CN204706925U - 基于bp神经网络的智能电池充电器 - Google Patents
基于bp神经网络的智能电池充电器 Download PDFInfo
- Publication number
- CN204706925U CN204706925U CN201520457396.2U CN201520457396U CN204706925U CN 204706925 U CN204706925 U CN 204706925U CN 201520457396 U CN201520457396 U CN 201520457396U CN 204706925 U CN204706925 U CN 204706925U
- Authority
- CN
- China
- Prior art keywords
- module
- neural net
- charged
- pond
- battery charger
- 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
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本实用新型涉及一种基于BP神经网络的智能电池充电器，包括一微控制器以及与其相连的一显示模块、一存储模块、一采集模块与一切换电路；所述采集模块的输入端连接有一待充电池，用以采集待充电池的温度、电流以及电压信息；所述切换电路还连接有复数个充电驱动电路模块以及所述待充电池；所述存储模块用以存储所述采集模块采集到的待充电池的温度、电流以及电压信息；所述微控制器用以控制所述切换电路切换至相应的充电驱动电路模块对所述待充电池进行充电并根据所述存储模块中的数据对BP神经网络进行训练预估充电剩余时间。本实用新型引入了使用BP神经网络进行充电剩余时间的预测；能识别不同的电池，针对不同电池设定不同的充电模式。
Description
技术领域
本实用新型涉及电子电路领域，特别是一种基于BP神经网络的智能电池充电器。
背景技术
电池是人类社会活动中必不可少的设备之一，对电池充电器的研究是一个重要的研究方向。充电剩余时间的预测，能给人们生活带来方便，同时人们根据充电时间的把握，防止电池过度充电，从而延长电池的使用寿命。一般而言，电池充电的剩余时间与当前的电池状态表现出非线性的特征，所以难以精确检测出电池充电的剩余时间，从而电池充电剩余时间的值不是检测而是预测。
目前市面上的充电器普遍存在着以下问题：1、无法针对不同电压的电池进行充电，一个充电器只能针对一类电池或一种进行充电；2、未能在充电器上显示充电剩余的时间；3、对充电剩余时间的预估上，未能考虑当前充电状态的影响，导致充电剩余时间的预估上与期望存在较大的偏差，可用性也大大折扣。
实用新型内容
有鉴于此，本实用新型的目的是提供一种基于BP神经网络的智能电池充电器，能够针对不同电池进行充电，并且引入了BP神经网络，能对充电剩余时间做出较为精确的预估。
本实用新型采用以下方案实现：一种基于BP神经网络的智能电池充电器，包括—微控制器以及与其相连的一显示模块、一存储模块、一采集模块与一切换电路；所述采集模块的输入端连接有一待充电池，所述切换电路还连接有复数个充电驱动电路模块以及所述待充电池；所述采集模块包括一温度采集模块、一电流采集模块以及一电压采集模块，用以采集待充电池的温度、电流以及电压信息；所述存储模块用以存储所述采集模块采集到的待充电池的温度、电流以及电压信息；所述微控制器用以控制所述切换电路切换至相应的充电驱动电路模块对所述待充电池进行充电并根据所述存储模块中的数据对BP神经网络进行训练预估充电剩余时间；所示显示模块用以显示预估得到的充电剩余时间。
进一步地，所述切换电路为继电器阵列。
进一步地，所述的充电驱动电路模块为DC-DC转换电路。
进一步地，所述的温度采集模块为温度传感器，采用DS18B20；所述的电流采集模块与电压采集模块采用放大器与基本元器件构成。
进一步地，所述的微控制器为51单片机或STM32。
进一步地，所述的显示模块为数码管或液晶显示器。
进一步地，所述的存储模块为EEPROM或SD卡。
较佳的，所述微控制器通过BP神经网络进行充电剩余时间的预测，通过存储模块中电流、电压、温度、电池类型对神经网络进行训练，预测当前充电状态的剩余充电时间。
本实用新型具有以下有益效果：微控制器先通过识别电池，并切换到相应的充电电路进行充电；在充电过程中，微控制器获取充电过程的电池电流、电压、温度等数据，并保存在存储模块中；使用存储模块中数据对BP神经网络进行训练，获得充电剩余时间的预测映射函数，并将其显示在显示模块上。
附图说明
图1是本实用新型一实施例的***框架图。
图2是本实用新型一实施例的BP神经网络的拓扑图。
图3是本实用新型一实施例的BP神经网络的学习步骤流程图。
图4是本实用新型一实施例的该智能电池充电器的执行流程图。
图5是本实用新型一实施例的更新BP神经网络模型的执行流程图。
具体实施方式
下面结合附图及实施例对本实用新型做进一步说明。
本实施例提供一种基于BP神经网络的智能电池充电器，图1为本实用新型一实施例的***框架图，如图1所示，所述的智能电池充电器包括一种基于BP神经网络的智能电池充电器，包括—微控制器以及与其相连的一显示模块、一存储模块、一采集模块与一切换电路；所述采集模块的输入端连接有一待充电池，所述切换电路还连接有复数个充电驱动电路模块以及所述待充电池；所述采集模块包括一温度采集模块、一电流采集模块以及一电压采集模块，用以采集待充电池的温度、电流以及电压信息；所述存储模块用以存储所述采集模块采集到的待充电池的温度、电流以及电压信息；所述微控制器用以控制所述切换电路切换至相应的充电驱动电路模块对所述待充电池进行充电并根据所述存储模块中的数据对BP神经网络进行训练预估充电剩余时间；所示显示模块用以显示预估得到的充电剩余时间。
在本实施例中，所述切换电路为用以进行充电驱动电路模块切换的开关网络。
在本实施例中，所述的充电驱动电路模块为具有DC-DC转换的Buck电路。。
在本实施例中，所述的温度采集模块为温度传感器，采用DS18B20；所述的电流采集模块与电压采集模块采用放大器与基本元器件构成。
在本实施例中，所述的微控制器为51单片机或STM32。
在本实施例中，所述的显示模块为数码管或液晶显示器。
在本实施例中，所述的存储模块为EEPROM或SD卡。
在本实施例中，所述微控制器采用BP神经网络进行充电剩余时间的预估。所述的BP神经网络的学习数据包括了采集模块采集到的电流、电压、温度和开关网络获得的电池类型信息，并用于基于由完成神经网络算法和学习算法产生的最终学习算法公式，输出预估的充电剩余时间，通过BP神经网络不断迭代执行学习算法，从而更新该学习算法来产生最终的输出。
在本实施例中，图2为BP神经网络的拓扑图，如图2所示，所述的基于BP神经网络的智能电池充电器的BP神经网络采用4输入层、5隐藏层和1输出层的网络结构，具体建立过程按下列方式实施：
将充电时采集到的第n个的电流 、电压、温度和电池的类型的值作为输入层，网络模型的输入层有4维矢量构成；
将第n个输入值对应的充电剩余时间作为输出层，网络模型输出层为1维矢量；代表第n个输入值对应的充电剩余时间的大小。
在本实施例中，图3为BP神经网络的学习步骤流程图，如图3所示，所述的BP神经网络训练过程具体如下：
（1）BP神经网络初始化：初始化输入层、隐藏层和输出层节点数n,l,m，初始化输入层和隐藏层的权值和隐藏层和输出层权值，隐藏层阈值a和输出层阈值b、学习的速率和激励函数；
（2）隐藏层输出计算：根据输入向量，输入层和隐藏层连接权值和隐藏层阈值a，计算隐藏层输出H：
1,2,…,l
将上式结果带入激励函数得到，隐藏层输出：
（3）输出层输出计算：根据隐藏层输出H，连接隐藏层和输出层权值和输出层阈值b计算预测输出层输出：
（4）误差计算：根据输出层输出O和期望输出，计算网络预测误差e：
（5）权值更新：对两个权值进行不断的更新，并通过来调整学习的速率：
（6）阈值更新：
=
=
（7）判断迭代是否结束，否则重复步骤（2）-（7）。
在本实施例中，图4为所述智能电池充电器的执行流程图，如图4所示，当电池接入后，将该充电器上电，微控制器根据电池的电压判断电池类型，驱动开关网络切换至相应的充电驱动电路模块，并读取BP神经网络模型。在充电的过程中，每隔一段固定的时间，采集当时的电流、电压、温度信息，并与电池的类型信息组成一输入向量存储至存储模块中。同时，在充电的过程中，通过读取存储模块中存储的BP神经网络模型，并将采集模块获得当前的电池状态，包括电压、电流、温度和电池类型这些信息作为BP神经网络的输入，进行预测，最终获得输出层的数据作为充电剩余时间的预测，并将其显示在显示模块上。完成充电剩余时间的预测及显示。充电完成后，存储模块中有大量的数据用于更新BP神经网络模型。
在本实施例中，图5为更新BP神经网络模型的执行流程图，如图5所示，充电完成后，在存储模块中会有大量的数据，这些数据将作为训练数据送至BP神经网络模块进行不断的训练。微控制器先读取存储模块中的信息，并计算相应的充电剩余时间，这些数据作为更新BP神经网络的数据进行更新，待对所有的数据训练完成后，就可以得到一个新的预测网络，将该BP神经网络模型存入存储模块中，该网络可用于下次充电过程中充电剩余时间预测的神经网络。
如上所述，本实用新型可以通过BP神经网络算法动态评估电池充电过程中的充电剩余时间。特别地，电池的充电剩余时间能在不同的环境、不同的充电条件下进行精确的预测。
上列较佳实施例，对本实用新型的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本实用新型的较佳实施例而已，并不用以限制本实用新型，凡在本实用新型的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。
Claims (7)
1.一种基于BP神经网络的智能电池充电器，其特征在于：包括—微控制器以及与其相连的一显示模块、一存储模块、一采集模块与一切换电路；所述采集模块的输入端连接有一待充电池，所述切换电路还连接有复数个充电驱动电路模块以及所述待充电池；所述采集模块包括一温度采集模块、一电流采集模块以及一电压采集模块，用以采集待充电池的温度、电流以及电压信息；所述存储模块用以存储所述采集模块采集到的待充电池的温度、电流以及电压信息；所述微控制器用以控制所述切换电路切换至相应的充电驱动电路模块对所述待充电池进行充电并根据所述存储模块中的数据对BP神经网络进行训练预估充电剩余时间；所示显示模块用以显示预估得到的充电剩余时间。
2.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述切换电路为继电器阵列。
3.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述的充电驱动电路模块为DC-DC转换电路。
4.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述的温度采集模块为温度传感器。
5.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述的微控制器为51单片机或STM32。
6.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述的显示模块为数码管或液晶显示器。
7.根据权利要求1所述的基于BP神经网络的智能电池充电器，其特征在于：所述的存储模块为EEPROM或SD卡。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201520457396.2U CN204706925U (zh) | 2015-06-30 | 2015-06-30 | 基于bp神经网络的智能电池充电器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201520457396.2U CN204706925U (zh) | 2015-06-30 | 2015-06-30 | 基于bp神经网络的智能电池充电器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN204706925U true CN204706925U (zh) | 2015-10-14 |
Family
ID=54286519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201520457396.2U Expired - Fee Related CN204706925U (zh) | 2015-06-30 | 2015-06-30 | 基于bp神经网络的智能电池充电器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN204706925U (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983788A (zh) * | 2018-08-15 | 2018-12-11 | 上海海事大学 | 基于大数据挖掘的无人驾驶环卫车智能控制***及方法 |
| CN109633450A (zh) * | 2018-11-23 | 2019-04-16 | 成都云材智慧数据科技有限公司 | 一种基于神经网络的锂电池充电检测*** |
| CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
| CN110534981A (zh) * | 2019-08-30 | 2019-12-03 | 吉林大学 | 一种基于物联网的智能防过充插座***及其控制方法 |
| CN112035777A (zh) * | 2020-09-01 | 2020-12-04 | 蜂巢能源科技有限公司 | 电池充电剩余时间计算方法、装置及车辆 |
| CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
| CN113119796A (zh) * | 2021-03-29 | 2021-07-16 | 上海交通大学 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及*** |
| CN114879045A (zh) * | 2022-03-29 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种验证充电剩余时间测试方法、装置、终端及存储介质 |
-
2015
- 2015-06-30 CN CN201520457396.2U patent/CN204706925U/zh not_active Expired - Fee Related
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983788A (zh) * | 2018-08-15 | 2018-12-11 | 上海海事大学 | 基于大数据挖掘的无人驾驶环卫车智能控制***及方法 |
| CN109633450A (zh) * | 2018-11-23 | 2019-04-16 | 成都云材智慧数据科技有限公司 | 一种基于神经网络的锂电池充电检测*** |
| CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
| CN110534981A (zh) * | 2019-08-30 | 2019-12-03 | 吉林大学 | 一种基于物联网的智能防过充插座***及其控制方法 |
| CN112035777A (zh) * | 2020-09-01 | 2020-12-04 | 蜂巢能源科技有限公司 | 电池充电剩余时间计算方法、装置及车辆 |
| CN112035777B (zh) * | 2020-09-01 | 2023-06-09 | 蜂巢能源科技有限公司 | 电池充电剩余时间计算方法、装置及车辆 |
| CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
| CN113119796A (zh) * | 2021-03-29 | 2021-07-16 | 上海交通大学 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及*** |
| CN114879045A (zh) * | 2022-03-29 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种验证充电剩余时间测试方法、装置、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN204706925U (zh) | 基于bp神经网络的智能电池充电器 | |
| Diao et al. | Active battery cell equalization based on residual available energy maximization | |
| CN103941195B (zh) | 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法 | |
| CN104505894B (zh) | 一种基于矿用锂离子电池的电源管理***及状态估计方法 | |
| CN101882699B (zh) | 动力电池组充放电均衡控制方法 | |
| Wei et al. | An adaptive model for vanadium redox flow battery and its application for online peak power estimation | |
| CN103364735B (zh) | 移动电源电池电量精确显示方法及装置 | |
| CN109153339A (zh) | 具有多个观测器的蓄电池管理*** | |
| CN102520365B (zh) | 快速电池剩余电量估计***及其方法 | |
| CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
| CN103515661B (zh) | 一种延长并联锂离子电池柜剩余循环使用寿命的方法 | |
| CN108983788A (zh) | 基于大数据挖掘的无人驾驶环卫车智能控制***及方法 | |
| CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
| CN110247411A (zh) | 一种用户侧物联化智能光储设备能量动态分配方法 | |
| CN104217113B (zh) | 基于储能概率模型的独立风光储***可靠性评估方法 | |
| Zhang et al. | Prior-knowledge-independent equalization to improve battery uniformity with energy efficiency and time efficiency for lithium-ion battery | |
| CN103267953A (zh) | 一种磷酸铁锂动力电池soc的估算方法 | |
| Tanaka et al. | Accurate and versatile simulation of transient voltage profile of lithium-ion secondary battery employing internal equivalent electric circuit | |
| Sun et al. | A remaining charging electric quantity based pack available capacity optimization method considering aging inconsistency | |
| Bouchhima et al. | Optimal energy management strategy for self-reconfigurable batteries | |
| CN102565718B (zh) | 基于开路电压回升下降的锂电池soc判断方法 | |
| CN115621573A (zh) | 一种储能电站锂电池健康状态预测***及方法 | |
| CN106451511B (zh) | 一种储能优化控制方法 | |
| Li et al. | A novel one dimensional convolutional neural network based data-driven vanadium redox flow battery modelling algorithm | |
| Chen et al. | A multi-time-scale framework for state of energy and maximum available energy of lithium-ion battery under a wide operating temperature range |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151014 Termination date: 20180630 |