CN116231810B - 基于大数据的电池均衡协同控制方法及装置 - Google Patents
基于大数据的电池均衡协同控制方法及装置 Download PDFInfo
- Publication number
- CN116231810B CN116231810B CN202310333100.5A CN202310333100A CN116231810B CN 116231810 B CN116231810 B CN 116231810B CN 202310333100 A CN202310333100 A CN 202310333100A CN 116231810 B CN116231810 B CN 116231810B
- Authority
- CN
- China
- Prior art keywords
- equalization
- battery
- data
- current
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000011217 control strategy Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 239000002609 medium Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102100028667 C-type lectin domain family 4 member A Human genes 0.000 description 1
- 101000766908 Homo sapiens C-type lectin domain family 4 member A Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- H02J7/0013—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
- 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
-
- 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
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例公开了一种基于大数据的电池均衡协同控制方法及装置；所述方法包括：获取电池系统的电池参数；在云平台上训练多目标优化的均衡模型；基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；本申请实施例达到精准控制电池均衡的控制方法，解决均衡效率低下或浪费的情况，该方法具有自适应性，让电池运行在最优工况，实现均衡效率最大化，使电池系统可用容量长期运行过程中仍可处于最优情况。
Description
技术领域
本申请实施例涉及电池处理技术领域，尤其涉及一种基于大数据的电池均衡协同控制方法及装置。
背景技术
随着动力电池能力的提升，电池的安全与可靠成为客户关注的问题，特别是随着更多厂商倾向于使用大容量电池，电池不可避免的存在均衡能力不足情况；电池系统一般由数十乃至上千个单体电芯组成，单个电芯容量的衰减或电量的不一致性将导致整个系统出现可用容量低的情况，影响客户体验。因此，对于电池系统电芯健康程度的精准定位有助于提高均衡效率，提高系统运行可靠性、减少客户抱怨。
目前已有的技术方案主要为在本地内置均衡控制逻辑，基于经验模型或物理模型进行控制。主要选取的技术方案包括主动均衡与被动均衡，即非耗散性均衡与耗散性均衡，主动均衡通过电路以电量转移方式进行，被动均衡通过电阻放电，以达到高电压对齐低电压的目的。在系统运行过程中，单独使用内置控制均衡算法，会造成以下缺点：1、数据精准度低，存在过度均衡情况，造成电量浪费；2、存在均衡不足情况，造成系统可用容量偏低；3、系统均衡能力难以量化检测标准，存在滞后性；4、均衡控制逻辑固化，无法根据自身个体差异进行自适应策略调整。
发明内容
本申请实施例提供一种基于大数据的电池均衡协同控制方法及装置，以达到精准控制电池均衡，解决均衡效率低下或浪费的问题。
在第一方面，本申请实施例提供了一种基于大数据的电池均衡协同控制方法，所述方法包括以下步骤：
获取电池系统的电池参数；
在云平台上训练多目标优化的均衡模型；
基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；
中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略。
进一步的，所述电池参数包括内部数据和外部数据，所述内部数据包括：环境温度、充放电功率、充放电深度、电流变化、系统循环次数、SOH状态、SOC变化、电压值变化、电芯温度变化和板温，所述外部数据包括：外部环境温度和外部充放电需求量统计。
进一步的，所述在云平台上训练多目标优化的均衡模型，包括：
在云平台的均衡模型上，输入量包括电流、电压、温度、内阻、电池充放电能力、充放电深度、充放电时间、容量、SOH、SOC和电池系统均衡回路特征值提取，输出量包括单体异常信息、单体电芯所需均衡电流、均衡时间和均衡占空比。
进一步的，所述基于不同的电池参数存在不同的均衡策略控制算法，包括：
基于电压、容量和内阻存在不同的均衡策略控制算法，对应根据电压、容量和内阻进行均衡算法。
进一步的，所述中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略，包括：
在本地控制器上需设置均衡控制阈值，如均衡电流范围在实际均衡能力内，均衡占空比不影响系统正常运行，均衡开启工况；
根据本地控制器的均衡策略获得本地均衡电流、本地均衡占空比和本地均衡时间，通过协同控制策略，得到协同均衡电流、协同均衡占空比和协同均衡时间；
通过单体电池健康情况得到单体电池存在异常时，将该单体的置信度置位为100％，均衡电流与占空比设置为0，关闭均衡控制功能，提醒后台进行检查。
进一步的，所述在云平台上训练多目标优化的均衡模型之前，还包括：
将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗；
历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，其中历史数据包括：同电芯平台数据与电芯系统本身数据。
进一步的，所述将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗，包括：
将所述电池参数通过中央控制器发送至云端服务器，云端服务器对数据通过空余赋值、错值去除和交叉检验进行数据清洗；
云端服务器统计进行数据清洗的比例，记录下数据清洗比例值，当数据清洗比例值＜第一数据清洗比例值，设定该段时间内统计的数据有效，云端服务器设定该段数据的置信度为100％；当第一数据清洗比例值≤数据清洗比例值＜第二数据清洗比例值，云端服务器设定该段数据的置信度为50％；当数据清洗比例值≥第二数据清洗比例值，云端服务器设定该段数据的置信度为0％；
云端服务器同时对采集上传的电池系统的电池参数进行特征值提取，包括该段数据内单位时间内的电流变化量，电压变化值，容量变化值和温升情况。
进一步的，所述历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，包括：
设定同电芯平台历史数据的置信度为x1；电芯系统本身的历史数据的置信度为x2，当前充放电循环的置信度为x3；数据清洗得到的当前数据置信度为x4；则对均衡控制算法中各部分数据的模型使用百分比如下：
x1+x2+(x3*x4)＝100％，
设定，x1＝x2＝(100-(x3*x4))/2；
在正常使用过程中，当前充放电循环数据的可信度占比不低于50％，默认为80％。
进一步的，所述中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略之后，还包括：
电池系统通过无线通讯实时发送当前电池状态至云平台，云平台进行均衡效果评估，修正均衡模型。
在第二方面，本申请实施例还提供一种基于大数据的电池均衡协同控制装置，包括：
参数获取模块，用于获取电池系统的电池参数；
模型训练模块，用于在云平台上训练多目标优化的均衡模型；
均衡控制模块，用于基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；
策略获取模块，用于中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略。
本申请实施例获取电池系统的电池参数；在云平台上训练多目标优化的均衡模型；基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；以达到精准控制电池均衡的控制方法，解决均衡效率低下或浪费的情况，该方法具有自适应性，让电池运行在最优工况，实现均衡效率最大化，使电池系统可用容量长期运行过程中仍可处于最优情况。
附图说明
图1是本申请实施例提供的一种基于大数据的电池均衡协同控制方法的流程图；
图2是本申请实施例提供的一种基于大数据的电池均衡协同控制装置的结构示意图；
图3是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请实施例建立一套基于大数据的电池均衡协同控制方法，解决了现有的国际物流计费方式无法完全自动化、智能化进行计费，计费效率低的问题。
实施例中提供的基于大数据的电池均衡协同控制方法可以由基于大数据的电池均衡协同控制装置执行，该基于大数据的电池均衡协同控制装置可以通过软件和/或硬件的方式实现，并集成在基于大数据的电池均衡协同控制设备中。其中，基于大数据的电池均衡协同控制设备可以是计算机等设备。
图1为本申请实施例提供的一种基于大数据的电池均衡协同控制方法的流程图。参考图1，所述方法包括以下步骤：
步骤110、获取电池系统的电池参数。
具体的，所述电池参数包括内部数据和外部数据，所述内部数据包括：环境温度、充放电功率、充放电深度、电流变化、系统循环次数、SOH状态、SOC变化、电压值变化、电芯温度变化和板温，所述外部数据包括：外部环境温度和外部充放电需求量统计。
步骤120、将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗。
可选的，中央控制器可以是实时传输或达到特定触发条件后再进行传输，大数据平台具备数据清洗功能，数据清洗规则可包含以下几种：(1)空余赋值：电池数据在采集或传输过程中发生掉包或采集失败导致电池变量缺失，在本发明中，主要采用该变量缺失前后一段时间内的平均值或相邻特征值进行插值赋值；(2)错值去除：当传输到云端大数据平台的变量值超过或小于特定阈值的数据予以纠正，若不满足设定的纠正规则则予以删除；(3)交叉检验：将采集的电池数据进行相互逻辑比对，若存在逻辑上不合理或矛盾的数据予以删除或纠正，作为交叉校验的一种实施例，如在电池系统端未发生电池单体电压故障信息，而传输到云端大数据的某个单体电压数据存在异常情况，可将该个单体电压剔除后进行后续处理。
云端服务器统计进行数据清洗的比例，当数据清洗比例值＜第一数据清洗比例值，如2％时，可假定该段时间内统计的数据有效，云端大数据该段数据的置信度为100％；当第一数据清洗比例值≤数据清洗比例值＜第二数据清洗比例值，如5％，云端大数据该段数据的置信度为50％；当数据清洗比例值≥第二数据清洗比例值，如5％，云端大数据该段数据的置信度为0％。应该明确的是，在此实施例使用的为3段区间，作为可选项，该区间可根据实际实施例进行匹配后调整。
云端服务器同时可对采集上传的电池系统内部数据和外部数据进行特征值提取，包括该段数据内单位时间内的电流变化量，电压变化值，容量变化值，温升情况。
步骤130、历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，其中历史数据包括：同电芯平台数据与电芯系统本身数据。
作为实施例的一种，设定同电芯平台历史数据的置信度为x1；电芯系统本身的历史数据的置信度为x2，当前充放电循环的置信度为x3，设定步骤120中数据清洗得到的当前数据置信度为x4；则对均衡控制算法中各部分数据的模型使用百分比如下：
x1+x2+(x3*x4)＝100％，
设定，x1＝x2＝(100-(x3*x4))/2；
在正常使用过程中，当前充放电循环数据的可信度占比不低于50％，默认为80％；例1：例如步骤120得到的数据值有效，则x4为100％，可假定当前充放电循环的置信度x3为80％；同电芯平台历史数据的置信度为x1，可假定为10％；电芯系统本身的历史数据的置信度x2，可假定为10％。例2：例如步骤120得到的数据值置信度为50％，则x4为50％，当前充放电循环的置信度x3假定为80％，则电芯平台历史数据的置信度与电芯系统本身的历史数据的置信度x1，x2均等于30％。在实际项目中，可根据电池运行情况制定不同置信度，如电池系统运行前期，电芯系统本身的历史数据积累较少，x2可设定接近为0，在电池系统生命周期内逐步提高置信度占比。
步骤140、在云平台上训练多目标优化的均衡模型。
具体的，在云平台的均衡模型上，输入量包括电流、电压、温度、内阻、电池充放电能力、充放电深度、充放电时间、容量、SOH、SOC和电池系统均衡回路特征值提取，输出量包括单体异常信息、单体电芯所需均衡电流、均衡时间和均衡占空比。
步骤150、基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量。
具体的，基于电压、容量和内阻存在不同的均衡策略控制算法，对应根据电压、容量和内阻进行均衡算法。
示例性的，基于电压进行均衡的算法如下：
获取电池系统内电芯单体电压CellV及其平均电压值CellVmean、单体最低电压CellVmin，根据单体电压与平均电压的偏差值与单体电压与最小电压的差值进行均衡策略判断。作为实施例的一种，如判断为充电条件，温度处于有效区间，如0-45℃，平均电压处于2.8V-3.0V时，判断电芯处于平台期外，则应当开启均衡的电芯为(CellV-CellVmin)≥开启均衡压差BalV且(CellV-CellVmean)≥均衡压差阈值Balmean时，开启均衡，其中Balmean与BalV的选取应符合电芯均衡能力。
计算的充电均衡时间为(CellV-CellVmean)/(电池均衡电流BalI*电池均衡占空比BalDuty)，为满足该工况下最大均衡能力，初始选取的电池均衡电流与均衡占空比为电池系统最大能力，后续根据步骤170反馈的板温、电压采集准确性及电芯最大充放电效率进行动态调整；
同理可得出不同工况下(静置、充电、放电)的需要开启均衡的电芯及其均衡电流与占空比；如长时间未触发其他工况下的均衡条件，则其他工况的均衡开启时间可等比例减少。
如得到1号电芯充电均衡电流为100mA，占空比30％，开启充电均衡时间8h；若在触发充电均衡24h后仍未触发放电均衡判断条件，但再次触发了充电均衡，同步则对其开启放电均衡，放电均衡时间可选为8h*80％(可调整)＝6.4h，均衡充电时间累减。
当未满足均衡时间，但满足均衡关闭条件(如CellV≤CellVmean-压差阈值或CellV≤CellVmin+压差阈值)时，应当对其进行关闭均衡动作，并在云端记录开启均衡时间与关闭均衡时间，及该段时间内的均衡电流、占空比，作为下次均衡策略的修订基础。同时，应该对电芯健康程度进行区分，选取合适的压差阈值。
如充电末端达到平均电压Vmean+电压阈值(假定10mV)，且在放电末端达到Vmean-电压阈值(假定10mV)的电芯记录为异常电芯，对其不开启均衡策略。
示例性的，基于容量进行均衡的算法如下：
获取电池组各电芯SOC值，根据单体电芯SOC的变化推算得到单电芯的可用容量，对高可用容量的电池进行放电，对低容量的电池进行充电，直到最终电池之间的容量差距减小到容量差阈值时结束均衡。
可用容量其中I为电流值(充放电电流+均衡电流)，t为充电时间或放电时间，SOC1为初始SOC值，SOC2为末端SOC值。
标记可用容量低的电芯，如其在充电时处于偏低水平(平均容量-容量阈值(假定3Ah))，且放电时处于偏高水平(平均容量+容量阈值(假定3Ah))时，将该电芯记录为异常电芯，对其不开启均衡策略。
示例性的，基于内阻进行均衡的算法如下：
获取单体电芯的直流内阻，如在短时间内(如2s、5s、10s、30s)内存在一个恒定的大电流，通过其差值可用得到直流内阻，计算公式为DCIR＝(V1-V2)/I；V1，V2为初始与末端的电压值，I为短时间的恒定电压值，通过多次数据的读取可得到不同电芯的内阻值差距。
存在明显内阻差距的电芯，如在充电时进行消耗式均衡，更容易导致不满充，降低可用容量；如在放电时进行消耗式均衡，对比其他电芯更容易达到放电截至电压，降低可用容量，因此对于此类电芯，最好的做法是其余电芯对其进行电量补充，使其可用容量提高。
作为实施例的一种，如计算的常用工况，电芯直流内阻≥1.2*平均直流内阻，将其定义为需要补电电芯，在充放电过程中通过其他电芯对其进行电量转移，以达到系统最优的均衡效果。
当电池系统可实现主动均衡时，结合电压均衡算法、内阻均衡算法得到的可提供均衡的电芯转移电量至该内阻大的电芯中，均衡能力根据内阻差异进行调整；根据系统能力调整可均衡电芯的均衡电流与占空比，并标注转移的目标电芯。
当电池系统为单被动均衡时，内阻大的电芯不进行开启均衡。
标记内阻明显增大的电芯，如其在充放电均处于高内阻水平(如≥1.5*平均内阻)时，将该电芯记录为异常电芯，对其不开启均衡策略。
需要注意的是，为保证初期电池系统稳定性，在初期的电池系统均衡策略应为该部分算法取小得到，即假如在充电工况下，基于电压计算得到的均衡能力为均衡电流BalI1，占空比为BalDuty1；基于容量计算得到的均衡能力为均衡电流BalI2，占空比为BalDuty2；基于内阻计算得到的均衡能力为均衡电流BalI3，占空比为BalDuty3。则初期综合后的均衡策略为三者取小，得到均衡电流BalImin，占空比为BalDutymin。
存在异常电芯信息时，需剔除所处异常信息电芯点后再开启均衡。当连续多次检测该点存在异常信息时，对该电芯点进行备注，推送信息至大数据平台服务人员。
在中后期，随着数据积累，在无异常电芯信息时，综合均衡算法的均衡电流为p1*BalI1+p2*BalI2+p3*BalI3(其中p1+p2+p3＝100％，p1、p2、p3的占比根据工况得到，如充分静置时，如静置时间≥30min，电压均衡占比可提高；如充放电深度大于80％时，容量计算的占比可提高；如存在大电流脉冲时，内阻均衡算法可提高)
在实际运用中，云端大数据平台的主被动均衡策略需分开计算，根据需求发送给控制器。
步骤160、中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略。
具体的，在本地控制器上需设置均衡控制阈值，如均衡电流范围在实际均衡能力内，均衡占空比不影响系统正常运行，均衡开启工况；根据本地控制器的均衡策略获得本地均衡电流、本地均衡占空比和本地均衡时间，通过协同控制策略，得到协同均衡电流、协同均衡占空比和协同均衡时间；通过单体电池健康情况得到单体电池存在异常时，将该单体的置信度置位为100％，均衡电流与占空比设置为0，关闭均衡控制功能，提醒后台进行检查。
示例性的，电池系统根据云平台发送的最优均衡控制协同本地原有控制方法控制系统的均衡电流、均衡占空比、均衡工况、均衡时间、置信度、单体异常情况。将其数据记录为Cell[n,BalI,BalDuty,BalMode，BalT,DataConfidence，CellHealth]，其中，n为单体电池数目；BalI为均衡电流；BalDuty为均衡占空比；BalMode为均衡的工况，如0代表无效，1代表充电均衡，2代表放电均衡，3代表静置均衡；BalT代表不同工况下的均衡时间，DataConfidence代表当前数据的置信度，该值等于步骤120得到的数据清洗置信度；CellHealth代表单体电池健康情况，该值等于步骤140得到的单体异常信息，0代表正常，1代表异常。将该数据下发至就地控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略。
在本地控制器上需设置均衡控制阈值，如均衡电流范围在实际均衡能力内，均衡占空比不影响系统正常运行，均衡开启工况等
作为实施例的一种，如云平台下发的数据为Cell[1,80mA,40％,2，3h,50％]时，本地控制器的均衡策略为均衡电流100mA，均衡占空比30％，均衡时间4h时，通过协同控制策略得到的均衡策略为均衡电流80mA*50％+100mA*(1-50％)＝90mA，均衡占空比40％*50％+30％*(1-50％)＝35％，均衡时间3h*50％+4h*(1-50％)＝3.5h。
作为实施例的一种，在CellHealth得到单体电池存在异常时，将该单体的置信度置位位100％，均衡电流与占空比设置为0，关闭均衡控制功能，提醒后台工作人员进行检查。
步骤170、电池系统通过无线通讯实时发送当前电池状态至云平台，云平台进行均衡效果评估，修正均衡模型。
可选的，云平台进行均衡效果评估，修正均衡模型，对于实际运行状态的检测评估，有助于逐步提升系统均衡效率。
上述，通过提升电池可用容量，有效延长电池寿命；云平台计算可通过同电芯平台、同电池系统历史特征值的提取，在一定程度下提高均衡算法准确度；；因本申请实施例主要使用云端大数据修正的方式，因此可以通过云端端修正算法，根据不同用户工况完善实时修正充放电控制策略；通过自适应信息反馈，可逐步完善均衡控制算法，保证系统均衡的高效性；另外，云端大数据的方式可以减少前期标定、调试工作，在后期使用过程中实时通过客户的不同使用工况，定制自适应控制策略。
在上述实施例的基础上，请参照图2，本申请实施例提供的一种基于大数据的电池均衡协同控制装置，所述基于大数据的电池均衡协同控制装置具体包括：参数获取模块201、数据清洗模块202、置信度选取模块203、模型训练模块204、均衡控制模块205、策略获取模块206和模型修正模块207。
其中，参数获取模块201用于获取电池系统的电池参数；数据清洗模块202用于将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗；置信度选取模块203用于历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，其中历史数据包括：同电芯平台数据与电芯系统本身数据；模型训练模块204用于在云平台上训练多目标优化的均衡模型；均衡控制模块205用于基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；策略获取模块206用于中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；模型修正模块207用于电池系统通过无线通讯实时发送当前电池状态至云平台，云平台进行均衡效果评估，修正均衡模型。
上述，获取电池系统的电池参数；在云平台上训练多目标优化的均衡模型；基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；以达到精准控制电池均衡的控制方法，解决均衡效率低下或浪费的情况，该方法具有自适应性，让电池运行在最优工况，实现均衡效率最大化，使电池系统可用容量长期运行过程中仍可处于最优情况。
本申请实施例提供的基于大数据的电池均衡协同控制装置可以用于执行上述实施例提供的基于大数据的电池均衡协同控制方法，具备相应的功能和有益效果。
本申请实施例还提供了一种计算机设备，该计算机设备可集成本申请实施例提供的基于大数据的电池均衡协同控制装置。图3是本申请实施例提供的一种计算机设备的结构示意图。参考图3，该计算机设备包括：输入装置53、输出装置54、存储器52以及一个或多个处理器51；所述存储器52，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器51执行，使得所述一个或多个处理器51实现如上述实施例提供的基于大数据的电池均衡协同控制方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于大数据的电池均衡协同控制方法。
上述提供的计算机设备可用于执行上述实施例提供的基于大数据的电池均衡协同控制方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于大数据的电池均衡协同控制方法，该基于大数据的电池均衡协同控制方法包括：获取电池系统的电池参数；在云平台上训练多目标优化的均衡模型；基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机装置存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机装置中，或者可以位于不同的第二计算机装置中，第二计算机装置通过网络(诸如因特网)连接到第一计算机装置。第二计算机装置可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机装置中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于大数据的电池均衡协同控制方法，还可以执行本申请任意实施例所提供的基于大数据的电池均衡协同控制方法中的相关操作。
上述实施例中提供的基于大数据的电池均衡协同控制装置、存储介质及计算机设备可执行本申请任意实施例所提供的基于大数据的电池均衡协同控制方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据的电池均衡协同控制方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (7)
1.一种基于大数据的电池均衡协同控制方法，其特征在于，所述方法包括以下步骤：
获取电池系统的电池参数；
在云平台上训练多目标优化的均衡模型；
基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；
中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；
其中，所述中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略，包括：
在本地控制器上需设置均衡控制阈值，如均衡电流范围在实际均衡能力内，均衡占空比不影响系统正常运行，均衡开启工况；
根据本地控制器的均衡策略获得本地均衡电流、本地均衡占空比和本地均衡时间，通过协同控制策略，得到协同均衡电流、协同均衡占空比和协同均衡时间；
通过单体电池健康情况得到单体电池存在异常时，将该单体的置信度置位为100%，均衡电流与占空比设置为0，关闭均衡控制功能，提醒后台进行检查；
其中，所述在云平台上训练多目标优化的均衡模型之前，还包括：
将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗；
历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，其中历史数据包括：同电芯平台数据与电芯系统本身数据；
其中，所述历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，包括：
设定同电芯平台历史数据的置信度为x1；电芯系统本身的历史数据的置信度为x2，当前充放电循环的置信度为x3；数据清洗得到的当前数据置信度为x4；则对均衡控制算法中各部分数据的模型使用百分比如下：
x1+x2+（x3*x4）=100%，
设定，x1=x2=（100-（x3*x4））/2；
在正常使用过程中，当前充放电循环数据的可信度占比不低于50%。
2.根据权利要求1所述的基于大数据的电池均衡协同控制方法，其特征在于，所述电池参数包括内部数据和外部数据，所述内部数据包括：环境温度、充放电功率、充放电深度、电流变化、系统循环次数、SOH状态、SOC变化、电压值变化、电芯温度变化和板温，所述外部数据包括：外部环境温度和外部充放电需求量统计。
3.根据权利要求1所述的基于大数据的电池均衡协同控制方法，其特征在于，所述在云平台上训练多目标优化的均衡模型，包括：
在云平台的均衡模型上，输入量包括电流、电压、温度、内阻、电池充放电能力、充放电深度、充放电时间、容量、SOH、SOC和电池系统均衡回路特征值提取，输出量包括单体异常信息、单体电芯所需均衡电流、均衡时间和均衡占空比。
4.根据权利要求1所述的基于大数据的电池均衡协同控制方法，其特征在于，所述基于不同的电池参数存在不同的均衡策略控制算法，包括：
基于电压、容量和内阻存在不同的均衡策略控制算法，对应根据电压、容量和内阻进行均衡算法。
5.根据权利要求1所述的基于大数据的电池均衡协同控制方法，其特征在于，所述将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗，包括：
将所述电池参数通过中央控制器发送至云端服务器，云端服务器对数据通过空余赋值、错值去除和交叉检验进行数据清洗；
云端服务器统计进行数据清洗的比例，记录下数据清洗比例值，当数据清洗比例值＜第一数据清洗比例值，设定该段时间内统计的数据有效，云端服务器设定该段数据的置信度为100%；当第一数据清洗比例值≤数据清洗比例值＜第二数据清洗比例值，云端服务器设定该段数据的置信度为50%；当数据清洗比例值≥第二数据清洗比例值，云端服务器设定该段数据的置信度为0%；
云端服务器同时对采集上传的电池系统的电池参数进行特征值提取，包括该段数据内单位时间内的电流变化量，电压变化值，容量变化值和温升情况。
6.根据权利要求1所述的基于大数据的电池均衡协同控制方法，其特征在于，所述中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略之后，还包括：
电池系统通过无线通讯实时发送当前电池状态至云平台，云平台进行均衡效果评估，修正均衡模型。
7.一种基于大数据的电池均衡协同控制装置，其特征在于，包括：
参数获取模块，用于获取电池系统的电池参数；
模型训练模块，用于在云平台上训练多目标优化的均衡模型；
均衡控制模块，用于基于不同的电池参数存在不同的均衡策略控制算法，根据所述电池参数进行选取对应比例的置信度算法，得到最终均衡控制协同控制方法；其中，所述电池参数包括容量、内阻、电压、电量；
策略获取模块，用于中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略；
其中，所述中央控制器根据云端服务器下发控制指令调度控制器，控制器通过置信度的对比，获取当前所需的均衡控制策略，包括：
在本地控制器上需设置均衡控制阈值，如均衡电流范围在实际均衡能力内，均衡占空比不影响系统正常运行，均衡开启工况；
根据本地控制器的均衡策略获得本地均衡电流、本地均衡占空比和本地均衡时间，通过协同控制策略，得到协同均衡电流、协同均衡占空比和协同均衡时间；
通过单体电池健康情况得到单体电池存在异常时，将该单体的置信度置位为100%，均衡电流与占空比设置为0，关闭均衡控制功能，提醒后台进行检查；
其中，所述在云平台上训练多目标优化的均衡模型之前，还包括：
将所述电池参数通过中央控制器发送至云端服务器，云端服务器进行数据清洗；
历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，其中历史数据包括：同电芯平台数据与电芯系统本身数据；
其中，所述历史数据与当前充放电循环中采集的所述电池参数进行置信度选取，包括：
设定同电芯平台历史数据的置信度为x1；电芯系统本身的历史数据的置信度为x2，当前充放电循环的置信度为x3；数据清洗得到的当前数据置信度为x4；则对均衡控制算法中各部分数据的模型使用百分比如下：
x1+x2+（x3*x4）=100%，
设定，x1=x2=（100-（x3*x4））/2；
在正常使用过程中，当前充放电循环数据的可信度占比不低于50%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333100.5A CN116231810B (zh) | 2023-03-31 | 2023-03-31 | 基于大数据的电池均衡协同控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333100.5A CN116231810B (zh) | 2023-03-31 | 2023-03-31 | 基于大数据的电池均衡协同控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116231810A CN116231810A (zh) | 2023-06-06 |
| CN116231810B true CN116231810B (zh) | 2023-11-28 |
Family
ID=86573184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310333100.5A Active CN116231810B (zh) | 2023-03-31 | 2023-03-31 | 基于大数据的电池均衡协同控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116231810B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117595468B (zh) * | 2024-01-18 | 2024-04-05 | 杭州华塑科技股份有限公司 | 一种电池组电荷均衡方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理系统及方法 |
| CN112701757A (zh) * | 2021-01-04 | 2021-04-23 | 国网上海市电力公司 | 电池组在线均衡方法及系统 |
| CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
| CN113625175A (zh) * | 2021-10-11 | 2021-11-09 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种基于云端大数据平台的soc估算方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115179812A (zh) * | 2021-03-18 | 2022-10-14 | 华为数字能源技术有限公司 | 基于云端协同的电池管理系统、车及电池管理方法 |
-
2023
- 2023-03-31 CN CN202310333100.5A patent/CN116231810B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理系统及方法 |
| CN112701757A (zh) * | 2021-01-04 | 2021-04-23 | 国网上海市电力公司 | 电池组在线均衡方法及系统 |
| CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
| CN113625175A (zh) * | 2021-10-11 | 2021-11-09 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种基于云端大数据平台的soc估算方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116231810A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110709717B (zh) | 基于松弛电压估计移动设备的电池健康的方法 | |
| CN108550928B (zh) | 电动汽车、充放电设备、电池soh的检测方法及系统 | |
| CN107576918B (zh) | 锂电池的剩余电量的估算方法及系统 | |
| US20230095453A1 (en) | Method and apparatus for determining state of charge of battery, management system and storage medium | |
| WO2018059074A1 (zh) | 一种电池微短路的检测方法及装置 | |
| CN116231810B (zh) | 基于大数据的电池均衡协同控制方法及装置 | |
| CN109256834A (zh) | 基于电池健康状态和荷电状态的电池组主动均衡方法 | |
| CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
| CN107121639B (zh) | 一种多维参数直流系统蓄电池管理方法及装置 | |
| CN106249168B (zh) | 一种电池曲线修正方法和装置 | |
| CN101882699A (zh) | 动力电池组充放电均衡控制方法 | |
| TWI691143B (zh) | 動態優化電池模組管理系統電容量的系統及方法 | |
| CN115932605A (zh) | 储能电池剩余电量校正方法、装置及电池管理系统 | |
| CN115512777B (zh) | 一种基于容量变化率的电化学模型参数辨识方法和系统 | |
| CN115902647A (zh) | 一种电池状态智能监测方法 | |
| CN113406523A (zh) | 一种储能电池状态评价方法、装置、电子设备及存储系统 | |
| CN110380481A (zh) | 一种无人机电池充电方法、装置、介质及设备 | |
| Taylor et al. | Optimal operation of grid-tied energy storage systems considering detailed device-level battery models | |
| CN108988427B (zh) | 用于调节电池组的充电功率的方法 | |
| Zhu et al. | A noise‐immune model identification method for lithium‐ion battery using two‐swarm cooperative particle swarm optimization algorithm based on adaptive dynamic sliding window | |
| CN113783245A (zh) | 一种电池管理方法以及系统 | |
| WO2021169162A1 (zh) | 电池备电单元监测方法、装置、服务器及可读存储介质 | |
| CN109507590B (zh) | 一种去多元干扰网格智能跟踪soc修正方法及系统 | |
| CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
| CN117347888B (zh) | 电池均衡仪载荷测量方法、装置、计算机设备及存储介质 |
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 |