CN111086414A - 一种基于极限神经网络的快速充电设备及其方法 - Google Patents
一种基于极限神经网络的快速充电设备及其方法 Download PDFInfo
- Publication number
- CN111086414A CN111086414A CN201911148261.7A CN201911148261A CN111086414A CN 111086414 A CN111086414 A CN 111086414A CN 201911148261 A CN201911148261 A CN 201911148261A CN 111086414 A CN111086414 A CN 111086414A
- Authority
- CN
- China
- Prior art keywords
- neural network
- electric vehicle
- charger
- power
- battery
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于极限神经网络的快速充电设备及其方法,该设备包括:AC/DC充电器,用于给电动车电池进行充电;功率检测器,用于检测电动车电池的输出功率;温度检测器,用于检测电动车电池的输出温度量;ELM神经网络,输出与所述的AC/DC充电器连接,输入分别与功率检测器、温度检测器连接,用于获得功率检测器、温度检测器检测到的数据,并进行极限神经网络训练建模,获取神经网络中更为准确的控制信号u;然后输送给AC/DC充电器,由AC/DC充电器给电动车电池进行充电的过程。本发明提高快速充电效率。
Description
技术领域
本发明涉及一种电动汽车充电的技术领域,特别是一种基于极限神经网络的快速充电设备及其方法。
背景技术
电动汽车是新一代能源汽车的解决方案,环保无污染,代表着未来的汽车 发展方向。全世界不少国家和地区包括中国也都在大力推广电动汽车,为电动 汽车驾驶者提供一系列优惠措施。到2020年,电动汽车的累计销量要超过500 万辆。目前电动汽车的技术已经进入大规模商用的成熟期。电动汽车用电池技 术也在不断的提高和发展,电池的单位体积的容量也将会不断的提高,超大容 量电池也将投入市场。随着电动汽车大规模商用和电池容量的不断提高,电动 汽车的充电问题将日益突出,特别是在大容量快速充电方面,甚至成了限制电 动汽车普及推广的咽喉。
目前最常见的方法是通过线性控制紧充电,由于电池为非线性的,因此导致充电不合理,且相对充电速度过慢,因此如何设计一款充电速度更快显得尤为重要。
发明内容
本发明的目的是为了解决上述现有技术的不足而提供一种提高充电速度的一种基于极限神经网络的快速充电设备及其方法。
为了实现上述目的,本发明所设计的一种基于极限神经网络的快速充电设备,该设备包括:
AC/DC充电器,用于给电动车电池进行充电;
功率检测器,用于检测电动车电池的输出功率;
温度检测器,用于检测电动车电池的输出温度量;
ELM神经网络,输出与所述的AC/DC充电器连接,输入分别与功率检测器、温度检测器连接,用于获得功率检测器、温度检测器检测到的数据,并进行极限神经网络训练建模,获取神经网络中更为准确的控制信号u;然后输送给AC/DC 充电器,由AC/DC充电器给电动车电池进行充电的过程。
本发明还公开了一种基于极限神经网络的快速充电方法,其具体包括以下步骤:
S1)、从电动车电池的输出中获取检测温度和检测功率;
S2)、根据ELM神经网络算法,通过处理所检测的温度和检测功率来计算获得控制信号u;
S3)、将计算的控制信号u输送给AC/DC充电器;
S4)、AC/DC充电器将获得的控制信号u转成充电电流后,给电动车电池进行充电的过程。
本发明得到的一种基于极限神经网络的快速充电设备及其方法,上述结构设计,能够利用非线性的ELM神经网络来实现对电动车电池进行快速充电的过程,解决了现有技术中利用常规线性控制导致充电不合理,充电速度慢的问题。
附图说明
图1是本实施例1中一种基于极限神经网络的快速充电装置的结构示意图;
图2是本实施例1中ELM神经网络的结构示意图。
附图标记:AC/DC充电器、功率检测器2、温度检测器3、电动车电池5、ELM神经网络4。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1:
如图1所示,本实施例提供的一种基于极限神经网络的快速充电设备,该设备包括:
AC/DC充电器1,用于给电动车电池5进行充电;
功率检测器2,用于检测电动车电池5的输出功率P;
温度检测器3,用于检测电动车电池5的输出温度量T;
ELM神经网络4,输出与所述的AC/DC充电器1连接,输入分别与功率检测器2、温度检测器3连接,用于获得功率检测器2、温度检测器3检测到的数据即温度T、功率P,并进行极限神经网络训练建模,获取神经网络中更为准确的控制信号u;然后输送给AC/DC充电器1,由AC/DC充电器1给电动车电池5进行充电的过程。
本实施例还公开了一种基于极限神经网络的快速充电方法,其具体包括以下步骤:
S1、从电动车电池5的输出中获取检测温度和检测功率;
S2、根据ELM神经网络算法,通过处理所检测的温度和检测功率来计算获得控制信号u;
S3)、将计算的控制信号u输送给AC/DC充电器1;
S4)、AC/DC充电器1将获得的控制信号u转成充电电流后,给电动车电池 5进行充电的过程。
因此通过上述结构设计,能够利用非线性的ELM神经网络来实现对电动车电池5进行快速充电的过程,解决了现有技术中利用常规线性控制导致充电不合理,充电速度慢的问题。
如图2所示,ELM神经网络4包括输入区域、隐含层和输出层,为了实现根据ELM神经网络算法,通过处理所检测的温度和检测功率来计算获得控制信号u,可以将检测温度T以及功率P作为两个输入量;因此总的输入量X等于ELM神经网络4中的功率以及温度的向量,而u为输出量,即:
此时ELM神经网络(4)的输入量可以表示为:
因此ELM神经网络(4)的第一层输入可以表示为:
ELM神经网络(4)的第一层输出可以表示为:
ELM神经网络(4)的第二层输出可以表示为:
而最终的控制信号u等于:
其中:W为权重,b为隐层单元的偏置。i表示隐含的层数,本发明中共有2层隐含层数,g为激活函数。
然后根据以下权值学习算法公式(3)获得β值代入到公式(2)最终获得控制信号u并输送给AC/DC充电器(1)控制充电。
βi(t+1)=βi(t)+Δβi(t) (3)
其中所述的Δβi(t)为:
上述的t表示时间,k表示层数,而W权重需要通过在现有的数据集上迭代进行训练已获得能够使网络的先得到最高的权重和偏差,因此需要将ELM神经网络4迭代地进行反向传播学习算法,因此在实际学习过程中需要有一个性能指标,即最佳权重公式:
这里的T0和P0为整个网络传播输入X而获得的输出;所述的反向传播算法由以下步骤:
S100、第一步用一种随机的都是初始化网络的权重,也就是将接近O-1的随机数来分配连接的权重;
S200、前馈:输入X并送入网络并传播到输出层,计算结构误差;
S300、反馈:根据以下公式更新权重和偏差;
也可以不变,只更新βi。
Claims (2)
1.一种基于极限神经网络的快速充电设备,其特征在于,该设备包括:
AC/DC充电器(1),用于给电动车电池(5)进行充电;
功率检测器(2),用于检测电动车电池(5)的输出功率;
温度检测器(3),用于检测电动车电池(5)的输出温度量;
ELM神经网络(4),输出与所述的AC/DC充电器(1)连接,输入分别与功率检测器(2)、温度检测器(3)连接,用于获得功率检测器(2)、温度检测器(3)检测到的数据,并进行极限神经网络训练建模,获取神经网络中更为准确的控制信号u;然后输送给AC/DC充电器(1),由AC/DC充电器(1)给电动车电池(5)进行充电的过程。
2.根据权利要求1所述的一种基于极限神经网络的快速充电方法,其特征在于,具体包括以下步骤:
S1)、从电动车电池(5)的输出中获取检测温度和检测功率;
S2)、根据ELM神经网络(4)算法,通过处理所检测的温度和检测功率来计算获得控制信号u;
S3)、将计算的控制信号u输送给AC/DC充电器(1);
S4)、AC/DC充电器(1)将获得的控制信号u转成充电电流后,给电动车电池(5)进行充电的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148261.7A CN111086414A (zh) | 2019-11-21 | 2019-11-21 | 一种基于极限神经网络的快速充电设备及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148261.7A CN111086414A (zh) | 2019-11-21 | 2019-11-21 | 一种基于极限神经网络的快速充电设备及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111086414A true CN111086414A (zh) | 2020-05-01 |
Family
ID=70394000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148261.7A Pending CN111086414A (zh) | 2019-11-21 | 2019-11-21 | 一种基于极限神经网络的快速充电设备及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111086414A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测*** |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大***研究院 | 一种基于极限学习模型的电池状态预测***及其实现方法 |
WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
KR20190019316A (ko) * | 2017-08-17 | 2019-02-27 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
CN110048477A (zh) * | 2019-04-19 | 2019-07-23 | 浙江大学宁波理工学院 | 一种基于神经元控制的快速充电器及控制方法 |
-
2019
- 2019-11-21 CN CN201911148261.7A patent/CN111086414A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测*** |
WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
