CN111564882B - 一种梯次利用动力电池均衡方法 - Google Patents

Abstract

本发明公开了一种梯次利用动力电池均衡系统及方法，该系统用于电池模块的电量均衡，该系统由多个相互独立的单元电路组成；每个所述单元电路由电池、电阻和受控开关依次串联成单元回路组成；所述单元电路与所述电池模块中电池串联单体一一对应；所述单元电路中各个电阻的阻值都相等、各个受控开关的种类和型号都相同，所有的所述受控开关都由控制单元控制。该方法以电池可放电量状态作为均衡控制参数，应用支持向量回归机模型实时估算该参数并评估其离散状态。本发明采用被动均衡方式改善电池一致性、降低均衡电路成本，解决了现有技术在电池充放电时容易受到极化电压影响产生误均衡、均衡效果差的问题。

Description

一种梯次利用动力电池均衡方法

技术领域

本发明涉及动力电池技术领域，特别是涉及一种梯次利用动力电池均衡方法。

背景技术

退役动力电池模块内的单体电池因倍率、温度等特性不同，在使用过程中电池容量衰减速度不一致，增大了电池间容量差和降低了电池模块充放电能力。因此需要为电池模块加装均衡系统来改善电池间容量一致性，提高电池模块充放电能力。

目前电池均衡技术分为主动均衡和被动均衡两种。主动均衡的均衡电流大，能达到数安培，但电路结构复杂，成本高，可靠性较低，且考虑电气安全，退役动力电池模块中的采集线规格不适合均衡电流达到安培级的主动均衡系统，因此主动均衡技术不适合用在该类退役动力电池模块中。

被动均衡电路结构简单，成本低，可靠性高，但均衡电流小，通常不超过数百毫安，而且会产生一定热量，其中均衡控制策略通常是以电池电压差为基准，在电池充放电时容易受到极化电压影响产生误均衡，仅在开路时均衡效果较好，总体上均衡效果较差。

发明内容

为此，本发明的目的在于提出一种梯次利用动力电池均衡系统及方法，采用被动均衡方式改善电池一致性、降低均衡电路成本，解决现有技术在电池充放电时容易受到极化电压影响产生误均衡、均衡效果差的问题。

一种梯次利用动力电池均衡系统，用于电池模块的电量均衡：

所述梯次利用动力电池均衡系统由多个相互独立的单元电路组成；每个所述单元电路由电池、电阻和受控开关依次串联成单元回路组成；所述单元电路与所述电池模块中电池串联单体一一对应；

所述单元电路中各个电阻的阻值都相等、各个受控开关的种类和型号都相同，所有的所述受控开关都由控制单元控制。

一种梯次利用动力电池均衡方法，应用于上述的梯次利用动力电池均衡系统，所述方法以电池可放电量状态作为均衡控制参数，应用支持向量回归机模型实时估算该参数并评估其离散状态，所述方法包括：

给定训练集；

支持向量回归机模型训练；

构造支持向量回归机模型；

估算电池可放电量状态；

电池可放电量状态评估；

输出均衡控制方案。

本发明结合退役电池性能和线束结构特点，采用被动均衡方式改善电池一致性、降低均衡电路成本，应用支持向量回归机模型(support vector regression，SVR)实时估算电池可放电量状态，评估电池一致性作为均衡控制策略，不受极化电压影响，可以实现电池充电、放电、开路等状态的全工况下均衡，能够安全可靠地实现电池模块电量均衡，均衡效果好，本发明将被动均衡电路和SVR模型应用在梯次利用动力电池模块均衡中，改善了单体电池可放电量状态一致性，提升了电池模块电池储存能力。

此外，根据本发明提供的梯次利用动力电池均衡方法，还具有以下技术特征：

进一步的，所述给定训练集的步骤具体包括：

给定训练集T＝{(x₁,y₁),…,(x_n,y_n)}∈(R×y)ⁿ，其中x_i∈Rⁿ,y_i∈y＝R,i＝1,…,n。

进一步的，所述支持向量回归机模型训练的步骤具体包括：

对于数据集(x_i,y_i),i＝1,2,...,n，x_i∈Rⁿ为输入量，y_i∈R为输出量，首先将输入量x通过映射Φ:Rⁿ→H映射到高维特征空间H中，用函数f(x)＝ω·Φ(x)+b拟合数据(x_i,y_i)，i＝1,2,...,n，则二次规划目标函数式为：

式(1)中，

Lagrange乘数，使用RBF核：

将式(1)变成：

可求的非线性拟合函数的表示式为：

选取式(2)核函数以及适当的精度ε＞0和惩罚参数C＞0；

构造并求解凸二次规划问题：

得解

计算

选取位于开区间(0,C)中的/>

的分量/>

或/>

若选到的是

则

若选到的是

则

进一步的，所述构造支持向量回归机模型的步骤具体包括：

构造决策函数得支持向量回归机模型，决策函数即为根据电压、电流输入数据，估算电池可放电量状态的函数：

进一步的，所述估算电池可放电量状态的步骤具体包括：

根据电池管理系统实时采集的电压、电流数据集，应用式(8)对应的函数实时估算出电池的可放电量状态，记为Qr。

进一步的，所述电池可放电量状态评估的步骤具体包括：

对电池模块内单体电池可放电量状态进行离散性分析，按式(9)计算出单体电池的可放电量状态离散性：

进一步的，所述输出均衡控制方案的步骤具体包括：

当式(9)中计算的U高于阈值U_limit时，启动均衡；均衡时，优先将Qr_max对应的电池进行均衡放电；完成一个均衡周期后，再进行电池可放电量状态评估和输出均衡控制方案的步骤，直至满足U≤U_limit时，停止均衡。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是梯次利用动力电池均衡系统的电路示意图；

图2是梯次利用动力电池均衡方法的流程示意图；

图3是原始数据与回归数据对比图；

图4是单体电池均衡前电压-容量曲线图；

图5是单体电池均衡后电压-容量曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通技术人员在没有做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。

本发明采用被动均衡技术，应用支持向量回归机模型(support vectorregression，SVR)实时估算电池可放电量状态，评估电池一致性作为均衡控制策略，可以安全可靠地实现电池模块电量均衡，提高其充放电能力。下面对本发明的技术方案进行详细说明。

请参阅图1，本发明一实施例提出的梯次利用动力电池均衡系统，梯次利用动力电池均衡系统是由多个相互独立的单元电路组成；每个单元电路由电池、电阻和受控开关依次串联成单元回路组成；单元电路与电池模块中电池串联单体一一对应；单元回路中的电阻R1～Rn阻值都相等，受控开关K1～Kn种类和型号都相同，受控开关都由控制单元MCU控制。

电池模块充放电时，电池模块内单体电池流过的电流大小时刻保持一致，因此电池累积充放电量是相等的。但因电池老化和自放电的影响，单体电池的健康状态(SOH)和荷电状态(SOC)变化速率并不一致，造成电池的可放电量出现偏差。电池模块充放电时，因单体电池可放电量差异，单体电压过早充电保护或过早放电保护，导致电池模块的累积充放电量下降。单体电池可放电量与SOH和SOC有关，可视作状态量。若将单体电池的可放电量状态一致性，通过均衡控制在一定范围内，即能充分发挥单体电池电能存储能力，保持电池模块累积充放电量不过早下降。

SVR是基于学习数据集的预测方法，建立输入数据与输出数据的非线性函数关系。通过结构化最小准则(SRM)的应用，可以保证SVR算法具有更好的鲁棒性、泛化性和学习性。电池可放电量状态是根据电池电压、电流等实时数据估算的，它们之间是多维非线性映射关系。SVR的基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果。

本发明以电池可放电量状态作为均衡控制参数，应用SVR模型实时估算该参数并评估其离散状态，用以控制电池均衡电路的工作状态。请结合图2，本发明另一实施例提出的被动均衡方法，应用于上述的梯次利用动力电池均衡系统，所述方法包括以下步骤：

1)给定训练集T＝{(x₁,y₁),…,(x_n,y_n)}∈(R×y)ⁿ，其中x_i∈Rⁿ,y_i∈y＝R,i＝1,…,n；

2)SVR模型训练

对于数据集(x_i,y_i),i＝1,2,...,n，x_i∈Rⁿ为输入量，y_i∈R为输出量，首先将输入量x通过映射Φ:Rⁿ→H映射到高维特征空间H中用函数f(x)＝ω·Φ(x)+b拟合数据(x_i,y_i)，i＝1,2,...,n。则二次规划目标函数式为：

式(1)中，

为Lagrange乘数。其中涉及到高维特征空间点积运算Φ(x_i)·Φ(x_j)，而且函数Φ是未知的高维函数。SVR理论只考虑高维特征空间的点积运算K(x_i,x_j)＝Φ(x_i)·Φ(x_j)，而不直接使用函数Φ。称K(x_i,x_j)为核函数，核函数的选取应使其为高维特征空间的一个点积，核函数的类型有多种，常用的核函数为RBF核：

因此式(1)变成

可求的非线性拟合函数的表示式为：

选取式(2)核函数以及适当的精度ε＞0和惩罚参数C＞0。

3)构造并求解凸二次规划问题

得解

4)计算b：选取位于开区间(0,C)中的

的分量/>

或/>

若选到的是/>

则

若选到的是

则

5)构造决策函数得SVR模型

决策函数即为根据电压、电流输入数据，估算电池可放电量状态的函数。

6)估算电池可放电量状态

根据BMS实时采集的电压、电流数据集，应用式(8)对应的函数实时估算出电池的可放电量状态，记为Qr。

7)电池可放电量状态评估，具体是电池模块内单体电池可放电量状态的离散性分析：

按式(9)计算出单体电池的可放电量状态离散性。

8)输出均衡控制方案

当步骤7)中计算的U高于阈值U_limit时，启动均衡；均衡时，优先将Qr_max对应的电池进行均衡放电。完成一个均衡周期后，再进行步骤7)～步骤8)，直至满足U≤U_limit时，停止均衡。

下面以一实例对本发明进行验证：

以退役电池模块E6H-C15-12S-200Ah为例，说明均衡系统运行过程。电池模块参数为：标称容量200Ah，标称电压38.4V，电池串联数12S，充电截止单体电压3.8V，放电截止单体电压2.0V，最大持续充电电流66A，最大持续放电电流100A，电池模块配套的采集线束铜线截面积为0.5mm²，保险丝规格为1A，线束均已打胶固定。具体均衡系统方案如下：

1、梯次利用动力电池均衡

梯次利用动力电池均衡系统是由多个相互独立的单元电路组成，梯次利用动力电池均衡系统示意图见图1。每个单元电路由电池、电阻和受控开关依次串联成单元回路组成；单元回路与电池模块中电池串联单体一一对应；单元电路中的电阻R1～Rn阻值都为33Ω，受控开关K1～Kn型号为TLP240A，受控开关都由控制单元MCU控制。

2、梯次利用动力电池均衡方法

SVR模型训练集为电池模块进行不同电流充放电的数据集，充放电循环电流分别为100A、77A、50A、15A和开路-脉冲。选取等间隔点的电压、电流、可放电量状态组成训练集T，其中可放电量状态以SOH与SOC乘积表示，T为189×3型矩阵。

核函数选用RBF核函数，精度ε＝0.01，惩罚参数C＝5,核函数参数σ＝100，在MATLAB环境中应用SVM工具箱进行仿真，得到原始数据与回归模型预测数据对比，见图3。

验证均衡策略的预测数据集为P，包含充电、放电、开路时单体电池的电流和电压数据，为36×2型矩阵。

应用SVR模型估算得到电池可放电量状态参数值及离散性U如下表：

其中U阈值U_limit设定为0.03，电池模块在三种状态下都需要开启均衡，不受极化电压影响。

3、均衡效果验证

均衡系统加入前，电池模块进行40A电流的充放电测试，放电容量为145.1Ah，单体电池电压与容量关系曲线见图4。

均衡系统加入后，电池模块持续进行均衡至均衡系统关闭后，进行40A电流的充放电测试，放电容量为163.0Ah，放电容量比均衡前提高了12.34％，单体电池电压与容量关系曲线见图5。

综上，根据本发明提供的梯次利用动力电池均衡系统及方法，结合退役电池性能和线束结构特点，采用被动均衡方式改善电池一致性、降低均衡电路成本，应用支持向量回归机模型(support vector regression，SVR)实时估算电池可放电量状态，评估电池一致性作为均衡控制策略，不受极化电压影响，可以实现电池充电、放电、开路等状态的全工况下均衡，能够安全可靠地实现电池模块电量均衡，均衡效果好，本发明将被动均衡电路和SVR模型应用在梯次利用动力电池模块均衡中，改善了单体电池可放电量状态一致性，提升了电池模块电池储存能力。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (1)

1.一种梯次利用动力电池均衡方法，其特征在于，应用于梯次利用动力电池均衡系统，用于电池模块的电量均衡，所述梯次利用动力电池均衡系统由多个相互独立的单元电路组成；每个所述单元电路由电池、电阻和受控开关依次串联成单元回路组成；所述单元电路与所述电池模块中电池串联单体一一对应；

所述单元电路中各个电阻的阻值都相等、各个受控开关的种类和型号都相同，所有的所述受控开关都由控制单元控制；

所述方法以电池可放电量状态作为均衡控制参数，应用支持向量回归机模型实时估算该参数并评估其离散状态，所述方法包括：

给定训练集；

支持向量回归机模型训练；

构造支持向量回归机模型；

估算电池可放电量状态；

电池可放电量状态评估；

输出均衡控制方案；

所述给定训练集的步骤具体包括：

给定训练集T＝{(x₁,y₁),…,(x_n,y_n)}∈(R×y)ⁿ，其中x_i∈Rⁿ,y_i∈y＝R,i＝1,…,n；

所述支持向量回归机模型训练的步骤具体包括：

对于数据集(x_i,y_i),i＝1,2,...,n，x_i∈Rⁿ为输入量，y_i∈R为输出量，首先将输入量x通过映射Φ:Rⁿ→H映射到高维特征空间H中，用函数f(x)＝ω·Φ(x)+b拟合数据(x_i,y_i)，i＝1,2,...,n，则二次规划目标函数式为：

式(1)中，

为Lagrange乘数，使用RBF核：

将式(1)变成：

可求的非线性拟合函数的表示式为：

选取式(2)核函数以及适当的精度ε＞0和惩罚参数C＞0；

构造并求解凸二次规划问题：

得解

计算

选取位于开区间(0,C)中的/>

的分量/>

或/>

若选到的是

则

若选到的是

则

所述构造支持向量回归机模型的步骤具体包括：

构造决策函数得支持向量回归机模型，决策函数即为根据电压、电流输入数据，估算电池可放电量状态的函数：

所述估算电池可放电量状态的步骤具体包括：

根据电池管理系统实时采集的电压、电流数据集，应用式(8)对应的函数实时估算出电池的可放电量状态，记为Qr；

所述电池可放电量状态评估的步骤具体包括：

对电池模块内单体电池可放电量状态进行离散性分析，按式(9)计算出单体电池的可放电量状态离散性：

所述输出均衡控制方案的步骤具体包括：

当式(9)中计算的U高于阈值U_limit时，启动均衡；均衡时，优先将Qr_max对应的电池进行均衡放电；完成一个均衡周期后，再进行电池可放电量状态评估和输出均衡控制方案的步骤，直至满足U≤U_limit时，停止均衡。

Images