CN117410625B - 基于主动均衡bms的高能量密度液冷式储能系统 - Google Patents

基于主动均衡bms的高能量密度液冷式储能系统 Download PDF

Info

Publication number
CN117410625B
CN117410625B CN202311531024.5A CN202311531024A CN117410625B CN 117410625 B CN117410625 B CN 117410625B CN 202311531024 A CN202311531024 A CN 202311531024A CN 117410625 B CN117410625 B CN 117410625B
Authority
CN
China
Prior art keywords
battery pack
battery
target characteristic
temperature
parameters
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
Application number
CN202311531024.5A
Other languages
English (en)
Other versions
CN117410625A (zh
Inventor
路加
张春吉
韩爱华
韩振雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinzhe Energy Technology Co ltd
Original Assignee
Xinzhe Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinzhe Energy Technology Co ltd filed Critical Xinzhe Energy Technology Co ltd
Priority to CN202311531024.5A priority Critical patent/CN117410625B/zh
Publication of CN117410625A publication Critical patent/CN117410625A/zh
Application granted granted Critical
Publication of CN117410625B publication Critical patent/CN117410625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
    • 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
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte 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
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/613—Cooling or keeping cold
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/617—Types of temperature control for achieving uniformity or desired distribution of temperature
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/65—Means for temperature control structurally associated with the cells
    • H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
    • H01M10/6567—Liquids
    • 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
    • H02J15/00—Systems for storing electric energy
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J7/0047—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
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
    • 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
    • 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)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于主动均衡BMS的高能量密度液冷式储能系统。本发明针对高能量密度液冷式储能系统中的电池组热管理问题，运用主动均衡BMS策略与冷却控制相结合，以实现对电池组的均衡和温度控制；其中主动均衡BMS策略基于智能体模型原型建立电池组的描述模型，从而根据当前的电池组温度状态和环境条件，针对性能和预期寿命最优化目标选择最优的主动均衡策略，以实现电池组的均衡温度控制，进而将优化得到的均衡策略转化为具体的控制指令，实现对冷却系统的控制。

Description

基于主动均衡BMS的高能量密度液冷式储能系统
技术领域
本发明涉及电力储能技术领域，特别涉及一种基于主动均衡BMS的高能量密度液冷式储能系统。
背景技术
电源侧电力储能系统是近年来迅速发展的技术方向，广泛应用于可再生能源并网、电力削峰填谷调峰、电网二次调频、电力发电机组辅助建设更新等场景。其中，高能量密度液冷式储能系统是电力储能系统的一个重要产品形态。
高能量密度液冷式储能系统通常由以下几个主要组成部分构成：（1）电池组：作为储能系统的核心部分，电池组由多个电池单体组成，可以是锂离子电池、钠硫电池、镍镉电池等。电池组负责储存和释放电能。（2）冷却系统：液冷式储能系统采用液体冷却来控制电池组的温度，以维持电池组的正常工作温度范围。冷却系统通常包括冷却剂、冷却管路、冷却泵等组件。（3）热管理系统：热管理系统用于控制电池组的温度分布，以确保电池组各个部分的温度均匀。（4）控制系统：控制系统负责监测和控制储能系统的运行状态，包括电池组的电压、电流、温度等参数的监测和控制，以及冷却系统和热管理系统的控制。（5）电力转换系统：电力转换系统用于将储存的电能转换为可用的电力输出，或将外部电力输入储能系统进行充电。电力转换系统通常包括逆变器、变压器、充电器等组件。（6）安全保护系统：安全保护系统用于监测和保护储能系统的安全性，包括过电流保护、过温保护、短路保护等功能。
为了维护电池组的性能、稳定性和预期寿命，需要采用主动均衡BMS（BatteryManagement System）技术。主动均衡BMS技术实现对储能系统中管理和监控电池组的功能，主要包括以下几个方面：（1）电池状态监测：主动均衡BMS系统能够实时监测电池组的电压、电流、温度等参数，以及电池的健康状态，包括容量、内阻、剩余寿命等。通过对电池状态的监测，系统可以及时发现电池组中存在的问题，并采取相应的措施进行处理。（2）均衡控制：主动均衡BMS系统能够对电池组中的每个单体电池进行均衡控制，以确保各个单体电池之间的电荷状态保持一致。通过均衡控制，系统可以避免电池组中出现电池之间的电压差异过大，从而提高电池组的整体性能和寿命。（3）充放电控制：主动均衡BMS系统能够对电池组的充放电过程进行控制和管理，以确保电池组在充放电过程中的安全性和稳定性。系统可以根据电池组的实际状态和需求，调整充放电电流和电压，以最大程度地提高电池组的效率和使用寿命。（4）故障诊断和保护：主动均衡BMS系统能够对电池组中的故障进行诊断和保护。系统可以通过监测电池组的各项参数，及时发现电池组中存在的故障，并采取相应的措施进行保护，以避免故障扩大和对整个系统的影响。
然而，目前主动均衡BMS系统的功能主要集中在充放电控制策略方面，以及故障诊断和保护。针对高能量密度液冷式储能系统的热管理，目前尚缺乏有效的主动均衡BMS系统，能够对电池组的温度进行均衡调控，提高电池组的性能和寿命，确保电池组的安全和稳定运行。
发明内容
本发明提供一种基于主动均衡BMS的高能量密度液冷式储能系统。本发明针对高能量密度液冷式储能系统中的电池组热管理问题，运用主动均衡BMS策略与冷却控制相结合，以实现对电池组的均衡和温度控制；其中主动均衡BMS策略基于智能体模型原型建立电池组的描述模型，从而根据当前的电池组温度状态和环境条件，针对性能和预期寿命最优化目标选择最优的主动均衡策略，以实现电池组的均衡温度控制，进而将优化得到的均衡策略转化为具体的控制指令，实现对冷却系统的控制。
本发明的基于主动均衡BMS的高能量密度液冷式储能系统，其特征在于，包括：
电池组，由多个电池单体组成，用于储存和释放电能；
冷却系统，利用液体冷却来控制电池组的温度，以维持电池组的正常工作温度范围；
热管理系统，基于智能体模型原型建立电池组的描述模型，从而根据当前的电池状态和环境温度状态，针对性能和预期寿命最优化目标，选择最优的主动均衡策略，以实现电池组的均衡温度控制，以确保电池组各个部分的温度均匀；
控制系统负责监测和控制储能系统的运行状态，包括电池组的电压、电流、温度和冷却系统的压力、流量参数的监测和控制；以及根据热管理系统主动均衡策略，执行对冷却系统的控制；
电力转换系统，用于将储存的电能转换为可用的电力输出，或将外部电力输入储能系统进行充电。
优选的是，所述系统还包括：安全保护系统，用于监测和保护储能系统的安全性。
优选的是，所述控制系统利用分布设置在高能量密度液冷式储能系统的电池组各个电池单体以及冷却系统的传感器，执行数据采集和监测，实时采集电池组各个电池单体的电压、电流、温度和冷却系统的压力、流量参数，以及各个电池单体的环境温度状态，并将这些数据传输给热管理系统。
优选的是，所述热管理系统对每个电池单体的电压、电流、温度参数的历史工况信息进行获取，获取的所述工况信息包括电池运行于稳态、开路电压、变载、启停、高负载各种工况模式，以及在每种工况模式下的单体电池的温度均值。
