一种基于电池健康状态的充电桩充电优化策略的制作方法

[0001]
本发明涉及了一种基于电动汽车动力锂离子电池健康状态的充电桩充电电流优化策略，属于电力技术领域。


背景技术：

[0002]
目前充电桩市场上的主流充电方法是恒流恒压充电(cc-cv，constant current-constant voltage)，即阶段1采用较大电流进行恒流充电，电池电压迅速上升，达到截止电压时转入阶段2进行恒压充电，充电电流逐步衰减至预设截止电流后充电过程结束。阶段1是整个充电阶段的主要过程，充入的电荷量占比超过85％，但是电动汽车每次充电时都采用单一设置的充电电流经验值进行充电，电池受到的损害较大且累加效应明显。本发明从电池健康状态的角度，在电池不同剩余循环寿命阶段采用对应的最优充电电流进行充电，从而提高电池的使用寿命。


技术实现要素：

[0003]
为延长电动汽车动力电池的使用寿命，本发明提供了一种基于电池健康状态的充电桩充电优化策略。
[0004]
其基本步骤包括：
[0005]
步骤s1：本发明仅从充电电流对电池健康状态的影响的角度出发，忽略温度和其他参数对电池容量衰减的影响，简化了关系模型。
[0006]
定义电池健康状态其中c
m
为当前地池剩余容量，c
n
为电池出厂的标准容量。当soh小于80％时，需要更换电池。那么电池当前的剩余容量c
m
＝soh
·
c
n
[0007]
根据锂离子动力电池剩余容量衰减速度与充电电流的简化模型，如下式所示其中cr为电池容量衰退率，k为衰退系数，i为充电电流，n
c
为循环次数，其余参数采取经验值。利用局部离散化的方法把上述动态优化问题转为非线性规划问题，则可以将上述问题简单定义为：
[0008][0009][0010]
0＝g(c,i)
[0011]
i
min
≤i(t)≤i
max
[0012][0013]
其中c(t)为电池t时刻的剩余电容，i为控制变量充电电流，f为满足的微分方程，g为满足的代数方程，ocv为开路电压，r为电池内阻。
[0014]
步骤s2：为了解决目标函数动态优化方法产生的非线性规划问题，采用ds和ga算
法去寻找电池剩余寿命各阶段的最优充电电流。
[0015]
为了快速增加目标函数，首先采用直接搜索法。然后，在遗传算法中，将得到的点作为初始种群的子节点之一，比较两者的解，如果遗传算法ga(genetic algorithm)寻找的值优于直接搜索法ds(direct search)寻找的值，继续代入循环继续寻优，否则，优化算法停止并输出寻找的最优值，得到以延长电池寿命为目标的不同soh下与之对应的最优充电电流的数据库{soh(t)，i
optimize
(t)}。电池新出厂到退役的循环次数根据动力电池相关标准是可查的(一般为2000次)，将电池soh从1至0.8区间对应的循环次数均分为n个阶段，在不同的阶段采取不同的充电电流对电池进行充电。
[0016]
由于目标函数，循环数都具有离散值。但是连续目标函数可以提高优化算法的效率，特别是对于直接搜索法(ds)可以快速收敛寻找局部最优解，因此增加了一个循环分数的连续项m，使目标函数成为一个连续函数。然后再利用遗传算法(ga)在全局进行寻优。
[0017]
φ[c(t),i(t)]＝n
c
+m
[0018]
其中c
last
(t)为上一个完整周期后剩余的电池容量。
[0019]
步骤s3：根据充电前电动汽车动力电池的健康状态(soh
before
)，通过步骤2的数据库{soh，i
optimize
}得到的优化电流i
optimize
，将其作为cc-cv中的恒流阶段的充电电流对电动汽车进行充电，预设一个寿命衰减阈值来判断优化效果。
[0020]
步骤s4：充电结束后，计算δsoh如果大于阈值，说明优化效果未达预期，则对模型数据库中的[soh
before
，i
optimize
]这一组数据重新进行迭代寻优，并更新数据库，用于提高该方法的匹配精度和提升其收敛速度。
[0021]
有益效果
[0022]
与现有采用单一充电电流值对动力电池进行充电的技术相比，本发明以延长电池使用寿命为目标，首先根据动力电池容量衰减与充电电流的关系建立了电池健康状态与充电电流的模型，然后将整个电动汽车动力电池的寿命周期均分为n个子周期，通过ds算法和ga算法配合寻找各阶段最佳充电电流，得到不同剩余寿命阶段和对应的最优充电电流数据库{soh(t)，i
optimize
(t)}，然后根据当前电动汽车电池的健康状态选择对应的最优充电电流，提高了电池的使用寿命。同时，采用在直接搜索算法的局部最优解上不断迭代到遗传算法中进行全局寻优，并且将每次电动汽车充电前后的电池健康状态和选择的最优充电电流进行优化效果判断，若效果不达预期设定阈值，则重新对本次电池健康状态以及对应的充电电流这组数据进行寻优并更新数据库，提高了该充电电流优化算法的匹配精度和收敛速度。
附图说明
[0023]
图1是本发明提供的基本流程图
[0024]
图2是模型数据库的建立流程图
具体实施方式
[0025]
为了方便理解本发明方案的内容，下面结合具体实施例对本发明进行阐述。
[0026]
步骤s1：通过动力电池容量衰退与充电电流的关系得到电池健康状况(soh)与充
电电流的简化模型
[0027][0028][0029]
步骤s2：利用局部离散化处理将soh从1至0.8的区间均分为n个子区间，soh从1开始，通过直接搜索法(ds)得到局部最优解，代入遗传算法(ga)寻找一次迭代的解，并将两个算法的解进行比较，若ga算法得到的解果优于ds算法，则继续迭代进行全局寻优，否者将输出结果作为当前soh下的最优充电电流。电池健康状态衰减后进入下一健康状态的充电电流寻优，直到soh衰减至0.8结束，可以得到动力电池不同子区间(不同寿命阶段)下以优化电池寿命为目标的对应最佳充电电流数据库{soh(t)，i
optimize
(t)}；
[0030]
步骤s3：根据当前电动汽车动力电池的健康状态(soh)，将通过步骤2得到的优化电流i
optimize
作为cc-cv中的恒流阶段的充电电流对电动汽车进行充电，并预设一个寿命衰减阈值(一般设置为0.05％，可以根据电池容量实际衰减情况调整)来判断优化的效果；
[0031]
步骤s4：充电结束后，将充电前soh
before
和充电后soh
after
进行作差比较，若δsoh大于步骤s3所设阈值，表明优化效果未达预期值，在[soh
before
，i
optimize
]基础上叠加一个修正值，重新对soh
before
的充电电流进行迭代寻优并替换之前的[soh
before
，i
optimize
]，最后更新步骤s2中模型数据库{soh(t)，i
optimize
(t)}，从而优化算法的匹配精度和收敛速度。若δsoh小于阈值，说明采用该算法能通过优化电池各soh阶段下的充电电流达到延长电池使用寿命的目的。
[0032]
以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明的思想之内，所做的任何修改、等同替换、改进等，均应该包含在本发明的权利要求范围之内。