CN115238983A - 一种基于bp神经网络的充电安全状态评估方法及系统 - Google Patents
一种基于bp神经网络的充电安全状态评估方法及系统 Download PDFInfo
- Publication number
- CN115238983A CN115238983A CN202210845321.6A CN202210845321A CN115238983A CN 115238983 A CN115238983 A CN 115238983A CN 202210845321 A CN202210845321 A CN 202210845321A CN 115238983 A CN115238983 A CN 115238983A
- Authority
- CN
- China
- Prior art keywords
- sos
- neural network
- safety
- charging
- data
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 231100000279 safety data Toxicity 0.000 claims abstract description 17
- 230000000630 rising effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于BP神经网络的充电安全状态评估方法及系统,从历史报文数据中获取动力电池安全数据;设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制;本发明的方案结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断,有效的提高了安全监测效能。
Description
技术领域
本发明属于机器学习领域和故障诊断领域,具体涉及一种基于BP神经网络的充电安全状态评估方法及系统。
背景技术
近年来,新能源汽车得益于其零排放的优点在近年来得到了大规模发展。越来越多的电动汽车如雨后春笋般出现在人们的视野当中,随之而来电动汽车起火事故也累计攀升。车辆在充电时突然冒烟或起火往往会给车主带巨大经济损失甚至是人身伤害。因此,研究电动汽车充电安全状态评估预警机制具有重要的现实意义。
常见的充电安全预警及安全防护机制都是由电动汽车自带的电池管理系统 BMS提供的。电池管理系统BMS是汽车的控制中心,能够实时监测动力电池组的电流、电压、温度、SOC等重要参量,并实时做出控制指令。BMS对于整车的剩余能量估计、能量分配、续航里程、异常预警等起着决定性的作用,是电动车动力电池组安全防护机制的关键。
目前,不同汽车产商甚至是同品牌不同车型的动力电池组的结构和BMS都有差异。然而现阶段,市面上的充电桩的都是根据BMS提供的充电需求来充电的。随着电池循环次数的增加,动力电池组会出现不同程度的老化,电池内部上千单体电池的老化速率也并非一致。若充电桩直接按照BMS需求充电,可能会加速电池老化甚至带来一定的安全隐患。因此,对于动力电池组充电时的安全状态监测十分必要。
发明内容
为解决上述问题,本发明结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断。本发明解决其技术问题所采用的技术方案是:
本发明提供了一种基于BP神经网络的充电安全状态评估方法,所述方法包括以下步骤:
信息获取步骤,包括从历史报文数据中获取动力电池安全数据;
SOS预测步骤,包括设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制步骤,包括根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制。
进一步的,所述信息获取步骤,具备包括:
步骤1,从数据库里按车牌筛选出历史报文数据;
步骤2,取出报文数据中动力电池安全数据,所述安全数据包括SOC、最高允许温度、当前最高温度、最大电流和最大电压。
进一步的,所述SOS预测步骤,具备包括:
步骤3,设置安全状态的评价指标SOS,训练BP神经网络,通过BP神经网络预测充电安全状态SOS;
进一步的,用于训练BP神经网络的输入数据为最高允许温度、当前最高温度、实时电流和SOC,输出数据为SOS。
进一步的,安全控制步骤具体包括:
步骤4,采集实时报文数据;
步骤5,取出报文数据中的最高允许温度、当前最高温度、实时电流和SOC;
步骤6,判断电流升高趋势;
步骤7,判断温度上升趋势;
步骤8,根据所述电流升高趋势及温度上升趋势,计算SOS是否接近于100%。
进一步的,安全控制步骤还包括:
步骤9,继续采集实时报文数据,实时计算SOS;
步骤10,实时判断SOS是否到达100%;
步骤11,当所述SOS是否到达100%时,立即停止充电。
进一步的,根据所述电流升高趋势和或温度上升趋势,进行热失控预警。
本发明还提供了一种基于BP神经网络的充电安全状态评估系统,所述系统包括:
信息获取模块,用于从历史报文数据中获取动力电池安全数据;
SOS预测模块,用于设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制模块,用于根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制。
本发明还提供了一种基于BP神经网络的充电安全状态评估设备,所述评估设备包括存储器、处理器;
所述存储器上存储有可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述的方法。
本发明的有益效果是,本发明提供了一种基于BP神经网络的充电安全状态评估方法,所述方法包括以下步骤:从历史报文数据中获取动力电池安全数据;设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行 SOS预测;根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制;基于历史数据进行BP神经网络的训练,以便能够根据BP神经网络进行SOS预测;本发明的方案结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断,有效的提高了安全监测效能。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的优选实施例的方法流程示意图;
图2是本发明的优选实施例的方法流程图;
图3是本发明的优选实施例的系统结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
本发明结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态 SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断。本发明解决其技术问题所采用的技术方案是:
本发明提供了一种基于BP神经网络的充电安全状态评估方法,如图1所示,所述方法包括以下步骤:
信息获取步骤,包括从历史报文数据中获取动力电池安全数据;
SOS预测步骤,包括设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制步骤,包括根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制。
本发明的方案结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断,有效的提高了安全监测效能。
进一步的,如图2所示,所述信息获取步骤,具备包括:
步骤1,从数据库里按车牌筛选出历史报文数据;从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;其中,新能源汽车的用户在公司的充电桩充电时会产生符合国标《GBT 27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》的新能源车与充电桩之间的通讯报文;充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中,并存入数据库,数据库中的报文均为历史报文数据。数据根据国家标准进行统一处理,由此提高了数据格式的一致性,提高了数据的处理效率。
步骤2,取出报文数据中与热失控有关的数据,即取出报文数据中动力电池安全数据,所述安全数据包括SOC、最高允许温度、当前最高温度、最大电流和最大电压;优选的,所述安全数据还包括最低电压、电池型号的差异数据等。其中,所述安全数据是与热失控有关的数据。
进一步的,所述步骤2还包括制定充电安全评估方程;具体包括:把取出来的数据按照归一化公式进行归一化处理,使其值域在[0,1],归一化的公式如下:
其中,amax为数据参数中的最大值,amin为数据参数中的最小值;进一步,把取出来的数据按照充电安全状态计算公式进行SOS的计算,按照车牌记录每一个辆车在充电时SOS的变化情况。充电安全状态SOS的计算公式为:
其中,Tmax为当前温度的最大值,Tboun为当前车辆的最高允许温度,SOS 为定充电安全状态的定义式。
将相关的数据使用归一化处理后,进行SOS的计算,由此提高了数据的对称性,便于对各类数据进行统一的管理和处理。本发明以温度进行SOS的确定,在可选实施例中,还可以使用如电压、电流、SOC等安全数据进行计算,具体的计算方式与上式相同;为了进一步提高SOS的准确性,也通过不同的参数进行多次计算,以确定SOS的可靠性。
进一步的,所述SOS预测步骤,具备包括:
步骤3,使用BP神经网络预测安全状态SOS,具体包括设置安全状态的评价指标SOS,训练BP神经网络,通过BP神经网络预测充电安全状态SOS;
进一步的,用于训练BP神经网络的输入数据为最高允许温度、当前最高温度、实时电流和SOC,输出数据为安全状态SOS。
其中,BP神经网络共有三层:输入层,隐含层和输出层,训练前根据训练集确定好隐含层节点数,在整个训练过程中只需要为输入权值和隐含层偏置随机赋值,训练过程不需要迭代,且得到最优解,大大减少了训练时间;
具体包括:把SOC、最高允许温度、当前最高温度、最大电流、最大电压归一化后的数据集合并成矩阵X,标准化后的SOS数据集记为矩阵Y。优选的,上述数据根据所述动力电池安全数据获取。多层前馈神经网络中需要确定的参数包括输入层神经元个数d,隐含层神经元个数q,输出层神经元个数l,隐层和输出层神经元都使用Sigmoid函数。Sigmoid函数有一个很好的性质:
f′(x)=f(x)(1-f(x))
BP是一个迭代学习算法,需要确定输入层到隐层的d×q个权值,隐层到输出层的q×l个权值,q个隐层神经元的阈值以及输出经元的阈值。BP神经网络的目标是让训练集上的累积误差最小,目标函数的数学表达式为:
其中,k=1,2,…,m;λ∈(0,1)用于对经验误差与网络复杂度这两项进行折中;ωi为网络输出层的连接权,节点的参数是在值域为[-1,1]中随机取值的, i=1,2,…,n。
BP神经网络训练好之后,将应用于汽车的充电安全状态SOS的预测,具体预测过程如下:
在历史数据库中选取充电时长较长的报文,和,或在用户完成一次较长充电后,将此次充电报文放入训练好的BP神经网路中,预测其充电安全状态SOS,并更新改车牌下用户的个人健康档案,用于下次充电安全状态参考。
其中,神经网络训练的数据来源于尽可能多的车型和用户,使得训练之后的神经网络具备较强通用性;BP神经网络的训练过程为离线程序,只有在定期维护或出现大量错误时才会重新神经网络的权值。
进一步的,安全控制步骤具体包括:
步骤4,采集实时报文数据;
步骤5,取出报文数据中的最高允许温度(最高标称温度)、当前最高温度、实时电流和SOC;
步骤6,判断电流升高趋势;判断所述电流是否剧烈升高,其中,剧烈升高是指电流上升发生跳跃性的上升,具体的判断原则可以由工作人员进行确定,属于常见的方式,在此不再赘述。
步骤7,判断温度上升趋势;判断温度是否快速上升,其中,快速上升的判断原则由工作人员进行确定,属于常见的方式,在此不再赘述。
其中,判断温度是否快速上升,在充电握手阶段及时检测最高温度是否超过最该允许温度的临界值,观察多次完整充电过程,对照出现冒烟起火车辆的报文数据,若电动汽车动力电池组出现温度异常升高的或增速过快的情况,极有可能发生热失控,因此,设计步骤6、7来有效的监控异常数据。
步骤8,实时计算电池组SOS值,根据所述电流升高趋势及温度上升趋势,计算SOS是否接近于100%。根据所述电流升高趋势和或温度上升趋势,进行热失控判断,如果是则进行安全预警。
其中步骤6和步骤7中判断电流是否剧烈升高,温度是否快速上升,都是热失控的预警信号。步骤8中判断SOS是否超过100%,观察历史数据库中大批量完整的充电过程中首次电池温度持续攀升且增速过快,此时动力电池组处于危险状态时的SOS理论值为100%。
进一步的,安全控制步骤还包括:
步骤9,继续采集实时报文数据,实时计算SOS;具体包括再采集后续报文的温度并实时计算SOS,判断SOS是否有过快增长的趋势;
其中,计算充电安全状态SOS是否接近于100%,根据上述的SOS计算式实时计算安全状态SOS,并根据SOS的大小来判断充电中的电动汽车是否会发生危险。因此,对于安全状态SOS的评估十分重要。
步骤10,实时判断SOS是否到达100%;
其中步骤10中判断正在充电的新能源汽车电池组的充电安全状态SOS是否为100%,由于训练BP神经网络的输出数据为SOS,因此,将步骤10的阈值设为 100%。
步骤11,当所述SOS是否到达100%时,立即停止充电。
本发明的方案结合了神经网络能够处理大数据的优势与专家法的优点,提出安全状态指标SOS,并利用BP神经网络搭建模型来预测充电中的电动汽车安全状态SOS,可以有效的根据电池安全状态SOS对对动力电池组的安全情况做出不同的判断,有效的提高了安全监测效能。
本发明还提供了一种基于BP神经网络的充电安全状态评估系统,如图3所示,通过所述系统实现上述的方法,所述系统包括:
信息获取模块,用于从历史报文数据中获取动力电池安全数据;
SOS预测模块,用于设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制模块,用于根据实时报文数据进行SOS计算,根据所述计算结果进行充电控制。
本发明还提供了一种基于BP神经网络的充电安全状态评估设备,所述评估设备包括存储器、处理器;
所述存储器上存储有可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM, Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于BP神经网络的充电安全状态评估方法,其特征在于,所述方法包括以下步骤:
信息获取步骤,包括从历史报文数据中获取动力电池安全数据;
SOS预测步骤,包括设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制步骤,包括根据实时报文数据进行SOS计算,根据计算结果进行充电控制。
2.根据权利要求1所述的方法,其特征在于,所述信息获取步骤,具备包括:
步骤1,从数据库里按车牌筛选出历史报文数据;
步骤2,取出报文数据中动力电池安全数据,所述安全数据包括SOC、最高允许温度、当前最高温度、最大电流和最大电压。
3.根据权利要求1所述的方法,其特征在于,所述SOS预测步骤,具备包括:
步骤3,设置安全状态的评价指标SOS,训练BP神经网络,通过BP神经网络预测充电安全状态SOS。
4.根据权利要求3所述的方法,其特征在于,用于训练BP神经网络的输入数据为最高允许温度、当前最高温度、实时电流和SOC,输出数据为SOS。
5.根据权利要求1所述的方法,其特征在于,安全控制步骤具体包括:
步骤4,采集实时报文数据;
步骤5,取出报文数据中的最高允许温度、当前最高温度、实时电流和SOC;
步骤6,判断电流升高趋势;
步骤7,判断温度上升趋势;
步骤8,根据所述电流升高趋势及温度上升趋势,计算SOS是否接近于100%。
6.根据权利要求5所述的方法,其特征在于,安全控制步骤还包括:
步骤9,继续采集实时报文数据,实时计算SOS;
步骤10,实时判断SOS是否到达100%;
步骤11,当所述SOS是否到达100%时,立即停止充电。
7.根据权利要求5所述的方法,其特征在于,根据所述电流升高趋势和、或温度上升趋势,进行热失控预警。
8.一种基于BP神经网络的充电安全状态评估系统,其特征在于,所述系统包括:
信息获取模块,用于从历史报文数据中获取动力电池安全数据;
SOS预测模块,用于设置安全状态的评价指标SOS,建立BP神经网络,根据所述BP神经网络进行SOS预测;
安全控制模块,用于根据实时报文数据进行SOS计算,根据计算结果进行充电控制。
9.一种基于BP神经网络的充电安全状态评估设备,其特征在于,所述评估设备包括存储器、处理器;
所述存储器上存储有可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现上述权利要求1-7所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845321.6A CN115238983A (zh) | 2022-07-19 | 2022-07-19 | 一种基于bp神经网络的充电安全状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845321.6A CN115238983A (zh) | 2022-07-19 | 2022-07-19 | 一种基于bp神经网络的充电安全状态评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238983A true CN115238983A (zh) | 2022-10-25 |
Family
ID=83672813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210845321.6A Pending CN115238983A (zh) | 2022-07-19 | 2022-07-19 | 一种基于bp神经网络的充电安全状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238983A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865716A (zh) * | 2022-11-16 | 2023-03-28 | 杭州颉码能源科技有限公司 | 一种网络状态分析方法、系统及计算机可读介质 |
CN116449241A (zh) * | 2023-03-15 | 2023-07-18 | 国联汽车动力电池研究院有限责任公司 | 动力锂电池充电安全边界划分方法及应用 |
CN117175751A (zh) * | 2023-11-02 | 2023-12-05 | 广州巨湾技研有限公司 | 一种基于电池最高温度的充电电流控制方法及系统 |
CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
-
2022
- 2022-07-19 CN CN202210845321.6A patent/CN115238983A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865716A (zh) * | 2022-11-16 | 2023-03-28 | 杭州颉码能源科技有限公司 | 一种网络状态分析方法、系统及计算机可读介质 |
CN116449241A (zh) * | 2023-03-15 | 2023-07-18 | 国联汽车动力电池研究院有限责任公司 | 动力锂电池充电安全边界划分方法及应用 |
CN117175751A (zh) * | 2023-11-02 | 2023-12-05 | 广州巨湾技研有限公司 | 一种基于电池最高温度的充电电流控制方法及系统 |
CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
CN117284145B (zh) * | 2023-11-24 | 2024-03-12 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238983A (zh) | 一种基于bp神经网络的充电安全状态评估方法及系统 | |
CN111257775A (zh) | 基于充电过程监控电池阻抗异常的方法、系统以及装置 | |
CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
CN112101597A (zh) | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 | |
CN113821875B (zh) | 一个基于端云协同的智能车辆故障实时预测方法及系统 | |
WO2023221587A1 (zh) | 电动车辆的动力电池的健康状态确定方法及服务器 | |
CN115291116A (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN111929588B (zh) | 基于极限学习机的充电安全监测方法、设备及系统 | |
CN116154900A (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
CN113705615A (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 | |
CN116257039A (zh) | 基于大数据的车辆故障诊断分级处理方法和程序产品 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN115865716B (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
Ge et al. | Real-time charging risk assessment for electric vehicles based on improved broad BP-AHP | |
WO2022016862A1 (zh) | 用于监控电池组健康状况的方法和系统 | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN117951629B (zh) | 一种电池组充放电温度异常行为的检测方法及系统 | |
CN114781256B (zh) | 一种基于云端终身学习的动力电池热失控风险评估方法 | |
CN115774205A (zh) | 确定单体电池状态的方法、装置和存储介质 |
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 |