参数的个数;隐含层由若干隐含节点构成;输出层只由一个输出节点构成;每个输入节点都同时连接所有的隐含节点;每个隐含节点同时连接所有的输入节点;并且,每个隐含节点均与输出节点连接;输出节点同时连接所有的隐含节点;
A2、控制电池组通过电子负载3放电,当电池组电量放空后,断开电子负载3;
A3、接通直流可编程电源2对电池组进行充电;
A4、每间隔设定时间,利用数字万用表5采集电池组以及每个单体电池的电压值,输出到上位机6;利用直流可编程电源2采集电池组的充电电流值,输出到上位机6;同时,利用温度检测电路4采集电池组温度,通过程控转换与均衡电路1进行处理后输出到上位机6;
A5、判断电池组电量是否充满,当电池组电量充满后,断开直流可编程电源2,数字万用表5和温度检测电路4停止数据采集;
A6、将数字万用表5采集的电池组以及每个单体电池的电压值、直流可编程电源2采集电池组的充电电流值以及温度检测电路4采集的电池组温度作为输入层的输入节点;
A7、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A8、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A9、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A10、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A11、进行误差比较:将A10步的结果与电池组的标准电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A7步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到充电状态下电池组电量与电池组动态参数的映射规则;
A12、控制电池组通过电子负载3放电;
A13每间隔设定时间,利用数字万用表5采集电池组以及每个单体电池的电压值,利用电子负载3采集电池组的放电电流值,输出到上位机6;同时,利用温度检测电路4用于采集电池组温度,通过程控转换与均衡电路1进行处理后输出到上位机6;
A14、判断电池组电量是否放空,当电池组电量放空后,断开电子负载3;数字万用表5和温度检测电路4停止数据采集;
A15、将电池组以及每个单体电池的电压值、电池组的放电电流值以及电池组温度作为输入层的输入节点;
A16、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A17、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A18、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A19、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A20、进行误差比较:将A19步的结果与电池组的精确电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A16步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到放电状态电池组电量同电池组动态参数的映射规则,学习结束。
系统的学习校准过程要求分别遍历电池组的完整充电过程与完整放电过程,上位机通过转接电路切换电池组的充电环路和放电环路,同时通过编程控制仪器采集得到精确的电池组动态参数,如电池组总电压、每节电池的端电压、电流、温度等并计算出电量与SOC值,然后由软件中的人工神经网络算法得出电池组每项动态参数对应的权值、电池组电量阈值,即得到电池组电量与电池组动态参数的映射规则。该规则可以将采集得到的离散数据精确模拟成连续曲线,算法分别完成整个充电过程和整个放电过程的计算之后,将最终得到的映射规则存入软件分配的静态内存空间中计算机内或外接模块的闪存内以便实时调用,以上即完成学习与校准流程。
该系统采用人工神经网络算法中BP算法,即误差反向算法,根据所采集的电池组动态参数自动计算并实时校准计算结果,完成实时电量的统计及SOC的计算。
利用BP算法,即可搭建由输入层到输出层的前馈传播和由输出层到输入层的反馈校准网络,为了兼顾计算的速度与精度,本系统的人工神经网络搭建采用单隐含层方式,即输入层—隐含层—输出层,通过两级前馈传输与两级反向传输,实现算法所设计的智能学习功能。
如图5,表示了本发明算法部分网络架构图,整个网络由输入层、隐含层及输出层构成。输入层由若干输入节点构成,输入节点的数量取决于仪器采集参数的个数,即电池组总电压、每节电池的单电压、充电电流或放电电流、温度,输入层的每个节点都分别对应隐含层的全部节点,并以输入层-隐含层的权值前馈传递;并且,当误差大于允许最大范围时,输入层接收从输出层经由隐含层反馈至输入层的模拟输出误差,并以此为依据进行权值校准,更新输入层-隐含层的权值,重新进行下一次前馈传递。在隐含层,与输入层类似,隐含层的每个节点也分别对输入层节点建立映射,隐含层用于接收输入层数据的映射结果,并由隐含层-输出层的权值重置映射结果前馈至输出层;同时,隐含层将前次模拟计算出的允许误差最大范围以外的输出值由输出层中继反馈至输入层,根据输出误差校准隐含层阈值,做为下次前馈运算标定。由于输出层仅有一个节点,即当前电量值,隐含层-输出层的映射关系仅需建立多对一映射,输出层将运算结果进行误差分析,如果误差值大于允许最大范围,则进行输出结果反馈至隐含层操作,同时根据误差校准输出层阈值,做为下次前馈运算标定,直到误差校准完成。校准完成后,保存当前状态下输入层-隐含层的权值、隐含层-输出层的权值、隐含层阈值、输出层阈值,即得到映射规则,至此神经网络学习完成。考虑到神经网络学习精度和速度的平衡,在具体实施例中,隐含层可采用6-12个节点。
在具体实施例中,电池组标准电量使用电流与时间的乘积计算,由于电池组在充电过程中与其在放电过程中的实时剩余电量值和其对应的SOC值不相等,所以该系统设计每个流程都分别对应充电状态和放电状态,以便进行精确标定,从而实时精准的动态监控。
