CN112706655A

CN112706655A - 基于智能物联网的新能源汽车能源均衡控制方法及系统

Info

Publication number: CN112706655A
Application number: CN202110090419.0A
Authority: CN
Inventors: 高海宁; 于磊; 张志勇; 沈红丹; 王银玲; 杨勇; 刘文富; 徐静; 贾锦婷; 杨一帆; 李锦杰
Original assignee: Huanghuai University
Current assignee: Huanghuai University
Priority date: 2021-01-22
Filing date: 2021-01-22
Publication date: 2021-04-27
Anticipated expiration: 2041-01-22
Also published as: CN112706655B

Abstract

本发明公开了一种基于智能物联网的新能源汽车能源均衡控制方法及系统。方法包括：利用第一SOH估计网络分别对新能源汽车各电池组进行SOH估计得到第一SOH估计序列；根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵；根据接入时间窗口尺寸、电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量；根据第一SOH估计序列、第二接入时间张量，利用第二SOH估计网络对各电池组进行SOH估计得到第二SOH估计序列；根据各电池组的第二SOH估计序列，计算新能源汽车的能源均衡度，根据最高能源均衡度对应的第二接入时间张量通道矩阵，得到新能源汽车电池组的均衡控制策略。利用本发明实现了汽车电池组能源的健康状态平衡。

Description

基于智能物联网的新能源汽车能源均衡控制方法及系统

技术领域

本发明涉及新能源技术领域，具体涉及一种基于智能物联网的新能源汽车能源均衡控制方法及系统。

背景技术

主动均衡为新能源电池能源均衡的主流方向，现有技术存在的主动均衡方法包括温度均衡、充放电均衡、改变负载以增加无间断输出能量等。现有的并联电池组主动均衡的方法研究较少，主要通过放电等措施使并联电池组端电压相等实现，由于充放电次数对电池健康状态影响很大，因此，现有技术难以在高效利用并联电池组的同时，提高电池组的整体使用寿命。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于智能物联网的新能源汽车能源均衡控制方法及系统。

一种基于智能物联网的新能源汽车能源均衡控制方法，该方法包括：

步骤1，基于新能源汽车各电池组的充电曲线，利用第一SOH估计网络分别对各电池组进行SOH估计得到第一SOH估计序列；

步骤2，根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵；根据接入时间窗口尺寸、电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量；

步骤3，根据第一SOH估计序列、第二接入时间张量，利用第二SOH估计网络对各电池组进行SOH估计得到第二接入时间张量各通道对应的第二SOH估计序列；

步骤4，根据各通道对应的第二SOH估计序列，计算新能源汽车的能源均衡度，根据最高能源均衡度对应的第二接入时间张量通道，得到新能源汽车电池组的均衡控制策略。

进一步地，所述根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵包括：

从第一SOH估计序列中挑选SOH最大的若干个电池组，挑选的电池组能够满足汽车启动功率且电池组个数最少；

根据挑选的电池组个数N₁生成第一接入时间矩阵，第一接入时间矩阵尺寸为K*M，K为电池组个数，M为接入时间窗口尺寸，第一接入时间矩阵中第一列的前N₁个元素为第一设定值。

进一步地，所述根据接入时间窗口尺寸、电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量包括：

电池组接入约束包括：

K为电池组个数，M为接入时间窗口尺寸，e_a,k,m为第二接入时间矩阵张量a通道k行m列的元素，c为第一设定值；同一通道相邻行第一设定值元素所在列满足：下一行第一设定值元素所在列不小于上一行第一设定值元素所在列；

根据电池组约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量，第二接入时间张量的尺寸为A*K*M，A为通道数。

进一步地，所述第二SOH估计网络包括：

初始SOH分析网络分支，用于对第一SOH估计序列进行分析，得到初始SOH分析向量；

接入时间分析网络分支，用于对第二接入时间张量的通道矩阵进行分析，得到接入时间分析向量；

电量变化分析网络分支，用于对第二接入时间张量的通道矩阵对应的电量变化序列进行分析，得到电量变化分析向量；电量变化序列为初始电量序列与最终电量序列的差值序列；

SOH估计网络分支，用于对初始SOH分析向量、接入时间分析向量、电量变化分析向量融合之后的特征向量进行分析，得到第二SOH估计序列。

进一步地，所述最终电量序列通过以下方式获得：

步骤3a，对第一SOH估计序列对应的电量序列进行降序排序得到初始电量序列，所得初始电量序列作为待分析电量序列；

步骤3b，从第二接入时间张量中取一通道；

步骤3c，根据所取通道、待分析电量序列、循环次数得到输入电量矩阵、供电电池组个数、供电时长；

步骤3d，利用电量估计神经网络对输入电量矩阵、供电电池组个数、供电时长进行分析，得到估计电量序列，根据估计电量序列生成待分析电量序列，转至步骤3c；

步骤3e，循环执行步骤3c-3d直至供电电池组个数等于汽车持有电池组个数，得到最终电量序列；

步骤3f，循环执行步骤3b-3e直至所有通道被遍历，得到最终电量序列集合。

进一步地，所述根据所取通道、待分析电量序列得到输入电量矩阵包括：

从待分析电量序列中依次取d个电量数值依次替换所取通道前d行中第一设定值对应元素，并将所取通道中其他第一设定值归零，得到输入电量矩阵，d为根据循环次数确定的供电电池组个数。

进一步地，所述电量估计神经网络包括：

第一网络分支，用于对输入电量矩阵进行分析，得到第一特征向量；

第二网络分支，用于对供电电池组个数进行分析，得到第二特征向量；

第三网络分支，用于对供电时长进行分析，得到第三特征向量；

电量预测网络，用于对第一、第二、第三特征向量融合后的特征向量进行分析，得到估计电量序列。

进一步地，所述电量估计神经网络还包括第四网络分支，用于对供电功率进行分析，得到第四特征向量；所述电量预测网络，用于对第一、第二、第三、第四特征向量融合后的特征向量进行分析，得到估计电量序列。

进一步地，所述第二SOH估计网络还包括充电次数分析网络分支，用于对充电次数序列进行分析，得到充电次数分析向量；所述SOH估计分支，用于对初始SOH分析向量、电量变化分析向量、接入时间分析向量、充电次数分析向量融合之后的特征向量进行分析，得到第二SOH估计序列。

一种基于智能物联网的新能源汽车能源均衡系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现任一项所述方法的步骤。

本发明与现有技术相比，具有以下有益效果：

通过分析并联电池组不同接入模式下的健康状态，选取最优的接入模式，从而实现新能源汽车能源均衡。通过第一SOH估计网络、第二SOH估计网络、电量估计网络为均衡策略提供依据，所得均衡策略能够有效均衡电池组的老化程度。结合接入时间张量、输入电量矩阵等反映电池以不同电量接入时的空域特征，提高电量估计神经网络的精度；结合充电功率，进一步提高电量估计神经网络的精度；结合充电次数，提高第二SOH估计网络的估计精度。

附图说明

图1为本发明的方法流程图。

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，以下结合附图以及实施例，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。

本发明提供一种基于智能物联网的新能源汽车能源均衡控制方法及系统。图1为本发明的方法流程图。下面通过具体实施例来进行说明。

实施例1：

一种基于智能物联网的新能源汽车能源均衡控制方法，包括：

步骤1，基于新能源汽车各电池组的充电曲线，利用第一SOH估计网络分别对各电池组进行SOH估计得到第一SOH估计序列。

电池均衡领域，关于串联供电单元情况下的电量均衡已经有较多成果，但是对并联供电单元之间的电量均衡研究较少。现有的电量均衡主要通过被动均衡或主动均衡实现。被动均衡，虽然能够实现电量均衡，但是浪费了部分电能，不利于节约能源；主动均衡通过向低电量或低电压的供电单元充电从而实现电量均衡，其缺点是虽然实现了电量均衡，但是增加了低电量或低电压供电单元的充放电次数，不利于供电单元老化程度的均衡。本发明通过控制供电单元的接入时间，降低老化程度大的供电单元的使用时间、充放电次数，从而实现老化程度的均衡。本发明中的电池组通过开关控制模块，每个电池组均可以通过开关控制实现接入供电的控制。

