CN114056184B - 一种降成本增寿命的复合电池能量控制方法 - Google Patents

Abstract

本发明公开了一种降成本增寿命的复合电池能量控制方法，涉及智能电动车辆能源技术领域，解决了单一储能系统性能不均衡的技术问题，其技术方案要点是充分利用了半主动构型中功率型储能部件以提升储能系统整体性能指标，有效解决了单一储能系统性能不均衡的问题；有效减少储能系统年平均使用成本和单位距离使用成本。

Description

一种降成本增寿命的复合电池能量控制方法

技术领域

本申请涉及智能电动车辆能源技术领域，尤其涉及一种降成本增寿命的复合电池能量控制方法。

背景技术

现有电动车辆广泛存在的“续航里程焦虑”和“电池成本高寿命短”两大与汽车经济性驾驶息息相关的问题，严重制约了当前电动车辆的普及使用。究其根本原因，储能系统(Energy Storage System，ESS)是影响车辆能源利用效率的关键性因素。如何利用有限电池成本，研究出能量利用效率高且电池使用周期长的储能系统成为工业和研究领域共同关注的重要问题。目前，单一的锂离子电池一般都难以同时具备高能量密度和高功率密度这两种特点，也就无法兼顾电动车辆在经济性和动力性的双重需求。

现有实践和研究证明了将复合储能系统应用于电动车辆，能够有效解决单一储能系统性能不均衡的问题，并具有长期广阔的应用前景。针对复合储能系统构型的研究，一种主流的思路是通过增加新型功率型ESS作为现有能量型ESS的辅助能量源(现有能量型ESS主要由锂离子电池组成)以弥补原始缺陷。为了能够充分利用功率型储能部件以提升储能系统整体性能指标，复合储能系统需要建立有效的能量管理控制策略(Energy ManagementStrategy,EMS)，即在能量型储能部件和功率型储能部件之间确定合理的功率流分配。因此，设计一种可靠有效的复合储能系统的能量管理控制策略是提升储能系统整体性能指标的关键所在。

发明内容

本申请提供了一种降成本增寿命的复合电池能量控制方法，其技术目的是充分利用半主动构型中功率型储能部件以提升储能系统整体性能指标，有效解决单一储能系统性能不均衡的问题，减少储能系统年平均使用成本和单位距离使用成本。

本申请的上述技术目的是通过以下技术方案得以实现的：

一种降成本增寿命的复合电池能量控制方法，包括：

S1：选取一个半主动复合储能系统，建立所述半主动复合储能系统的构型得到半主动构型，确定所述半主动构型的控制量；其中，半主动复合储能系统包括LTO电池组、LFP电池组、驱动电机、逆变器、导线、开关和二极管；所述控制量包括开关K2的状态和LTO电池组的需求功率分配比例

S2：通过模糊逻辑控制器对所述控制量进行初步控制；

S3：以LFP电池组的容量衰退减少为目标，构建LFP电池组的寿命优化函数；

S4：基于差分进化算法对所述寿命优化函数进行参数优化，得到最优控制参数集合。

本申请的有益效果在于：本申请充分利用了半主动构型中功率型储能部件以提升储能系统整体性能指标，有效解决了单一储能系统性能不均衡的问题；有效减少储能系统年平均使用成本和单位距离使用成本；本申请的控制策略更加稳定可靠，更适合在成本低的电动车辆上应用，市场推广前景更好。

附图说明

图1为本申请所述控制方法的流程图；

图2为本申请所述半主动复合储能系统的两种构型的实施例示意图；

图3为本申请实施例的模糊逻辑控制器的输入变量和输出变量的隶属度函数；

图4为规则表示意图；

图5为本申请实施例的差分进化算法优化计算的流程图。

具体实施方式

下面将结合附图对本申请技术方案进行详细说明。

图1为本申请所述控制方法的流程图，如图1所示，该低成本高寿命的复合电池能量控制方法，包括：

步骤S1：选取一个半主动复合储能系统，建立所述半主动复合储能系统的构型得到半主动构型，确定所述半主动构型的控制量；其中，半主动复合储能系统包括LTO电池组、LFP电池组、驱动电机、逆变器、导线、开关和二极管；所述控制量包括开关K2的状态和LTO电池组的需求功率分配比例

本申请中，半主动复合储能系统的构型如图2所示，图2示出了半主动复合储能系统构型的两种具体实施例。

步骤S2：通过模糊逻辑控制器对所述控制量进行初步控制。

具体地，步骤S2包括：

S21：分别对车辆的总需求功率和LTO电池组的需求功率分配比例进行归一化，得到P_dem和k_LTO，则有：

其中，P_{wr_dem}表示车辆需求功率，Pwr_LTO表示LTO电池组的需求功率。

S22：将P_dem和SOC_LTO作为模糊逻辑控制器的输入变量，用来确定所述半主动构型中开关K2的状态和LTO电池组的需求功率分配比例k_LTO，则根据两个输入变量P_dem、SOC_LTO和两个输出变量K2_state、k_LTO的模糊逻辑控制集表示为：

P_dem＝{极小，小，中，大，很大}＝{VS,S,M,B,VB}

SOC_LTO＝{极低，低，中，高，很高}＝{VL,L,M,H,VH}

K2_state＝{关，开}＝{0,1}

k_LTO＝{极小，小，中，大，很大}＝{VS,S,M,B,VB}

其中，SOC_LTO表示LTO电池组荷电状态的水平，K2_state表示开关K2的状态。

S23：选取模糊逻辑控制器的输入变量和输出变量的隶属度函数(如图3所示)，根据所述隶属度函数制定模糊逻辑控制器的规则表，根据所述规则表得到模糊逻辑控制器的权重向量ω_h1和ω_h2，根据权重向量ω_h1和ω_h2完成对所述控制量的初步控制。

规则表如图4所示，图4中，根据模糊逻辑控制器的权重向量ω_h1和ω_h2，以及输入变量P_dem和SOC_LTO，得到开关K2的状态K2_state和LTO电池组的需求功率分配比例k_LTO的初步估计。例如，当ω_h1＝1且ω_h2＝1时，若SOC_LTO＝VL、P_dem＝VS，可以得到开关K2的状态为关，k_LTO的值为VS。

步骤S3：以LFP电池组的容量衰退减少为目标，构建LFP电池组的寿命优化函数。

具体地，LFP电池组的寿命优化函数为：

minQ_{daily_loss}＝minf(S_HBS)

且所述寿命优化函数符合以下约束，即：

其中，Q_{daily_loss}表示LFP电池组每日容量衰退率，S_HBS表示对应的半主动构型的控制参数集合，S_HBS＝{ω_S,ω_P,ω_h1,ω_h2},表示控制参数的最优化分配；/>和分别表示控制参数集合的上边界和下边界；ω_S表示SOC_LTO的权重系数；ω_P表示P_dem的权重系数；ω_h1和ω_h2表示模糊逻辑控制器的权重向量。

步骤S4：基于差分进化算法对所述寿命优化函数进行参数优化，得到最优控制参数集合。

具体地，步骤S4中差分进化算法包括自适应变异算子F_r，则F_r为

其中，F表示变异算子；ζ是自适应因子；g_n是当前遗传代数；G表示最大迭代数目。则通过差分进化算法对寿命优化函数进行参数优化的过程如图5所示，具体包括：

S41：对种群数目N_p、维度D、最大迭代数目G、变异算子F、交叉概率CR、S_{HESS_L}和S_{HESS_U}进行初始化；S_{HESS_L}和S_{HESS_U}分别表示S_HESS的上限和下限；其中，S_HESS表示一个D×N_p维的矩阵；

S42:对S_{HESS_initial}进行数据预处理；其中，S_{HESS_initial}表示初代控制参数集合的总体；

S43:计算寿命优化函数的初始目标函数值，Q_{daily_loss}＝f(S_{HESS_initial})；

S44：计算F_r和下一个S_HESS(i,j,k)；其中，S_HESS(i,j,k)表示经过k代之后的种群中参数S_HESS(i)的值，直至产生最优控制参数集合，k≤G；

S45：限制S_HESS(i,j,k)在区间[S_{HESS_L},S_{HESS_U}]内；

S46：进行贪婪选择，得到

Q_{loss_matrix}(:,i)＝min{f(S_{HESS_initial}(:,i)),f(S_HESS(:,i))}

S47:选择Q_{loss_matrix}中最小的Q_loss,得到Q_{loss_min}以及对应的S_{HESS_optimal}；其中，S_{HESS_optimal}表示控制参数的最优化分配；

S48:若S_{HESS_optimal}<ε，则当前S_{HESS_optimal}即为最优解，若S_{HESS_optimal}≥ε，则重复步骤S44至S48，直至得到最优控制参数集合。

以上为本申请示范性实施例，本申请的保护范围由权利要求书及其等效物限定。

Claims (3)

1.一种降成本增寿命的复合电池能量控制方法，其特征在于，包括：

S1：选取一个半主动复合储能系统，建立所述半主动复合储能系统的构型得到半主动构型，确定所述半主动构型的控制量；其中，半主动复合储能系统包括LTO电池组、LFP电池组、驱动电机、逆变器、导线、开关和二极管；所述控制量包括开关K2的状态和LTO电池组的需求功率分配比例

S2：通过模糊逻辑控制器对所述控制量进行初步控制；

S3：以LFP电池组的容量衰退减少为目标，构建LFP电池组的寿命优化函数；

S4：基于差分进化算法对所述寿命优化函数进行参数优化，得到最优控制参数集合；

其中，所述步骤S2包括：

S21：分别对车辆的总需求功率P_dem和LTO电池组的需求功率分配比例进行归一化，得到P_dem和K_LTO，则有：

其中，P_{wr_dem}表示车辆需求功率，Pwr_LTO表示LTO电池组的需求功率；

S22：将P_dem和SOC_LTO作为模糊逻辑控制器的输入变量，用来确定所述半主动构型中开关K2的状态和LTO电池组的需求功率分配比例k_LTO，则根据两个输入变量P_dem、SOC_LTO和两个输出变量K2-state、k_LTO的模糊逻辑控制集表示为：

P_dem＝{极小，小，中，大，很大}＝{VS,S,M,B,VB}；

SOC_LTO＝{极低，低，中，高，很高}＝{VL,L,M,H,VH}；

K2_state＝{关，开}＝{0,1}；

k_LTO＝{极小，小，中，大，很大}＝{VS,S,M,B,VB}；

其中，SOC_LTO表示LTO电池组荷电状态的水平，K2_state表示开关K2的状态；

S23：选取模糊逻辑控制器的输入变量和输出变量的隶属度函数，根据所述隶属度函数制定模糊逻辑控制器的规则表，根据所述规则表得到模糊逻辑控制器的权重向量ω_h1和ω_h2，根据权重向量ω_h1和ω_h2完成对所述控制量的初步控制。

2.如权利要求1所述的控制方法，其特征在于，以LFP电池组的容量衰退减少为目标，构建LFP电池组的寿命优化函数

所述步骤S3包括：

LFP电池组的寿命优化函数为：

minQ_{daily_loss}＝minf(S_HBS)

且所述寿命优化函数符合以下约束，即：

其中，Q_{daily_loss}表示LFP电池组每日容量衰退率，S_HBS表示对应的半主动构型的控制参数集合，S_HBS＝{ω_S,ω_P,ω_h1,ω_h2},表示控制参数的最优化分配；/>和/>分别表示控制参数集合的上边界和下边界；ω_S表示SOC_LTO的权重系数；ω_P表示P_dem的权重系数；ω_h1和ω_h2表示模糊逻辑控制器的权重向量。

3.如权利要求2所述的控制方法，其特征在于，所述步骤S4中差分进化算法包括自适应变异算子F_r，则F_r为：

其中，F表示变异算子；ζ是自适应因子；g_n是当前遗传代数；G表示最大迭代数目；

则通过差分进化算法对寿命优化函数进行参数优化的过程包括：

S41：对种群数目N_p、维度D、最大迭代数目G、变异算子F、交叉概率CR、S_{HESS_L}和S_{HESS_U}进行初始化；S_{HESS_L}和S_{HESS_U}分别表示S_HESS的上限和下限；其中，S_HESS表示一个D×N_p维的矩阵；

S42:对S_{HESS_initial}进行数据预处理；其中，S_{HESS_initial}表示初代控制参数集合的总体；

S43:计算寿命优化函数的初始目标函数值，Q_{daily_loss}＝f(S_{HESS_initial})；

S44：计算F_r和下一个S_HESS(i,j,k)；其中，S_HESS(i,j,k)表示经过k代之后的种群中参数S_HESS(i)的值，直至产生最优控制参数集合，k≤G；

S45：限制S_HESS(i,j,k)在区间[S_{HESS_L},S_{HESS_u}]内；

S46：进行贪婪选择，得到

Q_{loss_matrix}(:,i)＝min{f(S_{HESS_initil}(:,i)),f(S_HESS(:,i))}

S47:选择Q_{loss_matrix}中最小的Q_loss,得到Q_{loss_min}以及对应的S_{HESS_optimal}；其中，S_{HESS_optimal}表示控制参数的最优化分配；

S48:若S_{HESS_optimal}<ε，则当前S_{HESS_optimal}即为最优解，若S_{HESS_optimal}≥ε，则重复步骤S44至S48，直至得到最优控制参数集合。