系统可根据电池端电压实测值分别对应放空端电压值Vmin和满充端电压Vmax判断电池放空状态与满充状态。用电池组电压动态量变化ΔV判断电池组处于两种状态的其中一种,即ΔV>0为充电,ΔV<0为放电。在首次测量时电池组需经过放空-满充-放空流程,计算出充电总电量Qc和放电总电量Qe,在上述过程中以固定充放电时间间隔采集当前电量值Q1、Q2…Qn。同时,以总电量为100%标定出各时间段对应的SOC值,再根据时间各时间节点采集的电池组实时动态参数即电池组总电压、每节电池的单电压、电流、温度等建立一一对应的网络模型,进行人工神经网络计算,得出映射规则,并通过表达式(Qc-Qe)/Qc得出电池一次满充或满放的损耗率,完成映射规则校准。
本发明通过使用精密仪器对电池组初始满充和放空状态的精确标定,进行充放电试验,完成电池组电量和SOC值的精确统计。通过使用比传统电压标定更加精确的人工神经网络算法建立采集量与电池动态参数的连续映射关系,在该映射关系完成计算标定后,可通过直接利用仪器采集或外接模块的方式完成对电池组实际动态参数的精确检测与计算,实时监控整个电池组环路的全部参数指标,其精度达±2%以内,比传统电压采集标定法的±10%有显著提高,通过该系统描绘出的电池特性曲线,如图6所示,也更加接近真实值;以高功率继电器控制电池组环路,为实现大规模电池组的监控提供了可能;同时,系统通过内置判定依据完成对电池组全参数监控,实现过温保护、满充保护、放空保护、短路保护等一系列电池组维护保障功能,在提高电池组工作效率、精密测量电池组参数的同时,极大延长电池组的使用寿命。
Claims (1)
1.基于人工神经网络算法的电池管理方法,其特征在于:包括如下步骤:
A、上位机(6)进行人工神经网络算法学习,分别得到在充电状态下和放电状态下电池组电量与电池组动态参数的映射规则;具体包括:
A1、搭建人工神经网络:采用单隐含层方式搭建人工神经网络,该人工神经网络由输入层、隐含层和输出层构成;输入层由若干输入节点构成,输入节点的数量等于需采集参数的个数;隐含层由若干隐含节点构成;输出层只由一个输出节点构成;
A2、控制电池组通过电子负载(3)放电,当电池组电量放空后,断开电子负载(3);
A3、接通直流可编程电源(2)对电池组进行充电;
A4、每间隔设定时间,利用数字万用表(5)采集电池组以及每个单体电池的电压值,输出到上位机(6);利用直流可编程电源(2)采集电池组的充电电流值,输出到上位机(6);同时,利用温度检测电路(4)采集电池组温度,通过程控转换与均衡电路(1)进行处理后输出到上位机(6);
A5、判断电池组电量是否充满,当电池组电量充满后,断开直流可编程电源(2),停止数据采集;
A6、将数字万用表(5)采集的电池组以及每个单体电池的电压值、直流可编程电源(2)采集电池组的充电电流值以及温度检测电路(4)采集的电池组温度作为输入层的输入节点;
A7、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A8、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A9、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A10、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A11、进行误差比较:将A10步的结果与电池组的标准电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A7步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到充电状态下电池组电量与电池组动态参数的映射规则;
A12、控制电池组通过电子负载(3)放电;
A13每间隔设定时间,利用数字万用表(5)采集电池组以及每个单体电池的电压值,利用电子负载(3)采集电池组的放电电流值,输出到上位机(6);同时,利用温度检测电路(4)用于采集电池组温度,通过程控转换与均衡电路(1)进行处理后输出到上位机(6);
A14、判断电池组电量是否放空,当电池组电量放空后,断开电子负载(3),停止数据采集;
A15、将电池组以及每个单体电池的电压值、电池组的放电电流值以及电池组温度作为输入层的输入节点;
A16、随机产生输入层的每个节点对应的权值、隐含层阈值,得出输入层到隐含层的映射规则;
A17、根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息;
A18、将电池组电量作为输出层输出节点,随机产生隐含层的每个节点对应的权值、电池组电量阈值,得到隐含层到输出层的映射规则;
A19、根据隐含层到输出层的映射规则,推算出输出层输出节点收到的映射信息;
A20、进行误差比较:将A19步的结果与电池组的精确电量值进行比较,判断比较结果是否小于允许最大误差,当比较结果大于允许最大误差时,校准并更新隐含层的每个节点对应的权值、电池组电量阈值;校准并更新输入层的每个节点对应的权值、隐含层阈值;返回A16步;若在允许最大误差范围内,保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值、隐含层阈值、输出层阈值,得到放电状态电池组电量同电池组动态参数的映射规则,学习结束;
B、将充电状态下和放电状态下电池组电量与电池组动态参数的映射规则存入上位机(6)的指定内存或者存入电池管理模块(20);
C、采集电池组动态参数,判断电池组处于充电状态或是放电状态;当为充电状态时,根据充电状态下电池组电量与电池组动态参数的映射规则,实时计算电池组电量与SOC值;当为放电状态时,根据放电状态下电池组电量与电池组动态参数的映射规则实时计算电池组电量与SOC值;
D、判断电池组是否处于过充或过放状态,当处于过充或过放状态,断开电池组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510968220.8A CN105429230B (zh) | 2015-12-22 | 2015-12-22 | 基于人工神经网络算法的电池管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510968220.8A CN105429230B (zh) | 2015-12-22 | 2015-12-22 | 基于人工神经网络算法的电池管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105429230A CN105429230A (zh) | 2016-03-23 |
CN105429230B true CN105429230B (zh) | 2018-01-30 |
Family
ID=55507243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510968220.8A Active CN105429230B (zh) | 2015-12-22 | 2015-12-22 | 基于人工神经网络算法的电池管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105429230B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107247236A (zh) * | 2017-05-19 | 2017-10-13 | 杭州金秋汽车储能科技有限公司 | 一种锂电池参数采集系统及方法 |
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN110045298B (zh) * | 2019-05-06 | 2021-05-11 | 重庆大学 | 一种动力电池组参数不一致性的诊断方法 |
CN111366866B (zh) * | 2020-04-22 | 2023-09-01 | 珠海新金珠电力设备有限公司 | 一种测量蓄电池寿命周期的监控装置及计算方法 |
CN117172163B (zh) * | 2023-08-15 | 2024-04-12 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809456A (zh) * | 2007-08-23 | 2010-08-18 | 株式会社Lg化学 | 用于估计电池的长期特性的系统和方法 |
CN104132815A (zh) * | 2014-07-15 | 2014-11-05 | 虞永义 | 一种对电动汽车性能进行模拟测试的系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004007950A (ja) * | 2002-04-15 | 2004-01-08 | Fuji Electric Holdings Co Ltd | スイッチング電源装置 |
-
2015
- 2015-12-22 CN CN201510968220.8A patent/CN105429230B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101809456A (zh) * | 2007-08-23 | 2010-08-18 | 株式会社Lg化学 | 用于估计电池的长期特性的系统和方法 |
CN104132815A (zh) * | 2014-07-15 | 2014-11-05 | 虞永义 | 一种对电动汽车性能进行模拟测试的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105429230A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105429230B (zh) | 基于人工神经网络算法的电池管理系统及方法 | |
CN103941210B (zh) | 一种bms的验证监控系统及其方法 | |
CN102231546B (zh) | 具有均衡充放电功能的电池管理系统及其控制方法 | |
CN105242215B (zh) | 一种电池剩余容量估算管理方法 | |
CN106130112B (zh) | 锂电池充、放电管理系统及方法 | |
CN108544925A (zh) | 电池管理系统 | |
CN109155446A (zh) | 用于管理电池的装置和方法 | |
CN104882931B (zh) | 航空电源电池管理系统及其方法 | |
CN202696179U (zh) | 一种电池管理系统 | |
CN107831441A (zh) | 锂电池充电电流的预测方法、预测系统及一种充电装置 | |
CN102487209A (zh) | 电池充电状态估计方法与电池控制单元 | |
CN107176043A (zh) | 用于车辆电池系统的功率容量估计 | |
CN104333059A (zh) | 用于通信基站备用电源的智能维护系统及方法 | |
CN110133505A (zh) | 一种基于变参数模型的动力电池充放电状态观测方法 | |
CN102381210A (zh) | 锂离子电池管理系统和方法 | |
CN109617185A (zh) | 一种基于主从模式的电池被动均衡方法 | |
CN109031147B (zh) | 一种磷酸铁锂电池组的soc估算方法 | |
CN109004696A (zh) | 一种变电站用蓄电池多功能控制系统及其控制方法 | |
EP0505333B1 (en) | Estimating the charge of batteries | |
CN101713818B (zh) | 一种卫星电源分系统工作状态自动判读系统 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
CN107169170A (zh) | 一种电池剩余容量的预测方法 | |
CN109159684A (zh) | 一种电池健康状态电池更换的充电站系统 | |
CN107748329A (zh) | 锂离子电池荷电状态监测方法、监测装置和监测模块 | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |