TW201428511A - 一種最佳化鋰電池多階段快速充電策略 - Google Patents
一種最佳化鋰電池多階段快速充電策略 Download PDFInfo
- Publication number
- TW201428511A TW201428511A TW102100402A TW102100402A TW201428511A TW 201428511 A TW201428511 A TW 201428511A TW 102100402 A TW102100402 A TW 102100402A TW 102100402 A TW102100402 A TW 102100402A TW 201428511 A TW201428511 A TW 201428511A
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- charging
- current
- stage
- fuzzy controller
- Prior art date
Links
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
一種最佳化鋰電池多階段快速充電策略，包括：初始化複數階段之充電電流值；以一放電容量比與一充電時間做為一模糊控制器的輸入歸屬函數，並將該模糊控制器之一輸出歸屬函數作為評斷所述複數階段充電電流值的結果；判斷該模糊控制器之一輸出成本函數之一標準差是否小於一第一數值，及該模糊控制器之所述輸出成本函數之前一次數值與目前實驗之最大值之差距是否小於一第二數值，以決定是否獲得最佳之搜尋結果；更新所述複數階段電流值之一個別最佳值與一群體最佳值；以及依一粒子群最佳化演算法(particle swarm optimization,PSO)公式運算修正所述複數階段電流值的大小。
Description
本發明係有關於一種鋰電池充電策略，特別是關於一種最佳化鋰電池多階段快速充電策略。
由於近年來筆記型電腦、行動電話、數位相機及各種攜帶式電子產品越來越普及，使擔任電力來源的鋰電池備受注目。為了讓鋰電池發揮最大的效能，吾人需要具有高充電效率及能改善電池壽命的充電策略。選擇充電方法對電池的壽命影響很大，一般來說使用電池製造商所提供的充電方法是最直接的方法。然而，為了安全起見，電池製造商所建議與提供的充電方法往往所需的充電時間過長，並不符合經濟效益。為了能在短時間內將電池的能量提高，充電方法多使用很大的充電電流進行快速充電，這種快速充電的方式往往會造成激烈的電化學反應，而使得電池內部壓力與溫度的增加，進而造成電池毀損或縮短壽命。
在眾多電池中，鋰電池具有能量密度高、操作電壓高、輸出功率大、放電平穩、工作溫度區間大、充放電循環可達500次以上、自放電率低和儲存壽命長等優點，其中由於工作電壓為3.6伏特，恰好是鎳鎘或鎳氫電池的3倍，一顆鋰電池相當於三顆鎳氫電池串聯，而大部分電腦的中央處理器(CPU)所需電壓在2.5到3.3伏特間，一顆鋰電池就可勝任了，在體積及重量的考慮下，目前大部分的可攜式電子產品上都使用鋰電池。
因各種可充電電池彼此之間的化學組成成分不同，所以各種電池的優缺點也不全然相同。電池的使用壽命長短在生產過程中因組成之化學材料及結構的不同就已經受限制了，但使用不同的充電方法，也是影響電池壽命的另一個主要原因。一般常用的電池充電方法有下列幾種：定電壓(CV)、定電流(CC)、定電流-定電壓(CC-CV)、脈衝、Reflex TM 充電法、
與五階段充電法等。而鋰電池最常用的充電方法為定電流-定電壓(CC-CV)法。請參照圖1，其繪示一種二階段充電法之電壓、電流與電量曲線。如圖1所示，此種方法為定電流和定電壓充電法之結合。在電池充電初期，以定電流方式對電池充電，等到電池電壓到達設定之轉態電壓後，再以定電壓方式對電池充電。第一階段為定電流的好處為可以用較快的速度充到所設定的電壓，第二階段則以定電壓方式產生小充電電流，使電池不會有虛充的現象且電池較能充到飽和，當電流小於所設定之臨界值，則停止充電程序。至於充電時間的長短則要視其設定的電壓和電流來決定，但是通常還是必須花費較長的時間來對電池充電。
雖然習知已有如上述之多種充電方法，但其效能仍有改進的空間。吾人亟需一種新穎的鋰電池快速充電策略。
本發明之一目的在於揭露一種最佳化多階段鋰電池快速充電策略，其係以粒子群演算法實現一種五階段充電法以縮短充電時間，同時延長電池壽命。
本發明之另一目的在於揭露一種最佳化多階段鋰電池快速充電策略，其係以一模糊控制器為評斷機制。
為達前述之目的，本發明提出一種最佳化鋰電池多階段快速充電策略，其包括：初始化複數階段之充電電流值；以一放電容量比與一充電時間做為一模糊控制器的輸入歸屬函數，並將該模糊控制器之一輸出歸屬函數作為評斷所述複數階段充電電流值的結果；判斷該模糊控制器之一輸出成本函數之一標準差是否小於一第一數值，及該模糊控制器之所述輸出成本函數之前一次數值與目前實驗之最大值之差距是否小於一第二數值，以決定是否獲得最佳之搜尋結果；更新所述複數階段電流值之一個別最佳值與一群體最佳值；依一粒子群最佳化演算法公式運算修正所述複數階段電流值的大小；以及
應用一複數階段充電法則進行充電，再回到第二步驟重複執行。
為使 貴審查委員能進一步瞭解本發明之結構、特徵及其目的，茲附以圖式及較佳具體實施例之詳細說明如后。
510‧‧‧模糊化單元
520‧‧‧推論引擎
530‧‧‧規則庫
540‧‧‧數據庫
550‧‧‧解模糊化單元
圖1繪示一種二階段充電法之電壓、電流與電量曲線。
圖2為粒子速度與位置搜尋之一示意圖。
圖3，其為依據本發明之一種五階段定電流充電法。
圖4，其繪示依本發明之一種五階段充、放電流程。
圖5，其繪示本發明所採之一模糊控制器架構。
圖6，其繪示所述放電容量比、充電時間、及輸出之歸屬函數。
圖7(a)繪示本發明所定義之一語意變數定義表。
圖7(b)繪示本發明所定義之一模糊規則庫。
圖8為本發明最佳化充電電流波形搜尋之操作流程圖。
圖9繪示本發明所採之一可程式充放電機及監控介面。
圖10(a)-10(g)分別繪示7次實驗之結果。
圖11(a)為第7次實驗的模糊控制器之輸出結果收斂曲線圖。
圖11(b)為第7次實驗之容量比收斂曲線圖。
圖11(c)為第7次實驗之充電時間收斂曲線圖。
本發明係利用粒子群演算法(PSO)法則尋找出多階段充電電流的最佳值。為了同時達成較短的電池充電時間與較多的放電容量之目標，本發明將放電容量與充電時間做為模糊控制器的輸入，其輸出數值作為評斷充電成效良莠的結果，即成本函數的輸出。放電容量的百分比為五階段充電法的放電容量與定電流-定電壓充電法的放電容量之比值，範圍訂在為80%~100%。充電時間範圍為30分鐘至90分鐘。則最佳化問題可描述為如下：
其中，為第i顆電池的五階段充電時間；為第i顆電池以I dis =C/10放電之五階段對CC-CV之電池放電容量比；為第i顆電池的五階段充電電流值。
粒子群最佳化演算法是於1995年由Kenndy與Eberhart所提出，它是一種具有群體智慧概念的演算法，屬於進化搜尋領域的方法，主要起源於生物社會學家對於魚群或是鳥群具有群聚特性所引發的社會行為(social behavior)的觀察，比如候鳥南移過冬的群起行動，會選擇鳥群中最強而有力的鳥作為領導者，帶領整群的候鳥遷移至適合過冬的地方，藉由對這種群體移動的模擬，演變一種以族群(population)為基礎之最佳化方法。PSO與基因演算法(Genetic Algorithm，GA)是一種類似進化的最佳化工具，同樣都會先產生一組初始解，再經過進化的方式來取得最佳值。不同於GA的是，PSO沒有交配(Crossover)及突變(Mutation)，是屬於單向的訊息流動，整個搜尋更新過程是跟隨著當前最佳解的機制。相較於GA，在大多數的情況下，PSO能更快的收斂至最佳解處。
在解空間中的每一隻鳥稱為粒子，所有的粒子皆有一個由目標函數所產生的適應值(fitness)，因此每個粒子都有著個別移動的方向與距離。粒子則靠著個體本身的成功經驗與目前粒子族群中最佳粒子移動的腳步，調整每一隻在解空間中飛行的粒子足跡。從心理學的角度，認知模式(cognition model)代表個人重複過去的行為之傾向，社會模式(social model)的長期趨勢是指遵循別人成功經驗之演化方式。請參照圖2，其為粒子速度與位置搜尋之一示意圖。如圖2所示。PSO的初始粒子群以隨機的方式產生
粒子，經過進化疊代搜尋後，找到最佳的目標函數解。在每一次疊代過程中，粒子皆藉由認知模式、社會模式二種擁有引導記憶的搜尋經驗模式，逐步修正粒子本身最佳記憶及群體最佳記憶，不斷地修正個體速度與位置，以及群體速度與位置。認知模式：指的是每個粒子皆會獨立搜尋，當獨立粒子遇到函數最佳值時，獨立的粒子會將這個最佳搜尋記錄存放在記憶中，亦即每個粒子皆擁有本身最佳搜尋變數記憶，再依照本身最佳搜尋變數記憶去修正下一次的搜尋方向，這樣的模式為稱為粒子的認知模式。粒子的個體經驗經認知模式產生的記憶為個別最佳值P best,i (particle best value)。社會模式：指的是獨立粒子會以自身最佳搜尋變數記憶與群體中最佳搜尋變數記憶進行比較，進而修正個別粒子往群體中的最佳搜尋記憶接近。因此，每個獨立粒子亦會依照群體記憶裡的最佳變數記憶，修正下一次粒子的搜尋速度，此模式稱為粒子群的社會模式。粒子群社會模式產生的記憶為群體最佳值G best (globe best value)。
在粒子群最佳化演算法中，每一個粒子均代表一個可能解，每一粒子均包含速度與位置兩個向量，以粒子i為例，速度向量V i =(V i1,V i2,…,V id )和位置向量X i =(X i1,X i2,…,X id )，其中d表示解空間的維度。在演化過程中，每一個粒子軌跡的變化乃根據自己的飛行經驗(P best,i )和其他粒子的飛行經驗(G best )來逐代改變。於本發明對鋰電池充電應用而言，第i個粒子的速度和位置的更新規則可表示如下：
I i (t+1)=I i (t)+△I i (t+1) (3)
其中，△I i (t)為本次各階段電流的修正量，△I i (t+1)為各階段電流下一次的修正量；I i (t)為本次各階段的充電電流值，I i (t+1)為下一次各階段的充電電流值；ω為慣性權重，範圍為0~1之間可為定值或變動值，在本發明中為例如但不限於定值0.1；C 1與C 2為學習因子，通常被設定為2.0，當學習因子被設為相同值時，意味著粒子在自我搜尋以及社會方面的搜尋具有同樣比重，C 1與C 2在本發明中被設定為2.0；rand 1與rand 2為介於0~1之
間的隨機亂數；t為目前疊代次數；為粒子個體最佳的充電電流值，G best 為粒子群體最佳的充電電流值。
此外，公式(2)的第二部分和第三部分分別代表“認知模式”和“社會模式”的部分。
因為兩段式CC-CV充電法的第二段為定電壓，因此有與定電壓法相同的缺點，充電時間較難以估計，為改善此一缺點，本發明乃延伸出一種多階段充電法。
五階段定電流充電法顧名思義即是將充電分為五個階段，其中每階段皆為定電流充電且電流為逐步下降，此種充電法和CC-CV充電法比較起來，五階段充電法能達到快速充電之目的且在充電末期時進入涓流充電(Trickle Charge)狀態，而使電池充電不至於達到過度充電，進而延長電池的使用壽命。請參照圖3，其為依據本發明之一種五階段定電流充電法。如圖3所示，任一階段之充電電流值均小於其前一階段之充電電流值，以避免在該階段使電池電壓太快到達所設定之門檻電壓值，造成電池之化學應力與溫升大，而影響電池壽命。
請參照圖4，其繪示依本發明之一種五階段充、放電流程。在步驟a，係以I1電流值進行第一階段定電流充電。在步驟b，判斷電壓V是否≧4.2V，當電壓V到達4.2V時方進入步驟c。在步驟c，變換為以I2電流值進行第二階段定電流充電。在步驟d，判斷電壓V是否≧4.2V，當電壓V到達4.2V時方進入步驟e。在步驟e，變換為以I3電流值進行第三階段定電流充電。在步驟f，判斷電壓V是否≧4.2V，當電壓V到達4.2V時方進入步驟g。在步驟g，變換為以I4電流值進行第四階段定電流充電。在步驟h，判斷電壓V是否≧4.2V，當電壓V到達4.2V時方進入步驟i。在步驟i，變換為以I5電流值進行第五階段定電流充電。在步驟j，判斷電壓V是否≧4.2V，當電壓V到達4.2V時方進入步驟k。在步驟k，變換為休息1小時以減緩電池內部的化學反應，之後進入步驟l。在步驟l中，係以0.1C(220mA)進行放電。在步驟m，判斷電壓V是否≦3.0V，當電壓V下降至3.0V時方停止整個流程。
為避免各階段的充電電流太大而損害電池，本發明設定各階段的充電電流在0.1C~1.5C之內，所謂C值是電池容量的一個基數，以一顆電壓3.6V、2200mAH的鋰電池為例，1C等於2200mA，而1.5C等於3300mA。而為了讓各個階段之間的搜尋可以平均分佈在解空間範圍以達到全方位搜尋的效果，所以以亂數的方式產生512組初始五階段充電電流設定值，因本發明同時進行16顆電池(16顆粒子)試驗，故在512組初始五階段充電電流設定值中取出16組，並且以平均分佈於解空間為原則以符合PSO初始設定的精神。
根據電池充放電測試經驗知道，充電電流的大小影響充電時間和放電容量：若五階段電流皆設定為較大的值，則其充電時間會較短但放電容量會較少；若五階段電流皆設定為較小的值，充電時間將會很長但放電容量會較多。為了滿足較短的充電時間與較多的放電容量之目標，本發明將放電容量與充電時間做為模糊控制器的輸入參數，將其輸出數值(適應值)作為評斷充電設定值好壞的評估指標，以便於找出真正的領導者，並使其導引其他粒子跟隨，而得到最佳五階段定電流充電波形。
本案採用模糊控制器的原因，在於無法證明充電時間與放電容量兩者之間的比例在7：3、6：4、5：5、2：8、或其他等這些比例中，所得到的成本函數會最佳化，所以利用模糊控制器來進行多目標最佳化之比例調配，以便於在完成充放電程序且得到其充間時間與放電容量後，能自動調配充間時間與放電容量的權重，以最大化充電成本效益。請參照圖5，其繪示本發明所採用之一模糊控制器架構。如圖5所示，該模糊控制器架構包括一模糊化單元510、一推論引擎520、一規則庫530、一數據庫540、以及一解模糊化單元550，其中模糊化單元510係依一放電容量比與一充電時間產生一放電容量比模糊值與一充電時間模糊值；推論引擎520係依規則庫530及數據庫540之資料對模糊化單元510之所述放電容量比模糊值與充電時間模糊值進行推論以產生一適應模糊值；解模糊化單元550則依推論引擎520之所述適應模糊值產生一輸出。
所述的放電容量比為使用五階段充電法的放電容量與使用CC-CV充電法的放電容量之比值，所述的充電時間為使用五階段充電法充電時的時間，所述的輸出則係用以判斷充電波形的性能與效果。請參照圖6，其繪示所述放電容量比、充電時間、及輸出之歸屬函數。如圖6所示，這些歸屬函數的函數值皆在0~1之間，其中橫軸座標為輸入變數值又稱論域；縱軸座標為元素的大小又稱歸屬度。決定好輸入和輸出的歸屬函數後，下一步驟就是定義模糊語意變數及模糊推論。請參照圖7(a)，其繪示本發明所定義之一語意變數定義表。請參照圖7(b)，其繪示本發明所定義之一模糊規則庫。
決定好模糊規則後，接著要決定使用何種模糊推論引擎，本發明選用最常見的最小推論引擎(Minimum Inference Engine)，例如：(1)若放電容量為小(S)，且充電時間為中(M)，則輸出成本函數為小(S)(If discharge capacity is S and charge time is M,then cost function is S.)(2)若放電容量為中的大(ML)，且充電時間為中的小(MS)，則輸出成本函數為大(L)(If discharge capacity is ML and charge time is MS,then cost function is L.)
模糊控制器設計的最後一個步驟是將前面所得到的結果集合解模糊化，本案選用重心法(Center of Gravity)，這種方法是計算結果的重心，其運算式如式(4)所示，其中n為規則數，W i 為第i條規則之推論結果，B i 為第i條規則所對應到之輸出。
請參照圖8，其為本發明最佳化充電電流波形搜尋之操作流程圖，其操作步驟說明如下：
步驟a：五階段電流初始化，用以設定五階段充電電流值，其係利用亂數的方式產生例如但不限於512組，並且以符合平均分配為原則，從512組結果
中取出例如但不限於16組以執行第一次實驗。
步驟b：經由模糊控制器評估各電池充電設定值之結果，其係將所設定的五階段充電電流設定值之實驗結果中之放電容量比與充電時間做為模糊控制器的輸入變數，並將其輸出變數定義為評斷充電設定值的結果。
步驟c：判斷是否符合步驟b之停止條件：(1)當模糊控制器的輸出成本函數之一標準差小於一第一數值一例如但不限於0.01以內(2)模糊控制器的輸出成本函數前一次與目前實驗之最大值差距小於一第二數值一例如但不限於0.005以內，綜合以上敘述符合這兩項之條件可判斷獲得最佳之搜尋結果。
步驟d：更新各階段電流值之P best 與G best ，用以將目前各個電池之五階段的各階段電流值和實驗評估過最好的P best 之各階段電流值做比較，如果目前搜尋到的各階段電流值優於P best ，則用目前的各階段之電流值更新P best 之各階段電流值；以及將目前群體之五階段的各階段電流值與實驗評估後群體中最好的五階段之電流值G best 做比較，經比較優劣後用來更新G best 的值。
步驟e：根據PSO公式(2)和(3)運算來修正各階段電流值的大小。
步驟f：應用五階段充電法則進行充電，再回到步驟b重複執行。
請參照圖9，其繪示本發明所採之一可程式充放電機及監控介面，其係採用WonATech公司的WBCS3000，其監控介面可經由PCI通訊介面向可程式充放電機讀取資料並下達命令。該監控介面之功能包含各種充電法則充放電控制、即時記錄電壓、電流、溫度之波形及輸出Excel檔以便紀錄分析結果。
利用粒子群演算法進行鋰電池最佳化五階段定電流充電波形搜尋，配合模糊控制器評估各電池充電設定值的結果是否符合較短的充電時間與較多的放電容量之目的，再以WBCS3000可程式充放電機之監控介面下達充電指令並記錄數據，依評估後之結果改變各電池充電設定值大小再繼續實驗，持續實驗直到結果收斂。請參照圖10(a)，其繪示第一次實驗之結果。將實驗結果的容量比與時間數值化當作模糊控制器之輸入函數來評估，經過評估後可得輸出結果，經由輸出結果可得知整體16顆電池的
P best 與G best 所對應的電流值，其結果請參照圖10(b)。由圖10(b)可得知全體之G best 所對應的五階段電流值為第七顆電池之值，而個體P best 所對應的電流值為原第一次實驗的電流值，將第一次實驗所使用的電流值及圖10(b)中P best 與G best 所對應的電流值放入式(2),(3)之速度與位置更新公式中可得出下一次實驗之五階段電流修正值及電流值，其結果請參照圖10(c)。接著進行第二次實驗，其結果請參照圖10(d)。
將第二次實驗結果的容量比與時間數值化當作模糊控制器之輸入函數來評估，經過評估後可得輸出結果，其結果請參照圖10(e)。重複上述之實驗步驟直到進行至第七次實驗，其結果請參照圖10(f)。將第一~七次實驗結果的容量比與時間數值化當作模糊控制器之輸入函數來評估，經過評估後可得輸出結果，其結果請參照圖10(g)。圖11(a)為第七次實驗的模糊控制器之輸出結果收斂曲線圖。圖11(b)為第七次實驗之容量比收斂曲線圖。圖11(c)為第七次實驗之充電時間收斂曲線圖。
由上述可知，本發明之最佳化多階段鋰電池快速充電策略確可縮短充電時間，同時延長電池壽命。
本案所揭示者，乃較佳實施例，舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者，俱不脫本案之專利權範疇。
綜上所陳，本案無論就目的、手段與功效，在在顯示其迥異於習知之技術特徵，且其首先發明合於實用，亦在在符合發明之專利要件，懇請 貴審查委員明察，並祈早日賜予專利，俾嘉惠社會，實感德便。
Claims (4)
- 一種最佳化鋰電池多階段快速充電策略，其包括：初始化複數階段之充電電流值；以一放電容量比與一充電時間做為一模糊控制器的輸入歸屬函數，並將該模糊控制器之一輸出歸屬函數作為評斷所述複數階段充電電流值的結果；判斷該模糊控制器之一輸出成本函數之一標準差是否小於一第一數值，及該模糊控制器之所述輸出成本函數之前一次數值與目前實驗之最大值之差距是否小於一第二數值，以決定是否獲得最佳之搜尋結果；更新所述複數階段電流值之一個別最佳值與一群體最佳值；依一粒子群最佳化演算法公式運算修正所述複數階段電流值的大小；以及應用一複數階段充電法則進行充電，再回到第二步驟重複執行。
- 如申請專利範圍第1項所述之最佳化鋰電池多階段快速充電策略，其中所述的第一數值等於0.01。
- 如申請專利範圍第1項所述之最佳化鋰電池多階段快速充電策略，其中所述的第二數值等於0.05。
- 如申請專利範圍第1項所述之最佳化鋰電池多階段快速充電策略，其中所述複數階段為5階段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW102100402A TWI465939B (zh) | 2013-01-07 | 2013-01-07 | A Multi - stage Fast Charge Method for Optimizing Lithium Batteries |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW102100402A TWI465939B (zh) | 2013-01-07 | 2013-01-07 | A Multi - stage Fast Charge Method for Optimizing Lithium Batteries |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201428511A true TW201428511A (zh) | 2014-07-16 |
| TWI465939B TWI465939B (zh) | 2014-12-21 |
Family
ID=51726091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW102100402A TWI465939B (zh) | 2013-01-07 | 2013-01-07 | A Multi - stage Fast Charge Method for Optimizing Lithium Batteries |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI465939B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI512647B (zh) * | 2014-09-10 | 2015-12-11 | Ind Tech Res Inst | 電池充電方法 |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN111709662A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站定容方法 |
| CN112622660A (zh) * | 2020-11-16 | 2021-04-09 | 蚌埠睿德新能源科技有限公司 | 一种充电器 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220161778A (ko) * | 2021-05-31 | 2022-12-07 | 삼성전자주식회사 | 배터리에 대한 충전 경로를 생성하는 방법 및 장치 |
| TWI760246B (zh) * | 2021-06-09 | 2022-04-01 | 龍華科技大學 | 一種可縮短充電時間之多階段定電流充電方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5712795A (en) * | 1995-10-02 | 1998-01-27 | Alaris Medical Systems, Inc. | Power management system |
| TWI408863B (zh) * | 2010-04-21 | 2013-09-11 | Univ Nat Taiwan Science Tech | 智慧型充電方法 |
| FR2975795B1 (fr) * | 2011-05-25 | 2014-05-09 | Commissariat Energie Atomique | Procede de gestion de l'energie consommee par un systeme mobile, notamment un vehicule automobile, dispositif embarque mettant en œuvre un tel procede |
| CN102664423B (zh) * | 2012-05-30 | 2014-09-17 | 山东大学 | 基于粒子群算法的风电场储能容量控制方法 |
| CN102837696B (zh) * | 2012-06-25 | 2015-09-16 | 浙江大学城市学院 | 具有在线监测功能的燃料电池叉车混合动力控制系统 |
-
2013
- 2013-01-07 TW TW102100402A patent/TWI465939B/zh not_active IP Right Cessation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI512647B (zh) * | 2014-09-10 | 2015-12-11 | Ind Tech Res Inst | 電池充電方法 |
| US9620822B2 (en) | 2014-09-10 | 2017-04-11 | Industrial Technology Research Institute | Battery charging method to obtain a charging current using fuzzification and defuzzification |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN111709662A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站定容方法 |
| CN112622660A (zh) * | 2020-11-16 | 2021-04-09 | 蚌埠睿德新能源科技有限公司 | 一种充电器 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI465939B (zh) | 2014-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI465939B (zh) | A Multi - stage Fast Charge Method for Optimizing Lithium Batteries | |
| Hannan et al. | Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm | |
| CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
| CN110635187B (zh) | 一种考虑老化的锂电池充电方法 | |
| CN113985294B (zh) | 一种电池剩余寿命的预估方法及装置 | |
| Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
| CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN113011101B (zh) | 一种储能参与调频辅助服务优化的控制方法及其系统 | |
| CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
| CN112924886A (zh) | 一种电池健康状态soh预测方法及装置 | |
| TWI512647B (zh) | 電池充電方法 | |
| CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
| CN117154906B (zh) | 一种具有制冷功能的无线充电调控方法 | |
| Pan et al. | Chaotic glowworm swarm optimization algorithm based on Gauss mutation | |
| CN117096984A (zh) | 基于强化学习的电池组均衡感知快充控制方法和系统 | |
| Manoharan et al. | Study on Artificial Neural Network Optimization for Electric Vehicle Battery State of Charge estimation | |
| Rozaqi et al. | Comparison between RLS-GA and RLS-PSO for Li-ion battery SOC and SOH estimation: a simulation study | |
| CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
| Sangwan et al. | Estimation of battery parameters of the equivalent circuit model using grey wolf optimization | |
| CN117293975B (zh) | 一种锂电池的充放电调节方法、装置、设备及存储介质 | |
| Zhang et al. | Research for SOC prediction of lithium battery based on GA-ESN | |
| CN109447233B (zh) | 电动汽车充放电调度方法及系统 | |
| Lipu et al. | Optimal neural network approach for estimating state of energy of lithium-ion battery using heuristic optimization techniques | |
| Xinyu et al. | SOC estimation of lithium battery based on IBAS-NARX neural network model | |
| TWI658371B (zh) | 一種基於模型預測控制之電池充電演算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |