CN115332649A - 一种电池温控管理方法、装置、设备及可读存储介质 - Google Patents
一种电池温控管理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115332649A CN115332649A CN202210784512.6A CN202210784512A CN115332649A CN 115332649 A CN115332649 A CN 115332649A CN 202210784512 A CN202210784512 A CN 202210784512A CN 115332649 A CN115332649 A CN 115332649A
- Authority
- CN
- China
- Prior art keywords
- neural network
- battery pack
- temperature
- detected
- battery
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
- Control Of Temperature (AREA)
Abstract
本发明提供了一种电池温控管理方法、装置、设备及可读存储介质,涉及电池热管理技术领域,包括获取第一信息;构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;根据所述优化结果,发送第一控制命令,所述第一控制命令包括控制管理所述待检测电池组的温度。本发明的有益效果为可以利用冷端风扇和热端风扇进行冷却和升温,解决传统热管理的单一控制的问题,也可以解决因传统PID算法的调参滞后的问题,为后续的电池组温控方法提供了新的思路。
Description
技术领域
本发明涉及电池热管理技术领域,具体而言,涉及电池温控管理方法、装置、设备及可读存储介质。
背景技术
在生活中用到电池的地方有很多,但是电池由机械结构、电容模块、电池管理系统及其元器件组成。在使用中若不注意温度,会发生很多严重的事故,因为温度高会导致电池发热严重,影响电池寿命,散热不好的话还会有电池冒烟或者发生爆炸的风险。电池在使用中经常做循环充放电会增加损耗,超负荷,增加电池的耗电,导致电池极板反应过激,所以无论在使用中还是在充电中会允许有小的发热,电池保持在一个适宜的温度对电池的使用、增加电池的寿命和促进电池的散热都有积极的作用,从而减少了电解液水分蒸发,极板变形,内部机械结构氧化,烧坏极板的可能。
目前电池热管理的控制方法主要为电池内部材料的选择,在正负极的部位采取电阻较低的材料,从而降低电池工作时的温度,但是这样会增加成本,导致电池售价提高。还有一种是通过在电池的温度传感器和传统的PID算法进行反馈控制保持温度在合适的范围内,但是这样的需要不断的尝试调参数,传统PID方法存在大量的参数,需要不断测试每一组参数效果,人为调参不确定性突出,最优参数解往往比较难得到。
发明内容
本发明的目的在于提供一种电池温控管理方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种电池温控管理方法,包括:
获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间;
构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;
计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;
根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
优选地,所述获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间,其中包括:
通过传感器对待检测电池组进行温度采集,并记录实时温度数据;
将所述实时温度数据输入至所述连续型Hopfield神经网络中;
根据所述待检测电池组的型号查找所述述待检测电池组相对应的适合工作的温度范围区间,将适合的所述温度范围区间记作既定的所述温度范围区间;
选取既定的所述温度范围区间的中点记作所述连续型Hopfield神经网络的输出值。
优选地,所述根据所述优化结果,之前包括:
根据所述待检测电池组的输入输出对应关系,设置所述连续型Hopfield神经网络的输入层、输出层、隐含层层数和隐含层神经元数;
所述连续型Hopfield神经网络包括:训练模型网络,所述训练模型网络用于辨识出实验模型;控制器网络,所述控制器网络用于训练控制器,使得实验输出跟随参考模型输出。
优选地,所述计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果,其中包括:
根据基本网络骨架的所述连续型Hopfield神经网络以及所述待检测电池组的输出到输入来修正各个神经元的连接权值,优化所述待检测电池组的温度控制在预设范围内,其中包括:
基于所述连续型Hopfield神经网络,判断所述输出是否在预设范围内,若达到所述预设范围内,则保持所述待检测电池组的状态,且所述连续型Hopfield神经网络不再变化;若没达到所述预设范围内,则计算所述输出和所述输入之间的差值,并对所述连续型Hopfield神经网络进行控制,修改所述连接权值,使其达到所述预设范围内。
第二方面,本申请还提供了一种电池温控管理装置,包括:
获取模块:用于获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间;
构建模块:用于构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;
计算模块:用于计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;
管理模块:用于根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
第三方面,本申请还提供了一种电池温控管理设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述电池温控管理方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于电池温控管理方法的步骤。
本发明的有益效果为:本发明可以利用冷端风扇和热端风扇进行冷却和升温,解决传统热管理的单一控制的问题,也可以解决因传统PID算法的调参滞后的问题,为后续的电池组温控方法提供了新的思路。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的电池温控管理方法流程示意图;
图2为本发明实施例中所述的电池温控管理装置结构示意图;
图3为本发明实施例中所述的电池温控管理设备结构示意图。
图中:701、获取模块;7011、采集单元;7012、输入单元;7013、查找单元;7014、选取单元;702、构建模块;703、计算模块;7031、优化单元;7032、判断单元;704、管理模块;7041、设置单元;7042、包含单元;800、电池温控管理设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
现有技术中,电池热管理方法主要分为冷却和加热技术。冷却这部分比较简单,常见的按照结构分自然冷却,还有一个风冷、液冷、直冷等,比较常见的是风冷、液冷、直冷,用冷媒换热气跟电芯直接接触的。自然冷却是低温空气为介质的,是不另外施加辅助动力进行冷却,重要是把热量导到其他的一个组件上,还有外壳的散热,假如电池包下面封装,相当于电池的热量导到外壳,就靠单纯的空气导热了,这种情况下,存热系数基本很低,正常的对流系数5-25之间,这个时候散热量很少,热量只能靠其他组件的吸收。另外一种就是类似于风冷、液冷这种主动冷却方法。风冷就是一个风机一个风道,重要的是风机的选型。液冷按结构可以分为低温散热器冷却系统、直接冷却系统、混合液冷。低温散热器冷却系统用电池里面的冷却水,直接跟环境里面进行散热的。但是低温散热器在高温情况下不好做,外界环境温度高的情况下,冷却水的温度不受控。用的比较多的是直接冷却水冷却系统,相当于电池的热量传到电池的冷却水里,通过冷却水把热量传到冷媒里,再通过冷媒把热量传递到空气当中。直接冷却水因为可以通过冷媒系统,可以保证冷却水更好做系统的管理。
目前电池热管理的控制方法主要为电池内部材料的选择,在正负极的部位采取电阻较低的材料,从而降低电池工作时的温度,但是这样会增加成本,导致电池售价提高。还有一种是通过在电池的温度传感器和传统的PID算法进行反馈控制保持温度在合适的范围内,但是这样的需要不断的尝试调参数,传统PID方法存在大量的参数,需要不断测试每一组参数效果,人为调参不确定性突出,最优参数解往往比较难得到。根据资料显示室温(20-30度)为电池最适宜之工作温度,所以将设定温度区间范围定为20-30度。
所以,在电池温度控制领域往往涉及到温度自动控制保持在一个适宜的状态方案比较少,还有一些控制效果不是很好,反馈较慢,所以我们设计一个基于卷积神经网络的算法来自动控制电池温度。我们和影响我们的计算机图像分类领域,深度神经网络经过良好的训练能够分辨出不同类别的图像本发明涉及神经网络算法领域,尤其涉及一种基于Hopfield神经网络的电池温度自动控制的方法。
本实施例提供了一种电池温控管理方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间。
可以理解的是,在本步骤S100中包括S101、S102、S103和S104,其中:
通过传感器对待检测电池组进行温度采集,并记录实时温度数据;
将所述实时温度数据输入至所述连续型Hopfield神经网络中;
根据所述待检测电池组的型号查找所述述待检测电池组相对应的适合工作的温度范围区间,将适合的所述温度范围区间记作既定的所述温度范围区间;
选取既定的所述温度范围区间的中点记作所述连续型Hopfield神经网络的输出值。
需要说明的是,首先通过温度传感器检测柱状电池组的温度,作为输入传入连续型Hopfield神经网络中,然后再根据电池组的型号查找该电池组适宜工作的温度范围区间,作为设定温度传入神经网络中,这个设定温度范围区间的中点是神经网络的理想输出。利用温度传感器进行电池的温度采集,记录此时温度数据,温度传感器时温度测量仪器的核心部分,有热电偶,红外,模拟,数字式几种类型。
