一种电池组的智能均衡方法和智能均衡系统技术方案

本发明专利技术涉及一种电池组的智能均衡方法和智能均衡系统，包括建立单元、训练单元和均衡单元，所述建立单元，用于建立神经网络模型；所述训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；所述均衡单元，用于根据所述输出信号，对所述电池组进行均衡。可见，该电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。

【技术实现步骤摘要】

本专利技术涉及锂电池管理系统
，尤其涉及一种电池组的智能均衡方法和智能均衡系统。
技术介绍
锂电池组主用应用于新能源电动汽车行业以及储能系统产品。目前新能源电动汽车和电池储能行业发展迅猛。对于电动车用锂电池组以及大中型电池储能系统，设计良好的BMS(BatteryManagementSystem、电池管理系统)显得极为重要。其中BMS需要实现的最重要的功能之一就是电池组的均衡功能。锂电池组的制造，无论怎样都始终会存在单体电池之间的差异，该差异主要表现在内阻会随着时间推移和温度波动而变化，进而使得电池的容量会有所差异。高内阻和低容量的单体电池，在放电电流大的时候会出现更大的电压摆幅。所以，与标准电池差异大的单体电池就更容易损坏，成为整个电池组的短板，形成木桶效应，导致整组电池的性能变差。目前主要的BMS均衡方法有以下两种：1)主动式均衡方式：利用辅助电源对能量低的单体电池补充电能，使其向能量高的单体电池看齐，弥补短板。也可使用能量转移的方式，比如利用电容作为中转站进行能量转移，将高能量的单体电池的能量转移至低能量的单体电池。2)被动式均衡方式：将能量高的单体电池放电，使其向能量低的单体电池看齐。其实，无论采用以上哪种均衡方式，要想提高电池组均衡的有效性，其核心技术之一就在于把握均衡的时机，如何时进行均衡，均衡多少能量，均衡到何种程度才算合适等。对此，目前业界仍没有可靠成熟的解决方案，通常是根据经验，当单体电池之间的电压差达到一定值时就启动均衡，当单体电池之间电压趋于一致时关闭均衡，或者根据经验采用一定的固定算法来确定均衡时机。不过由于锂电池组的放电性能会随着放电次数，放电倍率的不同而不断变化的，所以这些做法并不能确保获得良好的均衡效果。
技术实现思路
本专利技术的目的在于提出一种电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。为达此目的，本专利技术采用以下技术方案：第一方面，提供一种电池组的智能均衡方法，包括：建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；根据所述输出信号，对所述电池组进行均衡。其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。其中，所述通过遗传算法训练神经网络，包括依次执行的以下操作：(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；(3)根据适应度算法计算染色体的适应度；(4)通过选择算法，选择出适应度较高的染色体；(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。其中，所述需要均衡的容量，包括：对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。其中，所述电池组为锂电池组。第二方面，提供一种电池组的智能均衡系统，包括：建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；均衡单元，用于根据所述输出信号，对所述电池组进行均衡。其中，所述神经网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容量是根据电池组的每个子电池之间的电压差而获得。其中，所述通过遗传算法训练神经网络，包括依次执行的以下操作：(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；(3)根据适应度算法计算染色体的适应度；(4)通过选择算法，选择出适应度较高的染色体；(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新一代种群；(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求。其中，所述需要均衡的容量，包括：对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进或转移出的能量；对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉的能量。其中，所述电池组为锂电池组。本专利技术的有益效果在于：一种电池组的智能均衡方法和智能均衡系统，包括建立单元、训练单元和均衡单元，所述建立单元，用于建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；所述训练单元，用于建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；所述均衡单元，用于根据所述输出信号，对所述电池组进行均衡。可见，该电池组的智能均衡方法和智能均衡系统，能够基于遗传算法神经网络实现电池组的有效智能均衡，可实施性强。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出本文档来自技高网...

【技术保护点】
一种电池组的智能均衡方法，其特征在于，包括：建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、放电倍率中的至少一项；建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均衡的时间、开启均衡的电流中的至少一项；根据所述输出信号，对所述电池组进行均衡。

【技术特征摘要】
1.一种电池组的智能均衡方法，其特征在于，包括：
建立神经网络模型，所述神经网络模型的输入信息包括电池组的累计循环
次数、累计放电时长、前一次均衡的容量、当前已放电容量、预测的剩余电量、
放电倍率中的至少一项；
建立训练样本组，针对所述训练样本组中的每个电池组，通过遗传算法训
练神经网络，直到所述神经网络模型收敛到输出信号能满足预设的电池组的均
衡性能要求；其中，所述输出信号包括所述电池组的需要均衡的容量、开启均
衡的时间、开启均衡的电流中的至少一项；
根据所述输出信号，对所述电池组进行均衡。
2.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述神经
网络模型的第一次训练的输入信息为预设的均衡的容量，所述预设的均衡的容
量是根据电池组的每个子电池之间的电压差而获得。
3.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述通过
遗传算法训练神经网络，包括依次执行的以下操作：
(1)通过直接赋值为神经网络产生初始的权值、阈值并编码；
(2)以神经网络的所述权值为数字染色体，确定所述神经网络输入参数，
通过神经网络对输入参数进行运算，产生相应数字染色体的网络输出；
(3)根据适应度算法计算染色体的适应度；
(4)通过选择算法，选择出适应度较高的染色体；
(5)通过变异算法和杂交算法，对被选中的染色体进行杂交、变异产生新
一代种群；
(6)返回操作(2)，直到所述神经网络模型收敛到输出信号能满足预设的
电池组的均衡性能要求。
4.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述需要
均衡的容量，包括：
对于主动式均衡方式，所述需要均衡的容量为被均衡的子电池需要转移进
或转移出的能量；
对于被动式均衡方式，所述需要均衡的容量为被均衡的子电池需要消耗掉
的能量。
5.根据权利要求1所述的电池组的智能均衡方法，其特征在于，所述电池
组为锂电池组。
6.一种电池组的智能均...

【专利技术属性】
技术研发人员：李民英，陈宇，王一博，
申请(专利权)人：广东志成冠军集团有限公司，
类型：发明
国别省市：广东;44