CN112216883A - 一种锂电池均衡方法、系统、设备及存储介质 - Google Patents

一种锂电池均衡方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112216883A
CN112216883A CN202011045503.2A CN202011045503A CN112216883A CN 112216883 A CN112216883 A CN 112216883A CN 202011045503 A CN202011045503 A CN 202011045503A CN 112216883 A CN112216883 A CN 112216883A
Authority
CN
China
Prior art keywords
battery
capacity
endocrine
equalization
hormone
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
Application number
CN202011045503.2A
Other languages
English (en)
Other versions
CN112216883B (zh
Inventor
王建锋
乔盼
潘清云
董学恒
张照震
赵慧婷
郑涛
艾涵
孙心洁
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202011045503.2A priority Critical patent/CN112216883B/zh
Publication of CN112216883A publication Critical patent/CN112216883A/zh
Application granted granted Critical
Publication of CN112216883B publication Critical patent/CN112216883B/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
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • B60L58/22—Balancing the charge of battery modules
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H02J7/0014—Circuits for equalisation of charge between batteries
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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

Abstract

本发明公开了一种锂电池均衡方法、系统、设备及存储介质，建立人工内分泌调节模型，人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，靶细胞的位置为零；内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。从而实现快速均衡，满足实际电动车上电池组使用过程中对在线均衡的实时性要求。

