CN105634058B - 一种电池组的智能均衡方法和智能均衡系统 - Google Patents

Abstract

本发明涉及一种电池组的智能均衡方法和智能均衡系统，包括建立单元、训练单元和均衡单元，所述建立单元，用于建立神经网络模型；所述训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；所述均衡单元，用于根据所述输出信号，对所述电池组进行均衡。可见，该电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

Description

一种电池组的智能均衡方法和智能均衡系统

技术领域

本发明涉及锂电池管理系统技术领域，尤其涉及一种电池组的智能均衡方法和智能均衡系统。

背景技术

锂电池组主用应用于新能源电动汽车行业以及储能系统产品。目前新能源电动汽车和电池储能行业发展迅猛。对于电动车用锂电池组以及大中型电池储能系统，设计良好的BMS(Battery Management System、电池管理系统)显得极为重要。其中BMS需要实现的最重要的功能之一就是电池组的均衡功能。锂电池组的制造，无论怎样都始终会存在单体电池之间的差异，该差异主要表现在内阻会随着时间推移和温度波动而变化，进而使得电池的容量会有所差异。高内阻和低容量的单体电池，在放电电流大的时候会出现更大的电压摆幅。所以，与标准电池差异大的单体电池就更容易损坏，成为整个电池组的短板，形成木桶效应，导致整组电池的性能变差。目前主要的BMS均衡方法有以下两种：

1)主动式均衡方式：利用辅助电源对能量低的单体电池补充电能，使其向能量高的单体电池看齐，弥补短板。也可使用能量转移的方式，比如利用电容作为中转站进行能量转移，将高能量的单体电池的能量转移至低能量的单体电池。

2)被动式均衡方式：将能量高的单体电池放电，使其向能量低的单体电池看齐。

其实，无论采用以上哪种均衡方式，要想提高电池组均衡的有效性，其核心技术之一就在于把握均衡的时机，如何时进行均衡，均衡多少能量，均衡到何种程度才算合适等。对此，目前业界仍没有可靠成熟的解决方案，通常是根据经验，当单体电池之间的电压差达到一定值时就启动均衡，当单体电池之间电压趋于一致时关闭均衡，或者根据经验采用一定的固定算法来确定均衡时机。不过由于锂电池组的放电性能会随着放电次数，放电倍率的不同而不断变化的，所以这些做法并不能确保获得良好的均衡效果。

发明内容

本发明的目的在于提出一种电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

为达此目的，本发明采用以下技术方案：

第一方面，提供一种电池组的智能均衡方法，包括：

建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

根据所述输出信号，对所述电池组进行均衡。

其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。

其中，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；

(4)通过选择算法，选择出适应度较高的染色体；

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。

其中，所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

其中，所述电池组为锂电池组。

第二方面，提供一种电池组的智能均衡系统，包括：

建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

均衡单元，用于根据所述输出信号，对所述电池组进行均衡。

其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。

其中，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；

(4)通过选择算法，选择出适应度较高的染色体；

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。

其中，所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

其中，所述电池组为锂电池组。

本发明的有益效果在于：一种电池组的智能均衡方法和智能均衡系统，包括建立单元、训练单元和均衡单元，所述建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；所述训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；所述均衡单元，用于根据所述输出信号，对所述电池组进行均衡。可见，该电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1是本发明提供的电池组的智能均衡方法第一个实施例的方法流程图。

图2是本发明提供的电池组的智能均衡方法第一个实施例的方法原理图。

图3是本发明提供的电池组的智能均衡系统第一个实施例的结构方框图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参考图1，其是本发明提供的电池组的智能均衡方法第一个实施例的方法流程图。本发明实施例提供的电池组的智能均衡方法，可应用于各类电动车用锂电池组以及大中型电池储能系统等。

该电池组的智能均衡方法，包括：

步骤S101、建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项。

需要说明的是，神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。

神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Nuearl Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。神经网络模型由网络拓扑、节点特点和学习规则来表示。

其中，“累计循环次数”是指电池的累计循环次数；“累计放电时长”是指电池的累计放电时长；“前一次均衡的容量”是指上一次均衡过程实际转移或消耗掉的电池容量(根据具体的均衡方式，主动式均衡方式通过补充能量来进行均衡，被动式均衡方式通过消耗能量来进行均衡)；“当前已放电容量”是指本次放电循环过程当中已经放电的容量；“预测的剩余电量”是指本次放电循环后剩余的电池电量(SOC)；“放电倍率”是指本次放电循环的放电倍率。

步骤S102、建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项。

需要说明的是，通过遗传算法来训练神经网络，可以实现该神经网络自我的无监督学习，使神经网络具备较强的均衡能力。

遗传算法是一种模仿生物界自然进化选择和遗传机制的收敛算法，其通过随机选择、交叉和变异操作，产生一群更适应环境的个体，使种群进化到越来越合适的区域，最终得到问题的最优解。

步骤S103、根据所述输出信号，对所述电池组进行均衡。

优选地，在对所述电池组进行均衡的过程中，神经网络还可以继续不断地自我学习。

为了让这种通过遗传算法训练的神经网络具备良好的均衡能力，在实际的产品应用中采用以下方法：

1)针对每一种电池成组后在实验室进行各种工况的反复充放电来训练神经网络；

2)神经网络均衡精度在实验室达到要求；

3)将训练好的神经网络应用到产品上；

4)产品在使用过程中进一步开放该神经网络的不断自我学习，不断的优化，直到产品的使用寿命终止，可以确保产品出厂后始终不断根据实际应用情况自我优化。

本发明实施例提供的电池组的智能均衡方法，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

实施例2

以下是本发明提供的电池组的智能均衡方法的第二个实施例。本发明实施例的电池组的智能均衡方法在第一个实施例的基础上，对通过遗传算法训练神经网络的具体操作进行了详细说明。

该通过遗传算法训练神经网络，包括：

步骤S201、建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项。

步骤S202、建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项。

其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。

优选地，对于一套电池组，第一次训练神经网络，第一次判断并开启均衡，需要根据实际经验通过单体电池之间的电压差等因素来进行判断，给出的第一次的均衡电量也需要通过经验算法来给出。其中，第一次的均衡电量即为预设的均衡的容量。

请参考图2，其是本发明提供的电池组的智能均衡方法第一个实施例的方法原理图。

本发明提供的电池组的智能均衡方法，通过建立神经网络系统来学习判断电池组的均衡时机。该神经网络系统采用的神经网络结构如图2所示，是一个标准的神经网络模型。

在实际应用过程中，该神经网络模型选择的输入信息并不局限于以上参数，设计人员可以根据实际需求和应用情况增减输入信息。

在实际应用过程中，该神经网络模型选择的输出层也并不局限于以上输出信号，设计人员可以根据实际需求和应用情况增减输入输出信号。

隐藏层的层数和每层隐藏层的数量并无限定，需要根据实际应用去决定。

优选地，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；在此处也可以通过增加特殊的权值“偏移”，使神经网络不再考虑权值，即将阈值归一化到权值中；也可以通过随机算法为神经网络产生初始的权值、阈值并编码。

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；此应适度算法主要是用于判断神经网络输出所产生的实际电池均衡效果，并对此分配一个适应度值，适应度值越高则说明该染色体下的神经网络表现越好，电池均衡效果越好。

(4)通过选择算法，选择出适应度较高的染色体；通常采用轮赌算法。

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；此变异算法和杂交算法并无固定算法，可采用常用的遗传算法中的经典算法，也可根据锂电池包特性自行设计算法。

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求，即获取最优权值和阈值。

需要说明的是，所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

步骤S203、根据所述输出信号，对所述电池组进行均衡。

对于神经网络已经计算出来的需要均衡的容量，根据实际电池均衡系统的均衡方式，均衡能力，以及放电情况来决定启动和关闭均衡的时间以及均衡电流大小(如果可以设定均衡电流)。这一点通过普通算法即可很好的判断。

优选地，所述电池组为锂电池组。

锂电池组是现在应用较为广泛的一种电池组，推广性强。

本发明提供的电池组的智能均衡方法，建立神经网络来估算电池均衡需要转移的电量大小，通过遗传算法来训练该均衡计算神经网络，使得神经网络可以自我进化，不断优化获得更优的解。

本发明提供的电池组的智能均衡方法，采用遗传算法神经网络对电池的均衡特性进行智能学习和遗传变异优化，使得电池组能依赖于神经网络的良好非线性拟合特性，实现智能均衡的方法。

本发明提供的电池组的智能均衡方法，基于遗传算法神经网络进行智能电池组均衡，实现了成组锂电池的有效均衡。

以下为本发明实施例提供的电池组的智能均衡系统的实施例。电池组的智能均衡系统的实施例与上述的电池组的智能均衡方法的实施例属于同一构思，电池组的智能均衡系统的实施例中未详尽描述的细节内容，可以参考上述电池组的智能均衡方法的实施例。该系统是用计算机程序来实现的，该系统是用计算机程序实现的功能软件架构。

实施例3

请参考图3，其是本发明提供的电池组的智能均衡系统第一个实施例的结构方框图。本发明提供的电池组的智能均衡系统，可应用于各类电动车用锂电池组以及大中型电池储能系统等。

该电池组的智能均衡系统，包括：

建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

均衡单元，用于根据所述输出信号，对所述电池组进行均衡。

本发明实施例提供的电池组的智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

实施例4

以下是本发明提供的电池组的智能均衡系统第二个实施例。本发明实施例提供的电池组的智能均衡系统在第一个实施例的基础上，对通过遗传算法训练神经网络的具体操作进行了详细说明。

该电池组的智能均衡系统，其特征在于，包括：

建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

均衡单元，用于根据所述输出信号，对所述电池组进行均衡。

其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。

其中，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；

(4)通过选择算法，选择出适应度较高的染色体；

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。

其中，所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

其中，所述电池组为锂电池组。

本发明提供的电池组的智能均衡系统，建立神经网络来估算电池均衡需要转移的电量大小，通过遗传算法来训练该均衡计算神经网络，使得神经网络可以自我进化，不断优化获得更优的解。

本发明提供的电池组的智能均衡系统，采用遗传算法神经网络对电池的均衡特性进行智能学习和遗传变异优化，使得电池组能依赖于神经网络的良好非线性拟合特性，实现智能均衡的系统。

本发明提供的电池组的智能均衡系统，基于遗传算法神经网络进行智能电池组均衡，实现了成组锂电池的有效均衡。

一种电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括存储器、磁盘或光盘等。

以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种电池组的智能均衡方法，其特征在于，包括：

建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

根据所述输出信号，对所述电池组进行均衡；

所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得；

所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

2.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；

(4)通过选择算法，选择出适应度较高的染色体；

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。

3.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述电池组为锂电池组。

4.一种电池组的智能均衡系统，其特征在于，包括：

建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；

训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；

均衡单元，用于根据所述输出信号，对所述电池组进行均衡；

所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得；

所述需要均衡的容量，包括：

对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；

对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。

5.根据权利要求4所述的电池组的智能均衡系统，其特征在于，所述通过遗传算法训练神经网络，包括依次执行的以下操作：

(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；

(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；

(3)根据适应度算法计算染色体的适应度；

(4)通过选择算法，选择出适应度较高的染色体；

(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；

(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。

6.根据权利要求4所述的电池组的智能均衡系统，其特征在于，所述电池组为锂电池组。