CN114977410A - 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 - Google Patents
一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 Download PDFInfo
- Publication number
- CN114977410A CN114977410A CN202210643159.XA CN202210643159A CN114977410A CN 114977410 A CN114977410 A CN 114977410A CN 202210643159 A CN202210643159 A CN 202210643159A CN 114977410 A CN114977410 A CN 114977410A
- Authority
- CN
- China
- Prior art keywords
- soc
- clustering
- value
- battery
- fcm
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- 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)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于PSO‑GA‑FCM聚类的动力锂电池主动均衡控制策略及方法,其特征在于:包括以下步骤:首先,根据SOC‑OCV曲线查找各个锂电池单元的实时荷电状态SOC;在得到SOC值后,采用PSO和GA优化的FCM聚类算法对各个单体锂电池进行数据聚类优化分析,判断各单体锂电池的状态;最后通过单片机传递聚类结果,判断均衡状态,发送均衡命令,控制MOSFET管的导通和截止对各锂电池进行充电和放电均衡。本发明具有适用性,能解决离散电池组中电量不一致的问题,减小电池组内各单体电池间的能量差异,提高电池组SOC一致性。
Description
技术领域
本发明属于电池均衡技术领域,具体涉及一种基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法。
背景技术
锂电池主动均衡管理***:包括锂电池组、主控制单元、数据采集单元、RS485、CAN总线通讯模块、上位机及显示单元和均衡控制单元组成。由单片机计算均衡模块采集到的锂电池电压、电流、温度等参数,通过采集到的电池参数进行电池均衡控制,可实现对动力锂电池充放电过程中的均衡管理。
三元锂离子电池具有能量密度高、温度特性好、安全性高等优点,广泛应用于各类储能***中,但是电池单体电压等级、容量有限,为了满足储能***高电压、大功率的需求,需要将电池单体串、并联构成电池组。但是由于各单体电池所处温度场不均匀以及电池单体内阻、库伦效率等参数的不一致性,电池组在反复充电、放电过程中会出现电池单体剩余电量不一致的现象,限制了电池组整体的可用容量,为了解决电池剩余电量不一致的问题,需要使用电池管理***进行电池充放电控制。
电池管理***是电池与用户之间沟通的纽带,它的主要面对对象是磷酸铁锂电池或三元锂电池,主要是为了提升电池的利用率,增加电池的使用寿命,防止出现电池过度充电和过度放电的现象,可用于电动汽车、水下潜器、机器人、无人机等。
为了应对锂电池组中的不一致问题,通常会在电池管理***BMS中集成均衡技术,均衡技术一般指为避免或减小电池组不一致性问题导致的电池组容量利用率、输出功率以及使用寿命等方面的不利影响而引入的专门技术手段。当前均衡技术已经成为了电池管理***BMS中关键技术,高效的均衡措施可以提升整个电池的有效使用容量,延长电池的使用寿命。当前对均衡技术的研究主要从均衡控制策略和均衡电路拓扑结构设计两个方面展开。对于电池组均衡策略的研究集中于建立电池组内各个单体电池不一致性的评价指标,并以此为依据提出有效的均衡控制方法;而均衡电路拓扑设计聚焦在效率高,控制结构简单,成本相对较低的均衡电路结构的设计和改进。
均衡控制策略需要研究的问题是:均衡变量的选取以及均衡起止时间的控制,现有技术中大多数采用的是基于电压一致性、基于容量一致性以及基于电池荷电状态(Stateof Charge,SOC)作为均衡变量进行研究,以SOC作为均衡变量可以取得更好的均衡效果,***也宜于控制,能够更好的反应锂电池组的真实状态,基于SOC一致性的均衡策略是设置SOC阙值,对大于阙值的电池进行放电,小于阙值的电池进行充电管理,由于SOC阙值是基于锂电池本身的OCV-SOC曲线特性的,存在均衡精度和估算不准确的问题,当电池发生老化或者电压测量不准确会直接影响估算,导致不必要的均衡和开关损耗的问题,传统的FCM算法需要人为确定初始聚类中心和聚类数目,具有很大主观性和不确定性,并且算法容易陷入局部极值。
因此,本发明提出了一种基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法,实现电池组中各单体电池SOC一致性和电池组均衡控制。
