CN109346787A - 一种电动汽车动力电池自适应优化充电方法 - Google Patents
一种电动汽车动力电池自适应优化充电方法 Download PDFInfo
- Publication number
- CN109346787A CN109346787A CN201811106731.9A CN201811106731A CN109346787A CN 109346787 A CN109346787 A CN 109346787A CN 201811106731 A CN201811106731 A CN 201811106731A CN 109346787 A CN109346787 A CN 109346787A
- Authority
- CN
- China
- Prior art keywords
- charging
- efficiency
- principal component
- charging current
- power battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007600 charging Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 title abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012847 principal component analysis method Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000011056 performance test Methods 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract 1
- 238000010277 constant-current charging Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/443—Methods for charging or discharging in response to temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种电动汽车动力电池自适应优化充电方法，属于电池充电的技术领域，解决了现有充电方法中缺少对充电电流进行自适应优化选择的问题。包括以下步骤：建立动力电池充电效率与充电电流关系测试数据库；应用主成分分析法在上述数据库中选取最优充电电流；以选取的最优充电电流进行CCCV恒流阶段充电。本发明基于动力电池的充电性能测试数据，引入主成分分析法进行基于动力电池多充电效率参数的CCCV恒流充电倍率优化；可以完成动力电池在不同操作温度下的充电电流的自适应选择，实现动力电池充电效率综合评价最优意义上的优化充电。同时，该方法不依赖电池型号与类别，可实现离线数据计算，便于充电机与电池管理系统数据嵌入，易于工程化实现。
Description
技术领域
本发明涉及电池充电技术领域，尤其涉及一种电动汽车动力电池自适应优化充电方法。
背景技术
电动汽车的电能补给时间远大于传统燃油车的燃料补给时间，成为限制电动汽车发展的关键因素之一。目前，我国充电设施的车桩仍然存在较大缺口，尚不能满足我国电动汽车的充电需求。解决电动汽车充电问题的有效措施除了大力的建设电动汽车充电设备和提高充电设备的利用率外，发展快速充电技术成为了迫切需求。同时，在电动汽车推广过程中，充电安全事故频发，如何保障充电安全也愈发引起大家关注。因此，在保障安全的前提下实现快速、高效的优化充电是电动汽车充电技术的发展方向。
当前，电动汽车动力电池在充电工程应用中，常用的方法有三类：恒流充电方法、恒压充电方法和恒流恒压充电方法。
恒流充电方法为电动汽车动力电池在充电的整个过程中，采用恒定的电流进行充电。其缺点为：1.忽略了动力电池本体特性，充电电流凭经验制定，不能进行自适应选择；2.动力电池充电效率无法实现最优；3.采用恒流充电无法实现动力电池满充。
恒压充电方法为电动汽车动力电池在充电的整个过程中，采用恒定的电压进行充电。其缺点为：1.在动力电池SOC(State of Charge，荷电状态)较小时采用此方法，会产生大电流冲击，造成动力电池的损坏；2.此方法仅适合对动力电池进行浮充补电。
恒流恒压(CCCV，constant current constant voltage)充电方法，首先以恒定的电流对动力电池进行充电，直至电池的端电压达到预设的最大电压；然后充电模式改为恒压充电，恒压值为电池端电压的预设最大电压，在此模式下动力电池的充电电流会随着充电过程的进行逐渐减小，直至达到预设的最小充电电流，充电过程结束。但是在CCCV充电方法进行恒流充电过程中，充电电流采用经验值，存在缺少对充电电流进行自适应优化选择的不足。
发明内容
