[发明专利]一种基于神经网络算法的电池管理系统及其操作方法

说明书

本发明公开了一种基于神经网络算法的电池管理系统及其操作方法，包括电源功率监控系统主控模块、充电机、主控制器、外部系统控制器、从控模块和上位机监控模块，所述电源功率监控系统主控模块分别通过高速CAN线与主控制器、充电机、外部系统控制器连接，电源功率监控系统主控模块通过导线与电路中电流、电压接通，通过内部CAN线与从控模块连接，从控模块设置有多个；所述上位机监控系统设置有无线传输模块，通过无线信号与电源功率监控系统主控模块连接；本发明提高电池中SOC估算精度，可以对充放电过程进行监控于控制，并可以通过上位机软件远程监控。

技术领域

本发明涉及电池管理系统，具体为一种基于神经网络算法的电池管理系统及其操作方法。

背景技术

SOC，全称是State of Charge，电池荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值，常用百分数表示。

传统SOC估算方法：安时法、开路电压法、阻抗跟踪法，三种估算方法在实际使用过程中，存在测量不准确、受电池材质影响的情况，难以对SOC准确测量估算。

发明内容

本发明的目的在于提供一种基于神经网络算法的电池管理系统及其操作方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于神经网络算法的电池管理系统，包括电源功率监控系统主控模块、主控制器、充电机、外部系统控制器、从控模块和上位机监控模块，所述电源功率监控系统主控模块分别通过高速CAN线与主控制器、充电机、外部系统控制器连接，电源功率监控系统主控模块通过导线与电池电路中电流、电压接通，通过内部CAN线与从控模块连接，从控模块设置有多个；所述上位机监控模块设置有无线传输模块，通过无线信号与电源功率监控系统主控模块连接。

优选的，所述主控制器内部集成有RBF神经网络模块，所述RBF神经网络模块包括输入层、隐含层、输出层，设置有两种模式，分别为学习模式和误差传递模式。

优选的，所述输入层、隐含层、输出层相互连接，进行数据传输，隐含层、输出层之间的数据传输呈线性关系。

优选的，所述学习模式为所述输入层接收电源功率监控系统主控模块的检测参数：电流、电压以及温度，进行归一化处理，传递至隐含层的神经元中，由隐含层进行数据变换后传给输出层，由输出层输出SOC值。

优选的，所述误差传递模式为输入层的实际输出值与期望SOC值不符时，通过输出层向隐含层、输入层进行反向传播，训练对象是每层的权值。

优选的，所述RBF神经网络模块中，隐含层采用输入模式与中心向量的距离作为函数的自变量，并使用径向基函数作为激活函数。

本发明还提供了一种基于神经网络算法的电池管理系统的操作方法，包括如下步骤：

S1：确定电源功率监控系统主控模块连接的电池基本参数，包括电池截止电压、容量等；.

S2：确定电池初始SOC；

S3：对电池进行充放电循环实验，测量该过程中的电池电压、电流、容量、充放电效率的变化情况；

S4：利用电池初始SOC及步骤S中测量的数据，对RBF神经网络进行训练，建立电池SOC预测模型；

S5：对已知模型进行实验验证，测定误差，重复步骤S，继续训练，并对误差进行修正。

与现有技术相比，本发明的有益效果是：本发明通过设置电源功率监控系统主控模块，对电池进行监控；在主控制器中设置RBF神经网络模块，通过RBF神经网络模块接收参数，对SOC进行估算；提高电池中SOC估算精度，可以对充放电过程进行监控于控制，并可以通过上位机软件远程监控。

附图说明