CN1268029C - 电池最佳充电曲线搜寻设备及方法 - Google Patents
电池最佳充电曲线搜寻设备及方法 Download PDFInfo
- Publication number
- CN1268029C CN1268029C CNB031413226A CN03141322A CN1268029C CN 1268029 C CN1268029 C CN 1268029C CN B031413226 A CNB031413226 A CN B031413226A CN 03141322 A CN03141322 A CN 03141322A CN 1268029 C CN1268029 C CN 1268029C
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- curve
- charge
- multistage
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- 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
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种电池最佳充电曲线搜寻设备及方法是以一可程序化的电池充放电模块,对一充电电池组进行多次多阶段充电测试,该测试是借由该电池充放电模块执行一组合式的最佳化问题搜寻算法的运算,借运算结果建立程序化的充电曲线,并依该充电曲线对该电池组进行多阶段充电,进而由该搜寻算法进行最大充电容量的搜寻,以搜寻得到该电池组的最佳充电曲线;这样既可使电池制造商在电池出厂前快速求取一最佳充电曲线,也可将该充电曲线加载至充电器中,以有效提高电池的充电效率与使用寿命。
Description
技术领域
本发明是关于一种电池最佳充电曲线搜寻设备及方法,特别是关于一种可有效提高电池充电效率与延长电池使用寿命的最佳充电曲线搜寻设备及方法
现有技术
随着电子产品的设计与制造尺寸日益缩小,各种便携式(Portable)电子产品改变了消费者的日常生活,产品向便携式发展这一趋势也使得此类产品中的可充电电池日益重要,例如锂电池、镍镉电池与镍氢电池等常用手机电池,如何在短时间即完成高容量充电,同时不致于在多次充电后降低此类电池的使用寿命,正为相关便携式电子产品是否可在市场更普及以更符合消费者的需求;此外,对于早已开发却未有实质性进展的电动机车,上述所说的充电效率与电池寿命问题同样是其难以推展的主因。
现有充电器采用的电池充电方式是定电流/定电压的方式,它是先以一定的电流对电池充电,待其达到该电池的电压上限(例如锂电池约为4.1至4.2伏特)时,再转为定电压充电,然而,现有的充电方式并不符合快速充电与延长电池使用寿命的需求,因为该定电压充电阶段会会大幅延长充电的时间,也会导致电池使用寿命降低;至于其它现有的多阶段充电方式,例如多阶段定电流充电(Multi-Step)或多阶段脉冲式电流(Multi-Step Pulsing)充电,其充电效率要高于定电流/定电压充电,但其充电时可供选择的充电曲线组合数极为惊人,且该数值会随着电池充电阶段数的增加与其电化学(Electrochemical)特性的复杂程度而渐增,往往会高达数十万组,电池制造商根本不可能在电池出厂前即先行测试出最佳充电组合并将其标示在电池上,该测试过程不但耗费大量人力物力,同时也会延误电池的上市时间;此外,对充电器制造商而言,由于它也无力为取得各类电池的最佳充电曲线而进行该测试,因此即便其所设计的充电器具备有可程序化的功能,也难以发挥最佳化控制的功效;因此,多阶段充电方式的充电效率与充电后电池寿命虽比定电流/定电压充电方式为佳,但是可发挥其最大功效的最佳充电曲线却难以通过快速搜寻取得,且随着电池种类的增加与电池制造配方的大幅改变,该最佳充电曲线的搜寻势必会更复杂,导致该多阶段充电方式的效率大打折扣,难以满足需要。
因此,如何建立一电池最佳充电曲线搜寻设备及方法,并将其运用于现有的多阶段充电中,提高搜寻速度,使电池制造商与充电器制造商可针对同型的电池搭配设计,并进而有效提高电池的充电效率与使用寿命,确是该相关研发领域亟需解决的课题。
发明内容
为克服上述现有技术的缺点,本发明的目的在于提供一种可快速搜寻出最佳电池充电曲线的设备及方法。
本发明的另一目的在于提供一种电池最佳充电曲线搜寻设备及方法,以有效提高电池的充电效率。
本发明的再一目的在于提供一种电池最佳充电曲线搜寻设备及方法,以有效提高电池的使用寿命。
为达上述及其它目的,本发明提供的电池最佳充电曲线搜寻设备,用以搜寻在一组多阶段充电中,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线的电池,经过多阶段充电后,电池的容量能够接近最大的充电容量,该搜寻设备包括:电池测试部,可对多个电池进行多阶段充电及测量各电池充电后的充电容量;蚂蚁式搜寻算法;以及运算处理部,可依据适用于组合式最佳化问题蚂蚁式的搜寻算法,如蚂蚁式搜寻算法,在求得该最佳充电曲线前,不断从该电池测试部接收各电池前一次充电后测量到的充电容量,根据各电池前一次充电后测量到的充电容量,决定各电池在下一次充电的充电曲线,并将各电池下一次的充电曲线提供给该电池测试部。