优选的是，热管理系统提取历史工况的参数信息中，影响电池性能和寿命的目标特征参数；具体的，所述目标特征参数用预定时间长度内各种工况模式的温度均值作为目标特征，组成表示目标特征参数的特征向量组；并且，将提取到的目标特征参数按照时间序列分组，得到多组基于时间序列的目标特征参数组。
优选的是，所述热管理系统基于智能体模型原型建立电池组的描述模型，该模型基于反映每个电池单体的电压、电流、温度参数的历史工况分布的上述目标特征参数组，预测该电池单体的性能和预期寿命，并将目标特征参数组作为训练样本，对该模型进行训练。
优选的是，热管理系统采用无监督对比学习预训练机制的神经网络模型作为所述智能体模型，该模型包括一个基于无监督对比学习机制的预训练特征提取器以及一个迁移学习分类器，所述预训练特征提取器包括查询编码器和动量编码器，二者均为深度神经网络。
优选的是，热管理系统利用具备电池性能和寿命衰减率标签的目标特征参数对所述迁移学习分类器进行训练调参，获得最终所得的电池组的描述模型，进而，根据当前的电池状态和环境温度状态输入以上电池组的描述模型，从而对电池组的性能和寿命进行预测。
优选的是，所述控制系统根据热管理系统确定的均衡策略，根据冷却液的流速调整、冷却液的流向控制的需要，生成并向冷却系统下达控制指令，这些指令通过控制阀门、泵实现冷却系统的控制。
优选的是，所述控制系统还执行故障诊断和保护，通过监测数据来进行电池组及冷却系统故障诊断，并采取相应的保护措施。
可见，本发明针对高能量密度液冷式储能系统中的电池组热管理问题，运用主动均衡BMS策略与冷却控制相结合，以实现对电池组的均衡和温度控制；其中主动均衡BMS策略基于智能体模型原型建立电池组的描述模型，从而根据当前的电池组温度状态和环境条件，针对性能和预期寿命最优化目标选择最优的主动均衡策略，以实现电池组的均衡温度控制，进而将优化得到的均衡策略转化为具体的控制指令，实现对冷却系统的控制。
附图说明
下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的主动均衡BMS的高能量密度液冷式储能系统结构图；
图2是本发明提供的高能量密度液冷式储能系统的主动均衡BMS流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面参考图1，本发明提供的主动均衡BMS的高能量密度液冷式储能系统，包括以下部分。
电池组1，作为储能系统的核心部分，电池组由多个电池单体组成，可以是锂离子电池、钠硫电池、镍镉电池等。电池组负责储存和释放电能。
冷却系统2，液冷式储能系统采用液体冷却来控制电池组的温度，以维持电池组的正常工作温度范围。冷却系统通常包括冷却剂、冷却管路、冷却泵等组件。
热管理系统3，基于智能体模型原型建立电池组的描述模型，从而根据当前的电池状态和环境温度状态，针对性能和预期寿命最优化目标，选择最优的主动均衡策略，以实现电池组的均衡温度控制，以确保电池组各个部分的温度均匀；
控制系统4：控制系统负责监测和控制储能系统的运行状态，包括电池组的电压、电流、温度和冷却系统的压力、流量等参数的监测和控制；以及根据热管理系统主动均衡策略，执行对冷却系统的控制。
电力转换系统5，用于将储存的电能转换为可用的电力输出，或将外部电力输入储能系统进行充电。电力转换系统通常包括逆变器、变压器、充电器等组件。
所述系统还包括：安全保护系统安全保护系统用于监测和保护储能系统的安全性，包括过电流保护、过温保护、短路保护等功能。
下面就本系统如何运用主动均衡BMS策略与冷却控制相结合，以实现对电池组的均衡和温度控制进行详细介绍。
其中，所述控制系统4利用分布设置在高能量密度液冷式储能系统的电池组各个电池单体以及冷却系统2的传感器，执行数据采集和监测，实时采集电池组1各个电池单体的电压、电流、温度和冷却系统2的压力、流量等参数，以及各个电池单体的环境温度状态，并将这些数据传输给热管理系统。
所述热管理系统3基于智能体模型原型建立电池组的描述模型，该模型基于电池组中每个电池单体的电压、电流、温度等参数的历史工况分布，预测该电池单体的性能和预期寿命。所述智能体模型通过迁移学习的优化算法，在智能体模型原型基础上为当前电池组的每个单体训练特异化的预测模型。
具体的，热管理系统3对每个电池单体的电压、电流、温度等参数的历史工况信息进行获取，从而在数据层面上来推导电池单体性能和预期寿命的衰减。因此，需要对某一时间段内（如1000、2000小时等）电池单体的运行数据进行采集，获取的所述工况信息包括电池运行于稳态、开路电压、变载、启停、高负载等各种工况模式，以及在每种工况模式下的单体电池的温度均值。其中，电池运行于稳态工况对性能和寿命影响较小；运行于开路电压工况会对造成性能衰减；运行于变载工况引起性能衰减；运行于启停工况造成寿命衰减；运行于高负载工况也会造成寿命衰减。
热管理系统3提取历史工况的参数信息中，影响电池性能和寿命的目标特征参数；具体的，所述目标特征参数用预定时间长度内各种工况模式的温度均值作为目标特征，组成表示目标特征参数的特征向量组，表示为：
；
其中分别表示在某一预定时间长度内电池运行于稳态工况的温度均值，同理，/>分别表示该预定时间长度内电池分别运行于开路电压、变载、启停、高负载工况的温度均值，以上目标特征组成的一个特征向量组表示该预定时间长度的目标特征参数。
热管理系统3将提取到的目标特征参数按照时间序列分组，得到多组基于时间序列的目标特征参数组；具体的，对于上述预定时间长度内的工况信息，将整个测试时间拆分为由N个预定时间长度组成时间序列，并且将每个预定时间长度对应的所述目标特征参数按照时间序列分组和按照时序排序，形成目标特征参数组：/>。
热管理系统3基于智能体模型原型建立电池组的描述模型，该模型基于反映每个电池单体的电压、电流、温度等参数的历史工况分布的上述目标特征参数组，预测该电池单体的性能和预期寿命，并将目标特征参数组作为训练样本，对该模型进行训练。
热管理系统3采用无监督对比学习预训练机制的神经网络模型作为所述智能体模型，该模型可以包括一个基于无监督对比学习机制的预训练特征提取器以及一个迁移学习分类器。所述预训练特征提取器包括查询编码器和动量编码器，二者均为深度神经网络。查询编码器表示为，这里/>表示一个正样本对中的一个锚点样本，/>是该查询编码器的神经网络的中隐藏层和输出层所有参数构成的参数向量。动量编码器表示为/>，/>表示正样本对中的锚点样本之外的样本或者一个其他负样本，/>是该动量编码器的神经网络中隐藏层和输出层所有参数构成的参数向量。动量编码器的输出连接到存放其输出的键值的字典队列/>，该字典队列/>形式为/>, />是动量编码器输出特征的维度，/>为队列长度。所述迁移学习分类器基于迁移学习机制，将上述经过无监督对比学习预训练后的预训练特征提取器迁移至自身神经网络分类器的特征提取层，作为自身特征提取层的初始化参数；特征提取层连接到全连接层，进而全连接层产生分类结果。
热管理系统3对智能体模型原型输入多组基于时间序列的目标特征参数组进行预训练，从而建立电池组的描述模型。具体来说，初始化查询编码器和动量编码器的神经网络参数/>；进而，在每一轮训练轮次，将目标特征参数组随机分成大小为/>的小批量样本: />, />是批次数；对于每个大小为/>的小批量样本/>先做一次数据增强/>,得到一个批量的查询样本/>；进而，对每个大小为/>的小批量样本/>再做一次数据增强：/>得到一个批量的查询样本/>；/>和/>是经过同一个批次的样本/>经过不同的数据增强得到的预处理样本，因此，/>和/>之间相同位置的样本构成正样本对，队列中此时的字典队列构成负样本；将预处理样本，分别输入查询编码器网络和动量编码器网络；其中，将/>输入查询编码器，得到查询特征：/>，这里，/>的形式为/>; 将/>输入动量编码器，得到键特征：/>；这里，/>的形状也为/>；分别计算正负样本特征的logits值：正样本特征的logits为：/>, 这里，/>是/>的第/>行，/>是/>的第/>行, />表示向量内积运算，/>,/>形式为/>;负样本特征的logits值为：/>,这里，/>形式为/>，/>是两个矩阵相乘；计算小批量样本对应 InfoNCE损失，先计算：
；
这里, 表示/>的第/>列向量，/>函数作用在列向量上的输出定义为对该向量逐元求指数后构成的向量,/>函数类似，故，/>为/>的向量；/>是温度超参数，/>是动态字典的长度；再求出小批量样本/>对应 InfoNCE损失：这里, />表示/>的第/>个元素, />；进而，计算/>关于查询编码器参数/>的梯度：/>；分别更新查询编码器参数/>和动量编码器网络参数向量/>：
；
；
这里, 是学习率, />是动量参数；并且，根据先进先出原则，更新字典/>：将最新的键/>放入队列/>，将最早的键移出队列/>；最终，通过预训练，输出查询编码器网络优化后的最优参数向量/>，得到无监督预训练的特征提取器神经网络/>。将预训练获得的特征提取器迁移到所述迁移学习分类器的特征提取层；将其最优参数向量/>作为迁移学习分类器的特征提取层的初始化参数，即迁移学习分类器的特征提取层表示为,在特征提取层之后连接一个全连接层的感知网络，全连接层表示为函数。从而，所述迁移学习分类器的特征提取层和全连接层组成复合函数。
热管理系统3利用具备电池性能和寿命衰减率标签的目标特征参数对所述迁移学习分类器进行训练调参，获得最终所得的电池组的描述模型。具体的，对于初步得到的迁移学习分类器，还需要对其进行参数调整训练，从而使预测模型获得更加精确的预测效果。因此，需要获取目标特征参数属性，根据目标特征参数属性计算在对应目标特征参数条件下的电池性能和寿命衰减情况。其中，目标特征参数属性包括在该目标特征参数下的电池组的平均电压、电池单体电压、系统停机时间以及开机最高电压数据，根据这些数据，可以计算电池性能和寿命衰减情况，具体计算公式如下：
；
其中，表示真实电压变化率，/>表示电池单体电压，/>表示电池组平均电压，表示性能和寿命衰减因子随电压的变化率，/>为自然对数，/>表示时间，/>表示正则化的电池ECSA当前值，/>表示寿命衰减因子，/>表示电压衰减状态，/>、/>、/>、/>、/>、、/>、/>均为实验结果的拟合测得的电池参量。
从而，所述热管理系统3根据当前的电池状态和环境温度状态输入以上电池组的描述模型，从而对电池组的性能和寿命进行预测。针对性能和预期寿命最优化目标，选择最优的主动均衡策略，以实现电池组的均衡温度控制，以确保电池组各个部分的温度均匀；所述主动均衡策略可以包括冷却液的流速调整、冷却液的流向控制等。
所述控制系统4根据热管理系统3确定的均衡策略，根据冷却液的流速调整、冷却液的流向控制的需要，生成并向冷却系统下达控制指令，这些指令可以通过控制阀门、泵等设备来实现冷却系统的控制。并且，所述控制系统4执行实时控制和调整，即实时监测电池组的电压、电流、温度参数和环境温度状态，并根据反馈信息对控制指令进行调整。所述控制系统4还执行故障诊断和保护，可以通过监测数据来进行电池组及冷却系统故障诊断，并采取相应的保护措施，例如关闭故障单元的冷却液流动，以防止故障扩散。
从而，参见图2，本发明提供了一种高能量密度液冷式储能系统的主动均衡BMS方法，包括：
步骤S1：利用分布设置在高能量密度液冷式储能系统的电池组各个电池单体以及冷却系统的传感器，执行数据采集和监测，实时采集电池组各个电池单体的电压、电流、温度和冷却系统的压力、流量等参数，以及各个电池单体的环境温度状态；
步骤S2：基于智能体模型原型建立电池组的描述模型，该模型基于电池组中每个电池单体的电压、电流、温度等参数的历史工况分布，预测该电池单体的性能和预期寿命；
步骤S3：根据当前的电池状态和环境温度状态输入以上电池组的描述模型，从而对电池组的性能和寿命进行预测。针对性能和预期寿命最优化目标，选择最优的主动均衡策略，以实现电池组的均衡温度控制，以确保电池组各个部分的温度均匀。
可见，本发明针对高能量密度液冷式储能系统中的电池组热管理问题，运用主动均衡BMS策略与冷却控制相结合，以实现对电池组的均衡和温度控制；其中主动均衡BMS策略基于智能体模型原型建立电池组的描述模型，从而根据当前的电池组温度状态和环境条件，针对性能和预期寿命最优化目标选择最优的主动均衡策略，以实现电池组的均衡温度控制，进而将优化得到的均衡策略转化为具体的控制指令，实现对冷却系统的控制。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于主动均衡BMS的高能量密度液冷式储能系统，其特征在于，包括：
电池组，由多个电池单体组成，用于储存和释放电能；
冷却系统，利用液体冷却来控制电池组的温度，以维持电池组的正常工作温度范围；
热管理系统，基于智能体模型原型建立电池组的描述模型，从而根据当前的电池状态和环境温度状态，针对性能和预期寿命最优化目标，选择最优的主动均衡策略，以实现电池组的均衡温度控制，以确保电池组各个部分的温度均匀；
其中，热管理系统提取历史工况的参数信息中，影响电池性能和寿命的目标特征参数；所述目标特征参数用预定时间长度内各种工况模式的温度均值作为目标特征，组成表示目标特征参数的特征向量组，表示为：
；
其中分别表示在某一预定时间长度内电池运行于稳态工况的温度均值，同理，分别表示该预定时间长度内电池分别运行于开路电压、变载、启停、高负载工况的温度均值，以上目标特征组成的一个特征向量组表示该预定时间长度的目标特征参数；
热管理系统将提取到的目标特征参数按照时间序列分组，得到多组基于时间序列的目标特征参数组；对于上述预定时间长度内的工况信息，将整个测试时间拆分为由N个预定时间长度组成时间序列，并且将每个预定时间长度对应的所述目标特征参数按照时间序列分组和按照时序排序，形成目标特征参数组：/>；
热管理系统基于智能体模型原型建立电池组的描述模型，该模型基于反映每个电池单体的电压、电流、温度参数的历史工况分布的上述目标特征参数组，预测该电池单体的性能和预期寿命，并将目标特征参数组作为训练样本，对该模型进行训练，
热管理系统对智能体模型原型输入多组基于时间序列的目标特征参数组进行预训练，从而建立电池组的描述模型，初始化查询编码器 和动量编码器/>的神经网络参数/>；进而，在每一轮训练轮次，将目标特征参数组随机分成大小为/>的小批量样本: />, /> 是批次数；对于每个大小为/>的小批量样本 /> 先做一次数据增强/>,得到一个批量的查询样本/>；进而，对每个大小为/>的小批量样本 /> 再做一次数据增强：得到一个批量的查询样本/>； />和/>是经过同一个批次的样本/>经过不同的数据增强得到的预处理样本，因此，/>和/>之间相同位置的样本构成正样本对，队列中此时的字典队列构成负样本；将预处理样本，分别输入查询编码器网络和动量编码器网络；其中，将/>输入查询编码器，得到查询特征：/>，这里，/>为/>; 将/>输入动量编码器，得到键特征：/>；这里，/>也为/>；分别计算正负样本特征的logits值：正样本特征的logits为：/>, 这里，/>是的第/>行，/>是/>的第/>行, />表示向量内积运算，/>,/>为/>;负样本特征的logits值为：/>,这里，/>为/>，/>是两个矩阵相乘；计算小批量样本对应 InfoNCE损失，先计算：
；
这里, 表示/>的第 />列向量， />函数作用在列向量上的输出定义为对该向量逐元求指数后构成的向量, />函数类似，故，/>为/> 的向量；/>是温度超参数，/>是动态字典的长度；再求出小批量样本 />对应 InfoNCE损失：这里, /> 表示/>的第 /> 个元素, />；进而，计算/>关于查询编码器参数/>的梯度：/>；分别更新查询编码器参数/>和动量编码器网络参数向量/>：
；
；
这里, 是学习率, /> 是动量参数；并且，根据先进先出原则，更新字典/>：将最新的键/>放入队列/>，将最早的键移出队列/>；最终，通过预训练，输出查询编码器网络优化后的最优参数向量/>，得到无监督预训练的特征提取器神经网络 />，将预训练获得的特征提取器迁移到所述迁移学习分类器的特征提取层；将其最优参数向量/>作为迁移学习分类器的特征提取层的初始化参数，即迁移学习分类器的特征提取层表示为,在特征提取层之后连接一个全连接层的感知网络，全连接层表示为函数，从而，所述迁移学习分类器的特征提取层和全连接层组成复合函数，
热管理系统利用具备电池性能和寿命衰减率标签的目标特征参数对所述迁移学习分类器进行训练调参，获得最终所得的电池组的描述模型，获取目标特征参数属性，根据目标特征参数属性计算在对应目标特征参数条件下的电池性能和寿命衰减情况，其中，目标特征参数属性包括在该目标特征参数下的电池组的平均电压、电池单体电压、系统停机时间以及开机最高电压数据，根据这些数据，计算电池性能和寿命衰减情况，具体计算公式如下：
；
其中，表示真实电压变化率，/>表示电池单体电压，/>表示电池组平均电压，/>表示性能和寿命衰减因子随电压的变化率，/>为自然对数，/>表示时间，/>表示正则化的电池ECSA当前值，/>表示寿命衰减因子，/>表示电压衰减状态，/>、/>、/>、/>、/>、/>、/>、均为实验结果的拟合测得的电池参量；
控制系统负责监测和控制储能系统的运行状态，包括电池组的电压、电流、温度和冷却系统的压力、流量参数的监测和控制；以及根据热管理系统主动均衡策略，执行对冷却系统的控制；
电力转换系统，用于将储存的电能转换为可用的电力输出，或将外部电力输入储能系统进行充电。
2.根据权利要求1所述的高能量密度液冷式储能系统，其特征在于，所述系统还包括：安全保护系统，用于监测和保护储能系统的安全性。
3.根据权利要求2所述的高能量密度液冷式储能系统，其特征在于，所述控制系统利用分布设置在高能量密度液冷式储能系统的电池组各个电池单体以及冷却系统的传感器，执行数据采集和监测，实时采集电池组各个电池单体的电压、电流、温度和冷却系统的压力、流量参数，以及各个电池单体的环境温度状态，并将这些数据传输给热管理系统。
4.根据权利要求3所述的高能量密度液冷式储能系统，其特征在于，所述控制系统根据热管理系统确定的均衡策略，根据冷却液的流速调整、冷却液的流向控制的需要，生成并向冷却系统下达控制指令，这些指令通过控制阀门、泵实现冷却系统的控制。
5.根据权利要求4所述的高能量密度液冷式储能系统，其特征在于，所述控制系统还执行故障诊断和保护，通过监测数据来进行电池组及冷却系统故障诊断，并采取相应的保护措施。
CN202311531024.5A 2023-11-16 2023-11-16 基于主动均衡bms的高能量密度液冷式储能系统 Active CN117410625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311531024.5A CN117410625B (zh) 2023-11-16 2023-11-16 基于主动均衡bms的高能量密度液冷式储能系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311531024.5A CN117410625B (zh) 2023-11-16 2023-11-16 基于主动均衡bms的高能量密度液冷式储能系统

Publications (2)

Publication Number Publication Date
CN117410625A CN117410625A (zh) 2024-01-16
CN117410625B true CN117410625B (zh) 2024-06-04

Family

ID=89490807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311531024.5A Active CN117410625B (zh) 2023-11-16 2023-11-16 基于主动均衡bms的高能量密度液冷式储能系统

Country Status (1)

Country Link
CN (1) CN117410625B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3885850A1 (en) * 2020-03-28 2021-09-29 Tata Consultancy Services Limited Multi-chiller scheduling using reinforcement learning with transfer learning for power consumption prediction
CN116776746A (zh) * 2023-08-18 2023-09-19 深圳市贝视特科技有限公司 一种基于流体动力学的储能液冷温控优化系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3885850A1 (en) * 2020-03-28 2021-09-29 Tata Consultancy Services Limited Multi-chiller scheduling using reinforcement learning with transfer learning for power consumption prediction
CN116776746A (zh) * 2023-08-18 2023-09-19 深圳市贝视特科技有限公司 一种基于流体动力学的储能液冷温控优化系统

Also Published As

Publication number Publication date
CN117410625A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
Vaideeswaran et al. Battery management systems for electric vehicles using lithium ion batteries
CN112434463B (zh) 一种车辆复合电源能量管理系统
CN113572221B (zh) 一种梯次利用电池组的多目标自适应均衡控制方法
CN112092676A (zh) 一种利用虚拟温度传感器对电池包温度场的估算修正方法
CN113224412B (zh) 动力电池的控温方法、ampc控制器、热管理系统及介质
CN109271700A (zh) 基于深度学习多层网络建模的电池热管理方法及系统
CN111898241B (zh) 一种锂电池系统冬季加热工况及寿命阶段推演方法
CN111953034A (zh) 一种电池均衡方法以及电池均衡设备
CN110492185A (zh) 一种锂电池组均衡方法及系统
Liang et al. Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation
CN117498555A (zh) 一种基于云边融合的储能电站智能运维系统
CN116072437A (zh) 一种储能热管理系统、控制方法及控制装置
CN115879370A (zh) 一种预测和监控锂离子电池组内部温度场的方法
CN117790985A (zh) 一种全浸没式液冷储能系统及其控制方法
CN117154906B (zh) 一种具有制冷功能的无线充电调控方法
CN117410625B (zh) 基于主动均衡bms的高能量密度液冷式储能系统
CN112345940A (zh) 基于soc预估的车辆复合电源系统模糊逻辑控制方法
Liu et al. Battery fault diagnosis scheme based on improved RBF neural network
Xinyu et al. SOC estimation of lithium battery based on IBAS-NARX neural network model
Tian et al. An H 2-consumption-minimization-based energy management strategy of hybrid fuel cell/battery power system for UAVs
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
Xiong et al. Low-temperature heating and optimal charging methods for lithium-ion batteries
Yan et al. SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM
CN117879115B (zh) 一种高能量转换效率的智能电源缓冲模块及实现方法
Mohapatra et al. Machine Learning–Based SoC Estimation: A Recent Advancement in Battery Energy Storage System

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