一种基于神经网络模型的最优充电电流估算的方法与流程

本发明属于电动汽车领域，更具体地，涉及一种基于神经网络模型的最优充电电流估算的方法。

背景技术：

充电技术是电动汽车技术中的关键技术之一。因此，充电电流的选择具有十分重要意义。合理的充电电流，不仅可以保证充电安全，还能缩短充电时间、控制充电温度不失控、避免电池在充电中的过度老化，提高电池组使用寿命。

目前，电动汽车的充电方法基本都是以固定充电电流进行充电，该方法充电模式单一，不够灵活，不能很好地适应不同电池组初始充电状态，比如充电开始不同的环境温度、不同电池组温度、不同电池组剩余电量等都会对充电电流的需求有所不同，如果任何情况下都以固定的充电电流进行充电，容易出现充电电流与实际需求不匹配的情况，导致充电时间过长、充电温度过高、电池老化加剧等不良后果，严重的话甚至可能引发充电安全事故。

技术实现要素：

针对现有技术的缺陷，本发明的目的在于提供一种基于神经网络模型的最优充电电流估算的方法，旨在解决现有技术中以固定的充电电流进行充电导致容易出现充电电流与实际需求不匹配的情况，充电时间过长、充电温度过高以及电池老化加剧的问题。

本发明提供了一种基于神经网络模型的最优充电电流估算的方法，包括下述步骤：

(1)获得神经网络热模型；

(2)根据待充电的车型配置充电电流范围，所述充电电流范围的上界为最大充电电流，所述充电电流范围的下界为最小充电电流；

(3)配置评价函数的参数，其中，所述评价函数的参数包括：允许的最长充电时间、允许的最短充电时间、允许的最高温度、允许的最低温度、温度函数的评价权重和时间函数的评价权重；

(4)根据充电电流范围、评价函数的参数和神经网络热模型获得最优电流，并将所述最优电流作为初始充电电流。

本发明采用神经网络算法，基于充电神经网络模型，根据不同的充电初始状态，在线估算出当前电池组状态下的最优充电电流。本方法自适应性强，灵活多变，能够适应不同电池组充电初始状态，估算出当前状态下的最优充电电流，同时保证了不会发生充电时间过长、充电温度过高等情况。

附图说明

图1是本发明实施例提供的基于神经网络模型的最优充电电流估算的方法中神经网络热模型的搭建方法实现流程图；

图2是是本发明实施例提供的基于神经网络模型的最优充电电流估算的方法中的实现流程图。

具体实施方式

为了使本发明的目的、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详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明采用神经网络算法，基于充电神经网络模型，根据不同的充电初始状态，在线估算出当前电池组状态下的最优充电电流。本方法自适应性强，灵活多变，能够适应不同电池组充电初始状态，估算出当前状态下的最优充电电流，同时保证了不会发生充电时间过长、充电温度过高等情况。

本发明中，神经网络算法有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力。使用神经网络算法，结合电动汽车充电数据，可以构建出一个高适应性、高精度的充电热模型。

在热模型基础上，建立关于温升和充电时间的充电电流评价函数。评价函数用来衡量估算的充电电流的优劣性。最后，选取评价分值最高的充电电流作为最优充电电流。

本发明实施例提供的基于神经网络模型的最优充电电流估算的方法中神经网络热模型的搭建方法的主流程如图1所示，神经网络热模型的搭建方法为：

(1)采集电动汽车日常运营数据，包括电池组温度、电流、电压、环境温度等。

(2)从所有运营数据中筛选出充电部分的数据，将每次充电的充电电流、时间、初始温度、终止温度、电压等作为一条充电记录中的属性，每次充电可以生成一条记录。

(3)以车辆历史充电数据生成的所有充电记录作为神经网络模型的训练样本，样本记录中的初始温度、电流、电压、充电时间等作为模型的输入变量，以充电温升作为输出变量，搭建涵盖了不同充电电流、充电时间、不同初始充电温度等不同充电初始状态的神经网络热模型。

Xp1＝(P_input-x1_step1_xoffset)*x1_step1_gain+x1_step1_ymin；

a11＝b1+IW1_1*Xp1；

a1＝2/(1+exp(-2*a11))–1；

a2＝b2+LW2_1*a1；

y＝(a2-y1_step1_ymin)/y1_step1_gain+y1_step1_xoffset；

其中，P_input是温度模型的输入向量，输入向量包含：充电电流、充电时间、环境温度、电池初始温度；y是模型估算出来的温升；x1_step1_xoffset是4*1矩阵；x1_step1_gain是4*1矩阵；x1_step1_ymin是1*1矩阵；b1是3*1矩阵；IW1_1是3*4矩阵；b2是1*1矩阵；LW2_1是1*3矩阵；y1_step1_ymin是1*1矩阵；y1_step1_gain是1*1矩阵；y1_step1_xoffset是1*1矩阵。

如图2所示，使用评价函数计算，结合神经网络热模型的步骤为：

(1)设置最大最小允许充电电流、最长最短允许充电时间。

(2)设置温度、充电时间权重。

(3)获取当前充电初始状态(电池组温度、环境温度、剩余电量等)

(4)把不同的电流、充电时间值代入神经网络热模型，使用热模型预测出温升值。

(5)使用评价函数，对估算得到的温升值、充电时间进行打分，并且把分数值记录下来。

在本发明实施例中，评价函数为：score＝Tscore+tscore；其中，score是总得分；Tscore是温度得分；tscore是时间得分；且Tscore＝afa_T*(1-((y+Tcell0)-Tcell0)/(maxtemp-Tcell0))*100；tscore＝beta_t*(1-(time-besttime)/(badtime-besttime))*100；afa_T+beta_t＝1；afa_T是温度得分权重；beta_t是时间得分权重；y是温升，Tcell0是充电初始电池温度，maxtemp是允许最高充电温度；time是当次充电时间，besttime是在允许最大充电电流下对应的最短充电时间，badtime是在允许最小充电电流下对应的最长充电时间。

(6)重复第(4)～(5)步骤，寻找分数值最高的记录，并且以分值最高记录对应的电流值作为最优充电电流。

本发明使用神经网络算法，以电动汽车的充电数据作为依据，搭建充电热模型。并构建了评价函数，结合充电热模型，给出一套充电电流的评价方法。基于神经网络模型，通过评价函数，寻找、估算出最优充电电流。

本发明采用神经网络算法，基于充电神经网络模型，根据不同的充电初始状态，在线估算出当前电池组状态下的最优充电电流。本方法自适应性强，灵活多变，能够适应不同电池组充电初始状态，估算出当前状态下的最优充电电流，同时保证了不会发生充电时间过长、充电温度过高等情况。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。