CN104300184A - 一种基于自适应-模糊推理***实现电池充放电的方法 - Google Patents

Abstract

本发明提供了一种基于自适应-模糊推理***实现电池充放电的方法，其包括如下步骤：A、监测交流适配器供电信号及Ni-MH可充电电池电量；B、判断电池是否充满；C、判断电池充满后是否连续x天没有放电，其中x由衰减算法确定；D、控制电池进入供电状态进行放电；E、当电池剩余电量约为y％时，停止电池供电状态，由交流适配器供电，y由衰减算法确定；F、电池充电，判断电池是否充满；G、重复上述步骤A-F。本发明的方法能避免设备在交流适配器与Ni-MH可充电电池并存供电时，交流适配器长时间供电，导致Ni-MH可充电电池没有进行放电充电过程，电池寿命减少的情况，可为客户或厂家的生产线等提供有力的理论基础与参考依据。

Description

一种基于自适应-模糊推理***实现电池充放电的方法

技术领域

本发明涉及电池的安全快速充电放电、均衡技术、荷电状态计算等技术领域，具体涉及一种能够避免设备在交流适配器与Ni-MH可充电电池并存供电时，交流适配器长时间供电，导致Ni-MH可充电电池没有进行放电充电过程，电池寿命减少的情况发生的方法。

背景技术

镍氢充电电池由于大量使用的镍镉电池(Ni－Cd)中的镉有毒，使废电池处理复杂，环境受到污染，因此它将逐渐被用储氢合金做成的镍氢充电电池(Ni－MH)所替代。

从电池电量来讲，相同大小的镍氢充电电池电量比镍镉电池高约1.5～2倍，且无镉的污染，现已经广泛地用于移动通讯、笔记本电脑等各种小型便携式的电子设备。更大容量的镍氢电池已经开始用于汽油/电动混合动力汽车上，利用镍氢电池可快速充放电过程，当汽车高速行驶时，发电机所发的电可储存在车载的镍氢电池中，当车低速行驶时，通常会比高速行驶状态消耗大量的汽油，因此为了节省汽油，此时可以利用车载的镍氢电池驱动电动机来代替内燃机工作，这样既保证了汽车正常行驶，又节省了大量的汽油，因此，混合动力车相对传统意义上的汽车具有更大的市场潜力，世界各国都在加紧这方面的研究。

电池模型描述电池的影响因素与其工作特性之间的数学关系，考虑的因素有电压、电流、功率、荷电状态(SOC)、温度、内阻、内压、循环工作次数和自放电。通过大量电池模型的研究文献，可将电池模型分为电化学模型、热模型、耦合模型和性能模型4种类型。电化学模型是基于电化学理论并采用数学方法描述电池内部的反应过程，主要描述电池的电压特性、电池电极、隔膜的电流分布、超电势变化趋势等。研究电池的生热、热传导过程要使用电池热模型。大量的文献都对电池的热模型进行了研究，包括一维模型、二维模型和三维模型。在锂离子(Li-ion)电池的研究中，Doyle,Fuller和Newman的基于多孔电极和浓溶液理论的一维模型，能捕捉相关固态和电解质态的扩散动力和准确地预测电流/电压响应。

由于电池的电化学反应和电池的生热过程是相互影响的，因此建立电化学过程和生热过程的耦合模型称为研究电池工作过程与工作原理的新方法。也有学者基于***动力学(Physical System Dynamics)建立了可充电电池的耦合模型，模型的理论基础是与电池的电能、化学能和热能之间的能量转换与守恒。电池性能模型描述电池工作时的外特性。与前面3中模型相比性能模型的优点是简单易用、结构多样，其又可分为简化的电化学模型、等效电路模型、神经网络模型、部分放电模型和特定因素模型。

电池性能模型在电动汽车等研究领域应用广泛。镍氢充电电池在电极制造上采用特有的配方：产品内阻小、工作电压高、循环寿命较长，低温放电和大电流放电性能好，性能达到国内同类产品的先进水平。

中国专利申请201010197037.X公开了一种充电插板的节能控制方法及节能插板，它是在插板上设置单片机，当插板工作时，单片机循环检测插板上每个充电插口的充电情况和每一种充电器的充电时间和充电电流的关系曲线，当检测到某一个充电插口上的充电器充满电后，单片机运用神经模糊自适应反馈控制原理,对该充电器进行最优断电控制，并通过电磁继电器切断与该充电器相连的回路。其主要解决充满电后待机耗电问题和保护电池及充电设备问题，其能检测到设备是否充满电、并在设备充满电后自动切断与设备之间的回路。

可充电电池在充电时将电能转换成化学能储存在电池中，放电时则由化学能转换成电能。在转换过程中的化学反应时产生热能(一种损耗)，使得充电过程中的充电能量要大于在储存在电池中的能量。这种能量的转换是可逆的，这看起来充放电的循环是循环的，其实不然，这是因为充放电的循环过程中，电池内部会产生一些不可逆的过程，引起电池放电容量的衰减，影响了电池的寿命。

发明内容

针对现有技术的缺点，本发明的目的是提供一种能够避免设备在交流适配器与Ni-MH可充电电池并存供电时，交流适配器长时间供电，导致Ni-MH可充电电池没有进行放电充电过程，电池寿命减少的情况发生的方法。

为了实现上述目的，本发明提供了一种基于自适应-模糊推理***实现电池充放电的方法，其包括如下步骤：

A、监测交流适配器供电信号及Ni-MH可充电电池电量；

B、判断电池是否充满；

C、判断电池充满后是否连续x天没有放电，其中x由衰减算法确定；

D、控制电池进入供电状态进行放电；

E、当电池剩余电量约为y％时，停止电池供电状态，由交流适配器供电，y由衰减算法确定；

F、电池充电，判断电池是否充满；

G、重复上述步骤A-F，以保证设备长时间由交流适配器供电时，Ni-MH可充电电池有正常的充放电周期。

本发明的方法首先基于模型的电池荷电状态监控算法，当交流适配器与Ni-MH可充电电池并存供电时，设备长时间由交流适配器供电时，监测电池是否充满。

然后确定电池的充放电状态。当电池充满后，连续x天(由衰减算法确定)没有进行放电时，控制电池进入供电状态进行放电；当电池剩余电量约为y％(由衰减算法确定)左右，停止电池供电状态，由交流适配器供电，同时电池进入充电状态，直到充满为止，如此反复。

最后，保证设备长时间由交流适配器供电时，Ni-MH可充电电池有正常的充放电周期。

本发明的方法可运用到实际应用中各类电池模型的数据分析或其它相关研究领域。

本发明中，自适应-模糊推理***方法包括以下子步骤：

S 0.1采集训练数据和检验数据。包括不同放电率下电压、电流、温度与SOC的序列数据。

S 0.2基于Takagi-Sugeno型模型的自适应神经模糊推理***的建立。确定输入/输出隶属度函数类型，确定隶属函数数量。

S 0.3利用函数anfis对给定数据的自适应模糊推理进行建模。

S 0.4输入变量空间划分。

首先确定这些输入变量的最大值(maximum)和最小值(minimum)，将采集的数据进行排序，得到输入变量的最小值和最大值，接着为每个输入变量建立三个模糊集，相对应生成的就是高、低、中的隶属函数，其输入空间就是输入变量对应隶属度的积。模型对应的输出就是一个0到1之间的值。

步骤A的具体说明如下：

主要考虑交流适配器供电信号及Ni-MH可充电电池电量，并进行监测，通过对电池的温度变化、电池自放电和电池放电量的测算来准确确定电池可充电电池容量。记电池可充电电量为变量ξ，1_[ξ≥λ]为可充电电池的状态，即当可充电电量为变量ξ大于等于给定的阈值λ时，进入充电状态，状态值为1，否则为0，由此可知，对Ni-MH可充电电池是否进行充电可看成是一个0-1变量。

步骤C的具体说明如下：

在步骤B中需要进行人工干预，如果电池的电量已经充满，则判断电池是否长时间没有放电。考虑到电流大小对电压产生的影响不同，规定单体电池在小电流放电时的截止电压为gV，大电流放电时的截止电压为hV，则g＞h，防止电池过放电影响电池的循环寿命。从Ni-MH电池的容量衰减的角度出发，采用ECM等效回路模型来分析电池的容量的衰减变化。根据ECM等效回路模型，电流在恒定电流放电条件下的电压V可以表示为：

$V\left(t\right)=\frac{Q\left(0\right)}{C}\exp (-t/R_{0}C)+V_0-{\mathrm{IR}}_1-{\mathrm{IR}}_2(1-\exp )(-t/R_{2}C)$

其中，Q(0)为初始容量(Ah)，V₀是与SOC有关的开路电压(V)，R₀为负载的电阻。

电池在充放电结束后，电压恢复稳定性的能力与温度有关。温度越低，电压最终的稳定值和变化幅度越大。这主要是因为温度越低，电池内部的可移动离子收到较大程度的束缚，运动存在一定的滞后性，使得电池内部的能量不能充分得到释放。

步骤D的具体说明如下：

为了建立通用性强的剩余电量的数学模型，必须综合考虑电池的热力学和动力学特性，才能比较准确地描述电池充放电过程中其端电压、放电率等参数与容量的关系，为进一步控制电池是否进行放电提供理论依据。Ni-MH电池生热的主要方式有：电池化学反应生热、电池极化生热、过充电副反应生热和内阻焦耳热。根据Noboru Sato和Kazuhiko Yagi对电池的反应生热分析，得到化学反应生热和电池充放电电流之间的函数关系式为：

充电时：

1、没有发生过充副反应，

$Q_{\mathrm{bc}}=0.547I_{\mathrm{bc}}+{3.6I}_{\mathrm{bc}}^2{R}_b$

2、发生过充副反应，

$Q_{\mathrm{bc}}=5.334I_{\mathrm{bc}}+{3.6I}_{\mathrm{bc}}^2{R}_b$

放电时：

$Q_{\mathrm{bd}}=-0.547I_{\mathrm{bd}}+{3.6I}_{\mathrm{bc}}^2{R}_b$

其中，Q_bc(Q_bd)为电池充(放)电过程中单位时间生热量(KJ/h)，R_b为电池内阻和极化内阻的和(Ω)，I_bc(I_bd)为电池充(放)电电流(A)。

步骤G的具体说明如下：

电池正常的充放电周期在一定程度上会影响电池的使用寿命，所谓电池的试用寿命是指一定的充放电倍率下电池容量衰减为额定容量某个百分比的充放电循环次数。在实际应用中，电池经过多个周期的循环后，容量会慢慢地衰退。影响Ni-MH电池容量衰退的因素有很多，一般认为有两个方面的因素：一是电池的内因，及电池的正负极材料和电池的加工制造工艺；二是电池所处环境因素，温度和电池所承受的充放电电流的大小是加速电池容量衰减的主要应力。它们对电池的内部结构和活性物质产生直接的影响。

在电池的工作过程中，电流的大小对电池寿命的影响也时刻存在着。设Λ为频数因子常数，但由于电流大小影响的存在，可以将其看成是电流的函数，即f(I)，则有

$\frac{\mathrm{dX}}{\mathrm{dt}}=f\left(I\right)\exp (-\mathrm{\ΔE}/\mathrm{KT})=f\left(I\right)f\left(T\right)$

其中，X为性能退化量或衰减量，f(I)和f(T)分别是电流和温度的函数，f(T)＝exp(-ΔEKT)。假设温度(T)和电流(I)与时间无关，对上式两边同时对时间积分得

${\∫}_{X_0}^{X_L}\mathrm{dX}={\∫}_{t_0}^{t_L}f\left(I\right)f\left(T\right)\mathrm{dt}$

X_L-X₀＝f(I)f(T)(t_L-t₀)

令C_r＝X_L-X₀，n_c＝t_L-t₀，则

C_r＝f(I)f(T)n_c

其中，C_r为电池容量衰减率，n_c为电池容量衰减率所对应的电池循环次数。

由上述分析，电池容量的衰减率与循环寿命之间是非线性关系的，从而进一步确定特定的问题和特定的电流充放电时电池的容量衰减率与循环次数之间的关系为：

C_r＝mNⁿ

其中，m,n为待求解参数，N为电池循环次数。

由于m,n在不同的温度和充放电电流下的取值不同，所以可将其看成是电流和温度的函数，即m(T,I_c,I_d)和n(T,I_c,I_d)，则上式可变换为：

$C_r=m({T,I}_c,I_d)N^{n(T,I_c,I_d)}$

其中，T为绝对温度，N为电池循环次数，I_c(I_d)为电池的充(放)电电流。

基于阿伦尼斯模型的原理，可以将电池容量的衰减参数m,n分别设定为：

m(T,I_c,I_d)＝η₁f₁(I_c)f₂(I_d)f₃(T)

n(T,I_c,I_d)＝η₂f₁′(I_c)f₂′(I_d)f₃′(T)

其中，η₁,η₂为技术参数，由电池的材料和加工工艺决定，f₁(I_c),f₁′(I_c)为电池的充电电流函数，f₂(I_d),f₂′(I_d)为电池的放电电流函数，f₃(T),f₃′(T)为温度函数。

