蓄电池剩余容量的检测方法和装置与流程
本发明涉及电力信息技术领域，特别是涉及一种蓄电池剩余容量的检测方法和装置。
背景技术：
蓄电池是一种价格低廉、使用方便、结构简单的电源设备，被广泛地应用在电力、通信等各行业中。蓄电池的稳定、可靠工作对整个系统的运行至关重要。为了充分了解蓄电池的工作状态，需要对蓄电池进行剩余容量(soc，stateofcharge，荷电状态)的检测，以便采取相应的控制措施。
一般蓄电池剩余容量的检测采用放电试验法、内阻检测法和开路电压法等。放电试验法需要确定蓄电池的初始容量和充放电效率，获取准确的充放电效率较为困难，内阻检测法和开路电压法会较大程度受到其他影响因素的影响，因此，利用一般的方法对蓄电池进行使剩余容量检测的准确性较低。
技术实现要素：
基于此，有必要针对传统的蓄电池剩余容量检测准确性较低的问题，提供一种蓄电池剩余容量的检测方法和装置。
一种蓄电池剩余容量的检测方法，包括以下步骤：
获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值；
将影响因素的测量值输入至预置人工神经网络模型库，通过预置人工神经网络模型库获得待测蓄电池的多个电容预测值和多个剩余容量预测值，其中，多个电容预测值和多个剩余容量预测值一一对应；
根据预设权重系数对多个电容预测值进行加权拟合，获得电容拟合值；
以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数；
根据优化权重系数对多个剩余容量预测值进行加权拟合，获得待测蓄电池的剩余容量值。
一种蓄电池剩余容量的检测装置，包括直流电源、电流测量装置、电压测量装置、内阻仪、交流阻抗测量仪、温度测量装置和微处理器；
检测装置具备两个第一接线端子，直流电源和电流测量装置串联后连接在两个第一接线端子之间，电压测量装置、内阻仪、交流阻抗测量仪并联在两个第一接线端子之间；两个第一接线端子用于分别连接待测蓄电池的正负极；
微处理器分别与直流电源、电流测量装置、电压测量装置、内阻仪、交流阻抗测量仪、温度测量装置连接；
微处理器接收直流电源、电流测量装置、电压测量装置、内阻仪、交流阻抗测量仪和温度测量装置的测量数据，根据测量数据获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值；将影响因素的测量值输入至预置人工神经网络模型库，通过预置人工神经网络模型库获得待测蓄电池的多个电容预测值和多个剩余容量预测值，其中，多个电容预测值和多个剩余容量预测值一一对应；根据预设权重系数对多个电容预测值进行加权拟合，获得电容拟合值；以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数；根据优化权重系数对多个剩余容量预测值进行加权拟合，获得待测蓄电池的剩余容量值。
根据上述本发明的蓄电池剩余容量的检测方法和装置，其是获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值，利用人工神经网络模型库和剩余容量的影响因素的测量值得到待测蓄电池的多个电容预测值和多个剩余容量预测值，对多个电容预测值进行加权拟合，以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数，利用该优化权重系数对多个剩余容量预测值进行加权拟合，得到待测蓄电池的剩余容量值。此方案中使用了人工神经网络模型库，可以生成较为准确的多个剩余容量预测值，对同时得到的多个电容预测值进行加权拟合后，使用粒子群算法获得优化权重系数，使多个剩余容量预测值加权拟合后更加逼近待测蓄电池的实际剩余容量值，进一步提高了剩余容量值的检测准确性。
附图说明
图1是其中一个实施例中蓄电池剩余容量的检测方法的流程示意图；
图2是其中一个实施例中蓄电池剩余容量的检测装置的结构示意图；
图3是其中一个实施例中蓄电池剩余容量的检测装置的部分结构示意图；
图4是其中一个实施例中蓄电池剩余容量的检测装置的结构示意图；
图5是其中一个具体实施例中蓄电池剩余容量的检测装置的结构框图；