本发明提供的电池最佳充电曲线搜寻设备,是一可程序化的电池充放电模块,它包括:充电单元、放电单元以及一分别与该充电单元与该放电单元连接的中央处理单元,该中央处理单元是可执行一组合式最佳化问题(Combinatorial Optimization Problem)搜寻算法,如蚂蚁式搜寻算法,该可程序化的电池充放电模块可外接一充电电池组,以借由该中央处理单元对该组合式最佳化问题搜寻算法的运算,将一程序化的充电曲线输入该充电单元中,并依该充电曲线对该充电电池组进行一多阶段充电。
本发明提供的电池最佳充电曲线搜寻方法,用以搜寻一组多阶段充电中电池,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线经过多阶段充电后的电池接近其最大的充电容量,该方法包括以下步骤:(1)对多个电池进行多次、多阶段充电,并测量各电池充电后的充电容量,其中,第一次充电是按各电池的初始充电曲线,第二次充电以后则按下述步骤(2)中决定的各电池在下一次充电的充电曲线;(2)依据适用于组合式最佳化问题的蚂蚁式搜寻算法,从各电池前一次充电后测量得到的充电容量,决定各电池在下一次充电的充电曲线;以及(3)使各电池放电后重复上述步骤(1)、(2),直到步骤(2)中各电池在下一次充电的充电曲线中,有一定比例的充电曲线相同时,即结束搜寻并以该相同的充电曲线作为该最佳充电曲线。
本发明提供的电池最佳充电曲线搜寻方法是将一程序化的组合式最佳化问题搜寻算法输入一充电单元中,如蚂蚁式搜寻算法,并将该搜寻算法的搜寻目标设定为使电池的充电后容量最大化;对一电池组以多阶段充电方式进行充电,并在充电完成后测量该电池组的充电容量;重复对该电池组进行多次多阶段充电,并将每次充电后测量的电池组容量,结合该组合式最佳化问题搜寻算法进行运算,据此决定该电池组在下一次多阶段充电的充电曲线;当进行多阶段充电后的充电结果已达到一预先设定的充电最佳目标时,即可终止搜寻,并以该次充电时电池组中最多电池使用的充电曲线,做为该多阶段充电的最佳充电曲线。
借由上述电池最佳充电曲线搜寻设备与方法,电池制造商可在电池出厂前,即先行以一程序化的组合式最佳化问题搜寻算法预先输入该设备中,针对待出厂电池可能的充电曲线进行搜寻,并借由搜寻算法的数学原理,快速搜寻出充电效率最高的最佳充电曲线;可运用于本发明的组合式最佳化问题搜寻算法包括:蚂蚁式搜寻算法(AntColony System Algorithm)、演化式策略算法(Evolution Strategies)、基因算算法(Genetic Algorithms)、类神经网络(Neutral Networks)、以及仿真退火法(Simulated Annealing)等搜寻方法,此外,任何现有的多阶段组合式充电方法均可运用本发明进行搜寻测试,包括多阶段定电流充电、多阶段脉冲电流充电以及多阶段定电流/定电压充电等,均可搭配本发明进行测试以搜寻其个别的最佳充电曲线。
综上所述,本发明可在电池出厂前将取得的最佳充电曲线标示在电池上,也可将该搜寻结果提供给充电器制造商,加载至充电器并设定对不同种类电池的最佳充电曲线,如此,既可快速取得最佳充电曲线又不致延误产品上市时间,也可有效提高电池充电效率与使用寿命,充分符合使用者的需求。
附图说明
图1是本发明的电池最佳充电曲线搜寻设备配置图;
图2是一现有五阶段定电流充电方式示意图;
图3A至图3D是本发明的实施例采用的蚂蚁式搜寻算法的发展原理示意图;
图4是本发明的实施例设计原理示意图;
图5是本发明的实施例使用的搜寻设备示意图;
图6是本发明的实施例使用的搜寻方法流程图;
图7是本发明的实施例测试过程的电池充电容量趋势图;
图8是本发明的实施例测试过程的电池充电容量标准差趋势图;
图9是采用本发明实施例结果充电的电池其使用寿命与现有技术的比较图;以及
图10是采用本发明实施例充电的电池,其使用寿命与现有技术的另一比较图。
具体实施方式
实施例
本发明提出的电池最佳充电曲线搜寻设备1即如图1所示,其基本配置图是一可程序化的电池充放电模块10,并与多个电池组成的测试电池组20相连接,进行一程序化的多阶段充电与放电,其中,该可程序化的充放电模块10包括一中央处理单元11、充电单元12以及放电单元13,该中央处理单元11至少包括有一运算部与测量部(未标),其中,该运算部可将一程序化后的充电曲线(即多阶段充电的充电参数)输入该充电单元12中,使该充电单元12据该充电曲线对该测试电池组20中的多个电池进行多阶段充电,该中央处理单元的测量部可在充电后依据该放电单元13的放电结果,分别测量该测试电池组20中个别电池的充电后的容量,并将其输入至该中央处理单元的运算部,以计算出下一次多阶段充电的新充电曲线,进而将该程序化后的新充电曲线输入该充电单元12,以重复进行上述充电测试直至求得一可接受的最合适的充电曲线为止。
图2是一现有的五阶段定电流充电方式示意图,本发明的较佳实施例即采用此充电方式,作为求取最佳电池充电曲线(最佳充电电流组合)的范例,当然,本发明提出的方法也可适用于现有的多阶段脉冲电流充电或多阶段定电流/定电压充电等方式,同样可求取其最佳充电曲线;如图2所示,我们可先针对该五阶段充电方式分别设定一充电电流,且该设定电流值将随着阶段数的增加而减小,此设计是依据现有多阶段定电流充电的原理:当每一阶段的充电后电压达至该充电电池电压的上限时,充电电流值即降低至一预先设定值并进入下一阶段的充电,以避免电池端电压过高造成电池的毁损;由图中可看出,每一阶段的充电时间,视该阶段设定的电流值大小而定,因此,本发明要搜寻的最佳电池充电曲线,即是一可使最终充电效率最佳的五阶段电流组合,此外,为符合实际充电上的快速充电需求,以本实施例为例,测试前也需对其五阶段充电的总时间作一限制,以求取在该设定时间中可达最高充电效率的五阶段定电流充电曲线;表一所示即为本实施例使用的五阶段充电方式中可选择的充电电流值,其中各电流值的单位是该充电电池的标称容量(Rated Capacity)的对应充电电流值,此一电流选择组合是考虑本实施例所采用的手机用锂电池的电压上限(约4.1至4.2V)与设定的30分钟充电总时间而定,其五阶段组合共有171,072(12×12×12×11×9)种可能的充电曲线,而本发明要求取的最佳充电曲线,即是在该充电电池的电压上限限制的情况下,可在30分钟充电中达到最高充电容量的充电曲线,也就是该多阶段定电流充电中最佳的电流组合。
上述的171,072种充电曲线的组合,若依多阶段定电流充电的特性,则每阶段充电的电流值均需小于其前一阶段电流值,以避免电池的电压超过其电压上限,因此实际可适用于该五阶段定电流充电的组合应少于171,072组,但这仍是一个极大的数目,电池制造商不可能在出厂前先行针对此大量电流组合逐一测试,本发明提出的电池最佳充电曲线搜寻方法即可运用在此搜寻过程,能够快速求得该大量组合中的最佳充电曲线;本发明提出的方法是采用组合式最佳化问题(Combinatorial Optimization Problem)的搜寻算法,以借其快速寻找充电曲线的最佳解,此类搜寻算法在人工智能领域中已发展多时,本实施例采用近十年被提出的蚂蚁式搜寻算法(Ant Colony System Algorithm)解决此问题。图3A至图3D即为此搜寻算法的发展原理,它是依据自然界中蚂蚁觅食的原理设计的,由于蚂蚁在觅食时,会在其所经过的路径上留下一种称为信息素(Pheromone)的化学物质,而蚂蚁的天性会使每一只蚂蚁跟随先前蚂蚁前进的机率,与先前蚂蚁留下的信息素数量成正比,也就是在越多蚂蚁选择的路径上,其信息素的数量越多,而下一只蚂蚁选择此路径的机率也将越大。如图所示,当在蚂蚁巢穴与食物间放置一障碍物时,最初蚂蚁选择障碍物两端(M、N点)行走的机率将相同,但由于选择短端(M点)行走的蚂蚁会较快到达食物处,因此在单位时间中该短端路径上经过的蚂蚁数与残留的信息素数量将较长端路径多,进而使后续的多数蚂蚁均依循该信息素而选择短端路径,若时间足够长,最终所有蚂蚁将会如图3D所示全部选择短端路径,这就是蚂蚁觅食的最佳路径,此外,长时间没有蚂蚁经过的路径上的信息素会蒸发(Evaporation),这一现象会加速蚂蚁群寻得一最短的觅食路径。蚂蚁式搜寻算法就是根据这一自然界蚂蚁的特性,建立一虚拟蚁群的运算回路,使该虚拟蚁群开始搜寻一预先设定的最佳值(FitnessValue),该最佳值即用以模仿真实的蚁群觅食时所寻找的最短路径,其值可依该搜寻算法所要搜寻的标的而定,本搜寻算法的仿真方式在于建立一虚拟信息素的机率模型,其机率值将伴随一虚拟信息素函数的更新而更新,以作为虚拟蚁群选择路径所依据的机率,该路径选择机率函数是假设每一路径上虚拟信息素的数量与选择该路径的虚拟蚂蚁数成正比,因此在每一特定时间点上每一路径被选择的机率将会正比于从一开始至此时间点经过此路径的虚拟蚂蚁总数,此即该搜寻算法的设计原理,其中,该决定虚拟蚁群的选择的路径选择机率函数是如下所示:
其中,τ(N)是表示在第N次搜寻中,在路径(i,j)所残留的信息素数量,其是一随每次搜寻后即更新的虚拟信息素函数,而α则表示该机率函数的非线性程度,若α愈大,则若其中一路径的信息素数量较另一路径多,则其被蚂蚁选择的机率便会被放大愈多;此路径选择机率函数p(N)将在每完成一次搜寻后即更新,这是由于在此仿真搜寻中每进行一次搜寻后该信息素函数τ(N)将被设定更新一次,而其信息素的更新算法是如下所示:
其中,ρ是一参数,以使(1-ρ)表示信息素的蒸发比率,而Δk则是第k只蚂蚁在第N次搜寻中在路径(i,j)所残留的信息素量,其数值可表示为:
其中,Lk表示第k只蚂蚁的最佳值大小,其是用以仿真第k只真实蚂蚁所搜寻的路径长度,而Q是一预先设定的参数,上述的α、ρ、Q参数值均可由测试者视所要仿真的真实状况设定,此外,为模仿真实蚁群在单位时间在最短路径残留最多数量信息素的情形,我们可在进行第N次搜寻的所有虚拟蚂蚁寻得的路径中,针对一最短路径给予一额外的虚拟信息素增加量,使该路径可在后续搜寻中更易被蚁群所选择,以模仿真实蚁群的搜寻特性,该最佳路径的虚拟信息素增加算法是如下所示,其中,假设第N次搜寻中第1只蚂蚁所走的路径是该次搜寻中最短者,则该最短路径所残留的信息素数量将额外加上一增加量:
F(Il)是为第l只蚂蚁搜寻的路径长度,也就是其最佳函数值,Q则是与上述相同的参数;因此,如同真实蚁群的觅食特性,当本搜寻算法进行的搜寻次数愈多,使虚拟蚁群选择较佳路径的机率值p(N)便将愈大,作出同样较佳搜寻结果的虚拟蚁群所占全体蚁群的比率也将愈高,这一最多蚁群选择的搜寻路径即是一近似最佳路径,从理论上讲,当搜寻测试的次数极大时,所有虚拟蚁群均将选择同一最佳路径,在实际运用此搜寻算法解决问题时,若考虑测试的时间成本,则仅需当一定数量的虚拟蚁群均已选择同一路径时即可结束测试,该路径解即是本命题的近似最佳解(Near-Optimum Solution),而该用以决定测试是否可结束的判别条件则可由测试者预先设定。
因此,我们可将本实施例的电池五阶段充电的最佳充电曲线搜寻依蚂蚁式搜寻算法仿真成一如下的最佳化问题:
最大化
最佳函数F(I)
其中,F为电池充电容量
I=[I1 I2 I3 I4 I5]
受限于
Ii≥Ij若i<j,i,j=1...5
进行这一最佳化搜寻前可先行设定其它充电参数,例如测试电池数、五阶段充电总时间、终止测试条件等,本发明的实施例是针对15个手机用锂电池进行测试,并将五阶段充电总时间设定为30分钟,并以图1所示的测试设备与图2所示的五阶段定电流充电方式进行测试,可以图4表示本测试的设计原理,15只虚拟蚂蚁(即表示15个待充电的锂电池)将由起点巢穴出发,随机选择如表一所示的可选择充电电流值,如此进行五阶段电流选择并完成充电到达终点,即视为完成一次五阶段充电测试,此时,测试系统将依各虚拟蚂蚁选择的充电路径,计算其信息素函数并建立其路径选择机率函数,以作为第二次测试时虚拟蚂蚁选择充电路径的参考,如此重复更新信息素、机率函数与重复进行测试,直至该15只虚拟蚂蚁中有一定比例(即预先设定的终止测试条件)均选择相同的充电路径为止,此时该充电路径即为一近似最佳的充电电流组合,也就是在该充电条件下的此类型测试电池的最佳充电曲线,本实施例是设定当有60%的虚拟蚂蚁寻得相同的路径时即结束测试,也就是当15个测试电池中有9个电池采用相同的充电曲线充电时测试即终止;以下将更进一步说明本发明的实施例的实施方法。
图5显示本实施例使用的实际测试设备,它是由图1所示的配置图延伸,其中,采用一美国Bitrode公司开发的MCN型电池寿命测试机对测试用的电池进行充电与放电,本实施例是同时对15个锂电池进行测试,并在每次五阶段充电测试结束后纪录该次测试的充电结果,以借助外接的计算机进行蚂蚁搜寻算法的运算,根据该次充电结果更新下一次五阶段充电的信息素函数τ(N)与路径选择机率函数p(N),还将此程序化后的路径选择结果(充电曲线)输入该Bitrode MCN测试机中,以重复进行五阶段充电测试直至求得一可接受的充电曲线为止。
图6所示的流程图即是本实施例进行蚂蚁搜寻的测试流程,在步骤S10中先对要进行充电的15个锂电池进行测试,测试项目包括可接受的开路电压(OCV)、阻抗值、标称容量值与重量等,测试结果如表二所示,可依此结果设定电池的电压上限与单位充电电流C值等充电参数。步骤S15将进行蚂蚁式搜寻算法的设定,本实施例设定的参数分别为充电阶段数=5、可供选择的电流值则如上述表一所示,至于搜寻算法的参数,则分别设定成α=1.0、ρ=0.7、Q=800;完成设定后即进入步骤S20,对该15个锂电池进行多阶段定电流充电,其是由BitrodeMCN测试机根据已程序化的充电曲线进行充电,并在充电完成后以一小电流放电,以根据放电结果纪录每一锂电池的充电容量,其中,由于第一次测试时尚无虚拟信息素函数的产生,故其充电曲线是借由一程序化的随机选取所决定,所选取的数值是根据表一所列的可选择电流值,该随机选取动作仍应受每一阶段充电电流值小于前一阶段电流值的限制,此限制函数可借程序化的设计而执行;步骤S25是进行最佳值的评估,该最佳值是设定为锂电池充电后的容量,此搜寻算法的搜寻设定即在求得一使该最佳值为最大的充电曲线,步骤S25将根据步骤S20纪录的电池充电容量进行最佳值的评估,并在步骤30中进行计算;步骤30将根据步骤25的最佳值评估进行虚拟信息素函数的更新,其计算方式是与上述数学模型相同,此更新结果将在步骤S35中决定下一次测试时,该15只虚拟蚂蚁选择充电路径的路径选择机率函数,并将根据此一新的机率函数,分别对该15个锂电池建立新的充电曲线;步骤S40将程序中纪录的测试次数加1后,即由步骤S45的判别方块决定是否终止测试,这一判别方块是由事先设定的终止测试条件决定,本实施例的终止测试条件是设定为当有60%的虚拟蚂蚁寻得相同的路径时,也就是当有9个锂电池采相同的充电曲线进行充电时,本测试即终止,若步骤S35的结果未符合该终止测试条件,即返回步骤S20,以新的充电曲线重新对15个电池作充电测试,直至找到一个近似最佳的充电曲线为止。
表三所列即是本实施例的充电测试结果,由表中所列数据可发现,当蚂蚁式搜寻算法的搜寻次数增加后,各电池的充电效率确实也随之提高,在30分钟内达至70%以上充电容量的电池数目显然随着测试次数的增加而渐增,该结果也显示本实施例将可在第20次测试即达到预先设定的终止测试条件:即至少9个锂电池以相同的充电曲线进行测试,此第20次测试在五阶段充电时使用的充电曲线列出如表四,其中编号第1、2、4、5、6、7、8、10、13、14、15号的11个锂电池均具有相同的充电曲线,也就是有11只虚拟蚂蚁均已搜寻到一相同的充电路径,此结果显然已达到预先设定的终止测试条件,同时该多数选择的充电曲线即可视为本充电条件下的近似最佳充电曲线,由表四的数据可知该充电曲线是分别依2.1C、1.7C、1.5C、1.3C、1.0C的顺序进行的五阶段定电流充电,表三显示其均可在30分钟内达到大于70%的充电容量,这与一般所熟知的手机用锂电池的充电效率相符合,对锂电池而言,30分钟的充电时间可达的容量上限值,即约为原标称容量的70%左右。
