CN102385660A - 一种充电站电池soc的估计方法 - Google Patents

Abstract

一种充电站电池SOC的估计方法。它主要是解决充电站电池身份认证管理及充电站电池SOC估算算法等技术问题。其技术方案是在对充电站电池管理方案和对神经网络SOC估算方法标准模型分析的基础上，提出了智能电网环境下一种基于类型和寿命因子的充电站电池SOC神经网络估计方法。通过管理系统中的读写模块读取普通电池组中信息芯片保存的电池唯一ID号、电池类型、额定容量等固有出厂信息，能实现统一认证体系下的电池快速认证。通过充电站的过程层网络、站间网络通信，充电站电池管理系统能够从网络服务器上调用电池的历史充电数据，对循环次数和电量值拟合曲线后计算出寿命因子，判断出电池的生命状态，在神经网络标准模型中将电压、电流和温度作为输入的基础上增加电池类型和寿命因子作为输入，实现对充电站电池荷电状态的精确估计。

Description

一种充电站电池SOC的估计方法

技术领域

本发明涉及一种充电站充电电池SOC的估计方法，尤其涉及电池类型，充电站网络通信方法获取神经网络部分输入数据以精确估算电池SOC的方法。

背景技术

现有的充电站规划电动车的充电方案大多是采用电动汽车现场充电，充电时对电池的管理也是通过车载的电池管理系统和充电站的充电管理系统来进行的。这种充电方式充电等待时间长，电池的过充或欠充把握困难，大电流快速充电对电池损伤大，严重影响电池寿命。国家电网公司副总经理杨庆8月21日亦在天津举行的中国电动汽车产业高峰论坛上表示，大规模电动汽车随机充电负荷将会对电网产生强大的冲击，甚至影响正常的电力供应，电动汽车充电过程主要完成交直流功率变换，产生大量谐波，直接影响电网和用户的电能质量。因此，电动汽车充电必须是有序的，应将充电设施建设规划纳入电网建设和城市建设规划。采用快速更换电池的市场管理方案能很好的解决现场充电的缺陷，此方案的优点是电池更换速度快，操作简单，实现电动车与电池的结构分离，对电池进行离线充电，就可以采用更好的充电方式，如先判断电池端电压，采用涓流充电，使得电池化学物质有个恢复过程，再采用恒压恒流充电，使电池能充分充电且性能不受损害；而且同时可以采用夜间充电以避免电网用电高峰，减小对电能的损害，对电池有专业的设备充电以及维护。但是该方案会面临一些问题：

1)更换电池时，如何实现电池的安全流通认证，避免伪劣电池流入市场。

2)为防止充电站对电池的过充或欠充电，如何获取电池数据来实现电池SOC的精确估计。

3)电池类型繁多，如何设计出通用的充电站电池SOC算法。

充电站电池SOC的准确估计将影响到电池是否能充分充电，也将影响到车辆运行时的动力表现，甚至安全性的好坏，意义十分重大。由于电池本身是由化学物质组成，在电池充放电时会有钝化薄层产生，使电池极化，出现一定的电压降，因而电池为非线性状态，使得对SOC的准确估计具有很大难度。电池的荷电状态跟充电电流、温度、老化程度及自放电特性等主要参数有关系，而目前的电池管理系统都是通过对电池的外特性来估计电池的SOC值，且没有一个通用的精确的数学模型来定义测量。传统的SOC基本估算方法有开路电压法、安时法和内阻法等。近年来又相继研发出许多对电池SOC的新型算法，例如模糊逻辑算法模型、自适应神经模糊推断模型、卡尔曼滤波估计模型算法以及新出现的线性模型法和阻抗光谱法等。开路电压法适用于测试稳定状态下的电池SOC，测量精度低。安时法通过对电流积分的方法记录从蓄电池输出的能量或者输入蓄电池的能量，再根据充放电的起始SOC状态，就可以计算出蓄电池的SOC。该方法最为直接明显，而且简单易行，在短时间内具有较高精度，但长时间工作时有较大的累积误差。内阻法是根据蓄电池的内阻与SOC之间的联系来预测SOC，但电池的内阻受多方面的因素影响，测量结果易受干扰，可信度不高；再加上这种方法比较复杂，计算量大，因此在实际应用中比较困难。

发明内容

本发明的目的是提出一种基于充电站的神经网络标准模型的电池SOC估计改进算法，其中标准模型是指将电压、电流和温度这些外特性参数作为神经网络的基本输入的电池SOC估计模型，现提出将内特性参数电池类型和寿命因子也作为输入的充电站电池SOC神经网络估计方法。

本发明解决其技术难题所采用的方案是：在普通电池组中植入可读写芯片，通过该芯片存储的电池类型、额定容量、电池唯一ID号等出厂固定信息，其中电池唯一ID号记录了电池的身份标识，通过充电站电池管理系统中读写模块读取电池组内信息芯片中的类型值Kn和唯一ID号，对电池身份进行网络认证和管理，将不同品牌电池纳入统一认证体系，屏蔽电池的差异性，实现电池的安全访问和数据读取，防止了假冒伪劣电池进入流通领域；同时通过充电站的过程层网络、站间网络通信，充电站电池管理系统能够从网络分布式数据库中调用电池的历史充放电数据，即电池组循环使用次数以及所有的充放电电量等信息，将此网络数据作为寿命因子模块的输入数据来源，即下载电池的已循环使用次数和历史充电电量值，判断它们之间的关系，拟合曲线f(x)，对其求微分，得电池充电时的微分数值为K_r＝f′(x)，即得寿命因子。将电压、电流、温度和前面阐述所得的电池类型、寿命因子一起作为神经网络的输入数据，从而在对充电站电池SOC进行估算时，综合考虑了电池的外特性参数和其本身的材质类型，实现更加精确的电池充电管理。

将计算后所得的寿命因子通过数据读写模块记录到电池芯片中，作为电池工作时估算SOC的参数使用，提高电池放电时SOC的计算效率。充电完成后，在充电站将电池组新的充放电信息，即循环使用次数、充放电电量、维修记录等数据上传到网络服务器上，保存在数据库中，作为该电池组后续充电SOC估计所用数据来源，同时电池厂商和项目组也可以通过共享网络数据库的数据对电池进行监测分析以及故障预测。

本发明的有益效果是，首先解决了电池的身份问题，便于市场流通，确保充电站、电动汽车和生产厂商三者与电池组的兼容性和安全性；其次通过充电站的过程层网络、站间网络通信构建了电池的网络数据管理信息平台，实时跟踪电池的使用情况，便于对电池进行实时诊断和维修，形成一个先进可行的电池使用管理方案；最后本发明提出的新型SOC神经网络估计模型在原有标准模型的基础上增加电池类型和寿命因子作为电池SOC估计模型的输入，实现了充电站充电管理系统对不同类型电池的兼容，考虑了电池老化对SOC估计的影响，提高了电池SOC的估计精度。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明。

图1本发明中基于充电站的神经网络标准模型的电池SOC估计改进算法模型结构图。

图2本发明的数据读写控制模块原理图。

图3本发明中寿命因子预测模块示意图。

图4本发明中网络数据模块示意图。

图5本发明中神经网络结构图。

图中1.主处理器，2.预警模块，3.故障诊断模块，4.充放电控制模块，5.电压、电流、温度采集模块，6.神经网络模块，7.寿命因子预测模块，8.数据读写模块，9.信息芯片，10.网络数据模块，11.逻辑控制单元，12.射频接口模块，13.天线，14.数据检测分析模块，15.处理模块，16.应用服务器，17.生产厂商，18.数据库，19.项目组。

具体实施方式

实施例1，由图1可知，电池在充电时，采集模块5从电池组采集电压、电流、温度等外特性数据，通过A/D变换等处理后将数据传递给神经网络模块6作为输入；而电池信息芯片9中保存有电池的固有信息，如电池类型、标称容量C，通过读写模块将其数据读出并作为神经网络模块6的输入；同时，通过充电站网络通信将获取的电量Q、循环使用次数L作为寿命因子预测模块7的输入，对循环使用次数和其对应次数时电池充满电的电量值拟合曲线f(x)，再求微分运算得到寿命因子K_r＝f′(x)，将寿命因子也作为神经网络模块6的输入，神经网络的输入输出结构如图5所示。综合两者和电压、电流、温度对电池SOC估计的影响，可得基于类型和寿命因子的充电站电池SOC神经网络估计方法的输入输出关系为：

SOC_t＝f(V_t，I_t，T_t，K_n，K_r)

这样，对电池SOC估算要比仅以采集模块5所得电压、电流、温度作为输入的常规电池SOC估计方法要精确的多。通过实验获取一定的输入输出样本来训练神经网络，得到性能良好的神经网络估算策略，在电池充电时，神经网络模块6输出精确的电池SOC值到主处理器1，主处理器1对SOC信息进行处理，并将处理后的信号传递给充放电控制模块4，由充放电控制模块4实现对充电站电池组的充电控制。如充电时电池出现有温度、电流、电压异常时，通过故障诊断模块3诊断处理，发出报警信号；如果电池过充电，则主处理器1将异常信号传递给预警模块4，通过预警模块4发出预警信号，并自动启动程序使电池停止充电。

实施例2，由图1，图2可知，在充电站对电池充电时，数据读写模块8通过发射天线13发送特定频率的射频信号，信息芯片9就能产生感应电流，从而获得能量被激活，使得信息芯片9将自身编码信息通过内置射频天线发送出去；数据读写模块8的接收天线13接收到发送出来的调制信号，经射频接口模块12传送到逻辑控制单元11，再将有效信息送至后台主机系统进行相关处理；主机系统根据逻辑运算识别芯片的身份，做出相应的处理和控制，最终发出指令信号控制数据读写模块8完成不同的读写操作，即可读取电池的固有信息，包括电池的预计使用次数、电池的标称容量和电池类型等。通过逻辑控制单元11与通信网络数据模块10交互通信，读取数据，然后通信网络数据模块10将信息芯片中读取的数据和站间网络数据库内已存储的充电后电池电量、已循环使用次数等数据再通过数据读写模块8一起送到寿命因子模块7和神经网络模块6中作为估计电池SOC的输入；同时，读写模块对标签的身份进行验证并对读写模块和标签之间传输的数据进行加密和解密，达到采用电子标签的形式实现电池的标识功能，这样就解决了电池的身份问题，确保充电站、电动汽车和生产厂商三者与电池组的兼容性和高度的安全性，避免伪劣电池进入流通领域。

实施例3，由图2，图3可知，数据检测分析模块14检测读入数据读写模块8中的电池标称容量、已循环使用次数、预测使用次数和充放电记录等一系列数据，分析数据，将预处理后的数据块传送到处理模块15，寿命因子处理模块15对数据拟合曲线并按照既定的微分处理算法对数据进行处理，得到电池的寿命因子Kr，输出Kr到神经网络模块6，实现对SOC值的精确估计；并将预测出的寿命因子通过数据读写模块存储至信息芯片中，在电池工作时，作为电动车电池管理系统估算SOC时的参数使用，以提高计算效率。

实施例4，由图2，图4可知，网络数据模块10通过应用服务器16将数据读写模块8中读取到的数据存储到充电站数据库18中，而各充电站通过充电站的过程层网络、站间网络通信，使得充电站电池管理系统能够从网络上调用电池的历史充放电数据，并传输到数据读写模块8，由数据读写模块对所调用的数据作出相应的处理。充电完成后，在充电站将电池组新的充放电信息-循环使用次数、充电电量、维修记录等数据上传到网络服务器，保存在数据库中，作为该电池组后续充电SOC估计所用数据来源，实现基于电池类型和寿命因子的充电站神经网络标准模型SOC估计改进算法，同时电池生产厂商17和项目组19也可以通过用户及权限管理登陆查看共享网络数据库18的数据对电池进行监测分析以及故障预测、诊断。

Claims (5)

1.一种充电站电池SOC的估计方法，它是基于神经网络标准模型基础上提出的改进算法，通过充电站电池管理系统中的读写模块获取电池类型，从网络服务器中获取充电历史数据来预测寿命因子，除同标准模型中以电压、电流和温度作为输入外，提出将电池类型和寿命因子亦作为神经网络输入的充电站电池SOC估计方法。

2.根据权利要求1所述的充电站电池管理系统中读写模块，其特征是：通过它读取电池组内信息芯片中的类型值Kn和唯一ID号，对电池身份进行网络认证和管理，将不同品牌电池纳入统一认证体系，屏蔽电池的差异性。

3.根据权利要求1所述的神经网络模型中增加寿命因子作为输入，其特征是：通过电池芯片保存的额定容量C和充电站的过程层网络、站间网络通信，下载充电站网络服务器中保存的电池历史充电数据，对循环次数和电量值拟合曲线f(x)，求微分，得电池充电时的微分数值为

K_r＝f′(x)

即得寿命因子K_r；并将电池使用次数以及此次充电后电量值上传至网络服务器中，作为该电池组后续充电SOC估计所用数据来源。

4.根据权利要求1及权利要求3所述的寿命因子，提出将其应用于电动汽车电池管理系统SOC估算中，其特征是将预测出的寿命因子通过数据读写模块存储至信息芯片中，作为电池工作时估算SOC的参数使用，提高计算效率。

5.根据权利要求2及权利要求3所述的神经网络扩展模型，提出类型-寿命因子模型，其特征是：同时考虑电池类型和寿命因子，综合两者对电池SOC估计的影响，可得基于类型和寿命因子的充电站电池SOC神经网络估计方法的输入输出关系为：

SOC_t＝f(V_t，I_t，T_t，K_n，K_r)。 

Images