优先地,热电偶温度传感器工作原理是两种不同导体或半导体的组合称为热电偶。热电偶的热电势E(T,T0)是由接触电势和温差电势合成的。接触电势是指两种不同的导体或半导体在接触处产生的电势,此电势与两种导体或半导体的性质及在接触点的温度有关。当有两种不同的导体和半导体A和B组成一个回路,其两端相互连接时,只要两结点处的温度不同,一端温度为T,称为工作端或热端,另一端温度为T0,称为自由端,则回路中就有电流产生,即回路中存在的电动势称为热电动势。这种由于温度不同而产生电动势的现象称为塞贝克效应。红外温度传感器工作原理是在自然界中,当物体的温度高于绝对零度时,由于它内部热运动的存在,就会不断地向四周辐射电磁波,其中就包含了波段位于0.75~100μm的红外线,红外温度传感器就是利用这一原理制作而成的。模拟温度传感器工作原理:AD590是一款电流输出型温度传感器,供电电压范围为3~30V,输出电流223μA~423μA,灵敏度为1μA/℃。当在电路中串接采样电阻R时,R两端的电压可作为输出电压。R的阻值不能取得太大,以保证AD590两端电压不低于3V。AD590输出电流信号传输距离可达到1km以上。作为一种高阻电流源,最高可达20MΩ,所以它不必考虑选择开关或CMOS多路转换器所引入的附加电阻造成的误差。适用于多点温度测量和远距离温度测量的控制。数字式温度传感器工作原理:它采用硅工艺生产的数字式温度传感器,其采用PTAT结构,这种半导体结构具有精确的,与温度相关的良好输出特性。PTAT的输出通过占空比比较器调制成数字信号,占空比与温度的关系如下式:DC=0.32+0.0047*t,t为摄氏度。输出数字信号故与微处理器MCU兼容,通过处理器的高频采样可算出输出电压方波信号的占空比,即可得到温度。该款温度传感器因其特殊工艺,分辨率优于0.005K。测量温度范围-45到130℃,故广泛被用于高精度场合。
优先地,通过温度传感器检测柱状电池组的温度,作为输入传入连续型Hopfield神经网络中,然后再根据电池组的型号查找该电池组适宜工作的温度范围区间,20-30度范围基本上涵盖了所有电池的适宜工作温度。这个范围作为设定温度传入神经网络中,设定温度范围区间的中点是神经网络的理想输出。根据当前神经网络的理想输出和实际输出计算差值,把差值反馈到神经网络中进行反馈优化。控制信号传入控制器中。控制器控制冷端风扇和热端风扇冷却和加热电池组。
优先地,连续型Hopfield神经网络是在离散型神经网络基础上提出的,这种连续型Hopfield神经网络中的所有神经元是按照并行存在的方式工作的。网络中每个神经元的输入都是随时间变化的变量,与外界的输入还有其他神经元传递过来的值都有直接关系。基于基本的网络骨架连续型Hopfield神经网络模型,根据输出反馈到输入来修正各个神经元的连接权值,最后可以使温度达到20-30度范围内。将检测到电池组的温度作为神经网络的输入,参考输出为电池组适宜温度范围区间内的中点值即为设定温度,实际输出为在当前网络参数的控制下的实际温度值。通过比较实际温度和设定温度的差值进行反馈优化神经网络,使其输出能够达到设定温度20-30度范围区间。
S200、构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据。
可以理解的是,在本步骤中,连续型Hopfield神经网络包括单层的非线性神经网络,是运用各个神经元进行反馈,通过输入和输出之间的误差从而在神经网络种进行反馈控制进行自适应调节。神经网络中所有神经元是并行进行的,并且具有较强的自适应寻找最优解的能力。在控制系统中,如果系统当作神经网络的输出,可以一直迭代神经网络,完成对整个控制系统的寻优化。在连续型Hopfield神经网络中状态变量影响着输入变量,使得Hopfield神经网络系统是一个随时间变化而变化的系统。
根据物理模型可以得到:
vj(t)=gj(uj(t))
gj(uj(t))为激励函数;
连续型Hopfield神经网络能量函数可以定义为:
对能量函数E(t)对时间求导数,可以得到:
如果有Tij=Tji,则能将式子改写为:
将物理模型带入得:
连续型的Hopfield神经网络的计算方程为:
网络的Sigmoid函数定义为:
其中,u0——Sigmoid函数坡度参数。
S300、计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果。
可以理解的是,在S300步骤中包括S301和S302,其中:
S301、根据基本网络骨架的所述连续型Hopfield神经网络以及所述待检测电池组的输出到输入来修正各个神经元的连接权值,优化所述待检测电池组的温度控制在预设范围内,其中包括:
S302、基于所述连续型Hopfield神经网络,判断所述输出是否在预设范围内,若达到所述预设范围内,则保持所述待检测电池组的状态,且所述连续型Hopfield神经网络不再变化;若没达到所述预设范围内,则计算所述输出和所述输入之间的差值,并对所述连续型Hopfield神经网络进行控制,修改所述连接权值,使其达到所述预设范围内。
需要说明的是,输入传入神经网络中传入连续型Hopfield神经网络中,根据当前神经网络的理想输出和实际输出计算差值,把差值反馈到神经网络中进行反馈优化。控制信号传入控制器中。控制器控制冷端风扇和热端风扇冷却和加热电池组。
连续型Hopfield神经网络是在离散型神经网络基础上提出的,这种连续型Hopfield神经网络中的所有神经元是按照并行存在的方式工作的。网络中每个神经元的输入都是随时间变化的变量,与外界的输入还有其他神经元传递过来的值都有直接关系。基于基本的网络骨架连续型Hopfield神经网络模型,根据输出反馈到输入来修正各个神经元的连接权值,最后可以使温度达到预设的20-30度内。根据Hopfield神经网络模型,若判断输出在这个范围之间,则保持此时电池状态,Hopfield神经网络权值不再变化,若没达到此范围区间,计算输出和输入之间的误差,继续进行Hopfield神经网络的反馈控制,修改Hopfield神经网络权值,使其达到这个此范围内。