图7和图8是本实施例测试结果的数据整理,图7显示该15个测试电池的充电容量,不论平均值或最大值均将随着测试次数的增加而渐增,而图8显示该15个电池间的充电容量的标准差将随着测试次数的增加而渐减,这两个图的趋势符合蚂蚁式搜寻算法的搜寻原理,也就是借由该信息素函数的更新,每只虚拟蚂蚁搜寻到一较佳充电路径的机率将渐增,且不同虚拟蚂蚁间搜寻到一相同的较佳充电路径的机率也将增加,这一趋势正如附图所示,反应在该15个锂电池的充电后容量与其标准差的变化上。
此外,由于电池在长期使用与多次充电后,其可充电容量值必将逐步下降,使用寿命也随之日渐降低,因此,为验证本实施例的功效,它还可在求出该具有高充电效率的充电曲线后,以该充电曲线的多阶段充电与现有的定电流/定电压充电方式作一比较,验证这两个充电方式对电池使用寿命的影响。图9所示就是这两者的比较结果,其中用以与本实施例所得的充电曲线对照的是,一以定电流2.1C充电的定电流/定电压充电方式,所采用测试方法是在每经过20个充电周期后,即改以C/3的定电流充电30分钟并测量其容量值,并以所测得的容量对第一次充电后容量所占的百分比为其容量标示单位。如图所示即可发现按本实施例得到的充电曲线充电后的电池,其使用寿命要大于现有采取定电流/定电压充电的电池,若以充电后容量下降至原充电容量的80%为比较基准,可发现本实施例的充电方法在充电周期达927时,仍具有80%的容量,反之现有方法仅仅充电696次后其容量便已降至80%,这足以证明本实施例得到的充电曲线,确可减缓电池使用寿命的衰减;对于部分需全程充电(Fully Charged)的电池使用领域而言,也可以一仿真测试,验证本实施例的功效。图10所示即为该测试的结果,其与图9的测试条件相同,只是不再每隔20个周期改以小电流充电,而是在每一周期均依设定方式充电并测量比较,从图中可看出本实施例提出的充电方式,其电池使用寿命要大于采用现有充电方式的电池,且同样可发现本实施例的充电方式在充电周期达377时,仍具有80%的容量,远远大于现有方式仅充电300次后容量便降至80%。
因此,与现有技术相比较,本发明的电池最佳充电曲线搜寻设备及方法,确实能够有效提高电池充电效率与使用寿命,电池制造商即可以此设备与相关组合式最佳化问题的搜寻算法(例如本实施例的蚂蚁式搜寻算法)针对可能的充电曲线进行搜寻,并在出厂前将得到的最佳充电曲线标示在电池上,也可将该搜寻结果提供给充电器制造商,加入现有充电器并设定对不同种类电池的最佳充电曲线,如此,既可快速取得最佳充电曲线而不致延误产品上市时间,也可有效提高电池充电效率与使用寿命,充分符合使用者的需求。
表一:可选择的充电电流
阶段 | 可选择的充电电流(C) | |||||||||||
1 | 2.5 | 2.4 | 2.3 | 2.2 | 2.1 | 2.0 | 1.9 | 1.8 | 1.7 | 1.6 | 1.5 | 1.4 |
2 | 2.2 | 2.1 | 2.0 | 1.9 | 1.8 | 1.7 | 1.6 | 1.5 | 1.4 | 1.3 | 1.2 | 1.1 |
3 | 1.9 | 1.8 | 1.7 | 1.6 | 1.5 | 1.4 | 1.3 | 1.2 | 1.1 | 1.0 | 0.9 | 0.8 |
4 | 1.6 | 1.5 | 1.4 | 1.3 | 1.2 | 1.1 | 1.0 | 0.9 | 0.8 | 0.7 | 0.6 | - |
5 | 1.3 | 1.2 | 1.1 | 1.0 | 0.9 | 0.8 | 0.7 | 0.6 | 0.5 | - | - | - |
表二:充电用电池的测试结果
最大值 | 最小值 | 平均值 | |
重量(g) | 29.95 | 29.47 | 29.80 |
开路电压(V) | 4.17 | 4.13 | 4.15 |
阻抗值(mΩ) | 113.6 | 89.4 | 94.21 |
标称容量(mAh) | 938 | 918 | 930 |
表三:各次多阶段充电测试的电池充电容量百分比
测试次数 | 锂电池编号 | ||||||||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | |
测试1 | 69% | 67% | 60% | 60% | 66% | 65% | 66% | 67% | 68% | 68% | 67% | 63% | 63% | 70% | 66% |
测试2 | 70% | 66% | 66% | 68% | 67% | 70% | 63% | 57% | 63% | 56% | 66% | 60% | 58% | 67% | 64% |
测试3 | 65% | 65% | 68% | 68% | 63% | 65% | 69% | 68% | 65% | 67% | 66% | 63% | 61% | 66% | 57% |
测试4 | 59% | 65% | 64% | 64% | 66% | 65% | 69% | 70% | 67% | 64% | 66% | 59% | 63% | 67% | 65% |
测试5 | 67% | 67% | 68% | 47% | 70% | 66% | 66% | 64% | 62% | 66% | 66% | 62% | 66% | 66% | 66% |
测试6 | 67% | 65% | 69% | 67% | 54% | 70% | 71% | 67% | 65% | 64% | 70% | 62% | 58% | 60% | 67% |
测试7 | 69% | 61% | 67% | 65% | 69% | 68% | 61% | 67% | 70% | 69% | 68% | 64% | 68% | 69% | 69% |
测试8 | 66% | 66% | 71% | 61% | 70% | 70% | 69% | 66% | 70% | 69% | 66% | 61% | 64% | 70% | 69% |
测试9 | 68% | 70% | 72% | 68% | 71% | 70% | 69% | 70% | 66% | 71% | 70% | 65% | 69% | 68% | 68% |
测试10 | 71% | 69% | 73% | 70% | 70% | 67% | 66% | 71% | 71% | 69% | 72% | 65% | 69% | 70% | 68% |
测试11 | 72% | 71% | 70% | 70% | 74% | 71% | 71% | 71% | 71% | 69% | 66% | 60% | 67% | 71% | 72% |
测试12 | 72% | 70% | 73% | 69% | 73% | 68% | 73% | 73% | 70% | 72% | 74% | 58% | 69% | 65% | 72% |
测试13 | 68% | 69% | 73% | 68% | 73% | 71% | 73% | 68% | 71% | 71% | 66% | 68% | 69% | 70% | 72% |
测试14 | 73% | 70% | 62% | 70% | 72% | 71% | 70% | 71% | 71% | 71% | 71% | 68% | 69% | 71% | 70% |
测试15 | 71% | 67% | 71% | 69% | 73% | 70% | 73% | 59% | 72% | 71% | 71% | 67% | 69% | 71% | 71% |
测试16 | 72% | 72% | 72% | 70% | 73% | 72% | 73% | 72% | 73% | 72% | 74% | 70% | 70% | 71% | 68% |
测试17 | 72% | 71% | 73% | 70% | 72% | 72% | 71% | 72% | 72% | 65% | 69% | 67% | 70% | 68% | 70% |
测试18 | 70% | 63% | 70% | 70% | 73% | 71% | 73% | 70% | 72% | 70% | 72% | 66% | 61% | 71% | 70% |
测试19 | 71% | 71% | 69% | 70% | 73% | 72% | 73% | 72% | 71% | 67% | 69% | 64% | 69% | 70% | 70% |
测试20 | 72% | 71% | 71% | 71% | 73% | 72% | 73% | 72% | 72% | 71% | 72% | 68% | 71% | 72% | 70% |
表四:第20次测试中各锂电池所使用的充电曲线
锂电池编号 | 阶段1 | 阶段2 | 阶段3 | 阶段4 | 阶段5 |
1 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
2 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
3 | 2C | 1.4C | 1.2C | 1C | 0.8C |
4 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
5 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
6 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
7 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
8 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
9 | 2.1C | 1.6C | 1.5C | 1.3C | 1C |
10 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
11 | 2.5C | 1.8C | 1.4C | 1.3C | 1C |
12 | 1.7C | 1.6C | 1.5C | 1.3C | 1C |
13 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