充电曲线为新能源汽车电池组充电时各电池组或各单体电池端电压随时间的变化曲线，反映充电电流、充电电压、时间之间的关系，通过实时监测获取。由于不同老化程度的电池的充电电压曲线不同，因此，充电曲线可以表征电池的老化状态。

SOH即电池健康状态，表征电池容量衰减，

式中C_aged为电池当前最大容量，C_rated为电池额定容量，SOH的估算方式包括直接放电法、内阻法、电化学阻抗分析法、模型法、电压曲线模型法。本发明根据电压曲线进行SOH估计，根据电池对应的充电电压归一化曲线得到电池对应的SOH状态。由于电池组至少包括一个单体电池，一种实施方式是采集各单体电池的充电曲线，根据各单体电池的SOH状态得到平均SOH状态作为电池组的SOH状态；一种实施方式是，以电池组为单位，监测电池组的充电曲线，根据电池组对应的充电电压归一化曲线得到电池组对应的SOH状态。第一种实施方式精度更高，第二种实施方式效率更高。

本发明的充电电压归一化曲线可以通过实验环境下测定的，也可以通过智能物联网技术实现。充电电压归一化曲线可以基于智能物联网获得，通过智能物联网获取多个相同型号汽车中相同型号电池组的充电曲线，按照电池组的充放电循环次数分类，从而得到对应型号电池组的充电电压归一化曲线。

第一SOH估计网络的网络架构为编码器-全连接层架构。第一SOH估计网络的输入为充电曲线，输出为预测的SOH值即第一SOH；网络训练的具体细节为：采集多种不同老化程度(或充电循环次数)的电池或电池组的充电曲线作为训练数据集，电池组对应的SOH作为标注数据，损失函数采用均方误差损失函数，利用训练数据集进行训练直到网络收敛。在使用时，根据电池组中单体电池的充电曲线或电池组的充电曲线输入第一SOH估计网络，即可得到电池组对应的第一SOH估计结果。各电池组的第一SOH估计结果组成第一SOH估计序列。具体地，将第一SOH估计结果按大小进行降序排序，构成第一SOH序列[H₁,H₂,…,H_K]，序列序号越小表示SOH越大，也即老化程度越小。

步骤2，根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵；根据接入时间窗口尺寸、电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量。

根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵包括：从第一SOH估计序列中挑选SOH最大的若干个电池组，挑选的电池组能够满足汽车启动功率且电池组个数最少；根据挑选的电池组个数N₁生成第一接入时间矩阵，第一接入时间矩阵尺寸为K*M，K为电池组个数，M为接入时间窗口尺寸，第一接入时间矩阵中第一列的前N₁个元素为第一设定值。具体地，汽车启动功率为汽车额定启动功率，根据新能源汽车的控制器及电机出厂参数获取，设汽车启动功率为P_s。基于第一SOH序列和汽车启动功率为P_s，由实施者确定初始进行供电的电池组个数N₁，生成第一接入时间矩阵，第一接入时间矩阵尺寸为K*M，其中，

式中，T为接入时间窗口时长，ΔT为单位供电周期，M为接入时间窗口尺寸，表征电池组必须在M个单位供电周期内全部接入，根据T、ΔT以及电池组接入周期值可以确定电池组加入时间。实施者可以根据实施场景具体设置T、ΔT，优选地，5个电池组的情况下，T设置为30min，ΔT设为3min。根据供电的电池组个数N₁，为第一接入时间矩阵赋值，

为第一接入时间矩阵的元素均取值为第一设定值，优选地，第一设定值取1，矩阵中其它元素值取值均为0。

电池组接入约束包括：

K为电池组个数，M为接入时间窗口尺寸，e_a,k,m为第二接入时间张量a通道k行m列的元素，c为第一设定值；同一通道相邻行第一设定值元素所在列满足：下一行第一设定值元素所在列不小于上一行第一设定值元素所在列(在本实施例中即对于相邻行中元素值为1的元素，其列满足m_k≤m_k+1，m_k、m_k+1分别为第k行元素1所在列、第k+1行元素1所在列)；根据电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量，第二接入时间张量的尺寸为A*K*M，A为通道数。第二接入时间张量中其它元素为第二设定值0。以上电池组接入约束是针对接入时间张量。需要说明的是，本发明中电池组根据SOH由大到小依次接入，即每次新接入供电的电池组都是从未接通供电的电池组挑选出的SOH最大的电池组。

步骤3，根据第一SOH估计序列、第二接入时间张量，利用第二SOH估计网络对各电池组进行SOH估计得到第二接入时间张量各通道对应的第二SOH估计序列。

第二SOH估计网络包括：初始SOH分析网络分支，用于对第一SOH估计序列进行分析，得到初始SOH分析向量；接入时间分析网络分支，用于对第二接入时间张量的通道矩阵进行分析，得到接入时间分析向量；电量变化分析网络分支，用于对第二接入时间张量的通道矩阵对应的电量变化序列进行分析，得到电量变化分析向量；电量变化序列为初始电量序列与最终电量序列的差值序列；SOH估计网络分支，用于对初始SOH分析向量、接入时间分析向量、电量变化分析向量融合之后的特征向量进行分析，得到第二SOH估计序列。

第二SOH估计网络的输入包括第一SOH序列、第二接入时间张量，还包括电量变化序列，输出为第二SOH序列；各网络分支的结构为第一SOH序列、电量变化序列均对应各自的全连接网络，第二接入时间张量的通道矩阵接编码器-全连接网络，各全连接网络输出的特征向量进行Concatenate(联合)后送入后续全连接网络；第二SOH估计网络训练方法：训练集采用多组第一SOH序列、电量变化序列以及第二接入时间张量的通道矩阵，以重新充电后获取的SOH序列作为标签数据，即当前电池组SOH状态按照第二接入时间张量的通道矩阵所表征的接入时间控制方法完成放电后电池组的SOH状态为标签数据，具体地，根据放电完成后重新充电所获得的充电曲线获得，损失函数采用L2损失函数。

电量变化序列根据初始电量序列、最终电量序列得到，具体地，由初始电量序列减去最终电量序列得到。初始电量序列根据第一SOH估计序列即可得到，最终电量序列通过以下方式获得：

步骤3a，对第一SOH估计序列对应的电量序列进行降序排序得到初始电量序列，所得初始电量序列作为待分析电量序列。根据第一SOH序列[H₁,H₂,…,H_K]获取初始电量序列

本发明利用电量估计神经网络对若干个接入进行供电的供电电池组的当前电量进行分析，估计若干个进行供电的电池组经过相应的供电时长后各电池组的剩余电量。本发明中，所有电池组在M个单位供电周期内加入进行供电，因此，电量估计神经网络需要循环若干次，以得到最终电量序列，循环次数为电池组加入批次数。例如，电池组分3批加入供电，那么循环次数为三次。第一次循环时，初始电量序列作为待分析电量序列。

步骤3b，从第二接入时间张量中取一通道。从第二接入时间张量A个通道中选择一个通道的矩阵，记为第二接入时间矩阵。

步骤3c，根据所取通道、待分析电量序列、循环次数得到输入电量矩阵、供电电池组个数、供电时长。根据所取通道、待分析电量序列得到输入电量矩阵包括：从待分析电量序列中依次取d个电量数值依次替换所取通道前d行中第一设定值对应元素，并将所取通道中其它第一设定值归零，得到输入电量矩阵，d为根据循环次数确定的供电电池组个数。

具体地，首先结合初始电量序列，生成输入电量矩阵。根据第二接入时间矩阵第一列元素值为1的个数N₁选择初始电量序列中前N₁个电量值，将电量值

根据下标k赋值给第二接入时间矩阵中第1列第k行元素值为1的元素，其它为1的元素归零。在后续的循环中，根据循环次数即可得到每次接入供电的电池组个数，将待分析电量序列的电池组的电量赋值给第二接入时间矩阵中相应元素即可。

根据所选择的第二接入时间矩阵，获取初始时间段供电电池组个数N₁以及初始时间段长度Δt₁，具体地，从第m₁列开始，对第二接入时间矩阵进行逐列分析，记下一包含元素1的列为第m₂列，则(m₂-m₁)*ΔT＝Δt₁，在第一次循环中m₁＝1。以此类推，在后续的循环中，根据间隔的单位供电周期数即可得到当前接入供电的电池组的供电时长。

步骤3d，利用电量估计神经网络对输入电量矩阵、供电电池组个数、供电时长进行分析，得到估计电量序列，根据估计电量序列生成待分析电量序列，转至步骤3c。具体地，根据估计电量序列生成待分析电量序列，即将下一次循环要接入供电的电池组的初始电量值赋予估计电量序列对应元素，即得到待分析电量序列。每一批次选取接入供电的电池组均为当前未接入供电的最大的若干个SOH电池组。

电量估计神经网络包括：第一网络分支，用于对输入电量矩阵进行分析，得到第一特征向量；第二网络分支，用于对供电电池组个数进行分析，得到第二特征向量；第三网络分支，用于对供电时长进行分析，得到第三特征向量；电量预测网络，用于对第一、第二、第三特征向量融合后的特征向量进行分析，得到估计电量序列。

第一网络分支包括编码器和全连接网络，第二网络分支包括全连接网络，供电时长包括全连接网络，三个网络分支依次输出第一特征向量、第二特征向量和第三特征向量，将三个特征向量融合后得到电量预测特征向量。电量预测特征向量送入电量预测网络，输出估计电量序列。每次循环后所得估计电量序列中排列在前的多个数值不为零，不为零的个数为当前循环下接入供电的电池组个数。第一次循环后，估计电量序列中仅前N₁个元素不为0。

电量估计网络的训练方法如下：训练集为不同老化程度及不同接入时间矩阵对应的多组输入电量矩阵、供电单元个数以及供电时长，标注数据为经过供电时长后监测获取的电量序列；损失函数采用均方差损失函数。

此外，为了进一步提高电量估计神经网络的精度，可以设置网络分支对第一SOH序列进行分析，将网络分支得到特征向量与第一、第二、第三特征向量融合，然后送入电量预测网络进行分析，得到估计电量序列。这样做的目的是为了将电池内阻等因素的影响考虑进来，提高估计电量序列的精度。虽然在第二SOH估计网络考虑了电池内阻影响，但是在电量估计神经网络中加入该影响，有助于提高第二SOH估计网络的训练效率和网络输出精度。

步骤3e，循环执行步骤3c-3d直至供电电池组个数等于汽车持有电池组个数，得到最终电量序列。

具体地，以上已经详细阐述了第一次循环，针对步骤3e的循环执行以第二次循环为例，进行详细阐述，以使实施者更加明确本实施例的实施过程。在第二次循环中，根据步骤3c方式获取第二时间段供电电池组个数N₂以及对应的供电时长Δt₂，该次循环中根据步骤3c方式结合所选择的接入时间矩阵生成该次循环所需的输入电量矩阵，其中若某一列无元素值为1的元素，则该列不进行赋值，执行步骤3d输出该次循环对应的估计电量序列。后续循环执行3c-3d直至接入供电的电池组个数为K，得到对应最终电量序列。

步骤3f，循环执行步骤3b-3e直至所有通道被遍历，得到最终电量序列集合。对第二接入时间张量中的每一个通道进行分析，得到最终电量序列集合。

以上步骤3a-3f得到了当前SOH状态下的电池组按照不同的接入控制方式得到的最终电量序列集合。根据最终电量序列集合即可得到相应的电量变化序列集合，将第一SOH估计序列、第二接入时间矩阵以及对应的电量变化序列依次输入第二SOH估计网络进行分析，即可得到不同接入控制方式下的第二SOH序列。

新能源汽车的能源均衡度根据第二SOH序列计算获取。均衡度反映的是第二SOH序列中数据的离散度，优选以方差或标准差反映序列的离散度，选择方差最小的第二SOH序列对应的第二接入时间矩阵，即可得到新能源汽车电池组的均衡控制策略。

实施例2：

本实施给出一种基于智能物联网的新能源汽车能源均衡控制方法，为了提高电量估计神经网络的精度，电量估计神经网络还包括第四网络分支，用于对供电功率进行分析，得到第四特征向量；电量预测网络，用于对第一、第二、第三、第四特征向量融合后的特征向量进行分析，得到估计电量序列。

实施例3：

本实施例给出一种一种基于智能物联网的新能源汽车能源均衡控制方法，基于实施例1进行改进，第二SOH估计网络还包括充电次数分析网络分支，用于对充电次数序列进行分析，得到充电次数分析向量。各电池组充电次数，为第二接入时间矩阵对应接入模式下的各电池组接收BMS电量均衡模块的充电次数，通过监测获得，各电池充电次数构成充电次数序列[B₁,B₂,…,B_K]。第二SOH估计网络中的SOH估计网络分支，用于对初始SOH分析向量、电量变化分析向量、接入时间分析向量、充电次数分析向量融合之后的特征向量进行分析，得到第二SOH估计序列。

实施例4：

本实施例提供一种基于智能物联网的新能源汽车能源均衡系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现任一项所述方法的步骤。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于智能物联网的新能源汽车能源均衡控制方法，其特征在于，该方法包括：

2.如权利要求1所述的方法，其特征在于，所述根据第一SOH估计序列、汽车启动功率，生成第一接入时间矩阵包括：

3.如权利要求1所述的方法，其特征在于，所述根据接入时间窗口尺寸、电池组接入约束对第一接入时间矩阵进行扩充修正，得到第二接入时间张量包括：

电池组接入约束包括：

4.如权利要求1所述的方法，其特征在于，所述第二SOH估计网络包括：

5.如权利要求4所述的方法，其特征在于，所述最终电量序列通过以下方式获得：

步骤3b，从第二接入时间张量中取一通道；

6.如权利要求5所述的方法，其特征在于，所述根据所取通道、待分析电量序列得到输入电量矩阵包括：

7.如权利要求4-6任一项所述的方法，其特征在于，所述电量估计神经网络包括：

8.如权利要求7所述的方法，其特征在于，所述电量估计神经网络还包括第四网络分支，用于对供电功率进行分析，得到第四特征向量；所述电量预测网络，用于对第一、第二、第三、第四特征向量融合后的特征向量进行分析，得到估计电量序列。

9.如权利要求4所述的方法，其特征在于，所述第二SOH估计网络还包括充电次数分析网络分支，用于对充电次数序列进行分析，得到充电次数分析向量；所述SOH估计分支，用于对初始SOH分析向量、电量变化分析向量、接入时间分析向量、充电次数分析向量融合之后的特征向量进行分析，得到第二SOH估计序列。

10.一种基于智能物联网的新能源汽车能源均衡系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，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9任一项所述方法的步骤。