CN113381482B - 一种基于休息恢复效应的ups充电最大化方法 - Google Patents
一种基于休息恢复效应的ups充电最大化方法 Download PDFInfo
- Publication number
- CN113381482B CN113381482B CN202110725234.2A CN202110725234A CN113381482B CN 113381482 B CN113381482 B CN 113381482B CN 202110725234 A CN202110725234 A CN 202110725234A CN 113381482 B CN113381482 B CN 113381482B
- Authority
- CN
- China
- Prior art keywords
- charging
- current
- ups
- electric quantity
- neural network
- 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
Links
Images
Classifications
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
- H02J7/007182—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery voltage
-
- 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
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
- H02J7/00036—Charger exchanging data with battery
-
- 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
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
-
- 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
- H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
- H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
- H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于休息恢复效应的UPS充电最大化方法,包含步骤如下:获取原始充电数据集;将充电数据集划分为充电训练集和充电测试集;搭建BP神经网络模型结构;训练BP神经网络模型结构;建立充电模型;运用充电模型估计UPS当前电量;判断是否充电结束。本发明克服了恒流恒压充电方法只能以电压和电流作为判断依据的局限性,在充电过程中准确估计UPS实时电量作为充电结束的判断依据,通过电量闭环的方式使UPS充电最大化,最大限度地利用UPS容量。
Description
技术领域
本发明涉及不间断电源领域,更具体地,涉及一种基于休息恢复效应的UPS充电最大化方法。
背景技术
医院、数据中心等对供电可靠性要求高的建筑,通常需要配置不间断电源(UPS)来提高供电可靠性。每个UPS所配置的容量均为确定的,如何在充电阶段最大限度地利用UPS容量,实现充电最大化,关系到UPS在停电期间所能支撑的时间。现有的充电方法,一般采用恒流恒压充电,即在第一阶段以恒定电流充电,当电压达到预定值时转入第二阶段进行恒压充电,直至充电电流逐渐下降到零时,认为UPS完全充满,结束充电。这种充电方式,缺乏对UPS实时电量的估计,属于开环充电方法,难以保证最大限度地利用UPS容量。
发明内容
本发明克服上述恒流恒压充电无法保证最大限度地利用UPS容量的问题,提出了一种基于休息恢复效应的UPS充电最大化方法。本发明的技术方案如下:
一种基于休息恢复效应的UPS充电最大化方法,其特征在于,包括以下步骤:
步骤1:获取原始充电数据集,即在UPS的允许充电电流范围内,以等差方式选取M种充电电流,形成充电电流集合,令同型号的N台UPS全部以所述的M种充电电流进行间歇性恒流充电实验,每次暂停充电时,记录充电电流、当前电量、暂停充电期间所有采样时刻的电压,形成充电数据集;
步骤2:将充电数据集划分为充电训练集和充电测试集;
步骤3:搭建BP神经网络模型结构,结构如下:
隐藏层层数为1层;
输出层节点数为1个,节点对应元素为UPS电量;
隐藏层节点数初始值设置为:
其中,x取0到10间任一整数;
隐藏层激活函数选择sigmoid函数;
误差函数中,精度选取为0.1%,当输出误差小于或等于0.1%,允许保存当前BP神经网络模型结构权值,否则继续对BP神经网络模型结构进行训练;
步骤4:训练BP神经网络模型结构,即将充电训练集输入步骤3所述的BP神经网络模型结构进行网络训练;
步骤5:建立充电模型,即采用充电测试集验证BP神经网络模型是否符合精度要求,若不符合则重新执行步骤3至步骤4,直至BP神经网络模型符合精度要求,形成基于BP神经网络的充电模型;
步骤6:运用充电模型估计UPS当前电量,即在UPS充电过程中,从步骤1给定充电电流中选择第m种电流进行恒流充电,直至电池端电压达到充电截止电压后停止充电,记录当前充电电流,然后采用与步骤1相同的采样频率记录充电停止后所有采样时刻的电压,达到与步骤1相同的暂停充电时间后,将所记录的电流和电压数据输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量;
步骤7:判断是否充电结束,即对步骤6所述的UPS当前电量与UPS最大容量进行比较,若未达到则从给定充电电流中选择低一档的电流,即令m=(m-1),循环执行步骤6,直至UPS当前电量达到UPS最大容量,充电结束。
本方案中,步骤1所述的形成充电数据集,具体步骤如下:
步骤1-1:针对同型号的N台UPS,在充电电流范围[0,Imax]内,以等差数列的方式构建包含M种电流的充电电流集合如下:
dCharge=[i1,i2,…,iM]
其中,0<i1<i2…<iM<Imax;
步骤1-2:在充电电流集合dCharge中选择第m个电流作为充电电流iCharge,其中m=1,2,…,M;
步骤1-3:用选择的充电电流iCharge对所有N台UPS从零电量开始进行恒流充电,每充入1%的电量后,暂停充电K个采样周期,并记录所有N台UPS的充电电流iCharge、当前电量Qn、暂停充电期间所有采样时刻的电压un,k,分别构成第n条样本数据dn,其中n=1,2,…,N,k=1,2,…,K,并进一步构成数据集D如下:
步骤1-4:维持充电电流iCharge,循环执行步骤1-3,直至UPS电量达到100%,停止充电,将整个充电过程中记录的全部100个数据集D都保存到原始数据集;
步骤1-5:循环执行步骤1-2至步骤1-4,直至将所有M种充电电流的数据集都保存到原始数据集中,最终输出原始数据集。
本方案中,步骤6所述的充电过程,具体步骤如下:
步骤6-1:从步骤1给定充电电流中选择第m种电流进行恒流充电,充电控制器实时检测UPS中锂电池的端电压与充电电流,直至锂电池端电压达到充电截止电压后停止充电,并记录当前充电电流;
步骤6-2:采用与步骤1相同的采样频率持续记录充电停止后所有采样时刻的电压,持续时间与步骤1所述的暂停充电时间相同;
步骤6-3:将所记录的充电电流、暂停充电期间所有采样时刻的电压输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量。
与现有技术相比,本发明技术方案的有益效果是:
本发明针对恒流恒压充电方法难以准确估计UPS实时电量导致的只能以电压和电流作为判断依据的局限性,提出利用UPS中锂电池的休息恢复效应准确估计UPS实时电量,从而可以采用实时电量作为充电结束的判断依据,通过电量闭环的方式使UPS充电最大化,最大限度地利用UPS容量。
附图说明
图1为本发明提出的一种基于休息恢复效应的UPS充电最大化方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,一种基于休息恢复效应的UPS充电最大化方法,其特征在于,包括以下步骤:
步骤1:获取原始充电数据集,即在UPS的允许充电电流范围内,以等差方式选取M种充电电流,形成充电电流集合,令同型号的N台UPS全部以所述的M种充电电流进行间歇性恒流充电实验,每次暂停充电时,记录充电电流、当前电量、暂停充电期间所有采样时刻的电压,形成充电数据集;
步骤2:将充电数据集划分为充电训练集和充电测试集;
步骤3:搭建BP神经网络模型结构,结构如下:
隐藏层层数为1层;
输出层节点数为1个,节点对应元素为UPS电量;
隐藏层节点数初始值设置为:
其中,x取0到10间任一整数;
隐藏层激活函数选择sigmoid函数;
误差函数中,精度选取为0.1%,当输出误差小于或等于0.1%,允许保存当前BP神经网络模型结构权值,否则继续对BP神经网络模型结构进行训练;
步骤4:训练BP神经网络模型结构,即将充电训练集输入步骤3所述的BP神经网络模型结构进行网络训练;
步骤5:建立充电模型,即采用充电测试集验证BP神经网络模型是否符合精度要求,若不符合则重新执行步骤3至步骤4,直至BP神经网络模型符合精度要求,形成基于BP神经网络的充电模型;
步骤6:运用充电模型估计UPS当前电量,即在UPS充电过程中,从步骤1给定充电电流中选择第m种电流进行恒流充电,直至电池端电压达到充电截止电压后停止充电,记录当前充电电流,然后采用与步骤1相同的采样频率记录充电停止后所有采样时刻的电压,达到与步骤1相同的暂停充电时间后,将所记录的电流和电压数据输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量;
步骤7:判断是否充电结束,即对步骤6所述的UPS当前电量与UPS最大容量进行比较,若未达到则从给定充电电流中选择低一档的电流,即令m=(m-1),循环执行步骤6,直至UPS当前电量达到UPS最大容量,充电结束。
本方案中,步骤1所述的形成充电数据集,具体步骤如下:
步骤1-1:针对同型号的N台UPS,在充电电流范围[0,Imax]内,以等差数列的方式构建包含M种电流的充电电流集合如下:
dCharge=[i1,i2,…,iM]
其中,0<i1<i2…<iM<Imax;
步骤1-2:在充电电流集合dCharge中选择第m个电流作为充电电流iCharge,其中m=1,2,…,M;
步骤1-3:用选择的充电电流iCharge对所有N台UPS从零电量开始进行恒流充电,每充入1%的电量后,暂停充电K个采样周期,并记录所有N台UPS的充电电流iCharge、当前电量Qn、暂停充电期间所有采样时刻的电压un,k,分别构成第n条样本数据dn,其中n=1,2,…,N,k=1,2,…,K,并进一步构成数据集D如下:
步骤1-4:维持充电电流iCharge,循环执行步骤1-3,直至UPS电量达到100%,停止充电,将整个充电过程中记录的全部100个数据集D都保存到原始数据集;
步骤1-5:循环执行步骤1-2至步骤1-4,直至将所有M种充电电流的数据集都保存到原始数据集中,最终输出原始数据集。
本方案中,步骤6所述的充电过程,具体步骤如下:
步骤6-1:从步骤1给定充电电流中选择第m种电流进行恒流充电,充电控制器实时检测UPS中锂电池的端电压与充电电流,直至锂电池端电压达到充电截止电压后停止充电,并记录当前充电电流;
步骤6-2:采用与步骤1相同的采样频率持续记录充电停止后所有采样时刻的电压,持续时间与步骤1所述的暂停充电时间相同;
步骤6-3:将所记录的充电电流、暂停充电期间所有采样时刻的电压输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于休息恢复效应的UPS充电最大化方法,其特征在于,包括以下步骤:
步骤1:获取原始充电数据集,即在UPS的允许充电电流范围内,以等差方式选取M种充电电流,形成充电电流集合,令同型号的N台UPS全部以所述的M种充电电流进行间歇性恒流充电实验,每次暂停充电时,记录充电电流、当前电量、暂停充电期间所有采样时刻的电压,形成充电数据集;
步骤2:将充电数据集划分为充电训练集和充电测试集;
步骤3:搭建BP神经网络模型结构,结构如下:
隐藏层层数为1层;
输出层节点数为1个,节点对应元素为UPS电量;
隐藏层节点数初始值设置为:
其中,x取0到10间任一整数;
隐藏层激活函数选择sigmoid函数;
误差函数中,精度选取为0.1%,当输出误差小于或等于0.1%,允许保存当前BP神经网络模型结构权值,否则继续对BP神经网络模型结构进行训练;
步骤4:训练BP神经网络模型结构,即将充电训练集输入步骤3所述的BP神经网络模型结构进行网络训练;
步骤5:建立充电模型,即采用充电测试集验证BP神经网络模型是否符合精度要求,若不符合则重新执行步骤3至步骤4,直至BP神经网络模型符合精度要求,形成基于BP神经网络的充电模型;
步骤6:运用充电模型估计UPS当前电量,即在UPS充电过程中,从步骤1给定充电电流中选择第m种电流进行恒流充电,直至电池端电压达到充电截止电压后停止充电,记录当前充电电流,然后采用与步骤1相同的采样频率记录充电停止后所有采样时刻的电压,达到与步骤1相同的暂停充电时间后,将所记录的电流和电压数据输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量;
步骤7:判断是否充电结束,即对步骤6所述的UPS当前电量与UPS最大容量进行比较,若未达到则从给定充电电流中选择低一档的电流,即令m=(m-1),循环执行步骤6,直至UPS当前电量达到UPS最大容量,充电结束。
2.根据权利要求1所述的一种基于休息恢复效应的UPS充电最大化方法,其特征在于,步骤1所述的形成充电数据集的具体步骤如下:
步骤1-1:针对同型号的N台UPS,在充电电流范围[0,Imax]内,以等差数列的方式构建包含M种电流的充电电流集合如下:
dCharge=[i1,i2,…,iM]
其中,0<i1<i2…<iM<Imax;
步骤1-2:在充电电流集合dCharge中选择第m个电流作为充电电流iCharge,其中m=1,2,…,M;
步骤1-3:用选择的充电电流iCharge对所有N台UPS从零电量开始进行恒流充电,每充入1%的电量后,暂停充电K个采样周期,并记录所有N台UPS的充电电流iCharge、当前电量Qn、暂停充电期间所有采样时刻的电压un,k,分别构成第n条样本数据dn,其中n=1,2,…,N,k=1,2,…,K,并进一步构成数据集D如下:
步骤1-4:维持充电电流iCharge,循环执行步骤1-3,直至UPS电量达到100%,停止充电,将整个充电过程中记录的全部100个数据集D都保存到原始数据集;
步骤1-5:循环执行步骤1-2至步骤1-4,直至将所有M种充电电流的数据集都保存到原始数据集中,最终输出原始数据集。
3.根据权利要求1所述的一种基于休息恢复效应的UPS充电最大化方法,其特征在于,步骤6所述的充电过程,具体步骤如下:
步骤6-1:从步骤1给定充电电流中选择第m种电流进行恒流充电,充电控制器实时检测UPS中锂电池的端电压与充电电流,直至锂电池端电压达到充电截止电压后停止充电,并记录当前充电电流;
步骤6-2:采用与步骤1相同的采样频率持续记录充电停止后所有采样时刻的电压,持续时间与步骤1所述的暂停充电时间相同;
步骤6-3:将所记录的充电电流、暂停充电期间所有采样时刻的电压输入步骤5所述的基于BP神经网络的充电模型,估计UPS当前电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725234.2A CN113381482B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的ups充电最大化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725234.2A CN113381482B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的ups充电最大化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113381482A CN113381482A (zh) | 2021-09-10 |
CN113381482B true CN113381482B (zh) | 2022-03-11 |
Family
ID=77579867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110725234.2A Active CN113381482B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的ups充电最大化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113381482B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520148A (zh) * | 2022-12-16 | 2023-08-01 | 广东工业大学 | 一种基于休息恢复效应的锂离子电池微短路电阻估算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091642B (zh) * | 2013-01-22 | 2014-12-10 | 北京交通大学 | 一种锂电池容量快速估计方法 |
JP6407525B2 (ja) * | 2013-12-17 | 2018-10-17 | 矢崎総業株式会社 | 電池充電率推定装置及び電池充電率推定方法 |
CN107785624B (zh) * | 2016-08-30 | 2020-10-27 | 郑州思辩科技有限公司 | 一种评估锂电池性能的方法 |
CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法 |
CN111983464B (zh) * | 2020-07-20 | 2023-02-10 | 武汉数值仿真技术研究院有限公司 | 一种基于纯电动车用锂电池析锂测试方法 |
CN112580211A (zh) * | 2020-12-23 | 2021-03-30 | 天津大学 | 基于sa和ann算法的铅酸蓄电池soh估计方法 |
-
2021
- 2021-06-29 CN CN202110725234.2A patent/CN113381482B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113381482A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102918411B (zh) | 充电状态推定装置 | |
US11376981B2 (en) | Systems and methods for adaptive EV charging | |
CN104584376B (zh) | 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置 | |
US9214822B2 (en) | Battery pack manager unit and method for using same to extend the life of a battery pack | |
CN102428379B (zh) | 蓄电设备的状态检测方法及其装置 | |
Lee et al. | Development of a hardware-in-the-loop simulation system for testing cell balancing circuits | |
CN102255114B (zh) | 电池均衡充放电方法及装置 | |
CN110303945B (zh) | 一种蓄电池组电量自适应优化平衡控制方法 | |
CN113381482B (zh) | 一种基于休息恢复效应的ups充电最大化方法 | |
Birkl et al. | Modular converter system for low-cost off-grid energy storage using second life li-ion batteries | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
KR102667738B1 (ko) | 배터리 밸런싱 방법 및 장치 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN110824375A (zh) | 一种退役蓄电池实际容量计算方法 | |
CN113206308A (zh) | 用于对电池充电的方法 | |
KR101809199B1 (ko) | 배터리 충방전 및 셀 밸런싱 학습을 위한 교육용 장치 | |
CN107546433A (zh) | 电池信息处理方法及装置 | |
Rao et al. | Transient behavior modeling-based hysteresis-dependent energy estimation of ultracapacitor | |
CN116008846A (zh) | 一种面向空间站电源系统的蓄电池组健康状态估计方法 | |
Rai et al. | Multi-level constant current based fast li-ion battery charging scheme with LMS based online state of charge estimation | |
CN111469712A (zh) | 一种电池均衡方法、装置和车辆 | |
CN112706655A (zh) | 基于智能物联网的新能源汽车能源均衡控制方法及系统 | |
JP4331473B2 (ja) | 鉛蓄電池の充放電制御装置及び充放電制御方法 | |
WO2024060487A1 (en) | System and method for on-site determination of charging current for a battery | |
WO2022259761A1 (ja) | 充電制御システム、充電制御方法、及びプログラム |
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 |