一种基于极限神经网络的快速充电设备及其方法与流程

本发明涉及一种电动汽车充电的技术领域，特别是一种基于极限神经网络的快速充电设备及其方法。

背景技术：

电动汽车是新一代能源汽车的解决方案，环保无污染，代表着未来的汽车发展方向。全世界不少国家和地区包括中国也都在大力推广电动汽车，为电动汽车驾驶者提供一系列优惠措施。到2020年，电动汽车的累计销量要超过500万辆。目前电动汽车的技术已经进入大规模商用的成熟期。电动汽车用电池技术也在不断的提高和发展，电池的单位体积的容量也将会不断的提高，超大容量电池也将投入市场。随着电动汽车大规模商用和电池容量的不断提高，电动汽车的充电问题将日益突出，特别是在大容量快速充电方面，甚至成了限制电动汽车普及推广的咽喉。

目前最常见的方法是通过线性控制紧充电，由于电池为非线性的，因此导致充电不合理，且相对充电速度过慢，因此如何设计一款充电速度更快显得尤为重要。

技术实现要素：

本发明的目的是为了解决上述现有技术的不足而提供一种提高充电速度的一种基于极限神经网络的快速充电设备及其方法。

为了实现上述目的，本发明所设计的一种基于极限神经网络的快速充电设备，该设备包括：

ac/dc充电器，用于给电动车电池进行充电；

功率检测器，用于检测电动车电池的输出功率；

温度检测器，用于检测电动车电池的输出温度量；

elm神经网络，输出与所述的ac/dc充电器连接，输入分别与功率检测器、温度检测器连接，用于获得功率检测器、温度检测器检测到的数据，并进行极限神经网络训练建模，获取神经网络中更为准确的控制信号u；然后输送给ac/dc充电器，由ac/dc充电器给电动车电池进行充电的过程。

本发明还公开了一种基于极限神经网络的快速充电方法，其具体包括以下步骤：

s1)、从电动车电池的输出中获取检测温度和检测功率；

s2)、根据elm神经网络算法，通过处理所检测的温度和检测功率来计算获得控制信号u；

s3)、将计算的控制信号u输送给ac/dc充电器；

s4)、ac/dc充电器将获得的控制信号u转成充电电流后，给电动车电池进行充电的过程。

本发明得到的一种基于极限神经网络的快速充电设备及其方法，上述结构设计，能够利用非线性的elm神经网络来实现对电动车电池进行快速充电的过程，解决了现有技术中利用常规线性控制导致充电不合理，充电速度慢的问题。

附图说明

图1是本实施例1中一种基于极限神经网络的快速充电装置的结构示意图；

图2是本实施例1中elm神经网络的结构示意图。

附图标记：ac/dc充电器、功率检测器2、温度检测器3、电动车电池5、elm神经网络4。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

实施例1：

如图1所示，本实施例提供的一种基于极限神经网络的快速充电设备，该设备包括：

ac/dc充电器1，用于给电动车电池5进行充电；

功率检测器2，用于检测电动车电池5的输出功率p；

温度检测器3，用于检测电动车电池5的输出温度量t；

elm神经网络4，输出与所述的ac/dc充电器1连接，输入分别与功率检测器2、温度检测器3连接，用于获得功率检测器2、温度检测器3检测到的数据即温度t、功率p，并进行极限神经网络训练建模，获取神经网络中更为准确的控制信号u；然后输送给ac/dc充电器1，由ac/dc充电器1给电动车电池5进行充电的过程。

本实施例还公开了一种基于极限神经网络的快速充电方法，其具体包括以下步骤：

s1、从电动车电池5的输出中获取检测温度和检测功率；

s2、根据elm神经网络算法，通过处理所检测的温度和检测功率来计算获得控制信号u；

s3)、将计算的控制信号u输送给ac/dc充电器1；

s4)、ac/dc充电器1将获得的控制信号u转成充电电流后，给电动车电池5进行充电的过程。

因此通过上述结构设计，能够利用非线性的elm神经网络来实现对电动车电池5进行快速充电的过程，解决了现有技术中利用常规线性控制导致充电不合理，充电速度慢的问题。

如图2所示，elm神经网络4包括输入区域、隐含层和输出层，为了实现根据elm神经网络算法，通过处理所检测的温度和检测功率来计算获得控制信号u，可以将检测温度t以及功率p作为两个输入量；因此总的输入量x等于elm神经网络4中的功率以及温度的向量，而u为输出量，即：

此时elm神经网络(4)的输入量可以表示为：

因此elm神经网络(4)的第一层输入可以表示为：

elm神经网络(4)的第一层输出可以表示为：

elm神经网络(4)的第二层输出可以表示为：

而最终的控制信号u等于：

其中：w为权重，b为隐层单元的偏置。i表示隐含的层数，本发明中共有2层隐含层数，g为激活函数。

然后根据以下权值学习算法公式(3)获得β值代入到公式(2)最终获得控制信号u并输送给ac/dc充电器(1)控制充电。

βi(t+1)＝βi(t)+δβi(t)(3)

其中所述的δβi(t)为：

上述的t表示时间，k表示层数，而w权重需要通过在现有的数据集上迭代进行训练已获得能够使网络的先得到最高的权重和偏差，因此需要将elm神经网络4迭代地进行反向传播学习算法，因此在实际学习过程中需要有一个性能指标，即最佳权重公式：

这里的t0和p0为整个网络传播输入x而获得的输出；所述的反向传播算法由以下步骤：

s100、第一步用一种随机的都是初始化网络的权重，也就是将接近o-1的随机数来分配连接的权重；

s200、前馈:输入x并送入网络并传播到输出层，计算结构误差；

s300、反馈:根据以下公式更新权重和偏差；

也可以不变，只更新βi。