Description

一种锂电池均衡方法、系统、设备及存储介质
技术领域
本发明属于电池均衡管理领域，涉及一种锂电池均衡方法、系统、设备及存储介质。
背景技术
电动汽车上的电池组通常由成百上千个电池组成电池包，锂离子电池连接成电池组后，内部参数(如单体容量、内阻、自放电率)、外部环境(电池温度)以及连续充放电循环导致各电池寿命下降速率的不一致会极大地限制电池组的容量、供电能力和使用寿命。必要的均衡管理系统用以减轻这种内部单体电池之间的不一致。
目前传统的电池组主动均衡策略多以电压为均衡控制参数，通过各单体电池之间的电压差判断是否需要均衡以确保电池组一致性。但由于电压受到内外部因素影响，不能准确反映电池的内部荷电状态，电池组均衡一致性、速度及实时性存在一定限制。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种锂电池均衡方法、系统、设备及存储介质，从而实现快速均衡，满足实际电动车上电池组使用过程中对在线均衡的实时性要求。
为达到上述目的，本发明采用以下技术方案予以实现：
一种锂电池均衡方法，包括以下步骤；
步骤一，建立人工内分泌调节模型，人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，靶细胞的位置为零；
步骤二，内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；
步骤三，将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。
优选的，内分泌细胞与靶细胞之间的空间为维有界状态空间，将维有界状态空间网格化，内分泌细胞与靶细胞的距离通过网格进行量化。
优选的，步骤三中，对电池容量进行均衡性调节时，根据电流方向和电流大小，向电路中发送MOSFET开关控制信号及PWM门控信号。
优选的，当电池组中任意一个单体电池容量与电池组平均容量的差值大于设定阈值，则进行电池容量均衡性调节。
优选的，每个单体电池容量与所有电池容量平均值之差的获取过程为：
S1，初始化多个元组数据结构，将每个单体电池初始容量分别记录在一个元组数据结构中；
S2，每间隔一定时间，采集每个单体电池在间隔时间内累积充/放电容量，并将累积充/放电容量记录在元组数据结构中；
S3，当需要获取每个单体电池容量与所有电池容量平均值之差时，计算当前所有电池总容量，进而计算所有电池容量平均值；将元组数据结构中每个单体电池的初始容量与累积充/放电容量进行加减，得到每个单体电池当前容量；将每个单体电池当前容量与所有电池容量平均值之差相减，得到每个单体电池容量与所有电池容量平均值之差。
进一步，S2中，每当某一单体电池发生容量调节时，首先通过查询该单体电池在元组数据结构中有无记录，若有记录，则通过增加单位容量累积频率来更新该电池对应的元组数据结构；否则，创建一个新元组数据结构。
一种锂电池均衡系统，包括：
人工内分泌调节模型系统，用于将人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，靶细胞的位置为零；
激素路径系统，用于将内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；
电池容量调节系统，用于将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述锂电池均衡方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述锂电池均衡方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明通过人体内分泌系统能够利用激素的特异反应扩散信息处理对机体的平衡调节作用，提出了利用人工内分泌系统调节机制作为锂电池组的均衡策略。当电池组出现电量状态不一致需要平衡时，以各电池容量为均衡控制参数，以各电池的初始容量状态信息作为内分泌细胞，均衡后的目标容量状态信息作为靶细胞，制定一定的移动规则和网格化环境空间，利用激素的反应扩散机制，使激素快速地从内分泌细胞移动至靶细胞，通过均衡时间最小化的目标搜索出激素移动最短路径，对应出均衡时的电池间相互充放电的能量转移路径，从而确定均衡电流在各电池间的流向及大小，向均衡电路中发送MOSFET开关控制信号及PWM门控信号，计算过程快，从而实现快速均衡，均衡精度高、一致性好，解决实际电动车上电池组使用过程中对在线均衡的实时性要求。
进一步，本发明的容量估计方法能够适应实时性均衡要求，即在电池组中各单体电池容量的获取过程中，电池组的状态监测采样数据如环路电流通过数据流的实时统计概要形式存储，继而通过估计求得各电池的实时容量。
附图说明
图1为本发明的Lossy Counting算法和内分泌调节机制电池组均衡方法示意图；
图2为本发明的Lossy Counting算法在线记录累积均衡容量流程图；
图3为本发明的平均值算法的电池均衡容量统计信息矢量化和基于内分泌调节机制均衡控制流程图；
图4为本发明的内分泌调节算法的路径规划流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，本发明所述的锂电池均衡方法，旨在改善目前传统的以电压为均衡变量不能准确反映电池内部状态问题，改善由于电动汽车运行状态的多变复杂性导致的电池组均衡效率受硬件资源及成本限制的问题，提升锂离子电池组在线均衡的精度与效率。
先进行电池实时估算总容量，再获取每个电池容量与所有电池容量平均值之差，最后基于内分泌调节机制均衡算法，对电池容量进行调节。
步骤一，初始化多个元组数据结构，将每个电池初始容量分别记录在一个元组数据结构中。
步骤二，每间隔一定时间，采集每个电池在间隔时间内累积充/放电容量，并将累积充/放电容量记录在元组数据结构中；每当某一电池发生容量调节时，首先通过查询该电池在元组数据结构中有无记录，若有记录，则通过增加单位容量累积频率来更新该电池对应的元组；否则，创建一个新元组。
步骤三，当需要获取每个电池容量与所有电池容量平均值之差时，计算当前所有电池总容量，进而计算所有电池容量平均值；将元组数据结构中每个电池的初始容量与累积充/放电容量进行加减，得到每个电池当前容量；将每个电池当前容量与所有电池容量平均值之差相减，得到每个电池容量与所有电池容量平均值之差。
步骤四，建立人工内分泌调节模型，人工内分泌调节模型中的每个内分泌细胞对应每个电池，每个内分泌细胞的位置为每个电池容量与所有电池容量平均值之差，靶细胞的位置为零；内分泌细胞与靶细胞之间的空间为n维有界状态空间，将n维有界状态空间网格化，内分泌细胞与靶细胞的距离通过网格进行量化。
步骤五，内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；
步骤六，将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。
对电池容量进行均衡性调节时，根据电流方向和电流大小，向电路中发送MOSFET开关控制信号及PWM门控信号。
当电池组中任意一个电池容量与电池组平均容量的差值大于设定阈值，则进行电池容量均衡性调节。
如图1所示，Lossy Counting算法接受来自电池组及均衡拓扑电路的采样模块的测量及估计数据，对电池组的调节电流等状态信息流进行记录，从而动态记录各单体电池单位容量累积调节频率等频繁项统计概要信息。基于以上获得的概要数据，对各单体电池均衡容量与平均容量之差矢量化，得到初始状态向量。基于内分泌调节机制算法将n维初始状态向量到目标状态向量的路径规划转化为激素调节，从而得到近似最优能量转移路径，控制算法产生均衡拓扑电路所需要的MOSFET开关控制信号及PWM门控信号，控制均衡电流流向及大小，实现电池组单体电池容量的一致性。
使用电池容量作为均衡控制参数可以避免重复均衡，从而缩短均衡时间，也可以减缓电池组老化，延长电池循环寿命，是一个很好的控制参数。而利用Lossy Counting的实时大数据流统计功能，可以在牺牲一定容量估算的精度的情况下提升在线估计的快速性并能够有效节省计算资源，可以降低主动均衡方式的成本。
如图2所示，通过动态记录电池组中被均衡的各单体电池均衡电流等信息，以概要数据的形式在线估算单体电池被累积调节的单位容量频率，将容量作为均衡变量进行电池组的均衡，从而提高电池组均衡控制的精度与效率。所述的Lossy Counting算法步骤如下：
(1)设定误差系数ε∈(0,1)、统计阈值s∈(0,1)，通常ε＝10％*s，且随着误差系数ε和统计阈值s的减小，精度提高，随之所需计算资源增加。s表示找出单体电池数据流的单位容量累积频率大于s的所有统计概要数据，ε表示统计信息D(e,I(tk),Q,Δ)的概要数据计数频率与数据流真实频率的误差至多为ε。
(2)设定单位容量ΔQ，并将在线均衡数据划分为若干个容量长度为ΔQ×(1/ε)Ah的窗口，第j个窗口用bj＝Qk/(ΔQ×(1/ε))标记。其中Qk是从时间t0到tk的总累积容量。
(3)初始化一个元组数据结构D(e,I(tk),Q,Δ)，以期将具有不同编号的各单体电池累积容量在线动态记录于该元组数据结构中；其中各单体电池编号用e表示，I(tk)为采样电路在第k个采样时刻对单体电池电流的采样值。Q是输入的单体电池被调节的累积容量。Δ是Q中的最大可能误差。
(4)对于每一个采样时刻tk，记录电池均衡电流I(tk)等测量信息，从而可计算出累积充/放电容量Q(tk)＝I(tk)*(tk-tk-1)，Q(tk)为第k-1到第k个采样时刻的调节容量。
(5)每当某一单体电池发生调控，首先通过查询该单体电池在元组数据结构中有无记录。若存在，则通过增加单位容量累积频率来更新该单体电池对应的元组数据结构；否则，创建一个新元组数据结构(e,Q＝Q(tk),Δ＝ΔQ×(bj-1))。
(6)若未到窗口边界，则进入步骤(4)；当到达窗口边界时，对元组数据结构D中的数据进行删减，即若元组数据结构D(e,I(tk),Q,Δ)满足Q+Δ≤ΔQ×bj，则删除该元组数据结构。
由以上基于数据流技术所得到的单体电池均衡过程中充、放电时累计转移容量的信息概要，加上各电池的初始容量数据，得到各电池的实时总容量，即可得到以容量为变量的这一均衡控制参数。
如图2所示，所述的平均值算法，即以电池组中各电池单元的平均均衡容量作为均衡参考对象，将各电池容量与平均值进行比较，通过均衡电路对变量值较小的电池进行充电或对变量值较大的电池进行放电来实现均衡。以下为均值算法均衡步骤：
将各单体电池容量与电池组平均容量之差转化为一个n维矢量，记为初始状态矢量，目标状态矢量为一n维零矢量。即将各单体电池对应的容量记为C1,C2，……,Cn，平均容量记为Cmean＝(C1+C2+……+Cn)/n，各单体电池容量与电池组平均容量之差ei＝Ci－Cmean(i＝1,2,…,n)，则e1,e2，……,en构成n维初始状态向量E＝[e1,e2，……,en]，目标状态向量G＝[0,0，……,0]。从而，电池组均衡问题就被转化为初始状态向量E到目标状态向量G的最优路径规划问题。
所述的平均值算法，为了避免均衡反复现象发生，当ei(i＝1,2,...,n)中有元素超过阈值δ时，均衡开始，即当存在|ei|>δ(i＝1,2,…,n)，某些电池容量与平均容量差值高于均衡阈值δ时，电池组不一致性出现，需要进行均衡；当ei(i＝1,2,...,n)均小于阈值δ，均衡停止。ei(i＝1,2,...,n)的转移变化由内分泌调节机制算法的路径规划实现，最终得出近似最优能量转移路径，从而向均衡拓扑电路产生均衡电流门控信号。
图4示出了本发明的基于内分泌调节算法的路径规划流程图。由初始状态E到目标状态G的最佳路径规划问题求解步骤如下：
基于人工内分泌系统所抽象的五元模型，即LAES＝(Ld，EC，TC，H，A)，在均衡时间、一致性、电流稳定性等均衡约束下，将初始状态E到目标状态G的最佳路径规划问题转化为内分泌系统中内分泌细胞通过分泌激素绕过障碍物转移至靶细胞的激素调节问题。
所述LAES模型中，Ld为一个有界的环境空间，该环境空间的障碍物对应于路径规划问题的约束条件，即均衡电流应该具有稳定性且处于一定范围之内，同时由于均衡阈值的存在，需要有电池组均衡一致性约束；d为环境空间维度，即为n维。
EC为内分泌细胞，对应初始状态向量E；由于激素的释放过程是分阶段进行的，并且活性期与其寿命相比非常短。因此，假设激素的释放过程是离散的，内分泌细胞在适当的时间释放一定量的激素。
TC为靶细胞，是可以接受内分泌细胞刺激的器官或细胞，它的受体具有直接结合特定激素的能力，对应目标状态向量G(n维零向量)。
激素H是一种生物活性物质，可用于调节TC和EC的活性，并在环境空间中转移，激素由初始状态E转移至目标状态G的路径即为本发明均衡问题的转移路径。算法A以一定的规则和概率使激素运动，执行激素由内分泌细胞分泌并转移至靶细胞的任务。
算法A实现路径规划的步骤为：
(1)当存在|ei|>δ(i＝1,2,…,n)，某些电池容量与平均容量差值高于均衡阈值δ时，电池组不一致性出现，需要进行均衡。
(2)建立人工内分泌调节模型，人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，初始化环境空间，由于目标状态向量为G为零向量，所以n维有界状态空间Ld的大小取决于初始状态向量E，并将n维有界状态空间网格化。
(3)初始化内分泌细胞EC位置，为初始状态向量{(EC1,EC2,...,ECn)}＝E，初始化靶细胞位置为目标状态向量{(TC1,TC2,...,TCn)}＝G；初始化环境空间中的障碍物与边界，对应均衡电流稳定性、均衡一致性、用于控制MOSFETs的PWM波的占空比有界性等约束条件；
(4)在初始时刻t0，内分泌细胞EC分泌激素H,并向周围邻域空间扩散，扩散邻域为
Figure BDA0002707843200000101
其中
Figure BDA0002707843200000102
为状态空间中某一网格点(x1,...,xn)以r为半径邻域内点的坐标位置。
(5)内分泌激素基于运动规则R选择其运动方向和距离，运动规则R是一个依赖于一些局部因素的动力学函数:累积激素浓度和状态空间局部拓扑(障碍与边界)，累积激素浓度越高，作为下一步移动点的概率越大，障碍与边界处激素浓度为零。内分泌细胞通过感知所处位置及其周围网格的累积激素浓度，由激素浓度确定选择概率，并根据轮盘规则选择激素移动的下一个位置。
(6)激素扩散最终遇到与之结合的靶细胞，激素的转移路径形成多条，为此需要结合均衡时间最小化即路径最短的原则，寻找最优路径，最优路径满足
Figure BDA0002707843200000103
(7)对该最短路径的每一步移动方向所对应的物理实现进行规划，确定各电池之间具体的均衡充放电路径，将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，从而确定MOSFETs开闭规则；由于初始和目标状态向量均是容量，而每一步的充放电容量由网格化大小决定，所以每一步的转移容量相同，每一步均衡在于均衡拓扑中MOSFETs启闭规则的不同。
(8)得到近似最优能量转移路径，控制算法产生均衡拓扑电路所需要的MOSFET开关控制信号及PWM门控信号，确定控制均衡电流流向及大小，实现电池组单体电池容量的一致性。
针对当前电动汽车动力电池组的以电压为均衡变量不能准确反映电池内部状态问题，以及电动汽车运行状态的多变复杂性导致的电池组均衡效率受硬件资源及成本限制的问题，本发明提出的基于Lossy Counting的单位容量累积调节频率计数算法，并基于内分泌调节机制的路径规划算法，能够提升锂离子电池组在线均衡的精度与效率。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种锂电池均衡方法，其特征在于，包括以下步骤；
步骤一，建立人工内分泌调节模型，人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，靶细胞的位置为零；
步骤二，内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；
步骤三，将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。
2.根据权利要求1所述的锂电池均衡方法，其特征在于，内分泌细胞与靶细胞之间的空间为n维有界状态空间，将n维有界状态空间网格化，内分泌细胞与靶细胞的距离通过网格进行量化。
3.根据权利要求1所述的锂电池均衡方法，其特征在于，步骤三中，对电池容量进行均衡性调节时，根据电流方向和电流大小，向电路中发送MOSFET开关控制信号及PWM门控信号。
4.根据权利要求1所述的锂电池均衡方法，其特征在于，当电池组中任意一个单体电池容量与电池组平均容量的差值大于设定阈值，则进行电池容量均衡性调节。
5.根据权利要求1所述的锂电池均衡方法，其特征在于，每个单体电池容量与所有电池容量平均值之差的获取过程为：
S1，初始化多个元组数据结构，将每个单体电池初始容量分别记录在一个元组数据结构中；
S2，每间隔一定时间，采集每个单体电池在间隔时间内累积充/放电容量，并将累积充/放电容量记录在元组数据结构中；
S3，当需要获取每个单体电池容量与所有电池容量平均值之差时，计算当前所有电池总容量，进而计算所有电池容量平均值；将元组数据结构中每个单体电池的初始容量与累积充/放电容量进行加减，得到每个单体电池当前容量；将每个单体电池当前容量与所有电池容量平均值之差相减，得到每个单体电池容量与所有电池容量平均值之差。
6.根据权利要求5所述的锂电池均衡方法，其特征在于，S2中，每当某一单体电池发生容量调节时，首先通过查询该单体电池在元组数据结构中有无记录，若有记录，则通过增加单位容量累积频率来更新该电池对应的元组数据结构；否则，创建一个新元组数据结构。
7.一种锂电池均衡系统，其特征在于，包括：
人工内分泌调节模型系统，用于将人工内分泌调节模型中的每个内分泌细胞对应每个单体电池，每个内分泌细胞的位置为每个单体电池容量与所有电池容量平均值之差，靶细胞的位置为零；
激素路径系统，用于将内分泌细胞分泌的激素基于运动规则选择其运动方向和距离，当激素到达靶细胞时，激素的多条转移路径中，最短转移路径即为最优均衡能量转移路径；
电池容量调节系统，用于将最短转移路径中的转移方向作为电池容量均衡性调节中的电流方向，将最短转移路径中内分泌细胞与靶细胞的距离作为电池容量均衡性调节中的电流大小，进而对电池容量进行均衡性调节。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述锂电池均衡方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述锂电池均衡方法的步骤。
CN202011045503.2A 2020-09-28 2020-09-28 一种锂电池均衡方法、系统、设备及存储介质 Active CN112216883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011045503.2A CN112216883B (zh) 2020-09-28 2020-09-28 一种锂电池均衡方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011045503.2A CN112216883B (zh) 2020-09-28 2020-09-28 一种锂电池均衡方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112216883A true CN112216883A (zh) 2021-01-12
CN112216883B CN112216883B (zh) 2022-02-22

