CN112234673A - 一种适用于均衡电路的电池能量均衡方法 - Google Patents
一种适用于均衡电路的电池能量均衡方法 Download PDFInfo
- Publication number
- CN112234673A CN112234673A CN202011065240.1A CN202011065240A CN112234673A CN 112234673 A CN112234673 A CN 112234673A CN 202011065240 A CN202011065240 A CN 202011065240A CN 112234673 A CN112234673 A CN 112234673A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- output
- layer
- equalization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 21
- 230000010287 polarization Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
- H02J7/0014—Circuits for equalisation of charge between batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
- B60L58/14—Preventing excessive discharging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
- B60L58/15—Preventing overcharging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
- B60L58/22—Balancing the charge of battery modules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Transportation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Electrochemistry (AREA)
- Biomedical Technology (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种适用于均衡电路的电池能量均衡方法，涉及电池能量技术领域，提供的均衡控制算法中采用AUKF算法提高SOC估计精度，并解决仅利用SOC作为均衡控制算法的参数时对电池可能造成的过充和过放伤害。本发明所设计的模糊神经网络为一阶T‑S模糊神经网络，需要通过学习确定前件参数和后件参数共5个参数，学习算法采用的是BP算法和最小二乘法的混合算法，前件参数通过BP算法确定，后件参数通过最小二乘法确定。通过数据库中的数据对模糊神经网络进行训练，辨识得到了全部参数。
Description
技术领域
本发明涉及电池能量技术领域，特别涉及一种适用于均衡电路的电池能量均衡方法。
背景技术
近年来电动汽车飞速发展，为其供应能量的电池自然受到研究者们的广泛关注。电动汽车所使用的电池类型多种多样，其中锂电池以良好的动力性能，较长的循环使用寿命，较高的能量密度和无记忆效应等优势，成为了电动汽车所使用的主流电池类型。然而，单体锂电池的电容量、电压和瞬间放电功率等参数远远达不到电动汽车设计所要求的参数。因此，为了满足电动汽车的需求，需要成百上千的单体电池通过串联或者并联的方式组成成为电池包。
不幸的是，单体电池的串并联却产生了带电量不均衡这一新的问题，且带电不均衡在串联电池组中表现的更为明显。带电量不均衡轻则会导致电池的综合性能下降，电池包使用寿命大幅缩短，重则会发生然后和***。研究人员发现带电不均衡最初产生原因是由于生产差异性造成了电池之间的细微差异性，而这种细微的差异会在电池的循环使用过程中不断放大。电池的生产差异是无法应用技术消除的，只能利用均衡技术在电池使用过程中去改善电池带电不均衡。
均衡技术的本质是通过均衡电路和均衡控制算法在一定程度上消除带电差异性。均衡技术依据能量消耗和能量转移两种不用的方式，可分为被动均衡技术和主动均衡技术。现在均衡算法大多采用SOC来反映电池荷电状态，如果SOC能够准确的反映电池荷电状态，那么选择SOC作为唯一判别参数的控制算法的性能能够满足实际需要。然而，在电池放电处于低电量状态时电池压降会迅速增大，以大电流进行放电时，同时若电池并没有设置最低限制电压保护，会让电池长时间处于过放状态造成电池的损害。同样的，在电池放电处于高电量状态时电池压升增大，以大电流进行充电时，也容易让电池处于长时间过充而造成电池损坏。此外，电池的老化严重时，电池的极化效应和欧姆效应更为显著，也会导致电池在低电量状态时的压降和高电量的压升更为明显。
针对上述问题，本申请提供了一种适用于均衡电路的电池能量均衡方法，解决仅仅利用SOC作为均衡控制算法的参数时对电池可能造成的过充和过放伤害。
发明内容
本发明的目的在于提供一种适用于均衡电路的电池能量均衡方法，解决仅仅利用SOC作为均衡控制算法的参数时对电池可能造成的过充和过放伤害。
本发明提供了一种适用于均衡电路的电池能量均衡方法，包括以下步骤：
S1：采集均衡电路的电压和电流；
S2：建立二阶等效电路模型，利用AUKF算法对SOC进行估计；
S3：计算不同电池的SOC的差值，判断是否存在一低多高或一高多低的情况；
S4：建立神经网络，若存在所述步骤S3中叙述的情况，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S5：若不存在所述步骤S3中叙述的情况，则计算每个电池SOC之间的平均值，判断其是否处于0.2-0.8之间，若处于则将SOC作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；若未处于0.2-0.8之间，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S6：输出的均衡电流值达到均衡阈值则表明电池能量均衡。
进一步地，所述步骤S2中的二阶等效电路模型利用2个RC网络分别对浓差极化效应和电化学极化效应进行描述，根据KCL和KVL定律，可以得到电路状态表达式，如下所示：
UO(t)＝ROI(t) (1)
其中，UO(t)为欧姆电压，Ue(t)为电化学极化电压，Ud(t)为浓差极化电压；
U(t)＝UOCV(t)+UO(t)+Ue(t)+Ud(t) (4)
其中，U(t)为电池端电压；
利用电流积分法得到电池SOC随时间变化的表达式：
其中，SOC0为初始SOC，QN为电池标准电容量，η为电池充放电效率；
将式(2)、(3)和(5)离散化，可得：
其中，τ为采样周期，τe＝ReCe，τd＝RdCd；
通过式(6)、(7)和(8)建立离散化的状态空间观测方程，如下所示：
其中，w(k-1)为模型的观测噪声；
模型的离散化状态输出方程如式(10)所示：
U(k)＝UOCV(k)+UO(k)+Ue(k)+Ud(k)+v(k-1) (10)
其中，v(k-1)为端电压的观测噪声。
进一步地，所述步骤S2中的AUKF算法首先构造采样点，状态向量X(k)由状态变量SOC(k)、Ue(k)和Ud(k)组成，其表达式如下：
X(k)＝[SOC(k) Ue(k) Ud(k)]T (11)
进一步地，所述步骤S2中利用AUKF算法对SOC进行估计的步骤为：
S21：对非线性***初始化：
S22：构造2n+1个采样点集并进行非线性转换：
S23：计算迭代运算过程中的权值为：
其中，
为一个尺度参数，α表示采样点在
周围的分布，即1>α>e-4；
一般取值为
β用来整合X先验估计，一般选取其值为2；Wi (m)和Wi (c)分别为计算第i个采样点的均值和协方差所用的加权因子；
S24：计算2n+1个采样点集的一步预测为：
Xi(k-1)＝f(Xi,k-1),i＝0,1,…2n (16)
S25：AUKF算法中的时间更新为：
S26：AUKF算法中的测量更新为：
S27：电池状态变量和协方差估计为：
S28：自适应性定律协方差匹配：
其中，Q(k)为模型噪声w(k)的协方差，R(k)为端电压测量v(k)的协方差。
进一步地，所述步骤S4中的神经网络包括：模糊化层、模糊规则强度释放层、规则强度归一化层、模糊规则输出层和输出层。
进一步地，所述模糊化层的输入量为2个，分别为SOC差值和SOC平均值，可以表示为：
其中，SOCi为均衡单元左侧m个单体电池中第i个电池的SOC值，SOCj为均衡单元右侧n个电池中第j个电池的SOC值，ΔSOC表示均衡单元左右两侧的SOC平均值的差值，SOCavg表示均衡单元两侧的SOC的平均值；
根据所选电池特性定义两个输入量的论域范围，并分别命名为A和B，其中基于SOC的模糊神经网络两个输入量ΔSOC的论域为[0,0.6]，SOCavg的论域为[0,1]；基于端电压的模糊神经网络两个输入量中ΔV为[0,1]，Vavg为[2.6,4.2]；考虑电池组的不均衡状态及电池特性，将两个输入量的论域分为5个模糊集合，分别为VS、S、M、L和VL，确定了每个输入量的隶属度函数个数；所述隶属度函数类型均为高斯函数，其表达如下：
其中，a为隶属度函数的中心，b为隶属度函数的宽度，a与b作为模糊神经网络的前件参数，通过数据库训练学习获得；
将输入量ΔSOC/ΔV和SOCavg/Vavg分别定义为x1和x2：得到第一层的输入输出表达式：
其中，
为输入量x1的第i个隶属度函数，
为数量x2的第j个隶属度函数。
进一步地，所述模糊规则强度释放层将第一层输入量的输出值两两相乘，得到第二层的输出值，因此由第一层的输出值可确定本层节点为25个，本层的输入输出表达式为:
其中，ωk代表其中一条模糊规则的激活强度。
进一步地，所述规则强度归一化层计算每一条模糊规则的激活强度的比重，其输出表达式为：
进一步地，所述模糊规则输出层用于计算每个模糊规则的输出，计算表达式如下：
其中，pk、qk和rk作为模糊神经网络的后件参数，通过训练获得。
进一步地，所述输出层用于计算输出的均衡电流值Ieq，计算表达式如下：
与现有技术相比，本发明具有如下显著优点：
本发明提供的均衡控制算法中采用AUKF算法提高SOC估计精度，并解决仅利用SOC作为均衡控制算法的参数时对电池可能造成的过充和过放伤害。SOC和端电压均输入到自适应模糊神经网络。自适应模糊神经网络结合模糊逻辑控制和神经网络的优点，自适应能力强，容错性高，通过能调整隶属度函数参数和神经元间的权值；推理过程由神经元完成，速度更快；可利用专家经验，提高算法的可靠性。本发明所设计的模糊神经网络为一阶T-S模糊神经网络，需要通过学习确定前件参数和后件参数共5个参数，学习算法采用的是BP算法和最小二乘法的混合算法，前件参数通过BP算法确定，后件参数通过最小二乘法确定。通过数据库中的数据对模糊神经网络进行训练，辨识得到了全部参数。
附图说明
图1为本发明提供的均衡控制算法流程图；
图2为本发明提供的二阶等效电路模型图；
图3为本发明提供的锂离子电池SOC-OCV特性曲线图；
图4为本发明提供的一低多高型不均衡状态图；
图5为本发明提供的一高多低型不均衡状态图；
图6为本发明提供的模糊神经网络结构图。
具体实施方式
下面结合本发明中的附图，对本发明实施例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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
为了便于理解和说明，如附图1-6所示，本发明提供了一种适用于均衡电路的电池能量均衡方法，包括以下步骤：
S1：采集均衡电路的电压和电流；
S2：建立二阶等效电路模型，利用AUKF算法对SOC进行估计；
S3：计算不同电池的SOC的差值，判断是否存在一低多高或一高多低的情况；
S4：建立神经网络，若存在所述步骤S3中叙述的情况，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S5：若不存在所述步骤S3中叙述的情况，则计算每个电池SOC之间的平均值，判断其是否处于0.2-0.8之间，若处于则将SOC作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；若未处于0.2-0.8之间，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S6：输出的均衡电流值达到均衡阈值则表明电池能量均衡。
实施例1
电池在充放电过程中存在浓差极化效应和电化学极化效应，这两个效应会让电池的端电压和SOC呈现滞后回环。因此，本申请建立二阶RC等效电路模型，所述步骤S2中的二阶等效电路模型利用2个RC网络分别对浓差极化效应和电化学极化效应进行描述，以提高模型精度。二阶RC等效电路模型如图2所示，UOCV(t)为电池开路电压，两个RC网络中共有四个参数，其中Re、Ce分别表示电池的电化学极化内阻和电容，Rd、Cd分别表示浓差极化电阻和电容；R0表示电池的欧姆内阻，I(t)表示干路电流，放电为正，充电为负。
根据KCL和KVL定律，可以得到电路状态表达式，如下所示：
UO(t)＝ROI(t) (1)
其中，UO(t)为欧姆电压，Ue(t)为电化学极化电压，Ud(t)为浓差极化电压；
U(t)＝UOCV(t)+UO(t)+Ue(t)+Ud(t) (4)
其中，U(t)为电池端电压；
利用电流积分法得到电池SOC随时间变化的表达式：
其中，SOC0为初始SOC，QN为电池标准电容量，η为电池充放电效率；
将式(2)、(3)和(5)离散化，可得：
其中，τ为采样周期，τe＝ReCe，τd＝RdCd；
通过式(6)、(7)和(8)建立离散化的状态空间观测方程，如下所示：
其中，w(k-1)为模型的观测噪声；
模型的离散化状态输出方程如式(10)所示：
U(k)＝UOCV(k)+UO(k)+Ue(k)+Ud(k)+v(k-1) (10)
其中，v(k-1)为端电压的观测噪声。
实施例2
AUKF算法采用迭代更新的方法估计***状态，迭代过程中使用最大似然估计和期望值最大化法对***噪声和观测噪声进行不断修正，实现自适应的过程，从而获得更好地估计效果。基于所建立的电池等效电路模型，所述步骤S2中的AUKF算法首先构造采样点，状态向量X(k)由状态变量SOC(k)、Ue(k)和Ud(k)组成，其表达式如下：
X(k)＝[SOC(k) Ue(k) Ud(k)]T (11)
所述步骤S2中利用AUKF算法对SOC进行估计的步骤为：
S21：对非线性***初始化：
S22：构造2n+1个采样点集并进行非线性转换：
S23：计算迭代运算过程中的权值为：
其中，
为一个尺度参数，α表示采样点在
周围的分布，即1>α>e-4；
一般取值为
β用来整合X先验估计，一般选取其值为2；Wi (m)和Wi (c)分别为计算第i个采样点的均值和协方差所用的加权因子；
S24：计算2n+1个采样点集的一步预测为：
Xi(k-1)＝f(Xi,k-1),i＝0,1,…2n (16)
S25：AUKF算法中的时间更新为：
S26：AUKF算法中的测量更新为：
S27：电池状态变量和协方差估计为：
S28：自适应性定律协方差匹配：
其中，Q(k)为模型噪声w(k)的协方差，R(k)为端电压测量v(k)的协方差。
现有技术中SOC能够准确的反映电池荷电状态，选择SOC作为唯一判别参数的控制算法的性能能够满足实际需要。然而，在电池放电处于低电量状态时电池压降会迅速增大，以大电流进行放电时，同时若电池并没有设置最低限制电压保护，会让电池长时间处于过放状态造成电池的损害。同样的，在电池放电处于高电量状态时电池压升增大，以大电流进行充电时，也容易让电池处于长时间过充而造成电池损坏。此外，电池的老化严重时，电池的极化效应和欧姆效应更为显著，也会导致电池在低电量状态时的压降和高电量的压升更为明显。
综上所述，为了防止仅仅利用SOC作为均衡控制算法的参数时对电池可能造成的过充和过放伤害。本发明拟采用基于SOC和端电压的均衡控制算法，将串联电池组的SOC的均值作为采用端电压或者SOC的均衡控制算法的依据。结合图3所测定的锂离子电池SOC-OCV特性曲线，如果SOC的均值在0.2-0.8之间时，采用基于SOC均衡控制算法；如果SOC的均值在0-0.2或者0.8-1之间时，采用基于端电压的均衡控制算法。
然而考虑到电池组不均衡状态多样性，本发明不将SOC均值作为选择算法的唯一判断依据。当电池组的出现带电量为一高多低不均衡状态时，如图4所示，尽管SOC的均衡处于0.2-0.8之间，但是有一节高带电量电池接近于满充状态，因此，为了避免一高多低不均衡状态中的高带电量电池过充，需要采用基于端电压的均衡控制算法。同理，当电池组出现带电量为一低多高不均衡状态时，如图5所示，为了防止低电量电池过放，同样需要采用基于端电压的均衡控制算法。
综上所示，本发明所采用的均衡控制具体流程如图1所示。图1中SOC和端电压均输入到自适应模糊神经网络。自适应模糊神经网络结合模糊逻辑控制和神经网络的优点，自适应能力强，容错性高，通过能调整隶属度函数参数和神经元间的权值；推理过程由神经元完成，速度更快；可利用专家经验，提高算法的可靠性。
实施例3
如图6所示，所述步骤S4中的神经网络包括：模糊化层、模糊规则强度释放层、规则强度归一化层、模糊规则输出层和输出层。
(一)所述模糊化层的输入量为2个，分别为SOC差值和SOC平均值，可以表示为：
其中，SOCi为均衡单元左侧m个单体电池中第i个电池的SOC值，SOCj为均衡单元右侧n个电池中第j个电池的SOC值，ΔSOC表示均衡单元左右两侧的SOC平均值的差值，SOCavg表示均衡单元两侧的SOC的平均值；
根据所选电池特性定义两个输入量的论域范围，并分别命名为A和B，其中基于SOC的模糊神经网络两个输入量ΔSOC的论域为[0,0.6]，SOCavg的论域为[0,1]；基于端电压的模糊神经网络两个输入量中ΔV为[0,1]，Vavg为[2.6,4.2]；考虑电池组的不均衡状态及电池特性，将两个输入量的论域分为5个模糊集合，分别为VS、S、M、L和VL，确定了每个输入量的隶属度函数个数；所述隶属度函数类型均为高斯函数，其表达如下：
其中，a为隶属度函数的中心，b为隶属度函数的宽度，a与b作为模糊神经网络的前件参数，通过数据库训练学习获得；
将输入量ΔSOC/ΔV和SOCavg/Vavg分别定义为x1和x2：得到第一层的输入输出表达式：
其中，μAi(x)为输入量x1的第i个隶属度函数，μBj(x)为数量x2的第j个隶属度函数。
(二)所述模糊规则强度释放层将第一层输入量的输出值两两相乘，得到第二层的输出值，因此由第一层的输出值可确定本层节点为25个，本层的输入输出表达式为:
其中，ωk代表其中一条模糊规则的激活强度。
(三)所述规则强度归一化层计算每一条模糊规则的激活强度的比重，其输出表达式为：
(四)所述模糊规则输出层用于计算每个模糊规则的输出，计算表达式如下：
其中，pk、qk和rk作为模糊神经网络的后件参数，通过训练获得。
(五)所述输出层用于计算输出的均衡电流值Ieq，计算表达式如下：
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种适用于均衡电路的电池能量均衡方法，其特征在于，包括以下步骤：
S1：采集均衡电路的电压和电流；
S2：建立二阶等效电路模型，利用AUKF算法对SOC进行估计；
S3：计算不同电池的SOC的差值，判断是否存在一低多高或一高多低的情况；
S4：建立神经网络，若存在所述步骤S3中叙述的情况，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S5：若不存在所述步骤S3中叙述的情况，则计算每个电池SOC之间的平均值，判断其是否处于0.2-0.8之间，若处于则将SOC作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；若未处于0.2-0.8之间，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；
S6：输出的均衡电流值达到均衡阈值则表明电池能量均衡。
2.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述步骤S2中的二阶等效电路模型利用2个RC网络分别对浓差极化效应和电化学极化效应进行描述，根据KCL和KVL定律，可以得到电路状态表达式，如下所示：
UO(t)＝ROI(t) (1)
其中，UO(t)为欧姆电压，Ue(t)为电化学极化电压，Ud(t)为浓差极化电压；
U(t)＝UOCV(t)+UO(t)+Ue(t)+Ud(t) (4)
其中，U(t)为电池端电压；
利用电流积分法得到电池SOC随时间变化的表达式：
其中，SOC0为初始SOC，QN为电池标准电容量，η为电池充放电效率；
将式(2)、(3)和(5)离散化，可得：
其中，τ为采样周期，τe＝ReCe，τd＝RdCd；
通过式(6)、(7)和(8)建立离散化的状态空间观测方程，如下所示：
其中，w(k-1)为模型的观测噪声；
模型的离散化状态输出方程如式(10)所示：
U(k)＝UOCV(k)+UO(k)+Ue(k)+Ud(k)+v(k-1) (10)
其中，v(k-1)为端电压的观测噪声。
3.如权利要求2所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述步骤S2中的AUKF算法首先构造采样点，状态向量X(k)由状态变量SOC(k)、Ue(k)和Ud(k)组成，其表达式如下：
X(k)＝[SOC(k) Ue(k) Ud(k)]T (11) 。
4.如权利要求3所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述步骤S2中利用AUKF算法对SOC进行估计的步骤为：
S21：对非线性***初始化：
S22：构造2n+1个采样点集并进行非线性转换：
S23：计算迭代运算过程中的权值为：
其中，
为一个尺度参数，α表示采样点在
周围的分布，即1>α>e-4；
一般取值为
β用来整合X先验估计，一般选取其值为2；
和
分别为计算第i个采样点的均值和协方差所用的加权因子；
S24：计算2n+1个采样点集的一步预测为：
Xi(k-1)＝f(Xi,k-1),i＝0,1,…2n (16)
S25：AUKF算法中的时间更新为：
S26：AUKF算法中的测量更新为：
S27：电池状态变量和协方差估计为：
S28：自适应性定律协方差匹配：
其中，Q(k)为模型噪声w(k)的协方差，R(k)为端电压测量v(k)的协方差。
5.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述步骤S4中的神经网络包括：模糊化层、模糊规则强度释放层、规则强度归一化层、模糊规则输出层和输出层。
6.如权利要求5所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊化层的输入量为2个，分别为SOC差值和SOC平均值，可以表示为：
其中，SOCi为均衡单元左侧m个单体电池中第i个电池的SOC值，SOCj为均衡单元右侧n个电池中第j个电池的SOC值，ΔSOC表示均衡单元左右两侧的SOC平均值的差值，SOCavg表示均衡单元两侧的SOC的平均值；
根据所选电池特性定义两个输入量的论域范围，并分别命名为A和B，其中基于SOC的模糊神经网络两个输入量ΔSOC的论域为[0,0.6]，SOCavg的论域为[0,1]；基于端电压的模糊神经网络两个输入量中ΔV为[0,1]，Vavg为[2.6,4.2]；考虑电池组的不均衡状态及电池特性，将两个输入量的论域分为5个模糊集合，分别为VS、S、M、L和VL，确定了每个输入量的隶属度函数个数；所述隶属度函数类型均为高斯函数，其表达如下：
其中，a为隶属度函数的中心，b为隶属度函数的宽度，a与b作为模糊神经网络的前件参数，通过数据库训练学习获得；
将输入量ΔSOC/ΔV和SOCavg/Vavg分别定义为x1和x2：得到第一层的输入输出表达式：
其中，
为输入量x1的第i个隶属度函数，
为数量x2的第j个隶属度函数。
7.如权利要求5所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊规则强度释放层将第一层输入量的输出值两两相乘，得到第二层的输出值，因此由第一层的输出值可确定本层节点为25个，本层的输入输出表达式为:
其中，ωk代表其中一条模糊规则的激活强度。
8.如权利要求5所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述规则强度归一化层计算每一条模糊规则的激活强度的比重，其输出表达式为：
9.如权利要求5所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊规则输出层用于计算每个模糊规则的输出，计算表达式如下：
其中，pk、qk和rk作为模糊神经网络的后件参数，通过训练获得。
10.如权利要求5所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述输出层用于计算输出的均衡电流值Ieq，计算表达式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065240.1A CN112234673B (zh) | 2020-09-30 | 2020-09-30 | 一种适用于均衡电路的电池能量均衡方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065240.1A CN112234673B (zh) | 2020-09-30 | 2020-09-30 | 一种适用于均衡电路的电池能量均衡方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112234673A true CN112234673A (zh) | 2021-01-15 |
| CN112234673B CN112234673B (zh) | 2022-04-22 |
Family
ID=74120609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011065240.1A Active CN112234673B (zh) | 2020-09-30 | 2020-09-30 | 一种适用于均衡电路的电池能量均衡方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112234673B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112952950A (zh) * | 2021-03-09 | 2021-06-11 | 石河子大学 | 一种基于反激式变换器的电池组均衡方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
| CN104617623A (zh) * | 2015-01-30 | 2015-05-13 | 武汉理工大学 | 一种电动汽车动力电池组均衡控制方法 |
| CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
| CN110395142A (zh) * | 2019-07-16 | 2019-11-01 | 奇瑞新能源汽车股份有限公司 | 一种自适应模糊神经网络电池均衡控制方法及其控制*** |
| CN111505506A (zh) * | 2020-05-15 | 2020-08-07 | 吉林大学 | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 |
-
2020
- 2020-09-30 CN CN202011065240.1A patent/CN112234673B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
| CN104617623A (zh) * | 2015-01-30 | 2015-05-13 | 武汉理工大学 | 一种电动汽车动力电池组均衡控制方法 |
| CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
| CN110395142A (zh) * | 2019-07-16 | 2019-11-01 | 奇瑞新能源汽车股份有限公司 | 一种自适应模糊神经网络电池均衡控制方法及其控制*** |
| CN111505506A (zh) * | 2020-05-15 | 2020-08-07 | 吉林大学 | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 |
Non-Patent Citations (3)
| Title |
|---|
| 尤森槟等: "动力电池状态估计及均衡电路的研究", 《电池》 * |
