专利名称：电动车蓄电池剩余容量的估计方法
技术领域：
本发明涉及电动车技术领域，具体地说，涉及利用神经元网络模型估计蓄电池容量。
背景技术：
随着人们对环境和能源问题的日益关注，电动车技术的研究和开发倍受重视。目前，在众多的电动车技术之中，准确估计蓄电池剩余容量既是棘手的问题又是最关键的技术之一，因为它是电动车能源管理系统的核心技术。
通常，电动车蓄电池剩余容量的估计采用以下三种方法。第一，充电状态估计法。这种方法估计的是蓄电池内部剩余有效物质占总有效物质的比例，即所谓的充电状态，因此由该方法估计的值实际上指的是蓄电池所处的状态而不是与电动车行驶距离有关的剩余容量。虽然在相同的放电电流情况下，蓄电池充电状态越高剩余容量就越多，但是他们之间并没有明确的定量关系。例如在同样的充电状态下，提高温度和减小放电电流都会增加蓄电池可用总容量，其效果就等于增加了蓄电池剩余容量。
图1显示放电电流和温度对蓄电池可用总容量的影响，其测试条件是蓄电池在每次放电之前都已充满电，因此蓄电池每次测试前的充电状态是一样的而且都等于1。第二，安时计法。这种方法源自于下面最基本的方程Cr＝Ca-q(t) (1)q(t)=∫0tId(t)dt---(2)]]>其中，Cr表示蓄电池剩余容量，Ca表示在某种放电模式下蓄电池可用总容量，q(t)表示蓄电池已放出的容量，Id(t)表示蓄电池放电电流。由于电动车蓄电池可用总容量随放电电流模式的不同变化很大，因此在进行蓄电池剩余容量的估计以前，蓄电池可用总容量一般先根据平均放电电流或参考放电电流取一个适当的值。如果根据平均放电电流取值，那么蓄电池剩余容量可以用下面方程来估计Cr＝Cave(t)-q(t) (3)其中，Cave(t)表示相对于平均放电电流的蓄电池可用总容量。除非蓄电池放电电流变化不大，否则使用公式(3)来估计蓄电池剩余量会导致很大的误差。表1比较了在各种放电电流模式下蓄电池的可用总容量，这些放电电流模式(如图2所示)分别基于美国市区驾驶方式、美国高速公路驾驶方式、欧洲标准驾驶方式和日本驾驶方式。由表1可见，虽然这些模式的平均放电电流都近似等于13安培，但是它们的蓄电池可用总容量却相差很大。
表1各种放电电流模式下蓄电池可用总容量的比较放电 平均放电 可用总电流模式 电流(安培) 容量(安时)基于美国市区驾驶方式的放电电流模式13.0815.96基于美国高速公路驾驶方式的放电电流模式13.1125.05基于欧洲标准驾驶方式的放电电流模式13.2113.05基于日本驾驶方式的放电电流模式13.1215.43如果根据参考放电电流取值，那么蓄电池剩余容量就可以按下面方程来估计Cr＝Cref-α(Id)q(t)(4)其中，Cref表示相对于参考放电电流的蓄电池可用总容量，例如对应参考放电电流为3小时或5小时放电率的蓄电池可用总容量。α(Id)表示折算系数，用来计算当放电电流高于或低于参考放电电流时放出的等效容量。为了得到这个折算系数(即相对于参考放电电流的可用总容量和相对于待折算放电电流的可用总容量的比率)，待折算的放电电流或者单个或者与参考放电电流一起对已充满电的蓄电池进行放电以测得它们相应的可用总容量。显然，使用这样的测试结果来计算折算系数会忽略放电电流模式对蓄电池可用总容量的影响。表2比较了一个简单的二阶段放电电流模式下蓄电池可用总容量，说明使用前述测试方法计算折算系数的确会产生很大的误差。另外，这个方法的另一缺点是温度对蓄电池可用总容量的影响无法考虑在折算系数里面，因为可用总容量和温度的关系是非线性的，如图1所示。
表2二阶段放电电流模式下蓄电池可用总容量的比较放电电流模式可用总容量(安时)首先9安培3小时，然后20安培0.38小时 31.66首先20安培0.38小时，然后8安培3.17小时 33.00首先8安培3.17小时，然后20安培0.1小时27.33第三，神经元网络模型估计法。这个方法是采用一个三层(即输入层、隐含层和输出层)神经元网络模型来估计蓄电池剩余容量。目前，已有两种模型一种模型在输入层有四个输入单元，分别代表的是蓄电池端电压、放电电流、温度和内阻；另一种模型在输入层也有四个输入单元，但分别代表的是蓄电池端电压、放电电流、温度和已放出的容量。在输出层，两个模型都只有一个输出单元指示蓄电池剩余容量。然而，通过观察发现这两种模型的输入没有描述蓄电池放电电流模式，因此它们存在和第二种方法相同的问题-蓄电池剩余容量的估计无法考虑放电电流模式的影响。

发明内容
本发明的目的提供一种应用神经元网络模型估计蓄电池剩余容量的方法。该方法模型的输入是蓄电池温度和放电及再生充电的容量分布，输出是蓄电池可用总容量的状态。放电及再生充电的容量分布描述蓄电池放电电流模式，可用总容量的状态(Pa(t))表示蓄电池剩余容量。这里，蓄电池可用总容量的状态定义为在某种放电电流模式下蓄电池可用总容量的百分比，其数学表达式为Pa(t)＝1-q(t)/Ca(5)由此可见，和前述的充电状态不同，蓄电池可用总容量的状态确实是与电动车行驶距离有关的蓄电池剩余容量。
本发明是一种电动车蓄电池剩余容量的通用估计方法。通过适当地选择若干个电流范围以及各范围的上下限电流，放电及再生充电的容量分布可以非常灵活地生成以适应描述各种不同的放电电流模式，从而使本发明既可适用于不同的蓄电池又可适用于非常复杂的电动车蓄电池放电电流模式。而且，通过实施本发明，电动车蓄电池剩余容量指示器可以成为一种商业化的产品。


参照下面本发明实施例以及附图的详细描述，本发明的特点将更加容易理解。这些附图包括图1显示放电电流和温度对蓄电池可用总容量的影响；图2A显示基于美国市区驾驶方式的放电电流模式；图2B显示基于美国高速公路驾驶方式的放电电流模式；图2C显示基于欧洲标准驾驶方式的放电电流模式；图2D显示基于日本驾驶方式的放电电流模式；图3A给出基于美国市区驾驶方式的放电电流模式的一个实例；图3B给出基于欧洲标准驾驶方式的放电电流模式的一个实例；图4为蓄电池剩余容量估计的神经元网络模型；图5给出了在使用训练样本较验的情况下实际的和估计的可用总容量的状态的比较；图6A给出基于美国市区驾驶方式的放电电流模式下使用测试样本校验的情况下实际的和估计的可用总容量的状态的比较；图6B给出基于欧洲标准驾驶方式的放电电流模式下使用测试样本校验的情况下实际的和估计的可用总容量的状态的比较；图7给出了所有29个测试的平均相对误差。
具体实施例方式
电动车行驶距离和不同放电电流模式下的蓄电池可用总容量密切相关。为了使所建立的蓄电池剩余容量估计的神经元网络模型适合在电动车上使用，模拟电动车不同驾驶方式下的放电电流模式被用来测试蓄电池的可用总容量。
图2A-2D显示电动蓄电池放电电流模式，这些放电电流模式分别基于美国市区驾驶方式、美国高速公路驾驶方式、欧洲标准驾驶方式和日本驾驶方式。为了得到可比的测试结果，这里给出蓄电池可用总容量的定义，即已充满的蓄电池在某种放电电流模式及温度下放电至预先设定的停止放电电压时所放出的容量。数学上，它可以表达为Ca=f(V(t),Id(t),T(t))|V(t)=Voff---(6)]]>其中，V(t)表示蓄电池端电压，T(t)表示蓄电池温度，Voff表示预先设定的蓄电池停止放电电压。根据这个定义，不同组合的放电电流模式和温度被用来测试蓄电池，测试条件是蓄电池首先被充满电(Pa(t)＝1)然后放电至预先设定的停止放电电压(Pa(t)＝0)。在这个实施例中，共进行了29次这样的测试并记录了每次测试的结果。
图3A和3B给出了电动车蓄电池放电电流模式的两个实例，它们分别基于美国高速公路驾驶方式和欧洲标准驾驶方式，蓄电池温度为摄氏25℃。然后，利用每次测试结果中蓄电池已放出的容量和公式(5)就可以计算出蓄电池可用总容量的状态，从而得到了以试验数据表示的蓄电池可用总容量的状态和放电电流模式以及蓄电池温度之间的关系。为了应用神经元网络模型来描述这种关系并以此达到应用蓄电池可用总容量的状态来估计蓄电池剩余容量的目的，放电及再生充电的容量分布被提出来描述放电电流模式。5个电流范围和相应的电流上下限(如表3所示)，即Ii1和Iiu(i＝1，...，5)，被用来生成放电及再生充龟的容量分布。
表3生成放电及再生充电容量分布的上下限电流i12 345Ii1(A) 0CN/5 CN/3CN/2CN/1Iiu(A) CN/5CN/3 CN/2CN/1100其中，CN表示待测试蓄电池的额定容量。在此基础上，本发明提出了一个应用蓄电池可用总容量的状态来估计蓄电池剩余容量的三层神经元网络模型。
图4为蓄电池剩余容量估计的神经元网络模型。第一层，即输入层，有7个神经元，它们分别表示·X1(t)-已放出的容量，I11≤Id(t)＜I1u；·X2(t)-已放出的容量，I21≤Id(t)＜I2u；·X3(t)-已放出的容量，I31≤Id(t)＜I3u；·X4(t)-已放出的容量，I41≤Id(t)＜I4u；·X5(t)-已放出的容量，I51≤Id(t)＜I5u；·X6(t)-再生充电的容量，·X7(t)-蓄电池温度。
考虑向量X(t)＝[X1(t)X2(t)X3(t)X4(t)X5(t)X6(t)X7(t)]，那么这个神经元网络模型就可以看作为从输入向量X(t)到输出向量Pa(t)，即蓄电池可用总容量的状态，的一个映射。数学上，它可以表示为p^a(t)=ΣinWjF(yi)+b1o---(7)]]>F(yi)=1-exp(-2yi)1+exp(-2yi)---(8)]]>其中， 是指蓄电池可用总容量的状态的估计值，n是指隐含层的神经元个数，WI(i＝1，...，n)是指隐含层和输出层之间的权值，b10指输出层的阈值，F(yi)是Tangent-Sigmoid函数，yi(i＝1，...，n)是指在隐含层中的i个神经元的输入，它可以表示为yi=Σj=17WijXj(t)+bih---(9)]]>其中，Wij(i＝1，...，n，j＝1，...，7)是指输入层和隐含层之间的权值，bih(i＝1，...，n)是指隐含层的阈值。8个神经元网络模型(n＝8-15)被测试以确定隐含层的神经元个数，最后选出隐含层的神经元个数等于11的神经元网络模型。因为经仿真试验发现在所考虑的放电电流模式下即使隐含层的神经元个数大于11，也不能显著改善模型的估计数度。
神经元网线路模型层与层之间的权值以及各神经元的阈值是通过适当的学习获得的。学习过程包含一个验试样本集以提高神经元网络模型的普适性，因此当误差小于预先设定的允许值(设定为10-5)或当误差的验证样本集上开始增加时学习过程停止。这里，误差函数E定义为E=12Σk=1m(pa(k)-p^a(k))2---(10)]]>其中，m表示训练样本的个数，Pa(k)表示实际可用总容量的状态的第k个训练样本， 表示相应的可用总容量的状态的估计值。学习算法采用的是一种改进的误差反传算法，即Levenberg-Marquardt算法，它特别适合优化非线性函数的平方和组成的函数，例如类似像公式(10)定义的误差函数。使用这一算法，E可以表示为神经元网络模型参数的函数H={Wi,b1o,Wij,bjh}(i=1,···,n,j=1,···,7)---(11)]]>因此，这些参数的最优值可以通过以下迭代过程获得Hr+1=Hr-Ar-1gr---(12)]]>其中，Ar≡▿2E(H)|H=Hr]]>和gr≡▿E(H)|H=Hr]]>分别称为经第r次迭代的Hessian矩阵和梯度矩阵。
为了有效地使用误差反传算法，通常采用如下方程来规范化神经元网络模型的输入Xjn(t)=Xj(t)-XjminXjmax-Xjmin(j=1,···,7)---(13)]]>其中，Xjn(t)是规范化以后的值，Xjmax和Xjmin分别是Xj(t)的最大值和最小值。在所有的原始数据规范化以后，将这些数据放在一起以形成一个完整的数据集。然后，将它们均匀地分为训练样本集，验证样本集和测试样本集。训练样本集用于神经元网线络模型的学习过程，测试样本集用于证实神经元网络模型的精度和有效性。
为了比较实际的和估计的蓄电池可用总容量的状态，采用了平均相对误差的概念，它的定义是ARPE=1NΣj=1N|pae(j)-pac(j)||pac(j)|100%---(14)]]>
其中，N是指训练样本个数或对每次测试而言的测试样本个数，Pae和Pac分别是指由神经元网络模型估计的可用总容量的状态和由试验数据计算得到的实际的可用总容量的状态。将训练样本和对每次测试而言的测试样本代入(14)中，便可以分别计算出它们的平均相对误差。
图5给出了在使用训练样本校验的情况下实际的和估计的可用总容量的状态的比较，由图可见，蓄电池可用总容量的状态的估计有很高的可用总容量的状态的比较，由图可见，蓄电池可用总容量的状态的估计有很高的精度，其相应的平均相对误差仅为1.27％。
图6A和6B给出了在使用测试样本校验的情况下实际的和估计的可用总容量的状态的比较，图中2个放电电流模式基于美国高速公路驾驶方式和欧洲标准驾驶方式，相应的平均相对误差分别为1.22％和1.28％，也同样具有很高的精度，由此证实了神经元网络模型的有效性。
图7给出了所有29个测试的平均相对误差。实际上，值得一提的是，对所有的29次测试而言，蓄电池可用总容量的状态估计的平均相对误差都在2％以内，从而证实了本发明确实能够在非常复杂的放电电流模式下准确地估计出蓄电池可用总容量的状态。
因此，根据蓄电池可用总容量的状态并应用神经元网络模型来估计蓄电池剩余容量的方式可以采用如下步骤实现。测试电动车蓄电池放电及再生充电的电流。按照已选定的若干个电流范围及相应的电流上下限(如表3所示)，将所没测得的电流累加以生成放电及再生充电的容量分布。这个容量分布和蓄电池温度一起形成一个向量。使用公式(13)将这个向量的原始数据规范化，并将这个规范化以后的向量作为神经元网络模型的输入代入(7)-(9)，便可得到以蓄电池可用总容量的状态表示的蓄电池剩余容量。
尽管上文中通过实例对本发明估算蓄电池剩余容量的方法作具体描述，但是这种描述是例示性的，而不是限制性的。根据本发明的思想和精神，本领域的技术人员是能够作出各种改型的，这些改型都属于本发明保护范围。本发明的保护范围由所附权利要求书予以限定。
权利要求
1.一种采用蓄电池可用总容量的状态来估计蓄电池剩余容量的三层神经元网络模型，其特征在于第一层是输入层，所述输入层包含若干个处理单元分别代表放电及再生充电的容量分布和蓄电池温度；第二层是隐含层，所述隐含层包含若干个非线性处理单元；第三层是输出层，所述输出层仅包含一个线性处理单元代表蓄电池可用总容量的状态。
2.根据权利要求1的神经元网络模型，其特征在于蓄电池可用总容量的状态指的是在某种放电电流模式下蓄电池可用总容量的百分比，它的值在0(对应蓄电池已完全放电的状态)到1(对应蓄电池已充满电的状态)之间变化。
3.根据权利要求1的神经元网络模型，其特征在于放电及再生充电的容量分布是按照已选定的若干个电流范围及相应的电流上下限通过累加而生成的。
4.根据权利要求3的神经元网络模型，其特征在于所测试的电动车电流应包括放电电流和再生充电的电流。
5.根据权利要求1的神经元网络模型，其特征在于所测试的温度是指蓄电池的表面温度。
6.根据权利要求1的神经元网络模型，其特征在于所采用的神经元网络仅仅只有层与层之间的完全连接，而无任何跨层之间的连接。
7.根据权利要求1的神经元网络模型，其特征在于在隐含层中采用的非线性处理单元是Tangent-Sigmoid函数。
8.根据权利要求1的神经元网线路模型，其特征在于参数可以按如下步骤确定·设计模拟电动车运行条件的放电电流模式；·使用这些放电电流模式测试在不同温度下蓄电池的可用总容量；·记录每次测试的放电电流、再生充龟电流和蓄电池温度；·计算每次测试的蓄电池可用总容量的状态；·选择与电动车蓄电池放电电流变化范围相一致的若干个电流范围以及考虑放电电流模式对可用总容量的影响的电流上下限；·生成放电及再生充电的容量分布；·形成一个由放电及再生充电的容量分布、蓄电池温度和蓄电池可用总容量的状态组成的完整集合；·规范化这个完整集合的原始数据并产生训练样本集，验证样本集和测试样本集；·使用神经元网络模型描述蓄电池可用总容量的状态和放电及再生充电的容量分布以及蓄电池温度之间的关系；·采用适当的学习算法并通过训练样本集来训练神经元网络模型以确定模型的参数；·利用测试样本集来证实神经元网络模型的有效性；·得到应用蓄电池可用总容量的状态来估计蓄电池剩余容量的神经元网络模型。
9.根据权利要求1的神经元网络模型，蓄电池可用总容量的状态估计可按如下步骤实现·测试电动车蓄电流温度和放电电流及再生充电电流；·根据已选定的若干个电流范围和相应的上下限电流通过累加所测得的电流生成放电及再生充电的容量分布；·形成由放电及再生充电的容量分布和蓄电池温度组成的向量；·规范化这个向量以满足作为神经元网络模型输入的要求；·应用神经元网络模型并根据蓄电池可用总容量的状态估计出蓄电池的剩余容量。
10.一种利用如权利要求1-9中任何一项权利要求所述的神经元网络模型估计蓄电池剩余容量的方法。
全文摘要
本发明应用神经元网络模型估计电动车蓄电池剩余容量。本发明采用放电及再生充电的容量分布来描述电动车放电电流模式并根据蓄电池可用总容量的状态来估计蓄电池剩余容量，其实现步骤如下测试电动车蓄电池温度和放电电流及再生充电电流；根据已选定的若干个电流范围和相应的上下限电流通过累加所测得的电流生成放电及再生充电的容量分布；形成由放电及再生充电的容量分布和蓄电池温度所组成的向量；规范化这个向量以满足作为神经元网络模型输入的要求；应用神经元网络模型并根据蓄电池可用总容量的状态估计出蓄电池的剩余容量。本发明的主要特点是能够考虑电动车放电电流模式对蓄电池可用总容量的影响，因而可准确估计电动车蓄电池剩余容量。
文档编号G01R31/36GK1488954SQ02144268
公开日2004年4月14日 申请日期2002年10月7日 优先权日2002年10月7日
发明者陈清泉, 沈维祥 申请人:陈清泉