图6是其中一个具体实施例中信号处理单元结构示意图；
图7是其中一个具体实施例中直流电源回路的示意图；
图8是其中一个具体实施例中信号处理单元中微处理器与各部件连接关系方块图；
图9是其中一个具体实施例中信号处理单元同时测量多个蓄电池的测量端子示意图；
图10是其中一个具体实施例中人工神经网络模型结构简图；
图11是其中一个具体实施例中蓄电池模型库权重系数拟合算法的过程示意图；
图12是其中一个具体实施例中蓄电池的等效电路示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
参见图1所示，为本发明一个实施例的蓄电池剩余容量的检测方法的流程示意图。该实施例中的蓄电池剩余容量的检测方法包括以下步骤：
步骤s101：获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值；
在本步骤中，剩余容量值并不直接获取，获取的是剩余容量的影响因素的测量值，影响因素会对剩余容量产生较大影响，而且影响因素的测量值容易获取；
步骤s102：将影响因素的测量值输入至预置人工神经网络模型库，通过预置人工神经网络模型库获得待测蓄电池的多个电容预测值和多个剩余容量预测值，其中，多个电容预测值和多个剩余容量预测值一一对应；
在本步骤中，预置人工神经网络模型库是预先经过训练的模型库，针对输入的影响因素的测量值，可以输出与之对应的电容预测值和剩余容量预测值，由于剩余容量的影响因素也会影响蓄电池的电容，因此，预置人工神经网络模型库也可以对电容进行预测；预置人工神经网络模型库可以进行多种预测，得到一一对应的多个电容预测值和多个剩余容量预测值；
步骤s103：根据预设权重系数对多个电容预测值进行加权拟合，获得电容拟合值；
在本步骤中，电容拟合值是多个电容预测值与预设权重系数的乘积的和值；
步骤s104：以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数；
在本步骤中，利用粒子群算法获得优化权重系数，优化后的电容拟合值最大程度逼近电容测量值；
步骤s105：根据优化权重系数对多个剩余容量预测值进行加权拟合，获得待测蓄电池的剩余容量值；
在本步骤中，将多个剩余容量预测值与优化权重系数的乘积的和值作为待测蓄电池的剩余容量值。
在本实施例中，获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值，利用人工神经网络模型库和剩余容量的影响因素的测量值得到待测蓄电池的多个电容预测值和多个剩余容量预测值，对多个电容预测值进行加权拟合，以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数，利用该优化权重系数对多个剩余容量预测值进行加权拟合，得到待测蓄电池的剩余容量值。此方案中使用了人工神经网络模型库，可以生成较为准确的多个剩余容量预测值，对同时得到的多个电容预测值进行加权拟合后，使用粒子群算法获得优化权重系数，使多个剩余容量预测值加权拟合后更加逼近待测蓄电池的实际剩余容量值，进一步提高了剩余容量值的检测准确性。
可选的，预设权重系数的个数与电容预测值的个数相同，所有预设权重系数的和值为1。
在其中一个实施例中，预置人工神经网络模型库包括多个预置人工神经网络模型；
将影响因素的测量值输入至预置人工神经网络模型库，通过预置人工神经网络模型库获得蓄电池的多个电容值和多个剩余容量值的步骤包括以下步骤：
将影响因素的测量值分别输入至每个预置人工神经网络模型，每个预置人工神经网络模型输出一个电容预测值和一个剩余容量预测值。
在本实施例中，预置人工神经网络模型库包括多个预置人工神经网络模型，每个预置人工神经网络模型对影响因素测量值的预测过程不同，从而可以得到不同的预测结果，充分考虑蓄电池个体的动态特点，为后续拟合处理提供准确有效的预测数据。
在其中一个实施例中，将影响因素参数输入至预置人工神经网络模型库的步骤之前还包括以下步骤：
对多个样本蓄电池进行充放电试验，分别获取各样本蓄电池的剩余容量样本值、电容样本值以及剩余容量的影响因素样本值；
建立与各样本蓄电池一一对应的多个人工神经网络模型，对于任意一个人工神经网络模型，以对应的样本蓄电池的剩余容量样本值和电容样本值为输出，以对应的样本蓄电池的剩余容量的影响因素样本值为输入，对该人工神经网络模型进行训练，获得预置人工神经网络模型。
在本实施例中，样本蓄电池是已有的用于训练人工神经网络模型的蓄电池，通过完整的充放电试验，可以获取样本蓄电池的剩余容量样本值、电容样本值以及剩余容量的影响因素样本值，通过获取的各种样本值可以对人工神经网络进行训练，得到预置人工神经网络模型，用于待测蓄电池的剩余容量的预测。
可选的，多个样本蓄电池可以包括剩余容量值等于或高于预设阈值的样本蓄电池和剩余容量值低于预设阈值的样本蓄电池，选择不同剩余容量的样本蓄电池对人工神经网络进行训练，可以提高预置人工神经网络模型对待测蓄电池的剩余容量的预测的准确性，另外，样本蓄电池还可以包括新样本蓄电池和旧样本蓄电池，新样本蓄电池包括剩余容量值等于或高于预设阈值的新样本蓄电池和剩余容量值低于预设阈值的新样本蓄电池，旧样本蓄电池包括剩余容量值等于或高于预设阈值的旧样本蓄电池和剩余容量值低于预设阈值的旧样本蓄电池，预设阈值可以是测试标准要求的剩余容量值，也可以是根据实际需要设置的剩余容量值。
在其中一个实施例中，获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值的步骤包括以下步骤：
对待测蓄电池进行多次测量，获得待测蓄电池的多组剩余容量的影响因素初始测量值和多组电容初始测量值，并对多组剩余容量的影响因素初始测量值和多组电容初始测量值进行卡尔曼滤波，得到待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值。
在本实施例中，获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值时，可以连续测量多组数据，通过卡尔曼滤波对多组数据进行处理，以减少误差影响，提高剩余容量的影响因素的测量值和电容测量值的准确性。
在其中一个实施例中，影响因素包括开路电压、欧姆内阻、极化内阻、浮充电流或环境温度。
在本实施例中，影响因素包括开路电压、欧姆内阻、极化内阻、浮充电流或环境温度，在实际检测时可以利用其中的一种或多种，上述开路电压、欧姆内阻、极化内阻、浮充电流或环境温度均会影响蓄电池的剩余容量，利用多种影响因素对剩余容量进行预测可以大大提高预测的准确性。
在其中一个实施例中，获取待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值的步骤包括以下步骤：
通过电压测量装置测量待测蓄电池的开路电压，通过直流电源和电流测量装置测量待测蓄电池的浮充电流，通过温度测量装置测量待测蓄电池的环境温度，通过内阻仪测量待测蓄电池的总内阻，通过交流阻抗测量仪测量待测蓄电池的等效阻抗；
根据总内阻和等效阻抗计算待测蓄电池的欧姆内阻、极化内阻和电容。
在本实施例中，开路电压、浮充电流和环境温度可以通过不同的设备对待测蓄电池进行测量而获得，欧姆内阻、极化内阻和电容可以通过内阻仪和交流阻抗测量仪进行测量并计算获得，在实际检测过程中，可以根据选择的影响因素选择相应的设备进行测量。
根据上述蓄电池剩余容量的检测方法，本发明实施例还提供一种蓄电池剩余容量的检测装置，以下就本发明的蓄电池剩余容量的检测装置的实施例进行详细说明。
参见图2所示，为本发明一个实施例的蓄电池剩余容量的检测装置的结构示意图。该实施例中的蓄电池剩余容量的检测装置包括直流电源210、电流测量装置220、电压测量装置230、内阻仪240、交流阻抗测量仪250、温度测量装置260和微处理器270；
检测装置具备两个第一接线端子，直流电源210和电流测量装置220串联后连接在两个第一接线端子之间，电压测量装置230、内阻仪240、交流阻抗测量仪250并联在两个第一接线端子之间；两个第一接线端子用于分别连接待测蓄电池的正负极；
微处理器270分别与直流电源210、电流测量装置220、电压测量装置230、内阻仪240、交流阻抗测量仪250、温度测量装置260连接；
微处理器270接收直流电源210、电流测量装置220、电压测量装置230、内阻仪240、交流阻抗测量仪250和温度测量装置260的测量数据，根据测量数据获取待测蓄电池的电容测量值和剩余容量的影响因素的测量值；将影响因素的测量值输入至预置人工神经网络模型库，通过预置人工神经网络模型库获得待测蓄电池的多个电容预测值和多个剩余容量预测值，其中，多个电容预测值和多个剩余容量预测值一一对应；根据预设权重系数对多个电容预测值进行加权拟合，获得电容拟合值；以电容测量值为目标值，通过粒子群算法对电容拟合值进行优化，获得优化权重系数；根据优化权重系数对多个剩余容量预测值进行加权拟合，获得待测蓄电池的剩余容量值。
在其中一个实施例中，微处理器270分别连接直流电源210的开关模块和数据模块、电流测量装置220的开关模块和数据模块、电压测量装置230的开关模块和数据模块、内阻仪240的开关模块和数据模块、交流阻抗测量仪250的开关模块和数据模块。
在本实施例中，微处理器270通过直流电源210的开关模块、电流测量装置220的开关模块、电压测量装置230的开关模块和内阻仪240的开关模块可以分别控制直流电源210、电流测量装置220、电压测量装置230和内阻仪240的工作状态，通过直流电源210的数据模块、电流测量装置220的数据模块、电压测量装置230的数据模块和内阻仪240的数据模块可以分别接收直流电源210、电流测量装置220、电压测量装置230和内阻仪240的测量数据，通过分别控制可以避免各个测量装置之间的相互影响。
在其中一个实施例中，如图3所示，检测装置还具备多组第二接线端子和多个接线开关模块280，各组第二接线端子均包括两个第二接线端子，各组第二接线端子通过对应的接线开关模块280与两个第一接线端子连接，所有接线开关模块280均与微处理器270连接，各组第二接线端子用于分别连接不同待测蓄电池的正负极。
在本实施例中，两个第一接线端子通过多个接线开关模块280连接多组第二接线端子，各组第二接线端子可以分别连接不同待测蓄电池的正负极，微处理器270通过控制开关模块280的闭合状态，可以对连接的多个待测蓄电池进行剩余容量依次进行检测。
在其中一个实施例中，如图4所示，检测装置还包括与微处理器270连接的控制终端290，用于发送蓄电池剩余容量的检测控制信号至微处理器270，以及接收微处理器270返回的蓄电池剩余容量的检测结果。
在本实施例中，可以设置一个控制终端290与微处理器270连接，用于控制微处理器270进行蓄电池剩余容量的检测和接收检测结果数据，控制终端290还可以直观地显示检测结果，以便于用户使用。
在其中一个实施例中，预置人工神经网络模型库包括多个预置人工神经网络模型；
微处理器270将影响因素的测量值分别输入至每个预置人工神经网络模型，每个预置人工神经网络模型输出一个电容预测值和一个剩余容量预测值。
在其中一个实施例中，对多个样本蓄电池进行充放电试验，微处理器270分别获取各样本蓄电池的剩余容量样本值、电容样本值以及剩余容量的影响因素样本值；建立与各样本蓄电池一一对应的多个人工神经网络模型，对于任意一个人工神经网络模型，以对应的样本蓄电池的剩余容量样本值和电容样本值为输出，以对应的样本蓄电池的剩余容量的影响因素样本值为输入，对该人工神经网络模型进行训练，获得预置人工神经网络模型。
在其中一个实施例中，多个样本蓄电池包括剩余容量值等于或高于预设阈值的样本蓄电池和剩余容量值低于预设阈值的样本蓄电池。
在其中一个实施例中，对待测蓄电池进行多次测量，微处理器270获得待测蓄电池的多组剩余容量的影响因素初始测量值和多组电容初始测量值，并对多组剩余容量的影响因素初始测量值和多组电容初始测量值进行卡尔曼滤波，得到待测蓄电池的剩余容量的影响因素的测量值和待测蓄电池的电容测量值。
在其中一个实施例中，影响因素包括开路电压、欧姆内阻、极化内阻、浮充电流或环境温度。
在其中一个实施例中，微处理器270通过电压测量装置测量待测蓄电池的开路电压，通过直流电源和电流测量装置测量待测蓄电池的浮充电流，通过温度测量装置测量待测蓄电池的环境温度，通过内阻仪测量待测蓄电池的总内阻，通过交流阻抗测量仪测量待测蓄电池的等效阻抗；根据总内阻和等效阻抗计算待测蓄电池的欧姆内阻、极化内阻和电容。
本发明的蓄电池剩余容量的检测装置与本发明的蓄电池剩余容量的检测方法相对应，在上述蓄电池剩余容量的检测方法的实施例中阐述的技术特征及其有益效果均适用于蓄电池剩余容量的检测装置的实施例中。
在一个具体的实施例中，蓄电池剩余容量的检测装置可以应用于铅酸蓄电池的剩余容量检测的场景中。
图5为蓄电池剩余容量检测装置框图，其中信号处理单元用于测量蓄电池的开路电压、欧姆内阻、极化内阻、浮充电流、环境温度，电池电容参数，信号处理单元用于接收控制终端的指令并采集蓄电池的有关数据进行相关运算处理，得到剩余容量的检测结果并传输给控制终端。
图6为蓄电池剩余容量检测装置中信号处理单元结构示意图，图中1接线端子，用于与待测蓄电池相连接，2接线端子，用于与待测蓄电池相连接，3信号处理单元信号端口，其与控制终端相连接，4直流电源回路的开关模块，5电流测量装置回路的开关模块，6电压测量装置回路的开关模块，7蓄电池内阻仪回路的开关模块，8交流阻抗测量仪回路的开关模块，9直流电源，10电流测量装置，11电压测量装置，12蓄电池内阻仪，13交流阻抗测量仪，14微处理器，15温度测量装置，16测量回路，17测量回路。
图7为直流电源回路的示意图，其中4可设计为双刀双掷开关，其可由继电器进行通断控制，用以实现9直流电源接入或断出16和17测量回路。
图8为信号处理单元微处理器与各部件连接关系方块图，微处理器14与3、9、10、11、12、13、15之间都有导线相连接，其中通过3接收控制终端的控制信号，接收9、10、11、12、13、15的测量信号，经过相关运算，得到剩余容量的检测结果，通过3将检测结果传输给控制终端。微处理器14通过对4、5、6、7、8发出的指令可以实现9、10、11、12、13不同设备接入或断出16和17测量回路。由于蓄电池只有正极、负极两个接线端口，信号处理单元设计的是与蓄电池正负极对应的两个接线端口，通过对信号处理单元设计内部各开关模块(可用继电器实现该功能)的控制，使得根据测量需要将不同的设备接入到测量回路之中。例如接通6，断开4、5、7、8，即可实现将电压测量装置接入到16和17测量回路中。
图9信号处理单元同时测量多个蓄电池的测量端子示意图。图中18开关模块、19开关模块、20开关模块、21开关模块、22接线端子、23接线端子、24接线端子、25接线端子、26接线端子、27接线端子、28接线端子、29接线端子。通过增加一系列开关模块，可以实现一次性测量多个蓄电池的剩余容量。例如，微处理器14通过发出控制信号使得18接通，19断开、20断开、21断开，可以实现将22、23接入到测量回路中，对与22、23相连接的蓄电池进行测量。微处理器14通过发出控制信号使得19接通，18断开、20断开、21断开，可以实现将24、25接入到测量回路中，对与24、25相连接的蓄电池进行测量。
图10为蓄电池容量bp模型结构简图，其中bp(backpropagationartificialneuralnetwork)人工神经网络模型的输入信号为：开路电压、欧姆内阻、极化内阻、浮充电流、环境温度，输出信号为剩余容量、电池电容。
图11为蓄电池模型库权重系数拟合算法，其中模型库中有l个已训练完毕的蓄电池容量bp模型。针对一个新的蓄电池，测量其开路电压、欧姆内阻、极化内阻、浮充电流、环境温度参数，将其输入到蓄电池容量bp模型库中，可以得到l个bp模型输出的电池电容，将其与模型库权重系数进行乘积，可以得到理论电池电容，即不同的权重系数可以得到不同的理论电池电容，当调整权重系数，使得理论电池电容在最大程度上逼近实测电池电容，通过pso(particleswarmoptimization)粒子群算法可以求得最优的权重系数。得到最优的权重系数以后，可以通过模型库拟合得到待测蓄电池的剩余容量。
图12为蓄电池的等效电路示意图，其中uoc为蓄电池的开路电压，ro为蓄电池的欧姆电阻，rp为蓄电池的极化电阻，i为蓄电池的浮充电流，cp为蓄电池的电池电容。
下面对该蓄电池剩余容量检查装置的工作状态做进一步说明
各测量参数所涉及的检测设备如下所示：
开路电压：电压测量装置；
欧姆内阻：内阻仪、交流阻抗测量仪；
极化内阻：内阻仪、交流阻抗测量仪；
浮充电流：直流电源、电流测量装置；
环境温度：温度测量装置；
电池电容：交流阻抗测量仪、内阻仪。
参照图12，各测量参数所使用的检测方法如下所示：
(1)开路电压
在离线情况下，使用电压测量装置直接测量蓄电池的开路电压uoc。
(2)浮充电流
在离线情况下，给蓄电池两端加上浮充电压u，测量出蓄电池的浮充电流i。
(3)环境温度
通过温度测量装置，测量蓄电池使用时的环境温度。
(4)欧姆内阻/极化内阻
在离线情况下，采用内阻仪，测量出蓄电池的总内阻r，其中r＝ro+rp(方程一)。通过进一步计算，可以分别得到测量的欧姆内阻及极化内阻。
(5)电池电容
在施加了交流电的情况下用设备测出蓄电池的等效阻抗z。两次检测中所采用的交流电频率f分别为10hz和20hz(两次检测也可以其他频率)，交流电是施加在蓄电池的正负两极上。在施加了交流电的情况下，蓄电池的等效阻抗和蓄电池的电容cp之间的关系如下所示：
根据方程一和方程二可得如下关系：
在对测量数据进行处理之前，首先需要先离线建立起一个蓄电池容量bp模型库。对于蓄电池容量bp模型的选取需要满足以下两个特点：首先是全覆盖型。不同蓄电池个体的动态模型分布很广，一个好的典型模型集合应该足够覆盖绝大部分蓄电池个体的动态特点，这样才能找到一组合理的组合系数，从而逼近实际动态。事实上，应该承认，真正意义上的“全覆盖”是不可能实现的。所以，我们需要在覆盖程度和模型个数之间做一些平衡；其次是蓄电池之间的异他性。为了尽量减少典型模型的个数，任意两个典型模型之间应该有较大的差异，从而提高每个典型模型的代表能力。理论上多边形的端点可以通过线性拟合得到该多边形内部的任意点，因此只要建立一个足够好的模型库，任意新增蓄电池的动态特性都能由该模型库线性拟合出来。
例如模型库可选用10个典型的蓄电池，可包含三块新蓄电池(容量合格，其容量等于或高于测试标准要求的容量要求)、两块新蓄电池(容量不合格，其容量低于测试标准要求的容量要求)、三块旧蓄电池(容量合格，其容量等于或高于测试标准要求的容量要求)、两块旧蓄电池(容量不合格，其容量低于测试标准要求的容量要求)。对这10块蓄电池进行完整充放电试验，测量这些蓄电池的开路电压、欧姆内阻、极化内阻、浮充电流、环境温度、剩余容量、电池电容参数。通过这些数据可以建立起图10中的蓄电池容量bp模型，其中开路电压、欧姆内阻、极化内阻、浮充电流、环境温度为输入，剩余容量、电池电容为输出，令这10个模型分别为m1m2…m10，故可以建立起一个模型库[m1m2…m10]，一旦模型库建立完成，只要输出开路电压、欧姆内阻、极化内阻、浮充电流、环境温度参数，就可以通过模型库得到对应的剩余容量、电池电容参数。
另外，在实际检测时，若对剩余容量的检测精度要求不高，在对人工神经网络进行训练时，可以选取待测蓄电池的开路电压、欧姆内阻、极化内阻、浮充电流、环境温度中的一种或几种作为输入进行训练。
蓄电池剩余容量检测装置工作时，需先断开待测蓄电池与现场设备的接线，将待测蓄电池与检测装置的信号处理单元相连接，测量待测蓄电池的开路电压、欧姆内阻、极化内阻、浮充电流、环境温度、电池电容参数(为提高测量数据的准确性，可以连续测量多组数据，并通过卡尔曼滤波(kalmanfiltering)等方法对测量数据进行处理)，将其代入到先前建立的bp模型库[m1m2…m10]，由此可以通过bp模型库中的蓄电池容量bp模型得到蓄电池的理论剩余容量[soc1soc2…soc10]、电池容量[cp1cp2…cp10]。在此给每一个bp模型设立一个权重系数[w1w2…w10]，其中这10个权重系数存在如下关系w1+w2+…+w10＝1，其初始值可设定为[0.10.1…0.1]，参考图11，通过调整不同的权重系数，可以得到不同的理论电池电容拟合值
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：rom/ram、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！