基于神经网络和人工智能的汽车锂电池充电动态保护系统

技术领域

本发明涉及电池充电动态保护技术领域，具体涉及基于神经网络和人工智能的汽车锂电池充电动态保护系统。

背景技术

目前电池(例如手机锂电池、汽车锂电池、铅酸电池等)一般具有充电保护功能以及快充功能，但是目前的充电方案一般是先采用快充功能将电池充电到80％左右，然后采用缓慢充电的方式进行“充电保护”，可以对充电电池进行充电保护。

但是上述功能一方面仅仅对充电电池进行了较为死板的保护，没有考虑到充电电池自身的损耗，充电保护误差较大，导致无法对电池进行有效充电保护，另一方面，对于汽车锂电池，需要采用充电桩进行充电，而此方法增加了充电桩的负担，尤其对于现在流行的充电桩，其本身也具有储电功能，在对汽车锂电池进行充电时，需要随时调节充电电压，并且随时调整充电功率，无疑对充电桩本身造成了损坏，因此目前的“充电保护”不够完善，并且针对汽车锂电池的充电保护仅仅是将风险从消费端转嫁到充电桩厂家，没有从根本上解决充电保护的问题。

发明内容

针对现有技术中的问题，本发明的第一方面实施例提供一种电池充电动态保护方法，包括：

获取电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；所述神经网络模型是利用同一类型不同电池的充电信息训练得到；

在所述电池通过一充电电源充电过程中，若所述电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述电池，所述第二脉冲电流用于触发所述储能装置耦接所述充电电源。

在优选的实施例中，通过所述充电信息生成第一充电阈值电压，包括：

基于所述剩余可循环次数数据与设定总循环次数数据的比值以及快冲加速区间，生成当前剩余可循环次数对应的可快冲区间；

基于可快充区间的最小值生成所述第一充电阈值电压。

在优选的实施例中，还包括：建立所述神经网络模型。

在优选的实施例中，所述神经网络模型为贝叶斯网络模型。

在优选的实施例中，还包括：

结合专家模型从专家库中获取对应充电总时长的打分数据；

根据所述打分数据结合预设的打分数据与权重因子的对应关系表，确定对应的权重因子；

利用所述权重因子修正所述贝叶斯网络模型的输出结果。

本发明第二方面实施例提供一种电池充电动态保护装置，包括：

充电信息获取模块，获取电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述电池通过一充电电源充电过程中，若所述电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述电池，所述第二脉冲电流用于触发所述储能装置耦接所述充电电源。

在优选的实施例中，还包括：

神经网络模型生成模块，建立所述神经网络模型。

在优选的实施例中，还包括：

打分数据获取模块，结合专家模型从专家库中获取对应充电总时长的打分数据；

权重因子生成模块，根据所述打分数据结合预设的打分数据与权重因子的对应关系表，确定对应的权重因子；

结果修正模块，利用所述权重因子修正所述贝叶斯网络模型的输出结果。

本发明第三方面实施例提供一种汽车锂电池动态充电保护系统，包括：电池充电动态保护装置以及汽车充电桩，其中所述电池充电动态保护装置包括：

充电信息获取模块，通过5G网络从汽车BMS系统中获取汽车锂电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，基于人工智能，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述汽车锂电池通过所述汽车充电桩充电过程中，若所述汽车锂电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述汽车锂电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述汽车锂电池，所述第二脉冲电流用于触发所述储能装置耦接所述汽车充电桩。

本发明第四方面实施例提供基于神经网络和人工智能的汽车锂电池充电动态保护系统，包括：电池充电动态保护装置以及汽车充电桩，其中所述电池充电动态保护装置包括：

充电信息获取模块，从汽车BMS系统中获取汽车锂电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述汽车锂电池通过所述汽车充电桩充电过程中，若所述汽车锂电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述汽车锂电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述汽车锂电池，所述第二脉冲电流用于触发所述储能装置耦接所述汽车充电桩。

本发明提供的基于神经网络和人工智能的汽车锂电池充电动态保护系统，通过充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压，进而当电池充电电压处于较低水平时，可以通过储能装置放电补充充电，提高充电速度，当电池充电电压处于较高水平时，利用储能装置充电，可以分担充电电源的充电电量，进而避免最后的末端充电环节快速充电对电池的损耗，达到动态平衡充电的作用；本发明提供的技术方案中，预设的神经网络模型的输入为充电信息，输出为第二充电阈值电压，通过预设的神经网络模型生成动态的第二充电阈值电压，可以根据电池自身的损耗情况来进行调整，同时引入权重因子对神经网络模型的输出结果进行修正，使神经网络模型的输出结果可以动态贴合每个电池自身实际情况，使得动态保护更加准确和更具适应性，大大提高了电池的寿命，此外，通过利用人工智能技术实现数据的高效收集和处理，提高充电信息的有效获取效率同时降低充电信息的获取成本。

附图说明

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种电池充电动态保护方法的流程示意图；

图2为本发明实施例中一种电池充电动态保护装置的结构示意图；

图3为本发明实施例中一种电池充电动态保护系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明的第一方面实施例提供一种电池充电动态保护方法，包括：

S101：获取电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

S102：通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；所述神经网络模型是利用同一类型不同电池的充电信息训练得到；

S103：在所述电池通过一充电电源充电过程中，若所述电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述电池，所述第二脉冲电流用于触发所述储能装置耦接所述充电电源。

由上述技术方案可知，本发明提供的一种电池充电动态保护方法，通过充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压，进而当电池充电电压处于较低水平时，可以通过储能装置放电补充充电，提高充电速度，当电池充电电压处于较高水平时，利用储能装置充电，可以分担充电电源的充电电量，进而避免最后的末端充电环节快速充电对电池的损耗，达到动态平衡充电的作用，同时本发明的充电阈值电压基于充电信息和神经网络模型动态生成，可以根据电池自身的损耗情况来进行调整，可以动态贴合每个电池自身实际情况，使得动态保护更加准确和更具适应性，大大提高了电池的寿命。

具体的，本发明在实现过程中，开始充电时，充电电源以一恒定电流对本发明的电池进行充电，由于在充电初期，可以进行快速充电，此时由于电池的充电电压低于第二阈值电压(例如针对48v的额定电压的电池，第二阈值电压为10v)，因此触发第一脉冲电流，所述第一脉冲电流用于触发一储能装置耦接所述电池，例如第一脉冲电流触发一个开关关闭，该开关耦接在储能装置和电池之间，进而使得储能装置和电池可通过开关开启和关闭控制切断和连接。

储能装置和电池耦接时，由于储能装置在前一次充电时，在第二充电阈值电压下达到了饱和(即储能装置中逐渐处于被充电状态)，因此耦接后，由于电池的当前充电电压较低，因此储能装置可以充当“补充电源”，向电池馈电，提高电池充电速度。

可以理解的是，本发明中的电池当前充电电压，是与电池内部电量相关，并呈正相关，电池充电时，当前充电电压从0逐渐上升到电池的最大饱和电压，当前充电电压在行业内可以具有一个或多个不同名词，但其含义是一致的，都是可以表征当前电量的参数，本发明对此不做过多说明。

当电池当前充电电压达到第二充电阈值电压时，电池已经处于“大电量”状态，此时快速充电会对电池造成损伤，现有技术都是通过设置充电功率(降低充电功率)来实现，进而对充电电源造成了一定负担，尤其是对于汽车充电桩而言。

本发明当电池到达第二充电阈值电压时，可以触发第二脉冲电流，第二脉冲电流可以触发储能装置耦接充电电源，可以理解，储能装置的电压小于充电电源电压，进而储能装置处于“被充电状态”，充电电源对储能装置进行充电，一方面储能装置分担了充电电源的电压，从而电池当前的充电功率减小，另一方面，不需要充电电源进行功率切换，从而保护了充电电源。

进一步的，本发明通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压，也即第一充电阈值电压和第二充电阈值电压是变化的，并非固定值，避免了电池使用过程中的损耗影响。

具体而言，在优选的实施例中，通过所述充电信息生成第一充电阈值电压，包括：

基于所述剩余可循环次数数据与设定总循环次数数据的比值以及快冲加速区间，生成当前剩余可循环次数对应的可快冲区间；

基于可快充区间的最小值生成所述第一充电阈值电压。

该实施例中，首先利用电池的历史充电情况数据，考虑了电池自身的消耗，基于剩余可循环次数数据和总循环次数数据的比值，对初始的设定过冲保护阈值以及快充加速区间进行了比例换算，得到当前剩余可循环次数对应的过冲保护阈值和可快冲区间；根据可快充区间和充电电压的对应关系，得到可快充区间的最小值对应的第一充电阈值电压。

在优选的实施例中，还包括：建立所述神经网络模型。

进一步地，所述神经网络模型为贝叶斯网络模型。

本领域技术人员可以理解，贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的条件概率表，且所述贝叶斯网络的拓扑结构用于表示充电信息与第二充电阈值电压之间的对应关系。

具体的，贝叶斯网络BN(Bayesian network model)，又称为信度网，由一个有向无环图(Directed Acylic Graph，DAG)和条件概率表(Conditional Probability Table，CPT)组成。在贝叶斯网络中,两个变量X和Y如果直接相连，则表示它们之间有直接依赖关系，对X的了解会影响关于Y的信度,反之亦然。在这种意义下，我们称信息能够在两个直接相连的节点之间传递。另一方面，如果两个变量X和Y不直接相连，那么信息需要通过其它变量才能在两者之间传递。如果X和Y之间的所有信息通道都被阻塞，那么信息就无法在它们之间传递。这时，对其中一个变量的了解不会影响对另一个变量的信度，因而X和Y相互条件独立。如果考虑两个变量X和Y通过第三个变量Z间接相连这一基本情况,则可将贝叶斯网络分解成三种基本的结构，即顺连、分连和汇连。

其中，贝叶斯网络的优点主要体现在：

(1)贝叶斯网络使用图形的方法描述数据间的相互关系，语义清晰，易于理解。图形化的知识表示方法使得保持概率知识库的一致性和完整性变得容易，可以方便地针对条件的改变进行网络模块的重新配置。

(2)贝叶斯网络易于处理不完备数据集。对于传统标准的监督学习算法而言必须知道所有可能的数据输入，如果缺少其中的某一输入就会对建立的模型产生偏差，贝叶斯网络的方法反映的是整个数据库中数据间的概率关系模型，缺少某一数据变量仍然可以建立精确的模型。

(3)贝叶斯网络允许学习变量间的因果关系。在以往的数据分析中，一个问题的因果关系在干扰较多时，系统就无法做出精确的预测。而这种因果关系己经包含在贝叶斯网络模型中。贝叶斯方法具有因果和概率性语义，可以用来学习数据中的因果关系，并根据因果关系进行学习。

(4)贝叶斯网络与贝叶斯统计相结合能够充分利用领域知识和样本数据的信息。贝叶斯网络用弧表示变量间的依赖关系，用概率分布表来表示依赖关系的强弱，将先验信息与样本知识有机结合起来，促进了先验知识和数据的集成，这在样本数据稀疏或数据较难获得的时候特别有效。

贝叶斯网络结构的建立需要解决的两个主要问题分别为评分函数的选取和搜索方法的选择，具体如下：

(1)确定评分函数：

根据训练样本集确定贝叶斯网络对应的评分函数。

常用的评分函数基于信息论准则，此类准则将学习问题等效为一个数据压缩任务，学习的目标是找到一个能以最短编码长度描述训练数据的模型，此时编码的长度包括了描述模型自身所需的字节长度和使用该模型描述数据所需的字节长度。对贝叶斯网络学习而言，模型就是一个贝叶斯网络，同时，每个贝叶斯网络描述了一个在训练数据上的概率分布，自有一套编码机制能使那些经常出现的样本有更短的。因此，应选择那个综合编码长度(包括描述网络和编码数据)最短的贝叶斯网络，上述即为最小描述长度(MinimalDescription Length，简称MDL)准则。

给定训练集D＝{x

s(B|D)＝f(θ)|B|-LL(B|D) (1)

式(1)中，|B|是贝叶斯网络的参数个数；f(θ)表示描述每个参数θ所需的字节数；其中的

若f(θ)＝1，即每个参数用1字节描述，则得到赤池信息量准则AIC(Akaikeinformation criterion)评分函数AIC(B|D)为：

AIC(B|D)＝|B|-LL(B|D)

若

显然，若f(θ)＝0，即不计算对网络进行编码的长度，则评分函数退化为负对数似然，相应的，学习任务退化为极大似然估计。

(2)搜索算法：

在确定了评分函数的情况下，贝叶斯网络的学习问题就变成了一个搜索问题。搜索算法是为了搜索在某个评分函数下分值最高的贝叶斯网络结构。当变量数目增加时，搜索空间将以节点数目的指数级别增加，寻找最优的模型是存在多项式算法能够解决的非决定性问题NP(Non-Deterministic Polynomial Problems)。目前常采用启发式搜索，如贪婪搜索、模拟退火、最优最先搜索等算法。

最常用的搜索方法是连续变动网络结构中的有向边，评判每次变动对分值的影响。如果两个变量之间存在有向边，那么变动方向可以是删除有向边或逆转有向边；如果两个变量间不存在有向边，则变动方式可以是增加任意方向的有向边，但在变动时，不能产生有向回路。

最简单的搜索算法是贪婪搜索(Greedy Search)。令E表示所有可能添加到网络结构中的候选边集，Δ(e)表示E中的边e加入到网络结构中后评分函数的变化值。那么搜索算法可描述为：

1)选择一个初始网络结构；

2)选择候选边集中的边e，使得Δ(e)>Δ(e')，其中，e'为E中除了e的任意边，并且Δ(e)>0，如果找不到满足条件的边，则停止，否则转3)；

3)加e到网络结构中，并从候选集E中删除该边，转2)；

该算法中，初始网络结构可以是空网、随机网或利用经验知识建造的先验网。贪婪搜索策略是一种局部搜索策略，存在陷入局部极值和鞍点的问题。一种解决的方法是当陷入局部极值或者鞍点时，随机改变网络的结构，可能会跳出鞍点或从一个局部极值区域跳到另一个极值区域。

(3)基于评分函数及搜索算法确定贝叶斯网络的拓扑结构：

基于评分和搜索算法学习得到的贝叶斯网络拓扑结构(有向无环图)DAG。

在优选的实施例中，还包括：

结合专家模型从专家库中获取对应充电总时长的打分数据；

根据所述打分数据结合预设的打分数据与权重因子的对应关系表，确定对应的权重因子；

利用所述权重因子修正所述贝叶斯网络模型的输出结果。

本实施例中，权重因子可以避免修正值发生较大偏差，由于权重因子是结合专家模型得到，因此权重因子的加入大大提高了贝叶斯网络模型的输出结果的准确性，具有更好的参照作用。

请参阅图2，本发明第二方面实施例提供一种电池充电动态保护装置，包括：

充电信息获取模块，获取电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述电池通过一充电电源充电过程中，若所述电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述电池，所述第二脉冲电流用于触发所述储能装置耦接所述充电电源。

在优选的实施例中，所述第一充电阈值电压生成模块，包括：

折算单元，基于所述剩余可循环次数数据与设定总循环次数数据的比值、设定过冲保护阈值以及快冲加速区间，生成当前剩余可循环次数对应的过冲保护阈值和可快冲区间；

第一充电阈值电压生成单元，基于可快充区间的最小值生成所述第一充电阈值电压。

在优选的实施例中，构建神经网络模型模块，建立所述神经网络模型。

在优选的实施例中，所述神经网络模型为贝叶斯网络模型。

在优选的实施例中，还包括：

打分数据获取模块，结合专家模型从专家库中获取对应充电总时长的打分数据；

权重因子生成模块，根据所述打分数据结合预设的打分数据与权重因子的对应关系表，确定对应的权重因子；

结果修正模块，利用所述权重因子修正所述贝叶斯网络模型的输出结果。

本发明中的装置的相关效果与上述对应方法相同，在此不做过多赘述。

请参阅图3，本发明第三方面实施例提供一种电池充电动态保护系统，包括：电池充电动态保护装置301以及汽车充电桩302，

其中所述电池充电动态保护装置包括：

充电信息获取模块，从汽车BMS系统中获取汽车锂电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述汽车锂电池通过所述汽车充电桩充电过程中，若所述汽车锂电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述汽车锂电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述汽车锂电池，所述第二脉冲电流用于触发所述储能装置耦接所述汽车充电桩。

本发明中的系统的相关效果与上述对应方法相同，在此不做过多赘述。

本发明第四方面实施例提供基于神经网络和人工智能的汽车锂电池充电动态保护系统，包括：电池充电动态保护装置以及汽车充电桩，

其中所述电池充电动态保护装置包括：

充电信息获取模块，通过5G网络从汽车BMS系统中获取汽车锂电池的充电信息，所述充电信息包括剩余可循环次数数据、充电次数数据以及每次充电时长信息；

阈值电压生成模块，基于人工智能，通过所述充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压；

充电保护模块，在所述汽车锂电池通过所述汽车充电桩充电过程中，若所述汽车锂电池的充电电压低于所述第一充电阈值电压，触发产生第一脉冲电流，若所述汽车锂电池的充电电压达到所述第二充电阈值电压，触发产生第二脉冲电流；其中，

所述第一脉冲电流用于触发一储能装置耦接所述汽车锂电池，所述第二脉冲电流用于触发所述储能装置耦接所述汽车充电桩。

本发明提供的基于神经网络和人工智能的汽车锂电池充电动态保护系统，通过充电信息生成第一充电阈值电压，并将所述充电信息输入至预设的神经网络模型，所述神经网络模型输出第二充电阈值电压，进而当电池充电电压处于较低水平时，可以通过储能装置放电补充充电，提高充电速度，当电池充电电压处于较高水平时，利用储能装置充电，可以分担充电电源的充电电量，进而避免最后的末端充电环节快速充电对电池的损耗，达到动态平衡充电的作用；本发明提供的技术方案中，预设的神经网络模型的输入为充电信息，输出为第二充电阈值电压，通过预设的神经网络模型生成动态的第二充电阈值电压，可以根据电池自身的损耗情况来进行调整，同时引入权重因子对神经网络模型的输出结果进行修正，使神经网络模型的输出结果可以动态贴合每个电池自身实际情况，使得动态保护更加准确和更具适应性，大大提高了电池的寿命，此外，通过利用人工智能技术实现数据的高效收集和处理，提高充电信息的有效获取效率同时降低充电信息的获取成本。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。