CN116388353B - 一种锂电池pack用供电系统及控制方法 - Google Patents
一种锂电池pack用供电系统及控制方法 Download PDFInfo
- Publication number
- CN116388353B CN116388353B CN202310663817.6A CN202310663817A CN116388353B CN 116388353 B CN116388353 B CN 116388353B CN 202310663817 A CN202310663817 A CN 202310663817A CN 116388353 B CN116388353 B CN 116388353B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- serial
- power supply
- neural network
- parallel
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 202
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000000178 monomer Substances 0.000 claims abstract description 110
- 230000036541 health Effects 0.000 claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 72
- 230000010354 integration Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012827 research and development 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
- H02J7/0024—Parallel/serial switching of connection of batteries to charge or load circuit
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
- H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
- H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the battery
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种锂电池pack用供电系统及控制方法,使用精密电压检测器对每一个锂电池单体的电压进行实时监测,监测精度高,同时获取锂电池单体工作时的纹波;设置模式转换控制中枢进行每一个锂电池单体的串并联控制,可以调节每一个锂电池单体的串并联模式,进而调节整个电池pack的内部关系;由于锂电池单体存在个体差异,因此实时调节串并联关系可以保证每一个锂电池单体工作在最佳工作电流和工作电压下,提高电池的寿命。根据锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为;准确度高,精度高,控制精细,系统消耗资源小,更加安全。
Description
技术领域
本发明涉及电动汽车电池控制领域,具体涉及一种锂电池pack用供电系统及控制方法。
背景技术
未来汽车的发展趋势是朝着电动化、智能化的方向发展。锂电池的充放电控制和供电控制关系到锂电池的寿命和安全。
当前,汽车电池的充放电管理,电源管理是各个厂家下大力度研发的领域之一,但是收效并不快。例如特斯拉电动汽车中,每节电池之间以并联的形式连接,而电池单元之间和电池模组之间分别以串联的形式连接,也就是说:在实际用车过程中,当某节电池出现问题时,车辆不会抛锚,受到影响的只是车辆的续航里程。
CN201710021491.1提供了一种可调式电池模组串并联控制系统,包括多个模组单元、继电器及控制器;控制器能够采集每个模组单元的电压并根据实时容量需求进行串并联组合匹配。这是一个好的思路和方向,但是其调节过程精度较低,电池信息不全,不能准确的控制每一个电池单体。
基于此当前需要研发一种电池pack用供电系统,能够准确的控制电池的串并联关系,精确控制,提高电池寿命和安全系数。
发明内容
为了解决上述问题,本发明提供一种锂电池pack用供电系统,包括锂电池pack、供电控制核心、电压监测中枢、模式转换控制中枢和温度监测中枢。
锂电池pack的数量为多个,每个锂电池pack内设置多个锂电池单体,每个锂电池单体设置有电池控制板,电池控制板连接至电压监测中枢,电压监测中枢连接至供电控制核心;
模式转换控制中枢连接至供电控制核心,每个锂电池单体设置有一个模式转换板,可以改变锂电池单体之间的串并联模式,模式转换控制中枢连接模式转换板,控制模式转换板的工作,从而调节锂电池单体之间的串并联关系;
温度监测中枢连接供电控制核心,每个锂电池单体设置有温度传感器,温度传感器连接至温度监测中枢,温度监测中枢将每个锂电池单体的实时温度发送至供电控制核心;
供电控制核心根据电压监测中枢发送的电压监测数据和温度监测中枢发送的温度监测数据获取最佳串并模式,并将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节。
锂电池单体的串并联关系在同一组锂电池pack内调节。
电池控制板设置有精密电压检测器,精密电压检测器检测电压精度为0.01V,检测的频率为10ms,能够稳定获取锂电池单体在供电时产生的电压波纹。
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数;
供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式。
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数具体为:
对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联。
模式转换控制中枢下设串联电路网和并联电路网,并联电路网下设多个并联电路子网;当需要锂电池单体进行并联时,直接将其接入并联电路子网中,对应并联电路子网中的锂电池单体为并联关系;模式转换控制中枢能够直接控制每一个锂电池单体接入到具体并联电路子网中;
并联电路子网之间为串联关系,基于此可以实现锂电池单体之间串并联关系的随时调整。
供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式。
双层神经网络的第一层神经网络为卷积神经网络、BP神经网络、RBF神经网络或感知器网络;第二层神经网络为循环神经网络或深层前馈网络;
第一层神经网络和第二层神经网络为一体结构,训练时一同训练;
训练方式为采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练。
一种锂电池pack用供电系统的控制方法,使用上述供电系统,包括如下步骤:
步骤1)训练双层神经网络,采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练;
步骤2)电池控制板的精密电压检测器稳定获取锂电池单体在供电时产生的电压波纹;
供电控制核心将全部锂电池单体的电压波纹进行分析,对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联;
步骤3)供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式;
步骤4)供电控制核心将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节。
双层神经网络的第一层神经网络为RBF神经网络;第二层神经网络为循环神经网络。
本发明的有益效果为:
本发明设置模式转换控制中枢进行每一个锂电池单体的串并联控制,可以调节每一个锂电池单体的串并联模式,进而调节整个电池pack的内部关系;由于锂电池单体存在个体差异,因此实时调节串并联关系可以保证每一个锂电池单体工作在最佳工作电流和工作电压下,提高电池的寿命。
本发明使用精密电压检测器对每一个锂电池单体的电压进行实时监测,监测精度高,同时获取锂电池单体工作时的纹波;虽然直流电池在断路状态下几乎不存在纹波;但是动力电池,尤其是电动汽车的动力电池工作环境复杂,工作电流变化很大;锂电池在工作时由于电流突变会存在很大的纹波变化;基于此采用高精度的电压检测可以更准确的获取电池的健康状况。
本发明根据锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为;准确度高,精度高,控制精细,系统消耗资源小,更加安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
附图1为本发明整体模块架构示意图;
附图2为本发明串并联关系图。
具体实施方式
实施例1
参见图1-2,本发明提供一种锂电池pack用供电系统,包括锂电池pack、供电控制核心、电压监测中枢、模式转换控制中枢和温度监测中枢。
锂电池pack的数量为多个,每个锂电池pack内设置多个锂电池单体,每个锂电池单体设置有电池控制板,电池控制板连接至电压监测中枢,电压监测中枢连接至供电控制核心;
具体的锂电池pack的数量可以根据需要进行选择,同时各个pack之间二代串并联关系也可以根据需要进行设置;一般当采用高压充放电和高压驱动模式下,各个pack之间的关系为串联关系;当采用低压模式时采用并联关系;
以采用比亚迪的刀片电池为例,每个锂电池pack内设置64个锂电池单体,每个锂电池单体都设置对应的电源板、保护板以及温度传感器等;不同的pack之间采用可转换关系,高压充电时串联设置,低压充电时并联设置。
模式转换控制中枢连接至供电控制核心,每个锂电池单体设置有一个模式转换板,可以改变锂电池单体之间的串并联模式,模式转换控制中枢连接模式转换板,控制模式转换板的工作,从而调节锂电池单体之间的串并联关系;
温度监测中枢连接供电控制核心,每个锂电池单体设置有温度传感器,温度传感器连接至温度监测中枢,温度监测中枢将每个锂电池单体的实时温度发送至供电控制核心;
供电控制核心根据电压监测中枢发送的电压监测数据和温度监测中枢发送的温度监测数据获取最佳串并模式,并将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节。
锂电池单体的串并联关系在同一组锂电池pack内调节。
电池控制板设置有精密电压检测器,精密电压检测器检测电压精度为0.01V,检测的频率为10ms,能够稳定获取锂电池单体在供电时产生的电压波纹。
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数;
供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式。
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数具体为:
对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联。
模式转换控制中枢下设串联电路网和并联电路网,并联电路网下设多个并联电路子网;当需要锂电池单体进行并联时,直接将其接入并联电路子网中,对应并联电路子网中的锂电池单体为并联关系;模式转换控制中枢能够直接控制每一个锂电池单体接入到具体并联电路子网中;
并联电路子网之间为串联关系,基于此可以实现锂电池单体之间串并联关系的随时调整。
供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式。
双层神经网络的第一层神经网络为卷积神经网络、BP神经网络、RBF神经网络或感知器网络;第二层神经网络为循环神经网络或深层前馈网络;
第一层神经网络和第二层神经网络为一体结构,训练时一同训练;
训练方式为采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练。
实施例2
一种锂电池pack用供电系统的控制方法,使用上述供电系统,包括如下步骤:
步骤1)训练双层神经网络,采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练;
步骤2)电池控制板的精密电压检测器稳定获取锂电池单体在供电时产生的电压波纹;
供电控制核心将全部锂电池单体的电压波纹进行分析,对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联;
步骤3)供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式;
步骤4)供电控制核心将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节。
双层神经网络的第一层神经网络为RBF神经网络;第二层神经网络为循环神经网络。
至此,以说明和描述的目的提供上述实施例的描述。不意指穷举或者限制本公开。特定的实施例的单独元件或者特征通常不受到特定的实施例的限制,但是在适用时,即使没有具体地示出或者描述,其可以互换和用于选定的实施例。在许多方面,相同的元件或者特征也可以改变。这种变化不被认为是偏离本公开,并且所有的这种修改意指为包括在本公开的范围内。
提供示例实施例,从而本公开将变得透彻,并且将会完全地将该范围传达至本领域内技术人员。为了透彻理解本公开的实施例,阐明了众多细节,诸如特定零件、装置和方法的示例。显然,对于本领域内技术人员,不需要使用特定的细节,示例实施例可以以许多不同的形式实施,而且两者都不应当解释为限制本公开的范围。在某些示例实施例中,不对公知的工序、公知的装置结构和公知的技术进行详细地描述。
在此,仅为了描述特定的示例实施例的目的使用专业词汇,并且不是意指为限制的目的。除非上下文清楚地作出相反的表示,在此使用的单数形式“一个”和“该”可以意指为也包括复数形式。术语“包括”和“具有”是包括在内的意思,并且因此指定存在所声明的特征、整体、步骤、操作、元件和/或组件,但是不排除存在或额外地具有一个或以上的其他特征、整体、步骤、操作、元件、组件和/或其组合。除非明确地指示了执行的次序,在此描述的该方法步骤、处理和操作不解释为一定需要按照所论述和示出的特定的次序执行。还应当理解的是,可以采用附加的或者可选择的步骤。
Claims (6)
1.一种锂电池pack用供电系统,包括锂电池pack、供电控制核心、电压监测中枢、模式转换控制中枢和温度监测中枢;其特征在于:
锂电池pack的数量为多个,每个锂电池pack内设置多个锂电池单体,每个锂电池单体设置有电池控制板,电池控制板连接至电压监测中枢,电压监测中枢连接至供电控制核心;
模式转换控制中枢连接至供电控制核心,每个锂电池单体设置有一个模式转换板,能够改变锂电池单体之间的串并联模式,模式转换控制中枢连接模式转换板,控制模式转换板的工作,从而调节锂电池单体之间的串并联关系;
温度监测中枢连接供电控制核心,每个锂电池单体设置有温度传感器,温度传感器连接至温度监测中枢,温度监测中枢将每个锂电池单体的实时温度发送至供电控制核心;
供电控制核心根据电压监测中枢发送的电压监测数据和温度监测中枢发送的温度监测数据获取最佳串并模式,并将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节;
锂电池单体的串并联关系在同一组锂电池pack内调节;
电池控制板设置有精密电压检测器,精密电压检测器检测电压精度为0.01V,检测的频率为10ms,能够稳定获取锂电池单体在供电时产生的电压波纹;
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数;
供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式;
供电控制核心将全部锂电池单体的电压波纹进行分析,输入纹波分析模型,获得锂电池单体的健康指数以及串并联倾向指数具体为:
对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联。
2.根据权利要求1所述的锂电池pack用供电系统,其特征在于:
模式转换控制中枢下设串联电路网和并联电路网,并联电路网下设多个并联电路子网;当需要锂电池单体进行并联时,直接将其接入并联电路子网中,对应并联电路子网中的锂电池单体为并联关系;模式转换控制中枢能够直接控制每一个锂电池单体接入到具体并联电路子网中;
并联电路子网之间为串联关系,基于此可以实现锂电池单体之间串并联关系的随时调整。
3.根据权利要求2所述的锂电池pack用供电系统,其特征在于:
供电控制核心将锂电池健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式。
4.根据权利要求3所述的锂电池pack用供电系统,其特征在于:
双层神经网络的第一层神经网络为卷积神经网络、BP神经网络、RBF神经网络或感知器网络;第二层神经网络为循环神经网络或深层前馈网络;
第一层神经网络和第二层神经网络为一体结构,训练时一同训练;
训练方式为采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练。
5.一种锂电池pack用供电系统的控制方法,其特征在于使用权利要求1-4任一项的供电系统,其特征在于包括如下步骤:
步骤1)训练双层神经网络,采集大量锂电池单体的数据样本,在锂电池单体进行工作时进行人工串并联关系的调节,将实时调节的数据作为训练样本进行双层神经网络的训练;
步骤2)电池控制板的精密电压检测器稳定获取锂电池单体在供电时产生的电压波纹;
供电控制核心将全部锂电池单体的电压波纹进行分析,对全部锂电池单体的电压U随时间变化的曲线Q1进行时间对齐;对齐后进行微分,获得电压的一阶微分dU/dT随时间变化的曲线Q2;
将全部锂电池单体的Q1曲线和Q2曲线进行比较,以相同时间点为基准,对一个时间段内的Q1曲线和Q2曲线进行定积分,定积分的结果分别记为M参数和N参数,M参数对应Q1曲线的定积分,N参数对应Q2曲线的定积分;则M参数的单位为V·s,N参数的单位是V;
获取每一个锂电池单体的G参数,G=k1·M/N;其中k1为常数系数,G的单位为s;
令全部锂电池单体中G参数最大的锂电池单体的健康指数H为1,对应的G参数为Gmax,零预设G参数G0的锂电池单体的健康指数H为0;其他锂电池单体的健康指数H=(G-G0)/( Gmax-G0);
串并联倾向指数J= k2·M·N;其中k2为常数系数,J的单位是V2·s;J越大越倾向于串联,J越小越倾向于并联;
步骤3)供电控制核心将锂电池单体的健康指数、串并联倾向指数以及当前锂电池单体的温度输入调节模型,从而获得整个系统当前最佳串并模式具体为:
供电控制核心获取每一个锂电池单体的健康指数H、串并联倾向指数J和实时温度T;
将锂电池单体的健康指数H、串并联倾向指数J和实时温度T乘以对应的权重系数S后输入双层神经网络;即将一个电池单体的H·SH、J·SJ、T·ST之后输入第一层神经网络,得到该电池单体的中间参数P;
然后将全部电池单体的中间参数P带入第二层神经网络,第二层神经网络的输出结果为Q,Q对应n个类别,同一类别的锂电池单体为并联关系,不同类别的锂电池单位为串联关系,由此获得了系统当前最佳串并模式;
步骤4)供电控制核心将串并联控制指令发送至模式转换控制中枢,从而对锂电池单体之间的串并联关系进行调节。
6.根据权利要求5所述的一种锂电池pack用供电系统的控制方法,其特征在于:
双层神经网络的第一层神经网络为RBF神经网络;第二层神经网络为循环神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663817.6A CN116388353B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池pack用供电系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663817.6A CN116388353B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池pack用供电系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116388353A CN116388353A (zh) | 2023-07-04 |
CN116388353B true CN116388353B (zh) | 2023-09-08 |
Family
ID=86961980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663817.6A Active CN116388353B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池pack用供电系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116388353B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372501A (zh) * | 2015-11-13 | 2016-03-02 | 江苏省电力公司无锡供电公司 | 在线式直流电源纹波及蓄电池内阻监测系统 |
CN106898828A (zh) * | 2017-01-12 | 2017-06-27 | 深圳市沃特玛电池有限公司 | 一种可调式电池模组串并联控制系统 |
CN106972583A (zh) * | 2017-06-08 | 2017-07-21 | 安徽康力节能电器科技有限公司 | 一种电池组充放电控制系统 |
CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警系统及性能评估方法 |
CN109031145A (zh) * | 2018-08-10 | 2018-12-18 | 山东大学 | 一种考虑不一致性的串并联电池组模型及实现方法 |
CN110994050A (zh) * | 2019-12-01 | 2020-04-10 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组的管理控制方法及装置 |
CN211063363U (zh) * | 2019-10-16 | 2020-07-21 | 深圳市赛美达电子有限公司 | 锂电池管理系统 |
CN112098873A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
CN112666466A (zh) * | 2019-10-16 | 2021-04-16 | 西南科技大学 | 一种动力锂电池组关键参数实时监测方法 |
CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
CN215498364U (zh) * | 2021-08-31 | 2022-01-11 | 深圳市德兰明海科技有限公司 | 一种多串并锂电池管理系统 |
CN115186579A (zh) * | 2022-06-24 | 2022-10-14 | 上海卡鲁自动化科技有限公司 | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 |
CN115811116A (zh) * | 2022-12-29 | 2023-03-17 | 深圳市乐祺微电子科技有限公司 | 一种自适应电源管理系统、方法以及储能电源 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10454381B2 (en) * | 2016-09-15 | 2019-10-22 | Virginia Tech Intellectual Properties, Inc. | Variable DC link converter and transformer for wide output voltage range applications |
DE102019002309A1 (de) * | 2019-03-29 | 2019-11-14 | Daimler Ag | Verfahren zum Bestimmen einer elektrlschen Zellspannung elner Batteriezelle einer Traktionsbatterie eines Fahrzeugs sowie Vorrichtung |
CN113675900A (zh) * | 2020-05-14 | 2021-11-19 | 北京小米移动软件有限公司 | 电池模组、充电控制方法及装置、电子设备、存储介质 |
US20220373600A1 (en) * | 2021-05-24 | 2022-11-24 | Btech Inc. | Neural network for estimating battery health |
-
2023
- 2023-06-06 CN CN202310663817.6A patent/CN116388353B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372501A (zh) * | 2015-11-13 | 2016-03-02 | 江苏省电力公司无锡供电公司 | 在线式直流电源纹波及蓄电池内阻监测系统 |
CN106898828A (zh) * | 2017-01-12 | 2017-06-27 | 深圳市沃特玛电池有限公司 | 一种可调式电池模组串并联控制系统 |
CN106972583A (zh) * | 2017-06-08 | 2017-07-21 | 安徽康力节能电器科技有限公司 | 一种电池组充放电控制系统 |
CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警系统及性能评估方法 |
CN109031145A (zh) * | 2018-08-10 | 2018-12-18 | 山东大学 | 一种考虑不一致性的串并联电池组模型及实现方法 |
CN211063363U (zh) * | 2019-10-16 | 2020-07-21 | 深圳市赛美达电子有限公司 | 锂电池管理系统 |
CN112666466A (zh) * | 2019-10-16 | 2021-04-16 | 西南科技大学 | 一种动力锂电池组关键参数实时监测方法 |
CN110994050A (zh) * | 2019-12-01 | 2020-04-10 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组的管理控制方法及装置 |
CN112098873A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
CN215498364U (zh) * | 2021-08-31 | 2022-01-11 | 深圳市德兰明海科技有限公司 | 一种多串并锂电池管理系统 |
CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
CN115186579A (zh) * | 2022-06-24 | 2022-10-14 | 上海卡鲁自动化科技有限公司 | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 |
CN115811116A (zh) * | 2022-12-29 | 2023-03-17 | 深圳市乐祺微电子科技有限公司 | 一种自适应电源管理系统、方法以及储能电源 |
Also Published As
Publication number | Publication date |
---|---|
CN116388353A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
Dai et al. | Cell-BMS validation with a hardware-in-the-loop simulation of lithium-ion battery cells for electric vehicles | |
US10230248B2 (en) | Maintenance method of power battery pack | |
CN202696179U (zh) | 一种电池管理系统 | |
CN104380128A (zh) | 蓄电池系统和用于确定蓄电池系统的蓄电池单元或蓄电池模块的内阻的所属的方法 | |
CN104348188A (zh) | 一种分布式电源运行及监控方法 | |
CN104318494A (zh) | 一种分布式电源智能监控系统 | |
CN109143085A (zh) | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 | |
CN107367698A (zh) | 电动汽车锂电池组的健康状态预测方法 | |
CN109435775B (zh) | 电池均衡方法、系统、车辆、存储介质及电子设备 | |
CN107453446B (zh) | 一种电池均衡修复系统及方法 | |
CN103529397B (zh) | 一种估算电池电量的方法及电池电量管理系统 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN111628535A (zh) | 一种电池模组均衡控制方法与装置 | |
Shi et al. | Battery state-of-charge estimation in electric vehicle using elman neural network method | |
CN108710087A (zh) | 一种纯电动汽车电池组健康状态测取装置及其测取方法 | |
CN111983463B (zh) | 一种电动汽车用锂离子电池剩余电量预警诊断测试方法 | |
CN108695570B (zh) | 一种基于自愈的锂电池物理模型构造方法及监测系统 | |
CN107544324B (zh) | 电流互感器标定用大电流发生装置及其控制方法 | |
CN113206508A (zh) | 基于预测的微电网储能电池主动均衡方法 | |
CN106394299A (zh) | 一种动力系统及电动汽车 | |
Alsabari et al. | Modeling and validation of lithium-ion battery with initial state of charge estimation | |
Gong et al. | EV BMS with distributed switch matrix for active balancing, online electrochemical impedance spectroscopy, and auxiliary power supply | |
CN116388353B (zh) | 一种锂电池pack用供电系统及控制方法 | |
CN106338642A (zh) | 单体电池一致性测试方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A power supply system and control method for lithium battery pack Effective date of registration: 20231016 Granted publication date: 20230908 Pledgee: Ningbo Donghai Bank Co.,Ltd. Pledgor: Ningbo Qiyun New Material Technology Co.,Ltd. Registration number: Y2023980061176 |