[发明专利]一种应用于电池在线保护器的算法

说明书

本发明公开了一种电池在线保护器的应用算法，包括以下步骤：S1：采集每个检测单体每个时刻的瞬时电压值以及对应时刻的a、b建立训练集；S2：建立下一时刻的瞬时电压值预测值的神经网络预测模型；S3：建立价值神经网络预测模型；S4：将当前时刻的电压值输入至S2建立的神经网络预测模型中，得出下一时刻的瞬时电压的预测值；S5：将S4中得出的每个检测单体的瞬时电压预测值与全部检测单体瞬时电压预测值的平均值输入至S3建立的神经网络预测模型中，得出下一时刻的检测单体是否需要作出均衡操作。本发明采用神经网络预测模型来进行智能预测瞬时电压值和阀值，而不需要手动进行调参，从而使得在线保护器能够快速做出充放电决策。

技术领域

本发明涉及电池保护技术领域，特别涉及一种电池在线保护器的应用算法。

背景技术

传统电池在线保护器的均衡算法采用的是均衡阈值一直不变的策略，在充电过程中这种方法存在电池组充电饱和度较低的情况，均衡开启阈值设置大了，某一节单体达到过充电阈值时，其他单体可能还远未饱和，均衡开启阈值设置小了，又会大大影响电池组充电效率，延长充电时间，而手动进行阀值调参又极大的提高了阀值计算的时间，不利于电池保护器快速做出决策。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种电池在线保护器的应用算法，解决目前计算电池在线保护器需要手动调节阀值，造成在线保护器反应时间较慢，无法做出快速充放电决策的问题。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种电池在线保护器的应用算法，包括以下步骤：

S1：采集每个检测单体每个时刻的瞬时电压值以及对应时刻的a、b建立训练集；其中，a代表做出均衡操作，b代表不做出均衡操作；

S2：将S1中每个检测单体的瞬时电压值作为输入值，每个检测单体的下一时刻的瞬时电压值作为输出值，建立神经网络预测模型；

S3：将S1中每个检测单体的瞬时电压与全部检测单体瞬时电压的平均值作为输入值，将代表是否需要作出均衡操作的a、b作为输出值，建立神经网络预测模型；

S4：将当前时刻的电压值输入至S2建立的神经网络预测模型中，得出下一时刻的瞬时电压的预测值；

S5：将S4中得出的每个检测单体的瞬时电压预测值与全部检测单体瞬时电压预测值的平均值做为输入值，输入至S3建立的神经网络预测模型中，得出下一时刻的检测单体是否需要作出均衡操作。

作为本发明的一种优选技术方案，所述神经网络预测模型选择BP神经网络模型或RBF神经网络模型中的一种。

作为本发明的一种优选技术方案，将所述BP神经网络模型或RBF神经网络模型中得出预测数据分别与实际数据进行比较，选出误差较小的神经网络模型。

作为本发明的一种优选技术方案，在所述步骤S2中，建立神经网络模型时，计算所述BP神经网络模型或RBF神经网络模型中得出预测数据分别与实际数据的方差，选择方差较小的神经网络模型。

作为本发明的一种优选技术方案，在所述步骤S3中，建立神经网络模型时，计算所述BP神经网络模型或RBF神经网络模型中得出预测数据分别与实际数据的误差比例，选择误差比例较小的神经网络模型。

与现有技术相比，本发明的有益效果如下：

本发明只需要多组数据建立神经网络预测模型来进行智能预测瞬时电压值和阀值，而不需要手动进行调参，极大的提高了在线保护器的反应时间，从而使得在线保护器能够快速做出充放电决策。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：