Family

ID=74050858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011045503.2A Active CN112216883B (zh) 2020-09-28 2020-09-28 一种锂电池均衡方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112216883B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254356A1 (en) * 2008-04-03 2009-10-08 Medtronic, Inc. Battery longevity monitoring
CN101777784A (zh) * 2010-03-17 2010-07-14 北汽福田汽车股份有限公司 均衡充电装置及均衡充电方法
CN101986508A (zh) * 2010-12-03 2011-03-16 安徽力高新能源技术有限公司 电池均衡装置
CN102555795A (zh) * 2012-03-01 2012-07-11 苏州瑞佳新能源动力科技有限公司 一种纯电动汽车智能双驱动力总成及其控制方法
CN102590751A (zh) * 2011-10-12 2012-07-18 北京市电力公司 动力电池包一致性评估方法和装置
CN203984060U (zh) * 2014-08-25 2014-12-03 江苏九星新能源科技有限公司 大电流平衡电源管理系统
CN204681109U (zh) * 2015-01-01 2015-09-30 王树珍 降低超级电容放电电压下限值的装置
CN106026292A (zh) * 2016-07-19 2016-10-12 中国科学技术大学 一种基于a*算法的电池均衡控制方法和系统
CN106981901A (zh) * 2017-05-15 2017-07-25 欣旺达电子股份有限公司 电池组的电量均衡方法及系统
JP2017227539A (ja) * 2016-06-22 2017-12-28 横河電機株式会社 二次電池容量測定システムおよび二次電池容量測定方法
CN109256834A (zh) * 2018-10-12 2019-01-22 华南理工大学 基于电池健康状态和荷电状态的电池组主动均衡方法
CN109787324A (zh) * 2019-03-13 2019-05-21 西南交通大学 一种基于单体-单体型均衡单元的分层均衡电路及控制方法
US20200091726A1 (en) * 2018-09-18 2020-03-19 Sinewatts, Inc. Systems and methods for electricity generation, storage, distribution, and dispatch

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254356A1 (en) * 2008-04-03 2009-10-08 Medtronic, Inc. Battery longevity monitoring
CN101777784A (zh) * 2010-03-17 2010-07-14 北汽福田汽车股份有限公司 均衡充电装置及均衡充电方法
CN101986508A (zh) * 2010-12-03 2011-03-16 安徽力高新能源技术有限公司 电池均衡装置
CN102590751A (zh) * 2011-10-12 2012-07-18 北京市电力公司 动力电池包一致性评估方法和装置
CN102555795A (zh) * 2012-03-01 2012-07-11 苏州瑞佳新能源动力科技有限公司 一种纯电动汽车智能双驱动力总成及其控制方法
CN203984060U (zh) * 2014-08-25 2014-12-03 江苏九星新能源科技有限公司 大电流平衡电源管理系统
CN204681109U (zh) * 2015-01-01 2015-09-30 王树珍 降低超级电容放电电压下限值的装置
JP2017227539A (ja) * 2016-06-22 2017-12-28 横河電機株式会社 二次電池容量測定システムおよび二次電池容量測定方法
CN106026292A (zh) * 2016-07-19 2016-10-12 中国科学技术大学 一种基于a*算法的电池均衡控制方法和系统
CN106981901A (zh) * 2017-05-15 2017-07-25 欣旺达电子股份有限公司 电池组的电量均衡方法及系统
US20200091726A1 (en) * 2018-09-18 2020-03-19 Sinewatts, Inc. Systems and methods for electricity generation, storage, distribution, and dispatch
CN109256834A (zh) * 2018-10-12 2019-01-22 华南理工大学 基于电池健康状态和荷电状态的电池组主动均衡方法
CN109787324A (zh) * 2019-03-13 2019-05-21 西南交通大学 一种基于单体-单体型均衡单元的分层均衡电路及控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONG ZHANG等: "A Lossy Counting-Based State of Charge Estimation Method and Its Application to Electric Vehicles", 《ENERGIES》 *
QINGZHENG XU: "Lattice-based Artificial Endocrine System", 《FINAL PROGRAM AND BOOK OF ABSTRACTS OF THE 2010 INTERNATIONAL CONFERENCE ON LIFE SYSTEM MODELING AND SIMULATION & 2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING FOR SUSTAINABLE ENERGY AND ENVIRONMENT》 *
徐庆征等: "基于晶格的人工内分泌系统模型及在多机器人系统中的应用", 《中国科学：信息科学》 *

Also Published As

Publication number Publication date
CN112216883B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Feng et al. A review of equalization strategies for series battery packs: variables, objectives, and algorithms
CN107064805B (zh) 蓄电池容量测量系统和蓄电池容量测量方法
CN109164391B (zh) 一种动力电池荷电状态在线估算方法及系统
WO2022253038A1 (zh) 基于弹性网的锂电池健康状态预测方法、系统、设备及介质
Jiao et al. The Savitzky‐Golay filter based bidirectional long short‐term memory network for SOC estimation
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN110554324B (zh) 一种soc和soh联合估计方法
CN113253116A (zh) 锂离子电池荷电状态估计方法、存储介质
CN113064093A (zh) 储能电池荷电状态与健康状态联合估算方法及系统
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
US11316212B2 (en) Method, system and device for active balance control of battery pack
Zhang et al. Prior-knowledge-independent equalization to improve battery uniformity with energy efficiency and time efficiency for lithium-ion battery
Wang et al. State-of-charge estimation of lithium iron phosphate battery using extreme learning machine
Geng et al. SOC Prediction of power lithium battery using BP neural network theory based on keras
CN112580289B (zh) 一种混合电容器功率状态在线估计方法及系统
Ramezani-al et al. A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations
CN112216883B (zh) 一种锂电池均衡方法、系统、设备及存储介质
Qin et al. State of charge estimation for lithium-ion batteries based on NARX neural network and UKF
Khalid et al. An arima-narx model to predict li-ion state of charge for unknown charge/discharge rates
Chen et al. State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine
Malkhandi et al. Estimation of state of charge of lead acid battery using radial basis function
CN115101836A (zh) 一种云-端融合的电池系统管理方法及装置
CN107515374B (zh) 一种应用于agv车soc估算动态调整滤波增益的方法
CN113671378B (zh) 一种基于分数阶理论的锂离子电池建模及参数辨识方法
Maheshwari et al. Effect of Noise Covariance Matrices on State of Charge Estimation Using Extended Kalman Filter

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