[发明专利]一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法

说明书

本发明公开了一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，利用训练数据集对T‑S模糊神经网络模型进行训练，得到训练后的T‑S模糊神经网络模型；训练后的T‑S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC；当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10%时，发出电池低电量的预警信号。本发明提供的一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，能够有效提高SOC估计精度，并对电池荷电状态的监测预警，提高电池可靠性和安全性。

技术领域

本发明涉及一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，属于电池荷电状态监测预警技术领域。

背景技术

目前，为了应对能源危机，减少全球变暖，许多国家开始重视减少排放，节约能源和发展低碳经济。由于电动汽车使用电力驱动可以减少二氧化碳的排放，甚至实现零排放，因此得到了各国的重视和迅速发展。随着电动汽车的发展，越来越多的电动汽车使用锂电池作为电源来切断，但是电池成本仍然很高，动力电池的性能和价格成为电动汽车发展的主要“瓶颈”。

磷酸铁锂电池由于其使用寿命长，安全性能好，成本低廉成为电动汽车的理想动力来源。SOC是指示电池利用率的关键参数之一。但是，由于电池的串联和并联连接，考虑到充放电的安全性，因此无法直接测量。

随着电动汽车的发展，电池管理系统(BMS)的应用范围越来越广。应用程序为了充分发挥电池系统的动态性能，增加其使用的安全性，防止电池的充放电，延长电池寿命，优化驾驶性能，提高电动汽车的性能，将使用BMS系统电池SOC的充电状态以准确估算。电动汽车SOC的估算是电池管理系统的基础。提高估计的准确性对提高服务效率，延长电池使用寿命，提高电池可靠性和提高安全性具有重要意义。

以往策略中，由于电流测量的不准确，存在累积误差，而开路电压法可以准确估计电池的SOC，但是开路电压只能在电池停止工作后很长一段时间才能测量，不适合在线估计。

发明内容

目的：为了克服现有技术中存在的不足，更好的监测磷酸铁锂电池荷电状态，本发明提供一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，基于电池历史数据的黑匣子方法采用人工神经网络，建立了SOC影响因素与SOC之间的相关性，以估计电池的SOC，由于影响因素很多，例如电池电压，温度，电流，电池历史，电池化学成分等。如果选择的因素太多，则计算将非常繁重。如果选择的因素太少，则人工神经网络无法正确反映SOC。本发明结合模糊数学原理，建立了T-S模糊神经网络，合理选取了因素边界，能够有效地估计SOC，提高估计精度，并且具有较高的计算效率。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法，包括如下步骤：

利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；

训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。

作为优选方案，还包括如下步骤：

当电池SOC下降率高于设定值时，发出电量下降过快，电池异常的预警信号；当电池SOC低于10％时，发出电池低电量的预警信号。

一种基于神经网络的磷酸铁锂电池荷电状态监测预警装置，包括如下模块：

网络模型训练模块：利用训练数据集对T-S模糊神经网络模型进行训练，得到训练后的T-S模糊神经网络模型；

网络模型估计模块：训练后的T-S模糊神经网络模型输入T时刻实际电池电压、电池电流、电池温度数据，输出估算的电池SOC。

作为优选方案，还包括如下模块：