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。
[0080]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:
[0081]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；
[0082]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 ；
[0083]A3、接通直流可编程电源2对电池组进行充电；
[0084]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 ；
[0085]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；
[0086]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；
[0087]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；
[0088]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；
[0089]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；
[0090]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；
[0091]All、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；
[0092]A12、控制电池组通过电子负载3放电；
[0093]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 ;
[0094]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；
[0095]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；
[0096]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；
[0097]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；
[0098]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；
[0099]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；
[0100]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。
[0101 ] 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S0C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。
[0102]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S0C的计算。
[0103]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，即输入层一隐含层一输出层，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。
[0104]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。
[0105]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S0C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。
[0106]系统可根据电池端电压实测值分别对应放空端电压值V_和满充端电压V _判断电池放空状态与满充状态。用电池组电压动态量变化Λν判断电池组处于两种状态的其中一种，即Δν > 0为充电，Δν < 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Q。和放电总电量Qy在上述过程中以固定充放电时间间隔采集当前电量值仏為…仏。同时，以总电量为100%标定出各时间段对应的S0C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(Q^QJ/Q。得出电池一次满充或满放的损耗率，完成映射规则校准。
[0107]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S0C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、