CN102324582B - 一种多功能铅酸蓄电池智能维护装置及容量预测方法 - Google Patents
一种多功能铅酸蓄电池智能维护装置及容量预测方法 Download PDFInfo
- Publication number
- CN102324582B CN102324582B CN2011102312786A CN201110231278A CN102324582B CN 102324582 B CN102324582 B CN 102324582B CN 2011102312786 A CN2011102312786 A CN 2011102312786A CN 201110231278 A CN201110231278 A CN 201110231278A CN 102324582 B CN102324582 B CN 102324582B
- Authority
- CN
- China
- Prior art keywords
- battery
- storage battery
- capacity
- network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
Abstract
一种多功能铅酸蓄电池智能维护装置及容量预测方法,涉及铅酸蓄电池维护技术。本发明涉及一种多功能铅酸蓄电池智能维护装置,用于铅酸蓄电池容量在线测试,自动恒流充放电以及进行劣化蓄电池容量恢复。装置包括充电单元、放电单元、主控模块和测量控制电路。提出的基于遗传退火优化BP神经网络的铅酸蓄电池容量预测算法,可以在控制模块和上位机中实现,其容量预测误差较国内现有蓄电池容量快速测试仪器15%的预测误差小。本发明能够在线测试铅酸蓄电池的健康状况和实现劣化蓄电池的容量恢复,延长蓄电池的使用寿命。
Description
技术领域
本发明涉及一种多功能铅酸蓄电池的智能维护装置及容量预测方法,是一种进行铅酸蓄电池自动恒流充放电、容量预测和劣化电池容量恢复的智能维护装置。
背景技术
铅酸蓄电池是一种已有一百多年应用历史的储能元件,由于价格便宜,性能稳定,技术和制造工艺成熟,广泛用于电力、通信、汽车、电动车等多个应用领域。与普通铅酸蓄电池相比,阀控密封铅酸蓄电池由于采用内部氧复合技术,大大缓解了电解液的损耗,从而使蓄电池在免维护状态下长期服役,而且具有体积小、防爆、电压稳定、无污染、重量轻、放电性能高、维护量小等优点。然而,由于蓄电池本身的设计、生产工艺及使用维护等原因,电池早期失效现象常有发生,尤其是国产铅酸蓄电池,有的只能使用2~3年,远远短于预期寿命。由于蓄电池组是由各个单体电池串联组成,蓄电池组的容量是由整组中容量最小的单体决定,蓄电池组中只要存在任何一只落后单体电池,将使整组电池的容量严重下降,直接导致蓄电池组的有效工作时间减少。针对目前的实际情况,利用现代电池测量技术、信息处理技术、电力电子技术和微处理器控制技术,开发一种能快速、准确、安全、在线地测试铅酸蓄电池健康状况和实现劣化电池容量恢复的多功能铅酸蓄电池智能维护设备,对延长铅酸蓄电池的使用寿命,降低电源***的故障率,有着十分重要的意义。
铅酸蓄电池是一个复杂的电化学体系,蓄电池的剩余容量受温度、放电电流、电池退化等多种因素影响,对它进行快速准确的容量测试是非常困难的。由于蓄电池容量预测的重要性,国内外的学者对于高精度和高适用性的容量预测方法的探索从未停止。当前的一些主要方法有:(1)蓄电池电压测量法。(2)核对放电法。(3)电导(内阻)测量法。因为铅酸蓄电池的外部参数与容量之间的关系呈现复杂的非线性,这些方法总体来看效果并不理想。除了上述方法外,还有一种是基于蓄电池等效电路模型的容量预测方法,这种模型方法可以分为两大类:一类为经验模型,如Peukert方程,开路电压-安时模型等。另一类为等效电路模型,如热学-电力学模型,四阶动力模型,Shepard模型和Martin模型组合等等,经验模型是科研人员通过大量实验总结出来的模型,其特点是结构简单,计算量少,在工程上应用广泛。但是,由于每一个经验模型考虑的问题各有侧重点,不全面,基本属于恒流充放电;同时实际应用中也有不足:一是由于模型阶数较高,计算比较困难;二是电池模型的建立需要确定相当数量的经验参数,这给应用者带来较大的麻烦;这样一系列的不足导致了当前国内外铅酸蓄电池容量测试智能化程度低,容量预测误差大。
