[发明专利]一种充电锂电池剩余电量远程监测装置及其监测方法

权利要求书

1.一种充电锂电池剩余电量远程监测装置，其特征在于：所述装置包括有电池监测模块、第一单片机、无线发送端、无线接收端、第二单片机、系统辅助控制报警模块和显示器；

电池监测模块的数据监测端与被测充电锂电池连接，电池监测模块监测到的数据通过单片机和无线发送端发送至无线接收端，无线接收端将收到的数据发送至第二单片机，第二单片机处理后，发出控制信息至系统辅助控制报警模块，同时发出显示信息至显示器。

2.如权利要求1所述的充电锂电池剩余电量远程监测装置，其特征在于：所述电池监测模块为MAX177050电池电量计。

3.如权利要求1所述的充电锂电池剩余电量远程监测装置，其特征在于：所述无线发送端和无线接收端为nrf24L01无线收发器芯片。

4.如权利要求1所述的充电锂电池剩余电量远程监测装置，其特征在于：所述系统辅助控制报警模块为蜂鸣器。

5.利用权利要求1至4任意一项所述装置进行充电锂电池剩余电量远程监测的方法，其特征在于，具体步骤如下：

1)通过电池监测模块监测并记录被测充电锂电池的状态信息；

2)电池监测模块对监测到的充电锂电池状态信息进行信息处理，得到电池剩余容量信息、电池剩余时间信息和电池健康状况信息；

3)处理后得到的电池剩余容量信息、电池剩余时间信息和电池健康状况信息通过第一单片机、无线发送端、无线接收端发送至第二单片机；

4)第二单片机提取电池剩余容量信息、电池剩余时间信息和电池健康状况信息，发送至显示器，同时与预设阀值相比较，发出控制指令控制系统辅助控制报警模块。

6.如权利要求5所述的充电锂电池剩余电量远程监测方法，其特征在于：步骤1)所述充电锂电池状态信息包括有电池当前的输出电压信息、输出电流信息、环境温度信息、充电时的输入电量信息和放电时的输出电量信息。

7.如权利要求6所述的充电锂电池剩余电量远程监测方法，其特征在于，步骤2)中所述对充电锂电池状态信息进行信息处理的具体方法为：采用RBF神经网络对电池SOC进行在线预测。

8.如权利要求7所述的充电锂电池剩余电量远程监测方法，其特征在于，采用RBF神经网络对电池SOC进行在线预测的具体方法为：基于RBF神经网络建立SOC预测模型，主要从网络级、训练级和节点级三个方面进行设计；在与soc估计有关的输入变量，包括总电压、总电流、最低单体电压、最高单体电压、最低节点温度、最高节点温度、各个模块中各单体电池的电压值和各模块中各节点的温度值上一时刻的soc值、电压差值和温度差值中，选取上一时刻soc值、总电压总电流、最低单体电压、最高单体电压、最高节点温度、最低节点温度、平均温度、总电压变化量、SOC变化量共10个为输入变量，以该时刻SOC为输出变量，设置隐含层节点数为30个，其网络的输入矩阵为

X＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀)

RBF神经网络的输出函数为:

f(x)=b+Σj=1mωjhj(x)]]>

其中，m表示隐含层神经元节点数，即径向基函数中心的个数；系数表示隐含层到输出层的连接权重，b表示输出层的阀值；

其中，表示隐含层的径向基函数，||x-c_j||表示欧几里德距离，c_j(c_j∈Rⁿ)表示隐含层径向基函数的中心；r_j(r_j∈R)表示径向基函数的宽度；

得到输出层矩阵表示：

y＝HW+e

其中，y表示输出层的期望输出，e表示期望输出y和网络输出f(x)之间的误差，W表示隐含层与输出层的连接权重，H表示回归矩阵。

在RBF网络结构中，对于训练样本，通常取性能指标为

E=12Σi=1N(yi-f(xi))2]]>

指标E是关于径向基中心、宽度和权值的函数，RBF网络的训练就是针对一组样本，使E趋于最小；

得到输出层的输出为：