CN117130419B - 一种基于lstm的mos管压差智能调节方法及*** - Google Patents
一种基于lstm的mos管压差智能调节方法及*** Download PDFInfo
- Publication number
- CN117130419B CN117130419B CN202311106357.3A CN202311106357A CN117130419B CN 117130419 B CN117130419 B CN 117130419B CN 202311106357 A CN202311106357 A CN 202311106357A CN 117130419 B CN117130419 B CN 117130419B
- Authority
- CN
- China
- Prior art keywords
- mos tube
- voltage
- value
- mcu
- differential pressure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 8
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013543 active substance Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910003002 lithium salt Inorganic materials 0.000 description 1
- 159000000002 lithium salts Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/10—Regulating voltage or current
- G05F1/46—Regulating voltage or current wherein the variable actually regulated by the final control device is dc
- G05F1/56—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices
- G05F1/561—Voltage to current converters
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/058—Construction or manufacture
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/446—Initial charging measures
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Materials Engineering (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种基于LSTM的MOS管压差智能调节方法及***,该方法包括:提出MOS管压差调节用数据采集技术,采集MOS管压差调节用基础数据;构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;建立基于LSTM的MOS管压降智能调节关联模型,给出MCU后端电压整定值和前端电源输出电压整定值;构建MOS管压降智能整定模型,对MOS管压降进行整定,完成MOS管压差的调节。通过本发明的方法及***,可以避免不确定因素的干扰,提升MOS电压整定值的计算准确度,进而提升MOS管压差调节效果,降低MOS管的运行功耗,提高锂离子电池化成质量。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种基于LSTM的MOS管压差智能调节方法及***。
背景技术
锂电池化成是锂电池注液后对电池的首次充电过程,该过程可以激活电池中的活性物质,使锂电池活化。一般通过使用初始低电流对制造的锂离子电池进行充电,锂盐与电解液发生副反应,在负极侧表面形成一层钝化层,即固体电解质界面膜,来完成化成。
然而,在前端电源给锂离子电池充电时,锂离子电池的电压逐渐增加,前端电源无法适应锂离子电池电压的增加,在接收到锂离子电池电压增加的反馈信号后,前端电源的MOS电压降减少,这会导致MOS管的电压降低,同时使前端电源的负载能力减弱,从而增加了输出功耗和产生热量。
现有方法一般通过电阻分压来生产整定值,对MOS电压进行调整,但现有方法在调整MOS管压差时,容易受到电磁干扰、电压波动等不确定性影响,给出电压整定值准确度不高,导致整定结果不够理想。
发明内容
针对目前MOS管压差调节中电压整定值准确度不高的问题,本发明提出一种基于LSTM的MOS管压差智能调节方法及***,利用LSTM智能算法避免不确定性因素的干扰,给出更加准确的电压整定值,进而提升MOS管压差调节效果。
为了实现上述目的,本发明通过如下的技术方案来实现:
一种基于LSTM的MOS管压差智能调节方法,其特征在于,所述方法包括:
提出MOS管压差调节用数据采集技术,采集MOS管压差调节用基础数据,所述MOS管压差调节用基础数据包括MCU运行数据和前端电源运行数据;
构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;
建立基于LSTM的MOS管压降智能调节关联模型,根据所述MOS管压差调节用基础数据和所述电路电压差值信号、电路电流差值信号,借助LSTM训练MOS管压降智能调节关联模型,给出MCU后端电压整定值和前端电源输出电压整定值;
构建MOS管压降智能整定模型,基于所述MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
作为本发明的一种优选方案,所述MCU运行数据包括MCU后端电压值、MCU设置的保护压差控制值和电流标准值,所述前端电源运行数据包括前端电源输出电压值和前端电源输出电流值。
作为本发明的一种优选方案,所述MOS管压差调节用基础数据的表达式为:
X(t)=[Vh(t),Vhs(t),Ihs(t),Id(t),Vd(t)];
式中,X(t)为t时刻采集的MOS管压差调节用基础数据;Vh(t)为t时刻采集的MCU后端电压值,Vhs(t)为t时刻MCU设置的保护压差控制值,Ihs(t)为t时刻MCU设置的电流标准值;Id(t)为t时刻的前端电源输出电流值,Vd(t)为t时刻的前端电源输出电压值。
作为本发明的一种优选方案,所述MOS管电路信号差值模型包括电路电压信号差值模型和电路电流信号差值模型;
所述电路电压信号差值模型用于计算电路电压差值信号,表达式如下:
VC(t)=Vde(t)-Vhs(t);
Vde(t)=Vd(t)-Vh(t);
式中,VC(t)表示t时刻的电路电压差值信号;Vde(t)为t时刻的MOS管前端电压差值,Vhs(t)为t时刻MCU设置的保护压差控制值,Vd(t)为t时刻的前端电源输出电压值,Vh(t)为t时刻采集的MCU后端电压值;
所述电路电流信号差值模型用于计算电路电流差值信号,表达式为:
IC(t)=Id(t)-Ihs(t);
式中,IC(t)表示t时刻的电路电流差值信号;Id(t)为t时刻的前端电源输出电流值,Ihs(t)为t时刻MCU设置的电流标准值。
作为本发明的一种优选方案,所述建立基于LSTM的MOS管压降智能调节关联模型,具体包括:
将电路电压信号差值模型和电路电流信号差值模型给出的电路电压差值信号、电路电流差值信号作为输入样本,表达式为:
Y(t)=[VC(t),IC(t)];
式中,Y(t)为t时刻的输入样本,VC(t)表示t时刻的电路电压差值信号,IC(t)表示t时刻的电路电流差值信号;
在隐藏层输入MCU后端电压值和前端电源输出电流值,借助LSTM对MOS管压降智能调节关联模型进行训练,训练过程如下所示:
式中,σ为激活函数;ft为遗忘门的输出,Wf、bf为相应的遗忘门矩阵;it为输入门的输出,Wi、bi为相应的输入门权重矩阵;Ct-1为旧细胞状态信息,为选择添加候选状态信息,Ct为更新的细胞信息,WC、bC为对应的神经元矩阵;ot为输出门的输出,Wo、bo为相应的输出门矩阵;ht为输出结果;
最终输出基于LSTM的MOS管压降智能调节关联模型FC(t),表达式为:
ht=FC(t)=f(VC(t),IC(t))=[Vhδ(t),Vdδ(t)];
式中,f()表示当输入VC(t),IC(t)时,给出对应的MCU后端电压整定值和前端电源输出电压整定值;Vhδ(t)为t时刻的MCU后端电压整定值,Vdδ(t)为t时刻的前端电源输出电压整定值。
作为本发明的一种优选方案,所述MOS管压降智能整定模型具体包括:
第一步:MCU基于MCU后端电压整定值调整MCU后端电压值,并传递给MOS管压差检测电路,公式如下:
Vh-a(t)=Vhδ(t);
式中,Vh-a(t)为t时刻调整后的MCU后端电压值,Vhδ(t)为t时刻的MCU后端电压整定值;
第二步:电源驱动芯片根据前端电源输出电压整定值调整前端电源输出电压值,公式如下:
Vd-a(t)=Vdδ(t);
式中,Vd-a(t)为t时刻调整后的前端电源输出电压值,Vdδ(t)为t时刻的前端电源输出电压整定值;
经过以上两步,完成对MOS管压差的调节。
一种基于LSTM的MOS管压差智能调节***,实现如上所述的一种基于LSTM的MOS管压差智能调节方法,所述***包括:
数据采集模块,用于采集MOS管压差调节用基础数据,所述MOS管压差调节用基础数据包括MCU运行数据和前端电源运行数据;
差值信号模块,用于构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;
LSTM训练模块,用于建立基于LSTM的MOS管压降智能调节关联模型,借助LSTM对所述MOS管压降智能调节关联模型进行训练,给出MCU后端电压整定值和前端电源输出电压整定值;
MOS管压差调节模块,用于构建MOS管压降智能整定模型,基于所述MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的一种基于LSTM的MOS管压差智能调节方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理执行时实现如上所述的一种基于LSTM的MOS管压差智能调节方法。
与现有技术相比,本发明的有益效果是:面向MOS,提出一种基于LSTM的MOS管压差智能调节方法及***,避免不确定因素的干扰,提升MOS电压整定值的计算准确度,进而提升MOS管压差调节效果,降低MOS管的运行功耗,提高锂离子电池化成质量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为本发明的方法流程图;
图2为本发明的基于LSTM的MOS管压降智能调节关联模型训练示意图;
图3为本发明的基于LSTM的MOS管压差智能调节的原理示意图;
图4为本发明的***模块化结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图3所示,为本发明的一个实施例,该实施例提供了一种基于LSTM的MOS管压差智能调节方法,具体包括如下步骤:
S1:提出MOS管压差调节用数据采集技术,采集MOS管压差调节用基础数据,MOS管压差调节用基础数据主要包括MCU运行数据和前端电源运行数据。
在一个具体的实施例中,MCU运行数据可以包括MCU后端电压值、MCU设置的保护压差控制值、电流标准值等,前端电源运行数据可以包括前端电源输出电压值、前端电源输出电流值等。
在一个优选实施例中,MOS管压差调节用基础数据的表达式为:
X(t)=[Vh(t),Vhs(t),Ihs(t),Id(t),Vd(t)];
式中,X(t)为t时刻采集的MOS管压差调节用基础数据;Vh(t)为t时刻采集的MCU后端电压值,Vhs(t)为t时刻MCU设置的保护压差控制值,Ihs(t)为t时刻MCU设置的电流标准值;Id(t)为t时刻的前端电源输出电流值,Vd(t)为t时刻的前端电源输出电压值。
S2:构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;MOS管电路信号差值模型是下一步骤中MOS管压降智能调节关联模型的基础。
在一个实施例中,MOS管电路信号差值模型包括电路电压信号差值模型和电路电流信号差值模型;
电路电压信号差值模型用于计算电路电压差值信号,表达式如下:
VC(t)=Vde(t)-Vhs(t);
Vde(t)=Vd(t)-Vh(t);
式中,VC(t)表示t时刻的电路电压差值信号;Vde(t)为t时刻的MOS管前端电压差值,Vhs(t)为t时刻MCU设置的保护压差控制值,Vd(t)为t时刻的前端电源输出电压值,Vh(t)为t时刻采集的MCU后端电压值;
电路电流信号差值模型用于计算电路电流差值信号,表达式为:
IC(t)=Id(t)-Ihs(t);
式中,IC(t)表示t时刻的电路电流差值信号;Id(t)为t时刻的前端电源输出电流值,Ihs(t)为t时刻MCU设置的电流标准值。
S3:建立基于LSTM的MOS管压降智能调节关联模型,根据MOS管压差调节用基础数据和电路电压差值信号、电路电流差值信号,借助LSTM训练MOS管压降智能调节关联模型,给出MCU后端电压整定值和前端电源输出电压整定值。
针对传统基于电阻分压方法在计算MCU后端电压整定值、前端电源的输出电压整定值时,受电磁干扰、电压波动等不确定性影响,给出电压值准确度不高的问题,本发明利用LSTM智能算法可避免不确定性因素的干扰,给出更加准确的电压整定值。
在一个实施例中,步骤S3具体包括:
将电路电压信号差值模型和电路电流信号差值模型给出的电路电压差值信号、电路电流差值信号作为输入样本,表达式为:
Y(t)=[VC(t),IC(t)];
式中,Y(t)为t时刻的输入样本,VC(t)表示t时刻的电路电压差值信号,IC(t)表示t时刻的电路电流差值信号;
在隐藏层输入MCU后端电压值和前端电源输出电流值,借助LSTM对MOS管压降智能调节关联模型进行训练,训练过程如下所示:
式中,σ为激活函数;ft为遗忘门的输出,Wf、bf为相应的遗忘门矩阵;it为输入门的输出,Wi、bi为相应的输入门权重矩阵;Ct-1为旧细胞状态信息,为选择添加候选状态信息,Ct为更新的细胞信息,WC、bC为对应的神经元矩阵;ot为输出门的输出,Wo、bo为相应的输出门矩阵;ht为输出结果;
最终输出基于LSTM的MOS管压降智能调节关联模型FC(t),表达式为:
ht=FC(t)=f(VC(t),IC(t))=[Vhδ(t),Vdδ(t)];
式中,f()表示当输入VC(t),IC(t)时,给出对应的MCU后端电压整定值和前端电源输出电压整定值;Vhδ(t)为t时刻的MCU后端电压整定值,Vdδ(t)为t时刻的前端电源输出电压整定值。
S4:构建MOS管压降智能整定模型,基于MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
在一个实施例中,步骤S4具体包括:
第一步:MCU基于MCU后端电压整定值调整MCU后端电压值,并传递给MOS管压差检测电路,公式如下:
Vh-a(t)=Vhδ(t);
式中,Vh-a(t)为t时刻调整后的MCU后端电压值,Vhδ(t)为t时刻的MCU后端电压整定值;
第二步:电源驱动芯片根据前端电源输出电压整定值调整前端电源输出电压值,公式如下:
Vd-a(t)=Vdδ(t);
式中,Vd-a(t)为t时刻调整后的前端电源输出电压值,Vdδ(t)为t时刻的前端电源输出电压整定值;
经过以上两步,完成对MOS管压差的调节。
如图4所示,为本发明的另一实施例,该实施例提供了一种基于LSTM的MOS管压差智能调节***,实现如上所述的一种基于LSTM的MOS管压差智能调节方法,该***包括:
数据采集模块,用于采集MOS管压差调节用基础数据,MOS管压差调节用基础数据包括MCU运行数据和前端电源运行数据;
差值信号模块,用于构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;
LSTM训练模块,用于建立基于LSTM的MOS管压降智能调节关联模型,借助LSTM对MOS管压降智能调节关联模型进行训练,给出MCU后端电压整定值和前端电源输出电压整定值;
MOS管压差调节模块,用于构建MOS管压降智能整定模型,基于MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
本发明还提供一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上所述的一种基于LSTM的MOS管压差智能调节方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理执行时实现如上所述的一种基于LSTM的MOS管压差智能调节方法。
综上所述,本发明面向MOS,提出一种基于LSTM的MOS管压差智能调节方法及***,避免不确定因素的干扰,提升MOS电压整定值的计算准确度,进而提升MOS管压差调节效果,降低MOS管的运行功耗,提高锂离子电池化成质量。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现,计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于LSTM的MOS管压差智能调节方法,其特征在于,所述方法包括:
提出MOS管压差调节用数据采集技术,采集MOS管压差调节用基础数据,所述MOS管压差调节用基础数据包括MCU运行数据和前端电源运行数据;所述MCU运行数据包括MCU后端电压值、MCU设置的保护压差控制值和电流标准值,所述前端电源运行数据包括前端电源输出电压值和前端电源输出电流值;
构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;
建立基于LSTM的MOS管压降智能调节关联模型,根据所述MOS管压差调节用基础数据和所述电路电压差值信号、电路电流差值信号,借助LSTM训练MOS管压降智能调节关联模型,给出MCU后端电压整定值和前端电源输出电压整定值;
所述建立基于LSTM的MOS管压降智能调节关联模型,具体包括:
将电路电压信号差值模型和电路电流信号差值模型给出的电路电压差值信号、电路电流差值信号作为输入样本,表达式为:
Y(t)=[VC(t),IC(t)];
式中,Y(t)为t时刻的输入样本,VC(t)表示t时刻的电路电压差值信号,IC(t)表示t时刻的电路电流差值信号;
在隐藏层输入MCU后端电压值和前端电源输出电流值,借助LSTM对MOS管压降智能调节关联模型进行训练,训练过程如下所示:
式中,σ为激活函数;ft为遗忘门的输出,Wf、bf为相应的遗忘门矩阵;it为输入门的输出,Wi、bi为相应的输入门权重矩阵;Ct-1为旧细胞状态信息,为选择添加候选状态信息,Ct为更新的细胞信息,WC、bC为对应的神经元矩阵;ot为输出门的输出,Wo、bo为相应的输出门矩阵;ht为输出结果;
最终输出基于LSTM的MOS管压降智能调节关联模型FC(t),表达式为:
ht=FC(t)=f(VC(t),IC(t))=[Vhδ(t),Vdδ(t)];
式中,f()表示当输入VC(t),IC(t)时,给出对应的MCU后端电压整定值和前端电源输出电压整定值;Vhδ(t)为t时刻的MCU后端电压整定值,Vdδ(t)为t时刻的前端电源输出电压整定值;
构建MOS管压降智能整定模型,基于所述MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
2.根据权利要求1所述的一种基于LSTM的MOS管压差智能调节方法,其特征在于,所述MOS管压差调节用基础数据的表达式为:
X(t)=[Vh(t),Vhs(t),Ihs(t),Id(t),Vd(t)];
式中,X(t)为t时刻采集的MOS管压差调节用基础数据;Vh(t)为t时刻采集的MCU后端电压值,Vhs(t)为t时刻MCU设置的保护压差控制值,Ihs(t)为t时刻MCU设置的电流标准值;Id(t)为t时刻的前端电源输出电流值,Vd(t)为t时刻的前端电源输出电压值。
3.根据权利要求1所述的一种基于LSTM的MOS管压差智能调节方法,其特征在于,所述MOS管电路信号差值模型包括电路电压信号差值模型和电路电流信号差值模型;
所述电路电压信号差值模型用于计算电路电压差值信号,表达式如下:
VC(t)=Vde(t)-Vhs(t);
Vde(t)=Vd(t)-Vh(t);
式中,VC(t)表示t时刻的电路电压差值信号;Vde(t)为t时刻的MOS管前端电压差值,Vhs(t)为t时刻MCU设置的保护压差控制值,Vd(t)为t时刻的前端电源输出电压值,Vh(t)为t时刻采集的MCU后端电压值;
所述电路电流信号差值模型用于计算电路电流差值信号,表达式为:
IC(t)=Id(t)-Ihs(t);
式中,IC(t)表示t时刻的电路电流差值信号;Id(t)为t时刻的前端电源输出电流值,Ihs(t)为t时刻MCU设置的电流标准值。
4.根据权利要求1所述的一种基于LSTM的MOS管压差智能调节方法,其特征在于,所述MOS管压降智能整定模型具体包括:
第一步:MCU基于MCU后端电压整定值调整MCU后端电压值,并传递给MOS管压差检测电路,公式如下:
Vh-a(t)=Vhδ(t);
式中,Vh-a(t)为t时刻调整后的MCU后端电压值,Vhδ(t)为t时刻的MCU后端电压整定值;
第二步:电源驱动芯片根据前端电源输出电压整定值调整前端电源输出电压值,公式如下:
Vd-a(t)=Vdδ(t);
式中,Vd-a(t)为t时刻调整后的前端电源输出电压值,Vdδ(t)为t时刻的前端电源输出电压整定值;
经过以上两步,完成对MOS管压差的调节。
5.根据权利要求1-4任一项所述的一种基于LSTM的MOS管压差智能调节方法的调节***,其特征在于,所述***包括:
数据采集模块,用于采集MOS管压差调节用基础数据,所述MOS管压差调节用基础数据包括MCU运行数据和前端电源运行数据;
差值信号模块,用于构建MOS管电路信号差值模型,计算不同MOS管压差调节用基础数据下的电路电压差值信号和电路电流差值信号;
LSTM训练模块,用于建立基于LSTM的MOS管压降智能调节关联模型,借助LSTM对所述MOS管压降智能调节关联模型进行训练,给出MCU后端电压整定值和前端电源输出电压整定值;
MOS管压差调节模块,用于构建MOS管压降智能整定模型,基于所述MCU后端电压整定值和前端电源输出电压整定值,对MOS管压降进行整定,完成MOS管压差的调节。
6.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-4任一项所述的一种基于LSTM的MOS管压差智能调节方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理执行时实现如权利要求1-4任一项所述的一种基于LSTM的MOS管压差智能调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106357.3A CN117130419B (zh) | 2023-08-30 | 2023-08-30 | 一种基于lstm的mos管压差智能调节方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106357.3A CN117130419B (zh) | 2023-08-30 | 2023-08-30 | 一种基于lstm的mos管压差智能调节方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117130419A CN117130419A (zh) | 2023-11-28 |
CN117130419B true CN117130419B (zh) | 2024-03-12 |
Family
ID=88850496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311106357.3A Active CN117130419B (zh) | 2023-08-30 | 2023-08-30 | 一种基于lstm的mos管压差智能调节方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130419B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107839500A (zh) * | 2017-07-11 | 2018-03-27 | 苏州大学 | 一种动态修正soc的锂电池组均衡控制方法和*** |
CN110661403A (zh) * | 2019-09-27 | 2020-01-07 | 福建星云电子股份有限公司 | 一种控制并联mos管均衡的电路 |
WO2020087373A1 (zh) * | 2018-10-31 | 2020-05-07 | 华为技术有限公司 | 电池电压的补偿方法、装置和终端设备 |
WO2020204584A1 (ko) * | 2019-04-05 | 2020-10-08 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
CN113014235A (zh) * | 2021-02-22 | 2021-06-22 | 福建星云电子股份有限公司 | 一种mos管压差自动调节装置及方法 |
CN214591356U (zh) * | 2021-02-22 | 2021-11-02 | 福建星云电子股份有限公司 | 一种mos管压差自动调节装置 |
CN114189024A (zh) * | 2021-12-20 | 2022-03-15 | 浙江特康电子科技有限公司 | 一种实现恒流模式的方法、装置、开关电源及介质 |
CN114400898A (zh) * | 2022-03-08 | 2022-04-26 | 广州菲利斯太阳能科技有限公司 | 基于buck-boost的逆变电路功率调节方法及*** |
CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
CN116365843A (zh) * | 2023-04-26 | 2023-06-30 | 普敏半导体(苏州)有限公司 | 一种升降压自动调节电路 |
CN116526617A (zh) * | 2023-04-26 | 2023-08-01 | 广芯微电子(广州)股份有限公司 | 一种基于强化学习的锂电池充电控制方法及装置 |
-
2023
- 2023-08-30 CN CN202311106357.3A patent/CN117130419B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107839500A (zh) * | 2017-07-11 | 2018-03-27 | 苏州大学 | 一种动态修正soc的锂电池组均衡控制方法和*** |
WO2020087373A1 (zh) * | 2018-10-31 | 2020-05-07 | 华为技术有限公司 | 电池电压的补偿方法、装置和终端设备 |
WO2020204584A1 (ko) * | 2019-04-05 | 2020-10-08 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
CN110661403A (zh) * | 2019-09-27 | 2020-01-07 | 福建星云电子股份有限公司 | 一种控制并联mos管均衡的电路 |
CN113014235A (zh) * | 2021-02-22 | 2021-06-22 | 福建星云电子股份有限公司 | 一种mos管压差自动调节装置及方法 |
CN214591356U (zh) * | 2021-02-22 | 2021-11-02 | 福建星云电子股份有限公司 | 一种mos管压差自动调节装置 |
CN114189024A (zh) * | 2021-12-20 | 2022-03-15 | 浙江特康电子科技有限公司 | 一种实现恒流模式的方法、装置、开关电源及介质 |
CN114400898A (zh) * | 2022-03-08 | 2022-04-26 | 广州菲利斯太阳能科技有限公司 | 基于buck-boost的逆变电路功率调节方法及*** |
CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
CN116365843A (zh) * | 2023-04-26 | 2023-06-30 | 普敏半导体(苏州)有限公司 | 一种升降压自动调节电路 |
CN116526617A (zh) * | 2023-04-26 | 2023-08-01 | 广芯微电子(广州)股份有限公司 | 一种基于强化学习的锂电池充电控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于LSTM神经网络的锂离子电池荷电状态估算;明彤彤;王凯;田冬冬;徐松;田浩含;;广东电力(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117130419A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
Yang et al. | State-of-charge estimation of lithium-ion batteries using LSTM and UKF | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
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 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
CN113022374B (zh) | 电动汽车电池管理***的被动均衡控制方法及*** | |
JP4075925B2 (ja) | 車両用鉛蓄電池の内部状態検出システム | |
US8207706B2 (en) | Method of estimating battery state of charge | |
Chen et al. | State of charge estimation for lithium-ion batteries using gated recurrent unit recurrent neural network and adaptive Kalman filter | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN115639481B (zh) | 基于大数据预测soc的电池数据预处理***及方法 | |
CN113552490B (zh) | 一种基于休息恢复效应的可重构电池组soc估计方法 | |
US20230204668A1 (en) | Method for estimating state of charge (soc) of lithium-ion battery system based on artificial intelligence (ai) | |
CN115718263B (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN117130419B (zh) | 一种基于lstm的mos管压差智能调节方法及*** | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
CN111624491A (zh) | 一种确定电池剩余电量的方法、装置及电池管理*** | |
WO2024060539A1 (zh) | 动力电池的年度碳排放量估算方法及装置 | |
CN115236978B (zh) | 基于预测车速的等效因子调整***及方法 | |
WO2022170671A1 (zh) | 优化电池管理***的方法和设备 | |
US8179140B2 (en) | Method of estimating solid phase potential | |
CN113711458A (zh) | 电池容量预估方法、电子装置和存储介质 | |
US20240170745A1 (en) | State determination device for lithium-ion rechargeable battery |
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 |