基于BP神经网络的储能有轨电车超级电容故障识别方法及系统技术方案

本发明专利技术公开了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。本发明专利技术方法，工程实用性更强，准确率更高，适合不同类型的超级电容及混合储能时的超级电容故障识别。

【技术实现步骤摘要】
基于BP神经网络的储能有轨电车超级电容故障识别方法及系统
本专利技术涉及城市轨道交通充电
，更具体的说，涉及一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统。
技术介绍
随着城市建设对交通的大力需求，城市轨道交通得到快速发展，其中作为现代有轨电车主要形式的储能有轨电车发展尤其迅速，其具备美观、运量大、节能环保、运行平稳安静等优点。储能有轨电车是一种新型的轨道交通工具，主要采用超级电容作为车辆的动力单元。车辆可将约85％以上的制动能量转化成电能储存起来再使用，车辆运行无需要架空接触网供电，利用车站停车上下客时间补充电能。无视觉污染、无输电损耗、对沿线地下管路等设施无电腐蚀，是一种绿色、智能和环保型的轨道交通工具。与传统电动汽车充电一样，在充电过程中需要对车载超级电容故障进行判断识别，当超级电容发生故障时，需要降低充电电流或者停止充电，以保护超级电容的安全性。与传统电动汽车充电不同的是，储能有轨电车进站时，充电装置通过充电轨对车辆超级电容进行充电，充电装置与车辆之间没有常规的CMS通信，无法直接读取到车辆超级电容故障状态。目前的解决方法是，充电装置首先进行一段时间的预测试电流充电，然后根据负载电压的变化率及充电电流，计算出超级电容的当前容值，将此计算出的容值再跟理论容值相比较，根据一定的判断算法，判断出当前超级电容的故障状态。上述现有的故障识别方法存在明显的缺陷：一方面由于超级电容特性的多样性，超级电容包括常规的功率型超级电容，还包括最新的能量型超级电容，不同超级电容随着外界环温及化学衰竭的变化特性会有所区别；另一方面，越来越多的车辆采用超级电容加电池的混合储能方案，负载特性变得越来越复杂。当前的故障识别方法准确度不再能满足系统工作要求。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，通过该方法可以更准确的对超级电容故障进行识别，解决目前常规的故障识别方法准确度不能满足系统要求的问题。为解决上述技术问题，本专利技术提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。优选的，步骤S1中，设定时刻包括0.5s、1.5s和2.5s时刻。优选的，步骤S1中，设定时段为0.5s到2.5s的时段。优选的，步骤S2中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。优选的，输出层的输出为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。优选的，BP神经网络模型的训练在远程总控平台运行。相应的，本专利技术还提供了一种基于BP神经网络的储能有轨电车超级电容故障识别系统，包括部署于每个站台内的充电装置，每个充电装置可对进站的储能有轨电车上超级电容进行充电，充电装置包括：采集模块，用于当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流；计算模块，用于计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；故障识别模块，用于将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。优选的，计算模块中，设定时刻包括0.5s、1.5s和2.5s时刻，设定时段为0.5s到2.5s的时段。优选的，故障识别模块中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。优选的，BP神经网络模型的训练在远程总控平台运行。与现有技术相比，本专利技术所达到的有益效果是：本专利技术提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法，取代传统基于固定算法模型识别方法，工程实用性更强，准确率更高，适合不同类型的超级电容及混合储能时的超级电容故障识别。附图说明图1是现有储能有轨电车充电系统示意图；图2是现有混合储能方案的储能有轨电车充电系统示意图；图3是超级电容充电过程示意图；图4是本专利技术方法的流程示意图；图5是BP神经网络故障识别模型图。附图标记：1、电网电源；2、充电装置；3、充电轨；4、地轨；5、储能有轨电车；6、车载超级电容；7、DC/DC车载充电器；8、车载电池。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。现有技术中储能有轨电车充电系统，参考如图1所示，包括设置在站台的电网电源、充电装置、充电轨和地轨，以及设置在储能有轨电车上的车载超级电容，充电装置从电网电源取电分别输出至充电轨和地轨，并且此充电轨与地轨之间是断开状态，当储能有轨电车驶进站台时，车载超级电容两端分别连接充电轨和地轨，使充电装置、充电轨、车载超级电容和地轨形成通路。此时充电装置对车载超级电容进行充电，其中电流流向为充电轨进，地轨出。对于储能有轨电车采用超级电容加电池混合储能方案，如图2所示，储能有轨电车上还设有DC/DC车载充电器和车载电池，此时充电装置2充电能量不光流向车载超级电容6，同时还通过DC/DC车载充电器7流向车载电池8，对车载电池进行充电。图中箭头方向为电流方向。站台内的充电装置与储能有轨电车，在整个充电过程中能够采样到的只有充电电压和电流，没有其它任何通信手段读取到超级电容的故障状态。如图3所示，现有储能有轨电车超级电容充电过程如下：1)Step-1：0A上升至1700A充电，上升时间1s；2)Step-2：1700A恒流充电，充电时间5s(也是在此阶段进行超级电容故障识别)；3)Step-3：I1恒流充电(若超级电容故障，根据故障类型采取降电流充电或停止充电)，时间15s；4)Step-4：I2恒流充电至最高电压820V；5)Step-4：820V恒压充电，恒压时间≤60s。如图4所示，本专利技术的一种基于BP神经网络的储能有轨电车超级电容故障识别方法，具体包括以下实现过程：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；当储能有轨电车进站充电时，充电装置采集本次充电过程中Step-2阶段的电压及电流数据，对电压和电流数据进行离散化，获取各个时刻点的电压和电流数据。选取0.5s、1.5s及2.5s时刻采样电压，计算0.5s到2.5s时段内的电压差，和0.5s到2.5s时段内的充电电荷(也是电荷差，本文档来自技高网...

【技术保护点】
1.基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。

【技术特征摘要】
1.基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。2.根据权利要求1所述的基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，步骤S1中，设定时刻包括0.5s、1.5s和2.5s时刻。3.根据权利要求2所述的基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，步骤S1中，设定时段为0.5s到2.5s的时段。4.根据权利要求3所述的基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，步骤S2中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。5.根据权利要求4所述的基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，输出层的输出为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。6....

【专利技术属性】
技术研发人员：封阿明，张文波，石磊，田炜，孙祖勇，徐峻峰，王苏亚，朱丹，王琴，雷磊，
申请(专利权)人：国电南瑞科技股份有限公司，南瑞集团有限公司，
类型：发明
国别省市：江苏,32