CN109167113B - 锂离子电池充电优化方法 - Google Patents

Abstract

本发明公开了一种锂离子电池充电优化方法，包括以下步骤：建立锂离子电池等效电路模型；通过状态估计方法获取模型状态；建立充电策略多系统优化模型；设计基于遗传算法的多系统优化方法；通过多系统优化方法对充电策略多系统优化模型执行迭代优化。本发明提出的锂离子电池充电优化方法可以提高锂离子电池充电的快速性、高效性和安全性，并可延长锂离子的使用寿命。

Description

锂离子电池充电优化方法

技术领域

本发明属于锂离子电池技术领域，具体涉及一种锂离子电池充电优化方法。

背景技术

锂离子电池在电动汽车上得到了广泛的应用。然而，由于锂离子电池充电过程的非线性特征，特别是整个充电过程中被充电电池的各项参数状态会发生微变，因此很难用精确的函数进行计算，同时锂离子电池充电过程必然会造成电池发热，使得电池的充电效率和寿命降低，随着充电电流的加大，电池的内部极化严重，导致电池内外部温度升高，从而进一步引发电池的安全性问题。从某种意义上讲，充电时间、充电效率、充电安全等性能可看作充电过程的一组权衡，对于充电策略，要做到全方面提高以上充电性能具有设计上的难度。而常规充电策略无法从真正意义上解决快速充电、高效充电和安全充电。因此，实时获取锂离子电池充电的各项参数状态，设计合适的充电策略，对于快速安全高效使用锂离子电池和延长其使用寿命具有重要意义。

发明内容

为解决现有技术的不足，本发明提供了一种解决现有锂离子电池充电过程相对速度慢、效率低和安全性差问题的锂离子电池充电优化方法。

为了实现上述目标，本发明采用如下的技术方案：

一种锂离子电池充电优化方法，包括以下步骤：建立锂离子电池等效电路模型；通过状态估计方法获取模型状态；建立充电策略多系统优化模型；设计基于遗传算法的多系统优化方法；通过多系统优化方法对充电策略多系统优化模型执行迭代优化。

进一步地，等效电路模型为一阶RC电路。

进一步地，模型状态包括电池荷电状态、电池内外温度以及RC网络电压。

进一步地，状态估计方法为卡尔曼滤波算法。

进一步地，多系统优化模型包括电学子系统优化模型和热学子系统优化模型。

进一步地，电学子系统优化模型和热学子系统优化模型为多目标优化模型。

进一步地，电学子系统优化模型包括电池充电时间最小化目标函数和能量损失最小化目标函数。

进一步地，热学子系统优化模型包括电池内部升温风险最小化目标函数和电池外部升温风险最小化目标函数。

进一步地，多系统优化方法的具体步骤如下：步骤1：初始化种群和算法参数；步骤2：执行子系统内的多目标遗传操作；步骤3：执行子系统间的信息迁移操作；步骤4：判断是否满足迭代终止条件，满足迭代终止条件则输出最优解，不满足迭代终止条件跳到步骤2。

进一步地，多系统优化模型包括以下约束：

I_min≤I(k)≤I_max；V_min≤V(k)≤V_max；soc(0)＝s₀,soc(k_CT)＝s_kCT；T_in(0)＝T_sh(0)＝0；其中，I_min和I_max为电池充电过程中电流的最小值和最大值，V_min和V_max为输出电压的最小值和最大值，s₀和s_kCT为电池荷电状态的初始值和目标值。

本发明的有益之处在于提供的锂离子电池充电优化方法可以提高锂离子电池充电的快速性、高效性和安全性，并可延长锂离子的使用寿命。

附图说明

图1是本发明的一种锂离子电池充电优化方法的流程图；

图2是本发明一种锂离子电池充电优化方法的锂离子电池等效一阶RC电路模型的结构图；

图3是本发明一种锂离子电池充电优化方法的基于遗传算法的多系统优化方法的结构图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示，一种锂离子电池充电优化方法，包括以下步骤：S1建立锂离子电池等效电路模型，S2通过状态估计方法获取模型状态，S3建立充电策略多系统优化模型，S4设计基于遗传算法的多系统优化方法，S5通过多系统优化方法对充电策略多系统优化模型执行迭代优化。

对于步骤S1建立锂离子电池等效电路模型：

如图2所示，锂离子电池内部电路可以等效为一阶RC电路，图中OCV为电池等效电路开路时的电源值，V₁、R和C分别为RC网络的电压值、电阻值和电容值，R₀为电池内部电阻值，I为通过电池的电流值，V为输出电压值。该一阶RC等效电路模型状态包括电池荷电状态sOc、电池内外温度T_in和T_sh以及RC网络电压V₁，该一阶RC等效电路在k时刻的数学模型为：

x(k+1)＝A(k)·x(k)+B(k)

V(k)＝C(k)·V₁(k)+OCV(soc(k))+R₀(T_in(k))·I(k)’

其中，x(k)＝[soc(k),V₁(k),T_in(k),T_sh(k)]^T，

模型参数为:

B(k)＝[T_s·I(k)/C_n,B₁·I(k),D₃·Q(k),E₃·T_amb]，C(k)＝I₁，

其中，A₁＝exp(-T_s/(RC))，T_s为采样时间周期，D₁＝1-T_s·h₁/C₁，D₂＝T_s·h₁/C₁，D₃＝T_s/C₁，E₁＝T_s·h₁/C₂，E₂＝1-T_s·(h₁+h₂)/C₁，E₃＝T_s·h₂/C₂，B₁＝R·(1-exp(-T_s/RC))，I₁为单位矩阵，h₁和h₂分别为电池内部和外部的散热率，C₁和C₂分别为电池内部和外部的等效电容。

对于步骤S2通过状态估计方法获取模型状态：

一阶RC等效电路数学模型为线性系统方程，可以通过线性状态估计方法获取等效电路模型状态，在本发明实施例中，选择基本卡尔曼滤波算法作为具体的线性状态估计实施方法。

基本卡尔曼滤波算法可表达为：

其中，

为一阶RC等效电路模型状态x通过卡尔曼滤波后得到的最佳估计状态，K为卡尔曼滤波增益，参数Φ为：

Φ(k+1)＝E[(OCV(soc(k))+R₀(T_in(k))·I(k))·(OCV(soc(k))+R₀(T_in(k))·I(k))^T]，

经过上述公式的多次迭代后，基于卡尔曼滤波算法的状态估计能够很好地获取一阶RC等效电路的模型状态。其中，模型状态为上述的电池荷电状态、电池内外温度以及RC网络电压。

对于步骤S3在等效电路模型状态基础上建立电池充电策略多系统优化模型：

基于已经获得的锂离子电池等效电路模型基础上，电池充电策略模型可以看作为一类多系统优化模型，该多系统优化模型由多个不同功能的子系统组成，其中每个子系统又包含多个目标和多个约束，同时各子系统之间存在不同程度的互关联和互作用关系，比如部分变量共享，约束条件相同等特征。

在本发明实施例中，该电池充电策略多系统优化模型由两个子系统模型组成，分别为电学子系统优化模型和热学子系统优化模型，电学子系统优化模型和热学子系统优化模型均为多目标优化模型。电学子系统优化模型包括两个优化目标函数，分别为电池充电时间最小化目标函数J_CT和能量损失最小化目标函数J_EL，其表达式为：

J_CT＝T_s·k_CT，

其中，k_CT为电池充电初始状态到目标状态所需时间，V₁为上述一阶RC等效电路模型中的一个模型状态。而热学子系统优化模型也包括两个优化目标函数，分别为电池内部升温风险最小化目标函数J_ITR和电池外部升温风险最小化目标函数J_STR，其表达式为：

其中T_in和T_sh分别为上述一阶RC等效电路模型中的两个模型状态。

上述的电池充电策略多系统优化模型包括以下约束：

I_min≤I(k)≤I_max，

V_min≤V(k)≤V_max，

soc(0)＝s₀,soc(k_CT)＝s_kCT，

T_in(0)＝T_sh(0)＝0，

其中，I_min和I_max为电池充电过程中电流的最小值和最大值，V_min和V_max为输出电压的最小值和最大值，s₀和s_kCT为电池荷电状态的初始值和目标值。

对于步骤S4设计基于遗传算法的多系统优化方法：

该多系统优化方法是一类借鉴多种群遗传算法的并行处理特征，用于同步优化多个多目标函数的进化算法。在本发明实施例中，对电池充电策略多系统优化模型进行优化求解的方法采用基于遗传算法的多系统优化方法，基于遗传算法的多系统优化方法是借鉴多种群遗传算法的并行处理特征，将每个子种群看作为一个子系统的优化环境，每个子系统通过遗传算法求解一个多目标优化模型，子系统之间则通过目标函数和约束条件的相似程度来实现个体变量信息迁移，加速不同子系统内部多个目标的优化，从而得到整个系统的最优解。基于遗传算法的多系统优化方法的独特优点在于各子系统对各自目标函数的求解是平行同步优化的，且子系统之间的迁移具有自组织、自学习和聚类特性，是一种以优化多系统为目的的进化算法。该基于遗传算法的多系统优化方法的结构如图3所示，包括以下步骤：

1.初始化种群和算法参数。

种群和算法参数包括子系统的个数、每个子系统内候选解的个数、优化每个子系统的遗传算法的交叉率和变异率以及迭代终止条件。

2.对每个子系统执行子系统内的多目标遗传操作。

上述遗传操作包括选择、交叉和变异等常规多目标算子操作。其中一般采用基于非支配排序的精英策略选择算子、单点交叉算子和位变异算子。

3.对不同子系统执行子系统间的信息迁移操作。

迁移操作通过不同子系统目标函数和约束条件的相似程度建立迁移概率关系，然后依概率选择不同子系统间的迁入迁出信息，该迁入迁出信息包括不同子系统间的迁移时间间隔、迁移拓扑关系、迁移变量和数量。

4.判断是否满足迭代终止条件，若满足则输出整个系统的最优解，如果不满足，跳到步骤2。

对于步骤S5将所建立的多系统优化方法对电池充电策略模型执行迭代优化，得到最优的充电方案：

步骤S3将锂离子电池充电策略建模为一个双系统优化模型，将步骤S4所建立的基于遗传算法的多系统优化方法对该电池充电策略双系统优化模型进行并行迭代优化，即可得到最优的充电方案。该最优充电方案包括最小的电池充电时间、最小的能量损失、最小的电池内部升温风险和最小的电池外部升温风险。

作为一种扩展方案，重复以上步骤，得到多个充电方案，然后将充电方案中的充电参数进行方差和相似度的运算，在相似度在一定阈值范围内时，以多个充电方案中充电参数的平均值作为最终方案值，在相似度不在阈值范围内时，继续进行重复优化的方案。

本发明实施例，锂离子电池充电电路等效为一阶RC电路，该电路结构简单，数学模型可靠。同时通过基于卡尔曼滤波算法的状态估计方法获取等效电路模型状态，卡尔曼滤波算法，对线性系统的估计精度高，易于实现，且计算复杂度小。两者结合从而提高锂离子电池充电策略实现的快速性。

本发明实施例，锂离子电池充电策略建模为一个双系统优化模型，上述双系统优化模型包括电学子系统优化模型和热学子系统优化模型。电学子系统优化模型包括电池充电时间最小化和能量损失最小化，充分考虑了电池充电策略的高效性。而热学子系统优化模型包括电池内部升温风险最小化和电池外部升温风险最小化，充分考虑了电池充电策略的安全性。实施本发明实施例，可以提高锂离子电池充电的快速性、高效性和安全性，提供最佳的充电方案，并对延长其使用寿命具有重要意义。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (7)

1.一种锂离子电池充电优化方法，其特征在于，包括以下步骤：建立锂离子电池等效电路模型；通过状态估计方法获取模型状态；建立充电策略多系统优化模型；设计基于遗传算法的多系统优化方法；通过所述多系统优化方法对所述充电策略多系统优化模型执行迭代优化；

所述多系统优化方法的具体步骤如下：

步骤1：初始化种群和算法参数；

步骤2：执行子系统内的多目标遗传操作；

步骤3：执行子系统间的信息迁移操作；

步骤4：判断是否满足迭代终止条件，满足所述迭代终止条件则输出最优解，不满足所述迭代终止条件跳到步骤2；

所述等效电路模型为一阶RC电路；

所述状态估计方法为卡尔曼滤波算法。

2.根据权利要求1所述的锂离子电池充电优化方法，其特征在于：所述模型状态包括电池荷电状态、电池内外温度以及RC网络电压。

3.根据权利要求1所述的锂离子电池充电优化方法，其特征在于：所述多系统优化模型包括电学子系统优化模型和热学子系统优化模型。

4.根据权利要求3所述的锂离子电池充电优化方法，其特征在于：所述电学子系统优化模型和所述热学子系统优化模型为多目标优化模型。

5.根据权利要求3所述的锂离子电池充电优化方法，其特征在于：所述电学子系统优化模型包括电池充电时间最小化目标函数和能量损失最小化目标函数。

6.根据权利要求3所述的锂离子电池充电优化方法，其特征在于：所述热学子系统优化模型包括电池内部升温风险最小化目标函数和电池外部升温风险最小化目标函数。

7.根据权利要求1所述的锂离子电池充电优化方法，其特征在于：所述多系统优化模型包括以下约束：

I_min≤I(k)≤I_max；

V_min≤V(k)≤V_max；

soc(0)＝s₀,soc(k_CT)＝s_kCT；

T_in(0)＝T_sh(0)＝0；

其中，I_min和I_max为电池充电过程中电流的最小值和最大值，V_min和V_max为输出电压的最小值和最大值，s₀和s_kCT为电池荷电状态的初始值和目标值。

Images