[发明专利]一种基于组合神经网络的电池组容量检测系统

说明书

技术领域

本发明属于电池容量检测技术领域，涉及到一种采用组合神经网络实现电池组容量检测系统。

背景技术

通信电台中的电池组是保证通信设备正常工作的关键部件之一，电池组的性能和剩余容量直接影响到电台性能的发挥，关系到设备的正常运行和通信的畅通。

通信电台电池组在使用过程中存在以下问题：将剩余荷电多或未达到维护周期的电池组进行维护；荷电性能变差或失效的电池组继续使用。上述问题会影响电池组的循环寿命和设备的正常使用。现有技术手段检测电池组的荷电状态存在用时长、准确度低等问题，不能满足检测电池组荷电性能的实际要求。因此，需要一种能够快速准确检测电池组荷电状态的技术和设备，为电池组在工作中发挥效能和优化使用提供必要的技术手段。为实现这一目的，必须有一种较为有效的检测方法实现对通信电台电池组的剩余容量进行快速准确的检测。由此可见，针对通信电台电池组，研究一种快速容量检测方法，具有重要的实用价值。因此本发明的成果具有很好的应用前景。

一般用荷电状态(State of Charge:SOC)来反映电池剩余容量大小。SOC在数值上定义为电池的剩余容量占电池的额定容量的比值。在目前的技术条件下尚没有实现对电池的SOC值直接进行测量的仪器设备，而是通过对特性参数如电压、电流、温度、内阻等进行测量后，通过一定的技术方法和算法估算得到电池的SOC值。现有对SOC进行估算或检测的方法包括：开路电压法、安时积分法、放电法、内阻法、电池数学模型法、神经网络法等。基于神经网络的检测方法是利用神经网络的自适应、自学习和高维非线性映射能力来实现对电池SOC的估算。该种方法已在动力电池SOC估算中得到应用。2013年《电子测量与仪器学报》上发表的论文(刘征宇,杨俊斌,张庆等.基于QPSO-BP神经网络的锂电池SOC预测[J].电子测量与仪器学报,2013,3(27)：224-228.)，2007年《中南大学学报》上发表的论文(赵克刚,罗玉涛,裴锋.基于神经网络的电池荷电状态估计方法[J].中南大学学报,2007,8(38)：931-936.)，2012年的硕士论文(段玲玲.电动汽车锂电池组SOC预测研究[D].沈阳:沈阳理工大学,2012.)，2010年申请的中国发明专利(邓庆勇,段斌,谭云强,等.一种电动车电池SOC估算方法[P].申请公布号：101964018,2011-02-02.)。上述文献或专利均针对电动车中动力电池的SOC估算进行研究，采用一种神经网络算法或其改进算法建立一个神经网络检测模型来实现。而对于容量相对较小的通信电台电池组，受其使用场合的限制不能直接进行应用。通过对上述文献以及其它现有的神经网络SOC检测方法进行研究，我们发现目前已有的方法均通过训练单一的神经网络模型来实现电池组SOC的估算，而且采用单一的神经网络模型则普遍存在当被测电池组的SOC值比较小时估算误差明显变大的问题。例如，当SOC值处于70％以上时估算平均相对误差在3％以内、SOC值处于(35％,70％)区间时估算平均相对误差为5％左右、SOC值处于(0％,35％)区间时则估算平均相对误差达8％以上。如果能针对该问题，对不同区间分别采用不同的神经网络模型采取有针对性的学习训练，并对不同的神经网络模型进行适当有效的组合，则可以取长补短、克服单一模型的不足，在不同的区间均可提供较为准确和稳定的检测结果。

发明内容

本发明提出一种基于组合神经网络的电池组容量检测系统，用于解决通信电台电池组剩余容量的检测问题，从而得到更为准确的检测结果，为电池组在工作中发挥效能和优化使用提供一种可靠的检测技术。

本发明的技术方案是：

一种基于组合神经网络的电池组容量检测系统，由电池组容量检测训练系统和电池组容量检测工作系统两部分组成。

电池组容量检测训练系统的结构如图1所示，包括电池组充放电和电压检测器、训练样本集构造器、组合神经网络训练系统。其中，组合神经网络训练系统的结构如图3所示，由训练样本集划分器、一个BP(Back Propagation：反向传播)网络单元训练器和三个ELM(Extreme Learning Machine：极限学习机)网络单元训练器构成。