CN112072735A - 一种基于卷积神经网络的液态金属电池组的均衡管理*** - Google Patents

Abstract

本发明提供一种基于卷积神经网络的液态金属电池组的均衡管理***，包括上位机以及下位机，上位机用于构建卷积神经网络，卷积神经网络作为计算各个电池均衡方案的分类器；下位机包括：电池信息采集模块用于采集电池组的工作数据以及各个单体电池的信息数据；主控模块接收电池信息采集模块的数据，将数据上传至上位机，并接收上位机的控制命令；PWM信号产生模块用于向开关驱动模块发送PWM控制信号；开关驱动模块用于快速准确地控制反激均衡模块中MOSFET的通断；反激均衡模块用于实现电池组中能量的转移；本申请构建卷积神经网络计算液态金属电池组内各个电池的均衡方案，得到均衡方案后，基于双向反激均衡电路实现对电池组的均衡控制。

Description

一种基于卷积神经网络的液态金属电池组的均衡管理***

技术领域

本发明属于金属电池技术领域，具体涉及一种基于卷积神经网络的液态金属电池组 的均衡管理***。

背景技术

液态金属电池是一种具有应用前景的新型化学电池，其以融化为液态的金属作为电 池的正极和负极材料，采用中低温熔融盐作为电池的电解质。液态金属电池具有许多优点，首先，液态金属电池具有高倍率及大电流的充放电能力和超强的过载能力，电池能 够承受超出电流范围的工作电流而不受损坏；其次，用于制作液态金属电池的材料来源 广泛且价格低廉，液态金属电池生产成本低，可以契合电网储能的低成本需求；最后， 液态金属电池拥有极长理论循环寿命，电池使用寿命长，能减少更换电池的成本。总而 言之，因液态金属电池具有大电流充放电能力、超强过载能力、低成本以及使用寿命长 等优势，适合在电网储能中进行应用。

液态金属电池工作电压偏低，其应用于电网储能时需要进行串并联成电池组以满足 电压和容量需求。电池组中各个单体电池在生产与制造过程里因工艺和原材料的差异导 致电池单体之间产生参数初始差异。而在实际工作过程中，各个单体电池的充放电性能和各项参数的差异会因为各电池单体所处的环境温度、自放电程度不同而进一步加剧。 若不进行干预，各个单体电池之间的不一致性会越来越大，形成恶性循环，影响到整个 ***的效率和安全性。因此需要使用带电池均衡技术的电池管理***对电池组进行能量 均衡控制，从而提高电池组的充放电性能和使用寿命。

现有的电池组均衡策略主要有基于电池外电压的均衡策略和基于电池SoC(Stateof Charge，荷电状态)的均衡策略。基于电池外电压的均衡策略选用容易测量得到的 单体电池外电压作为均衡判据来控制电池组均衡，将各单体电池的外电压趋于一致作为 均衡结束的条件。基于电池SoC的均衡策略选用单体电池SoC作为均衡判据来控制电池 组均衡。电池SoC无法直接测量得到，现有的电池SoC估算算法如卡尔曼滤波算法以及 衍生算法能够较为精准地估算电池SoC值。与基于电压的均衡策略类似，通过各个电池 的SoC值确定电池组SoC平均值SoCavg并选为均衡的目标，确定均衡控制范围上限和 下限。对SoC值高于均衡控制范围上限的单体电池进行充电，对SoC值低于均衡控制范 围下限的单体电池进行放电，SoC值处于均衡控制范围内的单体电池不进行均衡操作。 将电池组内各单体电池SoC值都位于均衡控制范围内作为均衡结束的条件。

由于液态金属电池的电压-SoC曲线有很长一段变化缓慢的平台期，电池电压并不能 反映整个电池组内电池性能参数的真实差异，相同电压值的电池单体的荷电状态差异值 可以达到60％。同时电池外电压受内部参数和外部使用条件的影响，会产生一定的波动。 因此，基于电池外电压的均衡策略并不适用于液态金属电池组。

目前基于电池SoC的均衡策略选用的均衡判据为单体电池SoC值，能够较好地反应电池组内电池性能参数的真实差异，通过选取电池组SoC平均值SoCavg作为均衡的目 标，确定均衡控制范围，并对SoC值在均衡控制范围外的单体电池进行充电和放电的处 理，最终实现对电池组的均衡控制。但该策略均衡效率低，决策划分均衡控制范围的维 度少导致***的控制精度低和动态品质差，均衡电流在电池内阻的能量损耗大，均衡电 路安全性低。

发明内容

本发明的目的是提供一种基于卷积神经网络的液态金属电池组的均衡管理***，以 解决现有的电池组的均衡策略主要有基于电池外电压的均衡策略和基于电池SoC(State of Charge，荷电状态)的均衡策略，前者不适用于液态金属电池组，后者能耗大安全 性低的问题。

本发明提供了如下的技术方案：

一种基于卷积神经网络的液态金属电池组的均衡管理***，包括上位机以及下位机， 所述上位机用于构建卷积神经网络，所述卷积神经网络作为计算各个电池均衡方案的分 类器，所述卷积神经网络包括输入层、至少一个卷积层、全连接层以及输出层；所述下位机包括主控模块、电池信息采集模块、PWM信号产生模块、开关驱动模块以及反激均 衡模块，所述电池信息采集模块用于采集电池组的工作数据以及各个单体电池的信息数 据，将采集得到的数据传送至主控模块；所述主控模块接收电池信息采集模块的数据， 将数据上传至上位机，并接收上位机的控制命令，将控制命令解析后发送至PWM信号产 生模块产生相应的PWM控制信号；所述PWM信号产生模块用于向开关驱动模块发送PWM 控制信号，实现反激均衡模块中能量与电流的控制；所述开关驱动模块用于根据输入的 PWM控制信号快速准确地控制反激均衡模块中MOSFET的通断；所述反激均衡模块用于接 收开关驱动模块的直接控制，实现电池组中能量的转移。

优选的，所述卷积神经网络为一维卷积神经网络且包括两个卷积层。

优选的，所述卷积神经网络的训练过程，包括以下步骤：

S1、通过对电池信息采集模块采集的电池组工作数据以及信息数据进行处理和特征 提取得到电池特征信息集；S2、将电池特征信息集作为卷积神经网络的训练集；S3、初始化卷积神经网络参数，将训练集输入卷积神经网络进行训练；S4、选取交叉熵函数作 为卷积神经网络的损失函数，则该多分类的卷积神经网络的各个输出结果的交叉熵损失 函数的表达式为：

式中M表示类别的数量；y_tc表示一个变量，若类别c跟样本t的类别相同则为1， 否则为0；p_tc表示样本t属于类别c的预测概率；S5、重复步骤S3-S4直到卷积神经网 络训练完毕。

优选的，所述S3中将训练集输入卷积神经网络进行训练包括：卷积神经网络的计算公式为：

式中

表示第n层卷积层的第i个输入，

表示第n层卷积层的第j个输出，s^n-1表示n-1层卷积层输出的个数，f(·)表示激活函数，*表示卷积计算，

表示第n层卷积 层可训练的卷积核，

表示第n层卷积层第j个偏置。

优选的，所述激活函数f(·)为线性整流函数ReLU，所述ReLU表示为：

f(x)＝max(0，x)。

优选的，所述卷积层的输出经全连接层按特征进行分类，全连接层的计算公式可表 示为：

式中

表示第n层的第i个神经元的输出，sⁿ表示n层神经元的个数，

表示第n层第i个神经元与第n+1层神经元之间的权值，

表示第n层第j个神经元的偏置值，

表示第n+1层第j个神经元的输出值；

优选的，经过所述全连接层的输出值在输出层通过SoftMax函数分类器进行计算获 得输出结果，SoftMax函数计算公式为：

其输出结果是输入电池特征信息集对应电池适应各个不同均衡方案类别的预测概 率。

本发明的有益效果是：

本发明一种基于卷积神经网络的液态金属电池组的均衡管理***，通过构建一个卷 积神经网络，输入电池组中各个单体电池的特征信息集计算得到对应电池的均衡方案。得到均衡方案后，本发明基于反激均衡模块实现对电池组的均衡控制，为电池组内每一 个单体电池配备一个相同的反激均衡模块，依据计算出的均衡方案向各个电池对应均衡 模块的原边和副边发送PWM信号，控制电池组里能量的转移，实现电池组能量均衡。

通过卷积神经网络计算电池组的均衡策略，有效提高了***的对电池组能量均衡的 控制效率，提升了***的控制精度。同时反激均衡模块原边和副边因MOSFET动态开断产生的均衡电流是动态变化的，从而保证了均衡模块的安全性，也降低了均衡电流在电 池内阻的能量损耗。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施 例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明***框架示意图；

图2是双向反激均衡电路的基本原理图；

图3是本发明卷积神经网络模型图；

图4是本发明卷积神经网络训练流程图。

具体实施方式

如图1所示，基于卷积神经网络的液态金属电池组的均衡管理***，包括上位机以及下位机，上位机用于构建卷积神经网络，卷积神经网络作为计算各个电池均衡方案的 分类器；下位机包括主控模块、电池信息采集模块、PWM信号产生模块、开关驱动模块 以及反激均衡模块，电池信息采集模块用于采集电池组的工作数据以及各个单体电池的 信息数据，将采集得到的数据传送至主控模块；主控模块接收电池信息采集模块的数据， 将数据上传至上位机，并接收上位机的控制命令(均衡方案)，将控制命令解析后发送 至PWM信号产生模块产生相应的PWM控制信号；PWM信号产生模块用于向开关驱动模块 发送PWM控制信号，实现反激均衡模块中能量与电流的控制；开关驱动模块用于根据输 入的PWM控制信号快速准确地控制反激均衡模块中MOSFET的通断；反激均衡模块用于 接收开关驱动模块的直接控制，实现电池组中能量的转移。

如图2所示，本实施选用反激均衡模块为双向反激均衡模块，基于双向反激均衡模块实现对电池组的均衡控制，为电池组内每一个单体电池配备一个相同的双向反激均衡模块，以实现对电池组内每个单体电池的单独控制。其基本原理如下：

若电池BT1需要进行充电均衡，可首先导通M1(MOSFET，金属-氧化物半导体场效应晶体管)，控制M2关断且其寄生二极管承受反压关断，此时电池组对原边电感充电储 能，副边回路不导通(将变压器对应电池组的一侧命名为原边，对应单电池的一侧命名 为副边)；在关闭M1的同时导通M2，使得变压器原边能量转移至副边，副边电感通过 M2导通续流至电池1，实现能量从电池组向单体电池的转移。

若电池BT1需要进行放电均衡，可首先导通M2，控制M1不导通且其寄生二极管承受反压关断，此时电池1对副边电感充电储能，原边回路不导通；之后关闭M2，变压器 副边能量转移至原边，此时依旧关断M1，原边电感通过M1的寄生二极管对电池组充电， 从而实现能量从单体电池向电池组的转移。由于此时寄生二极管正向导通压降与电池组 电压相比很小，对电路效率几乎没有影响。

如图3所示，本实施例选用的卷积神经网络为一维卷积神经网络，其包括输入层、两个卷积层、全连接层以及输出层。

如图4所示，对卷积神网络的训练过程，包括以下步骤：

S1、通过对电池信息采集模块采集的电池组工作数据以及信息数据进行处理和特征 提取得到电池特征信息集；

S2、将电池特征信息集作为卷积神经网络的训练集；

S3、初始化卷积神经网络参数，将训练集输入卷积神经网络进行训练；

以第n层卷积层为例，一维卷积计算公式可以表示为：

式中

表示第n层卷积层的第i个输入，

表示第n层卷积层的第j个输出，s^n-1表示n-1层卷积层输出的个数，f(·)表示激活函数，*表示卷积计算，

表示第n层卷积 层可训练的卷积核，

表示第n层卷积层第j个偏置。

为了增加网络的非线性处理能力和避免梯度***和梯度消失问题，同时为了简化计 算过程，选择ReLU(Rectified Linear Unit，线性整流函数)函数作为神经网络模型 的激活函数，ReLU函数表示为：

f(x)＝max(0，x)。

第二卷积层的输出经全连接层按特征进行分类，全连接层的计算公式可表示为：

式中

表示第n层的第i个神经元的输出，sⁿ表示n层神经元的个数，

表示第n层第i个神经元与第n+1层神经元之间的权值，

表示第n层第j个神经元的偏置值，

表示第n+1层第j个神经元的输出值；

若经过全连接层的输出值为y₁，y₂，…，y_i，最后在输出层通过SoftMax函数分 类器进行计算获得输出结果，SoftMax函数计算公式为：

其输出结果是输入电池特征信息集对应电池适应各个不同均衡方案类别的预测概 率。

S4、选取交叉熵函数作为卷积神经网络的损失函数，则该多分类的卷积神经网络的 各个输出结果的交叉熵损失函数的表达式为：

式中M表示类别的数量；y_tc表示一个变量，若类别c跟样本t的类别相同则为1， 否则为0；p_tc表示样本t属于类别c的预测概率；

最后通过交叉熵损失函数对神经网络里的权值，偏置值，卷积核进行修正迭代。

S5、重复步骤S3-S4直到卷积神经网络训练完毕。

在具体实施的时候，选取S4中，预测概率最大的均衡方案类别作为该单体电池的均衡方案；根据均衡方案向单体电池对应均衡模块的原边和副边发送PWM信号，控制电 池组里能量的转移，实现电池组能量均衡。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施 例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围 之内。

Claims (7)

1.一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，包括上位机以及下位机，所述上位机用于构建卷积神经网络，所述卷积神经网络作为计算各个电池均衡方案的分类器，所述卷积神经网络包括输入层、至少一个卷积层、全连接层以及输出层；所述下位机包括主控模块、电池信息采集模块、PWM信号产生模块、开关驱动模块以及反激均衡模块，所述电池信息采集模块用于采集电池组的工作数据以及各个单体电池的信息数据，将采集得到的数据传送至主控模块；所述主控模块接收电池信息采集模块的数据，将数据上传至上位机，并接收上位机的控制命令，将控制命令解析后发送至PWM信号产生模块产生相应的PWM控制信号；所述PWM信号产生模块用于向开关驱动模块发送PWM控制信号，实现反激均衡模块中能量与电流的控制；所述开关驱动模块用于根据输入的PWM控制信号快速准确地控制反激均衡模块中MOSFET的通断；所述反激均衡模块用于接收开关驱动模块的直接控制，实现电池组中能量的转移。

2.根据权利要求1所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，所述卷积神经网络为一维卷积神经网络且包括两个卷积层。

3.根据权利要求1所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，所述卷积神经网络的训练过程，包括以下步骤：

S1、通过对电池信息采集模块采集的电池组工作数据以及信息数据进行处理和特征提取得到电池特征信息集；

S2、将电池特征信息集作为卷积神经网络的训练集；

S3、初始化卷积神经网络参数，将训练集输入卷积神经网络进行训练；

S4、选取交叉熵函数作为卷积神经网络的损失函数，则该多分类的卷积神经网络的各个输出结果的交叉熵损失函数的表达式为：

式中M表示类别的数量；y_tc表示一个变量，若类别c跟样本t的类别相同则为1，否则为0；p_tc表示样本t属于类别c的预测概率；

S5、重复步骤S3-S4直到卷积神经网络训练完毕。

4.根据权利要求3所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，所述S3中将训练集输入卷积神经网络进行训练包括：

卷积神经网络的计算公式为：

式中

表示第n层卷积层的第i个输入，

表示第n层卷积层的第j个输出，s^n-1表示n-1层卷积层输出的个数，f(·)表示激活函数，*表示卷积计算，

表示第n层卷积层可训练的卷积核，

表示第n层卷积层第j个偏置。

5.根据权利要求4所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，所述激活函数f(·)为线性整流函数ReLU，所述ReLU表示为：

f(x)＝max(0，x)。

6.根据权利要求1所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，所述卷积层的输出经全连接层按特征进行分类，全连接层的计算公式可表示为：

式中

表示第n层的第i个神经元的输出，sⁿ表示n层神经元的个数，

表示第n层第i个神经元与第n+1层神经元之间的权值，

表示第n层第j个神经元的偏置值，

表示第n+1层第j个神经元的输出值。

7.根据权利要求6所述的一种基于卷积神经网络的液态金属电池组的均衡管理***，其特征在于，经过所述全连接层的输出值在输出层通过SoftMax函数分类器进行计算获得输出结果，SoftMax函数计算公式为：

其输出结果是输入电池特征信息集对应电池适应各个不同均衡方案类别的预测概率。

Images