KR20190019316A (ko) * | 2017-08-17 | 2019-02-27 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大***研究院 | 一种基于极限学习模型的电池状态预测***及其实现方法 |
CN110048477A (zh) * | 2019-04-19 | 2019-07-23 | 浙江大学宁波理工学院 | 一种基于神经元控制的快速充电器及控制方法 |
Non-Patent Citations (2)
Title |
---|
杨艳茜: "基于神经网络控制的快速充电方法探究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
陈德海等: "基于ELM–Takagi Sugeno的车载锂电池优化充电策略的研究", 《云南大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113511082B (zh) | 基于规则和双深度q网络的混合动力汽车能量管理方法 | |
Yao et al. | Adaptive real-time optimal control for energy management strategy of extended range electric vehicle | |
Jiao et al. | The Savitzky‐Golay filter based bidirectional long short‐term memory network for SOC estimation | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
Gong et al. | The optimal group consensus models for 2-tuple linguistic preference relations | |
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN107139762A (zh) | 一种电动汽车优化充电控制方法及其*** | |
CN109655751A (zh) | 一种使用高斯过程回归估计电池充电状态的方法和*** | |
Shrivastava et al. | Model‐based state of X estimation of lithium‐ion battery for electric vehicle applications | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、***及装置 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
Liu et al. | An online SOH estimation method based on the fusion of improved ICA and LSTM | |
Wang et al. | Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM | |
Tang et al. | Model parameter identification for lithium-ion batteries using adaptive multi-context cooperatively co-evolutionary parallel differential evolution algorithm | |
Zhou et al. | Multi-objective real-time energy management for series–parallel hybrid electric vehicles considering battery life | |
Jusoh et al. | Accurate battery model parameter identification using heuristic optimization | |
CN111999651B (zh) | 一种纯电动汽车用锂离子电池的功率性能测试方法 | |
CN111086414A (zh) | 一种基于极限神经网络的快速充电设备及其方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
CN115099522B (zh) | 基于bp神经网络的专变用户有功无功碳排放预测方法 | |
CN115144757A (zh) | 一种获取电池产热的方法、装置和电子设备 | |
CN114624602A (zh) | 一种储能电池***并联支路电流估计值矫正方法 | |
CN113420486A (zh) | 一种基于多尺度模拟的电池正极材料集成设计方法与*** | |
CN113780661A (zh) | 一种针对突变风速的风电超短期功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |
|
RJ01 | Rejection of invention patent application after publication |