鉴于上述的分析，本发明旨在提供一种电动汽车动力电池自适应优化充电方法，用以解决现有充电方法中缺少对充电电流进行自适应优化选择的问题。
本发明的目的主要是通过以下技术方案实现的：
提供了一种电动汽车动力电池自适应优化充电方法，包括以下步骤：
建立动力电池充电效率与充电电流关系测试数据库；
应用主成分分析法在上述测试数据库中选取最优充电电流；
以上述选取的最优充电电流进行CCCV恒流阶段充电。
本发明有益效果如下：本发明基于动力电池的充电性能测试数据，引入主成分分析法进行基于动力电池多充电效率参数的CCCV恒流充电倍率优化；可以完成动力电池在不同操作温度下的充电电流的自适应选择，实现动力电池充电效率综合评价最优意义上的优化充电。同时，该方法不依赖电池型号与类别，可实现离线数据计算，便于充电机与电池管理系统数据嵌入，易于工程化实现。
在上述方案的基础上，本发明还做了如下改进：
进一步，所述应用主成分分析法在上述数据库中选取最优充电电流，包括：
在上述测试数据库中选取对应的充电电流区间，并根据插值间隔，构建充电电流择优序列；
应用上述构建的充电电流择优序列对测试数据库进行插值处理，构建动力电池充电效率与充电电流关系择优数据库；
对上述构建的择优数据库应用主成分分析法，选取最大综合主成分值对应的充电电流为最优充电电流。
进一步，所述对上述构建的择优数据库应用主成分分析法，选取最大综合主成分值对应的充电电流为最优充电电流，包括：
对择优数据库中指标参量进行标准化处理；
求取指标参量的相关系数，并构建相关系数矩阵；
求取上述相关系数矩阵的特征值及单位特征向量；
利用上述求取的特征值计算累计贡献率，并选取主成分；
求取上述选取出的主成分载荷；
求取各组指标参量在上述选取出的主成分上的得分值；
根据上述求取的主成分得分值计算综合主成分得分，并选取最大综合主成分值对应的充电电流为最优充电电流。
进一步，所述对择优数据库中指标参量进行标准化处理，公式为：
其中，n为指标参量矩阵X的测量组数；p为效率参数的个数，xij为指标参量矩阵中第i组中第j个效率参数的测量值，为xij的标准化数值；为第j个效率参数测量值的均值，为第j个效率参数测量值的方差。
进一步，所述求取指标参量的相关系数可由下式确定：
式中，rst，s,t＝1,2,…p为指标参量之间的相关系数，为指标参量矩阵中第s个效率参数测量值的均值；为指标参量矩阵中第t组中效率参数测量值的均值；xks为指标参量矩阵中第k组中第s个效率参数的测量值；xkt为指标参量矩阵中第k组中第t个效率参数的测量值。
进一步，所述累计贡献率G(l)由下式求取：
式中，λk为第k个特征值，p为效率参数的个数。
进一步，所述选取主成分，为选取累计贡献率超过设定值的l的最小取值作为主成分个数m。
进一步，所述求取各组指标参量在上述选取出的主成分上的得分值，公式为；
式中，ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值,i＝1,2,…,n；q＝1,2,…,m，n为指标参量的测量组数，m为主成分个数；p为效率参数的个数；为单位特征向量的转置；为标准化后的指标参量矩阵。
进一步，所述综合主成分得分，公式为：
其中，ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值，i＝1,2,…,n；q＝1,2,…,m，n为指标参量的测量组数，m为主成分个数；αq为第q个主成分的贡献率。
进一步，所述效率参数包括：充电倍率效率、充电荷电效率、充电能量效率、充电时间效率。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本方法实施例1中电动汽车动力电池自适应优化充电方法流程图；
图2为本方法实施例2中25℃下的50Ah动力电池充电效率与充电电流关系数据库；
图3为本方法实施例2中25℃下的50Ah动力电池充电效率插值结果；
图4为本方法实施例2中25℃下的50Ah动力电池充电效率插值结果标准化；
图5为本方法实施例2中第一和第二主成分方差贡献率统计图；
图6为本方法实施例2中第一和第二主成分的原参量对应系数与得分值；
图7为本方法实施例2中综合主成分得分值统计图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种电动汽车动力电池自适应优化充电方法，如图1所示，包括以下步骤：
步骤S1、建立动力电池充电效率与充电电流关系测试数据库；
步骤S2、应用主成分分析法在上述测试数据库中选取最优充电电流；
步骤S3、以上述选取的最优充电电流进行CCCV恒流阶段充电。
与现有技术相比，本实施例提供的电动汽车动力电池自适应优化充电方法，基于动力电池的充电性能测试数据，引入主成分分析法进行基于动力电池多充电效率参数的CCCV恒流充电阶段的充电倍率优化；可以完成动力电池在不同操作温度下的充电电流的自适应选择，实现动力电池充电效率综合评价最优意义上的优化充电。同时，该方法不依赖电池型号与类别，可实现离线数据计算，便于充电机与电池管理系统数据嵌入，易于工程化实现。
具体来说，在步骤S1中，为进行动力电池CCCV恒流充电电流的优化选取，需建立不同充电电流对应的充电效率数据库，从而应用主成分分析法对充电电流进行选取；动力电池充电效率与充电电流关系测试数据库可以根据电池型号进行动力电池系统性能测试实验获取，数据库由该型号电池在某一环境温度下不同充电电流下对应的充电效率组成；其中，环境温度可以根据充电环境设置一个或多个，优选的，可以在0-35℃中每隔5℃确定一温度节点，并在每个温度节点进行试验；充电电流的变化区间[a，b]，(a<b)可根据该型号电池标定的额定电流选择，需要注意的是，变化区间需要在电池合理的充电电流范围内。
需要说明的是，充电效率由四个效率参数确定，即充电倍率效率ηr、充电荷电效率ηc、充电能量效率ηe、充电时间效率ηt，其中，
充电倍率效率ηr，为表示动力电池应用CCCV方法进行充电时，恒流充电阶段补充电量能力的物理量，表达式为：
其中，QCC为恒流阶段充入的电量，Cu为动力电池测定可用容量。
充电荷电效率ηc，是指在特定放电工况下动力电池SOC从1到0放出电量与动力电池SOC从0到1充电所需电量的比值。
充电能量效率ηe，是指在特定放电工况下动力电池SOC从1到0放出的能量与动力电池SOC从0到1充电所需能量的比值。
充电时间效率ηt，为衡量动力电池充电时间长短的物理量，动力电池的充电时间越短，充电的时间效率越明显，表达式为：
其中，Tch为特定恒流充电倍率CCCV全动力电池SOC范围的充电时间。
在步骤S2中，应用主成分分析法在步骤S1建立的测试数据库中选取最优充电电流；本实施例引入主成分分析法进行基于动力电池多充电效率参数的CCCV恒流充电倍率(充电电流)的选择。
需要强调的是，主成分分析法是一种兼顾参数降维和信息完整性的数据分析方法，在解决多信息耦合问题方面具有独特的优势。在进行最优充电电路选择时本质上是基于多参数进行最优评估选择问题，本实施例通过采用主成分分析法，削减指标参数的个数，同时保持信息完整，避免数据信息的丢失、导致信息不完整的问题。
主成分分析法以最少的信息损失为前提，将原有的多参量综合成较少几个综合指标(主成分)，其具有以下几个特点：1.主成分个数少于原有参量的个数，原有参量综合成少数几个主成分之后，主成分将可以替代原有参量参与算法计算，以减少分析过程中的计算量；2.主成分能够反映原有参量的绝大部分信息，主成分并不是原有参量的简单取舍，而是原有参量重新构成的结果，因此不会造成原有参量信息的大量丢失，能够代表原有参量的绝大部分信息；3.主成分之间互不相关，通过主成分分析得出的各主成分之间互不相关，主成分参与算法分析能够有效地解决参量信息重叠给分析应用带来的问题。主成分分析是进行数据降维的一种方法，基本思想是将原来众多的具有一定相关性的指标参量，重新构合成一组具有较少个数的互不相关的主成分来代替原有的指标参量。
本实施例中应用主成分分析法选取最优充电电流，包括以下步骤：
步骤S201、在上述测试数据库中选取对应的充电电流区间，并根据插值间隔，构建充电电流择优序列；
在步骤S1中建立的测试数据库中选取充电电流区间[a，b]，根据充电电流寻优精度及实际时间要求，设定插值间隔，在区间[a，b]上，对充电电流数值进行插值加密，即为充电电流择优序列；
插值电流序列为：
其中，a，b分别为上述抽取的区间的两个端点，d为插值间隔，n为插值数目；
需要说明的是，插值间隔d越小，即插值数目n越大，参与寻优的动力电池充电电流就越多，就更加全面的覆盖动力电池的充电倍率区间，同时也会增加寻优的计算量，延长寻优时间，优选的，选定1A作为插值间隔。
步骤S202、应用步骤S201构建的充电电流择优序列，对步骤S1中构建的测试数据库进行插值处理，构建动力电池充电效率与充电电流关系择优数据库；
在基于动力电池充电效率综合评估选择充电电流问题中，在测试数据库中，指标参量向量X的可以表示为：
X＝(ηrηcηeηt)T
式中，ηr为充电倍率效率、ηc为充电荷电效率、ηe为充电能量效率、ηt为充电时间效率；
通过采用现有的插值算法对构建的测试数据库进行插值，得到择优数据库；其中，插值数目n对应于主成分分析法中指标参量X的测量组数；
在择优数据库中，指标参量向量矩阵X可以表示为：
其中，n为指标参量X的测量组数；p为效率参数的个数，本实施例中p为4；
步骤S203、对上述步骤S202构建的择优数据库，应用主成分分析法，选取最大综合主成分值对应的充电电流为最优充电电流。
动力电池的四个效率参数在表征动力电池充电效果中，均是数值越大，表示动力电池的充电效果越好，因此应用主成分分析法后，得到的综合主成分值越大，表示对应的充电电流效果越佳。具体地包括以下步骤：
步骤S20301、对择优数据库中指标参量进行标准化处理；
由于动力电池的各个充电效率的指标参量在不同的数量尺度上，因此需要在主成分计算之前消除数量尺度的影响，本实施例采用的方法是将指标参量矩阵进行标准化，公式为：
其中，n为指标参量矩阵X的测量组数；p为效率参数的个数，xij为指标参量矩阵中第i组中第j个效率参数的测量值，为xij的标准化数值；为第j个效率参数测量值的均值，为第j个效率参数测量值的方差。
指标参量矩阵标准化运算结果，可以表示为：
步骤S20302、求取原指标参量X的相关系数，并构建相关系数矩阵；
由于，任何随机变量做标准化变换后，其协方差等同于其相关系数，因此对指标参量标准化后的协方差矩阵就是原指标参量的相关系数矩阵，因此，本实施例在进行主成分分析时，采用相关系数矩阵代替协方差矩阵；
指标参量之间的相关系数rst(s,t＝1,2,…p)，计算公式为：
式中，为指标参量矩阵中第s个效率参数测量值的均值；为指标参量矩阵中第t组中效率参数测量值的均值；xks为指标参量矩阵中第k组中第s个效率参数的测量值；xkt为指标参量矩阵中第k组中第t个效率参数的测量值。
构成的相关系数矩阵为：
其中，p为效率参数的个数，矩阵中rst＝rts。
步骤S20303、求取上述相关系数矩阵的特征值及单位特征向量；
求解特征方程|λI-R|＝0；其中，λ为特征值，R为相关系数矩阵，I为单位矩阵。
将求解得到的特征值按大小顺序排列λ1≥λ2≥…≥λp≥0；并求出对应于特征值λl的单位特征向量al(l＝1,2,…,p)。
步骤S20304、利用上述求取的特征值计算累计贡献率，并选取主成分；
新构建的各成分的贡献率αl为：
式中，λl为特征值，p为效率参数的个数。
累计贡献率G(l)：
式中，λk为第k个特征值，p为效率参数的个数。
当G(l)大于设定值时，此时的l个成分即可足够反映原指标参量的信息，将这前l个成分作为主成分。优选的，当G(m)＞85％时，认定成分就足够反映原指标参量的信息，即取累计贡献率超过85％的l的最小取值作为主成分个数m，且m≤p。
步骤S20305、求取上述选取出的主成分载荷；
主成分载荷反映的是主成分与效率参数之间的相互关联程度：其中；λq为第q个特征值，(q＝1,2,…,m；j＝1,2,…,p)，aqj为单位特征向量aq的第j个值，p为指标参量的个数；m为主成分的个数。
步骤S20306、求取各组指标参量在上述选取出的主成分上的得分值；
将标准化后的指标参量矩阵中各组指标参量代入下式，计算各组指标参量在m个主成分上的得分：
式中，为单位特征向量的转置；为标准化后的指标参量矩阵；ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值,(i＝1,2,…,n；q＝1,2,…,m)，n为指标参量的测量组数，m为主成分个数；p为效率参数的个数。
上述求取的得分值构成主成分得分矩阵：
式中，n为指标参量的测量组数，m为主成分个数。
步骤S20307、根据上述求取的主成分得分值计算综合主成分得分，并选取最大综合主成分值对应的充电电流为最优充电电流。
第i组指标参量测量值的综合主成分得分为：
其中，ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值；(i＝1,2,…,n；q＝1,2,…,m)，n为指标参量的测量组数，m为主成分个数；αq为第q个主成分的贡献率。
构成综合主成分得分向量如下：
式中，n为指标参量的测量组数，m为主成分个数，q表示主成分排列号。
在上述综合主成分得分向量选择值最大的i的数值，即为选定的指标参量矩阵的组号，该组号对应的电流值即为求取的最优充电电流。
在步骤S3中，以经过步骤S20307选取的最优充电电流值，对该型号动力电池进行CCCV恒流阶段充电，以达到最优的充电效果。
实施例2，
本实施例以某款50Ah动力电池25℃下的测试数据为例，进一步说明实施例1中优化充电电流的选择方法。图2为通过试验建立的该款动力电池25℃下充电效率与充电电流关系测试数据库；其中，充电电流为CCCV充电方法的恒流充电阶段的充电电流。
以1A作为插值间隔，对[10A，50A]区间进行插值，得到充电电流择优序列(共41个电流值，即下式n＝41)，插值电流序列为：
图3为对动力电池充电效率与充电电流关系数据库中抽取区间进行插值运算的结果，获取41组动力电池的充电效率数据，构成动力电池充电效率与充电电流关系择优数据库；
图4为对择优数据库电池进行标准化后的结果。
应用实施例1中主成分分析法，得到相关系数矩阵的特征根向量和单位特征向量aj(j＝1,2,3,4)为：
λ＝(λ1,λ2,λ3,λ4)T＝(2.792,1.120,0.0065,0.0025)T
通常，主成分个数提取遵循选择特征值大于1主成分的原则，这是由于特征值在某种程度上可以被看成是表示主成分影响力度大小的指标,如果主成分对应的特征值小于1，说明该主成分的解释力度还不如直接引入一个原变量的解释力度大,因此一般以特征值大于1作为主成分纳入标准。图5为第一和第二主成分方差贡献率统计图，可以得到第一和第二主成分的累计贡献率为99.94％，说明在动力电池的多充电效率参数分析中应用第一和第二主成分已经能够充分的代表4个充电效率指标的信息。图6为第一主成分、第二主成分的原参量对应系数与得分值的统计分析图，其中实线为原参量对应系数统计，离散点为第一、第二主成分得分值统计。
由图6可以看到，动力电池的充电能量效率、充电荷电效率和充电时间效率在第一主成分上的载荷较大，充电倍率效率在第二主成分上的载荷较大，因此，对于第一主成分而言，更多的是反映不同充电倍率的充电能量效率、充电荷电效率和充电时间效率的差异性，而对于第二主成分而言，更多的是反映不同充电倍率的充电倍率效率的差异性。为对动力电池的四个充电效率参数进行综合分析，对综合主成分进行了计算，如图7所示，图中对最大综合主成分得分值进行了标注，可以看到第18组动力电池充电效率指标参量的综合主成分值取得了最大值，因此基于动力电池充电效率综合评价的优化充电选择方法的最优充电方法为27A恒流的CCCV充电。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电动汽车动力电池自适应优化充电方法，其特征在于，包括以下步骤：
建立动力电池充电效率与充电电流关系测试数据库；
应用主成分分析法在上述测试数据库中选取最优充电电流；
以上述选取的最优充电电流进行CCCV恒流阶段充电。
2.根据权利要求1所述的方法，其特征在于，所述应用主成分分析法在上述数据库中选取最优充电电流，包括：
在上述测试数据库中选取对应的充电电流区间，并根据插值间隔，构建充电电流择优序列；
应用上述构建的充电电流择优序列对测试数据库进行插值处理，构建动力电池充电效率与充电电流关系择优数据库；
对上述构建的择优数据库应用主成分分析法，选取最大综合主成分值对应的充电电流为最优充电电流。
3.根据权利要求2所述的方法，其特征在于，所述对上述构建的择优数据库应用主成分分析法，选取最大综合主成分值对应的充电电流为最优充电电流，包括：
对择优数据库中指标参量进行标准化处理；
求取指标参量的相关系数，并构建相关系数矩阵；
求取上述相关系数矩阵的特征值及单位特征向量；
利用上述求取的特征值计算累计贡献率，并选取主成分；
求取上述选取出的主成分载荷；
求取各组指标参量在上述选取出的主成分上的得分值；
根据上述求取的主成分得分值计算综合主成分得分，并选取最大综合主成分值对应的充电电流为最优充电电流。
4.根据权利要求3所述的方法，其特征在于，所述对择优数据库中指标参量进行标准化处理，公式为：
其中，n为指标参量矩阵X的测量组数；p为效率参数的个数，xij为指标参量矩阵中第i组中第j个效率参数的测量值，为xij的标准化数值；为第j个效率参数测量值的均值，为第j个效率参数测量值的方差。
5.根据权利要求4所述的方法，其特征在于，所述求取指标参量的相关系数可由下式确定：
式中，rst，s,t＝1,2,…p为指标参量之间的相关系数，为指标参量矩阵中第s个效率参数测量值的均值；为指标参量矩阵中第t组中效率参数测量值的均值；xks为指标参量矩阵中第k组中第s个效率参数的测量值；xkt为指标参量矩阵中第k组中第t个效率参数的测量值。
6.根据权利要求5所述的方法，其特征在于，所述累计贡献率G(l)由下式求取：
式中，λk为第k个特征值，p为效率参数的个数。
7.根据权利要求6所述的方法，其特征在于，所述选取主成分，为选取累计贡献率超过设定值的l的最小取值作为主成分个数m。
8.根据权利要求7所述的方法，其特征在于，所述求取各组指标参量在上述选取出的主成分上的得分值，公式为；
式中，ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值,i＝1,2,…,n；q＝1,2,…,m，n为指标参量的测量组数，m为主成分个数；p为效率参数的个数；为单位特征向量的转置；为标准化后的指标参量矩阵。
9.根据权利要求8所述的方法，其特征在于，所述综合主成分得分，公式为：
其中，ziq为标准化的指标参量矩阵上第i组指标参量测量值在第q个主成分上的得分值，i＝1,2,…,n；q＝1,2,…,m，n为指标参量的测量组数，m为主成分个数；αq为第q个主成分的贡献率。
10.根据权利要求9所述的方法，其特征在于，所述效率参数包括：充电倍率效率、充电荷电效率、充电能量效率、充电时间效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811106731.9A CN109346787B (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车动力电池自适应优化充电方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811106731.9A CN109346787B (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车动力电池自适应优化充电方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109346787A true CN109346787A (zh) | 2019-02-15 |
| CN109346787B CN109346787B (zh) | 2021-07-20 |
Family
ID=65306134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811106731.9A Active CN109346787B (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车动力电池自适应优化充电方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109346787B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110053496A (zh) * | 2019-04-03 | 2019-07-26 | 中国科学院电工研究所 | 一种电池充电电流选择方法 |
| CN113928161A (zh) * | 2021-10-27 | 2022-01-14 | 蔚来动力科技(合肥)有限公司 | 车辆充电系统的充电控制方法、装置、介质以及车辆 |
| CN114435369A (zh) * | 2022-02-11 | 2022-05-06 | 浙江吉利控股集团有限公司 | 一种混合动力汽车能耗优化方法 |
| CN117458675A (zh) * | 2023-12-22 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 电池充电的仿真方法、装置、设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104242306A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种基于主成分分析方法的电力系统自适应分区方法 |
| US20150019468A1 (en) * | 2013-07-09 | 2015-01-15 | Knowmtech, Llc | Thermodynamic computing |
| CN106408123A (zh) * | 2016-09-21 | 2017-02-15 | 深圳市沃特玛电池有限公司 | 一种基于神经网络模型的最优充电电流估算的方法 |
| CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
| CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN107171035A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 锂离子电池的充电方法 |
| CN107643495A (zh) * | 2017-11-08 | 2018-01-30 | 中国科学院电工研究所 | 一种基于主成分法的电池一致性评价方法 |
-
2018
- 2018-09-21 CN CN201811106731.9A patent/CN109346787B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019468A1 (en) * | 2013-07-09 | 2015-01-15 | Knowmtech, Llc | Thermodynamic computing |
| CN104242306A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种基于主成分分析方法的电力系统自适应分区方法 |
| CN106408123A (zh) * | 2016-09-21 | 2017-02-15 | 深圳市沃特玛电池有限公司 | 一种基于神经网络模型的最优充电电流估算的方法 |
| CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
| CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
| CN107171035A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 锂离子电池的充电方法 |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN107643495A (zh) * | 2017-11-08 | 2018-01-30 | 中国科学院电工研究所 | 一种基于主成分法的电池一致性评价方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110053496A (zh) * | 2019-04-03 | 2019-07-26 | 中国科学院电工研究所 | 一种电池充电电流选择方法 |
| CN113928161A (zh) * | 2021-10-27 | 2022-01-14 | 蔚来动力科技(合肥)有限公司 | 车辆充电系统的充电控制方法、装置、介质以及车辆 |
| CN113928161B (zh) * | 2021-10-27 | 2023-10-10 | 蔚来动力科技(合肥)有限公司 | 车辆充电系统的充电控制方法、装置、介质以及车辆 |
| CN114435369A (zh) * | 2022-02-11 | 2022-05-06 | 浙江吉利控股集团有限公司 | 一种混合动力汽车能耗优化方法 |
| CN114435369B (zh) * | 2022-02-11 | 2023-12-22 | 浙江吉利控股集团有限公司 | 一种混合动力汽车能耗优化方法 |
| CN117458675A (zh) * | 2023-12-22 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 电池充电的仿真方法、装置、设备和存储介质 |
| CN117458675B (zh) * | 2023-12-22 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 电池充电的仿真方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109346787B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
| CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
| Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
| Lipu et al. | Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with PCA feature selection | |
| CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
| Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
| CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
| CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
| Shaheen et al. | Optimal parameter identification of linear and non-linear models for Li-Ion Battery Cells | |
| Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
| Sun et al. | Study of parameters identification method of Li-ion battery model for EV power profile based on transient characteristics data | |
| CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
| CN105911476A (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
| CN113655385A (zh) | 锂电池soc估计方法、装置及计算机可读存储介质 | |
| CN114200333A (zh) | 一种铅酸蓄电池容量预测方法 | |
| CN114062948B (zh) | 一种基于3dcnn的锂离子电池soc估计方法 | |
| CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| Tian et al. | Consistency evaluation of electric vehicle battery pack: multi-feature information fusion approach | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
| Tamilselvi et al. | Design of an efficient battery model using evolutionary algorithms. | |
| CN114636933B (zh) | 基于复合神经网络的退役动力电池容量的检测方法及系统 | |
| Liu et al. | Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion batteries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |