本实用新型涉及电池充电技术领域,具体涉及一种电池快速充电装置。
背景技术:
电池是通过电极上发生的电化学氧化与还原反应将化学能转变成电能的,电池由正极和负极构成,放电时负极发生氧化反应,正极发生还原反应。充电时则相反,正极发生氧化反应,负极发生还原反应。
当电流通过电极并伴随着电化学反应时,因极化反应引起的能量损失包括:活化极化,它驱动电极界面的电化学反应;浓差极化,它产生于反应物和产物在电解质本体和电极/电解质界面的浓度差,而极化造成能量损失并以热量的形式放出。因此电池无法实现快速充电,使电池应用受到限制,同时电池充电过程中发生极化效应,使电池内阻变大,使充电效率变低、内阻发热变严重,加快电池老化,并降低了电池的性能和使用寿命。
鉴于上述缺陷,本实用新型创作者经过长时间的研究和实践终于获得了本实用新型。
技术实现要素:
为解决上述技术缺陷,本实用新型采用的技术方案在于,一种电池快速充电装置,其包括
充电单元,所述充电单元包括双向交流/直流变换器和双向直流/直流变换器,所述双向交流/直流变换器一端与市电连接,另一端与所述双向直流/直流变换器相连接;
控制单元,所述控制单元与所述充电单元相连接,用于调节所述充电单元的充放电参数;
处理单元,所述处理单元与所述控制单元相连接,用于数据处理和智能计算;
以及待测单元,所述待测单元与所述双向直流/直流变换器相连接,且所述待测单元包括电池,所述电池与所述控制单元相连接。
较佳的,所述处理单元通过通信从所述控制单元中获取数据进行优化,并将优化后的参数结果发送到所述控制单元。
较佳的,所述双向交流/直流变换器将交流电源变换为直流电,并为后级所述双向直流/直流变换器供电。
较佳的,所述双向交流/直流变换器将后级的所述双向直流/直流变换器反向的直流电变换为交流电,并通过并网返回电网。
较佳的,所述双向直流/直流变换器将前级的双向交流/直流电源的输出直流电进行变换并输出正脉冲。
较佳的,所述双向直流/直流变换器将所述电池输出的直流电流变换到所述双向交流/直流电源的直流母线端。
较佳的,所述处理单元还包括深度学习模块,用于建立深度学习参数优化模型,并获得最佳所述充放电参数。
较佳的,所述处理单元包括专家库,所述专家库包括通过实验研究得到的多组脉冲充放电优化参数,用于提供多种充放电方案。
较佳的,所述处理单元还包括智能计算模块,所述智能计算模块具有自学习功能,用于调节所述脉冲充放电参数实时优化的速度和稳定性。
较佳的,所述电池为锂离子电池。
较佳的,所述控制单元为中位机。
与现有技术比较本实用新型的有益效果在于:
(1)本装置充电单元包括双向交流/直流变换器和双向直流/直流变换器,能够通过正负脉冲交替充电,降低充电阻抗,保证充电电池不会大量产生热量,可以提高充电倍率,从而大大缩短充电时间,从而提高电池在许多应用情况下的便利,同时提升了电池经济性能,让电池的应用更加绿色和节能。
(2)本装置所述处理单元包括智能计算模块、专家库和深度学习模块,能够对所述充放电参数进行优化,提高电池快速充电性能,且延长了电池的使用寿命。
附图说明
图1是本实用新型中基于电池阻抗与充放电极化效应建立的深度学习参数优化模型图;
图2是本实用新型中基于充放电效率、电池电压和电流建立的深度学习参数优化模型图;
图3是本实用新型中电池快速充电装置结构简图。
图中数字表示:
1-充电单元;11-双向交流/直流变换器;12-双向直流/直流变换器;2-控制单元;3-处理单元;4-待测单元;41-电池;5-市电。
具体实施方式
实施例1
结合图3,本实施例提供一种电池快速充电装置,其包括充电单元1,所述充电单元包括双向交流/直流变换器11和双向直流/直流变换器12,所述双向交流/直流变换器11一端与市电5连接,另一端与所述双向直流/直流变换器12相连接;控制单元2,所述控制单元2与所述充电单元1相连接,用于调节所述充电单元1的充放电参数;处理单元3,所述处理单元3与所述控制单元2相连接,用于数据处理和智能计算;以及待测单元4,所述待测单元4与所述双向直流/直流变换器12相连接,且所述待测单元4包括电池41,所述电池41与所述控制单元2相连接。
本装置能够实现电池的快速充电,且通过正负脉冲交替充电,降低充电阻抗,保证充电电池不会大量产生热量,可以提高充电倍率,从而大大缩短充电时间,从而提高电池在许多应用情况下的便利,同时提升了电池经济性能,让电池的应用更加绿色和节能,同时延长了电池的使用寿命。
其中,所述电池41为锂离子电池,所述双向交流/直流变换器11将交流电源变换为直流电,并为后级所述双向直流/直流变换器12供电;所述双向交流/直流变换器11将后级的所述双向直流/直流变换器12反向的直流电变换为交流电,并通过并网返回电网;所述双向直流/直流变换器12产生正负脉冲电流,同时,所述双向直流/直流变换器12将前级的所述双向交流/直流变换器11的输出直流电进行变换并输出正脉冲;所述双向直流/直流变换器12将电池输出的直流电流变换到所述双向交流/直流变换器11的直流母线端。
所述控制单元2是中位机,所述中位机是操作控制界面,通过通信管理交流/直流变换器和双向直流/直流变换器电源,对所述充放电参数进行调节,所述充放电参数包括脉冲类型、电流脉冲的电流值、脉冲频率、充放电时间。
所述处理单元3为后台计算机,是数据处理、充放电参数在线深度学习优化等智能计算的处理平台。所述后台计算机通过通信从所述中位机中获取数据,并把深度学习参数优化模型的参数结果发送到所述中位机。
所述电池快速充电装置能够对电池进行快速充电,其工作原理如下:
第一步:将所述电池41放入待测单元3,同时启动所述充电单元1,即将所述双向交流/直流变换器11与市电5连通,此时所述充电单元1、所述控制单元2、所述处理单元3均为工作状态;
第二步:通过所述处理单元3对脉冲类型和充放电时间进行设定;
第三步:通过所述控制单元2管理所述交流/直流变换器11和所述双向直流/直流变换器12,当所述充电单元1发出正脉冲时对电池充电,充电时间为t1;在t1结束后,所述充电单元1发出负脉冲对所述电池放电,放电时间为t2,如此重复上述正/负脉冲的充/放电过程。
第四步:完成所述电池41充电。
实施例2
结合图1和图2,本实施例与实施例1的区别之处在于,所述处理单元包括深度学习模块,用于建立深度学习参数优化模型,通过所述深度学习模块对所述脉冲充放电参数进行优化,具体工作原理:
第一步:通过所述充电单元1检测充电时电池阻抗,通过所述处理单元3中的深度学习模块建立第一深度学习参数优化模型,以电池充放电时实时检测的电池阻抗和电池电流信息为输入,以极化效应最小为目标,实现充电脉冲波形参数的自适应调整,完成充放电脉冲波形参数的优化控制;其中所述充放电脉冲波形参数,即充电正脉冲中周期性插入的放电负脉冲的宽度;所述第一深度学习参数优化模型建立方法在于,搭建第一深度学习框架,且将所述电池阻抗和所述电池电流数据传输到搭建的所述第一深度学习框架中;通过搭建的所述第一深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到第一深度学习参数优化模型。
如图1,基于电池阻抗与充放电极化效应建立的深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层,其中电池阻抗特征变量以电池充满电时总内阻的2倍为标准进行转换,得到[0,1]范围的数字,最大值不大于1,大于1时取1;电池电流特征变量以电池额定电流为标准进行转换,得到标幺值表示;节点之间通过权重值连接,通过采用反向传播算法学习优化权重值,训练以达到损失最低;非线性转换层采用ReLU激活函数处理,即激活函数为:f(x)=max(0,1);
第二步:通过所述处理单元3中的深度学习模块建立第二深度学习参数优化模型,以电池充放电时实时检测的电池电压和所述电池电流信息为输入,以提高充电效率为目标,实现充放电电流幅值参数的自适应调整,完成充电电流幅值参数的优化控制;其中所述第二深度学习参数优化模型建立方法在于,搭建第二深度学习框架,且将所述电池电压和所述电池电流数据传输到搭建的所述第二深度学习框架中;通过搭建的所述第二深度学习框架对所述电池阻抗和所述电池电流数据进行深度学习训练,得到所述第二深度学习参数优化模型。充放电速度与充放电效率,在理论上是存在对立和竞争关系的,在实际充放电应用中,可以选择适宜的大倍率充电电流,优化充放电过程中电池的极化效应程度,使电池不会大量产生气体和严重发热,而这个适宜的充放电速度,就可以采用充放电效率模型来选择;
如图2,基于充放电效率、电池电压和电流建立的深度学习参数优化模型,包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层,其中电池电压特征变量以电池最大电压值为标准进行转换,得到[0,1]范围的数字;电池电流特征变量以电池额定电流为标准进行转换,得到标幺值表示;电池充放电效率特征变量为[0,1]范围的数字;节点之间通过权重值连接。通过采用反向传播算法学习优化权重值,训练以达到损失最低;非线性转换层采用ReLU激活函数处理,即激活函数为:f(x)=max(0,1),充放电速度与充放电效率,在理论上是存在对立和竞争关系的,在实际充放电应用中,可以选择适宜的大倍率充电电流,优化充放电过程中电池的极化效应程度,使电池不会大量产生气体和严重发热,而这个适宜的充放电速度,就可以采用充放电效率模型来选择;
第三步:将第一步中所述优化的充放电脉冲波形参数和第二步中所述优化的充放电电流幅值参数通过所述处理单元3进行加权优化组合,得到最佳脉冲充放电参数;
第四步:所述处理单元3将第三步所述最佳脉冲充放电参数数据传递至所述控制单元2,所述控制单元2管理所述交流/直流变换器11和所述双向直流/直流变换器12以最佳脉冲充放电参数进行输出,从而让电池快速充电性能和使用寿命最大化这两个矛盾参数都得到优化。
实施例3
本实施例与实施例2的区别之处在于,所述处理单元还包括智能计算模块,所述智能计算模块具有自学习功能,用于调节所述脉冲充放电参数实时优化的速度和稳定性。
实施例4
本实施例与实施例2的区别之处在于,所述处理单元还包括专家库,所述专家库包括通过实验研究得到的多组脉冲充放电优化参数,用于提供多种充放电方案。
以上所述仅为本实用新型的较佳实施例,对本实用新型而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本实用新型权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本实用新型的保护范围内。