CN116826893A - 一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法 - Google Patents

Abstract

本发明公开了一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，对电池包内的多个电池模块和电池模块内的多个电池单体进行电量均衡控制，步骤包括采集电压和电流，利用SOC估计模块得到SOC值；判断是否需要均衡；采用环形均衡电路，利用蚁群算法优化转移能量路径，获得最佳转移能量路径；利用双模糊逻辑控制器调节均衡电流；本申请采用电池单体和电池模块分层环形均衡电路，环形均衡电路的模块化设计，减小了电路的尺寸和复杂度，为电池包维修提供了便利；利用蚁群算法对电池单体或电池模块间转移能量的路径的进行优化，减小了转移过程中的能量损耗；采用双模糊逻辑控制器调节电池单体或电池模块间的均衡电流，而实现对均衡电流的精准控制。

Description

一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法

技术领域

本发明涉及锂电池管理技术领域，尤其涉及一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法。

背景技术

锂电池因为具有能量密度高、使用寿命长、绿色环保等优点，在电动汽车中得到了广泛的应用。但是由于电池包中的“木桶效应”，电池包能够充放的总能量取决于容量最小的电池，为了提高电池包的能量利用率，需要对电池包中的电池进行均衡。

锂电池的均衡分为均衡电路和均衡算法两部分。根据均衡电路可以分为主动均衡和被动均衡两种方式，被动均衡是一种能量消耗型均衡方式，通过电阻消耗电池多余的能量，易于实现，但是不仅能量利用率低而且转化的热能过多时可能会引发电池的***；主动均衡是将能量从能量高的电池转移到能量低的电池，能量利用率高且散发的热能少，但是应用于大型电池组时，均衡电路的尺寸太大，不便于维修，而且对控制器的性能要求太高。

现有的均衡控制方法常采用电压或SOC值作为均衡变量。当采用电压作为均衡变量时，电压的采集比较容易，采样实时性也比较好，但电池的电压波动大，导致均衡的控制精度差，过均衡现象明显。当采用电池SOC值作为均衡变量时，SOC值是电池电压、内阻、温度等参数的综合表征，可以准确反映***的不一致性，具有更高的控制精度，但是SOC值的估计比较复杂。现有的均衡控制算法常采用均值差分算法，该算法对相邻的两个电池进行能量比较，能量高的电池放电，能量低的电池充电。均值差分算法逻辑简单、容易实现，但是能量利用率低、均衡速度慢。

文献为CN115693843A的专利文献公开一种串联电池组模块化分层均衡控制方法，包括如下步骤：将串联电池组模块化，电池组包括串联的多个电池单体或电池模块，把电池组模块化分为底层模块和顶层模块，多个串联电池单体或电池模块作为一个底层模块，多个底层模块组成一个顶层模块；对底层模块和顶层模块分别设计均衡单元进行均衡。

该文献方案对串联电池组进行模块化，在模块内部和模块之间使用，方案中底层模块与顶层模块的均衡控制是相互独立的，它们的均衡可以同时进行，从而加快了均衡的速度；对于电池数目较多的串联电池组该均衡策略适用性较强，模块化有利于电路结构上的扩展。现有的均衡方法存在问题有：1.采用主动均衡的方式对大型电池组进行均衡时，均衡电路的尺寸太大，不便于维修，而且对控制器的性能要求太高；2.对锂电池进行均衡时，不能很好的对电池间转移能量的路径进行规划，也无法精确控制电池间的均衡电流，因此会产生过均衡、能量利用率低和均衡速度慢等问题。

发明内容

本发明的目的在于提供一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，解决现有技术中存在的均衡电路尺寸大、控制器的性能要求高、能量利用率低、均衡速度慢等问题，利用蚁群算法优化能量均衡路径、利用双模糊逻辑控制器调节均衡电流的分层均衡控制，具有易于实现、能量利用率高和均衡速度快等优点。

本发明的目的可以通过以下技术方案实现：一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，用于对电池模块内的多个电池单体进行电量均衡控制，包括以下步骤：

步骤S1:通过传感器采集电池单体的电压和电流，利用SOC估计模块得到各电池单体SOC值；

步骤S2:根据各电池单体SOC值计算电池模块内电池单体平均值和电池单体差值；

步骤S3:判断电池单体是否需要均衡；

步骤S4:电池单体间采用环形均衡电路，利用蚁群算法优化选择电池单体间转移能量路径，获得最佳转移能量路径；

步骤S5:利用双模糊逻辑控制器调节电池单体间的均衡电流；

步骤S6：判断是否结束均衡，需要继续均衡的电池单体返回步骤3继续进行均衡。

进一步地：所述步骤S1中的传感器包括电压传感器和电流传感器；所述电压传感器采集各电池单体的电压，并将采集到的电压输入到SOC估计模块；所述电流传感器采集各电池单体的电流，并将采集到的电流输入到SOC估计模块。

进一步地：所述步骤S1中的SOC估计模块采用RC等效电路模型，该电路模型的方程为:

V_t(t)＝V_OC(t)-V_D(t)-R·I(t)

其中状态变量x(t)＝[SOC(t)，V_D(t)]^T,时间常数τ_D＝R_DC_D，R_D为电池单体的极化内阻、C_D为极化电容、V_D为极化电压、R为欧姆内阻、I为电流、V_OC为开路电压、V_t为输出电压、Q_N为额定容量、SOC值为荷电状态；

将传感器采集到的电压和电流值输入到上述RC等效电路模型方程中，估计出各电池单体SOC值。

进一步地：所述步骤S3中判断电池单体是否需要均衡条件为：

当电池模块中电池单体差值大于均衡开始阈值时，则电池单体间开始均衡；所述电池单体差值为电池模块中电池单体的SOC最大值与SOC最小值之差。

进一步地：所述步骤S4中环形均衡电路包括电池单体i与电池单体i+1的环形均衡电路、电池单体1与电池单体n的环形均衡电路；

所述电池单体i与电池单体i+1的环形均衡电路结构为：

电池单体i的正极连接二极管D_{i_a}和场效应管Q_{i_a}的一端，所述二极管D_{i_a}和场效应管Q_{i_a}并联后连接电阻R_i和电感L_i的一端和二极管D_{i_b}和场效应管Q_{i_b}的一端，所述电阻R_i和电感L_i并联后连接电池单体i的负极、电池单体i+1的正极，所述二极管D_{i_b}和场效应管Q_{i_b}并联后连接电池单体i+1的负极；

所述电池单体1与电池单体n的环形均衡电路结构为：

电池单体n的正极与二极管D_{n_d}和场效应管Q_{n_d}相连，二极管D_{n_d}和场效应管Q_{n_d}并联连接电阻R_n和电感L_n，电阻R_n和电感L_n并联连接连接二极管D_{n_b}、场效应管Q_{n_b}和二极管D_{n_a}、场效应管Q_{n_a}，二极管D_{n_b}、场效应管Q_{n_b}并联后连接电池单体n的负极，二极管D_{n_a}、场效应管Q_{n_a}并联后连接电池单体1的正极；

电池单体1的负极连接二极管D_{n_c}、场效应管Q_{n_c}，所述二极管D_{n_c}、场效应管Q_{n_c}并联后连接电阻R_n、电感L_n和二极管D_{n_d}和场效应管Q_{n_d}，电池单体1的正极连接二极管D_{n_a}、场效应管Q_{n_a}，所述二极管D_{n_a}、场效应管Q_{n_a}并联后连接电阻R_n、电感L_n和二极管D_{n_b}、场效应管Q_{n_b}。

进一步地：所述步骤S3中电池单体间沿转移能量路径总的转移能量为：

P_SUM＝|P₁|+|P₂|+…+|P_n|

其中

A_i为转移能量路径上电池单体i的SOC值与电池模块内电池单体平均值的差值；P_i为电池单体i需要转移的能量；

P_SUM值最小时，获得最佳转移能量路径。

进一步地：所述步骤S4中利用蚁群算法获得最佳转移能量路径包括以下步骤：

S41、设置蚁群算法的参数；

蚂蚁的位置范围为{Xmin，Xmax}，其中Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值；

蚂蚁位置对应的适应度值为总的转移能量P_SUM的值；

蚂蚁位置对应着P₁的值；

蚂蚁的个数为m，最大迭代个数为G，信息素蒸发系数为R_h0，转移概率常数为P₀，局部搜索步长为step；

蚂蚁i在第j个迭代周期的位置表示为X_ij，其中0<i≤m、0<j≤G(i、m、j、G为正整数)；

蚂蚁i在第j个迭代周期对应的适应度值和信息素值分别为F_ij和Tau_ij，m个蚂蚁在第j个迭代周期的最小信息素值为Tau_j、最小适应度值为F_j，信息素值Tau_j对应的蚂蚁位置为X_j，所有迭代周期中的最小信息素值为Tau_best,信息素值Tau_best对应的蚂蚁位置为X_best；

S42、对蚁群算法进行初始化；

蚂蚁i在第j个迭代周期的位置X_ij的初始化方程为：

X_ij＝(Xmin+(Xmax-Xmin)*rand)

其中rand为0-1之间的随机数，Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值；

蚂蚁i在第j个迭代周期的信息素值Tau_ij的初始值为当前迭代周期的适应度值F_ij，最小信息素值Tau_j的初始值为m个蚂蚁初始位置对应的最小适应度值F_j，X_j的初始值为Tau_j初始值对应的蚂蚁位置；

S43、蚁群算法的迭代；

计算状态转移概率P_ij：

P_ij＝(Tau_j-Tau_ij)/Tau_j

将状态转移概率P_ij和转移概率常数P₀进行比较，当P_ij小于等于P₀时进行局部搜索，当P_ij大于P₀时进行全局搜索；

局部搜索公式为：

temp＝X_ij+(2*rand-1)*step*lamda

其中temp为局部搜索到的蚂蚁位置，rand为0-1之间的随机数，step为局部搜索步长，lamda为调整因子在这里取迭代周期j的倒数；

全局搜索公式为：

temp＝X_ij+(Xmax-Xmin)*(rand-0.5)

其中rand为0-1之间的随机数；此时temp为全局搜索到的蚂蚁位置；

根据temp值判断蚂蚁的位置是否在位置范围{Xmin，Xmax}内，如果不在则temp值取相应的边界值，如果在则temp值保持不变；

将temp值和X_ij对应的适应度值F_ij进行比较，如果temp小于F_ij则蚂蚁移动到新位置，进行蚂蚁位置更新，如果temp大于等于F_ij则蚂蚁位置保持不变；

更新蚂蚁移动路径上的信息素，更新方程为：

Tau_ij＝(1-R_h0)*Tau_ij+F_ij

其中R_h0为信息素蒸发系数，F_ij为适应度值；

在一个迭代周期j中，比较m个蚂蚁对应的信息素值Tau_ij，最小的信息素值Tau_j对应的蚂蚁位置X_j为这个迭代周期的最佳位置，对Tau_j和X_j的值进行更新；不断迭代S43，得到m个蚂蚁在G个迭代周期的最小信息素值Tau_best，最小信息素值Tau_best对应的蚂蚁位置X_best即为P_SUM值最小时能量转移路径中P₁的值，根据P₁可以得到P_i的值。

进一步地：

所述步骤S5中双模糊逻辑控制器包括模糊逻辑控制器一和模糊逻辑控制器二；

所述模糊逻辑控制器一包括两个输入变量电池单体间的平均值SOC_ave和差值SOC_dif，所述模糊逻辑控制器一根据电池单体间的平均值SOC_ave和差值SOC_dif获得输出变量均衡电流I_equ；

所述模糊逻辑控制器一电池单体间的平均值SOC_ave和差值SOC_dif的模糊子集分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级；

所述模糊逻辑控制器一电池单体间的平均值SOC_ave和差值SOC_dif和均衡电流I_equ的论域范围分别为[0,1]、[0,0.5b]、[0,5]，其中b为伸缩因子；

所述模糊逻辑控制器二包括两个输入变量电池单体间的平均值SOC_ave和差值SOC_dif，所述模糊逻辑控制器二根据电池单体间的平均值SOC_ave和差值SOC_dif获得输出伸缩因子b；

所述模糊逻辑控制器二电池单体间的平均值SOC_ave和差值SOC_dif的模糊子集分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级；

模糊逻辑控制器二电池单体间的平均值SOC_ave和差值SOC_dif和b的论域范围分别为[0,1]、[0,0.5]、[0,1]。

进一步地：所述电池单体间的平均值SOC_ave和差值SOC_dif为:

SOC_ave＝(SOC_i+SOC_i+1)/2

SOC_dif＝|SOC_i-SOC_i+1

对于n个电池单体，SOC_i值是第i个电池单体的SOC值；

对于n个电池模块，SOC_i值是第i个电池模块的SOC值；

其中0<i<n(i、n为正整数)。

进一步地：所述均衡控制方法适用于对一个电池包内的多个电池模块进行电量均衡控制。

本发明的有益效果：

1.本申请电量均衡方法适用于电池单体和电池模块，电池单体和电池模块分层环形均衡电路，环形均衡电路的模块化设计，减小了电路的尺寸和复杂度，提高了电池包***的模块化特性，方便电池包增减电池，也方便电池模块增减电池单体，同时也为电池包维修提供了便利。

2.本申请电量均衡方法利用蚁群算法对电池单体或电池模块间转移能量的路径的进行优化，规划了初值到目标值的最佳能量转移路径，减小了转移过程中的能量损耗。

3.本申请电量均衡方法采用双模糊逻辑控制器调节电池单体或电池模块间的均衡电流，随着均衡的进行，电池单体或电池模块间差值变小，固定的论域范围不能很好的反映电池单体或电池模块间差值的变化，利用双模糊逻辑控制器可以根据电池单体或电池模块间差值的大小动态调整论域的范围，从而实现对均衡电流的精准控制，节约均衡的时间。

4.本申请所提供的均衡控制方法既适用于电池模块间也适用于电池单体间电量均衡控制控制，实现对电池模块和电池单体进行分层的电量均衡控制，对电池单体间和电池模块间分层均衡电路有利于分层设置控制器，模块控制器对模块内的电池单体或电池模块均衡，模块控制器所要控制的对象数目大大减小，降低了对控制器的性能要求。

5.本申请采用SOC值作为均衡变量，SOC值为电压、内阻、温度等参数的综合表征，可以准确反映***的不一致性，具有较高的控制精度。

附图说明

图1为本发明一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法的流程示意图；

图2为本发明锂电池RC等效电路模型的结构示意图；

图3为本发明环形均衡电路的示意图；

图4为本发明电池单体或电池模块能量转移路径的示意图；

图5为本发明蚁群算法优化能量转移路径的流程示意图；

图6为本发明双模糊逻辑控制器的结构示意图；

图7为本发明实施例中均衡路径优化的适应度进化曲线图；

图8为本发明实施例中电池SOC值均衡过程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中表示，其中自始至终相同或类似的符号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解对本发明的限制。

本发明可以用于新能源车的电池包制，方便对整个电池包进行电量均衡控制，电池包的组成一般为，一个电池包包括多个电池模块，每个电池模块内包括多个电池单体，本发明的电量均衡控制方法对电池包内的电池模块和电池模块内的电池单体进行分层电量均衡控制；所提供的方法既适用于电池模块间也适用于电池单体间电量均衡控制控制。

如图1-8所示，下面以对电池单体进行电量均衡控制方法进行说明：本发明公开一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，包括以下步骤：用于对电池模块内的多个电池单体进行电量均衡控制，包括以下步骤：

步骤S1:通过传感器采集电池单体的电压和电流，利用SOC估计模块得到各电池单体SOC值；

步骤S2:根据各电池单体SOC值计算电池模块内电池单体平均值和电池单体差值；

步骤S3:判断电池单体是否需要均衡；

步骤S4:电池单体间采用环形均衡电路，利用蚁群算法优化选择电池单体间转移能量路径，获得最佳转移能量路径；

步骤S5:利用双模糊逻辑控制器调节电池单体间的均衡电流；

步骤S6:根据电池单体差值和预设均衡结束阈值判断是否结束均衡，需要继续均衡的电池单体返回步骤3继续进行均衡。

当上述均衡控制方法用于对电池包内电池模块进行电量均衡控制时，其方法与对电池模块内电池单体的均衡控制方法基本相同，可以表述为以下步骤：

步骤S11:根据单电池模块内各电池单体SOC值计算电池模块内电池单体平均值，电池模块内电池单体平均值即为电池模块SOC值；

步骤S12:根据电池模块SOC值计算电池包内电池模块平均值和电池模块差值；

步骤S13:判断电池模块是否需要均衡；

步骤S14:电池模块间采用环形均衡电路，利用蚁群算法优化选择电池模块间转移能量路径，获得最佳转移能量路径；

步骤S15:利用双模糊逻辑控制器调节电池模块间的均衡电流；

步骤S16:根据电池单体差值和预设均衡结束阈值判断是否结束均衡，需要继续均衡的电池单体返回步骤3继续进行均衡。

不同之处主要在于对单电池模块SOC值的获取，电池单体的SOC值是通过传感器采集电池单体的电压和电流获得，而电池模块SOC值是电池模块内所有电池单体的平均值。

步骤S3中判断电池单体是否需要均衡条件为：当电池模块中电池单体差值大于均衡开始阈值时，则电池单体间开始均衡；电池单体差值为电池模块中电池单体的SOC最大值与SOC最小值之差。

步骤S13中判断电池模块是否需要均衡条件为：当电池包中电池模块差值大于均衡开始阈值时，则电池模块间开始均衡；电池模块差值为电池模块中电池模块的SOC最大值与SOC最小值之差。

步骤S6中根据电池单体差值和预设均衡结束阈值判断是否结束均衡的条件为，当电池模块中电池单体差值小于均衡结束阈值时，电池单体间结束电量均衡。

步骤S16:根据电池单体差值和预设均衡结束阈值判断是否结束均衡的条件为，当电池包中电池模块差值小于均衡结束阈值时，电池模块间结束电量均衡。

本申请采用分层电池模块和电池单体分层均衡控制，采用环形均衡电路，相对于传统的均衡电路减小了均衡电路的尺寸和复杂度，提高了电池***的模块化特性，方便电池包增减电池模块，方便电池模块增减电池单体，也为维修提供了便利。

本发明利用蚁群算法对电池单体或电池模块间转移能量的路径进行优化，规划了电池单体或电池模块从初值到目标值的最佳能量转移路径，减小了转移过程中的能量损耗。

本发明采用双模糊逻辑控制器调节电池之间的均衡电流I_equ，根据电池单体或电池模块间差值的大小动态调整论域的范围，从而实现对均衡电流I_equ的精准控制，节约均衡的时间；

对电池单体间和电池模块间分层均衡电路有利于分层设置控制器，模块控制器对模块内的电池单体或电池模块均衡，模块控制器所要控制的对象数目大大减小，降低了对控制器的性能要求。

进一步地，使用传感器采集电池单体电压和电流采集，传感器包括电压传感器和电流传感器；所述电压传感器采集各电池单体的电压，并将采集到的电压输入到SOC估计模块；所述电流传感器采集各电池单体的电流，并将采集到的电流输入到SOC估计模块。对电压和电流的同时采集可以提高利用SOC估计模块获得电池单体SOC值的精度。

进一步地，SOC估计模块采用RC等效电路模型，该电路模型的方程为:

V_t(t)＝V_OC(t)-V_D(t)-R·I(t)

其中状态变量x(t)＝[SOC值(t)，V_D(t)]^T,时间常数τ_D＝R_DC_D，R_D为电池的极化内阻、C_D为极化电容、V_D为极化电压、R为欧姆内阻、I为电流、V_OC为开路电压、V_t为输出电压、Q_N为额定容量、SOC值为荷电状态；

将传感器采集到的电压和电流值输入到上述RC等效电路模型方程中，估计出各电池单体的SOC值。

进一步的，电池单体间环形均衡电路包括电池单体i与电池单体i+1的环形均衡电路；电池单体1与电池单体n的环形均衡电路；

如图3所示，所述电池单体i与电池单体i+1的环形均衡电路结构为：

电池单体i的正极连接二极管D_{i_a}和场效应管Q_{i_a}的一端，所述二极管D_{i_a}和场效应管Q_{i_a}并联后连接电阻R_i和电感L_i的一端和二极管D_{i_b}和场效应管Q_{i_b}的一端，所述电阻R_i和电感L_i并联后连接电池单体i的负极、电池单体i+1的正极，所述二极管D_{i_b}和场效应管Q_{i_b并联后连接}电池单体i+1的负极；

如图3所示，所述电池单体1与电池单体n的环形均衡电路结构为：

电池单体n的正极与二极管D_{n_d}和场效应管Q_{n_d}相连，二极管D_{n_d}和场效应管Q_{n_d}并联连接电阻R_n和电感L_n，电阻R_n和电感L_n并联连接连接二极管D_{n_b}、场效应管Q_{n_b}和二极管D_{n_a}、场效应管Q_{n_a}，二极管D_{n_b}、场效应管Q_{n_b}并联后连接电池单体n的负极，二极管D_{n_a}、场效应管Q_{n_a}并联后连接电池单体1的正极；

电池单体1的负极连接二极管D_{n_c}、场效应管Q_{n_c}，所述二极管D_{n_c}、场效应管Q_{n_c}并联后连接电阻R_n、电感L_n和二极管D_{n_d}和场效应管Q_{n_d}，电池单体1的正极连接二极管D_{n_a}、场效应管Q_{n_a}，所述二极管D_{n_a}、场效应管Q_{n_a}并联后连接电阻R_n、电感L_n和二极管D_{n_b}和场效应管Q_{n_b}；其中0<i<n(i、n为正整数)。

电池模块间的环形均衡电路与电池单体间的环形均衡电路结构相同。

进一步的，如图4所示，电池单体或电池模块间沿转移能量路径总的转移能量为：

P_SUM＝|P₁|+|P₂|+…+|P_n|

其中

A_i为转移能量路径上电池单体或电池模块i的SOC值与电池模块/电池包的平均SOC值的差值；P_i为电池单体或电池模块i需要转移的能量；

所述总的转移能量P_SUM值最小时，此时电池单体或电池模块获得最佳转移能量路径。

P_i在P₁值确定时可以通过上述公式计算得出，通过确定的P₁和P_i值，获取P_SUM值。

确定合理P₁值可以获得总的转移能量P_SUM最小值，当总的转移能量P_SUM值最小时，获取转移能量路径为最佳转移能量路径。

进一步的，如图5所示，利用蚁群算法获得最佳转移能量路径包括以下步骤：

S41、设置蚁群算法的参数；

蚂蚁的个数为m，最大迭代个数为G，信息素蒸发系数为R_h0，转移概率常数为P₀，局部搜索步长为step；

在本实施例中，取m＝50，G＝50，R_h0＝0.9，P₀＝0.2，step＝1。

设定蚂蚁的位置范围为{Xmin，Xmax}，其中Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值，其中蚂蚁的位置对应着所求参数的值。

在本实施例中，取Xmin＝-50，Xmax＝50。

蚂蚁位置对应的适应度值为总的转移能量P_SUM的值；

蚂蚁的位置对应着P₁的值；

蚂蚁i在第j个迭代周期的位置表示为X_ij，j为迭代周期的次数，其中0<i≤m、0<j≤G(i、m、j、G为正整数)；

蚂蚁i在第j个迭代周期对应的适应度值和信息素值分别为F_ij和Tau_ij，m个蚂蚁在第j个迭代周期的最小信息素值为Tau_j、最小适应度值为F_j，信息素值Tau_j对应的蚂蚁位置为X_j，所有迭代周期中的最小信息素值为Tau_best,信息素值Tau_best对应的蚂蚁位置为X_best；

S42、对蚁群算法进行初始化；

蚂蚁i在第j个迭代周期的位置X_ij的初始化方程为：

X_ij＝(Xmin+(Xmax-Xmin)*rand)

其中rand为0-1之间的随机数，Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值；

蚂蚁i在第j个迭代周期的信息素值Tau_ij的初始值为当前迭代周期的适应度值F_ij，最小信息素值Tau_j的初始值为m个蚂蚁初始位置对应的最小适应度值F_j，X_j的初始值为Tau_j初始值对应的蚂蚁位置。

S43、蚁群算法的迭代；

计算状态转移概率P_ij：

P_ij＝(Tau_j-Tau_ij)/Tau_j

将状态转移概率P_ij和转移概率常数P₀进行比较，当P_ij小于等于P₀时进行局部搜索，当P_ij大于P₀时进行全局搜索；

局部搜索公式为：

temp＝X_ij+(2*rand-1)*step*lamda

其中temp为局部搜索到的蚂蚁位置，rand为0-1之间的随机数，step为局部搜索步长，lamda为调整因子在这里取迭代周期j的倒数。

全局搜索公式为：

temp＝X_ij+(Xmax-Xmin)*(rand-0.5)

其中rand为0-1之间的随机数；此时temp为全局搜索到的蚂蚁位置；

根据temp值判断蚂蚁的位置是否在位置范围{Xmin，Xmax}内，如果不在则temp值取相应的边界值，如果在则temp值保持不变；

将temp值和X_ij对应的适应度值F_ij进行比较，如果temp小于F_ij则蚂蚁移动到新位置，进行蚂蚁位置更新，如果temp大于等于F_ij则蚂蚁位置保持不变；

更新蚂蚁移动路径上的信息素，更新方程为：

Tau_ij＝(1-R_h0)*Tau_ij+F_ij

其中R_h0为信息素蒸发系数，F_ij为适应度值；

在一个迭代周期j中，比较m个蚂蚁对应的信息素值Tau_ij，最小的信息素值Tau_j对应的蚂蚁位置X_j为这个迭代周期的最佳位置，对Tau_j和X_j的值进行更新；不断迭代S43，得到m个蚂蚁在第G个迭代周期的最小信息素值Tau_best，最小信息素值Tau_best对应的蚂蚁位置X_best为最佳值，X_best即为P_SUM值最小时能量转移路径中P₁的值，根据P₁可以得到P_SUM最小值。

进一步的，电池单体或电池模块间的平均值SOC_ave和差值SOC_dif为:

SOC_ave＝(SOC_i+SOC_i+1)/2

SOC_dif＝|SOC_i-SOC_i+1|

对于电池单体或电池模块，SOC_i和SOC_i+1是第i个电池和其相邻电池的SOC值；对于电池模块，SOC_i和SOC_i+1是第i个电池模块内电池单体或电池模块的平均SOC值和其相邻电池模块内电池单体或电池模块的平均SOC值，其中0<i<n(i、n为正整数)。

进一步的，如图6所示，双模糊逻辑控制器包括模糊逻辑控制器一和模糊逻辑控制器二，模糊逻辑控制器一为双输入单输出的结构，两个输入变量为SOC_ave和SOC_dif,输出变量为均衡电流I_equ。

模糊变量的模糊子集可以分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级，SOC_ave、SOC_dif和I_equ的论域范围分别为[0,1]、[0,0.5b]、[0,5]，其中b为伸缩因子。隶属函数采用三角形隶属函数，基于实际操作经验和知识，得到如表1的控制规则：

表1模糊逻辑控制器一的控制规则表

模糊逻辑控制器二为双输入单输出的结构，两个输入变量为SOC_ave和SOC_dif,输出变量为伸缩因子b；模糊变量的模糊子集可以分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级，SOC_ave、SOC_dif和b的论域范围分别为[0,1]、[0,0.5]、[0,1]，隶属函数采用三角形隶属函数；基于实际操作经验和知识，得到如表2的控制规则：

表2模糊逻辑控制器二的控制规则表

模糊逻辑控制器具有设计简单、控制性能优越的优点，其控制精度取决于控制规则的数量。模糊逻辑控制器的规则库是由输入变量、输出变量的论域范围和模糊变量的分配表决定的。当误差很小时，具有固定论域范围的模糊逻辑控制器不能达到期望的控制效果。因此，增加模糊逻辑控制器二对模糊逻辑控制器一的论域范围进行调整相当于增加了模糊逻辑控制器一的控制规则，模糊逻辑控制器一会随着误差的减少而收缩论域范围，或者随着误差的增加而扩展论域范围，从而提高了对均衡电流的控制精度。

模糊逻辑控制器一和模糊逻辑控制器二双模糊逻辑控制器的运用，电池之间的均衡电流I_equ，根据电池间差值的大小动态调整论域的范围，从而实现对均衡电流I_equ的精准控制，节约均衡的时间。

为更好的说明本发明效果，下面将采取具体的实施例进行说明。

因为电池模块间的均衡过程和电池单体间的均衡过程类似，下面仅以电池单体间均衡过程为例。

在环形均衡电路中，电池单体1、电池单体2、电池单体3、电池单体4、电池单体5、电池单体6的初始SOC值分别为72.7％、52.0％、32.8％、42.1％、61.5％、50.0％，基于图4中的能量转移路径，利用图5所示的蚁群算法，可以获取SOC转移能量和最小时的能量转移路径，即最佳的能量转移路径。

由图7的能量转移路径优化的适应度进化曲线图可以看出，经过8次迭代后可以得到所需的最佳能量转移路径，SOC转移能量和的最小值P_SUM值为49.75％，P1＝18.96％,P2＝19.11％,P3＝0.06％,P4＝-9.69％,P5＝-0.04％,P6＝-1.89％,即电池单体1给电池单体2转移18.96％的SOC，电池单体2给电池单体3转移19.11％的SOC，电池单体3给电池单体4转移0.06％的SOC，电池单体5给电池单体4转移9.69％的SOC，电池单体6给电池单体5转移0.04％的SOC，电池单体1给电池单体6转移1.89％的SOC。

基于上述所得的最佳能量转移路径，采用图6所示的双模糊逻辑控制器对电池单体之间的均衡电流进行精确调节，在最短的时间内使初始SOC值相差很大的6个电池单体达到SOC值的一致。

在图8的电池单体SOC值均衡过程图中可以看到，初始SOC值不同的6个电池单体，经过一段时间的均衡后，6个电池单体的SOC值稳定在同一个值上。

本发明提供了一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，该均衡控制方法采用改进的模块化分层环形均衡电路，减小了电路的尺寸和复杂度，提高了电池***的模块化特性，方便电池包增减电池，也为维修提供了便利；利用蚁群算法对电池间转移能量路径进行优化，规划了电池单体或电池模块/电池模块从初值到目标值的最佳能量转移路径，减小了转移过程中的能量损耗；采用双模糊逻辑控制器调节电池之间的均衡电流I_equ，根据电池单体或电池模块/电池模块间差值的大小动态调整论域的范围，从而实现对均衡电流I_equ的精准控制，节约了均衡的时间，提高了均衡效率；采用分层控制器控制电池单体或电池模块/电池模块间的均衡，分层的控制器仅对范围内的电池单体或电池模块/电池模块进行均衡，单层控制器所要控制的对象数目大大减小，降低了对控制器的性能要求。解决了现有技术中存在的均衡电路尺寸过大、控制器的性能要求过高、过均衡、能量利用率低、均衡速度慢等问题，具有易于实现、能量利用率高和均衡速度快等优点。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

Claims (10)

1.一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，用于对电池模块内的多个电池单体进行电量均衡控制，其特征在于：包括以下步骤：

步骤S1:通过传感器采集电池单体的电压和电流，利用SOC估计模块得到各电池单体SOC值；

步骤S2:根据各电池单体SOC值计算电池模块内电池单体平均值和电池单体差值；

步骤S3:判断电池单体是否需要均衡；

步骤S4:电池单体间采用环形均衡电路，利用蚁群算法优化选择电池单体间转移能量路径，获得最佳转移能量路径；

步骤S5:利用双模糊逻辑控制器调节电池单体间的均衡电流；

步骤S6：判断是否结束均衡，需要继续均衡的电池单体返回步骤3继续进行均衡。

2.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S1中的传感器包括电压传感器和电流传感器；所述电压传感器采集各电池单体的电压，并将采集到的电压输入到SOC估计模块；所述电流传感器采集各电池单体的电流，并将采集到的电流输入到SOC估计模块。

3.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S1中的SOC估计模块采用RC等效电路模型，该电路模型的方程为:

V_t(t)＝V_OC(t)-V_D(t)-R·I(t)

其中状态变量x(t)＝[SOC(t)，V_D(t)]^T,时间常数τ_D＝R_DC_D，R_D为电池单体的极化内阻、C_D为极化电容、V_D为极化电压、R为欧姆内阻、I为电流、V_OC为开路电压、V_t为输出电压、Q_N为额定容量、SOC值为荷电状态；

将传感器采集到的电压和电流值输入到上述RC等效电路模型方程中，估计出各电池单体SOC值。

4.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S3中判断电池单体是否需要均衡条件为：

当电池模块中电池单体差值大于均衡开始阈值时，则电池单体间开始均衡；所述电池单体差值为电池模块中电池单体的SOC最大值与SOC最小值之差。

5.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S4中环形均衡电路包括电池单体i与电池单体i+1的环形均衡电路、电池单体1与电池单体n的环形均衡电路；

所述电池单体i与电池单体i+1的环形均衡电路结构为：

电池单体i的正极连接二极管D_{i_a}和场效应管Q_{i_a}的一端，所述二极管D_{i_a}和场效应管Q_{i_a}并联后连接电阻R_i和电感L_i的一端和二极管D_{i_b}和场效应管Q_{i_b}的一端，所述电阻R_i和电感L_i并联后连接电池单体i的负极、电池单体i+1的正极，所述二极管D_{i_b}和场效应管Q_{i_b}并联后连接电池单体i+1的负极；

所述电池单体1与电池单体n的环形均衡电路结构为：

电池单体n的正极与二极管D_{n_d}和场效应管Q_{n_d}相连，二极管D_{n_d}和场效应管Q_{n_d}并联连接电阻R_n和电感L_n，电阻R_n和电感L_n并联连接连接二极管D_{n_b}、场效应管Q_{n_b}和二极管D_{n_a}、场效应管Q_{n_a}，二极管D_{n_b}、场效应管Q_{n_b}并联后连接电池单体n的负极，二极管D_{n_a}、场效应管Q_{n_a}并联后连接电池单体1的正极；

电池单体1的负极连接二极管D_{n_c}、场效应管Q_{n_c}，所述二极管D_{n_c}、场效应管Q_{n_c}并联后连接电阻R_n、电感L_n和二极管D_{n_d}和场效应管Q_{n_d}，电池单体1的正极连接二极管D_{n_a}、场效应管Q_{n_a}，所述二极管D_{n_a}、场效应管Q_{n_a}并联后连接电阻R_n、电感L_n和二极管D_{n_b}、场效应管Q_{n_b}。

6.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S3中电池单体间沿转移能量路径总的转移能量为：

P_SUM＝|P₁|+|P₂|+…+|P_n|

其中

A_i为转移能量路径上电池单体i的SOC值与电池模块内电池单体平均值的差值；P_i为电池单体i需要转移的能量；P_SUM值最小时，获得最佳转移能量路径。

7.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述步骤S4中利用蚁群算法获得最佳转移能量路径包括以下步骤：

S41、设置蚁群算法的参数；

蚂蚁的位置范围为{Xmin，Xmax}，其中Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值；

蚂蚁位置对应的适应度值为总的转移能量P_SUM的值；

蚂蚁位置对应着P₁的值；

蚂蚁的个数为m，最大迭代个数为G，信息素蒸发系数为R_h0，转移概率常数为P₀，局部搜索步长为step；

蚂蚁i在第j个迭代周期的位置表示为X_ij，其中0<i≤m、0<j≤G(i、m、j、G为正整数)；

蚂蚁i在第j个迭代周期对应的适应度值和信息素值分别为F_ij和Tau_ij，m个蚂蚁在第j个迭代周期的最小信息素值为Tau_j、最小适应度值为F_j，信息素值Tau_j对应的蚂蚁位置为X_j，所有迭代周期中的最小信息素值为Tau_best,信息素值Tau_best对应的蚂蚁位置为X_best；

S42、对蚁群算法进行初始化；

蚂蚁i在第j个迭代周期的位置X_ij的初始化方程为：

X_ij＝(Xmin+(Xmax-Xmin)*rand)

其中rand为0-1之间的随机数，Xmin为蚂蚁位置的最小值，Xmax为蚂蚁位置的最大值；

蚂蚁i在第j个迭代周期的信息素值Tau_ij的初始值为当前迭代周期的适应度值F_ij，最小信息素值Tau_j的初始值为m个蚂蚁初始位置对应的最小适应度值F_j，X_j的初始值为Tau_j初始值对应的蚂蚁位置；

S43、蚁群算法的迭代；

计算状态转移概率P_ij：

P_ij＝(Tau_j-Tau_ij)/Tau_j

将状态转移概率P_ij和转移概率常数P₀进行比较，当P_ij小于等于P₀时进行局部搜索，当P_ij大于P₀时进行全局搜索；

局部搜索公式为：

temp＝X_ij+(2*rand-1)*step*lamda

其中temp为局部搜索到的蚂蚁位置，rand为0-1之间的随机数，step为局部搜索步长，lamda为调整因子在这里取迭代周期j的倒数；

全局搜索公式为：

temp＝X_ij+(Xmax-Xmin)*(rand-0.5)

其中rand为0-1之间的随机数；此时temp为全局搜索到的蚂蚁位置；

根据temp值判断蚂蚁的位置是否在位置范围{Xmin，Xmax}内，如果不在则temp值取相应的边界值，如果在则temp值保持不变；

将temp值和X_ij对应的适应度值F_ij进行比较，如果temp小于F_ij则蚂蚁移动到新位置，进行蚂蚁位置更新，如果temp大于等于F_ij则蚂蚁位置保持不变；

更新蚂蚁移动路径上的信息素，更新方程为：

Tau_ij＝(1-R_h0)*Tau_ij+F_ij

其中R_h0为信息素蒸发系数，F_ij为适应度值；

在一个迭代周期j中，比较m个蚂蚁对应的信息素值Tau_ij，最小的信息素值Tau_j对应的蚂蚁位置X_j为这个迭代周期的最佳位置，对Tau_j和X_j的值进行更新；不断迭代S43，得到m个蚂蚁在G个迭代周期的最小信息素值Tau_best，最小信息素值Tau_best对应的蚂蚁位置X_best即为P_SUM值最小时能量转移路径中P₁的值，根据P₁可以得到P_i的值。

8.根据权利要求1所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：

所述步骤S5中双模糊逻辑控制器包括模糊逻辑控制器一和模糊逻辑控制器二；

所述模糊逻辑控制器一包括两个输入变量电池单体间的平均值SOC_ave和差值SOC_dif，所述模糊逻辑控制器一根据电池单体间的平均值SOC_ave和差值SOC_dif获得输出变量均衡电流I_equ；

所述模糊逻辑控制器一电池单体间的平均值SOC_ave和差值SOC_dif的模糊子集分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级；

所述模糊逻辑控制器一电池单体间的平均值SOC_ave和差值SOC_dif和均衡电流I_equ的论域范围分别为[0,1]、[0,0.5b]、[0,5]，其中b为伸缩因子；

所述模糊逻辑控制器二包括两个输入变量电池单体间的平均值SOC_ave和差值SOC_dif，所述模糊逻辑控制器二根据电池单体间的平均值SOC_ave和差值SOC_dif获得输出伸缩因子b；

所述模糊逻辑控制器二电池单体间的平均值SOC_ave和差值SOC_dif的模糊子集分为极小(VS)、小(S)、中(M)、大(L)和极大(VL)五个等级；

模糊逻辑控制器二电池单体间的平均值SOC_ave和差值SOC_dif和b的论域范围分别为[0,1]、[0,0.5]、[0,1]。

9.根据权利要求8所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述电池单体间的平均值SOC_ave和差值SOC_dif为:

SOC_ave＝(SOC_i+SOC_i+1)/2

SOC_dif＝|SOC_i-SOC_i+1|

对于n个电池单体，SOC_i值是第i个电池单体的SOC值；

对于n个电池模块，SOC_i值是第i个电池模块的SOC值；

其中0<i<n(i、n为正整数)。

10.根据权利要求1-9其中任一权利要求所述的一种基于蚁群算法和双模糊逻辑控制的分层均衡控制方法，其特征在于：所述均衡控制方法适用于对一个电池包内的多个电池模块进行电量均衡控制。