CN109856545A - 太阳能汽车的蓄电池组剩余容量检测方法及*** - Google Patents
太阳能汽车的蓄电池组剩余容量检测方法及*** Download PDFInfo
- Publication number
- CN109856545A CN109856545A CN201910241601.4A CN201910241601A CN109856545A CN 109856545 A CN109856545 A CN 109856545A CN 201910241601 A CN201910241601 A CN 201910241601A CN 109856545 A CN109856545 A CN 109856545A
- Authority
- CN
- China
- Prior art keywords
- battery group
- anfis
- model
- module
- residual capacity
- 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.)
- Granted
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种太阳能汽车的蓄电池组剩余容量检测方法及***,其中方法包括以下步骤:采集太阳能汽车的关于蓄电池组能耗的历史数据;建立蓄电池组的剩余容量与端电压、从放电率等的数学模型;构建ANFIS模型,并对构建的ANFIS模型进行训练;根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库;根据检验数据库对训练后的ANFIS模型进行检验,得到检验后的ANFIS模型;获取关于蓄电池组能耗的当前数据,计算得到蓄电池组的当前剩余容量;通过车载终端对当前剩余容量进行显示。本发明中ANFIS模型的准确性和精度高,能够实时在线准确预测太阳能汽车蓄电池组的剩余容量,有效防止蓄电池组由于过放电而导致使用寿命大大缩短。
Description
技术领域
本发明涉及新能源汽车中的太阳能汽车技术领域,特别是涉及一种太阳能汽车的蓄电池组剩余容量检测方法及***。
背景技术
能源是人类在地球上赖以生存的重要条件之一,随着煤炭、石油、天然气等这些常规能源的广泛使用和消耗,目前地球上的能源资源日益紧张,对新能源的开发研究和利用变得日益迫切。新能源一般是指在新技术基础上加以开发和利用的可再生能源,包括核能、太阳能、生物质能、风能、水能、地热能、波浪能、洋流能和潮汐能,以及海洋表面与深层之间的热循环等等,其中太阳能是一种清洁环保、无任何污染、利用价值高的能源,而且太阳能没有能源短缺这一说法,因此太阳能是目前新能源开发研究和利用的最理想、最重要的能源。
太阳能的主要利用形式有太阳能的光热转换、光电转换以及光化学转换三种,其中光电转换在汽车上的应用即太阳能汽车能够有效降低全球的环境污染,做到真正的节能环保,实现汽车尾气的零排放,因此太阳能汽车被诸多国家所开发研究和推广,太阳能汽车也被列入我国的国家重点发展产业项目。太阳能汽车的动力来源是由太阳能转换而成的电能,因此太阳能汽车需要利用光伏板将太阳能转换成电能,再利用蓄电池组储存电能,最终通过蓄电池组为太阳能汽车提供动力。在太阳能汽车中,蓄电池组的充电电源来自于太阳能光伏板,受天气情况以及车辆行驶里程数影响,蓄电池组很容易发生过放电现象,然而蓄电池组在使用过程中如果经常处于深度放电,将会大大缩短蓄电池组的使用寿命,因此快速在线检测蓄电池组的剩余容量或者荷电状态(State ofCharge,SOC),防止蓄电池组发生深度放电,对于延长蓄电池组的使用寿命、延长太阳能汽车的行驶里程数以及降低太阳能汽车的成本都具有非常重要的意义。目前,对于蓄电池组剩余容量的检测方法有多种,例如电液比重法、开路电压法、放电法以及内阻法等,但是这些方法都各自存在一定的弊端,无法实现蓄电池组剩余容量的精确检测。
发明内容
基于此,有必要针对现有技术中存在的问题,提供一种太阳能汽车的蓄电池组剩余容量检测方法及***。
为解决上述问题,本发明采取如下的技术方案:
一种太阳能汽车的蓄电池组剩余容量检测方法,包括以下步骤:
采集太阳能汽车的关于蓄电池组能耗的历史数据,关于蓄电池组能耗的历史数据包括蓄电池组的剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度;
建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型;
以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练;
根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量;
根据检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值,若是,则得到检验后的ANFIS模型;
获取关于蓄电池组能耗的当前数据,并根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量;
通过车载终端对当前剩余容量进行显示。
同时,本发明还提出一种太阳能汽车的蓄电池组剩余容量检测***,包括数据采集模块、数学建模模块、ANFIS构建及训练模块、数据库建立模块、检验模块、获取模块、计算模块和车载终端,数据采集模块分别与太阳能汽车的蓄电池组、数学建模模块、ANFIS构建及训练模块和数据库建立模块连接,数学建模模块与数据库建立模块连接,ANFIS构建及训练模块和数据库建立模块分别与检验模块连接,计算模块分别与检验模块、获取模块和车载终端连接;
数据采集模块用于采集太阳能汽车的关于蓄电池组能耗的历史数据,关于蓄电池组能耗的历史数据包括蓄电池组的剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度;
数学建模模块用于建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型;
ANFIS构建及训练模块用于以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练;
数据库建立模块用于根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量;
检验模块用于根据检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值,若是,则得到检验后的ANFIS模型;
获取模块用于获取关于蓄电池组能耗的当前数据;
计算模块用于根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量;
车载终端用于对当前剩余容量进行显示。
与现有技术相比,本发明具有以下有益效果:
本发明基于采集的太阳能汽车关于蓄电池组能耗的历史数据,建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度之间的数学模型,同时利用人工神经网络建立ANFIS模型,利用建立的数学模型生成用于检验训练后的ANFIS模型的检验数据库,相比于利用预设的参考值来校验训练后的ANFIS模型的准确性而言,该检验数据库中的数据更加逼近蓄电池组在放电过程中实际的剩余容量与端电压、充放电率等参数之间的关系,因此利用该检验数据库检验ANFIS模型,进一步提高了ANFIS模型的准确性和精度,从而能够实时在线准确预测太阳能汽车蓄电池组的剩余容量,并对蓄电池组的剩余容量通过车载终端进行实时显示,有效防止蓄电池组由于过放电而导致使用寿命大大缩短,进而延长蓄电池组的使用寿命,延长太阳能汽车的行驶里程数,降低太阳能汽车更换蓄电池组的成本,因此本发明对于太阳能汽车的推广和应用具有十分积极的意义。
附图说明
图1为本发明太阳能汽车的蓄电池组剩余容量检测方法其中一个实施例的流程示意图;
图2为本发明太阳能汽车的蓄电池组剩余容量检测***其中一个实施例的结构示意图;
图中标记为:1、数据采集模块;2、数学建模模块;3、ANFIS构建及训练模块;4、数据库建立模块;5、检验模块;6、获取模块;7、计算模块;8、车载终端;9、蓄电池组充放电控制器;10、蓄电池组。
具体实施方式
下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,如图1所示,本发明公开一种太阳能汽车的蓄电池组剩余容量检测方法,该方法包括以下步骤:
S100采集太阳能汽车的关于蓄电池组能耗的历史数据,关于蓄电池组能耗的历史数据包括蓄电池组的剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度;
S200建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型;
S300以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练;
S400根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量;
S500根据检验数据库对训练后的ANFIS模型进行检验,并判别训练后的
ANFIS模型的准确性是否大于预设值,若是,则得到检验后的ANFIS模型;
S600获取关于蓄电池组能耗的当前数据,并根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量;
S700通过车载终端对当前剩余容量进行显示。
具体地,在步骤S100中,采集太阳能汽车的关于蓄电池组能耗的历史数据,其中,关于蓄电池组能耗的历史数据包括通过实验测量的蓄电池组剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度等,例如可以利用充/放电测试仪测量蓄电池组的上述各种参数,充/放电测试仪中设有多种传感器,如电压传感器、电流传感器和温度传感器等,同时融合了内阻仪等,电压传感器采集蓄电池组中各蓄电池单体的端电压,电流传感器采集蓄电池组的放电电流,温度传感器采集蓄电池组的温度,内阻仪测量蓄电池组的内阻。
在步骤S200中,建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型,该数学模型如下:
U放={Ur-a×LOG(1+DOD/SOC)-b×LOG(1+I/{Ah×[1+K(T-25)]}×DOD×100)-I/{Ah×[1+K(T-25)]}×c[0.01×(25-T)]×DOD}
其中,a为由于反应物和生成物比例改变引起的电压变化的常数,0.1~0.2;b为电化学极化项常数,0.1~0.15;c为内阻极化项常数,0.08~0.15;U放为实测的蓄电池组放电过程中的端电压;Ur为蓄电池组放电初始(或充电终了)的静止电压;DOD为放电深度;SOC为蓄电池组的剩余容量(或荷电状态);I为放电电流,Ah为蓄电池组的标称容量,I/Ah为蓄电池组的放电率;T为蓄电池组的实际温度;K为温度系数,大约在0.005~0.008/℃之间。(上述数学模型的推导过程参见“王斯成等,‘蓄电池剩余容量(SOC)数学模型探讨和在线测试仪的开发’,太阳能学报,第26卷第1期”)
当蓄电池组的端电压、充放电率、内阻和温度等参数确定后,即可根据上述数学模型推算出蓄电池组的相应的剩余容量。
在步骤S300中,以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练。自适应神经模糊推理***(Adaptive Network Based Fuzzy Inference Systems,ANFIS)又称为ANFIS模型,其包括五层结构,分别为模糊化层、乘积层、归一化层、规则输出层和全局输出层,其中模糊化层用于根据隶属度函数计算模糊集的隶属度,乘积层用于计算每条规则的激励强度,归一化层用于将每条规则的激励强度归一化,规则输出层用于根据结论参数计算每条规则的输出,最后的全局输出层用于计算蓄电池组剩余容量的总输出。ANFIS模型是模糊推理***和神经网络的有机结合,它既能发挥模糊推理***的语言推理能力和神经网络的自学习机制,同时又能够弥补模糊推理***和神经网络二者各自的不足,具有较优的预测精度。
建立ANFIS模型后,根据关于蓄电池组能耗的历史数据对ANFIS模型进行训练,以得到训练后的ANFIS模型。ANFIS模型的训练结构主要有两种生成方法,一种是人为指定方法,另一种是减法聚类方法,其中,人为指定方法是由操作者根据输入数据情况,为每个输入变量赋予合适的隶属度函数的个数和类型,以及为输出变量指定相应的输出函数类型;减法聚类方法是一种用来估计一组数据中聚类个数以及聚类中心位置的快速单次数据聚类算法,它将每个数据点作为可能的聚类中心,并根据各个数据点周围数据的密度来计算该点作为聚类中心的可能性。本实施例中对ANFIS模型的训练采用减法聚类方法。
得到训练后的ANFIS模型后,在步骤S400中,利用检验数据库对训练后的ANFIS模型进行检验或者校验,以获得ANFIS模型的预测准确性等信息。在本步骤中,首先根据关于蓄电池组能耗的历史数据和已建立的数学模型建立检验数据库,该检验数据库中包括端电压、放电电流、内阻和温度等数据,这些数据取自于采集的关于蓄电池组能耗的历史数据,此外,检验数据还包括根据建立的数学模型和关于蓄电池组能耗的历史数据计算得到的蓄电池组的剩余容量数据,亦即,检验数据包括采集的端电压、放电电流、内阻、温度以及计算得到的剩余容量。由于检验数据库中的各个数据通过数学模型建立联系,更加逼近蓄电池组在放电过程中实际的剩余容量与端电压、充放电率等参数之间的关系,因此利用检验数据库检验训练后的ANFIS模型的准确性,相比于利用预设的参考值来校验训练后的ANFIS模型的准确性而言,前者的检验后的ANFIS模型的预测准确性和精度更高,从而实现实时在线准确预测太阳能汽车蓄电池组的剩余容量。
在步骤S500中,根据建立的检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值(例如99%),若是,则得到检验后的ANFIS模型。
获得检验后的ANFIS模型后,在步骤S600中,获取关于蓄电池组能耗的当前数据,并根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量,其中关于蓄电池组能耗的当前数据包括蓄电池组当前的端电压、充放电率、放电电流、电液比重、内阻和温度等,将蓄电池组当前的端电压、放电电流、内阻和温度作为检验后的ANFIS模型的输入参数,以蓄电池组的当前剩余容量作为模糊预测器的输出,计算得到蓄电池组的当前剩余容量。
得到蓄电池组的当前剩余容量后,在步骤S700中,通过太阳能汽车上安装的车载终端对当前剩余容量进行显示,以方便驾驶人员实时了解太阳能汽车蓄电池组的放电情况以及剩余电量情况。
本实施例所提出的太阳能汽车的蓄电池组剩余容量检测方法基于采集的太阳能汽车关于蓄电池组能耗的历史数据,建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度之间的数学模型,同时利用人工神经网络建立ANFIS模型,利用建立的数学模型生成用于检验训练后的ANFIS模型的检验数据库,相比于利用预设的参考值来校验训练后的ANFIS模型的准确性而言,该检验数据库中的数据更加逼近蓄电池组在放电过程中实际的剩余容量与端电压、充放电率等参数之间的关系,因此利用该检验数据库检验ANFIS模型,进一步提高了ANFIS模型的准确性和精度,从而能够实时在线准确预测太阳能汽车蓄电池组的剩余容量,并对蓄电池组的剩余容量通过车载终端进行实时显示,有效防止蓄电池组由于过放电而导致使用寿命大大缩短,进而延长蓄电池组的使用寿命,延长太阳能汽车的行驶里程数,降低太阳能汽车更换蓄电池组的成本,因此本发明对于太阳能汽车的推广和应用具有十分积极的意义。
作为一种具体的实施方式,根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练的步骤包括:将关于蓄电池组能耗的历史数据中不符合数学模型的数据删除;利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练。由于采集的关于蓄电池组能耗的历史数据中可能存在错误的数据或者不适用于对ANFIS模型进行训练的数据,因此在根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练的过程中,首先将关于蓄电池组能耗的历史数据中明显不符合数学模型的数据删除,例如将误差较大的剩余容量及其对应的一组输入参数删除等,再利用经过数据删除处理后的关于蓄电池组能耗的历史数据对建立的ANFIS模型进行训练,以得到对ANFIS模型的较优的训练结果。
进一步地,在利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练的步骤中,采用反向传播算法调整ANFIS模型中的前提参数,采用最小二乘估计算法调整结论参数。这里采用一种混合学习算法来调整ANFIS模型的参数,在该混合算法中,采用反向传播算法调整前提参数,采用最小二乘估计算法(或最小二乘法)调整结论参数,可以得到结论参数的全局最优点,同时提高参数的收敛速度,进而提高ANFIS模型的学习速度,提高ANFIS模型的训练效率。
作为一种具体的实施方式,车载终端与太阳能汽车的蓄电池组充放电控制器连接,当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,车载终端发送放电告警信号至蓄电池组充放电控制器,以使蓄电池组充放电控制器调整蓄电池组的负载大小和负载工作时长。本实施例中太阳能汽车的蓄电池组优选为阀控式密封铅酸蓄电池,蓄电池组通过光伏控制器与安装在太阳能汽车上的太阳能电池组件连接,蓄电池组充放电控制器用于控制蓄电池组所带负载的大小以及负载的工作时长等。当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,例如剩余容量下限的取值范围为20%~30%,表明蓄电池组即将进入深度放电状态,为避免蓄电池组处于深度放电状态而缩短使用寿命,车载终端将发送放电告警信号至蓄电池组充放电控制器,蓄电池组充放电控制器调整蓄电池组的负载大小和负载工作时长,以避免蓄电池组的当前剩余容量过低,实现对蓄电池组剩余容量的实时自动监控和控制。
在另一个实施例中,如图2所示,本发明公开一种太阳能汽车的蓄电池组剩余容量检测***,该***包括数据采集模块1、数学建模模块2、ANFIS构建及训练模块3、数据库建立模块4、检验模块5、获取模块6、计算模块7和车载终端8,其中数据采集模块1分别与太阳能汽车的蓄电池组10、数学建模模块2、ANFIS构建及训练模块3和数据库建立模块4连接,数学建模模块2与数据库建立模块4连接,ANFIS构建及训练模块3和数据库建立模块4分别与检验模块5连接,计算模块7分别与检验模块5、获取模块6和车载终端8连接。
具体地,在本实施例中,数据采集模块1用于采集太阳能汽车的关于蓄电池组能耗的历史数据,其中,关于蓄电池组能耗的历史数据包括通过数据采集模块1实验测量的蓄电池组剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度等。本实施例中的数据采集模块1可采用充/放电测试仪,充/放电测试仪能够测量蓄电池组的上述各种参数,充/放电测试仪中设有多种采集子模块,如电压采集子模块、电流采集子模块、温度采集子模块和内阻测量子模块等,其中电压采集子模块用于采集蓄电池组中各蓄电池单体的端电压,电流采集子模块用于采集蓄电池组的放电电流,温度采集子模块用于采集蓄电池组的温度,内阻测量子模块用于测量蓄电池组的内阻。本实施例中数据采集模块1包括的电压采集子模块、电流采集子模块、温度采集子模块和内阻测量子模块可以分别采用电压传感器、电流传感器、温度传感器和内阻仪实现。
数学建模模块2用于建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型。数学建模模块2所建立的数学模型以及建立数学模型的方法可以参照上述的太阳能汽车的蓄电池组剩余容量检测方法中描述的实现方法,故此处不再赘述。当蓄电池组的端电压、充放电率、内阻和温度等参数确定后,即可根据上述数学模型推算出蓄电池组的相应的剩余容量。
ANFIS构建及训练模块3用于以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练。自适应神经模糊推理***(Adaptive Network Based Fuzzy Inference Systems,ANFIS)又称为ANFIS模型,其包括五层结构,分别为模糊化层、乘积层、归一化层、规则输出层和全局输出层,其中模糊化层用于根据隶属度函数计算模糊集的隶属度,乘积层用于计算每条规则的激励强度,归一化层用于将每条规则的激励强度归一化,规则输出层用于根据结论参数计算每条规则的输出,最后的全局输出层用于计算蓄电池组剩余容量的总输出。ANFIS模型是模糊推理***和神经网络的有机结合,它既能发挥模糊推理***的语言推理能力和神经网络的自学习机制,同时又能够弥补模糊推理***和神经网络二者各自的不足,具有较优的预测精度。
ANFIS构建及训练模块3建立ANFIS模型后,根据关于蓄电池组能耗的历史数据对ANFIS模型进行训练,以得到训练后的ANFIS模型。ANFIS模型的训练结构主要有两种生成方法,一种是人为指定方法,另一种是减法聚类方法,其中,人为指定方法是由操作者根据输入数据情况,为每个输入变量赋予合适的隶属度函数的个数和类型,以及为输出变量指定相应的输出函数类型;减法聚类方法是一种用来估计一组数据中聚类个数以及聚类中心位置的快速单次数据聚类算法,它将每个数据点作为可能的聚类中心,并根据各个数据点周围数据的密度来计算该点作为聚类中心的可能性。本实施例中ANFIS构建及训练模块3对ANFIS模型的训练采用减法聚类方法。
数据库建立模块4用于根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量。在ANFIS构建及训练模块3建立ANFIS模型并对ANFIS模型进行训练,得到训练后的ANFIS模型之后,再利用检验数据库对训练后的ANFIS模型进行检验或者校验,以获得ANFIS模型的预测准确性等信息。数据库建立模块4根据关于蓄电池组能耗的历史数据和已建立的数学模型建立检验数据库,该检验数据库中包括端电压、放电电流、内阻和温度等数据,这些数据取自于采集的关于蓄电池组能耗的历史数据,此外,检验数据还包括根据建立的数学模型和关于蓄电池组能耗的历史数据计算得到的蓄电池组的剩余容量数据,亦即,检验数据包括采集的端电压、放电电流、内阻、温度以及计算得到的剩余容量。由于检验数据库中的各个数据通过数学模型建立联系,更加逼近蓄电池组在放电过程中实际的剩余容量与端电压、充放电率等参数之间的关系,因此利用检验数据库检验训练后的ANFIS模型的准确性,相比于利用预设的参考值来校验训练后的ANFIS模型的准确性而言,前者的检验后的ANFIS模型的预测准确性和精度更高,从而实现实时在线准确预测太阳能汽车蓄电池组的剩余容量。
检验模块5用于根据数据库建立模块4建立的检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值(例如99%),若是,则得到检验后的ANFIS模型。
获取模块6用于获取关于蓄电池组能耗的当前数据,其中关于蓄电池组能耗的当前数据包括蓄电池组当前的端电压、充放电率、放电电流、电液比重、内阻和温度等。
计算模块7用于根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量。计算模块7将获取模块6获取的蓄电池组当前的端电压、放电电流、内阻和温度作为检验后的ANFIS模型的输入参数,以蓄电池组的当前剩余容量作为模糊预测器的输出,计算得到蓄电池组的当前剩余容量。
太阳能汽车上安装的车载终端8用于对当前剩余容量进行显示,以方便驾驶人员实时了解太阳能汽车蓄电池组的放电情况以及剩余电量情况。
本实施例所提出的太阳能汽车的蓄电池组剩余容量检测***基于各个模块之间的相互配合,数据采集模块采集太阳能汽车关于蓄电池组能耗的历史数据,数学建模模块建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度之间的数学模型,同时ANFIS构建及训练模块利用人工神经网络建立ANFIS模型,数据库建立模块利用建立的数学模型生成用于检验训练后的ANFIS模型的检验数据库,相比于利用预设的参考值来校验训练后的ANFIS模型的准确性而言,该检验数据库中的数据更加逼近蓄电池组在放电过程中实际的剩余容量与端电压、充放电率等参数之间的关系,因此检验模块利用该检验数据库检验ANFIS模型,进一步提高了ANFIS模型的准确性和精度,从而能够实时在线准确预测太阳能汽车蓄电池组的剩余容量,并对蓄电池组的剩余容量通过车载终端进行实时显示,有效防止蓄电池组由于过放电而导致使用寿命大大缩短,进而延长蓄电池组的使用寿命,延长太阳能汽车的行驶里程数,降低太阳能汽车更换蓄电池组的成本,因此本发明对于太阳能汽车的推广和应用具有十分积极的意义。
作为一种具体的实施方式,ANFIS构建及训练模块3在根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练时,ANFIS构建及训练模块3先将关于蓄电池组能耗的历史数据中不符合数学模型的数据删除,再利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练。由于数据采集模块1采集的关于蓄电池组能耗的历史数据中可能存在错误的数据或者不适用于对ANFIS模型进行训练的数据,因此ANFIS构建及训练模块3在根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练的过程中,首先将关于蓄电池组能耗的历史数据中明显不符合数学模型的数据删除,例如将误差较大的剩余容量及其对应的一组输入参数删除等,再利用经过数据删除处理后的关于蓄电池组能耗的历史数据对建立的ANFIS模型进行训练,以得到对ANFIS模型的较优的训练结果。
进一步地,ANFIS构建及训练模块3在利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练的过程中,采用反向传播算法调整ANFIS模型中的前提参数,采用最小二乘估计算法调整结论参数。这里ANFIS构建及训练模块3采用一种混合学习算法来调整ANFIS模型的参数,在该混合算法中,采用反向传播算法调整前提参数,采用最小二乘估计算法(或最小二乘法)调整结论参数,可以得到结论参数的全局最优点,同时提高参数的收敛速度,进而提高ANFIS模型的学习速度,提高ANFIS模型的训练效率。
作为一种具体的实施方式,车载终端8与太阳能汽车的蓄电池组充放电控制器9连接,当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,车载终端8发送放电告警信号至蓄电池组充放电控制器9,以使蓄电池组充放电控制器9调整蓄电池组的负载大小和工作时长。本实施例中太阳能汽车的蓄电池组10优选为阀控式密封铅酸蓄电池,蓄电池组10通过光伏控制器与安装在太阳能汽车上的太阳能电池组件连接,蓄电池组充放电控制器9用于控制蓄电池组10所带负载的大小以及负载的工作时长等。当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,例如剩余容量下限的取值范围为20%~30%,表明蓄电池组10即将进入深度放电状态,为避免蓄电池组10处于深度放电状态而缩短使用寿命,车载终端8将发送放电告警信号至蓄电池组充放电控制器9,蓄电池组充放电控制器9调整蓄电池组10的负载大小和负载工作时长,以避免蓄电池组10的当前剩余容量过低,实现对蓄电池组剩余容量的实时自动监控和控制。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种太阳能汽车的蓄电池组剩余容量检测方法,其特征在于,包括以下步骤:
采集太阳能汽车的关于蓄电池组能耗的历史数据,关于蓄电池组能耗的历史数据包括蓄电池组的剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度;
建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型;
以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练;
根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量;
根据检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值,若是,则得到检验后的ANFIS模型;
获取关于蓄电池组能耗的当前数据,并根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量;
通过车载终端对当前剩余容量进行显示。
2.根据权利要求1所述的太阳能汽车的蓄电池组剩余容量检测方法,其特征在于,根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练的步骤包括:
将关于蓄电池组能耗的历史数据中不符合数学模型的数据删除;
利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练。
3.根据权利要求2所述的太阳能汽车的蓄电池组剩余容量检测方法,其特征在于,
ANFIS模型包括五层结构,分别为模糊化层、乘积层、归一化层、规则输出层和全局输出层;
在利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练的步骤中,采用反向传播算法调整ANFIS模型中的前提参数,采用最小二乘估计算法调整结论参数。
4.根据权利要求1或2所述的太阳能汽车的蓄电池组剩余容量检测方法,其特征在于,
车载终端与太阳能汽车的蓄电池组充放电控制器连接,当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,车载终端发送放电告警信号至蓄电池组充放电控制器,以使蓄电池组充放电控制器调整蓄电池组的负载大小和负载工作时长。
5.根据权利要求4所述的太阳能汽车的蓄电池组剩余容量检测方法,其特征在于,
剩余容量下限的取值范围为20%~30%。
6.一种太阳能汽车的蓄电池组剩余容量检测***,其特征在于,包括数据采集模块、数学建模模块、ANFIS构建及训练模块、数据库建立模块、检验模块、获取模块、计算模块和车载终端,数据采集模块分别与太阳能汽车的蓄电池组、数学建模模块、ANFIS构建及训练模块和数据库建立模块连接,数学建模模块与数据库建立模块连接,ANFIS构建及训练模块和数据库建立模块分别与检验模块连接,计算模块分别与检验模块、获取模块和车载终端连接;
数据采集模块用于采集太阳能汽车的关于蓄电池组能耗的历史数据,关于蓄电池组能耗的历史数据包括蓄电池组的剩余容量、端电压、充放电率、放电电流、电液比重、内阻和温度;
数学建模模块用于建立蓄电池组的剩余容量与端电压、充放电率、内阻和温度的数学模型;
ANFIS构建及训练模块用于以蓄电池组的端电压、放电电流、内阻和温度作为输入参数,以蓄电池组的剩余容量作为模糊预测器的输出,构建一个四维输入、一维输出的ANFIS模型,并根据关于蓄电池组能耗的历史数据对构建的ANFIS模型进行训练;
数据库建立模块用于根据关于蓄电池组能耗的历史数据和建立的数学模型建立用于检验训练后的ANFIS模型准确性的检验数据库,检验数据库包括端电压、放电电流、内阻、温度和根据建立的数学模型计算得到的蓄电池组的剩余容量;
检验模块用于根据检验数据库对训练后的ANFIS模型进行检验,并判别训练后的ANFIS模型的准确性是否大于预设值,若是,则得到检验后的ANFIS模型;
获取模块用于获取关于蓄电池组能耗的当前数据;
计算模块用于根据关于蓄电池组能耗的当前数据和检验后的ANFIS模型计算得到蓄电池组的当前剩余容量;
车载终端用于对当前剩余容量进行显示。
7.根据权利要求6所述的太阳能汽车的蓄电池组剩余容量检测***,其特征在于,
ANFIS构建及训练模块将关于蓄电池组能耗的历史数据中不符合数学模型的数据删除,利用经过数据删除后的关于蓄电池组能耗的历史数据对ANFIS模型进行训练。
8.根据权利要求6或7所述的太阳能汽车的蓄电池组剩余容量检测***,其特征在于,
车载终端与太阳能汽车的蓄电池组充放电控制器连接,当检测到蓄电池组的当前剩余容量小于或者等于剩余容量下限时,车载终端发送放电告警信号至蓄电池组充放电控制器,以使蓄电池组充放电控制器调整蓄电池组的负载大小和工作时长。
9.根据权利要求6或7所述的太阳能汽车的蓄电池组剩余容量检测***,其特征在于,数据采集模块包括电压采集子模块、电流采集子模块、温度采集子模块和内阻测量子模块;
电压采集子模块用于采集蓄电池组中各蓄电池单体的端电压;
电流采集子模块用于采集蓄电池组的放电电流;
温度采集子模块用于采集蓄电池组的温度;
内阻测量子模块用于测量蓄电池组的内阻。
10.根据权利要求8所述的太阳能汽车的蓄电池组剩余容量检测***,其特征在于,
电压采集子模块采用电压传感器,电流采集子模块采用电流传感器,温度采集子模块采用温度传感器,内阻测量子模块采用内阻仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241601.4A CN109856545B (zh) | 2019-03-28 | 2019-03-28 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241601.4A CN109856545B (zh) | 2019-03-28 | 2019-03-28 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856545A true CN109856545A (zh) | 2019-06-07 |
CN109856545B CN109856545B (zh) | 2019-11-08 |
Family
ID=66902321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241601.4A Active CN109856545B (zh) | 2019-03-28 | 2019-03-28 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856545B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN112083340A (zh) * | 2019-06-13 | 2020-12-15 | 上海杰之能软件科技有限公司 | 蓄电池组性能检测方法及装置、存储介质、终端 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
-
2019
- 2019-03-28 CN CN201910241601.4A patent/CN109856545B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
Non-Patent Citations (2)
Title |
---|
余岷: "基于ANFIS的蓄电池剩余电量检测***的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄彬 等: "基于ANFIS模型的蓄电池放电剩余电量估计", 《自动化与仪表》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083340A (zh) * | 2019-06-13 | 2020-12-15 | 上海杰之能软件科技有限公司 | 蓄电池组性能检测方法及装置、存储介质、终端 |
CN112083340B (zh) * | 2019-06-13 | 2023-11-14 | 上海杰之能软件科技有限公司 | 蓄电池组性能检测方法及装置、存储介质、终端 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
CN116577677B (zh) * | 2023-07-14 | 2023-09-29 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109856545B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856545B (zh) | 太阳能汽车的蓄电池组剩余容量检测方法及*** | |
Chen et al. | A review of lithium-ion battery for electric vehicle applications and beyond | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
Yu et al. | OCV-SOC-temperature relationship construction and state of charge estimation for a series–parallel lithium-ion battery pack | |
CN103616647B (zh) | 一种用于电动汽车电池管理***的电池剩余电量估计方法 | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
Zhou et al. | Massive battery pack data compression and reconstruction using a frequency division model in battery management systems | |
CN110161414A (zh) | 一种动力电池热失控在线预测方法及*** | |
CN104849671B (zh) | 一种基于组合神经网络的电池组容量检测*** | |
CN102565710A (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN102468521A (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN109407007A (zh) | 一种电池荷电状态检测方法及装置 | |
CN107367698A (zh) | 电动汽车锂电池组的健康状态预测方法 | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN104535934A (zh) | 在线前馈补偿的动力电池电荷状态估计方法与*** | |
CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
CN105823989A (zh) | 一种改进的rbf神经网络的电池soc预测方法 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其*** | |
Geng et al. | State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network | |
Rui-hao et al. | Battery state of charge estimation for electric vehicle based on neural network | |
Sheikhan et al. | State of charge neural computational models for high energy density batteries in electric vehicles | |
Cui et al. | Equivalent Circuit Model of Lead-acid Battery in Energy Storage Power Station and Its State-of-Charge Estimation Based on Extended Kalman Filtering Method. | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |