一种基于BP神经网络的电池健康状态诊断方法及系统与流程

一种基于bp神经网络的电池健康状态诊断方法及系统
技术领域
1.本技术涉及电动汽车电池检测技术领域，具体而言，涉及一种基于bp神经网络的电池健康状态诊断方法及系统。


背景技术：

2.电动汽车电池分两大类，蓄电池和燃料电池。蓄电池适用于纯电动汽车，包括铅酸蓄电池、镍氢电池、钠硫电池、二次锂电池、空气电池、三元锂电池。
3.燃料电池专用于燃料电池电动汽车，包括碱性燃料电池(afc)、磷酸燃料电池(pafc)、熔融碳酸盐燃料电池(mcfc)、固体氧化物燃料电池(sofc)、质子交换膜燃料电池(pemfc)、直接甲醇燃料电池(dmfc)
4.随着电动汽车的种类不同而略有差异。在仅装备蓄电池的纯电动汽车中，蓄电池的作用是汽车驱动系统的唯一动力源。而在装备传统发动机(或燃料电池)与蓄电池的混合动力汽车中，蓄电池既可扮演汽车驱动系统主要动力源的角色，也可充当辅助动力源的角色。可见在低速和启动时，蓄电池扮演的是汽车驱动系统主要动力源的角色；在全负荷加速时，充当的是辅助动力源的角色；在正常行驶或减速、制动时充当的是储存能量的角色。
5.随着电动汽车的广泛应用，那么，电动汽车的电池的健康管理将有利于电动汽车的维护以及行业技术发展，现有技术中，对于电动汽车电池的健康管理方法很多，但大多是通过检测电池本身性能实现健康管理，对于实际应用中都较为不便，由于电动汽车需要不定期充电，而充电桩又属于必备充电设备，那么，可以通过设计一种电池健康管理方法，通过收集电动汽车的充电数据对电池性能进行预测。


技术实现要素：

6.为了解决上述问题，本发明提供了一种基于bp神经网络的电池健康状态诊断方法，包括以下步骤：
7.采集电动汽车的电池全生命周期运行数据，构建第一原始数据序列；
8.对第一原始数据序列进行一阶累加，生成第一数据序列，其中，第一数据序列包括第一时间序列和第二时间序列，第一时间序列和第二时间序列用于表示电池全生命周期的特定时间段内的第一数据集合；
9.将第一时间序列作为模型输入，第二时间序列作为模型输出，进行模型训练，构建第一bp神经网络模型；
10.采集充电桩的高频充电数据，构建第二原始数据序列；
11.对第二原始数据序列进行一介累加，生成第二数据序列，其中，第二数据序列包括第三时间序列和第四时间序列，第三时间序列和第四时间序列用于表示高频充电数据在特定时间段内的第二数据集合；
12.将第二时间序列作为模型输入，将第二时间序列作为模型输出，进行模型训练，构建第二bp神经网络模型；
13.分别对第一bp神经网络模型和第二bp神经网络模型赋值第一权重和第二权重，构建bp神经网络模型，bp神经网络模型用于根据当前的高频充电数据和电池运行数据，预测电池健康情况。
14.优选地，第一原始数据序列或第二原始数据序列的表达式为：
15.x
(0)
＝{x
(0)
(1)，x
(0)
(2)，...，x
(0)
(n)}
16.其中，x
(0)
表示原始数据序列，x
(0)
(n)表示原始数据序列的第n个数据。
17.优选地，在生成第一数据序列或第二数据序列的过程中，一阶累加的过程为：
[0018][0019]
优选地，第一数据序列或第二数据序列的表达式为：
[0020]
x
(1)
＝{x
(1)
(1)，x
(1)
(2)，...，x
(1)
(n)}。
[0021]
优选地，在构建bp神经网络模型的过程中，构建bp神经网络模型包括输入层、隐藏层、输出层；
[0022]
隐藏层的隐层节点根据公式计算确定，m为输入神经元的个数，p为输出神经元的个数，q为1～10之间的常数。
[0023]
优选地，在构建第一bp神经网络模型或第二bp神经网络模型的过程中，第一bp神经网络模型或第二bp神经网络模型的方程表达式为：
[0024][0025]
一种基于bp神经网络的电池健康状态诊断系统，包括：
[0026]
第一数据模块，用于采集电动汽车的电池全生命周期运行数据，构建第一原始数据序列；
[0027]
第一数据处理模块，用于对第一原始数据序列进行一阶累加，生成第一数据序列，其中，第一数据序列包括第一时间序列和第二时间序列，第一时间序列和第二时间序列用于表示电池全生命周期的特定时间段内的第一数据集合；
[0028]
第一数据分析模块，用于将第一时间序列作为模型输入，第二时间序列作为模型输出，进行模型训练，构建第一bp神经网络模型；
[0029]
第二数据采集模块，用于采集充电桩的高频充电数据，构建第二原始数据序列；
[0030]
第二数据处理模块，用于对第二原始数据序列进行一介累加，生成第二数据序列，其中，第二数据序列包括第三时间序列和第四时间序列，第三时间序列和第四时间序列用于表示高频充电数据在特定时间段内的第二数据集合；
[0031]
第二数据分析模块，将第二时间序列作为模型输入，将第二时间序列作为模型输出，进行模型训练，构建第二bp神经网络模型；
[0032]
状态预测模块，用于分别对第一bp神经网络模型和第二bp神经网络模型赋值第一权重和第二权重，构建bp神经网络模型，bp神经网络模型用于根据当前的高频充电数据和电池运行数据，预测电池健康情况。
[0033]
优选地，电池健康状态诊断系统还包括：
[0034]
数据存储模块，用于存储第一数据集合、第二数据集合以及其他系统数据；
[0035]
通信模块，用于电池健康状态诊断系统的数据交互工作；
[0036]
显示模块，用于显示系统数据以及电池健康情况；
[0037]
定位模块，用于对充电桩、电动汽车定位，并分别获取充电桩和电动汽车的位置信息；
[0038]
区块链模块，用于将系统数据上传至联盟链，并将系统数据存储至私有链。
[0039]
优选地，电池健康状态诊断系统还包括一种计算机程序，应用于电池健康状态诊断系统，用于实现电池健康状态诊断方法。
[0040]
优选地，电池健康状态诊断系统应用在一种电池健康状态诊断诊断装置中，电池健康状态诊断装置包括北斗定位装置、电压传感器、电流传感器、温度传感器、环境温度传感器、5g通信天线、存储器、芯片；电池健康状态诊断装置分别设置在充电桩、电动汽车中，用于充电桩对电动汽车进行识别定位，并进行数据采集后，将采集数据传输到后台服务器或云端服务器进行数据处理。
[0041]
本发明公开了以下技术效果：
[0042]
本发明提出的方法和系统，通过采集充电桩数据以及电池全生命数据，生成的bp神经网络模型，该模型融合充电数据后，能够对电池全生命周期进行预测，并且预测准确，为电动汽车电池的生命周期预测提供了新的技术见解，并对电池的健康预测提出的新的技术思路。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明所述的方法流程图。
具体实施方式
[0045]
下为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0046]
如图1所示，本发明提供了一种基于bp神经网络的电池健康状态诊断方法，其特征在于，包括以下步骤：
[0047]
采集电动汽车的电池全生命周期运行数据，构建第一原始数据序列；
[0048]
对第一原始数据序列进行一阶累加，生成第一数据序列，其中，第一数据序列包括第一时间序列和第二时间序列，第一时间序列和第二时间序列用于表示电池全生命周期的特定时间段内的第一数据集合；
[0049]
将第一时间序列作为模型输入，第二时间序列作为模型输出，进行模型训练，构建
第一bp神经网络模型；
[0050]
采集充电桩的高频充电数据，构建第二原始数据序列；
[0051]
对第二原始数据序列进行一介累加，生成第二数据序列，其中，第二数据序列包括第三时间序列和第四时间序列，第三时间序列和第四时间序列用于表示高频充电数据在特定时间段内的第二数据集合；
[0052]
将第二时间序列作为模型输入，将第二时间序列作为模型输出，进行模型训练，构建第二bp神经网络模型；
[0053]
分别对第一bp神经网络模型和第二bp神经网络模型赋值第一权重和第二权重，构建bp神经网络模型，bp神经网络模型用于根据当前的高频充电数据和电池运行数据，预测电池健康情况。
[0054]
进一步优选地，第一原始数据序列或第二原始数据序列的表达式为：
[0055]
x
(0)
＝{x
(0)
(1)，x
(0)
(2)，...，x
(0)
(n)}
[0056]
其中，x
(0)
表示原始数据序列，x
(0)
(n)表示原始数据序列的第n个数据。
[0057]
进一步优选地，在生成第一数据序列或第二数据序列的过程中，一阶累加的过程为：
[0058][0059]
进一步优选地，第一数据序列或第二数据序列的表达式为：
[0060]
x
(1)
＝{x
(1)
(1)，x
(1)
(2)，...，x
(1)
(n)}。
[0061]
进一步优选地，在构建bp神经网络模型的过程中，构建bp神经网络模型包括输入层、隐藏层、输出层；
[0062]
隐藏层的隐层节点根据公式计算确定，m为输入神经元的个数，p为输出神经元的个数，q为1～10之间的常数。
[0063]
进一步优选地，在构建第一bp神经网络模型或第二bp神经网络模型的过程中，第一bp神经网络模型或第二bp神经网络模型的方程表达式为：
[0064][0065]
一种基于bp神经网络的电池健康状态诊断系统，包括：
[0066]
第一数据模块，用于采集电动汽车的电池全生命周期运行数据，构建第一原始数据序列；
[0067]
第一数据处理模块，用于对第一原始数据序列进行一阶累加，生成第一数据序列，其中，第一数据序列包括第一时间序列和第二时间序列，第一时间序列和第二时间序列用于表示电池全生命周期的特定时间段内的第一数据集合；
[0068]
第一数据分析模块，用于将第一时间序列作为模型输入，第二时间序列作为模型输出，进行模型训练，构建第一bp神经网络模型；
[0069]
第二数据采集模块，用于采集充电桩的高频充电数据，构建第二原始数据序列；
[0070]
第二数据处理模块，用于对第二原始数据序列进行一介累加，生成第二数据序列，其中，第二数据序列包括第三时间序列和第四时间序列，第三时间序列和第四时间序列用于表示高频充电数据在特定时间段内的第二数据集合；
[0071]
第二数据分析模块，将第二时间序列作为模型输入，将第二时间序列作为模型输出，进行模型训练，构建第二bp神经网络模型；
[0072]
状态预测模块，用于分别对第一bp神经网络模型和第二bp神经网络模型赋值第一权重和第二权重，构建bp神经网络模型，bp神经网络模型用于根据当前的高频充电数据和电池运行数据，预测电池健康情况。
[0073]
进一步优选地，电池健康状态诊断系统还包括：
[0074]
数据存储模块，用于存储第一数据集合、第二数据集合以及其他系统数据；
[0075]
通信模块，用于电池健康状态诊断系统的数据交互工作；
[0076]
显示模块，用于显示系统数据以及电池健康情况；
[0077]
定位模块，用于对充电桩、电动汽车定位，并分别获取充电桩和电动汽车的位置信息；
[0078]
区块链模块，用于将系统数据上传至联盟链，并将系统数据存储至私有链。
[0079]
进一步优选地，电池健康状态诊断系统还包括一种计算机程序，应用于电池健康状态诊断系统，用于实现电池健康状态诊断方法。
[0080]
进一步优选地，电池健康状态诊断系统应用在一种电池健康状态诊断诊断装置中，电池健康状态诊断装置包括北斗定位装置、电压传感器、电流传感器、温度传感器、环境温度传感器、5g通信天线、存储器、芯片；电池健康状态诊断装置分别设置在充电桩、电动汽车中，用于充电桩对电动汽车进行识别定位，并进行数据采集后，将采集数据传输到后台服务器或云端服务器进行数据处理。
[0081]
实施例1：建立不等权灰色bp神经网络组合模型；
[0082]
(1)建立原始灰色预测模型
[0083]
建立原始数据序列：
[0084]
x
(0)
＝{x
(0)
(1)，x
(0)
(2)，...，x
(0)
(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0085]
根据下式(2)
[0086][0087]
对原始数据序列x
(0)
进行一阶累加，生成1-ago序列：
[0088]
x
(1)
＝{x
(1)
(1),x
(1)
(2),...,x
(1)
(n)}
ꢀꢀ
(3)
[0089]
(2)原始灰色预测模型不等权优化
[0090]
原始灰色预测模型仅对原始序列进行等权累加，并未考虑时间因素对于预测结果的影响，而在实际情况中，越接近预测的时间序列所含信息量越大，越能体现未来发展的趋势，所分配权重也应越大。因此采用层次分析法对原始灰色预测模型进行进一步优化，邀请专家采用德尔菲法对各因素两两比较，进行评估，分别确定近期时间序列权重为λ1，远期的权重为λ2，原始灰色预测模型不等权优化为：
[0091][0092]
进而生成不等权1-ago序列模型：
[0093]
x
′
(1)
＝{x
′
(1)
(1),x
′
(1)
(2),...,x
′
(1)
(n)}
ꢀꢀꢀꢀꢀ
(5)
[0094]
bp神经网络设计
[0095]
建立一个含有输入层、隐层、输出层的三层网络：
[0096]
①
在不等权1-ago序列模型中选取时间序列值{x
′
(1)
(1),x
′
(1)
(2),...,x
′
(1)
(m)}(m＜n)作为bp神经网络的输入层；
[0097]
②
以x
′
(1)
(m 1)作为bp神经网络的输出层；
[0098]
③
隐层节点可根据公式计算确定，m为输入神经元的个数，p为输出神经元的个数，q为1～10之间的常数；
[0099]
④
利用训练好的bp神经网络进行预测，对预测序列利用累减还原即得到对未来的预测值。
[0100]
化学电池品种繁多，性能各异。常用以表征其性能的指标有：电性能、机械性能、贮存性能等，有时还包括使用性能和经济成本。我们主要介绍其电性能和贮存性能。电性能包括：电动势、额定电压、开路电压、工作电压、终止电压、充电电压、内阻、容量、比能量和比功率、贮存性能和自放电、寿命等。贮存性能主要取决于电池的自放电大小。
[0101]
电动势
[0102]
电池的电动势，又称电池标准电压或理论电压，为电池断路时正负两极间的电位差。
[0103]
额定电压
[0104]
额定电压(或公称电压)，系指该电化学体系的电池工作时公认的标准电压。
[0105]
开路电压
[0106]
电池的开路电压是无负荷情况下的电池电压。开路电压不等于电池的电动势。必须指出，电池的电动势是从热力学函数计算而得到的，而电池的开路电压则是实际测量出来的。
[0107]
工作电压
[0108]
系指电池在某负载下实际的放电电压，通常是指一个电压范围。
[0109]
⑸
终止电压
[0110]
系指放电终止时的电压值，视负载和使用要求不同而异。
[0111]
充电电压
[0112]
系指外电路直流电压对电池充电的电压。一般的充电电压要大于电池的开路电压，通常在一定的范围内
[0113]
内阻
[0114]
蓄电池的内阻包括：正负极板的电阻，电解液的电阻，隔板的电阻和连接体的电阻等。
[0115]
正负极电阻
[0116]
普遍使用的铅酸蓄电池正、负极板为涂膏式，由铅锑合金或铅钙合金板栅架和活性物质两部分构成。因此，极板电阻也由板栅电阻和活性物质电阻组成。板栅在活性物质内层，充放电时，不会发生化学变化，所以它的电阻是板栅的固有电阻。活性物质的电阻是随着电池充放电状态的不同而变化的。
[0117]
当电池放电时，极板的活性物质转变为硫酸铅(pbso4)，硫酸铅含量越大，其电阻越大。而电池充电时将硫酸铅还原为铅(pb)，硫酸铅含量越小，其电阻越小。
[0118]
电解液电阻
[0119]
电解液的电阻视其浓度不同而异。在规定的浓度范围内一旦选定某一浓度后，电
解液电阻将随充放电程度而变。电池充电时，在极板活性物质还原的同时电解液浓度增加，其电阻下降；电池放电时，在极板活性物质硫酸化的同时电解液浓度下降，其电阻增加。
[0120]
隔板电阻
[0121]
隔板的电阻视其孔率而异，新电池的隔板电阻是趋于一个固定值，但随电池运行时间的延长，其电阻有所增加。因为，电池在运行过程中有些铅渣和其他沉积物在隔板上，使得隔板孔率有所下降而增加了电阻。
[0122]
连接体电阻
[0123]
连接体包括单体电池串联时连接条等金属的固有电阻，电池极板间的连接电阻，以及正、负极板组成极群的连接体的金属电阻，若焊接和连接接触良好，连接体电阻可视为一固定电阻。
[0124]
每只电池所呈现的内阻就是上述物体电阻的总和，电池内阻r与电动势、端电压及放电电流的关系：rs＝(e-uf)
÷
if
[0125]
电池的内阻在放电过程中会逐渐增加，而在充电过程中则逐渐减小。所以，电池在充放电过程中，端电压也会因其内阻的变化而变动。故端电压在放电时低于电池的电动势，充电时又高于电池的电动势。
[0126]
容量
[0127]
电池的容量单位为库仑(c)或安时(ah)。表征电池容量特性的专用术语有三个：
[0128]
a.理论容量。系指根据参加电化学反应的活性物质电化学当量数计算得到的电量。通常，理论上1电化当量物质将放出1法拉第电量，即96500c或26.8ah(1电化当量物质的量，等于活性物质的原子量或分子量除以反应的电子数)。
[0129]
b.额定容量。系指在设计和生产电池时，规定或保证在指定放电条件下电池应该放出的最低限度的电量。
[0130]
c.实际容量。系指在一定的放电条件下，即在一定的放电电流和温度下，电池在终止电压前所能放出的电量。
[0131]
电池的实际容量通常比额定容量大10％～20％。
[0132]
电池容量的大小，与正、负极上活性物质的数量和活性有关，也与电池的结构和制造工艺与电池的放电条件(电流、温度)有关。
[0133]
影响电池容量因素的综合指标是活性物质的利用率。换言之，活性物质利用得越充分，电池给出的容量也就越高。
[0134]
活性物质的利用率可以定义为：
[0135]
利用率＝(电池实际容量/电池理论容量)
×
100％
[0136]
或，利用率＝(活性物质理论用量/活性物质实际用量)
×
100％。
[0137]
比能量
[0138]
电池的输出能量是指在一定的放电条件下，电池所能作出的电功，它等于电池的放电容量和电池平均工作电压的乘积，其单位常用瓦时(wh)表示。
[0139]
电池的比能量有两种。一种叫重量比能量，用瓦时/千克(wh/kg)表示；另一种叫体积比能量，用瓦时/升(wh/l)表示。比能量的物理意义是电池为单位重量或单位体积时所具有的有效电能量。它的比较电池性能优劣的重要指标。
[0140]
比功率
[0141]
电池的功率是指在一定的放电条件下，电池在单位时间内所能输出的能量。单位是瓦(w)，或千瓦(kw)。电池的单位重量或单位体积的功率称为电池的比功率，它的单位是瓦/千克(w/kg)或瓦/升(w/l)。如果一个电池的比功率较大，则表明在单位时间内，单位重量或单位体积中给出的能量较多，即表示此电池能用较大的电流放电。因此，电池的比功率也是评价电池性能优劣的重要指标之一。
[0142]
贮存性能
[0143]
电池经过干贮存(不带电解液)或湿贮存(带电解液)一定时间后，其容量会自行降低，这个现象称自放电。所谓“贮存性能”是指电池开路时，在一定的条件下(如温度、湿度)贮存一定时间后自放电的大小。
[0144]
电池在贮存期间，虽然没有放出电能量，但是在电池内部总是存在着自放电现象。即使是干贮存，也会由于密封不严，进入水份、空气及二氧化碳等物质，使处于热力学不稳定状态的部分正极和负极活性物质构成微电池腐蚀机理，自行发生氧化还原反应而白白消耗掉。如果是湿贮存，更是如此。长期处在电解液中的活性物质也是不稳定的。负极活性物质大多是活泼金属，都会发生阳极自溶。酸性溶液中，负极金属是不稳定的，在碱性溶液及中性溶液中也非十分稳定。
[0145]
自放电
[0146]
电池自放电的大小，一般用单位时间内容量减少的百分比表示，即：
[0147]
自放电＝(co-ct/cot)
×
100％
[0148]
式中：co
──
贮存前电池容量，ah；
[0149]
ct
──
贮存后电池容量，ah；
[0150]
t
──
贮存时间，用天、周、月或年表示。
[0151]
自放电的大小，也能用电池贮存至某规定容量时的天数表示，称为贮存寿命。贮存寿命有两种，即干贮存寿命和湿贮存寿命。对于在使用时才加入电解液的电池贮存寿命，习惯上也称为干贮存寿命。干贮存寿命可以很长。对于出厂前已加入电解液的电池贮存寿命，习惯上称为湿贮存寿命(或湿荷电寿命)。湿贮存时自放电严重，寿命较短。如银锌电池的干贮存寿命可达5～8年，但它的湿贮存寿命通常只有几个月。
[0152]
降低电池中自放电的措施，一般是采用纯度较高的原材料，或将原材料预先处理，除去有害杂质。也可在负极金属板栅中加入氢过电位较高的金属，如ag、cd等，还有的在溶液中加入缓蚀剂，目的都是抑制氢的析出，减少自放电反应的发生。
[0153]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0154]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。