CN109473745A - 一种电池快速充电方法及装置 - Google Patents
一种电池快速充电方法及装置 Download PDFInfo
- Publication number
- CN109473745A CN109473745A CN201811580399.XA CN201811580399A CN109473745A CN 109473745 A CN109473745 A CN 109473745A CN 201811580399 A CN201811580399 A CN 201811580399A CN 109473745 A CN109473745 A CN 109473745A
- Authority
- CN
- China
- Prior art keywords
- battery
- discharge
- charge
- pulse
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims description 66
- 238000005457 optimization Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 17
- 238000007599 discharging Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011897 real-time detection Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000010287 polarization Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000006722 reduction reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000003487 electrochemical reaction Methods 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003462 vein Anatomy 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
-
- 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
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)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池快速充电方法及装置,属于电池充电技术领域,所述方法包括设定电源脉冲充放电参数,包括脉冲类型和充放电时间;电源发出正脉冲对电池充电,充电时间为t1;在t1结束后,所述电源发出负脉冲对所述电池放电,放电时间为t2;重复所述步骤S2和所述步骤S3,正负脉冲交替工作,并在所述步骤S2或所述步骤S3中,对所述脉冲充放电参数进行优化,完成所述电池充电。本发明通过正负脉冲交替充电并对充放电参数进行优化的方法,与现有技术比较,降低充电阻抗,提高充电倍率,缩短充电时间,使用便利,提升电池经济性能,让电池的应用更加绿色和节能。
Description
技术领域
本发明涉及电池充电技术领域,具体涉及一种电池快速充电方法及装置。
背景技术
电池是通过电极上发生的电化学氧化与还原反应将化学能转变成电能的,电池由正极和负极构成,放电时负极发生氧化反应,正极发生还原反应。充电时则相反,正极发生氧化反应,负极发生还原反应。
当电流通过电极并伴随着电化学反应时,因极化反应引起的能量损失包括:活化极化,它驱动电极界面的电化学反应;浓差极化,它产生于反应物和产物在电解质本体和电极/电解质界面的浓度差,而极化造成能量损失并以热量的形式放出。因此电池无法实现快速充电,使电池应用受到限制,同时电池充电过程中发生极化效应,使电池内阻变大,使充电效率变低、内阻发热变严重,加快电池老化,并降低了电池的性能和使用寿命。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷,本发明采用的技术方案在于,一种电池快速充电方法,其特征在于,其包括以下步骤:
步骤S1:设定电源脉冲充放电参数,包括脉冲类型和充放电时间;
步骤S2:电源发出正脉冲对电池充电,充电时间为t1;
步骤S3:在t1结束后,所述电源发出负脉冲对所述电池放电,放电时间为t2;
步骤S4:重复所述步骤S2和所述步骤S3,正负脉冲交替工作,完成所述电池充电。
较佳的,在所述步骤S2或所述步骤S3中,对所述脉冲充放电参数进行优化,所述优化的方法包括实时优化算法,具体包括以下步骤:
第一步:建立第一深度学习参数优化模型,以电池充放电时实时检测的电池阻抗和电池电流信息为输入,以极化效应最小为目标,实现充电脉冲波形参数的自适应调整,完成充放电脉冲波形参数的优化控制;
第二步:建立第二深度学习参数优化模型,以电池充放电时实时检测的电池电压和所述电池电流信息为输入,以提高充电效率为目标,实现充放电电流幅值参数的自适应调整,完成充放电电流幅值参数的优化控制;
第三步:将第一步中所述优化的充放电脉冲波形参数和第二步中所述优化的充放电电流幅值参数进行加权优化组合,得到最佳脉冲充放电参数。
较佳的,第一步所述第一深度学习参数优化模型建立方法在于,搭建第一深度学习框架,且将所述电池阻抗和所述电池电流数据传输到搭建的所述第一深度学习框架中;通过搭建的所述第一深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到第一深度学习参数优化模型。
较佳的,第二步所述第二深度学习参数优化模型建立方法在于,搭建第二深度学习框架,且将所述电池电压和所述电池电流数据传输到搭建的所述第二深度学习框架中;通过搭建的所述第二深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到所述第二深度学习参数优化模型。
较佳的,所述第一深度学习参数优化模型或所述第二深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层。
较佳的,所述优化的方法还包括通过调节反向电流脉冲的电流值、脉冲频率和所述充放电时间,对所述脉冲充放电参数进行优化。
较佳的,所述优化的方法还包括利用专家库数据,对所述脉冲充放电参数进行优化,所述专家库里保存了通过实验研究得到的多组脉冲充放电优化参数,所述多组脉冲充放电优化参数对应多种充放电方案。
较佳的,所述优化的方法还包括智能算法,所述智能算法具有自学习功能,能够在充电过程中通过自身的学习对所述脉冲充放电参数实时优化的速度和稳定性进行调节。
与现有技术比较本发明的有益效果在于:
(1)通过正负脉冲交替充电,降低充电阻抗,保证充电电池不会大量产生热量,可以提高充电倍率,从而大大缩短充电时间,从而提高电池在许多应用情况下的便利,同时提升了电池经济性能,让电池的应用更加绿色和节能。
(2)电池极化效应是电池老化的重要因素,充电过程中实时进行电池充电极化效应优化,从而让电池快速充电性能和使用寿命最大化这两个矛盾参数都得到优化。
本发明的另一目的在于提供一种电池快速充电装置,其包括
充电单元,所述充电单元包括双向交流/直流变换器和双向直流/直流变换器,所述双向交流/直流变换器一端与市电连接,另一端与所述双向直流/直流变换器相连接;
控制单元,所述控制单元与所述充电单元相连接,用于调节所述充电单元的充放电参数;
处理单元,所述处理单元与所述控制单元相连接,用于数据处理和智能计算;以及
待测单元,所述待测单元与所述双向直流/直流变换器相连接,且所述待测单元包括电池,所述电池与所述控制单元相连接。
较佳的,所述处理单元通过通信从所述控制单元中获取数据进行优化,并将优化后的参数结果发送到所述控制单元。
与现有技术比较,所述电池快速充电装置的有益效果与所述电池快速充电方法的有益效果相同,在此不再赘述。
附图说明
图1是本发明中脉冲充放电参数优化方案图;
图2是本发明中基于电池阻抗与充放电极化效应建立的深度学习参数优化模型图;
图3是本发明中基于充放电效率、电池电压和电流建立的深度学习参数优化模型图;
图4是本发明中电池快速充电装置结构简图。
图中数字表示:
1-充电单元;11-双向交流/直流变换器;12-双向直流/直流变换器;2-控制单元;3-处理单元;4-待测单元;41-电池;5-市电。
具体实施方式
实施例1
本发明提供了一种电池快速充电方法,包括以下步骤:
步骤S1:设定电源脉冲充放电参数,包括脉冲类型和充放电时间;
步骤S2:电源发出正脉冲对电池充电,充电时间为t1;
步骤S3:在t1结束后,电源发出负脉冲对电池放电,放电时间为t2;
步骤S4:重复所述步骤S2和所述步骤S3,正负脉冲交替工作,并在所述步骤S2或所述步骤S3中,对所述脉冲充放电参数进行优化,完成电池充电。
其中,所述步骤S2中,当所述电源发出正脉冲时对电池充电,正极发生氧化反应,负极发生还原反应。此时伴随着电化学反应引起活化极化和浓差极化。随着正脉冲时间增长,极化程度增加;所述步骤S3中,在t1结束后,所述电源发出负脉冲进行放电,此时负脉冲消除或减轻正脉冲过程中的极化效应;通过正负脉冲交替充电,降低充电阻抗,保证充电电池不会大量产生热量,可以提高充电倍率,从而大大缩短充电时间,从而提高电池在许多应用情况下的便利,同时提升了电池经济性能,让电池的应用更加绿色和节能,同时延长了电池的使用寿命。
实施例2
结合附图1-4,本实施例在实施例1的基础之上,对所述脉冲充放电参数进行优化,所述优化的方法包括实时优化算法,具体包括以下步骤:
第一步:建立第一深度学习参数优化模型,以电池充放电时实时检测的电池阻抗和电池电流信息为输入,以极化效应最小为目标,实现充电脉冲波形参数的自适应调整,完成充放电脉冲波形参数的优化控制;其中所述充放电脉冲波形参数,即充电正脉冲中周期性插入的放电负脉冲的宽度;所述第一深度学习参数优化模型建立方法在于,搭建第一深度学习框架,且将所述电池阻抗和所述电池电流数据传输到搭建的所述第一深度学习框架中;通过搭建的所述第一深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到第一深度学习参数优化模型。
如图2,基于电池阻抗与充放电极化效应建立的深度学习参数优化模型图包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层,其中电池阻抗特征变量以电池充满电时总内阻的2倍为标准进行转换,得到[0,1]范围的数字,最大值不大于1,大于1时取1;电池电流特征变量以电池额定电流为标准进行转换,得到标幺值表示;节点之间通过权重值连接,通过采用反向传播算法学习优化权重值,训练以达到损失最低;非线性转换层采用ReLU激活函数处理,即激活函数为:f(x)=max(0,1)。
第二步:建立第二深度学习参数优化模型,以电池充放电时实时检测的电池电压和所述电池电流信息为输入,以提高充电效率为目标,实现充放电电流幅值参数的自适应调整,完成充放电电流幅值参数的优化控制;其中所述第二深度学习参数优化模型建立方法在于,搭建第二深度学习框架,且将所述电池电压和所述电池电流数据传输到搭建的所述第二深度学习框架中;通过搭建的所述第二深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到所述第二深度学习参数优化模型。充放电速度与充放电效率,在理论上是存在对立和竞争关系的,在实际充放电应用中,可以选择适宜的大倍率充电电流,优化充放电过程中电池的极化效应程度,使电池不会大量产生气体和严重发热,而这个适宜的充放电速度,就可以采用充放电效率模型来选择;
如图3,基于充放电效率、电池电压和电流建立的深度学习参数优化模型图,包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层,其中电池电压特征变量以电池最大电压值为标准进行转换,得到[0,1]范围的数字;电池电流特征变量以电池额定电流为标准进行转换,得到标幺值表示;电池充放电效率特征变量为[0,1]范围的数字;节点之间通过权重值连接。通过采用反向传播算法学习优化权重值,训练以达到损失最低;非线性转换层采用ReLU激活函数处理,即激活函数为:f(x)=max(0,1)。
第三步:将第一步中所述优化的充放电脉冲波形参数和第二步中所述优化的充放电电流幅值参数进行加权优化组合,得到最佳脉冲充放电参数,如图4。
电池极化效应是电池老化的重要因素,充电过程中实时进行电池充电极化效应优化,从而让电池快速充电性能和使用寿命最大化这两个矛盾参数都得到优化。
实施例3
本实施例与实施例2的区别之处在于,所述优化的方法还包括通过调节反向电流脉冲的电流值、脉冲频率和所述充放电时间,对所述脉冲充放电参数进行优化,操作简单。
实施例4
本实施例与实施例2的区别之处在于,所述优化的方法还包括利用专家库数据,对所述脉冲充放电参数进行优化,专家库里保存了通过实验研究得到的多组脉冲充电优化参数,能够提供多种充电方案。
实施例5
本实施例与实施例2的区别之处在于,所述优化的方法还包括智能算法,所述智能算法具有自学习功能,能够在充电过程中通过自身的学习不断提高所述脉冲充放电参数实时优化的速度和稳定性。
实施例6
结合图4,本实施例提供一种电池快速充电装置,其包括充电单元1,所述充电单元1包括双向交流/直流变换器11和双向直流/直流变换器12,所述双向交流/直流变换器11一端与市电5连接,另一端与所述双向直流/直流变换器12相连接;控制单元2,所述控制单元2与所述充电单元1相连接,用于调节所述充电单元1的充放电参数;处理单元3,所述处理单元3与所述控制单元2相连接,用于数据处理和智能计算;以及待测单元4,所述待测单元4与所述双向直流/直流变换器12相连接,且所述待测单元4包括电池41,所述电池41与所述控制单元2相连接。
本装置能够实现电池的快速充电,且通过正负脉冲交替充电,降低充电阻抗,保证充电电池不会大量产生热量,可以提高充电倍率,从而大大缩短充电时间,从而提高电池在许多应用情况下的便利,同时提升了电池经济性能,让电池的应用更加绿色和节能,同时延长了电池的使用寿命。
其中,所述电池41为锂离子电池,所述双向交流/直流变换器11将交流电源变换为直流电,并为后级所述双向直流/直流变换器12供电;所述双向交流/直流变换器11将后级的所述双向直流/直流变换器12反向的直流电变换为交流电,并通过并网返回电网;所述双向直流/直流变换器12产生正负脉冲电流,同时,所述双向直流/直流变换器12将前级的所述双向交流/直流变换器11的输出直流电进行变换并输出正脉冲;所述双向直流/直流变换器12将电池输出的直流电流变换到所述双向交流/直流变换器11的直流母线端。
所述控制单元2是中位机,所述中位机是操作控制界面,通过通信管理交流/直流变换器和双向直流/直流变换器电源,对所述充放电参数进行调节,所述充放电参数包括脉冲类型、电流脉冲的电流值、脉冲频率、充放电时间。
所述处理单元3为后台计算机,是数据处理、充放电参数在线深度学习优化等智能计算的处理平台。所述后台计算机通过通信从所述中位机中获取数据,并把深度学习参数优化模型参数结果发送到所述中位机。所述处理单元包括深度学习模块,用于建立深度学习参数优化模型图,并获得最佳所述充放电参数;所述处理单元包括专家库,所述专家库包括通过实验研究得到的多组脉冲充放电优化参数,用于提供多种充放电方案;所述处理单元还包括智能计算模块,所述智能计算模块具有自学习功能,用于调节所述脉冲充放电参数实时优化的速度和稳定性。
所述电池快速充电装置能够对电池进行快速充电,其工作原理如下:
第一步:将所述电池41放入待测单元3,同时启动所述充电单元1,即将所述双向交流/直流变换器11与市电5连通,此时所述充电单元1、所述控制单元2、所述处理单元3均为工作状态;
第二步:通过所述处理单元3对脉冲类型和充放电时间进行设定;
第三步:通过所述控制单元2管理所述交流/直流变换器11和所述双向直流/直流变换器12,当所述充电单元1发出正脉冲时对电池充电,充电时间为t1;在t1结束后,所述充电单元1发出负脉冲对所述电池放电,放电时间为t2,如此重复上述正负脉冲的充放电过程。
第四步:完成所述电池41充电。
本实施例中较优的快速充电方法在于,在所述正/负脉冲的充/放电过程中,通过所述深度学习模块对所述脉冲充放电参数进行优化,具体工作原理:
第一步:通过所述充电单元1检测充电时电池阻抗,通过所述处理单元3中的深度学习模块建立第一深度学习参数优化模型,以电池充放电时实时检测的电池阻抗和电池电流信息为输入,以极化效应最小为目标,实现充电脉冲波形参数的自适应调整,完成充放电脉冲波形参数的优化控制;其中所述充放电脉冲波形参数,即充电正脉冲中周期性插入的放电负脉冲的宽度;所述第一深度学习参数优化模型建立方法在于,搭建第一深度学习框架,且将所述电池阻抗和所述电池电流数据传输到搭建的所述第一深度学习框架中;通过搭建的所述第一深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到第一深度学习参数优化模型。
第二步:通过所述处理单元3中的深度学习模块建立第二深度学习参数优化模型,以电池充放电时实时检测的电池电压和所述电池电流信息为输入,以提高充电效率为目标,实现充放电电流幅值参数的自适应调整,完成充电电流幅值参数的优化控制;其中所述第二深度学习参数优化模型建立方法在于,搭建第二深度学习框架,且将所述电池电压和所述电池电流数据传输到搭建的所述第二深度学习框架中;通过搭建的所述第二深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到所述第二深度学习参数优化模型。充放电速度与充放电效率,在理论上是存在对立和竞争关系的,在实际充放电应用中,可以选择适宜的大倍率充电电流,优化充放电过程中电池的极化效应程度,使电池不会大量产生气体和严重发热,而这个适宜的充放电速度,就可以采用充放电效率模型来选择;
第三步:将第一步中所述优化的充放电脉冲波形参数和第二步中所述优化的充放电电流幅值参数通过所述处理单元3进行加权优化组合,得到最佳脉冲充放电参数;
第四步:所述处理单元3将第三步所述最佳脉冲充放电参数数据传递至所述控制单元2,所述控制单元2管理所述交流/直流变换器11和所述双向直流/直流变换器12以最佳脉冲充放电参数进行输出,从而让电池快速充电性能和使用寿命最大化这两个矛盾参数都得到优化。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (10)
1.一种电池快速充电方法,其特征在于,其包括以下步骤:
步骤S1:设定电源脉冲充放电参数,包括脉冲类型和充放电时间;
步骤S2:电源发出正脉冲对电池充电,充电时间为t1;
步骤S3:在t1结束后,所述电源发出负脉冲对所述电池放电,放电时间为t2;
步骤S4:重复所述步骤S2和所述步骤S3,正负脉冲交替工作,并在所述步骤S2或所述步骤S3中,对所述脉冲充放电参数进行优化,完成所述电池充电。
2.根据权利要求1所述的电池快速充电方法,其特征在于,在所述步骤S2或所述步骤S3中,对所述脉冲充放电参数进行优化,所述优化的方法包括实时优化算法,具体包括以下步骤:
第一步:建立第一深度学习参数优化模型,以电池充放电时实时检测的电池阻抗和电池电流信息为输入,以极化效应最小为目标,实现充电脉冲波形参数的自适应调整,完成充放电脉冲波形参数的优化控制;
第二步:建立第二深度学习参数优化模型,以电池充放电时实时检测的电池电压和所述电池电流信息为输入,以提高充电效率为目标,实现充放电电流幅值参数的自适应调整,完成充放电电流幅值参数的优化控制;
第三步:将第一步中所述优化的充放电脉冲波形参数和第二步中所述优化的放电电流幅值参数进行加权优化组合,得到最佳脉冲充放电参数。
3.根据权利要求2所述的电池快速充电方法,其特征在于,第一步所述第一深度学习参数优化模型建立方法在于,搭建第一深度学习框架,且将所述电池阻抗和所述电池电流数据传输到搭建的所述第一深度学习框架中;通过搭建的所述第一深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到第一深度学习参数优化模型。
4.根据权利要求2所述的电池快速充电方法,其特征在于,第二步所述第二深度学习参数优化模型建立方法在于,搭建第二深度学习框架,且将所述电池电压和所述电池电流数据传输到搭建的所述第二深度学习框架中;通过搭建的所述第二深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到所述第二深度学习参数优化模型。
5.根据权利要求3或4所述的电池快速充电方法,其特征在于,所述第一深度学习参数优化模型或所述第二深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层。
6.根据权利要求1所述的电池快速充电方法,其特征在于,所述优化的方法还包括通过调节反向电流脉冲的电流值、脉冲频率和所述充放电时间,对所述脉冲充放电参数进行优化。
7.根据权利要求1所述的电池快速充电方法,其特征在于,所述优化的方法还包括利用专家库数据,对所述脉冲充放电参数进行优化,所述专家库里保存了通过实验研究得到的多组脉冲充放电优化参数,所述多组脉冲充放电优化参数对应多种充放电方案。
8.根据权利要求1所述的电池快速充电方法,其特征在于,所述优化的方法还包括智能算法,所述智能算法具有自学习功能,能够在充电过程中通过自身的学习对所述脉冲充放电参数实时优化的速度和稳定性进行调节。
9.一种电池快速充电装置,其特征在于,其包括
充电单元,所述充电单元包括双向交流/直流变换器和双向直流/直流变换器,所述双向交流/直流变换器一端与市电连接,另一端与所述双向直流/直流变换器相连接;
控制单元,所述控制单元与所述充电单元相连接,用于调节所述充电单元的充放电参数;
处理单元,所述处理单元与所述控制单元相连接,用于数据处理和智能计算;以及
待测单元,所述待测单元与所述双向直流/直流变换器相连接,且所述待测单元包括电池,所述电池与所述控制单元相连接。
10.根据权利要求9所述的电池快速充电装置,其特征在于,所述处理单元通过通信从所述控制单元中获取数据进行优化,并将优化后的参数结果发送到所述控制单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580399.XA CN109473745B (zh) | 2018-12-24 | 2018-12-24 | 一种电池快速充电方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580399.XA CN109473745B (zh) | 2018-12-24 | 2018-12-24 | 一种电池快速充电方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109473745A true CN109473745A (zh) | 2019-03-15 |
CN109473745B CN109473745B (zh) | 2024-03-08 |
Family
ID=65676765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811580399.XA Active CN109473745B (zh) | 2018-12-24 | 2018-12-24 | 一种电池快速充电方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109473745B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371143A (zh) * | 2020-03-24 | 2020-07-03 | 北京经纬恒润科技有限公司 | 一种充放电系统 |
US11398650B2 (en) | 2019-08-07 | 2022-07-26 | Beijing Xiaomi Mobile Software Co., Ltd. | Battery module, charging method and apparatus, electronic device, and readable storage medium |
WO2023134059A1 (zh) * | 2022-01-14 | 2023-07-20 | 宁德时代新能源科技股份有限公司 | 电池能量回收方法、装置、电池管理系统和电池 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1244307A (zh) * | 1997-01-07 | 2000-02-09 | 离子控制方法公司 | 用于电池快速充电和整修的改进的方法和装置 |
US6094033A (en) * | 1998-10-02 | 2000-07-25 | Georgia Tech Research Corporation | Battery state of charge detector with rapid charging capability and method |
CN201167241Y (zh) * | 2008-02-28 | 2008-12-17 | 马辉 | 一种智能充电机控制的正负脉冲充放电电路 |
CN102208699A (zh) * | 2011-04-12 | 2011-10-05 | 北京理工大学 | 一种带负脉冲放电的快速脉冲充电方法 |
CN103904746A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种智能型正负脉冲动力电池快速充电机及充电方法 |
CN108417917A (zh) * | 2018-01-10 | 2018-08-17 | 中山大学 | 一种锂离子电池快速充电方法 |
-
2018
- 2018-12-24 CN CN201811580399.XA patent/CN109473745B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1244307A (zh) * | 1997-01-07 | 2000-02-09 | 离子控制方法公司 | 用于电池快速充电和整修的改进的方法和装置 |
US6094033A (en) * | 1998-10-02 | 2000-07-25 | Georgia Tech Research Corporation | Battery state of charge detector with rapid charging capability and method |
CN201167241Y (zh) * | 2008-02-28 | 2008-12-17 | 马辉 | 一种智能充电机控制的正负脉冲充放电电路 |
CN102208699A (zh) * | 2011-04-12 | 2011-10-05 | 北京理工大学 | 一种带负脉冲放电的快速脉冲充电方法 |
CN103904746A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种智能型正负脉冲动力电池快速充电机及充电方法 |
CN108417917A (zh) * | 2018-01-10 | 2018-08-17 | 中山大学 | 一种锂离子电池快速充电方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11398650B2 (en) | 2019-08-07 | 2022-07-26 | Beijing Xiaomi Mobile Software Co., Ltd. | Battery module, charging method and apparatus, electronic device, and readable storage medium |
CN111371143A (zh) * | 2020-03-24 | 2020-07-03 | 北京经纬恒润科技有限公司 | 一种充放电系统 |
WO2023134059A1 (zh) * | 2022-01-14 | 2023-07-20 | 宁德时代新能源科技股份有限公司 | 电池能量回收方法、装置、电池管理系统和电池 |
Also Published As
Publication number | Publication date |
---|---|
CN109473745B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109473745A (zh) | 一种电池快速充电方法及装置 | |
CN104538999B (zh) | 一种光伏发电储能系统及其能量调度方法 | |
CN105119312B (zh) | 一种基于混合整数非线性规划的光伏储能调度方法 | |
CN106341044B (zh) | 一种模块化电力电子变压器综合效率优化控制方法 | |
CN109786898B (zh) | 一种锂离子动力电池交变激励低温加热方法 | |
CN110970969B (zh) | 一种电动船用锂离子动力电池轮休平衡拓扑及控制方法 | |
CN207269198U (zh) | 一种基于电容串并联结构的高增益双输入直流变换器 | |
CN104753135B (zh) | 基于能量在线估计的蓄电池充电控制器及其控制方法 | |
CN115021325B (zh) | 基于ddpg算法的光伏逆变器多目标优化方法 | |
CN108512243A (zh) | 电力传输系统、风力发电机组及风电场 | |
CN204068691U (zh) | 基于开关电容网络串联的多输入升压变换器 | |
CN104198856A (zh) | 非车载充电机的检测方法及装置 | |
CN209626367U (zh) | 一种电池快速充电装置 | |
CN106451711A (zh) | 一种复合脉冲铅酸蓄电池充电器及其充电方法 | |
CN104410136A (zh) | 一种交错模块化的Pack to Cell均衡电路及控制方法 | |
CN207039241U (zh) | 一种应用于锂金属电池的充放电系统 | |
CN202494763U (zh) | 能量回馈型动力电池测试装置 | |
CN103515665A (zh) | 充电装置及充电方法 | |
CN115800449A (zh) | 基于改进Buck-Boost均衡电路的电池组充电控制方法 | |
CN204180008U (zh) | 一种基于模块串联结构的光伏电站 | |
CN110474548A (zh) | 一种基于高频脉冲的逆变变流电路及其控制方法 | |
CN105790361B (zh) | 一种基于三闭环结构的全钒液流电池充放电控制系统及其控制策略 | |
CN203607902U (zh) | 一种电池组均衡电路 | |
CN102368570A (zh) | 用于蓄电池化成的放电方法 | |
CN201226453Y (zh) | 蓄电池高效化成激励充电装置 |
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 |