电池管理系统故障预测方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种电池管理系统故障预测方法、装置及可读存储介质。一种电池管理系统故障预测方法，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将所述输入量输入神经网络，所述神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电池管理系统故障进行预测，故障征兆与故障表征更为准确，可以达到更好的效果。

Fault Prediction Method, Device and Readable Storage Medium for Battery Management System

The invention discloses a fault prediction method, a device and a readable storage medium for a battery management system. A fault prediction method for battery management system includes the following steps: extracting operation parameters of battery pack at different operation times from battery pack management system, in which the operation parameters include total voltage, single voltage, current, temperature and vibration signals of battery pack; extracting features of the operation parameters according to the output requirements of neural network model and normalizing them to form. Input of the neural network model; Input of the input into the neural network, the neural network judges whether the operation status of the battery management system fails and outputs the judgement results; Combining the characteristics of the battery management system failures and the advantages of the neural network, the fault prediction method based on the neural network is used to predict the failure of the battery management system, and the fault symptoms and the results are compared. Fault characterization is more accurate and can achieve better results.

【技术实现步骤摘要】
电池管理系统故障预测方法、装置及可读存储介质
本专利技术涉及电池管理系统领域，尤其涉及一种电池管理系统故障预测方法、装置及可读存储介质。
技术介绍
电池管理系统(BatteryManagementSystem)是电池与用户之间的纽带，该系统主要应用对象为二次电池。电池管理系统(以下简称BMS系统)主要针对电池个体中存在的储能少、寿命短、使用完全性以及电池电量难以估算等问题提供全方位的解决方案，其目的是为了得到电池相关性能参数的实时精确数据并对其进行监控，达到提高电池利用率的目的。BMS系统主要包括三个功能：首先是准确估测电池组的荷电状态(StateofCharge，以下简称SOC)，即电池的剩余电量，保证SOC值维持在合理范围内，防止过充和过放对电池造成损伤。SOC值以剩余电量与完全充电状态电量的比值表示。其次是在电池的充放电过程中对电池组进行全参数(包括每块电池端电压、温度、电流、总电压等)动态监测，建立每一块电池以及电池组的历史档案；最后是利用均衡技术使电池组中的各电池都处于均衡一致的状态，从而达到电池利用率最大化的目的。其中能否准确对SOC进行估算决定了对电池动态参数的正确评估能力，该行为直接决定电池过充、过放、均衡性等重要指标的准确性，是BMS系统能否有效提高电池利用率的最重要因素。随着当今世界的发展，新能源尤其是新能源电池的应用已经在世界范围内成为一个热点问题，电池管理系统(BMS)在新能源电池应用中的作用也日渐突出，电池管理系统可以对电池组进行充放电控制、热管理、均衡管理，也可以将电池的状态反馈给用户，在新能源电池应用中起着不可替代的作用。但由于新能源电池组存在大量的串并联使用，在系统运行过程中会发生各种故障影响系统正常运行，电池管理系统故障预测可以帮助系统预判是否在运行当中会出现各类故障，为电池管理系统提供一种运行保障机制，协助用户预防可能出现的系统故障。神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，使信号处理过程更接近人类思维活动。电池管理系统的故障表征具有相似性，故障征兆与故障表征之间具有较强的模糊性，故障特征相互交织。
技术实现思路
本公开的目的是提供一种电池管理系统故障预测方法、装置及可读存储介质，结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电池管理系统故障进行预测，故障征兆与故障表征更为准确，可以达到更好的效果。为达到上述目的，本公开实施例的第一方面，提供一种电池管理系统故障预测方法，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将所述输入量输入神经网络，所述神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中，所述神经网络的学习过程包括如下步骤：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。本公开实施例的第二方面，提供一种电池管理系统故障预测装置，包括：数据采集模块，被配置为从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；特征提取模块，被配置为将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；以及神经网络模块，被配置为接收来自所述特征提取模块的输入量判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中所述神经网络模块执行如下学习过程：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。可选地，所述数据采集模块所述特征提取模块之间通过CAN总线、Zigbee传输线路或wifi传输数据。本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。本公开实施例的第三方面，提供一种的装置，包括：上述第三方面中所述的计算机可读存储介质；以及一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。采用上述技术方案，至少能够达到如下技术效果：结合电池管理系统故障的特点以及神经网络的优势，采用基于神经网络的故障预测方法对电本文档来自技高网...

【技术保护点】
1.一种电池管理系统故障预测方法，其特征在于，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将所述输入量输入神经网络，所述神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中，所述神经网络的学习过程包括如下步骤：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。...

【技术特征摘要】
1.一种电池管理系统故障预测方法，其特征在于，包括如下步骤：从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；将所述运行参数按照神经网络模型的输出需求进行特征提取以及归一化以形成神经网络模型的输入量；将所述输入量输入神经网络，所述神经网络判断电池组管理系统的运行状态是否发生故障并输出判断结果；其中，所述神经网络的学习过程包括如下步骤：搭建人工神经网络采用单隐含层方式搭建人工神经网络，该人工神经网络由输入层、隐含层和输出层构成，输入层由若干输入节点构成，输入节点的数量等于需采集参数的个数，隐含层由若干隐含节点构成，输出层只由两个输出节点构成；将电池组的不同运行时刻的总电压、单体电压、电流、温度和震动信号作为输入层的输入节点；随机产生输入层的每个节点对应的权值、隐含层阈值，得出输入层到隐含层的映射规则；根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息；将电池管理系统故障与否作为输出层输出节点，随机产生隐含层的每个节点对应的权值、电池管理系统的准运行状态出现故障的阀值得到隐含层到输出层的映射规则；根据隐含层到输出层的映射规则，推算出输出层输出节点收到的映射信息；进行误差比较将上述输出结果与电池管理系统的标准运行状态进行比较，判断比较结果是否小于允许最大误差，当比较结果大于允许最大误差时，校准并更新隐含层的每个节点对应的权值、池管理系统的准运行状态出现故障的阀值，校准并更新输入层的每个节点对应的权值、隐含层阈值，重新执行所述根据输入层到隐含层的映射规则推算出隐含层的每个节点收到的从输入层映射来的信息，以及后续步骤；若在允许最大误差范围内，保存最终输入层到隐含层中输入层每个节点对应的权值、隐含层到输出层中隐含层的每个节点对应的权值和输出层阈值，得到电池管理系统的准运行状态与电池组动态参数的映射规则；学习结束。2.一种电池管理系统故障预测装置，其特征在于，包括：数据采集模块，被配置为从电池组管理系统中提取电池组不同运行时刻的运行参数，其中，所述运行参数包括电池组的总电压、单体电压、电流、温度和震动信号；特征提取模块，被配置为将所述运行参数按...

【专利技术属性】
技术研发人员：黄勇，周迅，孟令峰，代高强，肖宇，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川,51