一种不间断电源锂电池荷电状态估算方法技术

本发明专利技术公开了一种不间断电源锂电池荷电状态估算方法，包括以下步骤：(1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；(2)对锂电池组进行充放电实验，将充放电数据作为样本训练BP神经网络模型；(3)将不间断电源系统采集的电池电压、温度、充放电电流传输到上位机；(4)通过训练完成的BP神经网络模型预测电池SOC；(5)通过安时计量法估算电池SOC；(6)当上位机通信正常时，显示步骤(4)预测的电池SOC，当上位机通信异常时，显示步骤(5)估算的电池SOC，本发明专利技术能够减少预估计算量，提高电池SOC估算的精确度，增强不间断电源工作时的稳定性。不间断电源工作时的稳定性。不间断电源工作时的稳定性。

【技术实现步骤摘要】
一种不间断电源锂电池荷电状态估算方法


[0001]本专利技术涉及不间断电源的荷电状态估算领域，具体涉及一种不间断电源锂电池荷电状态估算方法。

技术介绍

[0002]不间断电源是通过储能器件实现对负载的不间断连续供电的设备，在工业生产、学校、医院得到广泛应用。过去的不间断电源常使用镍氢电池或铅酸电池，随着电池技术的发展，锂离子电池由于其循环寿命长、放电电压稳定、自放电率低、体积小质量轻、无污染等众多优势，已经被广泛应用于不间断电源中。虽然锂电池具有众多优势，但是锂电池在充放电过程中，电化学变化比较复杂，过充过放对电池的性能和寿命影响很大，甚至会引发爆炸的危险，所以需要适当的管理保护。电池荷电状态(State of Charge，SOC)用来描述电池剩余电量，可以作为电池使用过程中的一个重要参考数据用于保护锂电池的正常运行，避免出现过充、过放等异常状态。
[0003]SOC是电池的内部状态参数，无法直接测量，只可以通过电池电压、充放电电流等数据间接估算。由于电池SOC受到电流、温度、自放电率、电池内阻、循环次数等因素的影响，所以精确估算电池SOC的难度较大。
[0004]虽然现有的估算电池SOC的方法较多，但是在不间断电源的嵌入式硬件中难以实现复杂的运算，无法精确的估算不间断电池SOC，不能很好的保证不间断电池的稳定运行。

技术实现思路

[0005]针对上述存在的技术不足，本专利技术的目的是提供一种不间断电源锂电池荷电状态估算方法。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]本专利技术提供一种不间断电源锂电池荷电状态估算方法，包括以下步骤：
[0008](1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；
[0009](2)对锂电池组进行充放电实验，并记录充放电数据，将充放电数据作为样本训练步骤(1)的BP神经网络模型；
[0010](3)将不间断电源系统通过电池管理系统采集的电池电压、温度、充放电电流传输到上位机；
[0011](4)将上位机接收的电池管理系统发送的数据通过步骤(2)训练完成的BP神经网络模型预测电池SOC；
[0012](5)利用电池管理系统通过安时计量法估算电池SOC；
[0013](6)当上位机通信正常时，不间断电源通过电池管理系统显示步骤(4)预测的电池SOC，当上位机通信异常时，不间断电源通过电池管理系统显示步骤(5)估算的电池SOC。
[0014]优选地，所述不间断电源系统包括相互连接的锂电池组、电池管理系统、变压模
块、上位机，所述电池管理系统与上位机通过以太网或串口进行远程实时通信。
[0015]优选地，步骤(1)在建立三层BP神经网络模型时，根据黄金分割优选方法确定隐含层神经元的最佳范围，若输入层的神经元数量为M，输出层的神经元数量为N，隐含层最佳神的经元数L在如下范围中选取：
[0016][0017]优选地，所述步骤(2)具体包括以下步骤：
[0018](21)使用锂电池容量测试仪，在不同的温度环境下，以不同的电流对锂电池组进行充放电实验；
[0019](22)将步骤(21)获得的充放电数据作为样本，采用S型tansign函数作为激励函数训练步骤(1)的BP神经网络模型，再使用Levenherg
‑
Marquardt算法与梯度下降法对神经网络进行优化；具体包括以下步骤：
[0020](221)以锂电池组的电压、温度、充放电电流作为神经网络输入向量表示为：X＝(x1，x2，x3)
T
，将隐含层输出向量表示为Y＝(y1，y2，...，y8)
T
，定义输出层的输出值为z、期望输出值定义为Ο、输入层到隐含层各个神经元之间的权值为w
ml
、隐含层各个神经元的阈值表示为θ
l
、隐含层到输出层各个神经元之间的权值为u
l
、输出层神经元的阈值表示为δ，定义tansign函数为：
[0021](222)将样本数据电压、温度、电流归一化到[
‑
1,1]之间，设置SOC误差要求ε与最大训练次数T，然后初始化权值w
ml
、u
l
与阈值θ
l
、δ，权值与阈值可以在(
‑
1,1)区间内随机选取；令当前训练次数t＝1与当前样本数i＝1；
[0022](223)将归一化后的电池样本数据输入到神经网络中，得出隐含层中第l个神经元的输出数据：
[0023][0024](224)获得隐含层神经元的输出数据后，求得输出层输出数据为：
[0025][0026](225)计算第i样本得到的实际输出与期望输出之间的误差：
[0027][0028](226)将步骤(225)得到的误差反向传播，通过梯度下降法更新网络的权值与阈值，沿着误差曲面的负梯度方向调整权值与阈值；直到E<ε或t>T，完成BP神经网络的训练。
[0029]优选地，步骤(21)在进行充放电实验时，使用锂电池容量测试仪，在
‑
20℃、25℃、55℃温度环境中，每个温度分别以0.5C、1C、3C倍率对60AH的锂电池进行充放电实验，并记录电池容量与电压值。
[0030]优选地，所述步骤(5)具体包含以下步骤：
[0031](51)通过电流传感器检测锂电池组的充放电电流；
[0032](52)在电池管理系统中计算电流在一段时间内的积分确定该时间内电池容量的变化；
[0033](53)采用如下公式估算出当前时刻的电池容量：
[0034][0035]其中，SOC0表示电池初始电量，Q表示电池额定容量，η表示电池的充放电倍率。
[0036]本专利技术的有益效果在于：
[0037]本专利技术采用三层BP神经网络模型进行预估，能够减少预估计算量，且本方法采用BP神经网络法与安时计量法结合的方法，能够提高估算的稳定性；当通信正常时，通过BP神经网络法可以较为精确的估算电池SOC；当通信异常时，通过安时计量法估算电池SOC也可以实现相应功能，虽然存在误差的累积，但前期误差较小，当通信重新恢复正常时，即可通过BP神经网络估算电池SOC，并传输到电池管理系统中消除累积误差，提高电池SOC估算的精确度，增强不间断电源工作时的稳定性。
附图说明
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的一些实施例，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他的附图。
[0039]图1为本专利技术的不间断电源结构图。
[0040]图2为本专利技术的整体结构流程框图。
[0041]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不间断电源锂电池荷电状态估算方法，其特征在于，包括以下步骤：(1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；(2)对锂电池组进行充放电实验，并记录充放电数据，将充放电数据作为样本训练步骤(1)的BP神经网络模型；(3)将不间断电源系统通过电池管理系统采集的电池电压、温度、充放电电流传输到上位机；(4)将上位机接收的电池管理系统发送的数据通过步骤(2)训练完成的BP神经网络模型预测电池SOC；(5)利用电池管理系统通过安时计量法估算电池SOC；(6)当上位机通信正常时，不间断电源通过电池管理系统显示步骤(4)预测的电池SOC，当上位机通信异常时，不间断电源通过电池管理系统显示步骤(5)估算的电池SOC。2.如权利要求1所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，所述不间断电源系统包括相互连接的锂电池组、电池管理系统、变压模块、上位机，所述电池管理系统与上位机通过以太网或串口进行远程实时通信。3.如权利要求1所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，步骤(1)在建立三层BP神经网络模型时，根据黄金分割优选方法确定隐含层神经元的最佳范围，若输入层的神经元数量为M，输出层的神经元数量为N，隐含层最佳神的经元数L在如下范围中选取：4.如权利要求3所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，所述步骤(2)具体包括以下步骤：(21)使用锂电池容量测试仪，在不同的温度环境下，以不同的电流对锂电池组进行充放电实验；(22)将步骤(21)获得的充放电数据作为样本，采用S型tansign函数作为激励函数训练步骤(1)的BP神经网络模型，再使用Levenherg
‑
Marquardt算法与梯度下降法对神经网络进行优化；具体包括以下步骤：(221)以锂电池组的电压、温度、充放电电流作为神经网络输入向量表示为：X＝(x1，x2，x3)
T
，将隐含层输出向量表示为Y＝(y1，y2，...，y8)...

【专利技术属性】
技术研发人员：李硕，赵海峰，张凯亮，吴江，郭颖，崔平，
申请(专利权)人：徐州工程学院，
类型：发明
国别省市：