连续型Hopfield神经网络包括单层的非线性神经网络,是运用各个神经元进行反馈,通过输入和输出之间的误差从而在神经网络种进行反馈控制进行自适应调节。神经网络中所有神经元是并行进行的,并且具有较强的自适应寻找最优解的能力。在控制系统中,如果系统当作神经网络的输出,可以一直迭代神经网络,完成对整个控制系统的寻优化。
S400、根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
可以理解的是,在本S400步骤之前包括S401、S402,其中:
S401、根据所述待检测电池组的输入输出对应关系,设置所述连续型Hopfield神经网络的输入层、输出层、隐含层层数和隐含层神经元数;
S402、所述连续型Hopfield神经网络包括:训练模型网络,所述训练模型网络用于辨识出实验模型;控制器网络,所述控制器网络用于训练控制器,使得实验输出跟随参考模型输出。
优选地,整体流程如下:S1:利用温度传感器进行电池的温度采集,记录此时温度数据,作为输入传入连续型Hopfield神经网络中,然后再根据电池组的型号查找该电池组适宜工作的温度范围区间,作为设定温度传入神经网络中,这个设定温度范围区间的中点是神经网络的理想输出。输入传入神经网络中传入连续型Hopfield神经网络中,根据当前神经网络的理想输出和实际输出计算差值,把差值反馈到神经网络中进行反馈优化。控制信号传入控制器中。控制器控制冷端风扇和热端风扇冷却和加热电池组。
S2:因为继电器比半导体器件导通的损耗小,并且驱动更方便,所以驱动器采用继电器实现冷却和加热功能。DC直流电压源,D1~D4续流组成整流桥式电路,C滤波储能,F保险丝防止电路烧坏。当SPST导通时,满功率运行。当SPST断开时,双向开关半导体晶体管T通过PWM调控进行指定功率运行。A1接C1,A2接C2电流正向流通,A1接B1,A2接B2,电流反向流通。
S3:连续型Hopfield神经网络是在离散型神经网络基础上提出的,这种连续型Hopfield神经网络中的所有神经元是按照并行存在的方式工作的。网络中每个神经元的输入都是随时间变化的变量,与外界的输入还有其他神经元传递过来的值都有直接关系。基于基本的网络骨架连续型Hopfield神经网络模型,根据输出反馈到输入来修正各个神经元的连接权值,最后可以使温度达到预设的20-30度内。根据Hopfield神经网络模型,若判断输出在这个范围之间,则保持此时电池状态,Hopfield神经网络权值不再变化;若没达到此范围区间,计算输出和输入之间的误差,继续进行Hopfield神经网络的反馈控制,修改Hopfield神经网络权值。将检测到电池组的温度作为神经网络的输入,参考输出为电池组适宜温度范围区间内的中点值即为设定温度,实际输出为在当前网络参数的控制下的实际温度值。通过比较实际温度和设定温度的差值进行反馈优化神经网络,使其输出能够达到设定20-30度范围区间。
S4:连续型Hopfield神经网络包括单层的非线性神经网络,是运用各个神经元进行反馈,通过输入和输出之间的误差从而在神经网络种进行反馈控制进行自适应调节。神经网络中所有神经元是并行进行的,并且具有较强的自适应寻找最优解的能力。在控制系统中,如果系统当作神经网络的输出,可以一直迭代神经网络,完成对整个控制系统的寻优化。在连续型Hopfield神经网络中状态变量影响着输入变量,使得Hopfield神经网络系统是一个随时间变化而变化的系统。
综上所述,输入信号进入神经网络运行步骤:
(1)给出输入温度,建立一系列神经节点元的连续型Hopfield神经网络,通过随机数的方式建立节点之间的权重,并将神经网络的输出与输入信号连接。
(2)通过神经网络运行给出输出,将实际输出和参考输出取差值,或者神经网络的误差。
(3)将误差反馈输入到Hopfield神经网络中,并通过误差调整神经网络中的各个权重值。
(4)重复进行到误差不在改变。
可以看出,经过神经网络迭代之后,实际的输出值和参考输出值非常接近,可以很好的完成系统的控制系统温度自适应的任务。由于基于Hopfield神经网络的输出信号是自适应进行,自动计算并调整神经网络的内部权重值得到,完全不需要人工介入,减少了工作量和调节参数的复杂性和不确定性。控制系统的参考输出发生变化时,只需要神经网络误差再次反馈到Hopfield神经网络中,这样迭代下去,神经网络的权重值发生了改变,利用新的权重值继续反馈优化。所以神经网络有很强的自适应能力,改变神经网络自身的权重值达到自适应控制的目的。
实施例2:
如图2所示,本实施例提供了一种电池温控管理装置,参见图2所述装置包括:
获取模块701:用于获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间;
构建模块702:用于构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;
计算模块703:用于计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;
管理模块704:用于根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
具体地,所述获取模块701,其中包括:
采集单元7011:用于通过传感器对待检测电池组进行温度采集,并记录实时温度数据;
输入单元7012:用于将所述实时温度数据输入至所述连续型Hopfield神经网络中;
查找单元7013:用于根据所述待检测电池组的型号查找所述述待检测电池组相对应的适合工作的温度范围区间,将适合的所述温度范围区间记作既定的所述温度范围区间;
选取单元7014:用于选取既定的所述温度范围区间的中点记作所述连续型Hopfield神经网络的输出值。
具体地,所述管理模块704,之前包括:
设置单元7041:用于根据所述待检测电池组的输入输出对应关系,设置所述连续型Hopfield神经网络的输入层、输出层、隐含层层数和隐含层神经元数;
包含单元7042:用于所述连续型Hopfield神经网络包括:训练模型网络,所述训练模型网络用于辨识出实验模型;控制器网络,所述控制器网络用于训练控制器,使得实验输出跟随参考模型输出。
具体地,所述计算模块703,其中包括:
优化单元7031:用于根据基本网络骨架的所述连续型Hopfield神经网络以及所述待检测电池组的输出到输入来修正各个神经元的连接权值,优化所述待检测电池组的温度控制在预设范围内,其中包括:
判断单元7032:用于基于所述连续型Hopfield神经网络,判断所述输出是否在预设范围内,若达到所述预设范围内,则保持所述待检测电池组的状态,且所述连续型Hopfield神经网络不再变化;若没达到所述预设范围内,则计算所述输出和所述输入之间的差值,并对所述连续型Hopfield神经网络进行控制,修改所述连接权值,使其达到所述预设范围内。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种电池温控管理设备,下文描述的一种电池温控管理设备与上文描述的一种电池温控管理方法可相互对应参照。
图3是根据示例性实施例示出的一种电池温控管理设备800的框图。如图3所示,该电池温控管理设备800可以包括:处理器801,存储器802。该电池温控管理设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该电池温控管理设备800的整体操作,以完成上述的电池温控管理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电池温控管理设备800的操作,这些数据例如可以包括用于在该电池温控管理设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasab leProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电池温控管理设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电池温控管理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的电池温控管理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的电池温控管理方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由电池温控管理设备800的处理器801执行以完成上述的电池温控管理方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种电池温控管理方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的电池温控管理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到变化或替换,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权利要求的保护范围为准。
Claims (10)
1.一种电池温控管理方法,其特征在于,包括:
获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间;
构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;
计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;
根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
2.根据权利要求1所述的电池温控管理方法,其特征在于,所述获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间,其中包括:
通过传感器对待检测电池组进行温度采集,并记录实时温度数据;
将所述实时温度数据输入至所述连续型Hopfield神经网络中;
根据所述待检测电池组的型号查找所述述待检测电池组相对应的适合工作的温度范围区间,将适合的所述温度范围区间记作既定的所述温度范围区间;
选取既定的所述温度范围区间的中点记作所述连续型Hopfield神经网络的输出值。
3.根据权利要求1所述的电池温控管理方法,其特征在于,所述根据所述优化结果,之前包括:
根据所述待检测电池组的输入输出对应关系,设置所述连续型Hopfield神经网络的输入层、输出层、隐含层层数和隐含层神经元数;
所述连续型Hopfield神经网络包括:训练模型网络,所述训练模型网络用于辨识出实验模型;控制器网络,所述控制器网络用于训练控制器,使得实验输出跟随参考模型输出。
4.根据权利要求2所述的电池温控管理方法,其特征在于,所述计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果,其中包括:
根据基本网络骨架的所述连续型Hopfield神经网络以及所述待检测电池组的输出到输入来修正各个神经元的连接权值,优化所述待检测电池组的温度控制在预设范围内,其中包括:
基于所述连续型Hopfield神经网络,判断所述输出是否在预设范围内,若达到所述预设范围内,则保持所述待检测电池组的状态,且所述连续型Hopfield神经网络不再变化;若没达到所述预设范围内,则计算所述输出和所述输入之间的差值,并对所述连续型Hopfield神经网络进行控制,修改所述连接权值,使其达到所述预设范围内。
5.一种电池温控管理装置,其特征在于,包括:
获取模块:用于获取第一信息,所述第一信息包括待检测电池组的实际温度值和每个所述待检测电池组既定的温度范围区间;
构建模块:用于构建连续型Hopfield神经网络,将所述第一信息输入至所述连续型Hopfield神经网络中,计算得出第一数据;
计算模块:用于计算所述第一数据和所述连续型Hopfield神经网络的理想输出值的差值,将所述差值输入至神经网络中进行优化,得到优化结果;
管理模块:用于根据所述优化结果,发送控制所述待检测电池组的温度的命令,对所述待检测电池组的温度进行管理。
6.根据权利要求5所述的电池温控管理装置,其特征在于,所述获取模块,其中包括:
采集单元:用于通过传感器对待检测电池组进行温度采集,并记录实时温度数据;
输入单元:用于将所述实时温度数据输入至所述连续型Hopfield神经网络中;
查找单元:用于根据所述待检测电池组的型号查找所述述待检测电池组相对应的适合工作的温度范围区间,将适合的所述温度范围区间记作既定的所述温度范围区间;
选取单元:用于选取既定的所述温度范围区间的中点记作所述连续型Hopfield神经网络的输出值。
7.根据权利要求5所述的电池温控管理装置,其特征在于,所述管理模块,之前包括:
设置单元:用于根据所述待检测电池组的输入输出对应关系,设置所述连续型Hopfield神经网络的输入层、输出层、隐含层层数和隐含层神经元数;
包含单元:用于所述连续型Hopfield神经网络包括:训练模型网络,所述训练模型网络用于辨识出实验模型;控制器网络,所述控制器网络用于训练控制器,使得实验输出跟随参考模型输出。
8.根据权利要求6所述的电池温控管理装置,其特征在于,所述计算模块,其中包括:
优化单元:用于根据基本网络骨架的所述连续型Hopfield神经网络以及所述待检测电池组的输出到输入来修正各个神经元的连接权值,优化所述待检测电池组的温度控制在预设范围内,其中包括:
判断单元:用于基于所述连续型Hopfield神经网络,判断所述输出是否在预设范围内,若达到所述预设范围内,则保持所述待检测电池组的状态,且所述连续型Hopfield神经网络不再变化;若没达到所述预设范围内,则计算所述输出和所述输入之间的差值,并对所述连续型Hopfield神经网络进行控制,修改所述连接权值,使其达到所述预设范围内。
9.一种电池温控管理设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述电池温控管理方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述电池温控管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210784512.6A CN115332649B (zh) | 2022-07-05 | 2022-07-05 | 一种电池温控管理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210784512.6A CN115332649B (zh) | 2022-07-05 | 2022-07-05 | 一种电池温控管理方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115332649A true CN115332649A (zh) | 2022-11-11 |
CN115332649B CN115332649B (zh) | 2023-06-09 |
Family
ID=83918458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210784512.6A Active CN115332649B (zh) | 2022-07-05 | 2022-07-05 | 一种电池温控管理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115332649B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387692A (zh) * | 2023-05-31 | 2023-07-04 | 宁波齐云新材料技术有限公司 | 一种锂电池pack智能散热控制系统及其控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102195101A (zh) * | 2010-03-05 | 2011-09-21 | 陕西铭越信息科技有限公司 | 动力电池组管理系统以及方法 |
US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
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 |
CN110137547A (zh) * | 2019-06-20 | 2019-08-16 | 华中科技大学鄂州工业技术研究院 | 带重整器的燃料电池系统的控制方法、装置及电子设备 |
CN112541260A (zh) * | 2020-12-08 | 2021-03-23 | 深圳市吉毅创能源科技有限公司 | 一种电池均衡控制方法、系统、存储介质及电子设备 |
CN113410531A (zh) * | 2021-06-09 | 2021-09-17 | 湖州师范学院 | 电池整体温度检测方法、装置及计算机可读存储介质 |
CN113435016A (zh) * | 2021-06-10 | 2021-09-24 | 同济大学 | 基于回归模型算法的混合热管理系统多目标优化设计方法 |
CN113690514A (zh) * | 2020-05-19 | 2021-11-23 | 比亚迪股份有限公司 | 一种电池温度控制方法、装置、设备及介质 |
CN114043841A (zh) * | 2021-11-12 | 2022-02-15 | 上汽通用五菱汽车股份有限公司 | 汽车热管理方法、设备及计算机可读存储介质 |
-
2022
- 2022-07-05 CN CN202210784512.6A patent/CN115332649B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102195101A (zh) * | 2010-03-05 | 2011-09-21 | 陕西铭越信息科技有限公司 | 动力电池组管理系统以及方法 |
US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
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 |
CN110137547A (zh) * | 2019-06-20 | 2019-08-16 | 华中科技大学鄂州工业技术研究院 | 带重整器的燃料电池系统的控制方法、装置及电子设备 |
CN113690514A (zh) * | 2020-05-19 | 2021-11-23 | 比亚迪股份有限公司 | 一种电池温度控制方法、装置、设备及介质 |
CN112541260A (zh) * | 2020-12-08 | 2021-03-23 | 深圳市吉毅创能源科技有限公司 | 一种电池均衡控制方法、系统、存储介质及电子设备 |
CN113410531A (zh) * | 2021-06-09 | 2021-09-17 | 湖州师范学院 | 电池整体温度检测方法、装置及计算机可读存储介质 |
CN113435016A (zh) * | 2021-06-10 | 2021-09-24 | 同济大学 | 基于回归模型算法的混合热管理系统多目标优化设计方法 |
CN114043841A (zh) * | 2021-11-12 | 2022-02-15 | 上汽通用五菱汽车股份有限公司 | 汽车热管理方法、设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387692A (zh) * | 2023-05-31 | 2023-07-04 | 宁波齐云新材料技术有限公司 | 一种锂电池pack智能散热控制系统及其控制方法 |
CN116387692B (zh) * | 2023-05-31 | 2023-08-18 | 宁波齐云新材料技术有限公司 | 一种锂电池pack智能散热控制系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115332649B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tey et al. | Improved differential evolution-based MPPT algorithm using SEPIC for PV systems under partial shading conditions and load variation | |
Irmak et al. | A model predictive control-based hybrid MPPT method for boost converters | |
Sundareswaran et al. | MPPT of PV systems under partial shaded conditions through a colony of flashing fireflies | |
Zhang et al. | Novel current sensing photovoltaic maximum power point tracking based on sliding mode control strategy | |
Zhang et al. | Solar micro-energy harvesting with pyroelectric effect and wind flow | |
Motamarri et al. | Modified grey wolf optimization for global maximum power point tracking under partial shading conditions in photovoltaic system | |
CN115332649A (zh) | 一种电池温控管理方法、装置、设备及可读存储介质 | |
CN108873966A (zh) | 一种温度控制装置及控制方法 | |
CN105928516A (zh) | 一种惯性测量单元及其加热装置、惯性测量系统 | |
Aly et al. | A MPPT based on optimized FLC using manta ray foraging optimization algorithm for thermo‐electric generation systems | |
Chekired et al. | Comparative study between two intelligent MPPT-controllers implemented on FPGA: application for photovoltaic systems | |
CN113296559A (zh) | 一种自适应电加热恒温控制器及恒温控制方法 | |
Basil et al. | Black-hole optimisation algorithm with FOPID-based automation intelligence photovoltaic system for voltage and power issues | |
CN103412588A (zh) | 一种红外焦平面阵列的温度控制电路 | |
Jaswanth et al. | Thermoelectric maximum power point tracking by artificial neural networks | |
Cai et al. | An MPTD-specialized MPPT algorithm used for a novel medium-power thermoelectric system | |
Sreedhar et al. | A review on optimization algorithms for MPPT in solar PV system under partially shaded conditions | |
Yusop et al. | Performance analysis of shapeable-maximum power point tracking technique from thermoelectric-solar hybrid energy harvesting sources on mobile devices | |
He et al. | Maximum power tracking for centralized temperature difference power generation system based on Elman neural network combined with improved sparrow search | |
Kambale et al. | Enhanced Voltage Regulation in Solar PV Systems using ANN-based MPPT control for DC-DC Converter | |
Hsiao et al. | A strategy for optimal energy conversion by pyroelectricity | |
Sezen et al. | Visual Re-Initialization Model Development Methodology for Solving Problems Regarding Metaheuristic Algorithm-Based MPPT Applications | |
Cheng et al. | GA-based actuator control method for minimizing power consumption in cyber physical systems | |
Muthamizhan et al. | Iot Based Solar Energy Monitoring System | |
Ameziane et al. | Adaptive wavelet network sliding mode control for a photovoltaic-pumping system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |