CN116572791A - 一种电动汽车用自适应智能快充充电装置 - Google Patents

Abstract

本发明提供了一种电动汽车用自适应智能快充充电装置，涉及电动汽车快充优化技术领域。包括电网、AC/DC变换器、充电桩、充电策略模块、混合储能模块。充电策略模块包括智能自适应充电模块、恒压充电模块、保护控制模块，智能自适应模块通过IHHO算法基于数据测量模块所测得的数据进行自适应策略调控，且当SOC到达预设值时切换至恒压充电模块；还包括混合储能模块储存多余的电能来应对高峰负载供应不足的情况；保护控制模块对数据测量模块所提供的数据的异常情况进行处理。与现有技术相比，本发明提供了自适应多标准智能快充方法，提供了一种自动规划充电的方式，能够合理规划充电功率，综合考虑了电池过渡用电的情况。

Description

一种电动汽车用自适应智能快充充电装置

技术领域

本发明涉及电动汽车快充优化技术领域，具体一种电动汽车用自适应智能快充充电装置。

背景技术

新能源汽车充电桩是维持新能源电动汽车能源补给，保障新能源汽车便利畅行的重要后勤部分。为早日实现碳达峰及碳中和目标，推动我国新能源汽车产业健康、稳定、持续的发展，新能源电动汽车配套的能源补给设施——充电桩，成为国内外商业资本关注的重点。

然而，在充电桩普及的同时，往往会遇到充不上电、充电速度慢等问题！简单来说，充电桩原理在于充电桩输出电压和电流越大，充电桩输出功率越大那么充电时间就越短。快充桩采用直流电，慢充桩采用交流电。而交流充电桩接入电220V，直流充电桩接入电压为380V以上。早期的时候，电动汽车的电池容量普遍较低，大概只有20kWh。因此那个是时候的直流充电桩功率普遍只有10kW到20Kw，充电1-2个小时的也就可以充满电。随着电池企业改进电池技术改进电池能量密度提升电容量，目前的电动汽车电容量普遍达到70kWh的水平，那么10KW的直流桩也就变成了慢充桩，起码得7-8个小时才能充满。但在实际充电过程中会充电协议的影响。在整车直流充电过程中，为了避免过充过放，车企会对整车动力电池的BMS电池管理系统进行设置，稳定充电倍率(即充电电压电流)。另外，充电协议能够稳定更高的充电功率，缩短充电时间。不同的电动汽车品牌充电协议不同，当其他品牌用同一根充电桩，由于受其充电协议的影响会出现充电速度慢，保持在最低充电功率充电的问题。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种电动汽车用自适应智能快充充电装置，考虑了快充以及恒压充电两种充电方式，能够合理规划充电功率，综合考虑了在充电过程中电池充电慢及过渡用电的情况。

技术方案：本发明提供一种电动汽车用自适应智能快充充电装置，包括电网、AC/DC变换器、充电桩、数据测量模块、充电策略模块、混合储能模块；

所述电网与所述AC/DC变换器连接并以直流电的形式输入充电桩；所述充电桩的充电头与电动汽车的充电口相连；所述数据测量模块测量电动汽车中电池的电流、电压、SOC、温度T数据；所述充电策略模块设置于所述充电桩和电动汽车的电池之间，包括并联设置的智能自适应充电模块、恒压充电模块，当充电状态即SOC到达80％时，充电状态由智能自适应充电模块切换至恒压充电模块进行充电；所述智能自适应充电模块基于数据测量模块所测得的瞬间电流、瞬间电压、充电电流、充电电压，以最优充电功率为目标，利用IHHO算法进行自适应快充充电，所述IHHO算法对HHO算法利用柯西分布函数增加哈里斯鹰种群多样性；

所述混合储能模块集成在充电桩中，由蓄电池和超级电容耦合组成，当数据测量模块未检测到电池充电时，通过电网将电能储存在混合储能模块中，当充电桩进行充电时，混合储能模块和电网同时供电来应对高峰负载供应不足的情况。

进一步地，所述恒压充电模块保持恒定充电电压进行充电。

进一步地，所述充电策略模块还包括保护控制模块，所述保护控制模块还包括过欠压保护器、温度感应报警器，当数据测量模块所测得的充电电压超过或低于预设值时，所述保护控制模块动作并切换至恒压充电模块保持恒压充电；所述温度感应报警器实时监测充电桩的充电线与电动汽车的充电口的温度，当温度超过预设值，发出报警并断开其连接状态。

进一步地，当数据测量模块测得的SOC低于80％时，利用IHHO算法基于数据测量模块所测得的数据进行自适应快充充电，实现过程如下：

41)初始化参数，包括最大迭代次数T、种群个体数N、目标函数的维数D、初始值上下界l_b、u_b；

42)获取数据测量模块中的瞬间电流、瞬间电压、充电电流、充电电压，输入适应度函数，即目标函数，所述目标函数如下：

其中，瞬间电流、瞬间电压是当电动汽车插头插入充电桩的1s时的瞬间电流、电压，记为u(1)、I(1)；u(t)、I(t)为充电t时刻的电压、电流，F(t)表示最优功率值；

43)计算适应度值，计算每只鹰对应的最大功率作为该只鹰的适应度值，将适应度值最小的鹰作为当前目标位置，即猎物的位置；

44)：计算猎物的逃逸能量E：根据逃逸能量的值来决定采用探索还是不同的开发策略，从而产生新的功率值：

其中，E表示猎物逃跑的能量，T表示最大迭代次数，E₀表示其能量的初始状态，用下式表示：

E₀＝2*rand-1

其中rand是区间(0,1)上的随机数；

45)判断逃逸能量E，根据逃逸能量提供对应的位置更新策略，当|E|≥1时，算法执行全局探索过程，用下式进行位置更新：

其中X(t)和X(t+1)分别为当前鹰对应功率的位置和下一次迭代式时鹰对应功率的位置，t为当前迭代次数，X_rand(t)为随机选出的个体位置，X_rand(t)为猎物位置，r_i为[0,1]之间的随机数,X_m(t)为个体平均位置,表示为：

对该步骤产生的全局最优解进行柯西变异，所述公式如下：

X′(t+1)＝X(t+1)+X(t+1)×Cauchy(0,1)

当猎物逃逸能量|E|≤1时，算法执行局部开发行为；哈里斯鹰根据围捕中的随机数r和猎物能量E与0.5的大小比较形成四种围捕策略，Cauchy(0,1)为柯西变异因子；

46)将本次迭代功率值与原目标组合功率值进行比较，将适应度值小的组合作为本次迭代目标组合；

47)判断是否达到最大迭代次数，如果满足条件，返回步骤48)，如果不满足，返回步骤44)

48)输出最优的功率值，即目标函数的最优解。

进一步地，对逃逸能量E进行改进，引入非线性动态自适应权重因子w，表达式如下：

E＝2E₀ω(1-t/T)

其中，ω_c、ω_z为权重初值、权重终值，δ为[0,1]之间的随机数。

进一步地，所述45)中的四种围捕策略具体为：

策略1：软围捕，当0.5≤|E|＜1、r≥0.5时，此时猎物具有充沛的逃逸能量E，鹰群执行软围捕策略，鹰对应的功率位置位置更新公式为：

X(t+1)＝ΔX(t)-E|JX_rabbit(t)-X(t)|

ΔX(t)＝X_rabbit(t)-X(t)

ΔX(t)是迭代时哈里斯鹰与猎物的位置之差，J表示猎物逃脱围捕过程中的随机跳跃力量，用下式表示

J＝2(1-r₅)

策略2：硬围捕，当E＜0.5、r≥0.5时，猎物的逃逸能量E较低，无充足能量逃脱，鹰群执行硬围捕策略，其鹰对应的功率位置更新公式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|

策略3：快速俯冲式软围捕，当0.5≤|E|＜1、r＜0.5时，其位置进行更新并与当前位置的适应度进行比较，若适应度没有得到改善说明围捕失败，则鹰群基于levy飞行随机游走,其鹰对应的功率位置更新公式为：

其中，Y表示评估软围捕的下一步行动：

Y＝X_rabbit(t)-E|JX_rabbit-X(t)|

假设它们将根据基于莱维飞行的机制潜水，使用以下规则：

Z＝Y+S×LF(D)

其中，D是问题的维数，S是大小为1XD的随机向量，LF是莱维飞行函数：

策略4：快速俯冲式硬围捕，当E＜0.5，r＜0.5时，猎物没有足够的逃逸能力，鹰群执行快速俯冲式硬围捕策略，若快速俯冲失败则执行levy飞行随机游走，其功率位置更新公式为：

其中，Y表示评估硬围捕的下一步行动：

有益效果：

1、本发明提供了一种自适应多标准的充电方式，避免了不同车型不适配功率的问题，让其保持在最优充电功率，并考虑到电池寿命及过充影响，设置两种充电方式，合理灵活地进行充电。

2、本发明引入保护控制模块，综合考虑到了在充电过程中遇到的过压、在快充时存在电池过热的问题，保障了充电平稳、安全、可靠的运行。

3、考虑到电网用电高峰低谷现象，在充电桩内部集成混合储能单元来应对其用电高峰时供电不足的问题，有效的减少电网消纳压力，避免弃电损失，并集成混合储能可以作为智能快充阶段时的缓冲，进一步避免了电池的过充。

附图说明

图1为本发明的结构示意图；

图2为本发明提出的硬件运行逻辑图；

图3为本发明提出的IHHO流程图；

图4为两种设备的充电速率对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如附图1所示，本发明提供一种电动汽车用自适应智能快充充电装置，包括电网、AC/DC变换器、充电桩、充电策略模块、混合储能模块。电网与混合储能模块共同为充电桩供电。

电网与AC/DC变换器连接并以直流电的形式输入充电桩，充电桩的充电头与电动汽车的充电口相连。数据测量模块用于测量电动汽车中电池的电流、电压、SOC、温度T数据。本实施方式中，数据测量模块包括包括温度传感器、电压传感器、电流传感器、电量计，分别测量温度、电压、电流、电池的SOC。

充电策略模块设置于充电桩和电动汽车的电池之间，包括并联设置的智能自适应充电模块、恒压充电模块以及保护控制模块。当充电状态即SOC到达80％时，充电状态由智能自适应充电模块切换至恒压充电模块进行充电，恒压充电模块保持恒定充电电压进行充电。当充电状态即SOC低于80％，充电模式处于智能自适应充电模块。智能自适应充电模块基于数据测量模块所测得的瞬间电流、瞬间电压、充电电流、充电电压，以最优充电功率为目标，利用IHHO算法进行自适应快充充电。

保护控制模块还包括过欠压保护器、温度感应报警器，当数据测量模块所测得的电压超过或低于预设值时，保护控制模块动作并切换至恒压充电模块保持恒压充电；温度感应报警器实时监测充电桩的充电线与电动汽车的充电口的温度，当温度超过预设值，发出报警并断开其连接状态。

混合储能模块集成在充电桩中，由蓄电池和超级电容耦合组成，当数据测量模块未检测到电池充电时，通过电网将电能储存在混合储能模块中，当充电桩进行充电时，混合储能模块和电网同时供电来应对高峰负载供应不足的情况。

如附图2所示，本发明所述的一种电动汽车用自适应智能快充充电装置，首先获取电池的电压、电流、SOC、T数据，通过智能自适应充电模块使电池保持最优的充电功率，当电池充电至电池SOC的80％，切换至恒压充电模块充电，保护控制模块实时监测电池充电数据，当数据发生异常时及时动作并切换至恒压充电模块进行充电。

进一步说明，当电池充电至80％时，充电电流会变小，且会产生电池自身的极化现象会使充电不饱满，为了消除其影响，引入两种充电方式来最大限度的提高充电效率。

如附图3所示，本发明所述的一种电动汽车用自适应智能快充充电装置，利用IHHO算法基于数据测量模块所测得的数据进行自适应快充充电，IHHO算法针对HHO算法易陷入局部最优值的问题，利用柯西(Cauchy)分布函数增加哈里斯鹰种群多样性，增加搜索空间，提高HHO算法的全局搜索能力。考虑到HHO中对猎物逃逸能量E的描述是由最大值线性递减至最小值，即探索阶段和开发阶段逃逸能量变化量ΔE相同，这种线性能量递减策略导致算法的探索和发开平衡性较差，且无法准确表征实际情况下鹰与猎物多轮围捕逃逸过程，因此引入动态自适应权重因子，提高猎物逃逸能量的非线性表达，从而平衡算法的探索和开发行为。实现过程如下：

步骤一：初始化参数，包括最大迭代次数T、种群个体数N、目标函数的维数D、初始值上下界l_b、u_b。

步骤二：获取数据测量模块中的瞬间电流、瞬间电压、充电电流、充电电压，输入适应度函数，即目标函数，所述目标函数如下：

其中，瞬间电流、瞬间电压是当电动汽车插头插入充电桩的1s时的瞬间电流、电压，记为u(1)、I(1)；u(t)、I(t)为充电t时刻的电压、电流，F(t)表示最优功率值。

步骤三：计算猎物的逃逸能量E

其中，E表示猎物逃跑的能量，T表示最大迭代次数，E₀表示其能量的初始状态，用下式表示：

E₀＝2*rand-1

其中rand是区间(0,1)上的随机数。

进一步地，对逃逸能量E进行改进，引入非线性动态自适应权重因子w，表达式如下：

E＝2E₀ω(1-t/T)

ω_c、ω_z为权重初值、权重终值，δ为[0,1]之间的随机数。

步骤四：判断逃逸能量E，根据逃逸能量提供对应的位置更新策略。

当|E|≥1时，算法执行全局探索过程，用下式进行位置更新

其中X(t)和X(t+1)分别为当前和下一次迭代式时个体的位置，t为当前迭代次数，X_rand(t)为随机选出的个体位置，X_rand(t)为猎物位置，r_i为[0,1]之间的随机数,X_m(t)为个体平均位置,表示为：

对该步骤产生的全局最优解进行柯西变异，所述公式如下：

X′(t+1)＝X(t+1)+X(t+1)×Cauchy(0,1)

当猎物逃逸能量|E|≤1时，算法执行局部开发行为。哈里斯鹰根据围捕中的随机数r和猎物能量E与0.5的大小比较形成四种围捕策略。

策略1：软围捕，当0.5≤|E|＜1、r≥0.5时，此时猎物具有充沛的逃逸能量E，鹰群执行软围捕策略，鹰的位置更新公式为：

X(t+1)＝ΔX(t)-E|JX_rabbit(t)-X(t)|

ΔX(t)＝X_rabbit(t)-X(t)

ΔX(t)是迭代时哈里斯鹰与猎物的位置之差，J表示猎物逃脱围捕过程中的随机跳跃力量，用下式表示：

J＝2(1-r₅)

策略2：硬围捕，当E＜0.5、r≥0.5时，猎物的逃逸能量E较低，无充足能量逃脱，鹰群执行硬围捕策略，其位置更新公式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|

策略3：快速俯冲式软围捕，当0.5≤|E|＜1、r＜0.5时，其位置进行更新并与当前位置的适应度进行比较，若适应度没有得到改善说明围捕失败，则鹰群基于levy飞行随机游走,其位置更新公式为：

其中Y表示评估软围捕的下一步行动

Y＝X_rabbit(t)-E|JX_rabbit-X(t)|

假设它们将根据基于莱维飞行的机制潜水，使用以下规则：

Z＝Y+S×LF(D)

其中，D是问题的维数，S是大小为1XD的随机向量，LF是莱维飞行函数：

策略4：快速俯冲式硬围捕，当E＜0.5，r＜0.5时，猎物没有足够的逃逸能力，鹰群执行快速俯冲式硬围捕策略，若快速俯冲失败则执行levy飞行随机游走，其位置更新公式为：

其中Y表示评估硬围捕的下一步行动：

Y＝X_rabbit(t)-E|JX_rabbit(t)-X_m(t)|

Z＝Y+S×LF(D)

步骤五：比较整个搜索范围内所有个体的适应度值，不断更新当前全局最优解

步骤六：判断是否达到最大迭代次数，如果满足条件，返回步骤七)，如果不满足，返回步骤三。

步骤七：输出最优适应度，即目标函数的最优解。

如附图4所示，为发明的充电速率对比图，根据实际情况将电池放电至SOC-20％，传统充电桩由于受其充电协议的影响，充电速率缓慢，在30min的充电时间内仅从电池的0％充电至44％，而本发明的充电桩在30min的充电时间内仅从电池的0％充电至82％，进一步说明了本发明所提出的自适应多标准智能充电桩的优越性。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种电动汽车用自适应智能快充充电装置，其特征在于，包括电网、AC/DC变换器、充电桩、数据测量模块、充电策略模块、混合储能模块；

所述电网与所述AC/DC变换器连接并以直流电的形式输入充电桩；所述充电桩的充电头与电动汽车的充电口相连；所述数据测量模块测量电动汽车中电池的电流、电压、SOC、温度T数据；所述充电策略模块设置于所述充电桩和电动汽车的电池之间，包括并联设置的智能自适应充电模块、恒压充电模块，当充电状态即SOC到达80％时，充电状态由智能自适应充电模块切换至恒压充电模块进行充电；所述智能自适应充电模块基于数据测量模块所测得的瞬间电流、瞬间电压、充电电流、充电电压，以最优充电功率为目标，利用IHHO算法进行自适应快充充电，所述IHHO算法对HHO算法利用柯西分布函数增加哈里斯鹰种群多样性；

所述混合储能模块集成在充电桩中，由蓄电池和超级电容耦合组成，当数据测量模块未检测到电池充电时，通过电网将电能储存在混合储能模块中，当充电桩进行充电时，混合储能模块和电网同时供电来应对高峰负载供应不足的情况。

2.根据权利要求1所述的电动汽车用自适应智能快充充电装置，其特征在于，所述恒压充电模块保持恒定充电电压进行充电。

3.根据权利要求1所述的电动汽车用自适应智能快充充电装置，其特征在于，所述充电策略模块还包括保护控制模块，所述保护控制模块还包括过欠压保护器、温度感应报警器，当数据测量模块所测得的充电电压超过或低于预设值时，所述保护控制模块动作并切换至恒压充电模块保持恒压充电；所述温度感应报警器实时监测充电桩的充电线与电动汽车的充电口的温度，当温度超过预设值，发出报警并断开其连接状态。

4.根据权利要求1所述的电动汽车用自适应智能快充充电装置，其特征在于，当数据测量模块测得的SOC低于80％时，利用IHHO算法基于数据测量模块所测得的数据进行自适应快充充电，实现过程如下：

41)初始化参数，包括最大迭代次数T、种群个体数N、目标函数的维数D、初始值上下界l_b、u_b；

42)获取数据测量模块中的瞬间电流、瞬间电压、充电电流、充电电压，输入适应度函数，即目标函数，所述目标函数如下：

其中，瞬间电流、瞬间电压是当电动汽车插头插入充电桩的1s时的瞬间电流、电压，记为u(1)、I(1)；u(t)、I(t)为充电t时刻的电压、电流，F(t)表示最优功率值；

43)计算适应度值，计算每只鹰对应的最大功率作为该只鹰的适应度值，将适应度值最小的鹰作为当前目标位置，即猎物的位置；

44)：计算猎物的逃逸能量E：根据逃逸能量的值来决定采用探索还是不同的开发策略，从而产生新的功率值：

其中，E表示猎物逃跑的能量，T表示最大迭代次数，E₀表示其能量的初始状态，用下式表示：

E₀＝2*rand-1

其中rand是区间(0,1)上的随机数；

45)判断逃逸能量E，根据逃逸能量提供对应的位置更新策略，当E≥1时，算法执行全局探索过程，用下式进行位置更新：

其中X(t)和X(t+1)分别为当前鹰对应功率的位置和下一次迭代式时鹰对应功率的位置，t为当前迭代次数，X_rand(t)为随机选出的个体位置，X_rand(t)为猎物位置，r_i为[0,1]之间的随机数,X_m(t)为个体平均位置,表示为：

对该步骤产生的全局最优解进行柯西变异，所述公式如下：

X′(t+1)＝X(t+1)+X(t+1)×Cauchy(0,1)

当猎物逃逸能量E≤1时，算法执行局部开发行为；哈里斯鹰根据围捕中的随机数r和猎物能量E与0.5的大小比较形成四种围捕策略，Cauchy(0,1)为柯西变异因子；

46)将本次迭代功率值与原目标组合功率值进行比较，将适应度值小的组合作为本次迭代目标组合；

47)判断是否达到最大迭代次数，如果满足条件，返回步骤48)，如果不满足，返回步骤44)

48)输出最优的功率值，即目标函数的最优解。

5.根据权利要求4所述的电动汽车用自适应智能快充充电装置，其特征在于，对逃逸能量E进行改进，引入非线性动态自适应权重因子w，表达式如下：

E＝2E₀ω(1-t/T)

其中，ω_c、ω_z为权重初值、权重终值，δ为[0,1]之间的随机数。

6.根据权利要求4所述的电动汽车用自适应智能快充充电装置，其特征在于，所述45)中的四种围捕策略具体为：

策略1：软围捕，当0.5≤E＜1、r≥0.5时，此时猎物具有充沛的逃逸能量E，鹰群执行软围捕策略，鹰对应的功率位置位置更新公式为：

X(t+1)＝ΔX(t)-EJX_rabbit(t)-X(t)

ΔX(t)＝X_rabbit(t)-X(t)

ΔX(t)是迭代时哈里斯鹰与猎物的位置之差，J表示猎物逃脱围捕过程中的随机跳跃力量，用下式表示

J＝2(1-r₅)

策略2：硬围捕，当E＜0.5、r≥0.5时，猎物的逃逸能量E较低，无充足能量逃脱，鹰群执行硬围捕策略，其鹰对应的功率位置更新公式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|

策略3：快速俯冲式软围捕，当0.5≤E＜1、r＜0.5时，其位置进行更新并与当前位置的适应度进行比较，若适应度没有得到改善说明围捕失败，则鹰群基于levy飞行随机游走,其鹰对应的功率位置更新公式为：

其中，Y表示评估软围捕的下一步行动：

Y＝X_rabbit(t)-EJX_rabbit-X(t)

假设它们将根据基于莱维飞行的机制潜水，使用以下规则：

Z＝Y+S×LF(D)

其中，D是问题的维数，S是大小为1XD的随机向量，LF是莱维飞行函数：

策略4：快速俯冲式硬围捕，当E＜0.5，r＜0.5时，猎物没有足够的逃逸能力，鹰群执行快速俯冲式硬围捕策略，若快速俯冲失败则执行levy飞行随机游走，其功率位置更新公式为：

其中，Y表示评估硬围捕的下一步行动：