基于前馈神经网络的蓄电池健康状态预测方法技术

本发明专利技术公开了基于前馈神经网络的蓄电池健康状态预测方法，包括：在蓄电池组连接负载的情况下，获取蓄电池组中各蓄电池的老化特性参数，根据老化特性参数构建各蓄电池的特性参数向量；其中，老化特性参数至少包括：开路电压、环境温度、第一谷点电压和第二谷点电压，第二谷点电压大于第一谷点电压，并根据老化特性参数计算得到第一电压差和第二电压差，根据第一电压差和第二电压差得到各蓄电池的压差向量；将特性参数向量和压差向量作为输入数据，输入到训练好的前馈神经网络模型中，输出各蓄电池的健康状态估计值；根据各蓄电池的健康状态估计值预测各蓄电池的健康状态。本发明专利技术能够在不断开电池负载的情况下，提升蓄电池健康状态检测的准确性。态检测的准确性。态检测的准确性。

【技术实现步骤摘要】
基于前馈神经网络的蓄电池健康状态预测方法


[0001]本专利技术涉及蓄电池
，尤其是涉及基于前馈神经网络的蓄电池健康状态预测方法。

技术介绍

[0002]酸性蓄电池是以呈酸性水溶液作为电解质的蓄电池，具有工作电压较高、使用温度宽、高低速率放电性能良好、原料来源丰富、价格低廉等优点，其中最为典型的是铅酸蓄电池。铅酸蓄电池广泛应用于不间断电源(UPS)系统中，65％以上UPS系统电源故障与铅酸蓄电池直接相关。因此，与电池相关的问题，如功率变化、异常加热、充电不当或特定类型电池的电解液水平过高，可能会导致UPS的技术故障。
[0003]为了提高电池的寿命周期，保证UPS系统的稳定运行，及时准确地估计电池的健康状态(SOH)是非常必要的。由于电池内部电化学反应十分复杂，且外部环境复杂多变，导致准确估计电池的健康状态十分困难。
[0004]现有估计电池健康状态的方法主要有：基于电化学阻抗谱测量方法、基于概率统计方法、基于递归和概率神经网络模型方法；其中，基于电化学阻抗谱测量方法因影响因素存在不准确的结果，基于概率统计方法从结果中获取数据非常耗时，基于递归和概率神经网络模型方法在检测期间需要断开负载。

技术实现思路

[0005]本专利技术的目的是提供基于前馈神经网络的蓄电池健康状态预测方法，以解决现有技术在电池健康状态检测期间需要断开负载、电池健康状态的估算值准确度不高的技术问题。
[0006]本专利技术的目的，可以通过如下技术方案实现：
[0007]基于前馈神经网络的蓄电池健康状态预测方法，包括：
[0008]在蓄电池组连接负载的情况下，获取蓄电池组中各蓄电池的老化特性参数，根据所述老化特性参数构建各所述蓄电池的特性参数向量；其中，所述老化特性参数至少包括：开路电压、环境温度、第一谷点电压和第二谷点电压，所述第二谷点电压大于所述第一谷点电压；
[0009]根据所述开路电压和所述第一谷点电压得到第一电压差，根据所述第一谷点电压和所述第二谷点电压得到第二电压差，根据所述第一电压差和所述第二电压差得到各所述蓄电池的压差向量；
[0010]将所述特性参数向量和所述压差向量作为输入数据，输入到训练好的前馈神经网络模型中，输出各所述蓄电池的健康状态估计值；所述前馈神经网络模型是利用BP算法训练得到的神经网络模型；
[0011]根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态。
[0012]可选地，根据所述开路电压和所述第一谷点电压得到第一电压差包括：
[0013]所述第一电压差为所述开路电压与所述第一谷点电压的差值。
[0014]可选地，根据所述第一谷点电压和所述第二谷点电压得到第二电压差包括：所述第二电压差为所述第一谷点电压与所述第二谷点电压的差值。
[0015]可选地，各所述蓄电池的特性参数向量至少包括：
[0016]所述开路电压、所述环境温度、所述第一谷点电压和所述第二谷点电压。
[0017]可选地，根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态包括：
[0018]当所述蓄电池的健康状态估计值大于预设的健康状态阈值时，则所述蓄电池为健康状态；
[0019]否则，所述蓄电池为不健康状态。
[0020]可选地，所述前馈神经网络模型为：
[0021]多层前馈神经网络模型，包括输入层、多个隐藏层和输出层；
[0022]其中，所述输入层接收输入的所述特性参数向量，所述多个隐藏层对所述特性参数向量进行处理，前一隐藏层的输出结果作为后一隐藏层的输入向量，所述输出层输出各蓄电池的健康状态估计值。
[0023]可选地，所述前馈神经网络模型的训练过程包括：
[0024]将训练集中训练样本的特性参数矩阵输入到所述前馈神经网络模型中，并通过网络向前传播，计算出隐藏层和输出层中每一神经元的网络净输入和网络输出；
[0025]将误差通过网络向后传播，计算出隐藏层和输出层中每一神经元的误差；
[0026]根据预设规则更新神经元的权重和偏置项；
[0027]重复执行上述过程，直到在验证集上的误差小于预设的误差阈值。
[0028]可选地，所述前馈神经网络模型的激活函数为：
[0029][0030]其中，S为sigmoid函数，x为输入的特性参数向量。
[0031]本专利技术还提供了基于前馈神经网络的蓄电池健康状态预测系统，包括：
[0032]特征参数向量构建模块，用于在蓄电池组连接负载的情况下，获取蓄电池组中各蓄电池的老化特性参数，根据所述老化特性参数构建各所述蓄电池的特性参数向量；其中，所述老化特性参数至少包括：开路电压、环境温度、第一谷点电压和第二谷点电压，所述第二谷点电压大于所述第一谷点电压；
[0033]压差向量构建模块，用于根据所述开路电压和所述第一谷点电压得到第一电压差，根据所述第一谷点电压和所述第二谷点电压得到第二电压差，根据所述第一电压差和所述第二电压差得到各所述蓄电池的压差向量；
[0034]健康状态估计值获取模块，用于将所述特性参数向量和所述压差向量作为输入数据，输入到训练好的前馈神经网络模型中，输出各所述蓄电池的健康状态估计值；所述前馈神经网络模型是利用BP算法训练得到的；
[0035]健康状态预测模块，用于根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态。
[0036]可选地，健康状态预测模块根据各所述蓄电池的健康状态估计值预测各所述蓄电
池的健康状态包括：
[0037]当所述蓄电池的健康状态估计值大于预设的健康状态阈值时，则所述蓄电池为健康状态；
[0038]否则，所述蓄电池为不健康状态。
[0039]本专利技术提供了基于前馈神经网络的蓄电池健康状态预测方法及系统，其中方法包括：在蓄电池组连接负载的情况下，获取蓄电池组中各蓄电池的老化特性参数，根据所述老化特性参数构建各所述蓄电池的特性参数向量；其中，所述老化特性参数至少包括：开路电压、环境温度、第一谷点电压和第二谷点电压，所述第二谷点电压大于所述第一谷点电压；根据所述开路电压和所述第一谷点电压得到第一电压差，根据所述第一谷点电压和所述第二谷点电压得到第二电压差，根据所述第一电压差和所述第二电压差得到各所述蓄电池的压差向量；将所述特性参数向量和所述压差向量作为输入数据，输入到训练好的前馈神经网络模型中，输出各所述蓄电池的健康状态估计值；所述前馈神经网络模型是利用BP算法训练得到的神经网络模型；根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态。
[0040]有鉴如此，本专利技术带来的有益效果是：
[0041]在蓄电池组连接负载的情况下，获取开路电压、环境温度、谷点电压等老化特性参数，其中，开路电压的变化可以反映电池正负极性能、阻抗、电池储能容量的变化，环境温度会影响电池的充放电、使用寿命和内阻，谷点电压可以反映电池的低压情况，根据老化特性参数构建对应的特性参数向量并输入到训练好的前馈神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，包括：在蓄电池组连接负载的情况下，获取蓄电池组中各蓄电池的老化特性参数，根据所述老化特性参数构建各所述蓄电池的特性参数向量；其中，所述老化特性参数至少包括：开路电压、环境温度、第一谷点电压和第二谷点电压，所述第二谷点电压大于所述第一谷点电压；根据所述开路电压和所述第一谷点电压得到第一电压差，根据所述第一谷点电压和所述第二谷点电压得到第二电压差，根据所述第一电压差和所述第二电压差得到各所述蓄电池的压差向量；将所述特性参数向量和所述压差向量作为输入数据，输入到训练好的前馈神经网络模型中，输出各所述蓄电池的健康状态估计值；所述前馈神经网络模型是利用BP算法训练得到的神经网络模型；根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态。2.根据权利要求1所述的基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，根据所述开路电压和所述第一谷点电压得到第一电压差包括：所述第一电压差为所述开路电压与所述第一谷点电压的差值。3.根据权利要求2所述的基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，根据所述第一谷点电压和所述第二谷点电压得到第二电压差包括：所述第二电压差为所述第一谷点电压与所述第二谷点电压的差值。4.根据权利要求3所述的基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，各所述蓄电池的特性参数向量至少包括：所述开路电压、所述环境温度、所述第一谷点电压和所述第二谷点电压。5.根据权利要求1或4所述的基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，根据各所述蓄电池的健康状态估计值预测各所述蓄电池的健康状态包括：当所述蓄电池的健康状态估计值大于预设的健康状态阈值时，则所述蓄电池为健康状态；否则，所述蓄电池为不健康状态。6.根据权利要求1所述的基于前馈神经网络的蓄电池健康状态预测方法，其特征在于，所述前馈神经网络模型为：多层前馈神经网络模型，包括输入层、多个隐藏层和输出层；其中，所述输入层接收输入的所述特性参数向量，所述多个隐藏层对所述特性参数向量进行处...

【专利技术属性】
技术研发人员：刘芹，甘国晓，王颂，莫熙喆，丁泽俊，罗日平，张巍，邹林，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：