[发明专利]基于BP神经网络的储能有轨电车超级电容故障识别方法及系统

说明书

本发明公开了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。本发明方法，工程实用性更强，准确率更高，适合不同类型的超级电容及混合储能时的超级电容故障识别。

技术领域

本发明涉及城市轨道交通充电技术领域，更具体的说，涉及一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统。

背景技术

随着城市建设对交通的大力需求，城市轨道交通得到快速发展，其中作为现代有轨电车主要形式的储能有轨电车发展尤其迅速，其具备美观、运量大、节能环保、运行平稳安静等优点。

储能有轨电车是一种新型的轨道交通工具，主要采用超级电容作为车辆的动力单元。车辆可将约85％以上的制动能量转化成电能储存起来再使用，车辆运行无需要架空接触网供电，利用车站停车上下客时间补充电能。无视觉污染、无输电损耗、对沿线地下管路等设施无电腐蚀，是一种绿色、智能和环保型的轨道交通工具。

与传统电动汽车充电一样，在充电过程中需要对车载超级电容故障进行判断识别，当超级电容发生故障时，需要降低充电电流或者停止充电，以保护超级电容的安全性。与传统电动汽车充电不同的是，储能有轨电车进站时，充电装置通过充电轨对车辆超级电容进行充电，充电装置与车辆之间没有常规的CMS通信，无法直接读取到车辆超级电容故障状态。目前的解决方法是，充电装置首先进行一段时间的预测试电流充电，然后根据负载电压的变化率及充电电流，计算出超级电容的当前容值，将此计算出的容值再跟理论容值相比较，根据一定的判断算法，判断出当前超级电容的故障状态。

上述现有的故障识别方法存在明显的缺陷：一方面由于超级电容特性的多样性，超级电容包括常规的功率型超级电容，还包括最新的能量型超级电容，不同超级电容随着外界环温及化学衰竭的变化特性会有所区别；另一方面，越来越多的车辆采用超级电容加电池的混合储能方案，负载特性变得越来越复杂。当前的故障识别方法准确度不再能满足系统工作要求。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，通过该方法可以更准确的对超级电容故障进行识别，解决目前常规的故障识别方法准确度不能满足系统要求的问题。

为解决上述技术问题，本发明提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：

步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；

步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。

优选的，步骤S1中，设定时刻包括0.5s、1.5s和2.5s时刻。

优选的，步骤S1中，设定时段为0.5s到2.5s的时段。

优选的，步骤S2中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。

优选的，输出层的输出为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。

优选的，BP神经网络模型的训练在远程总控平台运行。