综上，Ni-MH电池容量衰减率方程的最终表达式为：

$C_r={\mathrm{\η}}_1{f}_1\left(I_c\right)f_2\left(I_d\right)f_3\left(T\right)N^{{\mathrm{\η}}_2{f}_1^{\′}\left(I_c\right)f_2^{\′}\left(I_d\right)f_3^{\′}\left(T\right)}$

本发明的方法能避免设备在交流适配器与Ni-MH可充电电池并存供电时，交流适配器长时间供电，导致Ni-MH可充电电池没有进行放电充电过程，电池寿命减少的情况，可为客户或厂家的生产线等提供有力的理论基础与参考依据。该方法可运用到实际应用中各类电池模型的数据分析或其它相关研究领域。

根据本发明另一具体实施方式，自适应-模糊推理***，是一种基于Takagi-Sugeno模型的自适应模糊推理***ANFIS(Adaptive Network-basedFuzzy Inference System)，当输入模糊集采用非梯形的隶属度函数时，Sugeno型模糊***的模糊规则及输入的模糊集的个数较少。

根据本发明另一具体实施方式，步骤A中，基于模型的电池荷电状态监控算法，监测交流适配器供电信号及Ni-MH可充电电池电量；

步骤B中，基于模型的电池荷电状态监控算法，判断电池是否充满。

基于模型的电池荷电状态监控算法，可实现对电池组高效，可靠的整合。如广义递归最小二乘算法和扩展卡尔曼滤波算法。这两种算法都是使用一个假定的经验电池模型去预测电荷状态(SOC)，也能预测在某一固定、预先确定的电压限制下的最大可用脉冲功率。

根据本发明另一具体实施方式，电荷状态(SOC)，本质上等同于电池剩余电量。常用的SOC算法有安时法、电压法、内阻法、神经网络法和卡尔曼滤波法等。安时法将电池看作黑箱，不关心电池内部的结构，算法简单易行，被广泛应用，但是它会产生累积误差且无法消除；电压法和内阻法是根据电池电压和内阻与SOC的固定函数关系来对SOC进行估计，也得到了广泛应用；神经网络法和卡尔曼滤波法是最近几年才应用于SOC估计中的智能算法，原理较为复杂，实现起来有一定难度。

根据本发明另一具体实施方式，基于模型的电池荷电状态监控算法，为广义递归最小二乘算法或扩展卡尔曼滤波算法。

与现有技术相比，本发明具备如下有益效果：

本发明的方法能避免设备在交流适配器与Ni-MH可充电电池并存供电时，交流适配器长时间供电，导致Ni-MH可充电电池没有进行放电充电过程，电池寿命减少的情况，可为客户或厂家的生产线等提供有力的理论基础与参考依据。

下面结合附图对本发明作进一步的详细说明。

附图说明

图1为电池充电放电的电路图；

图2为基于自适应-模糊推理***的电池充电放电的流程图；

图3为ANFIS***的生成流程图；

图4用于估计电池SOC的典型神经网络结构；

图5为0.3C恒流放电SOC预测值与实测值对比曲线图。

具体实施方式

实施例1

为了验证本发明方法的有效性，说明算法的优良特点，在目前的电路基础上加入了电池供电检测及电池放电控制(如图1所示)，并设计下面实验对其进行验证和比较研究。按照如下步骤(如图2所示)进行实验研究：

步骤A：监测交流适配器供电信号及Ni-MH可充电电池电量；

主要考虑交流适配器供电信号及Ni-MH可充电电池电量，并进行监测，通过对电池的温度变化、电池自放电和电池放电量的测算来准确确定电池可充电电池容量(如图4所示)。记电池可充电电量为变量ξ，1_[ξ≥λ]为可充电电池的状态，即当可充电电量为变量ξ大于等于给定的阈值λ(如80％)时，进入充电状态，状态值为1，否则为0，由此可知，对Ni-MH可充电电池是否进行充电可看成是一个0-1变量。

步骤B：判断电池是否充满；

步骤C：判断电池充满后是否连续x天没有放电；

步骤D：控制电池进入供电状态进行放电；

步骤E：当电池剩余电量约为y％时，停止电池供电状态，由交流适配器供电；

定义电池剩余电量的保持率为θ(θ＝60％)，则θ是随着电池循环次数n变化的函数，即

θ＝f(n)

$\mathrm{\θ}=\frac{Q}{Q_R}$

其中，Q为电池的实际容量，Q_R为电池在某一温度下，特定电流值时的额定容量。

前面有提到训练数据的选取有可能会为实验的结果带来一定的不可靠因素。基于此，除了需要在数据获取上来进行预先采集工作，且训练过程中以及最终结果模型的计算与检验是十分重要的。通常，结果模型检验的过程是用那些没有用来进行训练的输入/输出数据，来验证训练过的模型是否能够很好的匹配和预测这些数据对(如图3所示)。

表1 0.3C恒流放电SOC预测值与实测值对比

由表1容易计算出预测值与实际值的波动，即误差，从而分析剩余电量(SOC)的百分比随着放电电压的增加而增加(如图5所示)，但是增加的幅度不尽相同。

步骤F：电池充电，判断电池是否充满；

步骤G：重复上述步骤以保证设备长时间由交流适配器供电时，Ni-MH可充电电池有正常的充放电周期。

基于反应论模型的原理，通过拟合公式可以得到电池容量衰减率函数的两个参数m,n，如表2所示。

表2 参数m,n曲线拟合值

通过曲线拟合的方式，得到各个函数方程的参数值，见表3和表4。

表3 参数m曲线拟合值

表4 参数n曲线拟合值

将表中参数值代入m(T,I_c,I_d)和n(T,I_c,I_d)的计算方程中，得

$m({T,I}_c,I_d)={\mathrm{\η}}_1\·0.194\·I_c^{0.342}\×0.256\·I_d^{0.191}\×\exp (-4.351+942.768/T)$

$n({T,I}_c,I_d)={\mathrm{\η}}_2\·0.626\·I_c^{0.161}\×0.565\·I_d^{0.026}\×\exp (0.565+(-1059.599/T))$

根据所测得的实验数据对公式进行修正，即可得到电池容量衰减的表达式。通过仿真实验，除少数点外，相对误差基本都能控制在5％以内，可以满足Ni-MH电池实际应用的要求。

从实验过程中可以看出，ANFIS中最重要的一步就是要有比较完善、比较准确的训练数据，因此在ANFIS建模之前，首先要对可充电电池进行充放电实验，并采集相关电流、电压、温度与电池SOC的对应数据。在测试数据下，以验证模型的精度、泛化能力和ANFIS是否适应Ni-MH电池的运行条件以及控制方法。影响电池充放电容量的因素很多，而且每一个影响因素与容量衰减的关系都呈非线性话。由于电池在老化过程中，一些物理参数和技术参数包括开路电压、内阻等都会发生非线性的变化，根据这一现象本发明提出了能够快速判定电池容量衰减的方法。温度是影响电池容量衰减率的重要因素之一。温度越高，电池的充电电压越低，有利于电池的大电流充放电。温度过低时，电池充电电压就比较高，而放电电压却比较低，造成充入和放出的容量都受到一定的限制。此外，充放电电流对容量衰减的影响也是不容忽视的。在马斯定理的基础上，结合电池的温度与放电性能的关系实验提出了电池可允许接收的最大充放电电流。

虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发明所做的同等改进，应为本发明的范围所涵盖。

Claims (5)

1.一种基于自适应-模糊推理***实现电池充放电的方法，其特征在于，包括如下步骤：

A、监测交流适配器供电信号及Ni-MH可充电电池电量；

B、判断电池是否充满；

C、判断电池充满后是否连续x天没有放电，其中x由衰减算法确定；

D、控制电池进入供电状态进行放电；

E、当电池剩余电量约为y％时，停止电池供电状态，由交流适配器供电，其中y由衰减算法确定；

F、电池充电，判断电池是否充满；

G、重复上述步骤A-F。

2.根据权利要求1所述的方法，其特征在于，所述的自适应-模糊推理***，是一种基于Takagi-Sugeno模型的自适应模糊推理***ANFIS，当输入模糊集采用非梯形的隶属度函数时，Sugeno型模糊***的模糊规则及输入的模糊集的个数较少。

3.根据权利要求1所述的方法，其特征在于：所述步骤A中，基于模型的电池荷电状态监控算法，监测交流适配器供电信号及Ni-MH可充电电池电量；

所述步骤B中，基于模型的电池荷电状态监控算法，判断电池是否充满。

4.根据权利要求3所述的方法，其特征在于：所述的电荷状态(SOC)，本质上等同于电池剩余电量。

5.根据权利要求3所述的方法，其特征在于：所述的基于模型的电池荷电状态监控算法，为广义递归最小二乘算法或扩展卡尔曼滤波算法。