CN109617153A - 一种矿用锂电池管理系统 - Google Patents
一种矿用锂电池管理系统 Download PDFInfo
- Publication number
- CN109617153A CN109617153A CN201811397446.7A CN201811397446A CN109617153A CN 109617153 A CN109617153 A CN 109617153A CN 201811397446 A CN201811397446 A CN 201811397446A CN 109617153 A CN109617153 A CN 109617153A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- prediction
- model
- temperature
- rvm
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 41
- 238000005065 mining Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 230000001373 regressive effect Effects 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 4
- 229910001416 lithium ion Inorganic materials 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000002503 metabolic effect Effects 0.000 claims description 2
- 238000012097 association analysis method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000004880 explosion Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H02J7/0091—
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种分布式矿用锂电池管理系统,该管理系统能够实时监测锂电池以及电路板温度,当锂电池或电路板温度过高时,系统自动进入省电工作状态,避免锂电池工作温度过高,引起爆炸等火灾危险。实时监测电路板温度,可以增强保护电路自身安全,避免因电路自身原因引起的安全事故。其寿命预测方法采用电池容量作为训练样本建立灰色RVM回归预测模型;采用DGM(1,1)做容量短期预测,采用灰色关联分析判断相关性,并以此结果对RVM模型进行动态的更新,获得新的相关向量,以获得该方法长期趋势预测结果。本发明通过实时采集锂电池监测数据,获得了更准确地矿用锂电池的寿命预测精度。
Description
技术领域
本发明涉及一种矿用锂电池管理系统,属于锂电池管理技术领域。
背景技术
锂离子电池是指电化学体系中含有锂的电池,一般由二部分组成:电芯和管理系统。目 前,国内外电池管理系统研究主要集中在电动汽车行业,专门针对矿用大容量锂离子电池 的管理系统较少。清华大学开发的电池管理系统由六个子电路组成,除了可以进行电压和 电流的检测外,还包括了保护电路,可以防止电池出现过充、过放电现象,并且所采用的 SOC估计算法较为先进,对电池组的剩余电量估计准确,但是该系统缺少热管理功能。
发明内容
本发明目的在于提供一种矿用锂电池管理系统,能够根据锂电池温度调整工作状态。
为实现上述目的,一种分布式矿用锂电池管理系统,包括一台上位机和若干管理终端, 所述上位机和管理终端通过网络或串行通信连接;所述管理终端包括主控单元、电池组均 衡单元、放电监测单元、充电监测单元、容量测试单元和温度采集单元,所属电池组均衡 单元、放电监测单元、充电监测单元、容量测试单元和温度采集单元分别与主控单元连接, 上位机内设有寿命预测单元;所述温度采集单元包括温度传感器组Ⅰ和温度传感器组Ⅱ, 温度传感器组Ⅰ用于采集锂电池组温度,温度传感器组Ⅱ用于采集电路板温度;主控单元 将采集的锂电池组温度和电路板温度发送给上位机,上位机判断某管理终端锂电池组温度 和/或电路板温度超过设定门槛值时,通知该管理终端进入省电工作状态。
与现有技术相比,本发明能够实时监测锂电池以及电路板温度,当锂电池或电路板温度 过高时,系统自动进入省电工作状态,避免锂电池工作温度过高,引起爆炸等火灾危险。 实时监测电路板温度,可以增强保护电路自身安全,避免因电路自身原因引起的安全事故。
附图说明
图1为本发明组成原理框图;
图2为本发明流程图。
具体实施方式
下面结合附图对本发明进一步说明:
如图1所示,一种分布式矿用锂电池管理系统,包括一台上位机和若干管理终端,所述 上位机和管理终端通过网络或串行通信连接;所述管理终端包括主控单元、电池组均衡单 元、放电监测单元、充电监测单元、容量测试单元和温度采集单元,所属电池组均衡单元、 放电监测单元、充电监测单元、容量测试单元和温度采集单元分别与主控单元连接,上位 机内设有寿命预测单元;所述温度采集单元包括温度传感器组Ⅰ和温度传感器组Ⅱ,温度 传感器组Ⅰ用于采集锂电池组温度,温度传感器组Ⅱ用于采集电路板温度主控单元将采集 的锂电池组温度和电路板温度发送给上位机,上位机判断某管理终端锂电池组温度和/或电 路板温度超过设定门槛值时,通知该管理终端进入省电工作状态。
与现有技术相比,本发明能够实时监测锂电池以及电路板温度,当锂电池或电路板温度 过高时,系统自动进入省电工作状态,避免锂电池工作温度过高,引起爆炸等火灾危险。 实时监测电路板温度,可以增强保护电路自身安全,避免因电路自身原因引起的安全事故。
上述分布式矿用锂电池管理系统,设置在上位机中的寿命预测单元,其预测方法包括 以下步骤:
第一步、选用预测模型DGM(1,1),定义如下:
x(1)(k+1)=β1x(1)(k)+β2;
通过对矿用锂电池循环寿命试验数据进行仿真分析,DGM(1,1)是对GM(1,1)模型进一 步精确化,在一定程度上提高了预测的稳定性。
第二步、选择矿用锂离子电池循环寿命容量样本数据作为初始训练数据,将样本归一 化处理,把所有数据都转化为[-1,1]之间的数,消除循环周期次数与容量之间的数量级差 别;
第三步、初始化RVM模型参数:核函数选择高斯核函数,K(x,xi)=exp(-||x-xi||2/r2), 进行EM迭代运算,噪声方差σ2=0.1var(x),收敛条件δ取0.1,权重w设置为
其中r为带宽;
第四步、按照第一步中预测模型建立预测方程
以DGM(1,1)求解β1和β2;原始非负训练数据序列为其一次累 加生成序列为:
其中将X(1)代入第一步的公式中,得到:
Y=Bβ
其中β=(β1,β2)T,为参序列,
则DGM微分方程x(1)(k+1)=β1x(1)(k)+β2的最小二乘估计参数列满足β=(BTB)- 1BTY, 进而计算可得β1和β2;
取则一次累加生成序列的估计值为:
还原可得DGM(1,1)预测模型:
通过建立的DGM(1,1)迭代计算,更新原始训练数据;
第五步、建立RVM回归预测模型
通过第三步中DGM(1,1)模型对原始训练数据的预测值作为RVM模型的输入数据,原 始训练数据作为RVM的输出数据,采用EM迭代算法训练RVM模型,得到RVM回归模 型;
第六步、锂电池容量预测
采用DGM(1,1)模型算法对电池容量按设定步长的趋势预测,将预测值输入第三步中训 练得到的RVM回归模型中,得到电池容量的预测结果及概率范围;
第七步、预测结束判断
判断电池容量预测值是否大于设定的容量失效阀值,若大于设定的容量失效阀值,转至 第八步继续进行预测;若小于设定的容量预测阀值,则预测结束,并将容量预测结果及其 置信区间转换为RUL值以及相应的置信区间,并与实际的RUL进行对比,以验证本文方 法的有效性;
第八步、相关性分析
采用新陈代谢方法,将第六步中的电池容量的预测结果更新原始训练数据,得到新的训 练数据;新的训练数据输入DGM(1,1)模型算法中进行短期预测;最后用灰色关联分析方法 分析新训练数据与原始训练数据之间的关联度;若二者之间关联度较大,大于设定值,返 回第六步继续预测;反之,跳转至第五步重新训练RVM回归模型,获得新的RVM模型,并继续预测。
上述方法选择电池容量作为原始训练数据,建立动态灰色预测模型,将其产生的预测 值作为RVM模型输入数据,设定相应失效阈值,获取灰色关联分布与原始训练数据的相关 性判断,进行预测目标完成的判断,进而将容量预测值及预测方法转换为置信区间。
与现有技术相比,上述方法对锂电池寿命预测更加精准,根据该方法的预测结果,可 以进一步优化管理系统,最大化电池能量利用率,有效地延长电池使用寿命。
上述方法中,第八步所述灰色关联分析方法采用斜率灰色关联度分析法,所述斜率灰色 关联度分析法是在传统灰色关联分析方法上的改进,分辨率较高、适合矿用锂离子电池容 量退化趋势分析,具体公式如下:
假设两个数据序列和两者之间的关联度关系系数计算公式为:
其中,Δxk=xk+1-xk,Δyk=yk+1-yk,
最后得出两个数据序列之间的关联度:
第三步中所述带宽r为核心参数,决定模型的稀疏性和精确性,带宽越小,相关向量越 密集、拟合精度越高,同时模型的复杂度也增加,计算时间增长,还可能造成模型过拟合, 使模型失去稀疏性,所以带宽要根据矿用锂电池的特点选择合适的,所述带宽优选r=5。
第三步中所述EM迭代算法迭代次数越多,计算越精确,但是迭代次数多了增加计算 负担,所以本申请循环迭代次数取1200。
Claims (5)
1.一种分布式矿用锂电池管理系统,包括一台上位机和若干管理终端,所述上位机和管理终端通过网络或串行通信连接;所述管理终端包括主控单元、电池组均衡单元、放电监测单元、充电监测单元、容量测试单元和温度采集单元,所属电池组均衡单元、放电监测单元、充电监测单元、容量测试单元和温度采集单元分别与主控单元连接,上位机内设有寿命预测单元;其特征在于,所述温度采集单元包括温度传感器组Ⅰ和温度传感器组Ⅱ,温度传感器组Ⅰ用于采集锂电池组温度,温度传感器组Ⅱ用于采集电路板温度;主控单元将采集的锂电池组温度和电路板温度发送给上位机,上位机判断某管理终端锂电池组温度和/或电路板温度超过设定门槛值时,通知该管理终端进入省电工作状态。
2.根据权利要求1所述的分布式矿用锂电池管理系统,其特征在于,所述寿命预测单元预测方法包括以下步骤:
第一步、选用预测模型DGM(1,1),定义如下:
x(1)(k+1)=β1x(1)(k)+β2;
第二步、选择矿用锂离子电池循环寿命容量样本数据作为初始训练数据,将样本归一化处理,把所有数据都转化为[-1,1]之间的数,消除循环周期次数与容量之间的数量级差别;
第三步、初始化RVM模型参数:核函数选择高斯核函数,K(x,xi)=exp(-||x-xi||2/r2),进行EM迭代运算,噪声方差σ2=0.1var(x),收敛条件δ取0.1,权重w设置为其中r为带宽;
第四步、按照第一步中预测模型建立预测方程
以DGM(1,1)求解β1和β2;原始非负训练数据序列为其一次累加生成序列为:
其中将X(1)代入第一步的公式中,得到:
Y=Bβ
其中β=(β1,β2)T,为参序列,
则DGM微分方程x(1)(k+1)=β1x(1)(k)+β2的最小二乘估计参数列满足β=(BTB)-1BTY,进而计算可得β1和β2;
取则一次累加生成序列的估计值为:
还原可得DGM(1,1)预测模型:
通过建立的DGM(1,1)迭代计算,更新原始训练数据;
第五步、建立RVM回归预测模型
通过第三步中DGM(1,1)模型对原始训练数据的预测值作为RVM模型的输入数据,原始训练数据作为RVM的输出数据,采用EM迭代算法训练RVM模型,得到RVM回归模型;
第六步、锂电池容量预测
采用DGM(1,1)模型算法对电池容量按设定步长的趋势预测,将预测值输入第三步中训练得到的RVM回归模型中,得到电池容量的预测结果及概率范围;
第七步、预测结束判断
判断电池容量预测值是否大于设定的容量失效阀值,若大于设定的容量失效阀值,转至第八步继续进行预测;若小于设定的容量预测阀值,则预测结束,并将容量预测结果及其置信区间转换为RUL值以及相应的置信区间,并与实际的RUL进行对比,以验证本文方法的有效性;
第八步、相关性分析
采用新陈代谢方法,将第六步中的电池容量的预测结果更新原始训练数据,得到新的训练数据;新的训练数据输入DGM(1,1)模型算法中进行短期预测;最后用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度;若二者之间关联度较大,大于设定值,返回第六步继续预测;反之,跳转至第五步重新训练RVM回归模型,获得新的RVM模型,并继续预测。
3.根据权利要求2所述的分布式矿用锂电池管理系统,其特征在于,第八步中所述灰色关联分析方法为斜率灰色关联度分析法,公式如下:
假设两个数据序列和两者之间的关联度关系系数计算公式为:
其中,Δxk=xk+1-xk,Δyk=yk+1-yk,
最后得出两个数据序列之间的关联度:
4.根据权利要求3所述的矿用锂电池管理系统,其特征在于,第三步中所述带宽r=5。
5.根据权利要求4所述的矿用锂电池管理系统,其特征在于,第三步中所述EM迭代运算的最大循环迭代次数取1200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811397446.7A CN109617153A (zh) | 2018-11-22 | 2018-11-22 | 一种矿用锂电池管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811397446.7A CN109617153A (zh) | 2018-11-22 | 2018-11-22 | 一种矿用锂电池管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109617153A true CN109617153A (zh) | 2019-04-12 |
Family
ID=66003736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811397446.7A Pending CN109617153A (zh) | 2018-11-22 | 2018-11-22 | 一种矿用锂电池管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109617153A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917840A (zh) * | 2020-07-15 | 2020-11-10 | 唐山学院 | 一种用于锂电池的远程通信信息处理方法及系统 |
WO2022258235A1 (de) * | 2021-06-10 | 2022-12-15 | Robert Bosch Gmbh | Verfahren zum überwachen eines energiespeichers in einem kraftfahrzeug |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN104505894A (zh) * | 2014-12-30 | 2015-04-08 | 中国矿业大学 | 一种基于矿用锂离子电池的电源管理系统及状态估计方法 |
-
2018
- 2018-11-22 CN CN201811397446.7A patent/CN109617153A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN104505894A (zh) * | 2014-12-30 | 2015-04-08 | 中国矿业大学 | 一种基于矿用锂离子电池的电源管理系统及状态估计方法 |
Non-Patent Citations (1)
Title |
---|
姜玉叶: "矿用锂离子电池状态监测与寿命预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917840A (zh) * | 2020-07-15 | 2020-11-10 | 唐山学院 | 一种用于锂电池的远程通信信息处理方法及系统 |
CN111917840B (zh) * | 2020-07-15 | 2023-02-03 | 唐山学院 | 一种用于锂电池的远程通信信息处理方法及系统 |
WO2022258235A1 (de) * | 2021-06-10 | 2022-12-15 | Robert Bosch Gmbh | Verfahren zum überwachen eines energiespeichers in einem kraftfahrzeug |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | An advanced Lithium-ion battery optimal charging strategy based on a coupled thermoelectric model | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN108872866A (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
CN101860056A (zh) | 一种基于Map模型的动力锂电池组均衡管理系统 | |
CN110398697A (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
Yan et al. | Predicting for power battery SOC based on neural network | |
CN110133507A (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
CN104680024A (zh) | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 | |
LU501138B1 (en) | Ocv correction and kalman filtering based estimation method for soc of lithium-sulfur battery | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 | |
Rui-hao et al. | Battery state of charge estimation for electric vehicle based on neural network | |
Hu et al. | Study on SOC estimation of lithium battery based on improved BP neural network | |
TW201823757A (zh) | 電池生命週期預測系統及其方法 | |
CN109617153A (zh) | 一种矿用锂电池管理系统 | |
CN115469229A (zh) | 一种不间断电源锂电池荷电状态估算方法 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
Protogeropoulos et al. | Battery state of voltage modelling and an algorithm describing dynamic conditions for long-term storage simulation in a renewable system | |
CN113255205A (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
CN113805061B (zh) | 一种锂亚硫酰氯体系锂原电池的soc预测方法 | |
CN115656839A (zh) | 基于bp-dekf算法的电池状态参量协同估算方法 | |
CN113991777A (zh) | 一种电池储能系统在线式运行安全态势感知方法 | |
CN115792625A (zh) | 基于神经网络的锂电池soc估计方法、系统、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |