一种基于组合神经网络的电池组容量检测系统的制作方法
【技术领域】
[0001] 本发明属于电池容量检测技术领域，涉及到一种采用组合神经网络实现电池组容 量检测系统。
【背景技术】
[0002] 通信电台中的电池组是保证通信设备正常工作的关键部件之一，电池组的性能和 剩余容量直接影响到电台性能的发挥，关系到设备的正常运行和通信的畅通。
[0003] 通信电台电池组在使用过程中存在以下问题：将剩余荷电多或未达到维护周期的 电池组进行维护；荷电性能变差或失效的电池组继续使用。上述问题会影响电池组的循环 寿命和设备的正常使用。现有技术手段检测电池组的荷电状态存在用时长、准确度低等问 题，不能满足检测电池组荷电性能的实际要求。因此，需要一种能够快速准确检测电池组荷 电状态的技术和设备，为电池组在工作中发挥效能和优化使用提供必要的技术手段。为实 现这一目的，必须有一种较为有效的检测方法实现对通信电台电池组的剩余容量进行快速 准确的检测。由此可见，针对通信电台电池组，研宄一种快速容量检测方法，具有重要的实 用价值。因此本发明的成果具有很好的应用前景。
[0004] 一般用荷电状态（StateofCharge:SOC)来反映电池剩余容量大小。SOC在数值 上定义为电池的剩余容量占电池的额定容量的比值。在目前的技术条件下尚没有实现对电 池的S0C值直接进行测量的仪器设备，而是通过对特性参数如电压、电流、温度、内阻等进 行测量后，通过一定的技术方法和算法估算得到电池的S0C值。现有对S0C进行估算或检 测的方法包括：开路电压法、安时积分法、放电法、内阻法、电池数学模型法、神经网络法等。 基于神经网络的检测方法是利用神经网络的自适应、自学习和高维非线性映射能力来实现 对电池S0C的估算。该种方法已在动力电池S0C估算中得到应用。2013年《电子测量与仪 器学报》上发表的论文（刘征宇，杨俊斌，张庆等.基于QPS0-BP神经网络的锂电池S0C 预测[J].电子测量与仪器学报，2013, 3(27) :224-228.)，2007年《中南大学学报》上发表 的论文（赵克刚，罗玉涛，裴锋.基于神经网络的电池荷电状态估计方法[J].中南大学学 报，2007, 8(38) :931-936.)，2012年的硕士论文（段玲玲.电动汽车锂电池组S0C预测研 宄[D].沈阳：沈阳理工大学，2012.)，2010年申请的中国发明专利（邓庆勇，段斌，谭云 强，等?一种电动车电池S0C估算方法[P].申请公布号：101964018,2011-02-02.)。上述 文献或专利均针对电动车中动力电池的S0C估算进行研宄，采用一种神经网络算法或其改 进算法建立一个神经网络检测模型来实现。而对于容量相对较小的通信电台电池组，受其 使用场合的限制不能直接进行应用。通过对上述文献以及其它现有的神经网络S0C检测方 法进行研宄，我们发现目前已有的方法均通过训练单一的神经网络模型来实现电池组S0C 的估算，而且采用单一的神经网络模型则普遍存在当被测电池组的S0C值比较小时估算误 差明显变大的问题。例如，当S0C值处于70%以上时估算平均相对误差在3%以内、S0C值 处于（35%，70% )区间时估算平均相对误差为5%左右、S0C值处于（0%，35% )区间时 则估算平均相对误差达8%以上。如果能针对该问题，对不同区间分别采用不同的神经网络 模型采取有针对性的学习训练，并对不同的神经网络模型进行适当有效的组合，则可以取 长补短、克服单一模型的不足，在不同的区间均可提供较为准确和稳定的检测结果。
【发明内容】
[0005] 本发明提出一种基于组合神经网络的电池组容量检测系统，用于解决通信电台电 池组剩余容量的检测问题，从而得到更为准确的检测结果，为电池组在工作中发挥效能和 优化使用提供一种可靠的检测技术。
[0006] 本发明的技术方案是：
[0007] 一种基于组合神经网络的电池组容量检测系统，由电池组容量检测训练系统和电 池组容量检测工作系统两部分组成。
[0008] 电池组容量检测训练系统的结构如图1所示，包括电池组充放电和电压检测器、 训练样本集构造器、组合神经网络训练系统。其中，组合神经网络训练系统的结构如图3所 示，由训练样本集划分器、一个BP(BackPropagation:反向传播）网络单元训练器和三个 ELM(ExtremeLearningMachine:极限学习机）网络单元训练器构成。
[0009] 电池组容量检测工作系统的结构如图2所示，包括电池组充放电和电压检测器、 检测矢量构造器、组合神经网络工作系统。其中，组合神经网络工作系统的结构如图4所 示，由一个BP网络检测单元和三个ELM网络检测单元构成，这些神经网络检测单元均是由 电池组容量检测训练系统通过利用由训练样本集构造器构造出来的样本数据进行训练获 得的，分别适用于不同范围的容量检测，应用时根据中间结果进行适当组合，能够起到取长 补短、优化最终结果的作用。
[0010] 在本发明中，采用优化组合的两级检测方法，即先用图4中的BP网络检测单元对 待测电池组的S0C值进行初级检测，确定出待测电池组的容量所处范围，根据初级检测结 果再选用适合该范围的ELM网络检测单元进行第二级检测。初级检测的误差相对较大，经 过第二级检测则会得到更为准确的S0C值检测结果。
[0011] 该技术方案由两个系统来实现，即电池组容量检测训练系统和电池组容量检测工 作系统，这两个系统分别用于实现两个操作阶段：阶段1 一训练阶段，阶段2-工作阶段。
[0012] 在阶段1，首先按照图1和图3所示构造电池组容量检测训练系统和组合神经网络 训练系统，然后通过一个学习训练过程得到组合神经网络中的各个神经网络检测单元。在 该学习训练过程中，首先选出若干个满电样本电池组按照图5所示的样本电池组电压数据 循环采集流程来获得训练样本数据，然后经过图3中的训练样本集划分器对这些采集到的 训练样本数据进行划分和构造，得到4个训练样本子集Sv、Sp&和S3，其中Si是由S0C值 处于（0,35% )区间的测试样本数据构成的、S2是由S0C值处于（31%，69% )区间的测试 样本数据构成的、S3是由S0C值处于（65%，100% )区间的测试样本数据构成、Sv是由全 部测试样本数据构成。再按图3所示，由BP网络单元训练器采用BP学习算法以Sv作为训 练样本训练一个三层BP神经网络，训练结束后，得到一个收敛的BP网络检测单元；由三个 ELM网络单元训练器采用ELM学习算法分别以Si(i= 1，2, 3)作为训练样本训练三个ELM 神经网络，训练结束后，得到三个收敛的ELM网络检测单元i(i= 1，2, 3)。
[0013] 在阶段2中，用在阶段1中训练好的BP网络检测单元和三个ELM网络检测单元按 照图2和图4所示构造出电池组容量检测工作系统和组合神经网络工作系统，实现对被测