CN111142027A - 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法 - Google Patents

一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法 Download PDF

Info

Publication number
CN111142027A
CN111142027A CN201911423345.7A CN201911423345A CN111142027A CN 111142027 A CN111142027 A CN 111142027A CN 201911423345 A CN201911423345 A CN 201911423345A CN 111142027 A CN111142027 A CN 111142027A
Authority
CN
China
Prior art keywords
fuzzy
battery
neural network
early warning
soc
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.)
Pending
Application number
CN201911423345.7A
Other languages
English (en)
Inventor
陈良亮
张�浩
张卫国
周静
周材
邵军军
孙季泽
陈嘉栋
余洋
杨凤坤
赵明宇
孙广明
仇新宇
李波
许庆强
崔文佳
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.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201911423345.7A priority Critical patent/CN111142027A/zh
Publication of CN111142027A publication Critical patent/CN111142027A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，利用训练数据集对T‑S模糊神经网络模型进行训练，得到训练后的T‑S模糊神经网络模型；训练后的T‑S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC；当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10%时，发出电池低电量的预警信号。本发明提供的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，能够有效提高SOC估计精度，并对电池荷电状态的监测预警，提高电池可靠性和安全性。

Description

一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法
技术领域
本发明涉及一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，属于电池荷电状态监测预警技术领域。
背景技术
目前，为了应对能源危机，减少全球变暖，许多国家开始重视减少排放，节约能源和发展低碳经济。由于电动汽车使用电力驱动可以减少二氧化碳的排放，甚至实现零排放，因此得到了各国的重视和迅速发展。随着电动汽车的发展，越来越多的电动汽车使用锂电池作为电源来切断，但是电池成本仍然很高，动力电池的性能和价格成为电动汽车发展的主要“瓶颈”。
磷酸铁锂电池由于其使用寿命长，安全性能好，成本低廉成为电动汽车的理想动力来源。SOC是指示电池利用率的关键参数之一。但是，由于电池的串联和并联连接，考虑到充放电的安全性，因此无法直接测量。
随着电动汽车的发展，电池管理系统(BMS)的应用范围越来越广。应用程序为了充分发挥电池系统的动态性能，增加其使用的安全性，防止电池的充放电，延长电池寿命，优化驾驶性能，提高电动汽车的性能，将使用BMS系统电池SOC的充电状态以准确估算。电动汽车SOC的估算是电池管理系统的基础。提高估计的准确性对提高服务效率，延长电池使用寿命，提高电池可靠性和提高安全性具有重要意义。
以往策略中，由于电流测量的不准确，存在累积误差，而开路电压法可以准确估计电池的SOC，但是开路电压只能在电池停止工作后很长一段时间才能测量，不适合在线估计。
发明内容
目的：为了克服现有技术中存在的不足，更好的监测磷酸铁锂电池荷电状态，本发明提供一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，基于电池历史数据的黑匣子方法采用人工神经网络，建立了SOC影响因素与SOC之间的相关性，以估计电池的SOC，由于影响因素很多，例如电池电压，温度，电流，电池历史，电池化学成分等。如果选择的因素太多，则计算将非常繁重。如果选择的因素太少，则人工神经网络无法正确反映SOC。本发明结合模糊数学原理，建立了T-S模糊神经网络，合理选取了因素边界，能够有效地估计SOC，提高估计精度，并且具有较高的计算效率。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，包括如下步骤：
利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；
训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。
作为优选方案，还包括如下步骤：
当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。
一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，包括如下模块：
网络模型训练模块：利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；
网络模型估计模块：训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。
作为优选方案，还包括如下模块：
预警模块：当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。
作为优选方案，利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型，具体步骤如下：
(1)所述T-S模糊神经网络模型包括输入层，模糊层，模糊规则计算层和输出层；输入由历史电池电压、电池电流、电池温度数据形成的训练输入量X＝[x1,x2,x3]，训练输出期望值yi；
(2)通过输出层中已知的训练输出期望值yi，推算出模糊规则计算层中的模糊算子θi，i是规则数；
(3)根据模糊算子θi推算出模糊层中模糊隶属度值
Figure BDA0002348241580000021
xj∈x1,x2,x3，
Figure BDA0002348241580000022
j∈1,2,3是训练输入量的模糊集，i是规则数；
(4)根据模糊隶属度值
Figure BDA0002348241580000023
训练输入量X＝[x1,x2,x3]，推算出函数中心
Figure BDA0002348241580000024
函数宽度
Figure BDA0002348241580000025
(5)输入节点维数为3、输出节点维数为1、隐藏节点维数为6、系数学习率α设置为随机常数、参数学习率β设置为随机常数，算法迭代次数Gmax设置为小于100的整数。
作为优选方案，所述电池SOC下降率k＝100*|SOC(T+1)-SOC(T)|，T代表第T时刻，设定值设置为5。
作为优选方案，训练输出期望值yi的计算公式如下：
Figure BDA0002348241580000026
θi为模糊算子，
Figure BDA0002348241580000027
为模型实值参数，输入量X＝[x1,x2,...,xr]，i为规则数，n规则数总量；
模糊算子θi的计算公式如下：
Figure BDA0002348241580000031
输入量X＝[x1,x2,...,xr]，模糊隶属度值
Figure BDA0002348241580000032
模糊隶属度值
Figure BDA0002348241580000033
的计算公式如下：
Figure BDA0002348241580000034
Figure BDA0002348241580000035
为函数中心，
Figure BDA0002348241580000036
为函数宽度，输入量xj，
Figure BDA0002348241580000037
为输入量的模糊集，j＝0,1,2,...,r，i为规则数。
有益效果：本发明提供的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，能够有效提高SOC估计精度，并对电池荷电状态的监测预警，提高电池可靠性和安全性。
附图说明
图1为本发明预警方法的流程图；
图2为T-S模糊神经网络监测SOC图；
图3为T-S模糊神经网络监测SOC误差图；
图4为本发明装置的结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，包括以下步骤：
将T-S模糊神经网络算法用于模型训练，将训练模型应用于磷酸铁锂电池SOC估算。
步骤1首先需建立了T-S模糊神经网络回归模型。该回归模型参数包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数Gmax，函数中心c，宽度b的初始化。
步骤2根据NASA数据库构建模型训练数据集将电池电压，电池电流和电池温度作为模型训练数据集的输入量，并将相应的SOC作为模型训练数据集的输出量。
步骤3执行T-S模糊神经网络算法，用于模型训练，随着在训练过程中不断更新网络参数，形成SOC监测模型。
步骤4当利用SOC监测模型进行SOC实时监测时，依据电池实时的电流、电压和电池温度时序数据，对电池SOC进行监测。
步骤5实时监测SOC并计算下降率，当下降率高于设定值预警下降过快，电池异常；当SOC低于10％时发出低电量预警信号，实现对电池SOC监测预警。
首先根据T-S模糊算法，构建T-S模糊神经网络回归模型。T-S模糊神经网络回归模型主要分为以下四个部分：输入层，模糊层，模糊规则计算层的和输出层。
本发明建立的T-S模糊神经网络回归模型训练得到的SOC监测模型主要应用于磷酸铁锂电池的SOC状态监测，SOC监测模型输入量包括电池电压，电池电流和电池温度三种数据，SOC监测模型输出量为相应的SOC。
本发明训练的SOC监测模型可以实时监测电池状态，并设置下降率预警与低电量预警两种预警机制。
T-S模糊算法
T-S模糊系统具有强大的自适应能力，可以自动更新并校正隶属度函数的模糊子集。T-S模糊系统可以根据“if-then”规则进行定义，在Ri规则的控制下，控制规则具有以下形式：
Figure BDA0002348241580000041
Figure BDA0002348241580000042
其中，i是规则数，
Figure BDA0002348241580000043
是T-S模糊系统输入量的模糊集，
Figure BDA0002348241580000044
是模型实值参数，yi是根据第i个模糊规则的系统输出。即输入的一部分是模糊的，而输出的一部分是确定的。
假设有输入X＝[x1,x2,...,xr]，首先，根据模糊规则，计算每个输入变量xk的隶属度。本发明选择高斯函数作为T-S模糊系统的隶属度函数，如下式：
Figure BDA0002348241580000045
其中
Figure BDA0002348241580000046
与
Figure BDA0002348241580000047
为隶属函数的可调参数，
Figure BDA0002348241580000048
为高斯函数的中心，
Figure BDA0002348241580000049
为高斯函数的宽度。
T-S模糊系统中的模糊算子θi定义为以下公式：
Figure BDA00023482415800000410
根据T-S模糊系统计算结果，可以计算出T-S模糊系统的输出值yi为：
Figure BDA00023482415800000411
T-S模糊神经网络模型
根据T-S模糊算法，构建T-S模糊神经网络模型。T-S模糊神经网络模型分为以下四个部分：输入层，模糊层，模糊规则计算层和输出层。网络模型构建的相互逻辑关系如下：
输入层连接到输入向量，节点数等于输入向量的维数。
在模糊层中，通过隶属度函数公式(3)计算模糊隶属度值μ。
在模糊规则的计算层中，函数公式(4)计算模糊算子θ。
在输出层中，通过公式(5)计算出的T-S模糊神经网络模型的输出yi。
T-S模糊神经网络模型训练算法，可以通过以下策略实现：
输入计算误差η：
Figure BDA0002348241580000051
在式(6)中，yd是网络模型期望值的输出，yc是网络模型实际值的输出，η是yd和yc之间的计算误差。
系数校正：
Figure BDA0002348241580000052
归一化后的总目标函数为：
Figure BDA0002348241580000053
在式(7)和(8)中，
Figure BDA0002348241580000054
是T-S模糊神经网络的系数，α是系数学习率，xi是网络的输入参数。θi为隶属度相乘构成的模糊算子，k∈j，j∈(1,2,...,r)，i是规则数。
根据梯度下降法，在网络学习的过程中，对前提参数进行校正，参数修正量为：
Figure BDA0002348241580000055
Figure BDA0002348241580000056
在式(9)和(10)中，
Figure BDA0002348241580000057
与
Figure BDA0002348241580000058
为隶属函数的可调参数，
Figure BDA0002348241580000059
为高斯函数的中心，
Figure BDA00023482415800000510
为高斯函数的宽度，β为参数学习率，k∈j，j∈(1,2,...,r)，i是规则数。
基于模糊神经网络的SOC监测预警算法过程
在T-S模糊神经网络模型中，输出和输入节点数以及模糊隶属度函数由训练样本维度确定。在本发明中，将蓄电池的电池电压，电池电流和电池温度作为模型的训练输入，并将相应的SOC作为模型的训练输出，那么输入数据的维数为3维，因此输出数据的维数为1维，本发明采用的T-S模糊神经网络模型共三层，结构为3-6-1，模糊隶属度函数的中心和宽度是随机获取的。
采用T-S模糊神经网络模型估计SOC，具体步骤如下：
1.生成基于T-S模糊神经网络的SOC监测模型
(1)输入历史电池电压、电池电流、电池温度数据，形成X＝[x1,x2,x3]，网络输出期望值ytest。
(2)初始化算法基本参数。包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数Gmax，隶属函数中心c，宽度b。
(3)输入数据归一化。
(4)计算网络模糊隶属度值μ，模糊算子θ，网络训练实际值ytrain。
(5)更新系数
Figure BDA0002348241580000061
(6)判断结束条件，若迭代次数达到Gmax，算法结束；反之，返回步骤4。
2.实时监测预警SOC
(7)模糊神经网络模型生成，实时载入T时刻实际电池电压、电池电流、电池温度数据，输出网络估计SOC(T)。
(8)每1个单位时间监测一次SOC，同时计算下降率k＝100*SOC(T+1)-SOC(T)，若k>5，则预警下降率过高，电池异常。同时若SOC<10％，预警电池电量低。
以NASA Ames数据库中磷酸铁锂电池稳定放电过程实验数据为训练数据集，其中，磷酸铁锂电池一组四节电池(5号，6号，7号和18号)通过三种不同的工作特性(充电模式，放电模式和阻抗模式)在室温下工作。以1.5A的恒定电流模式充电直至电池电压达到4.2V，然后以恒定电流模式充电，直到充电电流降至20mA。在2A恒定电流水平下进行放电，直到电池电压降至2.7V，2.5V，2.2V和2.5V为止。通过电化学阻抗谱法测量0.1Hz～5khz范围内的阻抗。重复的充电和放电循环会导致电池加速老化，而阻抗测量则可以洞悉电池内部参数随着老化的进展而变化。当电池达到使用寿命(EOL)标准时，实验停止了，额定容量降低了30％(从2Ahr到1.4Ahr)。此数据集可用于监测剩余电量，本发明具体算例以5号电池数据即作为训练数据集，共500组数据。
该数据集可用于监测剩余电荷(对于给定的放电周期)和剩余使用寿命(RUL)。本文以5号电池的放电数据为实验数据源。由于记录了整个放电过程，因此可以通过式(11)计算实际SOC。
Figure BDA0002348241580000062
在式(11)中，t是放电电压达到截止电压时的放电时间，Idc是放电电流。
为了更好地反映算法的准确性，使用统一训练集进行训练，并进行电荷SOC监测。在放电过程中，以电池参数(电压，电流和温度)为模型输入，以相应的SOC为模型输出，此变化主要与先前的实际SOC采样点进行比较，以评估T-S模糊神经网络回归的性能在电池SOC估计的算法中，实际SOC被用作估计过程中的基线。
将用于网络泛化能力测试的100组单位时间序列数据对基于T-S模糊神经网络监测模型进行测试，部分测试结果如表1，共包含电压、电流、温度、实测SOC、监测SOC五组数据。
表1 基于模糊神经网络的SOC监测结果
电压/V 电流/A 温度/℃ 实际SOC 监测SOC
4.23 2.010 25.1 0.90 0.92
4.01 2.010 25.6 0.89 0.90
3.99 2.009 26.1 0.88 0.90
3.91 2.009 26.5 0.87 0.89
3.90 2.008 27.0 0.87 0.86
3.88 2.007 27.4 0.86 0.85
3.85 2.006 27.9 0.85 0.84
3.83 2.006 28.3 0.81 0.80
3.82 2.006 28.7 0.83 0.82
3.80 2.006 29.1 0.80 0.79
3.78 2.006 29.6 0.79 0.80
3.77 2.005 30.1 0.77 0.75
3.76 2.005 30.4 0.78 0.77
3.75 2.004 30.7 0.69 0.68
3.74 2.004 31.1 0.71 0.70
3.72 2.002 31.4 0.70 0.72
3.70 2.001 31.7 0.68 0.67
3.69 2.000 31.9 0.63 0.61
在测试数据集中，选取100组单位时间序列数据用来对网络进行测试，将100组数导入到监测模型中进行仿真分析。100组数据测试结果如图2，误差结果如图3。
随着SOC的变化，模型的监测预警信号产生总计如表2：单位时间23、27均产生下降率过高预警，80-100期间持续低电量预警。
表2 SOC监测预警信号
预警信号 单位时间T
下降率过高预警 23
下降率过高预警 27
低电量预警 80-100
实验结果表明，基于T-S模糊神经网络的SOC监测模型的输出，可较好的跟踪蓄电池实际SOC，该模型有着较高的估计精度，为了能够直观反映监测模型的监测精度，在图3中横坐标表示样本，纵坐标为模型的监测误差。经仿真计算，误差的最大值为0.029，显示出基于T-S模糊神经网络的监测模型有很好的泛化能力。最后该模型能够实时监测SOC，提供下降率过高预警和低电量预警两种预警机制，实现SOC实时监测预警。
如图4所示，一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，包括如下模块：
网络模型训练模块：利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；
网络模型估计模块：训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC；
预警模块：当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，其特征在于：包括如下步骤：
利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；
训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。
2.根据权利要求1所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，其特征在于：还包括如下步骤：
当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。
3.根据权利要求1或2所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，其特征在于：
利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型，具体步骤如下：
(1)所述T-S模糊神经网络模型包括输入层，模糊层，模糊规则计算层和输出层；输入由历史电池电压、电池电流、电池温度数据形成的训练输入量X＝[x1,x2,x3]，训练输出期望值yi；
(2)通过输出层中已知的训练输出期望值yi，推算出模糊规则计算层中的模糊算子θi，i是规则数；
(3)根据模糊算子θi推算出模糊层中模糊隶属度值
Figure FDA0002348241570000011
xj∈x1,x2,x3，
Figure FDA0002348241570000012
是训练输入量的模糊集，i是规则数；
(4)根据模糊隶属度值
Figure FDA0002348241570000013
训练输入量X＝[x1,x2,x3]，推算出函数中心
Figure FDA0002348241570000014
函数宽度
Figure FDA0002348241570000015
(5)输入节点维数为3、输出节点维数为1、隐藏节点维数为6、系数学习率α设置为随机常数、参数学习率β设置为随机常数，算法迭代次数Gmax设置为小于100的整数。
4.根据权利要求2所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，其特征在于：所述电池SOC下降率k＝100*|SOC(T+1)-SOC(T)|，T代表第T时刻，设定值设置为5。
5.根据权利要求3所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，其特征在于：训练输出期望值yi的计算公式如下：
Figure FDA0002348241570000016
θi为模糊算子，
Figure FDA0002348241570000017
为模型实值参数，输入量X＝[x1,x2,...,xr]，i为规则数，n规则数总量；
模糊算子θi的计算公式如下：
Figure FDA0002348241570000021
输入量X＝[x1,x2,...,xr]，模糊隶属度值
Figure FDA0002348241570000022
模糊隶属度值
Figure FDA0002348241570000023
的计算公式如下：
Figure FDA0002348241570000024
Figure FDA0002348241570000025
为函数中心，
Figure FDA0002348241570000026
为函数宽度，输入量xj，
Figure FDA0002348241570000027
为输入量的模糊集，j＝0,1,2,...,r，i为规则数。
6.一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，其特征在于：包括如下模块：
网络模型训练模块：利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；
网络模型估计模块：训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。
7.根据权利要求6所述的一种神经网络的磷酸铁锂电池荷电状态监测预警装置，其特征在于：还包括如下模块：
预警模块：当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。
8.根据权利要求6或7所述的一种神经网络的磷酸铁锂电池荷电状态监测预警装置，其特征在于：
利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型，具体步骤如下：
(1)所述T-S模糊神经网络模型包括输入层，模糊层，模糊规则计算层和输出层；输入由历史电池电压、电池电流、电池温度数据形成的训练输入量X＝[x1,x2,x3]，训练输出期望值yi；
(2)通过输出层中已知的训练输出期望值yi，推算出模糊规则计算层中的模糊算子θi，i是规则数；
(3)根据模糊算子θi推算出模糊层中模糊隶属度值
Figure FDA0002348241570000028
xj∈x1,x2,x3，
Figure FDA0002348241570000029
是训练输入量的模糊集，i是规则数；
(4)根据模糊隶属度值
Figure FDA00023482415700000210
训练输入量X＝[x1,x2,x3]，推算出函数中心
Figure FDA00023482415700000211
函数宽度
Figure FDA00023482415700000212
(5)输入节点维数为3、输出节点维数为1、隐藏节点维数为6、系数学习率α设置为随机常数、参数学习率β设置为随机常数，算法迭代次数Gmax设置为小于100的整数。
9.根据权利要求7所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，其特征在于：所述电池SOC下降率k＝100*|SOC(T+1)-SOC(T)|，T代表第T时刻，设定值设置为5。
10.根据权利要求8所述的一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，其特征在于：训练输出期望值yi的计算公式如下：
Figure FDA0002348241570000031
θi为模糊算子，
Figure FDA0002348241570000032
为模型实值参数，输入量X＝[x1,x2,...,xr]，i为规则数，n规则数总量；
模糊算子θi的计算公式如下：
Figure FDA0002348241570000033
输入量X＝[x1,x2,...,xr]，模糊隶属度值
Figure FDA0002348241570000034
模糊隶属度值
Figure FDA0002348241570000035
的计算公式如下：
Figure FDA0002348241570000036
Figure FDA0002348241570000037
为函数中心，
Figure FDA0002348241570000038
为函数宽度，输入量xj，
Figure FDA0002348241570000039
为输入量的模糊集，j＝0,1,2,...,r，i为规则数。
CN201911423345.7A 2019-12-31 2019-12-31 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法 Pending CN111142027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911423345.7A CN111142027A (zh) 2019-12-31 2019-12-31 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911423345.7A CN111142027A (zh) 2019-12-31 2019-12-31 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法

Publications (1)

Publication Number Publication Date
CN111142027A true CN111142027A (zh) 2020-05-12

Family

ID=70523176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911423345.7A Pending CN111142027A (zh) 2019-12-31 2019-12-31 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法

Country Status (1)

Country Link
CN (1) CN111142027A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796185A (zh) * 2020-06-16 2020-10-20 合肥力高动力科技有限公司 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法
CN111952962A (zh) * 2020-07-30 2020-11-17 国网江苏省电力有限公司南京供电分公司 一种基于t-s模糊神经网络的配电网低电压预测方法
CN111983467A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 基于二阶rc等效电路模型的电池安全度估算方法及估算装置
CN111983468A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 基于神经网络的锂动力电池的安全度估算方法
CN112782588A (zh) * 2020-12-30 2021-05-11 深圳市加码能源科技有限公司 一种基于lssvm的soc在线监测方法及其储存介质
CN113658415A (zh) * 2021-07-30 2021-11-16 南京凡科信息科技有限公司 一种智能网关的预警方法和系统
CN113885324A (zh) * 2021-10-09 2022-01-04 国网山东综合能源服务有限公司 一种建筑智能用电控制方法及系统
CN114528772A (zh) * 2022-04-20 2022-05-24 深圳市森树强电子科技有限公司 机电变换器控制系统中充电器充电预测方法
WO2022183459A1 (zh) * 2021-03-04 2022-09-09 宁德时代新能源科技股份有限公司 一种估算电池包soc的方法、装置及电池管理系统
WO2022248532A1 (en) * 2021-05-25 2022-12-01 Danmarks Tekniske Universitet Data-driven and temperature-cycles based remaining useful life estimation of an electronic device
WO2024125189A1 (zh) * 2022-12-12 2024-06-20 中兴通讯股份有限公司 储能电池短路预警方法及装置
CN118348421A (zh) * 2024-06-17 2024-07-16 南通乐创新能源有限公司 一种电池剩余电量的校准方法、系统、设备、介质及产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359036A (zh) * 2007-07-31 2009-02-04 比亚迪股份有限公司 电池荷电状态的测定方法
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
CN106482507A (zh) * 2016-10-18 2017-03-08 湖南大学 一种水泥分解炉燃烧自动控制方法
CN106971238A (zh) * 2017-03-10 2017-07-21 东华大学 基于T‑S模糊Elman神经网络的短期电力负荷预测方法
CN107380004A (zh) * 2017-09-07 2017-11-24 苏州易信安工业技术有限公司 一种电动车辆电池管理方法、装置及系统
CN107861070A (zh) * 2017-10-25 2018-03-30 北京交通大学 一种锂离子电池健康状态在线诊断方法
CN109840335A (zh) * 2017-11-27 2019-06-04 上海交通大学 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN110310266A (zh) * 2019-06-26 2019-10-08 江苏理工学院 一种基于t-s模糊神经网络的色差检测方法
CN110488202A (zh) * 2019-07-24 2019-11-22 北京航空航天大学 基于深度神经网络的车辆电池荷电状态估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359036A (zh) * 2007-07-31 2009-02-04 比亚迪股份有限公司 电池荷电状态的测定方法
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
CN106482507A (zh) * 2016-10-18 2017-03-08 湖南大学 一种水泥分解炉燃烧自动控制方法
CN106971238A (zh) * 2017-03-10 2017-07-21 东华大学 基于T‑S模糊Elman神经网络的短期电力负荷预测方法
CN107380004A (zh) * 2017-09-07 2017-11-24 苏州易信安工业技术有限公司 一种电动车辆电池管理方法、装置及系统
CN107861070A (zh) * 2017-10-25 2018-03-30 北京交通大学 一种锂离子电池健康状态在线诊断方法
CN109840335A (zh) * 2017-11-27 2019-06-04 上海交通大学 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN110310266A (zh) * 2019-06-26 2019-10-08 江苏理工学院 一种基于t-s模糊神经网络的色差检测方法
CN110488202A (zh) * 2019-07-24 2019-11-22 北京航空航天大学 基于深度神经网络的车辆电池荷电状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUXIANG SONG 等: "State-of-charge (SOC) estimation using T-S Fuzzy Neural Network for Lithium Iron Phosphate Battery", 《2018 26TH INTERNATIONAL CONFERENCE ON SYSTEMS ENGINEERING (ICSENG)》 *
韦振汉: "锂离子电池荷电及健康状态预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796185B (zh) * 2020-06-16 2022-11-08 合肥力高动力科技有限公司 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法
CN111796185A (zh) * 2020-06-16 2020-10-20 合肥力高动力科技有限公司 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法
CN111952962A (zh) * 2020-07-30 2020-11-17 国网江苏省电力有限公司南京供电分公司 一种基于t-s模糊神经网络的配电网低电压预测方法
CN111983467A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 基于二阶rc等效电路模型的电池安全度估算方法及估算装置
CN111983468A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 基于神经网络的锂动力电池的安全度估算方法
CN111983467B (zh) * 2020-08-24 2023-02-03 哈尔滨理工大学 基于二阶rc等效电路模型的电池安全度估算方法及估算装置
CN111983468B (zh) * 2020-08-24 2022-11-18 哈尔滨理工大学 基于神经网络的锂动力电池的安全度估算方法
CN112782588A (zh) * 2020-12-30 2021-05-11 深圳市加码能源科技有限公司 一种基于lssvm的soc在线监测方法及其储存介质
CN112782588B (zh) * 2020-12-30 2023-02-17 深圳市加码能源科技有限公司 一种基于lssvm的soc在线监测方法及其储存介质
WO2022183459A1 (zh) * 2021-03-04 2022-09-09 宁德时代新能源科技股份有限公司 一种估算电池包soc的方法、装置及电池管理系统
WO2022248532A1 (en) * 2021-05-25 2022-12-01 Danmarks Tekniske Universitet Data-driven and temperature-cycles based remaining useful life estimation of an electronic device
CN113658415A (zh) * 2021-07-30 2021-11-16 南京凡科信息科技有限公司 一种智能网关的预警方法和系统
CN113658415B (zh) * 2021-07-30 2024-03-26 江苏湛德医疗用品有限公司 一种智能网关的预警方法和系统
CN113885324A (zh) * 2021-10-09 2022-01-04 国网山东综合能源服务有限公司 一种建筑智能用电控制方法及系统
CN114528772B (zh) * 2022-04-20 2022-07-01 深圳市森树强电子科技有限公司 机电变换器控制系统中充电器充电预测方法
CN114528772A (zh) * 2022-04-20 2022-05-24 深圳市森树强电子科技有限公司 机电变换器控制系统中充电器充电预测方法
WO2024125189A1 (zh) * 2022-12-12 2024-06-20 中兴通讯股份有限公司 储能电池短路预警方法及装置
CN118348421A (zh) * 2024-06-17 2024-07-16 南通乐创新能源有限公司 一种电池剩余电量的校准方法、系统、设备、介质及产品

Similar Documents

Publication Publication Date Title
CN111142027A (zh) 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法
Lin et al. State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model
Dai et al. ANFIS (adaptive neuro-fuzzy inference system) based online SOC (State of Charge) correction considering cell divergence for the EV (electric vehicle) traction batteries
Meng et al. An automatic weak learner formulation for lithium-ion battery state of health estimation
Jiang et al. State of health estimation for lithium-ion battery using empirical degradation and error compensation models
CN112147530B (zh) 一种电池状态评价方法及装置
Eddahech et al. Adaptive voltage estimation for EV Li-ion cell based on artificial neural networks state-of-charge meter
Bamati et al. Lithium-ion batteries long horizon health prognostic using machine learning
CN105974327A (zh) 一种基于神经网络和ukf的锂电池组soc预测方法
Li et al. The lithium-ion battery state-of-charge estimation using random forest regression
Che et al. SOC and SOH identification method of li-ion battery based on SWPSO-DRNN
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及系统
Samadani et al. A review study of methods for lithium-ion battery health monitoring and remaining life estimation in hybrid electric vehicles
Zhu et al. The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain
Jiang et al. An aging-aware soc estimation method for lithium-ion batteries using xgboost algorithm
CN112287597B (zh) 基于vpga-gpr算法的铅酸蓄电池soh估计方法
CN104931893B (zh) 适于参数不一致性明显的大规模电池组建模方法
CN115542186A (zh) 一种储能电池状态及一致性评价方法、装置、设备及介质
Zhang et al. State of charge estimation for lithium-ion batteries using simple recurrent units and unscented kalman filter
Stighezza et al. Machine learning and impedance spectroscopy for battery state of charge evaluation
Chen et al. A hybrid DNN-KF model for real-time SOC estimation of lithium-ion batteries under different ambient temperatures
CN111562499B (zh) 一种新能源汽车锂动力电池热管理模拟方法
Cai et al. D-ukf based state of health estimation for 18650 type lithium battery
Wang et al. Online capacity estimation of lithium-ion batteries by partial incremental capacity curve

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
TA01 Transfer of patent application right

Effective date of registration: 20210728

Address after: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Applicant after: NARI TECHNOLOGY Co.,Ltd.

Applicant after: NARI Group Corp.

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant after: State Grid Jiangsu Electric Power Co.,Ltd. Marketing Service Center

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 211106 Building 2, No.19 Chengxin Avenue, Technology Development Zone, Nanjing City, Jiangsu Province

Applicant before: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Applicant before: NARI TECHNOLOGY Co.,Ltd.

Applicant before: NARI Group Corp.

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant before: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute

Applicant before: STATE GRID CORPORATION OF CHINA

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication