CN104037898A - 一种车载动力电池自适应充电方法 - Google Patents

Abstract

本发明公布了一种车载动力电池自适应充电方法。当电池充电时，主控制模块根据电池传感器模块采集的电池电流、电压、温度信息，计算电池的荷电状态SOC，将温度变化量ΔH和荷电状态SOC送入主控器模块内部的模糊控制器通过模糊控制算法，输出当前状态下的最佳充电电流，通过比例积分微分控制器PID控制脉宽调制驱动器PWM产生合适占空比的控制信号，电流调节模块根据控制信号动态调整充电电流，达到了自适应充电的目的。为了使充电电流能快速准确地达到最佳值，采用果蝇优化算法FOA，动态调整比例积分微分控制器PID参数。本发明能自适应调整充电电流，能有效缩短电池充电时间，提高电池充电效率，延长电池使用寿命。

Description

一种车载动力电池自适应充电方法

【技术领域】

本发明涉及一种自适应充电方法，特别涉及一种使用镍氢、锂电池作为车载动力电池的自适应充电方法。

【背景技术】

随着人们对环境保护与节约能源的关注，电动汽车和混合动力汽车已经越来越引起人们的关注，而动力电池作为两者的动力来源，需要确保其在行车过程中提供稳定可靠的输出。同时，对动力电池进行快速、均衡、安全充电，可以延长电池的使用寿命，提高电池的使用效率和性能。

现在对动力电池的充电方式一般采用恒流-恒压充电方式，即在充电初期用恒定的电流给电池充电，当电池电压达到恒压门限时，转入恒压充电阶段。此种充电方式能减少对电池的损害，但是不能消除电池充电时的极化现象，特别是在恒压阶段，极化现象的出现，大大降低电池的充电效率，延长了电池充电时间。国内也有一些文献提出使用智能充电的方式给电池充电，即充电电源根据电池的充电状态自动确定充电参数，使充电电流自始至终保持在可接受的最大充电曲线附近，但多数的文献也只是处在研究仿真阶段，实际实施时对充电电源要求较高，将会使整个充电管理系统的成本大大提高。

另一方面，虽然使用大电流能大大减少电池充电时间，但是大电流也会使电池在充电时造成电池温度不断上升，如果不能得到有效控制，不仅会缩短电池的使用寿命，甚至可能会引起火灾。

因此，为解决上述问题，提出一种车载动力电池的自适应充电方法，适用于不同类型电池，缩短电池充电时间，提高电池充电效率，延长电池使用寿命，有效控制温度上升问题，。

【发明内容】

本发明要解决的技术问题在于提出一种新的自适应充电方法。电池管理系统首先对系统各部分进行初始化，包括设定定时器定时值，脉冲宽度控制器PWM初始化等。接着创建两个同时运算的线程：线程1用于电池荷电状态SOC值的实时计算，线程2用于电池温度变化量温度变化量ΔH的计算。主控制器模块在创建完线程之后，进入查询等待阶段，等待电池传感器模块发送的荷电状态SOC标志位和温度采集模块发送的温度变化量ΔH标志位都被置为真TRUE，主控制器模块得到荷电状态SOC和温度变化量温度变化量ΔH。

电池充电时，主控制模块根据电池传感器模块采集的电池电流、电压、温度信息，计算电池的荷电状态SOC，将温度变化量ΔH和荷电状态SOC送入主控器模块内部的模糊控制器通过模糊控制算法，输出当前状态下的最佳充电电流。采用果蝇优化算法FOA对比例积分微分控制器PID(Proportion-Integration-Differentiation)进行参数自整定，调整比例积分微分控制器PID的参数，控制脉宽调制驱动器PWM产生合适占空比的控制信号，电流调节模块根据控制信号动态调整充电电流，实现自适应充电。

为解决电池快速充电、温度控制等问题，充电方法具体步骤如下：

第一步，初始化，设定定时器定时值，脉冲宽度控制器PWM初始化。

第二步，主控制模块同时创建两个线程。线程1完成电池荷电状态SOC值的计算，采取开路电压法和安时积分法相结合的算法。首先判断定时器是否超时(大于2小时)，若定时器超时，采集电池两端开路电压OCV，根据开路电压OCV与荷电状态SOC的对应关系，得到荷电状态SOC值送至模糊控制器输入端；若定时器未超时，采用安时积分法计算电池荷电状态SOC值。电池能放出的电量和环境温度相关，可通过查阅电池的技术参数资料，得到不同温度条件下的荷电状态SOC的温度修正系数μ，并根据当前电池的温度，对初始荷电状态SOC₀值进行修正。主控制器从存储模块中读取电池历史荷电状态SOC值作为初始 荷电状态SOC₀，同时读取上一采样周期T内电流值，根据下式计算荷电状态SOC值：

$\mathrm{SOC}=\mathrm{\μ}{\mathrm{SOC}}_0-{\∫}_{T_0}^{T_0+T}I\left(t\right)\mathrm{dt}$

其中μ表示温度修正系数，通过查阅电池的技术参数资料得到；SOC₀表示初始荷电状态；T0表示起始时刻；I(t)为充电电流；T为充电电流I(t)的采样周期；

完成荷电状态SOC的计算后，线程1将荷电状态SOC标志位置为真TRUE。

线程2完成温度变化量ΔH的计算，主控制器模块根据温度采集模块采集到的当前时刻电池温度，与一个采样周期T内的历史电池温度进行比较，得到电池温度变化量温度变化量ΔH，并将温度变化量ΔH标志位置为TRUE。

第三步，主控制器模块查询到电池荷电状态SOC值标志位和温度变化量ΔH标志位都为TRUE之后，电池传感器模块和温度采集模块分别将荷电状态SOC和温度变化量ΔH的值送至模糊控制器进行模糊计算，包括对输入量的模糊化及逆模糊化，计算得出当前状态电池最佳充电电流。

模糊控制算法流程为：

1，对荷电状态SOC和温度变化量ΔH根据模糊集隶属函数转化为模糊量荷电状态SOC’和模糊量温度变化量ΔH’；

2，模糊控制器将模糊量荷电状态SOC’划分8个等级，将模糊量温度变化量ΔH’划分5个等级，查询存储器的模糊规则表，得到输出电流需要增大或减小的模糊量；

3，根据重心算法根据输出电流需要增大或减小的模糊量得到对应的精确量，再加上当前电流值即为下一阶段输出电流值Io。

模糊控制器是在模糊集的论域中进行讨论和计算的，因此首先要将输入变量转换到相应的论域，并将输入数据转换为合适的模糊量，也就是对输入量进行模糊量化。结合本系统的两个输入量的特点，选择模糊变量的模糊隶属函数为三角型函数。考虑到在电池充电初期(荷电状态SOC低于50％时)，为加快充电速度，需要适当提高充电电流的值，在电池充电后期(荷电状态SOC大于95％时)，过大的电流容易造成电池产生过充，缩短电池使用寿命，因此对荷电状态SOC的模糊隶属函数做了适当的调整，将荷电状态SOC前一半取值对应的模糊量荷电状态SOC’均设为1。

根据上述规则，把电池荷电状态SOC值、温度变化量温度变化量ΔH对应的模糊量荷电状态SOC'和模糊量温度变化量ΔH'表示成模糊量。荷电状态SOC'的基本论域为[0，1]，离散成8个等级即[0，0.25，0.5，0.6，0.7，0.85，0.95，1]，定义5个模糊量：极小(SNS)、小(SNL)、中(SM)、大(SMS)、极大(SML)；温度变化量ΔH'的基本论域为[-2，+2]，离散成5个等级即[-2，-1，0，1，2]，其对应的5个模糊量分别为：负大[TNB]、负小[TNS]、零[TO]、正小[TPS]、正大[TPB]。模糊控制器根据电池荷电状态SOC和温度的不断变化，查询模糊规则表，通过模糊推理对充电电流进行实时的在线调整。模糊规则表存放在存储器模块308中，可以根据实际情况修改调整。充电电流的模糊规则表如下表所示：

其中INB、INS、IZ、IPS、IPB为输出为电流的变化值I_o'对应的5个模糊量，电流的变化值I_o'的隶属函数为正态分布函数，分为5个等级[-2，-1，0，+1，+2]，其中+1 表示充电电流增加一个等级，0表示维持现在的充电电流，-1表示充电电流减小一个等级，依此类推。模糊推理得出的输出电流增大或减小等级，再通过解模糊化，利用重心法计算出精确量，加上当前电流值即为下一阶段的最佳充电电流值。电流等级表示的电流增大减小的精确值可根据实际电池组的数目和容量来确定。模糊控制器每1s计算一次。

第四步，利用果蝇优化算法FOA对比例积分微分控制器PID进行参数自整定，其控制整定过程如下：首先对算法进行初始化，确定粒子数N，迭代次数G，确定比例控制参数K_P、积分控制参数K_I和微分控制参数K_D初始区域。粒子数N和迭代次数G与所使用的微处理单元MCU性能相关，MCU性能越高、处理速度越快，粒子数N和迭代次数G相应取值可以越大。其次，对于粒子群随机产生初始值[K_P(1) K_I(1) K_D(1)]并随机赋予每个粒子一个初始值K_Pi＝K_P(1)+V(random)，K_Ii＝K_I(1)+V(random)，K_Di＝K_D(1)+V(random)，保证三个系统动态响应参数都在初始范围之内。对这N组不同的系统动态响应参数计算系统动态响应判断函数J，找出N组中最小的Jbest并保存相对应的比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)，比较当前的Jbest是否比上一次迭代的取值小，如果本次迭代得到的Jbest小，则输出本次迭代的系统动态响应参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)。如果不是，则将当前的K_P(bestindex)、K_I(bestindex)和K_D(bestindex)作为粒子群的初始值，重新计算，直到完成G次迭代或者找出最佳的系统动态响应参数。

第五步，比例积分微分控制器(PID，Proportion-Integration-Differentiation)根据模糊控制器输出的最佳充电电流值，结合当前充电电流值，根据两者之间的误差，通过PID算法输出PWM控制波形的占空比。比例积分微分控制器PID计算公式如下：

$u\left(k\right)=K_{p}e\left(k\right)+K_I\underset{i=1}{\overset{k}{\mathrm{\Σ}}}e\left(i\right)+K_d\frac{\mathrm{\Δe}}{T}$

其中，e(k)为k时刻最佳充电电流与充电电流之间的差值；Δe为当前时刻电流差和前一时刻电流差之间的差值；T为采样周期，设定为1s；K_P为比例控制参数，K_I为积分控制参数，K_D为微分控制参数，分别由PID参数自整定过程即果蝇算法FOA确定；输出u(k)为脉冲宽度控制器PWM产生的波形占空比。

第六步，脉冲宽度控制器PWM根据比例积分微分控制器PID输出的值，输出指定占空比的控制波形给电流调节模块，调整PWM波形占空比，输出至电流调节模块，通过开启关断MOS管实时控制调整充电电流的大小。

本发明所采用的果蝇优化算法FOA具体步骤如下：

粒子群中每一个粒子都希望找到使判断函数J最小的三个参数：比例控制参数K_P使输出与输入误差信号成比例关系、积分控制参数K_I使控制器的输出与输入误差信号的积分成正比关系和微分控制参数K_D使控制器的输出与输入误差信号的微分(即误差的变化率)成正比关系，每一次迭代中每个粒子分别根据自己的三个参数计算判断函数J，找到判断函数J最小的粒子；下一次迭代中，重新设置粒子群中各个粒子的三个参数，将三个参数分别加上随机的偏移量再计算判断函数J，找到新一轮判断函数最小值J1，和上一次迭代中的判断函数J比较，选择使判断函数J最小的粒子，重复迭代，得到最佳的判断函数值J_best以及得到最佳的判断函数值J_best的三个参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)

Step1：初始化果蝇优化算法FOA的参数，取粒子群个数为N，迭代次数为G，确定粒子的初始区域；

Step2：由于比例积分微分控制器PID的参数有三个：K_P比例控制，使输出与输入误差 信号成比例关系；K_I积分控制，使控制器的输出与输入误差信号的积分成正比关系；K_D微分控制，使控制器的输出与输入误差信号的微分(即误差的变化率)成正比关系。因此随机生成粒子群的初始值[K_P(1) K_I(1) K_D(1)]；

Step3：为群体中的任意第i个粒子分配一个随机的值，保证三个参数在区初始域内K_Pi＝K_P(1)+V(random)，K_Ii＝K_I(1)+V(random)，K_Di＝K_D(1)+V(random)

Step4：对于每个[K_Pi K_Ii K_Di]，分别计算系统动态响应J_i。

$J_i=\left\{\begin{array}{c}{\∫}_0^{\∞}{\mathrm{\σ}}_1\left|e\left(k\right)\right|\mathrm{dt}+{\mathrm{\σ}}_2{t}_r,\mathrm{\Δ}{I}_c\left(k\right)>0\\ {\∫}_0^{\∞}\left({\mathrm{\σ}}_1\right|e\left(k\right)|+{\mathrm{\σ}}_3|\mathrm{\Δ}{I}_c\left(k\right)\left|\right)\mathrm{dt}+{\mathrm{\σ}}_2{t}_r,\mathrm{\Δ}{I}_c\left(k\right)\≤0\end{array}\right.$

式中，J_i表示系统动态响应判断函数；I_o(k)为预期输出充电电流、I_c(k)为实际电流采样值；I_c(k-1)为上一时刻的实际电流采样值；t_r为电流上升时间，当实际电流采样值Ic(k)在一个周期内的最大值小于预期输出充电电流I_o(k)，即MAX(I_c(k))<I_o(k)时，电流上升时间t_r取从0.1*I_o(k)到0.9*I_o(k)的时间间隔；当实际的电流采样值Ic(k)在一个周期内的最大值大于预期输出充电电流I_o(k)，即MAX(I_c(k))≥I_o(k)时，电流上升时间t_r取实际电流采样值I_c(k)第一次到达I_o(k)的时间间隔；σ₁表示第一权重因子；σ₂表示第二权重因子；σ₃表示第三权重因子，且第三权重因子σ₃远大于第一权重因子σ₁；ΔIc(k)为一个周期内电流的变化量；e(k)表示误差量，即预期输出充电电流与实际电流采样值之差Io(k)-Ic(k)；

Step5：在N组不同参数计算系统动态响应函数J_i找出最小的动态响应函数Jbest并保存最小的动态响应函数Jbest相对应的三个系统动态响应参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)；

Step6：比较当前的最小的动态响应函数Jbest是否比上一次迭代的取值小，如果本次迭代得到的最小的动态响应函数Jbest小，则输出本次迭代相对应的三个系统动态响应参数；如果不是，则将当前的比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)作为粒子群的初始值，重复Step2-Step5，直到完成G次迭代或者找出最佳的三个系统动态响应参数；

有益效果

本发明通过对电池荷电状态SOC的实时检测调节电流驱动，使充电电流一直保持在最佳充电电流附近，提高了充电效率，同时可以保证电池温度不会超过危险值，延长电池使用寿命。

本发明利用果蝇优化算法(FOA)使得当系统外界条件发生改变时，如电池类型的更改、外界温度急剧变化等可以对比例积分微分控制器(PID，Proportion-Integration-Differentiation)的参数方便快捷地进行自动校正PID控制器参数，快速的调整充电电流。

【附图说明】

下面结合附图，对本发明的具体实施方式作进一步的详细说明：

图1为本发明的电池自适应充电方法结构示意图

图2为果蝇优化算法FOA流程图

图3为本发明的车载动力电池自适应充电方法软件流程图

图4为本发明的电池控制系统硬件框架图

图5为本发明的车载动力电池自适应充电方法模糊控制算法和比例积分微分控制器(PID，Proportion-Integration-Differentiation)的示意图

图6为本发明荷电状态SOC模糊集隶属函数的具体分布图

图7为本发明温度变化量ΔH模糊集隶属函数的具体分布图

图8为本发明预期输出充电电流I_o模糊集隶属函数的具体分布图

图9为某电池的OCV与SOC对应关系

【具体实施方式】

以下将结合附图对本发明的实施例给出详细的参考。

参照图1、图4和图5，一种车载动力电池自适应充电控制系统包括主控器模块307、电池传感器模块304、温度采集模块303、保护均衡模块302、存储器模块308、电流调节模块311、显示模块309以及至少一组电池301。

本实施例的车载动力电池自适应充电方法软件流程图如图3所示，在确定电池类型和PID参数后，为实现动态调整充电电流，使充电电流自始至终保持在可接受的最大充电曲线附近这一目的，其控制算法叙述如下：

主控制器接收电池传感器模块发送的电池荷电状态SOC信息和温度采集模块发送的温度信息，由模糊算法计算出当前状态下电池最佳充电电流，将当前状态下电池最佳充电电流设置为果蝇算法FOA的调整目标，计算出最佳充电电流对应的三个系统动态响应参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)，由三个系统动态响应参数对脉冲宽度控制器PWM进行调节，脉冲宽度控制器PWM控制电流调节模块输出电流对电池充电；充电方法具体步骤如下：

第一步，初始化，设定定时器定时值，脉冲宽度控制器PWM设定初始脉冲宽度；

第二步，主控制模块,创建线程1和线程2，两个线程同步运行。主控制器模块307在创建完线程之后，进入查询等待荷电状态SOC标志位和温度变化量温度变化量ΔH标志位阶段。电池传感器模块304和温度采集模块303将采集到的电池组电压、电流、温度等信息发送给主控制器模块307。

线程1采取开路电压法和安时积分法相结合的算法完成电池荷电状态SOC值的计算，步骤为：首先判断定时器是否超过2小时，若定时器超时，则采用开路电压法计算电池荷电状态SOC值，具体步骤为：电池传感器采集电池两端开路电压OCV，根据开路电压OCV和荷电状态SOC对应的曲线得到核电状态SOC的值，将核电状态SOC的值送至模糊控制器输入端；若定时器未超时，则采用安时积分法计算电池荷电状态SOC值，具体步骤为：首先，主控制器从存储模块中读取电池历史荷电状态作为初始荷电状态SOC₀，随后根据当前电池的温度，得到不同温度条件下的荷电状态SOC修正系数μ，对初始荷电状态SOC₀值进行修正，在存储器模块中调取上一采样周期T内充电电流I(t)值，根据下式计算荷电状态SOC值：

$\mathrm{SOC}=\mathrm{\&mu;}{\mathrm{SOC}}_0-{\&Integral;}_{T_0}^{T_0+T}I\left(t\right)\mathrm{dt}$

式中μ表示温度修正系数，由电池的技术参数资料得到，取值范围为[0,1]；SOC₀表示初始荷电状态；T0表示起始时刻；I(t)为上一采样周期T内充电电流；T为充电电流I(t)的采样周期；

完成荷电状态SOC的计算后，线程1将荷电状态SOC标志位置为真TRUE。

线程2完成温度变化量ΔH的计算，主控制器模块根据温度采集模块采集到的当前时刻电池温度，与上一采样周期T内的历史电池温度进行比较，得到电池温度变化量温度变化量ΔH，并将温度变化量ΔH标志位置为真TRUE。

第三步，主控制器模块查询到电池荷电状态SOC值标志位和温度变化量ΔH标志位都为真TRUE之后，电池传感器模块和温度采集模块分别将荷电状态SOC和温度变化量ΔH的值送至模糊控制器进行模糊计算，包括对输入量的模糊化及逆模糊化，得出当前状态电池 最佳充电电流。模糊控制算法流程为：

1，对荷电状态SOC和温度变化量ΔH根据模糊集隶属函数转化为模糊量荷电状态SOC’和模糊量温度变化量ΔH’；

2，模糊控制器将模糊量荷电状态SOC’划分8个等级，将模糊量温度变化量ΔH’划分5个等级，查询存储器的模糊规则表，得到输出电流需要增大或减小的模糊量；

3，通过重心算法根据输出电流需要增大或减小的模糊量得到对应的精确量，再加上当前电流值即为下一阶段输出电流值Io。

模糊控制器的结构如图5所示。模糊控制器是在模糊集的论域中进行讨论和计算的，因此首先要将输入变量转换到相应的论域，并将输入数据转换为合适的语言值，也就是对输入量进行模糊量化。结合本系统的两个输入量的特点，选择模糊变量的模糊隶属函数为三角型函数。考虑到在电池充电初期(荷电状态SOC低于50％时)，为加快充电速度，需要适当提高充电电流的值，在电池充电后期(荷电状态SOC大于95％时)，过大的电流容易造成电池产生过充，缩短电池使用寿命，因此对荷电状态SOC的模糊隶属函数做了适当的调整，如图6所示。

根据上述规则，把电池荷电状态SOC值、温度变化量温度变化量ΔH对应的模糊量荷电状态SOC'和模糊量温度变化量ΔH'表示成模糊量。荷电状态SOC'的基本论域为[0，1]，离散成8个等级即[0，0.25，0.5，0.6，0.7，0.85，0.95，1]，定义5个模糊量：极小(SNS)、小(SNL)、中(SM)、大(SMS)、极大(SML)；温度变化量ΔH'的基本论域为[-2，+2]，离散成5个等级即[-2，-1，0，1，2]，其对应的5个模糊量分别为：负大[TNB]、负小[TNS]、零[TO]、正小[TPS]、正大[TPB]。模糊控制器根据电池荷电状态SOC和温度的不断变化，查询模糊规则表，通过模糊推理对充电电流进行实时的在线调整。模糊规则表存放在存储器模块308中，可以根据实际情况修改调整。充电电流的模糊规则表如下表所示：

其中INB、INS、IZ、IPS、IPB为输出为电流的变化值I_o'对应的5个模糊量，电流的变化值I_o'的隶属函数为正态分布函数，分为5个等级[-2，-1，0，+1，+2]，其中+1表示充电电流增加一个等级，0表示维持现在的充电电流，-1表示充电电流减小一个等级，依此类推。模糊推理得出的输出电流增大或减小等级，再通过解模糊化，利用重心法计算出精确量，加上当前电流值即为下一阶段的最佳充电电流值。电流等级表示的电流增大减小的精确值可根据实际电池组的数目和容量来确定。模糊控制器每1s计算一次。

第四步，利用果蝇优化算法FOA对比例积分微分控制器PID进行参数自整定，其控制整定过程如下：

本实施例的车载动力电池自适应充电方法果蝇优化算法(FOA)流程如图2所示。

果蝇优化算法通过不断的迭代，计算系统的最佳动态响应，找出当前环境条件下PID控制器的最佳参数。其算法步骤如下：

Step1：初始化果蝇优化算法(FOA)的参数，取粒子群个数N＝20，迭代次数为G＝50，确定粒子的初始区域为[0,10]，[0,1]和[0,1]；

Step2：由于比例积分微分控制器(PID，Proportion-Integration-Differentiation)的参数 有三个：K_P比例控制，使输出与输入误差信号成比例关系；K_I积分控制，使控制器的输出与输入误差信号的积分成正比关系和K_D微分控制，使控制器的输出与输入误差信号的微分(即误差的变化率)成正比关系，因此随机生成粒子群的初始值。因此随机生成粒子群的初始值[K_P(1) K_I(1) K_D(1)]；

Step3：对于群体中的任意第i个粒子分配一个随机的值，K_Pi＝K_P(1)+V(random)，K_Ii＝K_I(1)+V(random)，K_Di＝K_D(1)+V(random)，保证三个参数在预定区域内。I＝1,2,3,...,N

Step4：对于每个[K_Pi K_Ii K_Di]，分别计算系统动态响应J

Step5：将I_o(k)、I_c(k)、I_c(k-1)和t_r带入判断函数J中，计算J。当Ic(k)为实际的电流采样值，在一个采样周期T内变化。

当MAX(I_c(k))<I_o(k)时，t_r为从0.1*I_o(k)到0.9*I_o(k)的时间间隔；当MAX(I_c(k))≥I_o(k)时，t_r取I_c(k)第一次到达I_o(k)的时间间隔。为防止系统超调，设定σ₃远远大于σ₁。

$J_i=\left\{\begin{array}{c}{\&Integral;}_0^{\&infin;}{\mathrm{\&sigma;}}_1\left|e\left(k\right)\right|\mathrm{dt}+{\mathrm{\&sigma;}}_2{t}_r,\mathrm{\&Delta;}{I}_c\left(k\right)>0\\ {\&Integral;}_0^{\&infin;}\left({\mathrm{\&sigma;}}_1\right|e\left(k\right)|+{\mathrm{\&sigma;}}_3|\mathrm{\&Delta;}{I}_c\left(k\right)\left|\right)\mathrm{dt}+{\mathrm{\&sigma;}}_2{t}_r,\mathrm{\&Delta;}{I}_c\left(k\right)\&le;0\end{array}\right.$

其中，J表示判断函数；σ₁表示第一权重因子，取0.999；σ₂表示第二权重因子，取0.001；σ₃表示第三权重因子，取100；ΔIc(k)为一个采样周期T内电流的变化量；e(k)表示误差量，即Io(k)-Ic(k)；t_r表示上升时间

Step6：对于计算出的J，找出最小的J作为Jbest，并保存对应的K_P(bestindex)、K_I(bestindex)和K_D(bestindex)；

Step7：判断当前的J是否比上一次的Jbest更合理，若合理，更改Jbest，并输出K_P、K_I和K_D，若不合理，重复Step2-Step6。

当系统外界条件发生改变时，如电池类型的更改、外界温度急剧变化等，通过果蝇优化算法(FOA)可以对比例积分微分控制器(PID，Proportion-Integration-Differentiation)的参数方便快捷地进行自动校正。

第五步，模糊控制器输出下一阶段最佳充电电流值给比例积分微分控制器PID，比例积分微分控制器PID根据模糊控制器输出的最佳充电电流值，以及最佳充电电流值与当前充电电流值之间的误差，通过下式算法输出脉冲宽度控制器PWM控制波形的占空比；比例积分微分控制器PID计算公式如下：

$u\left(k\right)=K_{p}e\left(k\right)+K_I\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}e\left(i\right)+K_D\frac{\mathrm{\&Delta;e}}{T}$

其中，e(k)为k时刻最佳充电电流与实际充电电流之间的差值；Δe为当前时刻电流差和前一时刻电流差之间的差值；T为采样周期，设定为1s；K_P为比例控制参数、K_I为积分控制参数、K_D为微分控制参数，分别由果蝇算法FOA确定；输出u(k)为脉冲宽度控制器PWM产生的波形占空比；

第六步，脉冲宽度控制器PWM控制器根据比例积分微分控制器PID输出的值，输出指定占空比的控制波形给电流调节模块，电流调节模块通过开启关断MOS管实时控制调整充电电流的大小。

PWM控制器输出指定占空比的控制波形给电流调节模块311，电流调节模块311根据控制波形，通过开启关断MOS管来实现电流大小的调节。

整个充电过程中，在电池荷电状态SOC小于50％时，充电电流较大，用大电流给电池迅速充电，在充电中期，由于电池的电流接受率受温度和极化现象等因素影响，根据电池的实际 情况，动态调整充电电流，使充电电流保持在可接受的最大充电电流曲线附近，在充电后期，及电池荷电状态SOC大于95％时，电池可接受的电量逐渐减少，因此逐步减小充电电流。整个过程通过模糊控制算法自动调整充电电流，加快了电池的充电速度，提高了充电效率，延长了电池的使用寿命。

Claims (8)

1.一种车载动力电池自适应充电方法，其特征在于：第一步，主控制器并行进行两个线程，接收电池传感器模块发送的电池荷电状态SOC信息和温度采集模块发送的温度信息；第二步，由模糊算法计算出当前电池荷电状态SOC和温度状态下电池的最佳充电电流；第三步，将当前状态下电池最佳充电电流设置为果蝇算法FOA的调整目标，计算出最佳充电电流对应的三个系统动态响应参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)；第四步，由三个系统动态响应参数对脉冲宽度控制器PWM进行调节，脉冲宽度控制器PWM控制电流调节模块输出电流对电池充电。

2.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第一步中，电池荷电状态SOC值通过开路电压法和安时积分法相结合的算法计算得到，步骤为：首先判断主控制器中的定时器是否超过2小时，若定时器超时，则采用开路电压法计算电池荷电状态SOC值，具体步骤为：电池传感器采集电池两端开路电压OCV，根据开路电压OCV和荷电状态SOC对应的曲线得到核电状态SOC的值，将核电状态SOC的值送至模糊控制器输入端；

若定时器未超时，则采用安时积分法计算电池荷电状态SOC值，具体步骤为：首先，主控制器从存储模块中读取电池历史荷电状态作为初始荷电状态SOC₀，随后根据当前电池的温度，得到不同温度条件下的荷电状态SOC修正系数μ，对初始荷电状态SOC₀值进行修正，在存储器模块中调取上一采样周期T内充电电流I(t)值，根据下式计算荷电状态SOC值：

式中μ表示温度修正系数，由电池的技术参数资料得到，取值范围为[0,1]；SOC₀表示初始荷电状态；T0表示起始时刻；I(t)为上一采样周期T内充电电流；T为充电电流I(t)的采样周期；

完成荷电状态SOC的计算后，主控制器中的线程1将荷电状态SOC标志位置为真TRUE。

3.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第一步中，温度变化量ΔH的计算由以下步骤得到：主控制器模块根据温度采集模块采集到的当前时刻电池温度，与上一采样周期T内的历史电池温度进行比较，得到电池温度变化量温度变化量ΔH，完成温度变化量ΔH的计算后，主控制器中的线程2将温度变化量ΔH标志位置为真TRUE。

4.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第三步具体步骤如下：主控制器模块查询到电池荷电状态SOC值标志位和温度变化量ΔH标志位都为真TRUE之后，电池传感器模块和温度采集模块分别将荷电状态SOC和温度变化量ΔH的值送至模糊控制器进行模糊计算，模糊控制算法流程为：

第一步，对荷电状态SOC和温度变化量ΔH根据模糊集隶属函数转化为模糊量荷电状态SOC’和模糊量温度变化量ΔH’；

第二步，模糊控制器将模糊量荷电状态SOC’划分8个等级，将模糊量温度变化量ΔH’划分5个等级，查询存储器的模糊规则表，得到输出电流需要增大或减小的模糊量；

第三步，通过重心算法根据输出电流需要增大或减小的模糊量得到对应的精确量，再加上当前电流值即为下一阶段输出电流值Io。

5.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第三步具体计算步骤如下：

Step1，初始化果蝇优化算法FOA的参数，取粒子群个数为N，迭代次数为G，确定粒子的初始区域；

Step2，随机产生比例控制参数K_P、积分控制参数K_I和微分控制参数K_D的初始值[K_P(1)K_I(1) K_D(1)]

Step3，随机赋予粒子群内任意第i个粒子一个初始值K_Pi＝K_P(1)+V(random)，K_Ii＝K_I(1)+V(random)，K_Di＝K_D(1)+V(random)，i＝1,2,3,...,N；

Step4：，根据第i个粒子的系统动态响应参数[K_Pi K_Ii K_Di]，得到实际电流采样值Ic(k)，一个周期内实际电流的变化量ΔIc(k)，和预期输出充电电流与实际电流采样值之间的误差量e(k)；计算第i个粒子的系统动态响应判断函数J

式中，J_i表示第i个粒子的系统动态响应判断函数；t_r为电流上升时间，当实际电流采样值Ic(k)在一个周期内的最大值小于预期输出充电电流I_o(k)，即MAX(I_c(k))<I_o(k)时，电流上升时间t_r取从0.1*I_o(k)到0.9*I_o(k)的时间间隔；当实际的电流采样值Ic(k)在一个周期内的最大值大于预期输出充电电流I_o(k)，即MAX(I_c(k))≥I_o(k)时，电流上升时间t_r取实际电流采样值I_c(k)第一次到达I_o(k)的时间间隔；σ₁表示第一权重因子；σ₂表示第二权重因子；σ₃表示第三权重因子，且第三权重因子σ₃远大于第一权重因子σ₁；I_c(k)为实际电流采样值；ΔIc(k)为一个周期内实际电流的变化量；I_o(k)为预期输出充电电流；e(k)表示误差量，即预期输出充电电流与实际电流采样值之差Io(k)-Ic(k)；I_c(k-1)为上一时刻的实际电流采样值；

Step5：在N组不同粒子参数计算出的系统动态响应判断函数J_i找出最小的动态响应判断函数Jbest并保存最小的动态响应判断函数Jbest相对应的三个最小系统动态响应参数：比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)；

Step6：比较当前的最小的动态响应函数Jbest是否比上一次迭代的取值小，如果本次迭代得到的最小的动态响应函数Jbest小，则输出本次迭代相对应的三个系统动态响应参数；如果不是，则将当前的比例控制参数K_P(bestindex)、积分控制参数K_I(bestindex)和微分控制参数K_D(bestindex)作为粒子群的初始值，重复Step2-Step5，直到完成G次迭代或者找出最佳的三个系统动态响应参数。

6.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第四步中脉冲宽度控制器PWM进行调节步骤如下：

比例积分微分控制器PID根据模糊控制器输出的最佳充电电流值，以及最佳充电电流值与当前充电电流值之间的误差，通过下式算法输出脉冲宽度控制器PWM控制波形的占空比；比例积分微分控制器PID计算公式如下：

其中，e(k)为k时刻最佳充电电流与实际充电电流之间的差值；Δe为当前时刻电流差和前一时刻电流差之间的差值；T为采样周期，设定为1s；K_P为比例控制参数、K_I为积分控制参数、K_D为微分控制参数，分别由果蝇算法FOA确定；输出u(k)为脉冲宽度控制器PWM产生的波形占空比。

7.根据权利要求1所述的车载动力电池自适应充电方法，其特征在于所述的第四步中输出电流调整步骤为：脉冲宽度控制器PWM控制器根据比例积分微分控制器PID输出的值， 输出指定占空比的控制波形给电流调节模块，电流调节模块通过开启关断MOS管实时控制调整充电电流的大小。

8.根据权利要求1到7之一所述的车载动力电池自适应充电方法，其特征在于，模糊控制器每1s计进行一次模糊算法的运算。