| 杨海学等: "基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计", 《电工电能新技术》 * |
| 石刚等: "基于无迹卡尔曼滤波估算电池SOC", 《计算机应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112952950A (zh) * | 2021-03-09 | 2021-06-11 | 石河子大学 | 一种基于反激式变换器的电池组均衡方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112234673B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Soft computing for battery state-of-charge (BSOC) estimation in battery string systems | |
| CN108983108B (zh) | 一种动力电池组峰值功率估计方法 | |
| CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| Yan et al. | Fuzzy control for battery equalization based on state of charge | |
| Azis et al. | State of charge (SoC) and state of health (SoH) estimation of lithium-ion battery using dual extended kalman filter based on polynomial battery model | |
| CN112464571B (zh) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 | |
| CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
| CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
| CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
| CN112622693A (zh) | 一种电池管理方法、装置及车辆 | |
| CN107769335A (zh) | 一种多模式锂电池智能充电管理方法及装置 | |
| CN113807039A (zh) | 一种串联型电池***的功率状态预测方法 | |
| CN111668894A (zh) | 基于充电与均衡组合优化的锂电池组快速充电控制方法 | |
| CN111079349B (zh) | 一种锂电池与超级电容复合电源***能量实时优化方法 | |
| CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
| CN106026292A (zh) | 一种基于a*算法的电池均衡控制方法和*** | |
| CN112234673B (zh) | 一种适用于均衡电路的电池能量均衡方法 | |
| Abbasi et al. | Joint optimization of electric vehicle fast charging and DC fast charging station | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| CN114301121A (zh) | 一种锂电池容量加强均衡维护方法 | |
| CN117799495A (zh) | 一种锂离子电池荷电状态估算与均衡控制方法 | |
| Gharavian et al. | ZEBRA battery SOC estimation using PSO-optimized hybrid neural model considering aging effect | |
| CN111762059A (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
| CN107255786A (zh) | 一种磷酸铁锂电池loc模型 | |
| Zhang et al. | State-of-charge estimation of li-ion batteries based on a hybrid model using nonlinear autoregressive exogenous neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |