CN112103580B - 一种基于等效内阻的锂电池充电方法 - Google Patents

一种基于等效内阻的锂电池充电方法 Download PDF

Info

Publication number
CN112103580B
CN112103580B CN202010995529.7A CN202010995529A CN112103580B CN 112103580 B CN112103580 B CN 112103580B CN 202010995529 A CN202010995529 A CN 202010995529A CN 112103580 B CN112103580 B CN 112103580B
Authority
CN
China
Prior art keywords
charging
battery
current
optimal
soc
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.)
Active
Application number
CN202010995529.7A
Other languages
English (en)
Other versions
CN112103580A (zh
Inventor
专祥涛
黄柯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010995529.7A priority Critical patent/CN112103580B/zh
Publication of CN112103580A publication Critical patent/CN112103580A/zh
Application granted granted Critical
Publication of CN112103580B publication Critical patent/CN112103580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于等效内阻的锂电池充电方法，包括以下步骤：步骤1、建立锂离子电池一阶RC等效电路模型；步骤2、利用充放电一体机，对锂离子电池进行OCV测试以及HPPC测试，并利用实验数据和遗传算法工具箱辨识得到电池参数；步骤3、根据锂离子电池一阶RC等效电路模型以及电池参数，量化充电过程中的电池损耗，得到电池的损耗模型；步骤4、基于损耗模型，利用遗传算法，在不增加充电时间的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系；步骤5、设计对比实验，验证最优充电方法的可行性。本发明的充电方法能够在不增加充电时间的基础上，达到充电损耗最小化的目标，能够有效地节约充电能量损耗。

Description

一种基于等效内阻的锂电池充电方法
技术领域
本发明涉及电力电子技术、最优化方法及充电技术领域，尤其涉及一种基于等效内阻的锂电池充电方法。
背景技术
石油资源的日益短缺以及汽车环境污染等因素，迫使人们开始重新考虑未来汽车的动力问题。而集多项高新技术于一体的电动汽车具有无排放污染、噪声低、维修及运行成本低等特点，正在引起世界汽车工业的一场革命，将取代燃油汽车成为未来汽车的主流。
动力电池是电动汽车的主要动力来源，其在电动汽车中占据最核心的地位。
整车的续驶里程、加速性能及制动能量回收率都与动力电池的性能有着密不可分的关系。动力电池的关键作用是使得电动汽车具有较强的爬坡能力、加速能力和续航能力。而在纯电动汽车中，动力电池是电动汽车的唯一动力来源，动力电池更多的使用是为了使电动汽车续驶里程更长，并以大电流放电为辅以供给电动汽车的启动、加速和爬坡，对电池长时间持续放电的能力要求更高，这就要求动力电池具有很高比能量。动力电池一般需要具备以下要求：能量密度高；功率密度高；循环寿命长；自放电少；安全性与可靠性髙；环保无污染。
目前，常见的电动汽车中动力电池的主要性能对比可知，锂离子电池的优点有比能量高、比功率高、电压平台高、自放电率小以及使用寿命长等，因此，锂离子动力电池成为了电动汽车最优的动力来源。目前，充电时间相对较长是制约锂离子电池广泛应用的一个主要原因。然而，快速充电必然会导致大量的能量损耗。因此，如何在缩短充电时间的同时实现能量损耗最小化，成为目前研究的一个重点。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于等效内阻的锂电池充电方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于等效内阻的锂电池充电方法，该方法包括以下步骤：
步骤1、建立锂离子电池一阶RC等效电路模型；
步骤2、利用充放电一体机，对锂离子电池进行OCV测试以及HPPC测试，并利用实验数据和遗传算法工具箱辨识得到电池参数；
步骤3、根据步骤1建立的锂离子电池一阶RC等效电路模型以及步骤2得到的电池参数，量化充电过程中的电池损耗，得到电池的损耗模型；
步骤4、基于步骤3的损耗模型，利用遗传算法，在不增加充电时间的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系，进而利用充电过程中等效内阻计算得到当前最优充电电流，将其作为最优充电方法；
步骤5、设计对比实验，验证最优充电方法的可行性。
进一步地，本发明的所述的步骤1中的具体方法为：
根据一阶RC电路建模，其中数学模型表示为：
Figure BDA0002692480650000021
式中：Ubatt为端电压；Uocv为开路电压源；Up为极化电压；Cp为极化电容；Rp为极化电阻；R0为直流电阻；I为充电电流；
在充电过程中，电池的SoC锂离子电池荷电状态表示为：
Figure BDA0002692480650000022
式中：SoC0为充电开始之前电池的初始荷电状态；Cb为电池的标称容量。
进一步地，本发明的所述的步骤2中的具体方法为：
OCV测试：在电池断路时，以5％SoC为间隔，得到不同SoC下的电池静态电压；
HPPC测试：每隔5％SoC，进行一次脉冲功率测试；
每隔5％SoC给定一个直流电阻R0，极化电容Cp，极化电阻Rp以及开路电压Uocv，即可得到一组与SoC有关的电池参数；
电池参数带入RC电路模型计算得到模型输出电压，根据以下公式计算得到均方根误差F：
Figure BDA0002692480650000031
式中：n为一次HPPC测试中的采样次数，Vexp(k)为k次采样时实测电压，Vsim(k)为k次采样时模型输出电压；
若F大于0.01，经过遗传算法得到新的电池参数，重复上述步骤，直至均方根误差F小于0.01，退出循环，得到辨识完成的电池参数。
进一步地，本发明的所述的步骤2中的遗传算法的具体方法为：
将需要解决的问题的解空间的数据转化为遗传空间的基因型串结构数据；初始化种群规模，变异概率，确定初始化种群大小；确定目标函数和计算适应度函数；种群进化包括选择父本，交叉，变异产生子代的过程，选择种群中适应度高的优良个体，使其具有高的繁殖后代概率，两个父本交叉产生新的子个体，个体变异是随机改变某些个体的值；直到产生的最优个体满足条件。
进一步地，本发明的所述的步骤3中的具体方法为：
一阶RC等效电路模型中，R0和Rp为其损耗组件，故其损耗功率表示为：
Figure BDA0002692480650000032
式中：I1为流经Rp的电流；Ploss为损耗功率；
由于R0和Rp随着SoC变化而变化，在充电过程中总的充电损耗为：
Figure BDA0002692480650000033
假设在每一个时间间隔内，电流I和I1都不变，近似得到损耗模型：
Figure BDA0002692480650000034
由电池的SoC锂离子电池荷电状态离散化得到：
Figure BDA0002692480650000041
式中：I1由欧姆定律得到：
Figure BDA0002692480650000042
式中：极化电容两端的电压Up由一阶RC电路数学模型离散化后得到：
Figure BDA0002692480650000043
进一步地，本发明的所述的步骤4中的具体方法为：
将锂离子电池的整个充电过程分为若干段，并采取分段恒流充电方法，在保证整个充电时间不延长和充入电量不减少的条件下，通过调整每一个阶段的电流值，达到优化能耗的目标；
使用遗传算法得到最优充电电流模式以减少充电过程中的能量损耗，最佳电流分布和电池电阻呈负相关，充电电流与电池电阻的关系如下式所示：
I＝k(R-Ravg)+Iavg
式中，I为充电电流，R为电池电阻，Iavg为最优充电电流的平均值，Ravg为最优充电过程中电池电阻的平均值，k为相关系数，因为I与R呈负相关，因此k为负数，相关系数k与充电时间呈函数关系。
进一步地，本发明的所述的步骤4中的遗传算法的具体步骤为：
遗传算法是计算得到最优电流曲线，因此，编码对象是电流，编码方式采用实数编码的方式；
初始化参数：种群大小设置为200，变量维数即为变量个数，即为恒流分段数，选取为12，随机生成的200*12数组即为父代种群；
在保证整个充电时间不延长和充入电量不减少的条件下，达到优化能耗的目标，将充电过程的损耗作为目标函数，并在充电时间超过参考值和充电电量低于参考值时加入惩罚：
Obj＝Eloss+(SOC＜SOCref)*P1+(t＞tref)*P2
式中，Obj为目标函数，SOC为充电电量，SOCref为充电参考电量，t为充电时间，tref为充电参考时间，P1为充电电量不足时的惩罚值，P2为充电时间超过时的惩罚值；
适应度函数是将目标函数的函数值转化为适应度，采用线性变换方法：
F(x)＝a*Obj+b
式中，F(x)为适应度函数，a和b为变换参数。
a＝2/(Objmin-Objmax)
b＝2*Objmin/(Objmax-Objmin)+2
式中，Objmax为目标函数最大值，Objmin为目标函数最小值；
交叉算子通过对两个父本的各变量进行重组产生新个体；采用算术交叉和启发式交叉：
x＝m*x1+(1-m)*x2
式中，m为随机变量，在0～1之间均匀分布，此算子为算术交叉算子，使得子个体分布在两父本个体之间连线上；
x＝x1+n*(x1-x2)
式中，n为随机变量，在0～1之间均匀分布，此算子为启发式交叉算子，使得子个体分布在两父本个体之间连线之外；
将选择操作产生的200个体分别进行算术交叉和启发式交叉产生200个新子个体；
thisPloss-lastPloss＜0.01
式中，thisPloss为当前种群最优个体目标函数，lastPloss为之前种群最优个体目标函数；当上式差值大于0.01时，通过上述步骤得到新的种群，继续循环；当上式差值小于0.01时，满足终止条件，结束循环，输出最优解。
进一步地，本发明的所述的步骤5中的具体方法为：
在室温下，电池分别按不同充电时间下的传统CC方案和最优电流曲线方案充电，充电区间均是0.2SoC～0.8SoC，此过程中能量消耗表示为：
Figure BDA0002692480650000051
式中：tcha为充电结束时间，Icha(t)为充电过程中随时间变化的电流；Vcha(t)为充电过程中随时间变化的电压；Etotal为充电过程中总消耗能量，该能量由两部分组成：
Etotal＝Ebat+Eloss
式中：Eloss为充电过程中的能量损耗；Ebat为充电过程中充入电池的能量；由于充电区间均是0.2SoC～0.8SoC，上面两种充电模式下的Ebat是相同的；最优充电电流模式节省的充电能耗表示为：
Figure BDA0002692480650000061
式中：
Figure BDA0002692480650000062
为传统CC模式下总能量损耗，
Figure BDA0002692480650000063
为最优电流充电模式下总能量损耗。
本发明产生的有益效果是：本发明的基于等效内阻的锂电池充电方法，通过建立电池充电损耗模型，利用遗传算法，在满足最小损耗的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系，该充电方法能够在不增加充电时间的基础上，达到充电损耗最小化的目标
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例的技术方案流程框图；
图2为本发明实施例的采用的一阶RC锂离子电池等效电路图；
图3为本发明实施例的电池参数辨识过程框图；
图4为本发明实施例的最优电流计算的遗传算法流程图；
图5为本发明实施例的不同充电时间下的最优电流与电阻关系图；
图6为本发明实施例的充电过程中电池等效内阻与最优电流关系图；
图7为本发明实施例的充电时间T与相关系数k关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于等效电阻的锂电池充电策略，包括以下步骤：
步骤1、建立锂离子电池一阶RC等效电路模型。
步骤1所搭建的锂离子电池一阶RC等效电路模型如图2所示，根据一阶RC电路建模，其中数学模型可以表示为：
Figure BDA0002692480650000071
式中：Ubatt为端电压；Uocv为开路电压源；Up为极化电压；Cp为极化电容；Rp为极化电阻；R0为直流电阻；I为充电电流。
在充电过程中，电池的SoC(锂离子电池荷电状态)可以表示为：
Figure BDA0002692480650000072
式中：SoC0为充电开始之前电池的初始荷电状态；Cb为电池的标称容量。
步骤2、利用充放电一体机进行OCV测试以及HPPC测试，实验采用的动力电池是三元锂电池组，并利用实验数据和遗传算法工具箱辨识得到电池参数。
步骤2中的具体方法为：
OCV测试：在电池断路时，以5％SoC为间隔，得到不同SoC下的电池静态电压；
HPPC测试：每隔5％SoC，进行一次脉冲功率测试；
每隔5％SoC给定一个直流电阻R0，极化电容Cp，极化电阻Rp以及开路电压Uocv，即可得到一组与SoC有关的电池参数；
电池参数带入RC电路模型计算得到模型输出电压，根据以下公式计算得到均方根误差F：
Figure BDA0002692480650000073
式中：n为一次HPPC测试中的采样次数，Vexp(k)为k次采样时实测电压，Vsim(k)为k次采样时模型输出电压；
若F大于0.01，经过遗传算法得到新的电池参数，重复上述步骤，直至均方根误差F小于0.01，退出循环，得到辨识完成的电池参数。
遗传算法的具体方法为：
将需要解决的问题的解空间的数据转化为遗传空间的基因型串结构数据；初始化种群规模，变异概率，确定初始化种群大小；确定目标函数和计算适应度函数；种群进化包括选择父本，交叉，变异产生子代的过程，选择种群中适应度高的优良个体，使其具有高的繁殖后代概率，两个父本交叉产生新的子个体，个体变异是随机改变某些个体的值；直到产生的最优个体满足条件。
步骤3、根据步骤1建立的锂离子电池一阶RC等效电路模型以及步骤2得到的电池参数，可以相应的量化充电过程中的电池损耗，得到电池的损耗模型。
步骤3中的电池的损耗模型可以由步骤1的一阶RC电路模型和步骤2得到的电池参数量化得到。一阶RC等效电路模型中，R0和Rp为其损耗组件，故其损耗功率表示为：
Figure BDA0002692480650000081
式中：I1为流经Rp的电流；Ploss其损耗功率。
由于R0和Rp随着SoC变化而变化，在充电过程中总的充电损耗为：
Figure BDA0002692480650000082
假设在每一个时间间隔内，电流I和I1都不变，那么可以近似得到损耗模型：
Figure BDA0002692480650000083
由公式(2)离散化可以得到：
Figure BDA0002692480650000084
式中：I1可以由欧姆定律得到：
Figure BDA0002692480650000085
式中：极化电容两端的电压Up可以由公式(1)离散化后可以得到：
Figure BDA0002692480650000091
步骤4、基于步骤3的损耗模型，利用遗传算法，在不增加充电时间的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系。
步骤4所示的最优化方法具体实现如图4所示。将锂离子电池的整个充电过程分为若干段，并采取分段恒流充电方法，在保证整个充电时间不延长和充入电量不减少的条件下，通过调整每一个阶段的电流值，达到优化能耗的目标。本发明将充电过程分为12个阶段，采用遗传算法求解得到充电过程中各阶段的电流，计算结果如图5所示,由图可知。
使用遗传算法得到的最优充电电流模式可以减少充电过程中的能量损耗，但是每次充电都进行优化计算需要计算时间。为了节省时间，探讨最优充电电流与电池电阻的关系，如图6所示。最佳电流分布和电池电阻大体上呈负相关。因此，假设充电电流与电池电阻的关系如下式所示：
I＝k(R-Ravg)+Iavg (10)
其中，I为充电电流，R为电池电阻，Iavg为最优充电电流的平均值，Ravg为最优充电过程中电池电阻的平均值，k为相关系数，因为I与R呈负相关，因此k为负数。相关系数k与充电时间呈函数关系，如图7所示。
步骤4中的遗传算法的具体步骤为：
遗传算法是计算得到最优电流曲线，因此，编码对象是电流，编码方式采用实数编码的方式；
初始化参数：种群大小设置为200，变量维数即为变量个数，即为恒流分段数，选取为12，随机生成的200*12数组即为父代种群；
在保证整个充电时间不延长和充入电量不减少的条件下，达到优化能耗的目标，将充电过程的损耗作为目标函数，并在充电时间超过参考值和充电电量低于参考值时加入惩罚：
Obj＝Eloss+(SOC＜SOCref)*P1+(t＞tref)*P2
式中，Obj为目标函数，SOC为充电电量，SOCref为充电参考电量，t为充电时间，tref为充电参考时间，P1为充电电量不足时的惩罚值，P2为充电时间超过时的惩罚值；
适应度函数是将目标函数的函数值转化为适应度，采用线性变换方法：
F(x)＝a*Obj+b
式中，F(x)为适应度函数，a和b为变换参数。
a＝2/(Objmin-Objmax)
b＝2*Objmin/(Objmax-Objmin)+2
式中，Objmax为目标函数最大值，Objmin为目标函数最小值；
交叉算子通过对两个父本的各变量进行重组产生新个体；采用算术交叉和启发式交叉：
x＝m*x1+(1-m)*x2
式中，m为随机变量，在0～1之间均匀分布，此算子为算术交叉算子，使得子个体分布在两父本个体之间连线上；
x＝x1+n*(x1-x2)
式中，n为随机变量，在0～1之间均匀分布，此算子为启发式交叉算子，使得子个体分布在两父本个体之间连线之外；
将选择操作产生的200个体分别进行算术交叉和启发式交叉产生200个新子个体；
thisPloss-lastPloss＜0.01
式中，thisPloss为当前种群最优个体目标函数，lastPloss为之前种群最优个体目标函数；当上式差值大于0.01时，通过上述步骤得到新的种群，继续循环；当上式差值小于0.01时，满足终止条件，结束循环，输出最优解。
步骤5、设计对比实验，验证最优充电方法的可行性。
步骤5中，在室温下，电池分别按不同充电时间下的传统CC方案和最优电流曲线方案充电，如图5所示，充电区间均是0.2SoC～0.8SoC，此过程中能量消耗可表示为：
Figure BDA0002692480650000111
式中：tcha为充电结束时间，Icha(t)为充电过程中随时间变化的电流；Vcha(t)为充电过程中随时间变化的电压；Etotal为充电过程中总消耗能量，该能量主要由两部分组成：
Etotal＝Ebat+Eloss (12)
式中：Eloss为充电过程中的能量损耗；Ebat为充电过程中充入电池的能量。由于充电区间均是0.2SoC～0.8SoC，上面两种充电模式下的Ebat是相同的。最优充电电流模式节省的充电能耗可以表示为：
Figure BDA0002692480650000112
式中：
Figure BDA0002692480650000113
为传统CC模式下总能量损耗，
Figure BDA0002692480650000114
为最优电流充电模式下总能量损耗。
实验结果如表1所示表明，与CC恒流充电模式相比，本发明的充电方式能够有效地节约充电能量损耗。
表1恒流充电和最优电流充电模式下能量消耗比较结果
Figure BDA0002692480650000115
在本发明的另一个具体实施例中：
基于等效电阻的锂电池充电方法，如图1所示，包括以下步骤：
步骤1，对于动力电池，要分析充电过程，需要建立正确的锂离子电池模型，该模型必须能够反应出电池充电过程中的静态和动态变化，也就是锂离子电池的充电特性和极化特性，因此，本发明采用一阶RC等效电路模型，如图1所示。
步骤2，OCV测试可以表示出锂离子电池电量和端电压的关系；HPPC测试可以表示出电池充电过程的动态变化；由这两个测试的实验数据可以利用MATLAB工具箱辨识得到电池参数。
如图3所示，在辨识开始之前，每隔5％SoC给定一个R0(SoC)，Cp(SoC)，Rp(SoC)以及Em(SoC),即可得到一组与SoC有关的电池参数，其他SoC状态的电池参数由插值得到。电池参数带入RC电路模型计算得到模型输出电压，根据式(3)得到均方根误差F。若F大于0.01，经过遗传算法的选择、交叉、变异得到新的电池参数，重复上述步骤，直至均方根误差F小于0.01，退出循环，得到辨识完成的电池参数。
步骤3，根据步骤1的电池模型和步骤2的电池参数可以量化充电过程的能量损耗。
步骤4、基于步骤3的损耗模型，利用遗传算法，在不增加充电时间的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系。
如图4所示，计算开始之前，初始化遗传算法相关参数，在可行域内生成父代样本，计算其适应度并从大到小排序，把最优的1个样本保留进下一代，并通过选择、交叉、变异得到一组新的样本。判断子代最优样本是否比父代最优样本优秀，如果是，重复上述步骤，直至最优样本不在继续进化。
最后得到遗传算法计算得到的不同充电时间下从0.2SoC充电至0.8SoC的最佳电流分布以及相应的电阻R0+Rp的分布图。如图5所示，可以发现，除了第一个恒流阶段，都满足如下关系：电池电阻越小，充电电流越大；电池电阻越大，充电电流越小。在第一阶段中，由于刚刚进入充电状态，在RC并联电路中，电流主要作用于极化电容Cp，流经极化电阻Rp的电流较小，故此阶段下，充电电流可以略微偏大。
由于遗传算法计算最优充电电流每次都需一定时间，而遗传算法计算目的是得到不同时间下最优充电电流与电阻关系，由图6观察可以发现，电池等效内阻和最优充电大致呈负相关关系，并且其相关系数k与充电时间T呈函数关系，如图7所示，因此，可以直接利用充电过程中等效内阻计算得到当前最优充电电流。
步骤5、设计对比实验，验证最优充电方法的可行性。
在不同的充电时间下，分别对锂离子电池用恒流模式充电和最优模式的电流充电可以得到相应的电压曲线，由式(11)可以得到不同充电时间下传统CC模式和最优电流充电模式下的总能量消耗，由式(13)可以得到最优充电电流模式节省的充电能耗，进而可以知道节省的充电损耗比，具体结果如表1所示。在不同充电时间下，该算法的节能幅度为0.63％～1.34％，可以看出，该算法可以降低能量损失，并在一定程度内，随着充电电流增加，会进一步加大节能幅度。当电池以较小的电流充电时，所提出的充电方法比以较大的电流充电所节省的能量要少。原因是当充电电流较低时，电池充电能量损耗本身变小，充电效率提高的空间有限。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于等效内阻的锂电池充电方法，其特征在于，该方法包括以下步骤：
步骤1、建立锂离子电池一阶RC等效电路模型；
步骤2、利用充放电一体机，对锂离子电池进行OCV测试以及HPPC测试，并利用实验数据和遗传算法工具箱辨识得到电池参数；
步骤3、根据步骤1建立的锂离子电池一阶RC等效电路模型以及步骤2得到的电池参数，量化充电过程中的电池损耗，得到电池的损耗模型；
步骤4、基于步骤3的损耗模型，利用遗传算法，在不增加充电时间的条件下，计算得到最优的充电电流曲线，并拟合得到等效电阻与充电电流之间关系，进而利用充电过程中等效内阻计算得到当前最优充电电流，将其作为最优充电方法；
步骤5、设计对比实验，验证最优充电方法的可行性；
所述的步骤4中的具体方法为：
将锂离子电池的整个充电过程分为若干段，并采取分段恒流充电方法，在保证整个充电时间不延长和充入电量不减少的条件下，通过调整每一个阶段的电流值，达到优化能耗的目标；
使用遗传算法得到最优充电电流模式以减少充电过程中的能量损耗，最佳电流分布和电池电阻呈负相关，充电电流与电池电阻的关系如下式所示：
I＝k(R-Ravg)+Iavg
式中，I为充电电流，R为电池电阻，Iavg为最优充电电流的平均值，Ravg为最优充电过程中电池电阻的平均值，k为相关系数，因为I与R呈负相关，因此k为负数，相关系数k与充电时间呈函数关系；
所述的步骤4中的遗传算法的具体步骤为：
遗传算法是计算得到最优电流曲线，因此，编码对象是电流，编码方式采用实数编码的方式；
初始化参数：种群大小设置为200，变量维数即为变量个数，即为恒流分段数，选取为12，随机生成的200*12数组即为父代种群；
在保证整个充电时间不延长和充入电量不减少的条件下，达到优化能耗的目标，将充电过程的损耗作为目标函数，并在充电时间超过参考值和充电电量低于参考值时加入惩罚：
Obj＝Eloss+(SOC<SOCref)*P1+(t>tref)*P2
式中，Obj为目标函数，SOC为充电电量，SOCref为充电参考电量，t为充电时间，tref为充电参考时间，P1为充电电量不足时的惩罚值，P2为充电时间超过时的惩罚值；
适应度函数是将目标函数的函数值转化为适应度，采用线性变换方法：
F(x)＝a*Obj+b
式中，F(x)为适应度函数，a和b为变换参数；
a＝2/(Objmin-Objmax)
b＝2*Objmin/(Objmax-Objmin)+2
式中，Objmax为目标函数最大值，Objmin为目标函数最小值；
交叉算子通过对两个父本的各变量进行重组产生新个体；采用算术交叉和启发式交叉：
x＝m*x1+(1-m)*x2
式中，m为随机变量，在0～1之间均匀分布，此算子为算术交叉算子，使得子个体分布在两父本个体之间连线上；
x＝x1+n*(x1-x2)
式中，n为随机变量，在0～1之间均匀分布，此算子为启发式交叉算子，使得子个体分布在两父本个体之间连线之外；
将选择操作产生的200个体分别进行算术交叉和启发式交叉产生200个新子个体；
thisPloss-lastPloss<0.01
式中，thisPloss为当前种群最优个体目标函数，lastPloss为之前种群最优个体目标函数；当上式差值大于0.01时，通过上述步骤得到新的种群，继续循环；当上式差值小于0.01时，满足终止条件，结束循环，输出最优解。
2.根据权利要求1所述的基于等效内阻的锂电池充电方法，其特征在于，所述的步骤1中的具体方法为：
根据一阶RC电路建模，其中数学模型表示为：
Figure FDA0003321121700000031
式中：Ubatt为端电压；Uocv为开路电压源；Up为极化电压；Cp为极化电容；Rp为极化电阻；R0为直流电阻；I为充电电流；
在充电过程中，电池的SoC锂离子电池荷电状态表示为：
Figure FDA0003321121700000032
式中：SoC0为充电开始之前电池的初始荷电状态；Cb为电池的标称容量。
3.根据权利要求1所述的基于等效内阻的锂电池充电方法，其特征在于，所述的步骤2中的具体方法为：
OCV测试：在电池断路时，以5％SoC为间隔，得到不同SoC下的电池静态电压；
HPPC测试：每隔5％SoC，进行一次脉冲功率测试；
每隔5％SoC给定一个直流电阻R0，极化电容Cp，极化电阻Rp以及开路电压Uocv，即可得到一组与SoC有关的电池参数；
电池参数带入RC电路模型计算得到模型输出电压，根据以下公式计算得到均方根误差F：
Figure FDA0003321121700000033
式中：n为一次HPPC测试中的采样次数，Vexp(k)为k次采样时实测电压，Vsim(k)为k次采样时模型输出电压；
若F大于0.01，经过遗传算法得到新的电池参数，重复上述步骤，直至均方根误差F小于0.01，退出循环，得到辨识完成的电池参数。
4.根据权利要求3所述的基于等效内阻的锂电池充电方法，其特征在于，所述的步骤2中的遗传算法的具体方法为：
将需要解决的问题的解空间的数据转化为遗传空间的基因型串结构数据；初始化种群规模，变异概率，确定初始化种群大小；确定目标函数和计算适应度函数；种群进化包括选择父本，交叉，变异产生子代的过程，选择种群中适应度高的优良个体，使其具有高的繁殖后代概率，两个父本交叉产生新的子个体，个体变异是随机改变某些个体的值；直到产生的最优个体满足条件。
5.根据权利要求2所述的基于等效内阻的锂电池充电方法，其特征在于，所述的步骤3中的具体方法为：
一阶RC等效电路模型中，R0和Rp为其损耗组件，故其损耗功率表示为：
Figure FDA0003321121700000041
式中：I1为流经Rp的电流；Ploss为损耗功率；
由于R0和Rp随着SoC变化而变化，在充电过程中总的充电损耗为：
Figure FDA0003321121700000042
假设在每一个时间间隔内，电流I和I1都不变，近似得到损耗模型：
Figure FDA0003321121700000043
由电池的SoC锂离子电池荷电状态离散化得到：
Figure FDA0003321121700000044
式中：I1由欧姆定律得到：
Figure FDA0003321121700000045
式中：极化电容两端的电压Up由一阶RC电路数学模型离散化后得到：
Figure FDA0003321121700000046
6.根据权利要求1所述的基于等效内阻的锂电池充电方法，其特征在于，所述的步骤5中的具体方法为：
在室温下，电池分别按不同充电时间下的传统CC方案和最优电流曲线方案充电，充电区间均是0.2SoC～0.8SoC，此过程中能量消耗表示为：
Figure FDA0003321121700000051
式中：tcha为充电结束时间，Icha(t)为充电过程中随时间变化的电流；Vcha(t)为充电过程中随时间变化的电压；Etotal为充电过程中总消耗能量，该能量由两部分组成：
Etotal＝Ebat+Eloss
式中：Eloss为充电过程中的能量损耗；Ebat为充电过程中充入电池的能量；由于充电区间均是0.2SoC～0.8SoC，上面两种充电模式下的Ebat是相同的；最优充电电流模式节省的充电能耗表示为：
Figure FDA0003321121700000052
式中：
Figure FDA0003321121700000053
为传统CC模式下总能量损耗，
Figure FDA0003321121700000054
为最优电流充电模式下总能量损耗。
CN202010995529.7A 2020-09-21 2020-09-21 一种基于等效内阻的锂电池充电方法 Active CN112103580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010995529.7A CN112103580B (zh) 2020-09-21 2020-09-21 一种基于等效内阻的锂电池充电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010995529.7A CN112103580B (zh) 2020-09-21 2020-09-21 一种基于等效内阻的锂电池充电方法

Publications (2)

Publication Number Publication Date
CN112103580A CN112103580A (zh) 2020-12-18
CN112103580B true CN112103580B (zh) 2022-04-01

Family

ID=73756375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010995529.7A Active CN112103580B (zh) 2020-09-21 2020-09-21 一种基于等效内阻的锂电池充电方法

Country Status (1)

Country Link
CN (1) CN112103580B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11789087B2 (en) * 2021-03-03 2023-10-17 Semiconductor Components Industries, Llc Battery charge support system for reducing energy loss
CN113036846B (zh) * 2021-03-08 2023-03-17 山东大学 基于阻抗检测的锂离子电池智能优化快速充电方法及系统
CN113410530B (zh) * 2021-06-11 2022-06-28 清华大学深圳国际研究生院 一种考虑电池极化程度的锂离子电池快速充电方法
CN114252770B (zh) * 2021-11-19 2023-12-22 东软睿驰汽车技术（沈阳）有限公司 一种电池包的功率的检测方法、装置、系统及电子设备
CN114744310B (zh) * 2022-02-11 2023-02-03 长安大学 基于soc自适应分阶的动力锂电池两步充电方法
CN115084690B (zh) * 2022-07-26 2022-11-04 深圳市安科讯实业有限公司 一种新能源电池快速充电方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190070837A (ko) * 2017-12-13 2019-06-21 동타이 하이-테크 이큅먼트 테크놀로지 씨오., 엘티디 배터리 충전상태 예측 방법 및 시스템
CN111477981A (zh) * 2020-03-11 2020-07-31 北京交通大学 一种锂离子电池分区间优化充电方法
CN111668894A (zh) * 2020-05-21 2020-09-15 南京航空航天大学 基于充电与均衡组合优化的锂电池组快速充电控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376364B (zh) * 2014-11-21 2017-10-24 国家电网公司 基于遗传算法的智能家居负荷管理优化方法
CN108846472A (zh) * 2018-06-05 2018-11-20 北京航空航天大学 一种自适应遗传粒子群混合算法的优化方法
CN109978240B (zh) * 2019-03-11 2022-10-04 三峡大学 一种电动汽车有序充电优化方法及系统
CN110991644A (zh) * 2019-11-26 2020-04-10 辽宁工程技术大学 一种基于改进后遗传算法的小生境遗传分析采集装置
CN111416165B (zh) * 2020-03-25 2021-05-18 华中科技大学 一种液态金属电池充电方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190070837A (ko) * 2017-12-13 2019-06-21 동타이 하이-테크 이큅먼트 테크놀로지 씨오., 엘티디 배터리 충전상태 예측 방법 및 시스템
CN111477981A (zh) * 2020-03-11 2020-07-31 北京交通大学 一种锂离子电池分区间优化充电方法
CN111668894A (zh) * 2020-05-21 2020-09-15 南京航空航天大学 基于充电与均衡组合优化的锂电池组快速充电控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A comparative study of commercial lithium ion battery cycle life in electrical vehicle:Aging mechanism identification;Han XueBing等;《JOURNAL OF POWER SOURCES》;20140430;第251卷;第38-54页 *

Also Published As

Publication number Publication date
CN112103580A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112103580B (zh) 一种基于等效内阻的锂电池充电方法
Liu et al. An advanced Lithium-ion battery optimal charging strategy based on a coupled thermoelectric model
CN109031145B (zh) 一种考虑不一致性的串并联电池组模型及实现方法
Jiaqiang et al. Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge
CN109165687B (zh) 基于多分类支持向量机算法的车用锂电池故障诊断方法
Lu et al. Optimal sizing and energy management for cost-effective PEV hybrid energy storage systems
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
CN113887601B (zh) 一种基于聚类分选的退役动力电池重组方法
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
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
Shen et al. Neural network-based residual capacity indicator for nickel-metal hydride batteries in electric vehicles
CN111352032A (zh) 一种锂电池动态峰值功率预测方法
CN111974709B (zh) 基于温度变化聚类分析的退役动力锂电池筛选方法及系统
CN107171035B (zh) 锂离子电池的充电方法
CN113111579B (zh) 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法
Sun et al. Study of parameters identification method of Li-ion battery model for EV power profile based on transient characteristics data
CN111257770B (zh) 一种电池包功率估算方法
Panday et al. Hybrid electric vehicle performance analysis under various temperature conditions
CN114839537A (zh) 电池荷电状态预测方法和装置
CN111797568A (zh) 一种基于最小能耗的锂电池充电方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN114545279A (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
CN111762059B (zh) 一种考虑电池充放电工况的多变量融合电池组的均衡方法
CN113687239A (zh) 一种用于噪声免疫的tcpso锂离子电池参数辨识方法
CN113109716A (zh) 一种基于电化学模型的锂电池sop估算方法

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