一种预测电池的剩余电量的方法和系统的制作方法
【技术领域】
[0001]本发明涉及锂电池管理系统技术领域，尤其涉及一种预测电池的剩余电量的方法和系统。
【背景技术】
[0002]锂电池主用应用于新能源电动汽车行业以及储能系统产品。目前新能源电动汽车和电池储能行业发展迅猛。对于电动车用锂电池以及大中型电池储能系统，设计良好的BMS(Battery Management System、电池管理系统)显得极为重要。其中BMS需要获得的最重要的参数之一就是电池S0C(State of Charge、剩余电量)值，该参数能够反映当前电池的荷电状态，有效防止电池过放、过充，从而延长电池使用寿命，保证电池使用安全。不过因为电池在使用过程中SOC值呈现非线性变化，所以准确估计SOC值是有很大难度的。目前主要的SOC值预测方法有以下几种:
[0003]I )Ah(安时)累积法:通过对电流的累积和已知的SOC初值获得剩余SOC值。该方法简单，应用方便，实现成本低，但是存在如下缺点:电流测量误差导致累积误差不断增大;需要知道初始SOC值;电池充放电效率随温度、充放电率变化。
[0004]2)0CV(open circuit voltage、开路电压)法:根据SOC随OCV的变化而估测SOC值。该方法使用简单，低成本，在SOC值两端估计效果好，但存在如下缺点:不能在线测量SOC值，需长时间静置，部分锂电池存在电压平台期，在该电压平台期的范围内，SOC剧烈变化，而OCV变化很小。
[0005]3)内阻法:依据电池内阻与SOC值之间的关系获得SOC值，分为直流内阻法和交流内阻法。本方法利用内阻与电池SOC值存在的一一对应关系估测SOC值。但由于两者之间数据关系复杂，受电流、温度等不确定因素的影响大，并测量内阻需要使用专用仪器及激励源，费用成本高，且测量内阻需断开负载故而不适合于在线测量，因此该方法只适用于实验室。
[0006]4)传统神经网络法:通过建立人工神经网络，使用样本训练网络，从而计算出SOC值。传统神经网络法的特点是在采集足够多样本的前提下无需知道模型内部关系，通过训练能对非线性关系有良好的拟合。目前对SOC值预测常用的传统神经网络为BP神经网络和径向基函数神经网络，这两种神经网络结构相同，但径向基函数神经网络隐含层传递函数为高斯函数，因此在学习过程中径向基函数神经网络除了需要调整神经元之间权值、各神经元阀值之外，还需调整隐含层高斯函数的均值和方差，故而相较之BP神经网络训练时间更长，计算量更庞大，但逼近能力和收敛性更好。对于人工神经网络算法而言，网络训练的结果受到样本极大的影响，而在实际使用过程中电池的使用工况受使用环境的影响而不断变化，比如电动车，给出的动力大小根据实际路况和驾驶员习惯等复杂因素，电池放电实际情况差别很大，故而并不能保证预测精度，因此传统人工神经网络算法只适用于工况固定的场合。
【发明内容】
[0007]本发明的目的在于提出一种预测电池的剩余电量的方法和系统，能够基于卷积神经网络算法实现电池SOC的预测，适用于各种复杂电池工况，可实施性强。
[0008]为达此目的，本发明采用以下技术方案:
[0009]第一方面，提供一种预测电池的剩余电量的方法，包括:
[0010]建立训练样本组，针对所述训练样本组中的每个电池进行以下操作:
[0011]获得电池的放电电流和放电时间的关系曲线图；
[0012]对所述关系曲线图进行重构，以便所述关系曲线图的放电电流按照预设的顺序依次排列；
[0013]将重构后的关系曲线图作为卷积神经网络的输入信息，通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征，输出所述特征至人工神经网络或径向基函数神经网络，以便对电池的剩余电量进行预测。
[0014]其中，所述预设的顺序为所述放电电流的数值从高到低的顺序。
[0015]其中，所述输出所述特征至人工神经网络或径向基函数神经网络之后，所述以便对电池的剩余电量进行预测之前，还包括:
[0016]将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值，对所述人工神经网络或径向基函数神经网络的算法进行调整，以便对电池的剩余电量进行预测。
[0017]其中，所述以便对电池的剩余电量进行预测之后，还包括:
[0018]根据预测的所述剩余电量，对所述电池的电池管理系统进行设计。
[0019]其中，所述电池为锂电池。
[0020]第二方面，提供一种预测电池的剩余电量的系统，包括:
[0021]建立单元，用于建立训练样本组；
[0022]获得单元，用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图；
[0023]排列单元，用于对每一个所述关系曲线图进行重构，以便所述关系曲线图的放电电流按照预设的顺序依次排列；
[0024]输出单元，用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息，通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征，输出所述特征至人工神经网络或径向基函数神经网络，以便对电池的剩余电量进行预测。
[0025]其中，所述预设的顺序为所述放电电流的数值从高到低的顺序。
[0026]其中，所述系统还包括调整单元，所述调整单元，用于将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值，对所述人工神经网络或径向基函数神经网络的算法进行调整，以便对电池的剩余电量进行预测。
[0027]其中，所述系统还包括设计单元，所述设计单元，用于根据预测的所述剩余电量，对所述电池的电池管理系统进行设计。
[0028]其中，所述电池为锂电池。
[0029]本发明的有益效果在于:一种预测电池的剩余电量的方法和系统，包括建立单元、获得单元、排列单元和输出单元，所述建立单元，用于建立训练样本组;所述获得单元，用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图；所述排列单元，用于对每一个所述关系曲线图进行重构，以便所述关系曲线图的放电电流按照预设的顺序依次排列;所述输出单元，用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息，通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征，输出所述特征至人工神经网络或径向基函数神经网络，以便对电池的剩余电量进行预测。可见，该预测电池的剩余电量的方法和系统，能够基于卷积神经网络算法实现电池SOC的预测，适用于各种复杂电池工况，可实施性强。
【附图说明】
[0030]为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。
[0031]图1是本发明提供的预测电池的剩余电量的方法第一个实施例的方法流程图。
[0032]图2是本发明提供的原始的关系曲线图。
[0033]图3是本发明提供的重构的关系曲线图。
[0034]图4是本发明提供的预测电池的剩余电量的方法第一个实施例的方法原理图。
[0035]图5是本发明提供的预测电池的剩余电量的方法第二个实施例的方法流程图。
[0036]图6是本发明提供的预测电池的剩余电量的方法第二个实施例的方法原理图。
[0037]图7是本发明提供的预测电池的剩余电量的系统第一个实施例的结构方框图。
[0038]图8是本发明提供的预测电池的剩余电量的系统第二个实施例的结构方框图。
【具体实施方式】
[0039]为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步