发明内容
针对上述背景内容中现有技术存在的不足,本发明一种基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法,能解决离散电池组电量不一致的问题,且能够减小电池组内电池单体间的能量差异,从而提高电池组的一致性。
为实现以上目的,本发明所采用的技术方案其特征在于包括以下步骤:
采用改进的PSO-GA-FCM算法对样本数据进行聚类,算法步骤如下。
步骤S101:给定类别数c,模糊指数m,群体规模N,学习因子C1,C2,交叉概率Pc,变异概率Pm,惯性权重ω,阙值ε,最大迭代次数T。
步骤S102:电池SOC反映了当前电池所剩容量的使用情况,定义为当前剩余容量与电池充满电时存储容量的比值,如公式(1)所示,根据锂电池组特性的SOC-OCV曲线利用查表法准确的计算在实时工况下电池的SOC值,根据公式(2)将n节锂电池按照SOC的大小排序,将SOC最大值的数据定义为类1的中心μ1,将SOC最大值以及SOC最小值的算术平均值的数据定义为类2的中心μ2,将SOC最小值的数值定义为类3的中心μ3。
步骤S103:初始设定的三个初始聚类中心μ1,μ2,μ3,形成三个第一代例子,每个粒子的当前位置为其Pbesti,当前种群所有粒子中的最好位置为gbest,用式(3)计算适应度值,群体中最适应度个体为所有粒子中适应度值最大的粒子。
式中:k为常数,j(U,V)为FCM的目标函数,j(U,V)越小就代表聚类效果越好,则粒子适应度f(xi)就越高。
步骤S104:用公式(4)和公式(5)对每个粒子进行速度和位置更新,依据交叉概率Pc,变异概率Pm,进行选择、交叉和变异操作,产生下一代的粒子群。
V(i+1)d=ωVid+c1rand1(Pid-xid)+c2rand2(Pgd-xgd) (4)
X(i+1)d=Xid+V(i+1)d (5)
式中,ω为惯性权重,通常是从0.9线性减小到0.2,c1和c2为加速常数,V(i+1)d对应粒子的速度,X(i+1)d对应粒子的位置,rand1和rand2为两个在[0,1]范围内变化的随机函数。
步骤S105:用公式(3)计算新粒子群中每个个体的适应度值,先与个体上一代比较,若大于上一代适应度值,则取代上一代个体成为Pbesti,且适应度值为个体最有适应度值,否则保持原样。
步骤S106:再与群体最优个体适应度比较,若大于群体最优个体适应度值,则用该个体替代全局最优个体gbest,其适应度值为此时群体最有适应度值,否则群体最优和群体最有适应度值保持原样。
步骤S107:迭代次数T=T+1。
步骤S108:当算法达到进化的最大迭代次数或设定的阙值ε,即种群的适应度没有改进时,算法停止,否则,跳转到步骤S104。
步骤S109:产生适应度最好的种群及适应度最好的初始聚类中心。
步骤S110:在FCM中输入产生的初始聚类中心进行数据分类。
步骤S111:输出聚类结果。
所述采用FCM算法的步骤如下所示。
步骤S201:FCM将每一个数据标准集中的数据隶属于每一个聚类中心的程度模糊为一个0到1的值,主要是根据待聚类数据对C个聚类中心的隶属度大小来划分样本的。FCM的聚类模型如式(6)所示:
步骤S202:式中,xi为第i个待聚类数据:vk为第k个聚类中心;uki为第i个待聚类数据xi归属于第k个聚类中心得模糊隶属度;m为模糊指数,m∈[1,∞],其值既能影响FCM得聚类性能,又能衡量FCM算法的模糊程度。U为uki组成的模糊隶属度矩阵,又称划分矩阵;V为C个聚类中心vk组成的矩阵。
步骤S203:将上式变换为带约束的优化问题,将模型变为式(7)所示:
步骤S204:因此,FCM问题就转化为带拉格朗日乘子λ的条件极值问题,分别对聚类中心vk和模糊隶属度uki求偏导,得到两者的更新迭代规则为式(8)所示:
所述采用的判断锂电池均衡操作的步骤如下所示:
步骤S301:利用公式(9)来计算电池组的极差ΔSOC。
ΔSOC=max(SOC[i])-min(SOC[j]) (9)
公式中i、j为电池编号,SOC[i]表示编号为i的电池的SOC值。
步骤S302:当ΔSOC结果小于设定的阙值时,结束,等待下一次单体电池SOC估算值,否则进行下一步的均衡操作;
步骤S303:根据步骤S111输出的聚类结果进行判断,对单体电池SOC低于第一个聚类中心的单体锂电池进行充电均衡,对SOC高于第二个聚类中心的单体锂电池进行放电均衡。
均衡模块,用于根据本小电池组内的次级MCU的控制对需要进行均衡的电池进行均衡。
优选的,所述均衡模块采用双向反激式变压器。
优选的,双向反激式变压器采用LTC3300-1芯片。
本发明具有如下有益效果:
(1)参数适应性强,调参容易,便于操作;
(2)本发明基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法,相比于传统的电池SOC均衡,拥有更快的均衡速度和对电池容量有了更好的提升
附图说明
图1是本发明优化FCM算法流程图
图2是本发明FCM聚类分析流程图
图3是本发明聚类均衡流程图
图4是本发明主动均衡单元电路原理图
图5是本发明均衡控制图
图6是本发明SOC均衡效果示意图
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明,提供了一种基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法,包括如下步骤:
S1、根据公式(1)将n节锂电池按照SOC大小排序。将SOC最大值的数据定义为类1的中心μ1,将SOC最大值以及SOC最小值的算术平均值的数据定义为类2的中心μ2,将SOC最小值的数值定义为类3的中心μ3,SOC计算方法采用安时积分法计算,如式(2)所示,先根据锂电池组特性SOC-OCV曲线查表得到n个锂电池单元的实时荷电状态SOCn;
S2、初始设定的三个初始聚类中心μ1,μ2,μ3,形成三个第一代例子,每个粒子的当前位置为其Pbesti,当前种群所有粒子中的最好位置为gbest,用式(3)计算适应度值,群体中最适应度个体为所有粒子中适应度值最大的粒子。
式中:k为常数,j(U,V)为FCM的目标函数。j(U,V)越小就代表聚类效果越好,则粒子适应度f(xi)就越高。
S3、用公式(4)和公式(5)对每个粒子进行速度和位置更新,依据交叉概率Pc,变异概率Pm,进行选择、交叉和变异操作,产生下一代的粒子群。
V(i+1)d=ωVid+c1rand1(Pid-xid)+c2rand2(Pgd-xgd) (4)
X(i+1)d=Xid+V(i+1)d (5)
式中,ω为惯性权重,通常是从0.9线性减小到0.2,c1和c2为加速常数,rand1和rand2为两个在[0,1]范围内变化的随机函数。
S4、用公式(3)计算新粒子群中每个个体的适应度值,先与个体上一代比较,若大于上一代适应度值,则取代上一代个体成为Pbesti,且适应度值为个体最有适应度值,否则保持原样,在与群体最优个体适应度比较,若大于群体最优个体适应度值,则用该个体替代全局最优个体gbest,其适应度值为此时群体最有适应度值,否则群体最优和群体最有适应度值保持原样(优化FCM部分流程如图1所示)。当算法达到进化的最大迭代次数或设定的阙值ε,即种群的适应度没有改进时,算法停止,否则,跳转到步骤S3。
S5、产生适应度最好的种群,及适应度最好的初始聚类中心。
S6、根据产生的最优的初始聚类中心使用FCM算法对SOC进行聚类分析(FCM聚类分析流程图如图2所示)。
S7、FCM将每一个数据标准集中的数据隶属于每一个聚类中心的程度模糊为一个0到1的值,主要是根据待聚类数据对C个聚类中心的隶属度大小来划分样本的。FCM的聚类模型如式(6)所示:
S8、式中,xi为第i个待聚类数据:vk为第k个聚类中心;uki为第i个待聚类数据xi归属于第k个聚类中心得模糊隶属度;m为模糊指数,m∈[1,∞],其值即能影响FCM得聚类性能,又能衡量FCM算法的模糊程度。U为uki组成的模糊隶属度矩阵,又称划分矩阵;V为C个聚类中心vk组成的矩阵。
S9、将上式变换为带约束的优化问题,将模型变为式(7)所示:
S10、因此,FCM问题就转化为带拉格朗日乘子λ的条件极值问题,分别对聚类中心vk和模糊隶属度uki求偏导,得到两者的更新迭代规则为式(8)所示:
S7、如图3所示为聚类均衡流程图,根据步骤S6输出的聚类结果进行判断,对单体电池SOC低于第一个聚类中心的单体锂电池进行充电均衡,对SOC高于第二个聚类中心的单体锂电池进行放电均衡。
主动单元均衡电路原理:主动单元均衡电路如图4所示,其中Cn、Cn-1、Cm、Cm-1分别表示第n、第n-1、第m、第m-1节电池,BOOT表示6节串联电池的顶端(第6节电池的正极),V-表示6节串联电池的末端(第1节电池的负极),Tn、Tm表示反激式变压器。GnP、CmP、InP、ImP、GnS、CmS、InS、ImS分别连接LTC3300的GnP、CmP、InP、ImP、GnS、CmS、InS、ImS引脚。Sn1、Sn2、Sm1、Sm2均为MOSFET开关管。
如果第Cn节电池电压过高,需要均衡,主控模块单元向LTC3300-1发送均衡控制命令,LTC3300-1的GnP引脚变为高电平,Sn1导通,电流流过变压器Tn原边对电池Cn放电,InP引脚检测流过的电流,当电流达到峰值10A时,均衡完成,主控模块单元向LTC3300-1发送停止均衡命令,GnP引脚变为低电平,n1关断。主控模块单元向LTC3300-1发送均衡控制命令,LTC3300-1的GmS引脚输出高电平,Tm的Sm2导通,Sm2与Sn2形成回路,电流流过变压器Tm的副边,ImS引脚检测流过的电流,当电流达到峰值10A时,主控模块单元向LTC3300-1发送停止均衡命令,GmS引脚变为低电平,Sm2关断。主控模块单元向LTC3300-1发送均衡控制命令,LTC3300-1的GmP引脚变为高电平,电流流过Tm的原边,对电池Cm进行充电,ImP引脚检测流过的电流,当电流达到峰值10A时,主控模块单元向LTC3300-1发送停止均衡命令,GmP引脚变为低电平,Sm2关断,均衡完成。如此循环多次,就可以实现对串联6节电池主动均衡。
总体均衡控制原理:总体的均衡控制流程如图5所示,均衡控制主要是由遗传算法、粒子群和FCM聚类组成。单片机先获取AD采样的数据和电池采集芯片采集的电池数据,通过这些数据计算出各个电池单元的初始荷电状态,然后在单片机内部通过基于粒子群和遗传算法优化的FCM聚类算法,将N个电池单元分成三个类别,将类别关系保存输出。均衡芯片LTC3300-2根据单片机下达的均衡命令,控制各个电池组的开关状态,从而实现均衡控制。同时在开关控制过程中,可能存在电池单体电压超过阙值(4.17V),单片机通过AD采样的数据,判断是否开启主动均衡,当电压超过阙值时,单片机给主动均衡驱动单元信号,驱动相应的电池开关状态。当超过阙值的单体电压小于等于对应电池单元的电池电压平均值时停止均衡。
仿真结果如图6所示,图6为6节串联电池不同SOC状态下的主动均衡效果示意图,图中可以看出,最小SOC值的电池优先进行充电,其余电池进行放电,当所有电池SOC值趋于相同状态时,对各个电池进行整体充电,从图中可以看出,该方法下各电池充电时间短,充电速度快。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种基于PSO-GA-FCM聚类的动力锂电池主动均衡控制策略及方法,其特征在于:包括以下步骤:
S1、电池SOC反映了当前电池所剩容量的使用情况,定义为当前剩余容量与电池充满电时存储容量的比值,如公式(1)所示:
根据锂电池组特性的SOC-OCV曲线利用查表法准确的计算在实时工况下电池的SOC值;
S2、对查表法计算得到的各个电池的SOC值按照大小进行排序,按照式(2)设置SOC最大值、最小值和算数平均值作为初始的聚类算法的聚类中心;
S3、采用GA和PSO对设置好的粒子中心进行寻优,使用式(3)计算适应度值,群体中最适应度个体为所有粒子中适应度最大的粒子;
式中:k为常数;j(U,V)为FCM的目标函数。j(U,V)越小代表聚类效果越好,则粒子适应度f(xi)就越高;
S4、PSO算法的解对应于所求问题的解空间的一个粒子,每一个粒子都有对应的速度和位置以及由目标函数决定的适应度值,粒子在解空间中的每次迭代都是以当前找到的较好解为依据寻找下一个解,第i个粒子表示为xi=(xi1,xi2,…,xid),它经历过的最好位置记为Pi=(Pi1,Pi2,…,Pid),也称为Pbesti,粒子i的速度用Vi=(Vi1,Vi2,…,Vid)表示,对每一代粒子,其在第d维的速度和位置根据如下方程变化:
V(i+1)d=ωVid+c1rand1(Pid-xid)+c2rand2(Pgd-xgd) (4)
X(i+1)d=Xid+V(i+1)d (5)
式中:ω为惯性权重,通常是从0.9线性减小到0.2,c1和c2为加速常数,rand1和rand2为两个在[0,1]范围内变化的随机函数;
用式(4)和式(5)对每个粒子进行速度和位置更新,依据交叉概率Pc,变异概率Pm,进行选择、交叉和变异操作,产生下一代的粒子群;
S6、得到适应度最好的种群及适应度最好的初始聚类中心,在FCM中输入产生的输出聚类中心进行数据分类,FCM将每一个数据标准集中的数据隶属于每一个聚类中心的程度模糊为一个0到1的值,主要是根据待聚类数据对C个聚类中心的隶属度大小来划分样本的。FCM的聚类模型如式(6)所示:
式中:xi为第i个待聚类数据:vk为第k个聚类中心;uki为第i个待聚类数据xi归属于第k个聚类中心得模糊隶属度;m为模糊指数,m∈[1,∞],其值即能影响FCM得聚类性能,又能衡量FCM算法的模糊程度,U为uki组成的模糊隶属度矩阵,又称划分矩阵;V为C个聚类中心vk组成的矩阵;
将上式变换为带约束的优化问题,将模型变为式(7)所示:
因此,FCM问题就转化为带拉格朗日乘子λ的条件极值问题,分别对聚类中心vk和模糊隶属度uki求偏导,得到两者的更新迭代规则为式(8)所示:
S7、根据输出的聚类结果传递给单片机控制芯片,单片机向主动均衡控制芯片LTC3300-1发送均衡控制命令;
S8、单片机根据均衡控制命令控制主动均衡电路中各MOSFET管的导通和截止来进行单体锂电池的充电和放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643159.XA CN114977410A (zh) | 2022-06-09 | 2022-06-09 | 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643159.XA CN114977410A (zh) | 2022-06-09 | 2022-06-09 | 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114977410A true CN114977410A (zh) | 2022-08-30 |
Family
ID=82961129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643159.XA Pending CN114977410A (zh) | 2022-06-09 | 2022-06-09 | 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114977410A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810570A (zh) * | 2024-02-29 | 2024-04-02 | 佛山隆深机器人有限公司 | 一种废旧锂电池的回收放电控制方法及相关装置 |
-
2022
- 2022-06-09 CN CN202210643159.XA patent/CN114977410A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810570A (zh) * | 2024-02-29 | 2024-04-02 | 佛山隆深机器人有限公司 | 一种废旧锂电池的回收放电控制方法及相关装置 |
CN117810570B (zh) * | 2024-02-29 | 2024-05-17 | 佛山隆深机器人有限公司 | 一种废旧锂电池的回收放电控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Turksoy et al. | A comprehensive overview of the dc-dc converter-based battery charge balancing methods in electric vehicles | |
CN110525269B (zh) | Soc的电池组均衡控制方法 | |
CN108983108B (zh) | 一种动力电池组峰值功率估计方法 | |
CN110635187B (zh) | 一种考虑老化的锂电池充电方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN110247451B (zh) | 一种锂离子动力电池组全寿命周期均衡控制方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
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 | |
CN112152280B (zh) | 一种动力电池多变量均衡控制方法 | |
CN110303945B (zh) | 一种蓄电池组电量自适应优化平衡控制方法 | |
CN112434463B (zh) | 一种车辆复合电源能量管理*** | |
CN109031147B (zh) | 一种磷酸铁锂电池组的soc估算方法 | |
CN115906613A (zh) | 一种基于粒子群和自适应模糊神经网络的电池组均衡方法 | |
CN108365281A (zh) | 一种bms电池管理***的容量均衡健康管理方法 | |
CN111967194A (zh) | 一种基于云端历史数据的电池分类方法 | |
CN113807039A (zh) | 一种串联型电池***的功率状态预测方法 | |
Sun et al. | Development of an optimized algorithm for bidirectional equalization in lithium-ion batteries | |
Salamati et al. | Leveraging adaptive model predictive controller for active cell balancing in Li-ion battery | |
CN114977410A (zh) | 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 | |
CN106026292A (zh) | 一种基于a*算法的电池均衡控制方法和*** | |
Wang et al. | Research on multi-parameter evaluation of electric vehicle power battery consistency based on principal component analysis | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Geng et al. | SOC Prediction of power lithium battery using BP neural network theory based on keras | |
CN109884529A (zh) | 一种混合动力汽车动力电池剩余电量计算方法 | |
CN112152286A (zh) | 一种串联锂离子电容器***的主动均衡装置及方法 |
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 |