14 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
15 | 2.1C | 1.7C | 1.5C | 1.3C | 1C |
Claims (13)
1.一种电池最佳充电曲线搜寻设备,用以搜寻在一组多阶段充电中,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线的电池,经过多阶段充电后,电池的容量能够接近最大的充电容量,其特征在于,该搜寻设备包括:
电池测试部,可对多个电池进行多阶段充电及测量各电池充电后的充电容量;
蚂蚁式搜寻算法;以及
运算处理部,可依据适用于组合式最佳化问题的蚂蚁式搜寻算法,在求得该最佳充电曲线前,不断从该电池测试部接收各电池前一次充电后测量到的充电容量,根据各电池前一次充电后测量到的充电容量,决定各电池在下一次充电的充电曲线,并将各电池下一次的充电曲线提供给该电池测试部。
2.一种电池最佳充电曲线搜寻设备,用于搜寻在一组多阶段充电中,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线的电池,经过多阶段充电后,电池的容量接近最大的充电容量,其特征在于,该搜寻设备包括:
电池测试部,可对多个电池进行多阶段充电及测量各电池充电后的充电容量;以及
运算处理部,依据蚂蚁式搜寻算法,在求得该最佳充电曲线前,不断从该电池测试部接收各电池前一次充电后测量到的充电容量,根据各电池前一次充电后测量到的充电容量,决定各电池在下一次充电的充电曲线,并将各电池下一次充电的充电曲线提供给该电池测试部。
3.如权利要求1或2所述的电池最佳充电曲线搜寻设备,其特征在于,该电池测试部是一可程控的电池测试装置,该运算处理部是一计算机。
4.如权利要求3所述的电池最佳充电曲线搜寻设备,其特征在于,该电池测试装置可对电池充电及使电池放电的装置。
5.如权利要求3所述的电池最佳充电曲线搜寻设备,其特征在于,该电池测试装置与该计算机是各自独立、且他们之间是通过信号连接线相互连接。
6.如权利要求1或2所述的电池最佳充电曲线搜寻设备,其特征在于,在该多阶段充电中,各阶段的充电参数是该多阶段充电的各阶段的充电电流。
7.如权利要求1或2所述的电池最佳充电曲线搜寻设备,其特征在于,该运算处理部是判断在下一次充电时,若各个电池的充电曲线中有一定比例的充电曲线相同,即结束搜寻并以该相同的充电曲线作为该最佳充电曲线。
8.如权利要求1或2所述的电池最佳充电曲线搜寻设备,其特征在于,该电池是选自由锂电池、镍氢电池及镍镉电池组成组群中的一个。
9.一种电池最佳充电曲线搜寻方法,用以搜寻一组多阶段充电中电池,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线经过多阶段充电后的电池接近其最大的充电容量,其特征在于,该方法包括以下步骤:
(1)对多个电池进行多次、多阶段充电,并测量各电池充电后的充电容量,其中,第一次充电是按各电池的初始充电曲线,第二次充电以后则按下述步骤(2)中决定的各电池在下一次充电的充电曲线;
(2)依据适用于组合式最佳化问题的蚂蚁式搜寻算法,从各电池前一次充电后测量得到的充电容量,决定各电池在下一次充电的充电曲线;以及
(3)使各电池放电后重复上述步骤(1)、(2),直到步骤(2)中各电池在下一次充电的充电曲线中,有一定比例的充电曲线相同时,即结束搜寻并以该相同的充电曲线作为该最佳充电曲线。
10.一种电池最佳充电曲线搜寻方法,用以搜寻一组多阶段充电中的电池,各阶段充电参数的最佳充电曲线,使按该最佳充电曲线经过多阶段充电后的电池接近最大的充电容量,其特征在于,该方法包括以下步骤:
(1)对多个电池进行多次多阶段充电,并测量各电池充电后的充电容量,其中,第一次充电是按各电池的初始充电曲线,第二次充电以后则按下述步骤(2)中所决定的各电池在下一次充电的充电曲线;
(2)依据蚂蚁式搜寻算法,从各电池前一次充电后测量得到的充电容量,决定各电池在下一次充电的充电曲线;以及
(3)使各电池放电后重复上述步骤(1)、(2),直到步骤(2)中各电池在下一次充电的充电曲线中,有一定比例的充电曲线相同时,即结束搜寻并以该相同的充电曲线作为该最佳充电曲线。
11.如权利要求9或10所述的电池最佳充电曲线搜寻方法,其特征在于,该多阶段充电的各阶段的充电参数是该多阶段充电的各阶段的充电电流。
12.如权利要求9或10所述的电池最佳充电曲线搜寻方法,其特征在于,该各电池的初始充电曲线是随机产生的。
13.如权利要求9或10所述的电池最佳充电曲线搜寻方法,其特征在于,该电池是选自由锂电池、镍氢电池及镍镉电池组成组群中的一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031413226A CN1268029C (zh) | 2003-06-10 | 2003-06-10 | 电池最佳充电曲线搜寻设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031413226A CN1268029C (zh) | 2003-06-10 | 2003-06-10 | 电池最佳充电曲线搜寻设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1567646A CN1567646A (zh) | 2005-01-19 |
CN1268029C true CN1268029C (zh) | 2006-08-02 |
Family
ID=34470874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB031413226A Expired - Lifetime CN1268029C (zh) | 2003-06-10 | 2003-06-10 | 电池最佳充电曲线搜寻设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1268029C (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112013009715A2 (pt) * | 2010-10-22 | 2016-07-19 | Nucleus Scient Inc | aparelho e método para carregar baterias rapidamente |
CN105629172B (zh) * | 2014-10-27 | 2018-12-07 | 中国移动通信集团甘肃有限公司 | 一种混合蓄电池故障检测的方法及装置 |
CN105070964B (zh) * | 2015-06-23 | 2019-07-23 | 常州市武进红光无线电有限公司 | 基于固化充电电压曲线控制的锂离子电池优化充电方法 |
CN114210591B (zh) * | 2021-12-02 | 2023-12-22 | 格林美股份有限公司 | 一种基于ic曲线的锂电池梯次利用分选方法及装置 |
CN116545136B (zh) * | 2023-06-30 | 2023-12-22 | 深圳市森树强电子科技有限公司 | 一种基于快速充电技术的无线充电器及其控制方法 |
-
2003
- 2003-06-10 CN CNB031413226A patent/CN1268029C/zh not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
CN1567646A (zh) | 2005-01-19 |
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 | |
CN105453382B (zh) | 平衡包含架单元的电池组的架单元电压的方法 | |
CN108732510B (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN105903692A (zh) | 锂离子电池一致性筛选方法 | |
CN112464571B (zh) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 | |
CN104577242B (zh) | 一种电池组管理系统和方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN107255787A (zh) | 基于信息熵的电池组不一致性综合评价方法及系统 | |
CN102590751A (zh) | 动力电池包一致性评估方法和装置 | |
CN107422265A (zh) | 一种单体电池一致性的检测方法 | |
CN105634063A (zh) | 一种基于电池历史数据的主动均衡方法 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN109613440A (zh) | 电池的分级方法、装置、设备和存储介质 | |
CN111617989A (zh) | 一种锂离子动力电池多参数分选方法 | |
CN103267952A (zh) | 一种测量动力电池充电效率的方法 | |
CN112198435B (zh) | 一种锂离子电池配组方法 | |
CN111487532B (zh) | 一种基于层次分析法和熵值法的退役电池筛选方法及系统 | |
CN114636948A (zh) | 一种储能系统寿命评估方法、装置、电子设备及存储介质 | |
CN114156552A (zh) | 一种考虑老化的串联电池组的均衡控制策略 | |
CN115616425A (zh) | 电池性能分析方法、电子设备及储能系统 | |
CN115684956A (zh) | 用于电池存储器寿命估计的方法、设备和计算机程序产品 | |
CN113687236A (zh) | 一种动力电池半经验循环寿命预测评估方法 | |
CN107797011A (zh) | 储能bms的均衡策略模拟测试方法及装置 | |
CN1268029C (zh) | 电池最佳充电曲线搜寻设备及方法 | |
CN110456283A (zh) | 获取电芯内阻参数的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20060802 |
|
CX01 | Expiry of patent term |