一种基于深度学习网络的储能电池管理系统的制作方法

一种基于深度学习网络的储能电池管理系统的制作方法
【技术领域】
[0001]本发明涉及能源管理领域，具体为一种基于深度学习网络的储能电池管理系统。
【背景技术】
[0002]随着电力电子技术与计算机技术的飞速发展，分布式发电作为解决传统发电系统所带来的经济及环境等问题的方法之一，越来越受到人们的重视。然而，分布式电源与用户混杂而形成的有源型配网为电力系统带来了新的挑战，为解决分布式电源接入的问题，协调大电网和分布式电源的矛盾，充分挖掘分布式发电为电网和用户带来的价值与效益，微电网技术应运而生。
[0003]电能存储技术对于实现微电网的基本功能是非常重的，高性能的储能系统能够保障供电系统的供电质量和持续可靠性，提高电能的综合利用效率。因此，完善的储能电池管理系统，是微电网实现其自身功能的有力保障。锂离子电池由于其具有比能量大、循环寿命长、自放电率小、无记忆效应和无污染等特点，已经成为当今各国能量存储领域的研究热点。然而，锂离子电池的高能量比性能为其带来了安全方面的隐患，不正确的使用方式将严重影响电池的使用安全，因此必须严格地根据电池参数管理电池，防止其过充、过放和过温，从而保证其安全性能。由于锂电池的充放电平台十分平坦，同时，锂电池的充放电过程是一个极其复杂的过程，充放电倍率和环境温度、湿度等因素都会影响到电池组总容量的衰减和使用寿命，使用一般方法对锂电池进行状态估计很难得到准确的估计结果，本专利提供一种基于深度网络的方法用于提高电池管理系统状态估计的准确性。

【发明内容】

[0004]本发明提供了一种基于深度学习网络的储能电池管理系统，用于微电网储能电池组特别是磷酸铁锂电池的监测与管理。
[0005]为实现上述目的，本发明提供如下技术方案:
[0006]一种基于深度学习网络的储能电池管理系统，包括:电池管理单元BMU，中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载；其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接，中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯，上位机和中央管理单元CMU之间通过RS485通讯连接。
[0007]所述的电池管理单元BMU包括:故障显示模块、数据采集模块、均衡模块、CAN通信模块和电源模块，数据采集模块进行电压、温度采集并通过CAN总线将信息传送给中央管理单元CMU，进行电池单体均衡和故障代码显示，优选的，所述的故障显示模块由七段式数码管构成；所述的数据采集模块由电压监测芯片LTC6802、NTC热敏电阻和隔离电路组成；所述的均衡模块由矩阵开关、反激DC/DC变换器和均衡控制器构成；所述的CAN通信模块由高速CAN收发TJA1050、双通道数字隔离芯片IS07221A构成；所述的电源模块由稳压PWB2405CS 和 IB00505S 组成。
[0008]所述的中央管理单元CMU包括:数据存储模块、电流检测模块、RS485通信模块、CAN通信模块和电源模块，优选的，所述的数据存储模块由Micro SD卡和电平转换芯片ADG3308构成；电流检测模块由霍尔电流传感器、运算放大器组成；所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成；所述的CAN通信模块由高速CAN收发器TJA1050，双通道数字隔离芯片IS07221A构成；所述的电源模块由稳压芯片PWA2412MD、K7805、REGl117 和 IB00505S 组成。
[0009]所述的上位机包括:HMI触摸屏。
[0010]本发明电池的荷电状态SOC和健康状态(蓄电池S0H)估算是通过深度神经网络及其学习算法实现的；所述的深度神经网络组建步骤为:
[0011]1、确定输入层和输出层神经兀:将电池总容量、电压、电流、温度和k-Ι时刻的SOC分别作为神经网络的输入层神经元；将电池的SOC和SOH作为神经网络的输出层神经元。
[0012]2、确定激活函数、神经网络隐含层层数和隐含层神经元数，从而建立神经网络。
[0013]3、调整网络参数，训练已创建的神经网络，估计SOC和S0H。
[0014]与现有技术相比，本发明提供了一种基于深度学习网络的储能电池管理系统，用于实现对储能电池组的在线监测，通过深度神经网络模型及其学习算法，提高了电池管理系统荷电状态SOC和蓄电池SOH估计的准确性。
【附图说明】
[0015]图1为本发明实现电池的荷电状态SOC和健康状态(蓄电池S0H)估算算法的深度神经网络结构图。
[0016]图2为本发明实施例提供的一种基于深度学习网络的储能电池管理系统框图。
[0017]图3为一种基于深度学习网络的储能电池管理系统一种实施例的结构框图。
【具体实施方式】
[0018]为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
[0019]一种基于深度学习网络的储能电池管理系统示意图，如图2所示，包括:电池管理单元BMU，中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载，在本发明一种基于深度学习网络的储能电池管理系统一种实施例中，如图3所示，所述的直流负载为用电设备；其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接，用于为电池管理单元BMU和中央管理单元CMU进行供电，中央管理单元CMU通过串接在储能电池和直流负载之间的霍尔传感器进行电流检测，中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯，上位机和中央管理单元CMU之间通过RS485进行通讯。
[0020]所述的电池管理单元BMU包括:故障显示模块、数据采集模块、均衡模块、CAN通信模块和电源模块，数据采集模块进行电压、温度采集并通过CAN总线将信息传送给中央管理单元CMU，进行电池单体均衡和故障代码显示。进一步的，所述的故障显示模块由七段式数码管构成，用于完成故障代码的显示；所述的数据采集模块由电压监测芯片LTC6802、NTC热敏电阻和隔离电路组成，用于完成单体电压及温度采集；所述的均衡模块由矩阵开关、反激DC/DC变换器和均衡控制器构成，用于实现电池组均衡；所述的CAN通信模块由高速CAN收发器TJA1050、双通道数字隔离芯片IS07221A构成，用于实现CAN通讯；所述的 电源模块由稳压芯片PWB2405CS和IB00505S组成，用于为电池管理单元BMU的其它模块供电。
[0021]所述的中央管理单元CMU包括:数据存储模块、电流检测模块、RS485通信模块、CAN通信模块和电源模块，功能为:进行电流检测、对电池组进行状态估计、进行数据存储以及通过RS485与上位机进行交互；进一步的，所述的数据存储模块由Micro SD卡和电平转换芯片ADG3308构成，用于运行过程中产生的关键数据存储；电流检测模块由霍尔电流传感器、运算放大器组成，用于实现电流采集；所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成，用于实现中央管理单元CMU与HMI触摸屏的通讯；所述的CAN通信模块由高速CAN收发器TJA1050，双通道数字隔离芯片IS07221A构成，用于实现CAN通讯；所述的电源模块由稳压芯片PWA2412MD、K7805、REG1117和IB00505S组成，用于为中央管理单元CMU的其它模块供电。
[0022]所述的上位机包括:HMI触摸屏，功能是实现电池参数配置，在线显示电池的状态信息。
[0023]系统上电后，电池管理单元BMU首先进行自检，若系统发现故障，则将故障信息显示在故障显示模块；若系统正常，则对电池单体电压和温度进行采集，并通过CAN通信模块监测CAN总线，当发现有来自中央管理单元CMU的CAN请求报文后，开始向中央管理单元CMU发送电池单体信息报文。
[0024]中央管理单元CMU上电后，首先需要利用上位机对系统进行参数配置，配置完成后，中央管理单元CMU会通过CAN总线循环向电池管理单元BMU发送请求报文，同时接收来自电池管理单元BMU的电池单体信息报文，中央管理单元CMU通过霍尔传感器检测回路电流并利用深度神经网络算法进行电池状态估计。中央管理单元CMU在运行的过程中还会进行过充、过放、过温等故障诊断并通过人机交互界面将电池的状态信息和故障信息反馈给用户，另一方面，中央管理单元CMU将电池的关键数据存储在Micro SD卡中，以便维护人员进行数据分析。
[0025]如图1所示，本发明电池的荷电状态SOC和健康状态(蓄电池S0H)估算是通过深度神经网络及其学习算法实现的；所述的深度神经网络组建步骤为:
[0026]1、确定输入层和输出层神经兀:将电池总容量、电压、电流、温度和k_l时刻的SOC分别作为神经网络的输入层神经元；将电池的SOC和SOH作为神经网络的输出层神经元。
[0027]2、确定激活函数、神经网络隐含层层数和隐含层神经元数，从而建立神经网络。
[0028]3、调整网络参数，训练已创建的神经网络，估计SOC和S0H。
[0029]对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
【主权项】
1.一种基于深度学习网络的储能电池管理系统，其特征在于，包括:电池管理单元BMU,中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载；其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接，中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯，上位机和中央管理单元CMU之间通过RS485通讯连接；所述的电池管理单元BMU包括:故障显示模块、数据采集模块、均衡模块、CAN通信模块和电源模块；所述的故障显示模块由七段式数码管构成；所述的数据采集模块由电压监测芯片LTC6802、NTC热敏电阻和隔离电路组成；所述的均衡模块由矩阵开关、反激DC/DC变换器和均衡控制器构成；所述的CAN通信模块由高速CAN收发TJA1050、双通道数字隔离芯片IS07221A构成；所述的电源模块由稳压PWB2405CS和IB00505S组成；所述的中央管理单元CMU包括:数据存储模块、电流检测模块、RS485通信模块、CAN通信模块和电源模块，所述的数据存储模块由Micro SD卡和电平转换芯片ADG3308构成；电流检测模块由霍尔电流传感器、运算放大器组成；所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成；所述的CAN通信模块由高速CAN收发器TJA1050，双通道数字隔离芯片IS07221A构成；所述的电源模块由稳压芯片PWA2412MD、K7805、REG1117和IB00505S组成；所述的上位机包括:HMI触摸屏。2.根据权利要求1所述的一种基于深度学习网络的储能电池管理系统，其特征在于，本发明电池的荷电状态SOC和蓄电池健康状态SOH估算是通过深度神经网络及其学习算法实现的；所述的深度神经网络组建步骤为:第一步，确定输入层和输出层神经元:将电池总容量、电压、电流、温度和k-Ι时刻的SOC分别作为神经网络的输入层神经元，将电池的SOC和SOH作为神经网络的输出层神经元；第二步，确定激活函数、神经网络隐含层层数和隐含层神经元数，从而建立神经网络；第三步，调整网络参数，训练已创建的神经网络，估计SOC和 SOH。
【专利摘要】一种基于深度学习网络的储能电池管理系统，包括：电池管理单元BMU，中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载；其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接，中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯，上位机和中央管理单元CMU之间通过RS485通讯连接。与现有技术相比，本发明提供了一种基于深度学习网络的储能电池管理系统，用于实现对储能电池组的在线监测，通过深度神经网络模型及其学习算法，提高了电池管理系统荷电状态SOC和蓄电池SOH估计的准确性。
【IPC分类】G05B19/418, G06F3/08
【公开号】CN104881001
【申请号】CN201410169036
【发明人】陈宗海, 汪玉洁, 张陈斌, 武骥, 桂旺胜
【申请人】安徽贵博新能科技有限公司
【公开日】2015年9月2日
【申请日】2014年4月25日