CN117318255A - 一种基于大数据可视化的电池状态分析系统及方法 - Google Patents
一种基于大数据可视化的电池状态分析系统及方法 Download PDFInfo
- Publication number
- CN117318255A CN117318255A CN202311621833.5A CN202311621833A CN117318255A CN 117318255 A CN117318255 A CN 117318255A CN 202311621833 A CN202311621833 A CN 202311621833A CN 117318255 A CN117318255 A CN 117318255A
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- voltage
- data
- charge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000013079 data visualisation Methods 0.000 title claims abstract description 26
- 238000007600 charging Methods 0.000 claims abstract description 379
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 230000032683 aging Effects 0.000 claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 60
- 238000007599 discharging Methods 0.000 claims abstract description 53
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 26
- 239000002245 particle Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010277 constant-current charging Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 11
- 230000002829 reductive effect Effects 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000010280 constant potential charging Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 208000028659 discharge Diseases 0.000 description 130
- 238000012544 monitoring process Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 18
- 230000001276 controlling effect Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000003487 electrochemical reaction Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 239000011149 active material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010057040 Temperature intolerance Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008543 heat sensitivity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010278 pulse charging Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- 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
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- 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
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
Abstract
本申请公开了一种基于大数据可视化的电池状态分析系统及方法,涉及电池充放电技术领域,包括:采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制;通过图表显示电池的充放电参数,并提示用户相应的维护措施。针对现有技术中对不同老化电池的充电效率低的问题,本申请通过建立电池充放电模型和老化模型,提高了充电效率。
Description
技术领域
本发明涉及电池充放电技术领域,特别涉及一种基于大数据可视化的电池状态分析系统及方法。
背景技术
铁路通信机房电池是重要的供电保障设施,而电池数量根据机房大小不同,有所差异,有的是十多节,有的是上百节,电池越多,管理越不容易,倘若发生了异常情况,就不能及时处理,因此需使用机房电池智能检测系统,实现电池集中管理技术也成为研究热点。为延长电池的使用寿命,提高其充放电效率,及时监测异常情况,开发出高效的电池管理技术势在必行。
目前,电池管理技术主要采用单一的充电模式,无法适应不同老化状态电池的特性。此外,对电池健康状态的监测不够准确,电池状态实时预测存在困难。这些因素会导致电池无法实现高效充电,缩短使用寿命。
在相关技术中,比如中国专利文献CN111126825A中提供了一种可视化电池智能充放电节能管理系统及其控制方法,涉及充放电节能技术领域,包括:在线采集生产现场充放电过程中的原始数据;集中原始数据,将原始数据转化为可供计算机识别的可识别数据;存储可识别数据,对可识别数据进行分析,得到相应的指标数据,并通过深度学习模型,根据可识别数据,得到最佳节能运行数据;可视化指标数据和最佳节能运行数据,根据最佳节能运行数据下发节能操作指令。但是本申请直接应用深度学习算法,没有考虑电池自身的差异,对不同老化电池的充电效率有待进一步提高。
发明内容
1.要解决的技术问题
针对现有技术中存在的不同老化电池的充电效率低的问题,本发明提供了一种基于大数据可视化的电池状态分析系统及方法,通过建立电池充放电模型和老化模型,提高了不同老化电池的的充电效率。
2.技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例的一个方面提供一种基于大数据可视化的电池状态分析系统,包括:数据采集模块,用于采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;采集不同类型电池的充放电参数,可以收集各类电池的工作数据,为构建电池模型提供数据支持。采集的充放电参数包含多维信息,如电压、电流、曲线、温度等数据,这可以全面反映电池的充放电过程。内阻数据可以反映电池的内部化学活性及电化学反应情况。电池健康状态数据可以评估电池的老化程度和剩余寿命。综合多源异构数据,可以建立描述电池充放电本质的模型。数据采集为模型预测及制定充电策略提供基础,是实现对不同老化电池精确充电控制的第一步。通过采集不同类型电池的数据,可以获得通用模型,适应各类电池的充放电行为。动态获取的数据,可以实现对电池状态的实时监测与控制。其中,充电曲线:反映电池在充电过程中电压随时间的变化曲线。通常可以分为两段,第一段是恒流充电阶段,电压缓慢上升;第二段是恒压充电阶段,电流逐渐下降。放电曲线:反映电池在放电过程中电压随时间的变化曲线。放电曲线对应充电曲线,也可分为两个阶段,第一段是恒流放电阶段,电压迅速下降;第二段是恒压放电阶段,电流逐渐减小。
数据转换模块,与数据采集模块相连接,用于根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;数据转换模块可以将采集的原始充放电数据,转换成建模所需的标准格式数据。建立准确的电池充放电模型,可以反映电池的充放电机理、动力学行为及电化学反应过程。构建电池老化模型,可以评估电池的健康状态和预测剩余寿命,为制定充电策略提供支持。预测不同老化状态电池的充放电参数,可以得到电池当前的充放电曲线、内阻参数等,有助于精确控制充电过程。通过模型预测电池状态的参数,实现对电池充电态的实时监控。建模预测是实现对不同老化电池自适应充电的关键环节。模型的准确性决定充电的精确度。数据转换支持模型的建立,为后续的多阶段充电策略确定及充电效率评估提供基础。综上,数据转换模块通过建模预测电池状态,可以针对不同老化电池制定最佳充电策略,达到提高充电效率、延长使用寿命的目的。
节能管理模块,与数据转换模块相连接,用于根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制,充电器为对电池进行充电的装置;节能管理模块可以根据模型预测得到的电池充放电参数,设置自适应多阶段充电策略。对于不同老化状态的电池,可以设置不同的充电模式,实现精确充电控制。PID或增强PID算法可以根据电池实时状态,动态控制充电器的输出电压和电流。实现对充电电压和电流的闭环控制,达到快速而安全地对电池充电的目的。不同老化状态电池的充电电压和电流阈值需要独立设置,避免过充过放。动态控制充电器输出,维持在最佳工作状态,可以提高电池的充电效率。多阶段充电策略结合闭环控制系统,可以实现对不同老化电池的精确高效充电。节能管理通过调节充电器的参数来提高效率,达到节能目的。综上,该模块实现了对充电过程的控制优化,是提高不同老化电池充电效率的关键所在。其中,PID算法是一种线性闭环控制算法,通过计算系统误差来调节控制量,使系统输出接近设定值。在电池充电控制中,取电池实时电压/电流作为过程反馈值,与设定的电压/电流参考值计算误差。PID控制器根据误差值生成控制输出,调节充电器的电压和电流输出。P项根据误差对控制量进行比例调节,起快速响应作用。I项对误差进行积分,有抑制静差偏移的作用。D项根据误差变化率调节,具有提前量作用。通过调节PID参数,可以实现对充电过程的精确控制,保证电池以合适的速率快速充电至设定电压或电量。增强PID在标准PID基础上加入状态判断逻辑或优化算法,可以使控制效果更好。PID或增强PID算法的应用提高了对充电过程的控制质量,对于不同老化电池也能实现高精度充电,从而提高充电效率。
可视化模块,与数据采集模块和节能管理模块相连接,用于通过图表显示电池的充放电参数,并提示用户相应的维护措施;可视化模块可以通过图表的形式,直观显示出电池的充放电参数,如电压、电流、温度等数据。对不同类型和不同老化状态的电池,可视化界面可以通过不同颜色、形状等进行区分,便于比较。可视化界面可以显示电池的充放电曲线、内阻参数变化、容量衰减数据等信息。通过可视化手段,用户可以清晰地了解到电池的健康状态和老化程度。当电池寿命即将结束时,系统可以提示用户及时更换电池。用户也可以根据可视化信息,选择合适的充电策略和充电模式。可视化还可以展示最佳充电曲线,让用户知晓当前充电状态。良好的人机交互可以帮助用户科学合理地使用电池,延长不同老化电池的使用寿命。可视化模块配合数据监测与控制,可以全面提升电池的管理水平,实现高效充电。其中,充电方式的维护:当系统检测到电池老化时,可以提示用户避免长时间小电流充电,建议使用断续充电、脉冲充电等方式进行充电。充电环境的维护:提示用户在适宜的温度和湿度环境下对电池进行充电,避免高温高湿条件。电池存储方式的维护:当电池长期不使用时,可以提示用户避免将电池处于完全放电状态,建议使其保持30%至50%电量并定期检测。电池匹配的维护:提示用户正确匹配电池组数,避免混合使用新旧电池。更换周期的维护:系统可以根据电池老化状态,提示用户合理的更换周期,避免电池过度老化。电池再利用的维护:对于一些可再利用的电池,系统可以提示用户正确的再利用方式。其中,设置温度的限制条件以监控电池的充放电过程。
进一步地,数据采集模块包括:电压采集单元,包含电压采样电路,通过电压分压和采样保持对电池的充放电过程中的电压进行采样,获得电压数据;电压采样电路可以通过分压环节获取电池的充放电电压信号。对电压信号进行采样和数字转换,获得电池实时的数字化电压数据。电压数据可以反映电池的充电状态,是调节充电策略的重要参数。对不同型号及老化程度的电池,其电压数据特征会有所不同。通过分析电压数据,可以确定不同老化电池的充放电曲线,设置合理的截止电压。监测电压变化趋势,可以预测电池的剩余电量,调整充电当前。电压的数据还可以用于建立电化学模型,预测电池的健康状态。采集的电压数据经转换可输入控制系统,用于PID闭环控制。精准采集电压数据,是实现对不同老化电池充电优化、提效的基础。
电流采集单元,包含采样电阻,通过检测两端电压降下对电池的充放电过程中的电流进行采样,获得电流数据;采样电阻插入在电路中,根据电阻两端的电压降下可以检测到流经电阻的电流。通过采样和数字化,可以得到电池在充放电过程中实时的电流数据。电流数据可以反映电池的允许充放电电流,用于判断是否发生过充过放。对于不同的电池类型和老化程度,其最大充电电流会有所不同。分析电流数据变化趋势,可以推断电池的健康状态和剩余电量。电流数据作为反馈信号,可用于PID闭环控制来精确调节充电器输出电流。通过控制电流的大小,可以实现对不同老化电池的快速和安全充电。电流数据也可用于建立电化学模型,预测电池的充放电性能。精确采集电流数据,是实现对电池充电过程控制和优化的基础。
充电曲线单元,分别与电压采集单元和电流采集单元连接,通过检测不同充电阶段的电压和电流,获得电池的充放电曲线数据;充电曲线单元可以结合电压采集单元和电流采集单元获得的实时数据,绘制出电池的充电曲线。充电曲线可以反映不同充电阶段电池的电压和电流变化情况。对于不同类型和老化程度的电池,其充电曲线特征会有差异。分析充电曲线,可以确定不同老化电池的充电策略,如充电截止电压、充电电流等参数。充电曲线可以判断电池是否出现反复充电、记忆效应等情况,评估电池健康状态。监测充电曲线的变化趋势,可以预知不同老化电池的剩余寿命。采集充放电曲线数据,可以建立精确描述电池充放电过程的模型。充电曲线数据反馈至控制系统,可以实现对充电过程的闭环控制与优化。精确采集充电曲线数据,是实现对不同老化电池安全、高效充电的重要手段。
温度采集单元,包含温度传感器,通过热敏电阻或热电偶元件检测电池表面温度,获得温度数据;温度传感器通过热敏电阻或热电偶,可以实时检测到电池表面的温度。对温度数据进行采样和处理,可以得到电池在充电过程中的实时温度信息。温度数据可以判断电池是否出现异常过热现象,避免安全隐患。不同老化程度的电池在快速充电时的升温曲线会有差异。分析温度变化,可以确定不同老化电池的最佳充电温度范围。温度数据可反馈至控制系统,通过降低充电电流避免电池过热。也可以设置温控风扇对电池进行必要的制冷。精准采集温度数据,可以实现对充电过程的温度控制,保证电池在最佳温度下充电。避免温度过高,可以提高不同老化电池的充电效率与安全性。
内阻测试单元,包含交流小信号发生器,通过交流小信号检测电池的充放电过程中的电压和电流,获得内阻数据;交流小信号发生器可以给电池施加一个小幅度的交流测试信号。测试信号引起电池两端的交流电压和电流。通过检测交流电压和电流的幅值和相位,可以计算出电池的交流内阻。不同老化程度的电池,其内阻参数会有较大差异。内阻数据可以评估电池的健康状态和老化程度。根据内阻参数设定充电电流,可以避免过大电流对电池的损坏。内阻数据还可用于建立电化学模型,预测电池的剩余寿命。实时检测内阻变化,有助于针对不同老化电池调整充电策略。其中,内阻测试单元中的交流小信号发生器,它主要有以下几种实现方式:信号发生器IC集成的信号发生器芯片,可以产生正弦波、方波等不同形状的交流信号。DDS技术通过直接数字频合成技术,使用数字电路产生精准的Analog信号。单片机+DAC使用单片机输出数字信号,经过数字模拟转换获得Analog信号。Wien桥振荡器使用运算放大器构成的Wien桥振荡电路。LC振荡电路使用电感和电容组成的谐振腔,可以产生稳定的正弦信号。函数信号发生器使用数字信号处理技术,可以产生各种形状和频率的信号。DA调制信号使用DA转换获得稳定、低失真的Analog信号。
寿命检测单元,包含集成电路芯片,通过校正内阻和检测容量衰减,获得包含剩余寿命的电池健康状态数据。集成电路芯片内置算法,可以检测电池的内阻参数。通过监测容量衰减情况,评估电池的剩余可用容量。容量衰减可以通过充放电曲线分析、估算充电余量获得。结合内阻变化趋势,可以评估电池的健康状态和剩余寿命。对于不同老化程度的电池,其剩余寿命预测结果会有所差异。获取电池寿命信息,可以制定相应的充电策略和更换时间。对于剩余寿命较短的电池,可以减小充电电流避免损坏。正确预测寿命,可以及时更换老化电池,避免效率降低。其中,校正内阻技术方案:在不同充电状态下多次测量电池内阻,构建电池内阻与充电状态的对应模型,利用在线学习算法进行模型校正,获得电池充电状态对应的准确内阻值。检测容量衰减技术方案:统计充放电曲线,分析容量随循环次数的衰减趋势,在全充全放电循环中检测可充电放电量,与标称容量比较,计算得到容量衰减程度,也可以通过估算余量预测法检测容量衰减情况,结合充放电数据建立电化学模型,模拟预估容量衰减。具体地,剩余寿命:指电池从当前时刻开始,还可以使用的次数或时间。它反映了电池的健康状态及继续使用的可能性。电池健康状态数据:通过检测电池的一系列参数得到的全面反映电池健康状况的信息,主要包括:剩余容量:电池当前可提供的剩余可用容量。内阻:电池的交流内阻参数。容量衰减:电池容量消耗的比例或数量。循环次数:电池经历的充放电循环次数。剩余寿命:根据上述数据评估的电池从当前时刻可继续使用的时间或循环次数。自放电率:电池在不使用时的自发放电比率。电压:电池的工作电压、开路电压等电压参数。
进一步地,数据转换模块包括:模型建立单元,利用emodel工具,根据采集的充放电参数建立电池充放电模型;其中,emodel工具在本申请中,可以为:MATLAB或Simulink使用Simulink建立电池等效电路模型或电化学模型。COMSOL基于有限元方法建立电池多物理场耦合模型。PyBattery基于Python的开源电池建模工具包。
DUALFOIL经典的电池建模软件,可以建立电化学模型。ECLab用于电化学测试和电池建模的商业软件。AnyLogic支持多种建模方法,可以建立电池的多物理场模型。PowerData用于电池数据分析处理和建模的商业软件。Neurobat基于神经网络的电池建模和状态检测工具。Battery LAB电池测试设备厂商提供的建模和参数提取工具。
参数标定单元,采用粒子群优化算法标定电池充放电模型中的参数,通过最小化模型输出与采集充电曲线数据的误差,调整电池充放电模型的参数;粒子群优化算法(Particle Swarm Optimization,PSO)是一种群体智能优化算法,它可以用于标定电池充放电模型的参数。假设参数搜索空间内存在一群随机粒子,每个粒子代表一组可能的模型参数解。粒子具有位置和速度,可以在搜索空间内移动。通过fitness函数评估每个粒子代表的模型参数组合的优劣。粒子会按照specific Velocity和global Velocity朝fitness值更优的位置移动。repeat上述过程直至找到使fitness函数达到期望目标的最佳参数组合。将PSO算法应用于电池模型参数标定,其fitness函数可以设定为模型输出与实测充电曲线误差的平方和。通过PSO寻找使fitness函数最小的模型参数解,以此达到标定电池模型的目的。
状态预测单元,采用卡尔曼过滤器状态空间模型,根据采集的充放电参数,预测电池的剩余容量和容量衰减状态;其中,卡尔曼过滤器(Kalman Filter)是一种重要的状态空间(State Space)模型,可以用于预测电池的剩余容量和容量衰减。建立电池状态方程来描述电池的动力学行为。建立测量方程来描述测量与状态变量之间的关系。利用递归算法估计电池难以测量的状态变量。卡尔曼滤波将系统状态方程与测量信息相结合进行状态预测。采用预测更新策略,提高状态预测的精确度。可以有效抑制测量噪声的影响。将卡尔曼滤波应用于电池状态预测,通过充电参数确定系统状态矩阵,实现电池剩余容量、容量衰减等状态的预测。具体地,剩余容量:指电池在任意充放电状态下,可以继续提供的可用容量。反映了电池的可用能量大小。与充放电历史、温度、负载条件等相关。正确预测剩余容量,有助于制定充放电策略。容量衰减状态:描述电池容量随循环次数衰减的状态。与电池的劣化程度和使用历史相关。可以用衰减百分比或绝对容量量化。预测容量衰减状态,可以评估电池健康度。为电池使用寿命预测及充放电优化提供基础。将这两个状态变量应用于卡尔曼滤波模型,可以实现电池的精确状态预测。
数据分析单元,采用基于增量学习的电池老化模型,根据聚类分析的充放电参数,预测电池健康状态数据。其中,增量学习(Incremental Learning):一种机器学习方法,可以逐步积累知识并持续学习。当获得新数据时,在原有模型基础上进行更新。无需重新训练整个模型,可以实现连续在线学习。适用于电池老化模型的迭代优化。聚类分析(ClusterAnalysis):一种无监督学习方法,将数据按特征聚集成类。类内数据相似,类间差异大。可用于分析电池充放电参数,获得状态聚类。常用算法有Kmeans,层次聚类等。有助于评估电池健康状态。综合这两种技术,可以实现电池充放电数据的增量式聚类分析,持续预测电池健康状态,实现电池充电过程的优化控制。具体地,电池老化模型是一种建立在电池充放电数据基础上的数学模型,用于描述和预测电池的老化行为。其主要特征有:考虑电池的使用历史数据,反映电池的劣化程度。主要参数包括循环次数、容量衰减、电阻增长等。可以采用机器学习方法建立,实现模型参数的迭代优化。预测电池的剩余容量、寿命、功耗参数等。为电池状态监控和充电策略优化提供基础。与在线学习算法结合,可以持续积累新知识,改进模型。不同电池的老化模式可以建立对应的特定模型。模型的训练需要充足的生命周期数据作为支撑。将老化模型与数据分析相结合,可以实现对电池健康状态持续的评估与预测,为充电控制提供关键支持。
进一步地,节能管理模块包括:策略设置单元,根据数据转换模块预测的电池的容量衰减状态,设置恒流恒压的多阶段充电策略;充电策略是根据电池容量衰减状态设定的充电电压和电流控制方案。根据容量衰减状况选择充电模式。常见模式有恒流、恒压、曲线等。恒流模式下电流固定,电压变化。恒压模式下电压固定,电流变化。多阶段模式首先恒流充电,后恒压充电。也可以采用更复杂的充电曲线模式。目的是实现快速而安全的充电,延长电池寿命。需要实时监测电池反馈,动态调整。综上,智能选择充电策略,可以大幅提高不同老化电池的充电效率和使用寿命。
PID计算单元,采用在线自适应调节PID控制参数的增强PID算法,根据设置的多阶段充电策略和采集的电压数据、电流数据和温度数据,计算充电器的目标电压和目标电流;其中,在线自适应调节是一种自动优化控制参数的方法。根据系统的实时状态不断进行调节。无需人工干预,实现闭环控制。在充电过程中,连续优化PID参数。使充电控制适应电池状态变化。充电器一种为二次电池提供充电电流的电源设备。根据充电策略供给稳定的电压和电流。内部包含AC/DC变换电路。通常有恒流、恒压工作模式。智能充电器可以实现多种充电策略。控制电路采用PID或类似算法。通过在线自适应PID,智能充电器可以实时优化控制参数,使充电过程高效稳定,延长电池寿命。
控制单元,采用DSP数字信号处理算法,根据PID计算单元获得的目标电压和目标电流,控制充电器的输出电压和输出电流,对电池进行充电控制;其中,DSP即数字信号处理器(Digital Signal Processor),是一种用于数字信号处理的微处理器。DSP数字信号处理算法的主要特征包括:采用高速运算单元,可以进行复杂数字信号处理。处理和优化信号,实现滤波、编码、去噪等功能。可以对模拟信号进行数字化采样处理。通过编程实现不同的数字信号处理功能。可以进行并行、pipeline运算,处理速度快。在充电器中,DSP可以根据PID输出快速调控输出电压电流。实时采集电池参数,输出控制信号。实现闭环控制,稳定和优化充电过程。提高系统的实时响应速度。综上,DSP数字信号处理是实时控制充电过程的关键技术之一。
效率评估单元,通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率;曲线极限点比较算法是评估电池充电效率的一种技术。采集不同充电策略下的电池充放电曲线。分析曲线的特征点,如充电截止点、放电截止点等。比较不同策略下曲线特征点的参数,如充电时间、放电容量等。指标包括充电速度、容量利用率、转换效率等。通过曲线特征点的数值比较,评定充电策略的优劣。选择使关键指标达到最优的充电策略。可视化曲线更直观地反映充电效果。该算法直观简单,通过曲线形状判定充电性能。与模型分析相结合,可以全面评估不同充电策略的效率。
优化单元,利用极限学习机算法,根据充电效率的评估结果,调整多阶段充电策略和PID控制参数。其中,极限学习机是一种用于训练单层前馈神经网络的高效算法。其主要思想是:随机初始化输入层到隐层的权重参数。根据数据计算隐层到输出层的权重参数。不需要调整输入层权重,大幅降低训练过程中的优化运算。可以获得全局最优解,避免局部最小点。计算速度快,适合实时优化和控制。将ELM应用于充电策略优化:接收充电效率评估结果作为模型输入。ELM模型输出是调整后的充电策略。通过快速迭代训练,不断提升充电效率。实现充电策略和PID的参数在线优化。
本说明书实施例的另一个方面还提供一种基于大数据可视化的电池状态分析方法,用于分析本申请的一种基于大数据可视化的电池状态分析系统,包括:数据采集步骤,采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;模型预测步骤,根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;充电控制步骤,根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制,充电器为对电池进行充电的装置;可视化显示步骤,通过图表显示电池的充放电参数,并提示用户相应的维护措施;
其中,设置第一温度阈值,当电池温度大于第一温度阈值时,停止充电;设置第二温度阈值,当电池温度小于第二温度阈值时,停止放电;设置温度速率限值,当温度速率大于限值时,停止充电或放电。具体地,设置电池温度的上下限阈值,避免温度异常。当电池温度超过第一阈值时,停止充电,防止过热。当电池温度低于第二阈值时,停止放电,防止效率降低。监测电池温度变化速率,设置变化率阈值。当温度变化过快时,停止充放电,防止电池损伤。不同类型电池的温度特征会有所不同。通过充放电测试获得电池的温度特性数据。利用数据训练温度预测模型,实现精确控制。充电前预测电池温升曲线,制定合理的充电策略。实时监测温度变化,动态调整充放电参数。在温度安全范围内,最大限度发挥电池容量。最终实现高效快速且安全的充电过程。更具体地,第一温度阈值:一般设置为电池最大允许充电温度的90%左右。例如多数锂电池的最大充电温度为45℃,则第一阈值可设为40℃。第二温度阈值:可以设为环境温度的70%左右。假如环境温度为25℃,则第二阈值约为17℃。温度速率限制:参考不同电池的热敏感系数,设置安全的温升速率。一般限制在每分钟12℃的温升速率。对于热敏感电池可以设置更保守的0.5℃/min。如果温升过快,降低充电电流以限制发热。
进一步地,数据采集步骤包括:设置电压采样电路对电池充放电过程中的电压进行采样,获得电压数据,采样方式为电压分压和采样保持;设置采样电阻检测充放电过程中电池两端电压降下对电流进行采样,获得电流数据;通过充电曲线单元分别与电压、电流采集单元连接,检测不同充电阶段的电压和电流,获得电池的充放电曲线数据;利用温度传感器,采用热敏电阻或热电偶元件检测电池表面温度,获得温度数据;利用交流小信号发生器,采用交流小信号检测电池充放电过程中的电压和电流,获得内阻数据;利用集成电路芯片,通过校正内阻和检测容量衰减,获得包含剩余寿命的电池健康状态数据。
进一步地,模型预测步骤包括:利用emodel工具,通过拟合采集的充放电参数建立电池充放电模型;使用emodel工具拟合充放电参数,建立电压状态电荷模型。模型考虑电池的化学反应动力学、激活极化、浓差极化效应。可以建立不同电池类型和老化程度的专属模型。利用模型仿真不同充电策略的电压、电流、温度曲线。比较不同策略的充电时间、容量利用率、发热情况。评估老化电池在不同策略下的充电效率。确定使充电时间最短、发热最小的最佳充电策略。按优化后的曲线设计充电器的恒流、恒压阶段。实时检测电池反馈,调整策略闭环控制充电过程。借助DSP、PID算法实现快速精确控制。最终实现老化电池的快速、高效、稳定的充电。具体地,在本申请中,收集典型锂离子电池的充放电曲线数据。测量电压、电流、温度等参数。在emodel中建立电化学模型,选择铜负极和钴酸锂正极。设置模型的几何和材料参数,如电极面积、活性物质加载量等。设定电解质参数,如转移数、扩散系数等。建立激活极化模型,加入正极与负极的对数电流过电压方程。建立聚合物隔膜的离子传输模型。采用牛顿法求解偏微分方程组,得到电压时间曲线。与实验数据进行比较,修正模型参数,直到拟合效果满意。考虑不同充电电流、温度条件,得到充电曲线。重复步骤建立放电模型。最终获得可用于不同充放电条件的电池模型,利用该模型优化充电策略,提高效率。
采用粒子群优化算法标定电池充放电模型中的参数,通过最小化模型输出与实际采集充电曲线数据的误差,调整电池充放电模型的参数,以使标定后的模型输出曲线与实际采集曲线的均方根误差最小;在本申请中,收集电池的充电曲线测试数据,包含电压、电流、时间等信息。进行滤波、归一化等预处理,得到平滑的充电曲线数据。采用等效电路模型,建立电池的充放电数学模型。模型包含多个参数,如双极性电容、电阻、压电坡降系数等。确定粒子群算法的粒子数量、速度边界、权重参数等,生成初始粒子群。Fitness函数为充电曲线数据与模型模拟输出曲线的均方根误差。表示模型与实际数据的偏差。让粒子群迭代更新位置,逐步优化Fitness,使模型输出曲线逼近实测充电曲线。记录最优粒子位置,对应模型的参数组合,即为标定后的模型参数。将标定后的模型模拟充电曲线,与测试数据进行比较验证。确保误差在允许范围内。获得标定精度高的充放电模型,用于电池状态监测与控制。利用粒子群算法的全局优化能力,实现了电池充放电模型参数的自动标定,使模型输出能够精确匹配实测充放电曲线,为电池状态评估提供了精确的物理模型。
采用卡尔曼过滤器状态空间模型,根据采集的充放电参数,预测电池的剩余容量和容量衰减状态,容量衰减状态为电池初期容量与预测剩余容量之差,其中,电池初期容量为电池出厂时的初始可用容量,预测剩余容量为通过卡尔曼过滤器状态空间模型获得的电池当前充电后可用容量;在本申请中,构建电池的状态空间模型,选择电池的等效电路模型,建立电压、电流、SOC等状态量之间的状态方程。确定系统噪声矩阵,根据电池的使用环境和测试条件,确定过程噪声和观测噪声的协方差矩阵。初始状态确定,测量电池的初始开路电压,结合额定容量估算电池的初始SOC值。卡尔曼预测,采用离散卡尔曼滤波算法,带入状态方程,经过预测和更新步骤,递归地预测电池的SOC。模型验证,充放电循环测试电池,测量实际容量,与预测结果进行对比,调整噪声方差矩阵。容量衰减计算,记录初始可用容量。每次充电后,将预测的剩余容量与初始容量比较,其差值即为容量衰减值。在线监测,部署算法到电池管理系统,在线监测电池的剩余容量和容量衰减状态。结果显示,通过移动APP或数据平台,实时显示电池的SOH和剩余可用时间。本申请利用卡尔曼过滤器的递归预测能力,结合电池的物理模型,实现了电池容量和容量衰减的精确监测,为电池状态评估和维护提供关键信息。
采用基于增量学习的电池老化模型,根据聚类分析的充放电参数,预测电池健康状态数据,用于评估电池的老化程度和剩余使用寿命;其中,电池健康状态数据包含内阻增长率、容量衰减率和循环次数;内阻增长率表示电池内部化学反应的活性下降;容量衰减率表示电池提供容量的减少;循环次数表示电池的充放电循环次数。在本申请中,数据采集,在电池充放电循环过程中,采集电压、电流、温度等参数,同时记录循环次数。数据预处理,去除异常点,平滑信号,提取特征参数,如内阻、容量、能量效率等。增量学习,将数据按时间顺序分段,每段作为一个批次,逐步训练神经网络模型。模型构建,采用LSTM等网络结构,输入为电池的特征参数,输出为健康状态,包括内阻增长率、容量衰减率。模型增量调整,每训练完一个批次,用新数据微调模型参数,使模型随着老化过程动态更新。状态预测,利用训练好的模型,进行在线预测,输出电池的健康状态指标。寿命估计,根据内阻增长率、容量衰减率的预测,结合循环次数,评估电池的剩余使用寿命。模型部署,将增量学习模型部署到电池管理系统,实现自动化的电池健康监测与预警。
进一步地,充电控制步骤包括:根据数据转换模块预测的电池的容量衰减状态,设置恒流恒压的多阶段充电策略;采用在线自适应调节PID控制参数的增强PID算法,根据设置的多阶段充电策略和采集的电压数据、电流数据和温度数据,计算充电器的目标电压和目标电流;采用DSP数字信号处理算法,根据PID计算步骤获得的目标电压和目标电流,控制充电器的输出电压和输出电流,对电池进行充电控制;通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率;利用极限学习机算法,根据充电效率的评估结果,调整多阶段充电策略和PID控制参数。
进一步地,设置恒流恒压的多阶段充电策略包括:当电池容量衰减大于第一阈值N1时,采用两阶段充电策略,其中,第一阶段以第一电流I1进行恒流充电,直至电池电压达到第一截止电压U1,第一截止电压U1的取值范围为3.6V至4.2V;设置较低的第一电流I1,典型取值0.5C至1C,确保老化电池在充电初期不会过热或产生大的极化。第一截止电压U1,设置在3.6V至4.2V范围内,考虑到老化电池通常具有较高的内阻,设置较低的截止电压可以避免老化电池产生过大的电压应力。第二阶段以第一截止电压U1进行恒压充电,直至充电电流减小到第二电流I2;第二阶段恒压充电,恒压可避免老化电池继续快速充电而造成电压过高。设置适当的第二电流I2作为截止条件,典型取值为0.02C至0.05C,可以最大程度地恢复老化电池的容量。不设置预充电阶段,考虑到老化电池的电压较低,没有设置预充电阶段,可以缩短充电时间,提高充电效率。两阶段转换条件,当容量衰减超过第一阈值N1时,采用本申请,N1可以根据电池类型确定,一般设置为额定容量的80%左右。综上,该充电策略通过两个阶段的组合,综合考虑了老化电池的稳定性、充电速度和充电量,可以有效提升不同老化程度的电池的快速充电效率。更具体地,第一截止电压U1的取值范围为3.6V至4.2V,放电截止电压通常在3.0V左右,稍高的3.6V可以防止电池过放电。如果电压过低,会导致材料无法完全参与电化学反应,降低利用效率。适当提高可以更好利用活性材料。过低电压可能导致溶液分解,产生气体等,设置3.6V可以避免这一问题。相对放电截止电压3V,略高的3.6V至4.2V可以增加电池的充电量。
当电池容量衰减大于第二阈值N2时,采用三阶段充电策略,其中第二阈值N2大于第一阈值N1,三阶段充电策略包含:第一阶段以第一电流I1进行恒流预充电,预充电时间为T分钟;预充电阶段,老化严重的电池内阻较大,设置较低电流I1的预充阶段,可以慢慢激活电池的电化学反应,预充电时间T典型为10分钟至30分钟。
第二阶段以第三电流I3进行恒流充电,直至电池电压达到第二截止电压U2,第二截止电压U2的取值范围为4.1V至4.5V;第二阶段恒流充电,电流取较大值I3,典型为1C2C,充电速度较快,可以有效恢复老化电池的剩余容量。具体地,1C是指对电池额定容量的定额电流。例如,如果一颗电池的额定容量是1000mAh,那么1C就是1000mA,也就是说以1000mA的电流对该电池进行充电,就是以1C电流充电。因此,I3取1C2C的典型值含义是:如果电池额定容量是1000mAh,则:1C=1000mA,2C=2000mA那么I3的取值范围就是:1000mA至2000mA这样可以使电池在1至2小时内充满电,充电速度较快,从而有效恢复老化电池的剩余容量。综上,1C表示以电池额定容量对应的电流值进行充电。第二截止电压U2,设置为4.1V至4.5V,高于第一阶段,针对老化电池进行更充分的充电,尽可能恢复容量。更具体地,多数锂离子电池正极材料的充电截止电压约为4.2V。设置稍高的4.1V至4.5V范围,可以更充分利用正极材料的容量。过高的截止电压会导致电池过充,特别是老化电池更容易因过充而损坏。选取4.1V至4.5V的较低截止电压可以防止过充。对于老化电池,充电截止电压略高于放电截止电压(3.0V左右),可以比较好地平衡充放电效率。相对第一阶段的低截止电压3.6V至4.2V,第二阶段采用更高的截止电压可以进一步增加充电量,以尽可能恢复老化电池的容量。电池之间存在一定的个体差异,适当扩大截止电压范围,可以适应不同电池的小差异。综上,第二阶段设置4.1V至4.5V的截止电压,综合考虑了电池的过充风险、材料利用率、充放电平衡以及容量恢复的需要。
第三阶段以第二截止电压U2进行恒压充电,直至充电电流减小到第二电流I2。第三阶段恒压充电,恒压充电可以避免老化电池因电压过高而产生不可逆损伤。设置合适的I2作为结束条件。三阶段转换条件,当老化程度高于第二阈值N2时使用三阶段策略,N2低于电池额定容量的60%左右。不设置富裕充电,考虑到过充会加速老化,没有设置浮充充电,避免无效充电。综上,本申请考虑了老化电池的充电特点,通过三个阶段合理设置电流电压参数,可以有效提升老化严重电池的快速充电效率。
进一步地,通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率包括如下步骤:获取不同充电策略下电池的充放电曲线的特征点参数,特征点参数包含最大电压、最小电压、平均电压、电压方差和达到截止电压时间;设置包含充电安全指标、充电快速性指标和曲线平滑性指标的充电效率评分标准,根据AHP算法确定充电安全指标、充电快速性指标和曲线平滑性指标的权重;根据AHP算法确定的权重,利用加权决策方法,计算各个充电策略对应的充电效率的评分。获取充电曲线特征参数,统计分析充电曲线的最大最小电压、平均电压、方差以及达标时间等,这些参数反映充电过程的平稳性。设置充电效率评分标准,考虑充电安全性、快速性和曲线平滑性三个维度,用以评估不同策略的综合效果。AHP确定指标权重,采用AHP层次分析法确定每个评价维度的重要性权重,计算量化结果,减少主观性。加权决策评分,根据AHP权重,对每个充电策略的各项指标评分进行加权计算,得到评分结果。比较评选策略,根据评分结果,可以直观地对比不同充电策略的效率优劣,选择出最优策略。迭代优化策略,根据评估结果,调整充电策略的参数,重新评估,以实现持续优化。提高充电效率,选用评分最高的策略,可以在保证安全性的前提下,实现老化电池的快速高效充电。综上,本申请提供了一套定量的充电策略效率评估体系,可以有效地提高不同老化电池的快速充电效率。具体地,AHP算法:层次分析法(Analytic Hierarchy Process)AHP是一种系统化、层次化的多准则决策方法,通过构建层级化指标体系,进行层次单对单比较,计算指标的相对重要性权重,从而进行定性化和定量化的决策分析。加权决策方法:加权决策方法是一种基于多个指标进行决策的方法。它通过预先定义每个指标的权重,然后计算每个方案在各个指标上的分数,再依据权重将分数进行加权,从而得到每个方案的综合评分,根据评分高低进行决策或排序。本申请中,运用AHP算法确定各个充电效率评价指标的权重,然后利用加权决策方法,根据权重将每个充电策略的各项指标评分进行加权求和,得到定量的充电效率评分,从而比较不同充电策略的效果。
3.有益效果
相比于现有技术,本发明的优点在于:
(1)建立等效电路模型,包含电压源、内阻、RC网络,拟合充放电特性,使用卡尔曼滤波算法跟踪电池SOC变化,评估容量衰减,应用增量学习模型,分析内阻增长、容量衰减,预测剩余寿命,可以高精度评估电池健康状态,为制定合理充电策略提供支持;
(2)根据电池预测参数设置自适应多阶段充电策略,可以针对不同老化状态的电池采取不同的充电模式,实现对电池的精确控制,第一阶段小电流激活电池活性,第二阶段大电流快速充电,不同老化程度设置不同的充电电压、电流阈值,该策略实现对电池老化状态的精确控制,针对性地提升充电效率;
(3)比较充电曲线特征评估充电效率,以及利用极限学习机算法优化充电策略,能够不断提升充电性能,这是运用模式识别与机器学习技术实现充电过程持续优化的结果,最终达到提高不同老化状态电池充电效率与延长使用寿命的技术效果。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的一种基于大数据可视化的电池状态分析系统的示例性模块图;
图2是根据本说明书一些实施例所示的一种基于大数据可视化的电池状态分析方法的示例性流程图;
图3是根据本说明书一些实施例所示的数据采集步骤的示例性流程图;
图4是根据本说明书一些实施例所示的模型预测步骤的示例性流程图;
图5是根据本说明书一些实施例所示的充电控制步骤的示例性流程图。
具体实施方式
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
图1是根据本说明书的一些实施例所示的一种基于大数据可视化的电池状态分析系统的示例性模块图,如图1所示,一种基于大数据可视化的电池状态分析系统100,包括:括数据采集模块110、数据转换模块120、节能管理模块130和可视化模块140。
数据采集模块110是电池状态分析系统中的关键组件,它负责采集不同类型电池的充放电参数,其中包括电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据。这些数据是提高不同老化电池的充电效率的基础,因为它们提供了有关电池性能和健康状态的关键信息。电压数据是电池的电压测量值。它是电池状态的一个关键指标,因为电压直接反映了电池的电荷状态。通过实时监测电池的电压数据,系统可以调整充电电压,以确保电池在安全范围内充电,并避免过充或过放的情况,从而提高电池寿命和性能。电流数据表示电池的电流流入或流出的情况。了解电流方向和强度对于控制充电和放电过程至关重要。通过电流数据,系统可以及时检测电池充放电异常,如过流或短路,以采取必要的措施,提高电池的安全性和充电效率。充放电曲线数据描述了电池的电压随时间的变化情况。这些曲线提供了有关电池性能的详细信息,包括电池的容量、内阻、充电和放电速度等。通过分析这些曲线,系统可以优化充电策略,以提高电池的能量利用率和降低能量损耗。温度数据是电池温度的测量值。电池的温度对其性能和寿命有重要影响。通过监测温度数据,系统可以防止电池过热或过冷,提高电池的安全性和稳定性。内阻数据表示电池的内部电阻。内阻直接影响电池的充电和放电效率。通过测量内阻数据,系统可以检测电池的内部问题,如电池老化或损坏,从而及时采取措施以提高电池的性能和寿命。电池健康状态数据提供了电池的整体健康评估。这包括电池的剩余容量、循环次数、健康百分比等信息。通过了解电池的健康状态,系统可以根据实际情况调整充电策略,以最大限度地延长电池的寿命。
数据转换模块120是电池管理系统中的重要组成部分,它与数据采集模块协同工作,旨在利用采集的充放电参数,构建电池充放电模型和电池老化模型,并通过这些模型来预测电池的充放电参数。这一过程是为了提高不同老化电池的充电效率和性能,同时延长其寿命。数据转换模块首要任务之一是建立电池充放电模型。这些模型基于采集的电压数据、电流数据以及充放电曲线数据等,分析电池的行为和性能。这些模型可分为物理模型和统计模型:物理模型基于电池的内部特性和物理方程,如电池化学反应、电解质流动等。这种模型通常较精确,能提供深入的了解电池行为。统计模型基于历史数据和机器学习算法,可以根据采集的数据来预测电池的性能。这种模型通常用于电池老化和性能评估。另一个关键任务是建立电池老化模型。这些模型基于温度数据、内阻数据、电池健康状态数据等,用于估计电池的老化速度和寿命。老化模型有助于监测电池健康状态,及时发现老化迹象,并采取措施来延长电池的寿命。数据转换模块通过建立的充放电模型和老化模型,可以预测电池的充放电参数。这包括预测电池的充电时间、剩余容量、内阻增加率、健康状态等。这些预测信息可用于优化充电策略,以提高不同老化电池的充电效率。通过有效的数据转换和预测,系统可以采取以下措施来提高不同老化电池的充电效率:根据预测的电池参数,系统可以调整充电电压和电流,以最大程度地充电电池而不过度充电或过放电。通过电池老化模型,系统可以及时识别老化电池并进行维护,延长电池寿命。本申请的系统可以根据电池状态的实际变化调整充电策略,以确保电池在最佳性能下运行。
节能管理模块130是电池管理系统的重要组成部分,它与数据转换模块协同工作,旨在根据预测的充放电参数,制定多阶段充电策略,并通过PID(比例积分微分)或增强PID算法,计算和控制充电器的输出电压和输出电流,以优化电池的充电效率和性能,尤其是针对不同老化电池。为了提高不同老化电池的充电效率,节能管理模块首先制定多阶段充电策略。这些策略基于数据转换模块提供的电池参数预测,包括电池容量、健康状态、内阻等。多阶段充电策略可以分为以下几个阶段:恢复阶段:在这一阶段,电池可能会经历低电量或低健康状态。充电器会提供较低的电流,以慢慢充满电池并恢复其性能。快速充电阶段:当电池健康状态较好时,充电器可以提供更高的电流,以快速充满电池。维护阶段:一旦电池接近充满状态,充电器会降低电流,以避免过充和过放。为了实现精确的充电控制,节能管理模块采用PID或增强PID算法。这些算法监测电池的实际充电电压和电流,并与目标值进行比较,然后调整充电器的输出以使它们尽可能接近目标值。这有助于减少过充和过放,提高充电效率,并延长电池寿命。比例(P):根据实际误差来调整输出电压和电流,以减小误差。积分(I):累积过去的误差,以消除静态误差,确保系统稳定。微分(D):预测未来误差的变化,以减小系统的振荡和超调。通过多阶段充电策略和PID或增强PID算法,节能管理模块可以提高不同老化电池的充电效率:根据电池状态进行调整:系统根据预测的电池参数,动态调整充电策略,以满足电池当前的需求,从而减少能源浪费。防止过充和过放:PID算法可以有效地控制电压和电流,以避免过充和过放,保护电池免受损害。延长电池寿命:通过精确的控制和维护策略,电池的寿命可以得到延长,从而降低更换电池的成本。
可视化模块140是电池管理系统中的重要组成部分,它通过与数据采集模块和节能管理模块的连接,实现了电池充放电参数的实时监测和可视化显示。该模块不仅能够直观地展示电池的充放电状态,还能够根据数据分析结果为用户提供相应的维护建议和节能措施,旨在提高不同老化电池的充电效率,延长电池寿命。通过与数据采集模块连接,实时显示电池的充放电电压、电流、温度等参数,以直观展示电池的工作状态。将电池的充放电参数以图表形式展示,包括折线图、柱状图等,使用户能够清晰地了解电池的性能变化趋势和历史数据。基于实时采集的数据,进行智能分析和计算,识别电池的工作状态,包括充电效率、健康度等,并根据分析结果生成相应的报告。根据分析结果,为用户提供针对性的维护建议,包括充电参数调整、充电周期优化等,以提高电池的性能和延长使用寿命。根据不同电池的型号、年限和健康状态,个性化地显示充电效率和健康度,帮助用户针对性地采取措施。分析历史数据,识别不同电池的充电效率趋势,帮助用户了解电池的老化程度,并及时调整充电策略。基于数据分析和算法,提前预测电池可能出现的问题,为用户提供预防性的维护建议,降低故障风险。
图2是根据本说明书一些实施例所示的一种基于大数据可视化的电池状态分析方法的示例性流程图,如图2所示,一种基于大数据可视化的电池状态分析方法,用于分析本申请的一种基于大数据可视化的电池状态分析系统,包括:S210数据采集步骤,采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;S220模型预测步骤,根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;S230充电控制步骤,根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制,充电器为对电池进行充电的装置;S240可视化显示步骤,通过图表显示电池的充放电参数,并提示用户相应的维护措施;其中,设置第一温度阈值,当电池温度大于第一温度阈值时,停止充电;设置第二温度阈值,当电池温度小于第二温度阈值时,停止放电;设置温度速率限值,当温度速率大于限值时,停止充电或放电。
具体地,S210数据采集步骤执行数据采集模块,通过各种传感器和测试设备获取电池充放电参数。S220模型预测步骤执行数据转换模块中的模型建立单元、参数标定单元、状态预测单元、数据分析单元,建立充放电模型并预测电池状态。S230充电控制步骤执行节能管理模块中的策略设置单元、PID计算单元、控制单元,根据电池状态设置充电策略并控制充电器输出。S240可视化显示步骤执行可视化模块,通过图表界面显示电池状态信息。
在本申请的具体实施例中,S210数据采集步骤使用采样电阻和ADC采集电流数据使用数字温度传感器DS18B20采集温度,使用交流源和FFT采集内阻数据,STM32微控制器采集各项数据。S220模型预测步骤使用Python和Pytorch建立LSTM网络,预测电池剩余容量和内阻变化。S230充电控制步骤内阻增大采用两阶段充电策略容量衰减严重采用三阶段充电策略,使用STM32和增强PID控制充电器。S240可视化显示步骤在Web页面上用Echarts作图,显示电压、电流、温度曲线,显示电池SOH和剩余寿命。温度保护第一温度阈值60℃,第二温度阈值0℃,温度变化率限值10℃/min,温度异常停止充放电以上利用数字传感、STM32控制和Web可视化实现了电池状态监测和保护。
图3是根据本说明书一些实施例所示的数据采集步骤的示例性流程图,如图3所示,数据采集步骤包括:S211设置电压采样电路对电池充放电过程中的电压进行采样,获得电压数据,采样方式为电压分压和采样保持;S212设置采样电阻检测充放电过程中电池两端电压降下对电流进行采样,获得电流数据;S213通过充电曲线单元分别与电压、电流采集单元连接,检测不同充电阶段的电压和电流,获得电池的充放电曲线数据;S214利用温度传感器,采用热敏电阻或热电偶元件检测电池表面温度,获得温度数据;S215利用交流小信号发生器,采用交流小信号检测电池充放电过程中的电压和电流,获得内阻数据;S216利用集成电路芯片,通过校正内阻和检测容量衰减,获得包含剩余寿命的电池健康状态数据。
在本申请的具体实施例中,电压采集使用TI的INA226采样芯片,配置成±36V测量范围,100Hz采样率,通过I2C总线采集电压数据;电流采集使用0.001欧姆采样电阻,放大测量电阻两端电压降;充放电曲线STM32ADC采集电压、电流样本,存储处理后绘制充放电曲线;温度采集使用DS18B20数字温度传感器,通过单总线采集温度数据,0.1℃精度;内阻测试使用AD5933信号发生器,在1kHz频率施加交流信号,测量电压、电流计算内阻;寿命检测采用MaximDS2740监控芯片,检测容量衰减评估剩余寿命这样通过各种电子传感器和芯片,采集充放电参数,为后续建模分析提供数据支持。
图4是根据本说明书一些实施例所示的模型预测步骤的示例性流程图,如图4所示,模型预测步骤包括:S221利用emodel工具,通过拟合采集的充放电参数建立电池充放电模型;S222采用粒子群优化算法标定电池充放电模型中的参数,通过最小化模型输出与实际采集充电曲线数据的误差,调整电池充放电模型的参数,以使标定后的模型输出曲线与实际采集曲线的均方根误差最小;S223采用卡尔曼过滤器状态空间模型,根据采集的充放电参数,预测电池的剩余容量和容量衰减状态,容量衰减状态为电池初期容量与预测剩余容量之差,其中,电池初期容量为电池出厂时的初始可用容量,预测剩余容量为通过卡尔曼过滤器状态空间模型获得的电池当前充电后可用容量;S224采用基于增量学习的电池老化模型,根据聚类分析的充放电参数,预测电池健康状态数据,用于评估电池的老化程度和剩余使用寿命;其中,电池健康状态数据包含内阻增长率、容量衰减率和循环次数;内阻增长率表示电池内部化学反应的活性下降;容量衰减率表示电池提供容量的减少;循环次数表示电池的充放电循环次数。
在本申请的具体实施例中,建立充放电模型在MATLAB或Simulink中建立等效电路模型,包含电压源、内阻、RC网络,使用采集数据进行模型训练和验证;参数标定使用粒子群优化工具箱,最小化模型输出和实测曲线的均方根误差,确定电路模型中内阻、电容的最佳值;状态预测建立状态空间模型,状态变量为SOC、内阻,卡尔曼滤波估计电池SOC,根据初始SOC计算容量衰减;数据分析收集不同健康状态电池的数据,应用LSTM网络进行老化过程建模,预测新数据的健康状态和寿命;实现方式在工控机上部署MATLAB模型,调用Python脚本进行老化分析,采用增量学习算法进行模型更新这样在模拟模型的基础上,增加数据驱动的方法,可以持续优化对电池状态的预测。
图5是根据本说明书一些实施例所示的充电控制步骤的示例性流程图,如图5所示,充电控制步骤包括:S231根据数据转换模块预测的电池的容量衰减状态,设置恒流恒压的多阶段充电策略;具体地,设置恒流恒压的多阶段充电策略包括:当电池容量衰减大于第一阈值N1时,采用两阶段充电策略,其中,第一阶段以第一电流I1进行恒流充电,直至电池电压达到第一截止电压U1,第一截止电压U1的取值范围为3.6V至4.2V;第二阶段以第一截止电压U1进行恒压充电,直至充电电流减小到第二电流I2;当电池容量衰减大于第二阈值N2时,采用三阶段充电策略,其中第二阈值N2大于第一阈值N1,三阶段充电策略包含:第一阶段以第一电流I1进行恒流预充电,预充电时间为T分钟;第二阶段以第三电流I3进行恒流充电,直至电池电压达到第二截止电压U2,第二截止电压U2的取值范围为4.1V至4.5V;第三阶段以第二截止电压U2进行恒压充电,直至充电电流减小到第二电流I2。S232采用在线自适应调节PID控制参数的增强PID算法,根据设置的多阶段充电策略和采集的电压数据、电流数据和温度数据,计算充电器的目标电压和目标电流;S233采用DSP数字信号处理算法,根据PID计算步骤获得的目标电压和目标电流,控制充电器的输出电压和输出电流,对电池进行充电控制;S234通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率;具体地,获取不同充电策略下电池的充放电曲线的特征点参数,特征点参数包含最大电压、最小电压、平均电压、电压方差和达到截止电压时间;设置包含充电安全指标、充电快速性指标和曲线平滑性指标的充电效率评分标准,根据AHP算法确定充电安全指标、充电快速性指标和曲线平滑性指标的权重;根据AHP算法确定的权重,利用加权决策方法,计算各个充电策略对应的充电效率的评分。S235利用极限学习机算法,根据充电效率的评估结果,调整多阶段充电策略和PID控制参数。
在本申请的具体实施例中,策略设置容量衰减10%采用两阶段策略,容量衰减20%采用三阶段策略,第一阶段恒流充电,第二阶段恒压充电;PID计算增强PID实时调节KP、KI、KD,目标是稳定输出电压和电流;控制实现使用STM3232位MCU,DSP库实现数字PID,生成PWM波控制DCDC转换器,1kHz频率输出,调节充电器;效率评估收集不同策略下的充电曲线,比较曲线特征点评分充电性能,AHP确定评分权重;策略优化建立基于ELM的极限学习机,以充电效率为优化目标,不断调整策略和PID参数这样通过数字PID控制和极限学习机优化,实现高效快速的充电控制。
两阶段充电策略第一阶段:恒流模式,电流设定为1C,充电至电池电压达到4.1V第二阶段:恒压模式,电压锁定在4.1V,电流降到0.05C时终止充电。三阶段充电策略第一阶段:恒流模式,电流设定为0.5C,预充电5分钟第二阶段:恒流模式,电流设定为1C,充电至电池电压达到4.35V;第三阶段:恒压模式,电压锁定在4.35V,电流降到0.05C时终止充电这样,根据电池容量衰减情况,采用不同的充电策略,既保证充电速度,也确保电池健康和安全。第一阶段低电流预充可以激活电池活性,第二阶段大电流快速充电,第三阶段小电流补充充电。
综上所述,本申请通过采集丰富的电池充放电参数作为模型输入,提高了电池健康状态评估的准确性,可以区分不同老化程度的电池。应用粒子群算法精确标定充放电模型,并利用卡尔曼滤波预测电池容量衰减,可以准确判断电池的剩余可用容量。基于增量学习的电池老化模型,可以实时更新,持续提高对电池健康状态的评估能力,适应不同老化程度的电池。根据电池容量衰减状态设计两阶段或三阶段充电策略,可以针对性地提高不同老化程度电池的充电效率。应用数字PID控制充电器输出,实时调节电压电流曲线,使充电过程更平稳安全。利用曲线特征点评估充电效率,基于AHP确定评分权重,可以全面衡量不同策略的优劣。通过极限学习机算法不断优化策略和PID参数,可以持续改进充电控制,适应电池的老化变化。充电过程可视化监控,可以直观地看到充电状态,并采取相应的电池维护措施。设置温度阈值及变化率保护,确保电池在各老化程度下的充电安全。
Claims (10)
1.一种基于大数据可视化的电池状态分析系统,其特征在于,包括:
数据采集模块,用于采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;
数据转换模块,与数据采集模块相连接,用于根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;
节能管理模块,与数据转换模块相连接,用于根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制,充电器为对电池进行充电的装置;
可视化模块,与数据采集模块和节能管理模块相连接,用于通过图表显示电池的充放电参数,并提示用户相应的维护措施;
其中,设置温度的限制条件以监控电池的充放电过程。
2.根据权利要求1的基于大数据可视化的电池状态分析系统,其特征在于:
数据采集模块包括:
电压采集单元,包含电压采样电路,通过电压分压和采样保持对电池的充放电过程中的电压进行采样,获得电压数据;
电流采集单元,包含采样电阻,通过检测两端电压降下对电池的充放电过程中的电流进行采样,获得电流数据;
充电曲线单元,分别与电压采集单元和电流采集单元连接,通过检测不同充电阶段的电压和电流,获得电池的充放电曲线数据;
温度采集单元,包含温度传感器,通过热敏电阻或热电偶元件检测电池表面温度,获得温度数据;
内阻测试单元,包含交流小信号发生器,通过交流小信号检测电池的充放电过程中的电压和电流,获得内阻数据;
寿命检测单元,包含集成电路芯片,通过校正内阻和检测容量衰减,获得包含剩余寿命的电池健康状态数据。
3.根据权利要求1的基于大数据可视化的电池状态分析系统,其特征在于:
数据转换模块包括:
模型建立单元,利用emodel工具,根据采集的充放电参数建立电池充放电模型;
参数标定单元,采用粒子群优化算法标定电池充放电模型中的参数,通过最小化模型输出与采集充电曲线数据的误差,调整电池充放电模型的参数;
状态预测单元,采用卡尔曼过滤器状态空间模型,根据采集的充放电参数,预测电池的剩余容量和容量衰减状态;
数据分析单元,采用基于增量学习的电池老化模型,根据聚类分析的充放电参数,预测电池健康状态数据。
4.根据权利要求3的基于大数据可视化的电池状态分析系统,其特征在于:
节能管理模块包括:
策略设置单元,根据数据转换模块预测的电池的容量衰减状态,设置恒流恒压的多阶段充电策略;
PID计算单元,采用在线自适应调节PID控制参数的增强PID算法,根据设置的多阶段充电策略和采集的电压数据、电流数据和温度数据,计算充电器的目标电压和目标电流;
控制单元,采用DSP数字信号处理算法,根据PID计算单元获得的目标电压和目标电流,控制充电器的输出电压和输出电流,对电池进行充电控制;
效率评估单元,通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率;
优化单元,利用极限学习机算法,根据充电效率的评估结果,调整多阶段充电策略和PID控制参数。
5.一种基于大数据可视化的电池状态分析方法,用于分析如权利要求1至4中任一项所述的基于大数据可视化的电池状态分析系统,其特征在于,包括:
数据采集步骤,采集不同类型电池的充放电参数,充放电参数包含电压数据、电流数据、充放电曲线数据、温度数据、内阻数据和电池健康状态数据;
模型预测步骤,根据采集的充放电参数建立电池充放电模型和电池老化模型,并预测电池的充放电参数;
充电控制步骤,根据预测的充放电参数设置多阶段充电策略,并通过PID或增强PID算法计算并控制充电器的输出电压和输出电流,对电池的充电电压和充电电流进行控制,充电器为对电池进行充电的装置;
可视化显示步骤,通过图表显示电池的充放电参数,并提示用户相应的维护措施;
其中,设置第一温度阈值,当电池温度大于第一温度阈值时,停止充电;设置第二温度阈值,当电池温度小于第二温度阈值时,停止放电;设置温度速率限值,当温度速率大于限值时,停止充电或放电。
6.根据权利要求5的基于大数据可视化的电池状态分析方法,其特征在于:
数据采集步骤包括:
设置电压采样电路对电池充放电过程中的电压进行采样,获得电压数据,采样方式为电压分压和采样保持;
设置采样电阻检测充放电过程中电池两端电压降下对电流进行采样,获得电流数据;
通过充电曲线单元分别与电压、电流采集单元连接,检测不同充电阶段的电压和电流,获得电池的充放电曲线数据;
利用温度传感器,采用热敏电阻或热电偶元件检测电池表面温度,获得温度数据;
利用交流小信号发生器,采用交流小信号检测电池充放电过程中的电压和电流,获得内阻数据;
利用集成电路芯片,通过校正内阻和检测容量衰减,获得包含剩余寿命的电池健康状态数据。
7.根据权利要求5的基于大数据可视化的电池状态分析方法,其特征在于:
模型预测步骤包括:
利用emodel工具,通过拟合采集的充放电参数建立电池充放电模型;
采用粒子群优化算法标定电池充放电模型中的参数,通过最小化模型输出与实际采集充电曲线数据的误差,调整电池充放电模型的参数,以使标定后的模型输出曲线与实际采集曲线的均方根误差最小;
采用卡尔曼过滤器状态空间模型,根据采集的充放电参数,预测电池的剩余容量和容量衰减状态,容量衰减状态为电池初期容量与预测剩余容量之差,其中,电池初期容量为电池出厂时的初始可用容量,预测剩余容量为通过卡尔曼过滤器状态空间模型获得的电池当前充电后可用容量;
采用基于增量学习的电池老化模型,根据聚类分析的充放电参数,预测电池健康状态数据,用于评估电池的老化程度和剩余使用寿命;其中,电池健康状态数据包含内阻增长率、容量衰减率和循环次数;内阻增长率表示电池内部化学反应的活性下降;容量衰减率表示电池提供容量的减少;循环次数表示电池的充放电循环次数。
8.根据权利要求7的基于大数据可视化的电池状态分析方法,其特征在于:
充电控制步骤包括:
根据数据转换模块预测的电池的容量衰减状态,设置恒流恒压的多阶段充电策略;
采用在线自适应调节PID控制参数的增强PID算法,根据设置的多阶段充电策略和采集的电压数据、电流数据和温度数据,计算充电器的目标电压和目标电流;
采用DSP数字信号处理算法,根据PID计算步骤获得的目标电压和目标电流,控制充电器的输出电压和输出电流,对电池进行充电控制;
通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率;
利用极限学习机算法,根据充电效率的评估结果,调整多阶段充电策略和PID控制参数。
9.根据权利要求8的基于大数据可视化的电池状态分析方法,其特征在于:
设置恒流恒压的多阶段充电策略包括:
当电池容量衰减大于第一阈值N1时,采用两阶段充电策略,其中,
第一阶段以第一电流I1进行恒流充电,直至电池电压达到第一截止电压U1,第一截止电压U1的取值范围为3.6V至4.2V;
第二阶段以第一截止电压U1进行恒压充电,直至充电电流减小到第二电流I2;
当电池容量衰减大于第二阈值N2时,采用三阶段充电策略,其中第二阈值N2大于第一阈值N1,三阶段充电策略包含:
第一阶段以第一电流I1进行恒流预充电,预充电时间为T分钟;
第二阶段以第三电流I3进行恒流充电,直至电池电压达到第二截止电压U2,第二截止电压U2的取值范围为4.1V至4.5V;
第三阶段以第二截止电压U2进行恒压充电,直至充电电流减小到第二电流I2。
10.根据权利要求8的基于大数据可视化的电池状态分析方法,其特征在于:
通过分析不同充电策略下电池的充放电曲线,采用曲线极限点比较算法评估电池的充电效率包括如下步骤:
获取不同充电策略下电池的充放电曲线的特征点参数,特征点参数包含最大电压、最小电压、平均电压、电压方差和达到截止电压时间;
设置包含充电安全指标、充电快速性指标和曲线平滑性指标的充电效率评分标准,根据AHP算法确定充电安全指标、充电快速性指标和曲线平滑性指标的权重;
根据AHP算法确定的权重,利用加权决策方法,计算各个充电策略对应的充电效率的评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311621833.5A CN117318255B (zh) | 2023-11-30 | 2023-11-30 | 一种基于大数据可视化的电池状态分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311621833.5A CN117318255B (zh) | 2023-11-30 | 2023-11-30 | 一种基于大数据可视化的电池状态分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117318255A true CN117318255A (zh) | 2023-12-29 |
CN117318255B CN117318255B (zh) | 2024-02-20 |
Family
ID=89297658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311621833.5A Active CN117318255B (zh) | 2023-11-30 | 2023-11-30 | 一种基于大数据可视化的电池状态分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318255B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117549883A (zh) * | 2024-01-12 | 2024-02-13 | 山东赛马力发电设备有限公司 | 一种混动汽车电池组安全监管系统 |
CN117595462A (zh) * | 2024-01-18 | 2024-02-23 | 苏州思道尔新能源科技有限公司 | 一种二次储能电池组的自适应充放电控制系统及其控制方法 |
CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
CN117595462B (zh) * | 2024-01-18 | 2024-05-17 | 苏州思道尔新能源科技有限公司 | 一种二次储能电池组的自适应充放电控制系统及其控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN108649631A (zh) * | 2018-05-06 | 2018-10-12 | 深圳市保千里电子有限公司 | 一种安全的充电管理方法及系统 |
CN111126825A (zh) * | 2019-12-19 | 2020-05-08 | 广东维可特科技有限公司 | 一种可视化电池智能充放电节能管理系统及其控制方法 |
CN114219214A (zh) * | 2021-11-16 | 2022-03-22 | 国网辽宁省电力有限公司经济技术研究院 | 考虑新能源与电动汽车接入的电网综合风险评估体系 |
CN114545242A (zh) * | 2022-02-25 | 2022-05-27 | 中国人民解放军陆军工程大学 | 一种蓄电池综合智能管理系统 |
CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116961186A (zh) * | 2023-07-25 | 2023-10-27 | 江西德泰智控电源有限公司 | 一种锂电池控制系统及其控制方法 |
-
2023
- 2023-11-30 CN CN202311621833.5A patent/CN117318255B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN108649631A (zh) * | 2018-05-06 | 2018-10-12 | 深圳市保千里电子有限公司 | 一种安全的充电管理方法及系统 |
CN111126825A (zh) * | 2019-12-19 | 2020-05-08 | 广东维可特科技有限公司 | 一种可视化电池智能充放电节能管理系统及其控制方法 |
CN114219214A (zh) * | 2021-11-16 | 2022-03-22 | 国网辽宁省电力有限公司经济技术研究院 | 考虑新能源与电动汽车接入的电网综合风险评估体系 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN114545242A (zh) * | 2022-02-25 | 2022-05-27 | 中国人民解放军陆军工程大学 | 一种蓄电池综合智能管理系统 |
CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
CN116961186A (zh) * | 2023-07-25 | 2023-10-27 | 江西德泰智控电源有限公司 | 一种锂电池控制系统及其控制方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117549883A (zh) * | 2024-01-12 | 2024-02-13 | 山东赛马力发电设备有限公司 | 一种混动汽车电池组安全监管系统 |
CN117549883B (zh) * | 2024-01-12 | 2024-03-29 | 山东赛马力发电设备有限公司 | 一种混动汽车电池组安全监管系统 |
CN117595462A (zh) * | 2024-01-18 | 2024-02-23 | 苏州思道尔新能源科技有限公司 | 一种二次储能电池组的自适应充放电控制系统及其控制方法 |
CN117595462B (zh) * | 2024-01-18 | 2024-05-17 | 苏州思道尔新能源科技有限公司 | 一种二次储能电池组的自适应充放电控制系统及其控制方法 |
CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
CN117613430B (zh) * | 2024-01-22 | 2024-04-12 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117318255B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117318255B (zh) | 一种基于大数据可视化的电池状态分析系统及方法 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
US9846886B2 (en) | Strategic modeling for economic optimization of grid-tied energy assets | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
JP5038258B2 (ja) | 残容量推定方法および残容量推定装置 | |
JPH08140270A (ja) | 二次電池のパラメータ測定方法ならびにそれを用いた二次電池の充放電制御方法および寿命予測方法、ならびに、二次電池の充放電制御装置およびそれを用いた電力貯蔵装置 | |
US11099240B2 (en) | Device and method for evaluating energy storage device and evaluation system | |
CN111781507B (zh) | 一种soc值显示方法、装置及储能系统 | |
Bockrath et al. | State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
AU2020387253A1 (en) | Evaluation device, computer program, and evaluation method | |
CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
Yang et al. | Balancing awareness fast charging control for lithium-ion battery pack using deep reinforcement learning | |
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 | |
CN115693916B (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN116794540A (zh) | 一种电池性能预判方法、装置及存储介质 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
Hai et al. | Aging performances and cycle-life predictions of Li-ion battery | |
US11733313B2 (en) | Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
CN117220318B (zh) | 电网数字化驱动控制方法及系统 | |
Kumar et al. | Battery management in electrical vehicles using machine learning techniques | |
US20230268753A1 (en) | Intelligent battery charging based on history | |
Huang et al. | Evaluation index of battery pack of energy storage station based on RB recession mechanism | |
Mehta et al. | FMDB Transactions on Sustainable Energy Sequence |
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 |