发明内容
本发明的目的在于提供一种多功能铅酸蓄电池的智能维护装置及容量预测方法,该装置提供一种具有铅酸蓄电池容量在线测试,自动恒流充放电以及进行劣化蓄电池容量恢复的多功能铅酸蓄电池智能维护设备,铅酸蓄电池容量预测方法能够解决因铅酸蓄电池外参数造成与电池本身呈复杂的非线性关系导致铅酸蓄电池容量预测误差大的问题,具有预测精度高和智能化程度高的特点。
为了实现上述目的,本发明采用如下技术方案:
一种多功能铅酸蓄电池智能维护装置,包括充电单元、主控模块、放电单元和测量控制电路,其中:前述充电单元包括输入整流滤波电路和开关电源模块,输入整流滤波电路与开关电源模块连接。
前述主控模块包括单片机、人机界面、通信接口、DAC充电控制单元、I/O接口、PWM隔离输出单元和ADC测量单元,单片机分别与人机界面、通信接口、DAC充电控制单元、I/O接口、PWM隔离输出单元和ADC测量单元连接。
前述测量控制电路包括输出切换开关A、电池电压检测电池反接检测、输出切换开关B、电流检测和温度检测,所述电池电压检测电池反接检测输入端连接蓄电池的正负两极,输出端连接ADC测量单元的输入端;电流检测采集蓄电池的电流信号后,输入ADC测量单元的输入端;温度检测采集PTC模块的温度后,输入ADC测量单元的输入端;前述输出切换开关A一端与蓄电池的正负两极连接,另一端与开关电源模块连接;前述输出切换开关B一端与蓄电池的正负两极连接,另一端与PTC模块连接。
前述DAC充电控制单元的输出端与开关电源模块的输入端连接;前述PWM隔离输出单元的输出端与PTC驱动单元的输入端连接;前述I/O接口同时与散热风机、输出切换开关A、输出切换开关B和开关电源模块连接,实现单片机与各模块之间的I/O控制。
前述PTC模块由若干片PTC热敏电阻并联构成;前述电流检测实时测量蓄电池的放电电流,经单片机运算分析,实时调节PWM隔离输出单元输出的PWM信号的占空比,经PCT驱动模块驱动后通过功率开关控制PTC模块完成恒流放电。
前述单片机的蓄电池容量预测运算分析包括的内容如下:
(1)BP神经网络的建立
网络结构分为三层:输入层、隐含层和输出层,输入层节点数为2个:蓄电池的放电电流 和蓄电池端电压;隐含层数为1,包含6个隐层单元;输出层节点数为1个:蓄电池的剩余容量;隐层节点和输出节点均采用Sigmoid函数作为激励函数,网络的训练算法采用动量梯度下降反向传播算法。
(2)采用遗传退火算法优化网络权值
b)计算评价各个体的适应度;
c)判断是否满足优化准则,若满足则进入步骤(3),否则继续下一步;
d)采用相应的遗传操作算子进行选择、交叉和变异操作;
e)进行退火优化,然后返回步骤b)继续循环。
(3)采集数据对网络进行训练
f)设置网络的最大训练次数和最小误差;
上述装置采用基于遗传退火优化的BP神经网络算法作为铅酸蓄电池容量预测方法,步骤如下:
(1)BP神经网络的建立
网络结构分为三层:输入层、隐含层和输出层,输入层节点数为2个:蓄电池的放电电流和蓄电池端电压;隐含层数为1,包含6个隐层单元;输出层节点数为1个:蓄电池的剩余容量;隐层节点和输出节点均采用Sigmoid函数作为激励函数,网络的训练算法采用动量梯度下降反向传播算法。
(2)采用遗传退火算法优化网络权值
b)计算评价各个体的适应度;
c)判断是否满足优化准则,若满足则进入步骤(3),否则继续下一步;
d)采用相应的遗传操作算子进行选择、交叉和变异操作;
e)进行退火优化,然后返回步骤b)继续循环。
(3)采集数据对网络进行训练
f)设置网络的最大训练次数和最小误差;
前述步骤(3)中g)所述蓄电池端电压是由电池电压检测电池反接检测检测采集得到的。
前述步骤(2)中d)所述变异操作采用自适应变异率,变异概率为:
本发明具有以下优点:
(1)主控模块采用16位dsPIC30F系列单片机,实现对***的参数设置、运行控制、蓄电池容量预测分析及数据存储管理。
(2)充电开关电源模块的主电路采用移相控制全桥ZVT-PWM软开关功率变换技术,减少了开关过程损耗,开关频率可达200KHz,有效减小变压器的体积和重量,提高了充电电源的变换效率,并且不会发生开关应力过大的问题,确保***安全可靠。
(3)装置采用模块化设计技术,综合利用智能预测、电力电子和微处理器控制等技术,具有蓄电池容量快速预测、自动恒流充放电及劣化电池容量恢复等多种功能,能够延长蓄电池的使用寿命,降低电源***的故障率。
(4)采用基于遗传退火优化BP神经网络的智能容量预测算法,容量快速预测误差小于10%,且预测精度不会随着蓄电池的使用而降低,优于国内现有装置15%的预测误差。
附图说明
图1是本发明的装置总体结构图;
图2是本发明基于遗传退火优化BP网络建模流程图;
图3是本发明铅酸蓄电池剩余容量预估模型测试结果点状图;
图1中,1-充电单元;2-主控模块;3-放电单元;4-测量控制电路;1.1-输入整流滤波电路;1.2-开关电源模块;2.1-单片机;2.2-人机界面;2.3-通信接口;2.4- DAC充电控制单元;2.5-I/O接口;2.6- PWM隔离输出单元;2.7-ADC测量单元;3.1- PTC驱动单元;3.2-功率开关;3.3-PTC模块;3.4-散热风机;4.1-输出切换开关A;4.2-电池电压检测电池反接检测;4.3-输出切换开关B;4.4-电流检测;4.5-温度检测。
具体实施方式
下面结合附图做进一步说明。
参见图1,一种多功能铅酸蓄电池智能维护装置,包括充电单元1、主控模块2、放电单元3和测量控制电路4,其中:
前述充电单元1为铅酸蓄电池组提供充电电源,包括输入整流滤波电路1.1和开关电源模块1.2,输入整流滤波电路1.1与开关电源模块1.2连接。
在蓄电池组正确连接后,输出切换开关B4.3断开,220V交流电经输入整流滤波电路1.1后,转换成310V的直流高压,再经DC/DC开关电源模块1.2,转换成14.4V左右的可控直流电,经输出切换开关A4.1为蓄电池供电。在输入电压正常范围内,启用充电功能时,输入经整流滤波电路1.1后进入开关电源模块1.2,主控模块2通过I/O接口2.5和DAC充电控制单元2.4控制开关电源模块1.2的启停和输出电压,实现对蓄电池组的普通充电和快速脉冲充电等功能。充电单元为蓄电池组供电前,要进行蓄电池组反接检测,一旦蓄电池组极性接反,或蓄电池组电压偏低(表明接触不好或蓄电池组开路损坏),输出切换开关A4.1不闭合,不为蓄电池组充电。在充电过程中,实时检测蓄电池组的端电压和充电电流,一旦出现故障,立即停止充电;同时判断蓄电池组的充电容量和充电终止条件是否出现,满足条件时停止充电。
前述主控模块2包括单片机2.1、人机界面2.2、通信接口2.3、DAC充电控制单元2.4、I/O接口2.5、PWM隔离输出单元2.6和ADC测量单元2.7,单片机2.1分别与人机界面2.2、通信接口2.3、DAC充电控制单元2.4、I/O接口2.5、PWM隔离输出单元2.6和ADC测量单元2.7连接。
单片机2.1为16位dsPIC30F系列单片机。人机界面2.2由4寸中文图形液晶和6个按键组成。主控模块2的ADC测量单元2.7使用单片机2.1内部的ADC通道。DAC充电控制单元通过单片机扩展D/A转换器实现,通信接口为RS-232C。主控模块2实现对***的参数设置、运行控制,也负责协调充电单元1和放电单元3的工作,同时将采集到的蓄电池的放电电流和电池端电压利用基于遗传退火优化BP神经网络进行计算,得出蓄电池的剩余容量,以及实现劣化蓄电池的多次小电流循环充放电容量恢复。主控模块2中的通信接口2.3可以连接到上位PC机,实现铅酸蓄电池的测量、控制和容量预测。主控模块2的软件平台使用uC/OS-II嵌入式操作***,提高了控制单元的信息处理能力。
前述放电单元3为蓄电池组提供恒流放电负载,包括PTC驱动单元3.1、功率开关3.2、PTC模块3.3和散热风机3.4,PTC驱动单元3.1输出端连接功率开关3.2的输入端,功率开关3.2的输出端连接PTC模块3.3的输入端。在蓄电池组正确连接后,输出切换开关A4.1断开,输出切换开关B4.3闭合,主控模块2的PWM隔离输出单元2.6产生PWM调制信号,经过光耦6N137和多路电平转换器CD4050转换后得到多路隔离的PWM信号,多路PWM信号输入PTC驱动模块3.1后,通过功率开关3.2控制PTC模块3.3的多片PTC热敏电阻,实现恒流放电。主控模块2的I/O接口2.5输出控制散热风机3.4运行,将PTC产生的热量排出装置外。主控模块2的ADC测量单元2.7通过温度检测4.5测量PTC模块3.3的温度,一旦温度过高,则主控模块2进行报警和保护处理。
前述测量控制电路4包括输出切换开关A4.1、电池电压检测电池反接检测4.2、输出切换开关B4.3、电流检测4.4和温度检测4.5,前述电池电压检测电池反接检测4.2输入端连接蓄电池的正负两极,输出端连接ADC测量单元2.7的输入端;电流检测4.4采集蓄电池的电流信号后,输入ADC测量单元2.7的输入端;温度检测4.5采集PTC模块3.3的温度后,输入ADC测量单元2.7的输入端;前述输出切换开关A4.1一端与蓄电池的正负两极连接,另一端与开关电源模块1.2连接;前述输出切换开关B4.3一端与蓄电池的正负两极连接,另一端与PTC模块3.3连接。
前述DAC充电控制单元2.4的输出端与开关电源模块1.2的输入端连接;前述PWM隔离输出单元2.6的输出端与PTC驱动单元3.1的输入端连接;前述I/O接口2.5同时与散热风机3.4、输出切换开关A4.1、输出切换开关B4.3和开关电源模块1.2连接,实现单片机2.1与各模块之间的I/O控制。
前述PTC模块3.3由若干片PTC热敏电阻并联构成;前述电流检测4.4实时检测蓄电池放电电流,经单片机2.1运算分析,实时调节PWM隔离输出单元2.6输出的PWM信号的占空比,经PTC驱动单元3.1驱动后通过功率开关3.2控制PTC模块3.3,完成恒流放电。
前述主控模块2控制充电单元1和放电单元3的协调工作,采用多次小电流恒流充放电实现劣化铅酸蓄电池的容量恢复。
其容量恢复的具体步骤为:
a)恒流充电。先用10小时率小电流恒流充电,如果充电电压上升很快,蓄电池剧烈析气,说明蓄电池的硫化较严重,则应减小充电电流,可用20小时率或30小时率充电进行长时间充电;如果充电初始无电流,则提高充电电压进行充电,直至有电流产生,再转为20小时率或30小时率小电流恒流充电。
b)恒流放电。10小时率小电流恒流放电至U=10.8V/只(蓄电池额定电压为12V),计算放电容量(C=i×t)。
c)恒流充电。根据放电容量判断蓄电池恢复的程度,决定此次充电电流值。如放电容量较小,可继续用小电流恒流充电;若放电容量较大,说明蓄电池容量恢复效果较好,则可用10小时率充电。
d)恒流放电。方法与步骤b)相同。
e)多次重复步骤c)、d),直至蓄电池的放电容量达到或接近额定容量。
上述装置采用基于遗传退火优化的BP神经网络算法作为铅酸蓄电池的容量预测方法,步骤如下:
(1)BP神经网络的建立
网络结构分为三层:输入层、隐含层和输出层,输入层节点数为2个:蓄电池的放电电流和蓄电池端电压;隐含层数为1,包含6个隐层单元,共有25个权值(含7个阈值),权值范围为[-10.0 10.0];输出层节点数为1个:蓄电池的剩余容量;隐层节点和输出节点均采用Sigmoid函数作为激励函数,网络的训练算法采用动量梯度下降反向传播算法。
(2)采用遗传退火算法优化网络权值
参见图2,铅酸蓄电池容量预测算法的整个流程具体分为两大部分,其中第一步为采用遗传退火优化网络权值的过程,具体过程如下:
b)计算评价各个体的适应度;
c)判断是否满足优化准则,若满足则进入步骤(3),否则继续下一步;
d)采用相应的遗传操作算子进行选择、交叉和变异操作;
e)进行退火优化,然后返回步骤b)继续循环。
其中,适应度函数:取为关于权值的均方根误差的倒数,即:
选择算子:每一代的个体按照适应度比例法确定产生下一代个体的父染色体,并采用最优保留策略,对每代群体中的最优个体直接保留到下一代种群中。
变异操作采用自适应变异率,变异概率为:
(3)采集数据对网络进行训练
当完成步骤(2)后,利用神经网络具有自学习性质,本发明将采集到的蓄电池的放电电流和蓄电池端电压应用到BP神经网络的训练中,训练过程如下:
f)设置网络的最大训练次数epochs=8000和最小误差error=1.4×10-4。
g)将对12V/100Ah的密封免维护铅酸蓄电池分别以5A、10A进行恒流放电,放电终止条件以蓄电池厂家规定的蓄电池放电终止电压10.8V为准。并利用上述装置对5A、10A放电状态下的蓄电池的放电电流和蓄电池端电压进行采集,将其作为网络的训练样本输入网络,用动量梯度下降反向传播算法进行训练,直到小于等于最小误差或达到最大训练次数为止。
前述步骤(3)中g)前述蓄电池的放电电流和蓄电池端电压是由前述电流检测(4.4)和电池电压检测电池反接检测(4.2)检测到的。
在上述装置对5A、10A放电状态下的蓄电池的放电电流和蓄电池端电压进行采集的同时,记录和,采用安时法记录已放容量,并根据Peukert方程折算为蓄电池的剩余容量C。将该值与网络训练后输出的蓄电池的剩余容量进行比较。
前述的遗传退火算法是将遗传算法和模拟退火算法相结合的一种算法。本测试中遗传算法的参数设置为:种群规模n=20,交叉概率=0.5,变异概率=0.1;进化代数设为100;退火算法参数设置为:温度下降指数为0.95;BP算法的参数设置为:学习速率=0.5,动量常数=0.5。对任意状态下的某12V/100Ah的密封免维护铅酸蓄电池分别以5A、10A进行恒流放电,在每种放电电流下,各取10组测试样本数据,如表1所示;采用上述网络训练后得到的蓄电池的剩余容量和由Peukert方程折算为蓄电池的剩余容量C比较如表2所示。
表1网络训练数据
表2铅酸蓄电池容量预测对比
根据表2的测试结果表明,使用本发明的装置和蓄电池容量预测方法对蓄电池的容量进行预测,其最大相对误差为8.44%,最小误差为0.89%,分别对应第13组和第1组数据。预测误差均在10%以下,优于国内现有装置15%的预测误差。
本发明还可以通过采集不同类型的蓄电池数据对网络进行训练,得到多种蓄电池的容量预测模型,从而可以预测多种蓄电池的剩余容量。
Claims (6)
1.一种多功能铅酸蓄电池智能维护装置,其特征在于:包括充电单元(1)、主控模块(2)、放电单元(3)和测量控制电路(4),其中:
所述充电单元(1)中的开关电源模块(1.2)的输入端与主控模块(2)中的DAC充电控制单元(2.4)连接;
所述测量控制电路(4)包括输出切换开关A(4.1)、电池电压检测及电池反接检测电路(4.2)、输出切换开关B(4.3)、电流检测电路(4.4)和温度检测电路(4.5),所述电池电压检测及电池反接检测电路(4.2)输入端连接蓄电池的正负两极,输出端连接主控模块(2)中的ADC测量单元(2.7)的输入端;电流检测电路(4.4)采集蓄电池的电流信号后,输入所述ADC测量单元(2.7)的输入端;温度检测电路(4.5)采集放电单元(3)中的PTC模块(3.3)的温度后,输入所述ADC测量单元(2.7)的输入端;所述输出切换开关A(4.1)一端与蓄电池的正负两极连接,另一端与所述开关电源模块(1.2)连接;所述输出切换开关B(4.3)一端与蓄电池的正负两极连接,另一端与所述PTC模块(3.3)连接;
所述主控模块(2)中的I/O接口(2.5)分别与放电单元(3)中的散热风机(3.4)、所述开关电源模块(1.2)、所述输出切换开关A(4.1)和输出切换开关B(4.3)相连接;
所述电流检测电路(4.4)实时检测蓄电池的放电电流i,经所述主控模块(2)中的单片机(2.1)的蓄电池容量预测运算分析,实时调节PWM隔离输出单元(2.6)输出的PWM信号的占空比,经PTC驱动模块(3.1)驱动后通过功率开关(3.2)控制PTC模块(3.3)完成恒流放电;
所述单片机(2.1)的蓄电池容量预测运算分析包括的内容如下:
(1)BP神经网络的建立
网络结构分为三层:输入层、隐含层和输出层,输入层节点数为2个:蓄电池的放电电流i和蓄电池端电压Vi;隐含层数为1,包含6个隐层单元;输出层节点数为1个:蓄电池的剩余容量CriI;隐层节点和输出节点均采用Sigmoid函数作为激励函数,网络的训练算法采用动量梯度下降反向传播算法;
(2)采用遗传退火算法优化网络权值
a)初始化种群及网络的基本运算参数包括:种群规模、进化最大代数、交叉概率、退火初始温度T0、温度衰减函数和MapkoB链长;
b)计算评价各个体的适应度;
c)判断是否满足优化准则,若满足则进入步骤(3),否则继续下一步;
d)采用相应的遗传操作算子进行选择、交叉和变异操作;
e)进行退火优化,然后返回步骤b)继续循环;
(3)采集数据对网络进行训练
当完成步骤(2)后,利用神经网络具有自学习性质,将采集到蓄电池的放电电流i和蓄电池端电压Vi应用到BP神经网络的训练中,训练过程如下:
f)设置网络的最大训练次数和最小误差;
g)将蓄电池的放电电流i和蓄电池端电压Vi作为网络的训练样本,输入网络采用动量梯度下降反向传播算法进行训练,直到小于等于最小误差或达到最大训练次数为止;
h)完成训练后输出蓄电池的剩余容量CriI。
2.根据权利要求1所述一种多功能铅酸蓄电池智能维护装置,其特征在于:所述充电单元(1)包括输入整流滤波电路(1.1)和开关电源模块(1.2),输入整流滤波电路(1.1)与开关电源模块(1.2)连接;
所述主控模块(2)包括单片机(2.1)、人机界面(2.2)、通信接口(2.3)、DAC充电控制单元(2.4)、I/O接口(2.5)、PWM隔离输出单元(2.6)和ADC测量单元(2.7),单片机(2.1)分别与人机界面(2.2)、通信接口(2.3)、DAC充电控制单元(2.4)、I/O接口(2.5)、PWM隔离输出单元(2.6)和ADC测量单元(2.7)连接。
3.根据权利要求1所述一种多功能铅酸蓄电池智能维护装置,其特征在于:所述PTC模块(3.3)由若干片PTC热敏电阻并联构成。
4.一种多功能铅酸蓄电池容量预测方法,其特征在于包括如下步骤:
(1)BP神经网络的建立
网络结构分为三层:输入层、隐含层和输出层,输入层节点数为2个:蓄电池的放电电流i和蓄电池端电压Vi;隐含层数为1,包含6个隐层单元;输出层节点数为1个:蓄电池的剩余容量CriI;隐层节点和输出节点均采用Sigmoid函数作为激励函数,网络的训练算法采用动量梯度下降反向传播算法;
(2)采用遗传退火算法优化网络权值
a)初始化种群及网络的基本运算参数包括:种群规模、进化最大代数、交叉概率、退火初始温度T0、温度衰减函数和MapkoB链长;
b)计算评价各个体的适应度;
c)判断是否满足优化准则,若满足则进入步骤(3),否则继续下一步;
d)采用相应的遗传操作算子进行选择、交叉和变异操作;
e)进行退火优化,然后返回步骤b)继续循环;
(3)采集数据对网络进行训练
当完成步骤(2)后,利用神经网络具有自学习性质,将采集到的蓄电池的放电电流i和蓄电池端电压Vi应用到BP神经网络的训练中,训练过程如下:
f)设置网络的最大训练次数和最小误差;
g)将蓄电池的放电电流i和蓄电池端电压Vi作为网络的训练样本,输入网络采用动量梯度下降反向传播算法进行训练,直到小于等于最小误差或达到最大训练次数为止;
h)完成训练后输出蓄电池的剩余容量CriI。
5.根据权利要求4所述一种多功能铅酸蓄电池容量预测方法,其特征在于:所述步骤(3)中g)所述蓄电池端电压Vi是由电池电压检测及电池反接检测电路(4.2)采集得到的。
6.根据权利要求4所述一种多功能铅酸蓄电池容量预测方法,其特征在于:所述步骤(2)中d)所述变异操作采用自适应变异率,变异概率为:
式中:t表示当前进化代数,N表示自上次进化以来至当前代为止连续未发生进化的代数,coeff为变异率提高的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102312786A CN102324582B (zh) | 2011-08-12 | 2011-08-12 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102312786A CN102324582B (zh) | 2011-08-12 | 2011-08-12 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102324582A CN102324582A (zh) | 2012-01-18 |
CN102324582B true CN102324582B (zh) | 2013-10-02 |
Family
ID=45452282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102312786A Expired - Fee Related CN102324582B (zh) | 2011-08-12 | 2011-08-12 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102324582B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621500A (zh) * | 2012-03-30 | 2012-08-01 | 苏州经贸职业技术学院 | 锂电池充放电检测装置 |
CN102916477B (zh) * | 2012-08-06 | 2015-02-25 | 关平 | 一种兼容多电压等级的多用途智能蓄电池放电装置 |
GB201407805D0 (en) * | 2014-05-02 | 2014-06-18 | Dukosi Ltd | Battery condition determination |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN104820859B (zh) * | 2015-04-27 | 2017-09-05 | 宁夏大学 | 基于预处理和自适应遗传模拟退火算法的相位解缠方法 |
CN104953191B (zh) * | 2015-05-07 | 2017-06-16 | 国网河南省电力公司电力科学研究院 | 一种变电站退运铅酸蓄电池性能复原方法 |
CN105870885B (zh) * | 2016-05-24 | 2019-05-03 | 北京新能源汽车股份有限公司 | Bms电源回路的保护装置、方法和电动汽车 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106025407B (zh) * | 2016-06-21 | 2019-01-18 | 天能电池集团有限公司 | 一种电动自行车电池容量恢复的方法 |
CN106058335A (zh) * | 2016-07-04 | 2016-10-26 | 北京嘉捷恒信能源技术有限责任公司 | 一种电池放电装置及方法 |
CN110622348A (zh) | 2017-05-03 | 2019-12-27 | 株式会社半导体能源研究所 | 神经网络、蓄电***、车辆及电子设备 |
CN108267696A (zh) * | 2018-04-09 | 2018-07-10 | 广东电网有限责任公司 | 一种蓄电池容量浅放电检测装置 |
CN112956064A (zh) * | 2018-06-19 | 2021-06-11 | B·E·蔡尔 | 带有蓄电池诊断、蓄电池寿命预测的特定类别工业蓄电池优化和修复设备以及人工智能装置 |
CN109031152A (zh) * | 2018-10-15 | 2018-12-18 | 重庆科技学院 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
CN109633464A (zh) * | 2018-11-26 | 2019-04-16 | 国网浙江省电力有限公司台州供电公司 | 蓄电池动静态放电测试方法 |
CN110082682B (zh) * | 2019-03-12 | 2020-04-24 | 浙江大学 | 一种锂电池荷电状态估计方法 |
CN110084445B (zh) * | 2019-06-04 | 2020-11-13 | 龙源(北京)风电工程技术有限公司 | 一种风电机组变桨用蓄电池更换周期计算方法 |
CN111555001B (zh) * | 2020-05-20 | 2021-04-02 | 长春光华学院 | 一种混合动力汽车的电池冷却***及其控制方法 |
CN116759671B (zh) * | 2023-08-15 | 2024-02-23 | 深圳市贝视特科技有限公司 | 一种铅酸蓄电池的智能养护*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2899132Y (zh) * | 2006-05-31 | 2007-05-09 | 薛卫峰 | 一种铅酸蓄电池容量维护器 |
CN101067648A (zh) * | 2007-06-15 | 2007-11-07 | 华为技术有限公司 | 判定电解液式蓄电池性能的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4097182B2 (ja) * | 2001-12-27 | 2008-06-11 | パナソニックEvエナジー株式会社 | 二次電池の分極電圧推定方法、二次電池の残存容量推定方法および装置、並びに電池パックシステム |
-
2011
- 2011-08-12 CN CN2011102312786A patent/CN102324582B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2899132Y (zh) * | 2006-05-31 | 2007-05-09 | 薛卫峰 | 一种铅酸蓄电池容量维护器 |
CN101067648A (zh) * | 2007-06-15 | 2007-11-07 | 华为技术有限公司 | 判定电解液式蓄电池性能的方法及*** |
Non-Patent Citations (1)
Title |
---|
JP特开2003-197275A 2003.07.11 |
Also Published As
Publication number | Publication date |
---|---|
CN102324582A (zh) | 2012-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102324582B (zh) | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 | |
CN104538999B (zh) | 一种光伏发电储能***及其能量调度方法 | |
CN110525269B (zh) | Soc的电池组均衡控制方法 | |
CN103730936B (zh) | 电动汽车动力电池均衡管理***的均衡管理方法 | |
CN103091642B (zh) | 一种锂电池容量快速估计方法 | |
CN104247201B (zh) | 蓄电***、以及盒 | |
Wu et al. | Dynamic battery equalization with energy and time efficiency for electric vehicles | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN101976866B (zh) | 一种能量转移式电池组均衡判断及补充方法 | |
CN105226744A (zh) | 一种基于soc的动力电池组均衡充放电控制方法及*** | |
CN103329390B (zh) | 可充电电池***及可充电电池***操作方法 | |
CN102104257A (zh) | 公寓楼的储能***、集成电力管理***及***控制方法 | |
CN102255114B (zh) | 电池均衡充放电方法及装置 | |
CN107069122A (zh) | 一种动力电池剩余使用寿命的预测方法 | |
CN105119312A (zh) | 一种基于混合整数非线性规划的光伏储能调度方法 | |
CN108646189A (zh) | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 | |
CN109004696A (zh) | 一种变电站用蓄电池多功能控制***及其控制方法 | |
CN107340476A (zh) | 电池的电气状态监测***和电气状态监测方法 | |
CN113206508A (zh) | 基于预测的微电网储能电池主动均衡方法 | |
CN107769335A (zh) | 一种多模式锂电池智能充电管理方法及装置 | |
Tong et al. | Reusing electric vehicle battery for demand side management integrating dynamic pricing | |
CN114865668A (zh) | 一种储能调度支撑评估方法 | |
CN106786909B (zh) | 一种储能液态金属电池的成组均衡控制装置及控制方法 | |
CN103997241A (zh) | 一种基于h桥模块的多电平变换器电容电压均压方法 | |
CN103513188B (zh) | 一种电力***储能站中电池单体的电量计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131002 Termination date: 20170812 |
|
CF01 | Termination of patent right due to non-payment of annual fee |