电动汽车动力蓄电池组监测方法
【专利摘要】本发明一种电动汽车动力蓄电池组监测方法，该方法通过采集特定型号铅酸蓄电池组在各种工况下的数据样本,用Matlab中的神经网络工具箱对该铅酸蓄电池组进行建模、训练，由微处理器实时完成数据采集,基于神经网络的迭代计算、通信及显示，实现对蓄电池剩余容量的实时、准确预测。本发明针对EV配置的铅酸蓄电池组,绕开影响蓄电池剩余容量繁杂的内部因素,提出了一种基于蓄电池外特性构建的BP神经网络模型,实现了对蓄电池剩余容量的实时、准确预测。
【专利说明】电动汽车动力蓄电池组监测方法
【技术领域】
[0001] 本发明涉及电动汽车动力蓄电池的检测，具体是一种电动汽车动力蓄电池组监测 方法。
【背景技术】
[0002] 电动汽车（EleCtriCVehiCl e，EV)具有低噪声，几乎零排放以及综合利用能源等 突出的优点，是当今解决能源、环保等问题的重要途径。尽管电动汽车发展迅速，但是它 的动力源动力蓄电池组，始终是其发展的瓶颈。蓄电池能量管理技术正是为解决这一问题 而提出的。其中，预测EV剩余行使里程，提高电池的工作效率，保证电池处于最佳的工 作状态，有效地延长使用寿命，对EV具有重要的意义。
[0003] 然而，处于实际工作状态下的蓄电池，内部反应十分复杂，影响蓄电池容量的因 素也很多，比如放电速率、放电形式、终止电压、温度、电极结构、制造工艺等，这些参数之 间的关系往往是高度非线性的。由于这些电池参数与剩余容量之间的关系复杂，而又非线 性，传统的蓄电池监测方法都有一定的局限性，无法实现在线的实时监测。
【发明内容】
[0004] 为克服现有技术的不足，本发明提供了一种电动汽车动力蓄电池组监测方法，本 方法监测的对象是某电动汽车所装配的特定型号的铅酸蓄电池组。监测包括两个内容：铅 酸蓄电池的剩余容量以及蓄电池在经过完全充电后在使用过程中（放电）的剩余容量，也 就是日常使用中的EV剩余行驶里程。蓄电池组的故障检测包括铅酸蓄电池组工作性能， 依赖于各串联单体蓄电池的状态，单体蓄电池因为质量等因素造成早期失效。容量下降或 故障会影响整体蓄电池组的工作性能。
[0005] 本发明一种电动汽车动力蓄电池组监测方法，该方法通过采集特定型号铅酸蓄电 池组在各种工况下的数据样本，用Matlab中的神经网络工具箱对该铅酸蓄电池组进行建 模、训练，由微处理器实时完成数据采集，基于神经网络的迭代计算、通信及显示，实现对 蓄电池剩余容量的实时、准确预测。
[0006] 具体地，对于一组已知型号的蓄电池组，在一定的工况条件下，其端电压U、放电 电流I、温度T、放电时间H存在一定的对应关系，即：
[0007] U = f (I, T, H) (1)
[0008] 在已知放电电流、端电压和蓄电池温度的情况下，可推算出放电时间，进而得到 蓄电池的剩余容量。
[0009] 进一步地，依据蓄电池组工况一致性的原则对蓄电池组进行故障检测，对于同一 组型号和使用工作时间相同蓄电池，在大电流放电条件下，各单体蓄电池外特性应一致； 若出现较大差异，则可以判定该电路电压所对应的单体蓄电池出现故障。
[0010] 具体地，在用Matlab中的神经网络工具箱对该铅酸蓄电池组进行建模、训练中， 所选择的蓄电池放电电流、温度和端电压组成30X3个输入向量，对应实际测定的30个电 池剩余容量的数值，构成了 BP神经网络模型的30个输入输出样本对；其中，24个输入输 出样本对用来训练网络，剩余的6个样本对用来测试网络的准确性。
[0011] 具体地，由于网络的各个输入数据常常具有不同的物理意义和量纲，为了使网络 一开始训练就给各输入分量同等重要的地位，要对所有输入的分量进行尺度变换；由于 Sigmoid变换函数的输出在0?1或-1?+1之间，将输入输出数据变换为[_1，1]区间的 值常用以下变换公式：
[0012] xmid= (xmax+xmin)/2 (2)
[0013] (3)
[0014] 式中：xi为输入或输出数据；xj为变换后的输入、输出数据；xmid为数据变化范 围的中间值；xmin为数据变化范围的最小值；xmax为数据变化范围的最大值。
[0015] 由于上述技术方案，本发明具有以下有益效果：本发明针对EV配置的铅酸蓄电池 组，绕开影响蓄电池剩余容量繁杂的内部因素，提出了一种基于蓄电池外特性构建的BP 神经网络模型，实现了对蓄电池剩余容量的实时、准确预测。
【专利附图】
【附图说明】
[0016] 为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要 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的前提下，还可以根据这些附图获得其 它附图。
[0017] 图1是40A恒流放电电压-时间曲线；
[0018] 图2是实施例中网络训练的结果示意图。
【具体实施方式】
[0019] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其 他实施例，都属于本发明保护的范围。
[0020] 处于实际工作状态下的蓄电池，内部反应十分复杂，影响蓄电池容量的因素也很 多，比如放电速率、放电形式、终止电压、温度、电极结构、制造工艺等，这些参数之间的关 系往往是高度非线性的。由于这些电池参数与剩余容量之间的关系复杂，而又非线性，传 统的蓄电池监测方法都有一定的局限性，无法实现在线的实时监测。
[0021] 然而，对于一组已知型号的蓄电池组，在一定的工况条件下，其端电压U、放电电 流I、温度T、放电时间H存在一定的对应关系，即：
[0022] U = f (I, T, H) (1)
[0023] 在已知放电电流、端电压和蓄电池温度的情况下，可推算出放电时间，进而得到 蓄电池的剩余容量。例如，图1是6DA150型铅酸电池在室温（255)环境下40A恒流放电 特性。
[0024] 从图1中可知，蓄电池从11. 8V(设此时容量为100% )开始放电，9V(设此时容
【权利要求】
1. 一种电动汽车动力蓄电池组监测方法，其特征在于：通过采集特定型号铅酸蓄电池 组在各种工况下的数据样本，用Matlab中的神经网络工具箱对该铅酸蓄电池组进行建模、 训练，由微处理器实时完成数据采集，基于神经网络的迭代计算、通信及显示，实现对蓄电 池剩余容量的实时、准确预测。
2. 根据权利要求1所述的电动汽车动力蓄电池组监测方法，其特征在于：对于一组已 知型号的蓄电池组，在一定的工况条件下，其端电压U、放电电流I、温度T、放电时间H存 在一定的对应关系，即： U = f(I，T，H) (1) 在已知放电电流、端电压和蓄电池温度的情况下，可推算出放电时间，进而得到蓄电 池的剩余容量。
3. 根据权利要求2所述的电动汽车动力蓄电池组监测方法，其特征在于：依据蓄电池 组工况一致性的原则对蓄电池组进行故障检测，对于同一组型号和使用工作时间相同蓄电 池，在大电流放电条件下，各单体蓄电池外特性应一致；若出现较大差异，则可以判定该电 路电压所对应的单体蓄电池出现故障。
4. 根据权利要求1-3任意一项所述的电动汽车动力蓄电池组监测方法，其特征在于： 在用Matlab中的神经网络工具箱对该铅酸蓄电池组进行建模、训练中，所选择的蓄电池放 电电流、温度和端电压组成30X3个输入向量，对应实际测定的30个电池剩余容量的数 值，构成了 BP神经网络模型的30个输入输出样本对；其中，24个输入输出样本对用来训 练网络，剩余的6个样本对用来测试网络的准确性。
5. 根据权利要求4所述的电动汽车动力蓄电池组监测方法，其特征在于：由于网络的 各个输入数据常常具有不同的物理意义和量纲，为了使网络一开始训练就给各输入分量 同等重要的地位，要对所有输入的分量进行尺度变换；由于Sigmoid变换函数的输出在 0?1或-1?+1之间，将输入输出数据变换为[_1，1]区间的值常用以下变换公式：
式中：xi为输入或输出数据；xj为变换后的输入、输出数据；xmid为数据变化范围的 中间值；xmin为数据变化范围的最小值；xmax为数据变化范围的最大值。
【文档编号】G01R31/36GK104375091SQ201410655446
【公开日】2015年2月25日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】熊庆华, 史永凯 申请人:柳州市金旭节能科技有限公司