1.一种基于神经网络模型的最优充电电流估算的方法,其特征在于,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。
2.如权利要求1所述的方法,其特征在于,所述神经网络热模型为:
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,所述输入向量包含: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。
3.如权利要求1或2所述的方法,其特征在于,所述评价函数为:score=Tscore+tscore;
其中,score为总得分;Tscore为温度得分;tscore为时间得分;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。
4.如权利要求1-3任一项所述的方法,其特征在于,在步骤(4)中获得最优电流的步骤具体为:
(4.1)获得当前充电初始状态,所述充电初始状态包括环境温度和充电初始最高温度;
(4.2)在所述充电电流范围内从最小充电电流开始遍历所有充电电流值,并获得与充电电流值对应的充电时间;
(4.3)根据所述充电时间和神经网络热模型获得当前充电电流值对应的温升;
(4.4)根据所述温升和评价函数获得评价函数值;
(4.5)判断所述评价函数值是否最大,若是,则获得最优电流,若否则返回至步骤(4.2)。
5.如权利要求4所述的方法,其特征在于,所述充电时间为:time=(1-SOC)*Capacity/Current;其中,SOC是当前剩余电量,Capacity是电池组容量,Current是充电电流。
6.如权利要求4所述的方法,其特征在于,步骤(4.5)中,所述判断评价函数值是否最大具体为:
从允许最小充电电流开始,每隔1A的电流进行扫描遍历直至最大允许充电电流;每个扫描的电流值以及相应的充电时间、环境温度、电池初始温度构成一组神经网络温度模型的输入,把输入导入到模型中即可估算出相应的充电温升;每个扫描的电流值产生的充电温升以及对应的充电时间输入到评价函数中,计算出当前工况下的得分,也即每个电流值均可得出一个充电效果的得分,选取得分最大的工况对应的电流值作为最优充电电流。