锂离子电池的充电方法技术

本发明专利技术公开了一种锂离子电池的充电方法包括：通过神经网络建立锂离子电池的等效电路模型；在等效电路模型的基础上耦合传热模型以建立初始电‑热耦合模型；设计多组恒流充电方案，依据恒流充电方案对待测电池进行测试，获得多组测试数据；设计多组多阶段充电方案，将满足多目标优化模型的约束条件的多组多阶段充电方案依次输入至目标电‑热耦合模型，获得结果数据；并基于多目标优化模型对结果数据执行迭代优化，从多组多阶段充电方案中选取一组Pareto最优解作为待选充电方案；通过决策方法从所述待选充电方案中选择目标充电方案。本发明专利技术能够利用有限的实验次数为电池充电提供最佳的充电方案。

Charging method of lithium ion battery

The invention discloses a method including rechargeable lithium ion batteries: lithium ion battery equivalent circuit model is established by neural network; based on the equivalent circuit model of coupled heat transfer model to establish the initial electric thermal coupling model; design multiple constant current charging scheme, based on the constant current charging scheme to measure battery test get a set of test data; the charging scheme design of multi group multi stages, multi group multi stage charging scheme will satisfy the constraints of the multi-objective optimization model of the input to the target electric thermal coupling model, obtain the result data; and based on the multi-objective optimization model of iterative optimization results to perform data from multiple groups, multi-stage charging solution as for charging a set of Pareto optimal selection scheme; select the target to be selected from the charging scheme by decision making method in the charging scheme. The invention can provide the best charging scheme for the battery charging by using limited experimental times.

【技术实现步骤摘要】
锂离子电池的充电方法
本专利技术涉及电池
，特别涉及一种锂离子电池的充电方法。
技术介绍
锂离子电池在二次电池中拥有电池电压高、比容量大、自放电效应低，循环寿命较长、没有记忆效应的优势，是应用于可携带电子设备和电动汽车中最优秀的二次电池种类。但锂离子电池也有着容易过充，老化明显等缺点，使用时存在一定安全问题，在工作过程中必须科学有效地把控电池参数，设计合适的充电策略，才能保证电池安全高效地运行。电池的充电策略是一个综合性的问题，为了增加充电的效率，要提高充电电流；大的充电电流又会导致电池内极化现象增加，加快电池循环的老化速率。因此，充电时间、充电效率、循环寿命等性能可看作充电过程的一组权衡，对于充电策略，要做到全方面提高以上充电性能具有设计上的难度。目前最常用的二次电池充电方法是恒流恒压充电。但由于恒流充电过程中，电池承受大电流的能力逐渐降低，热效应也逐渐增大，简单地进行一段式充电在电池安全和能量效率等考量上有缺陷，因此多阶段恒流充电的概念被提出。这种方法是将充电过程划分为多个阶段，尽量让每个阶段的恒流充电电流大小适应当前电池内最大可接受充电电流的大小。因此，多个阶段的电流是逐渐减小的，来达到保证充电速率的同时保护电池安全的目的。研究显示，多阶段恒流充电的策略相比传统恒流恒压充电具有延长电池循环寿命的优点。实施多阶段恒流充电方法需要设计整个过程的阶段数、阶段电流大小和持续时间，据调研，目前对多阶段恒流策略的设计多是通过经验实现的。但是，这种经验的数值设计不符合电池种类繁多，性能指标参差不齐的应用现状，也就不能满足节能减耗、提高充电速率等要求。专利技术内容本专利技术要解决的技术问题是为了克服现有技术中锂离子电池的充电方式要么采用恒流充电，要么通过经验设计多阶段恒流充电的数值致使不能满足节能减耗、提高充电速率等要求的缺陷，提供一种锂离子电池的充电方法。本专利技术是通过下述技术方案来解决上述技术问题：一种锂离子电池的充电方法，其特点在于，所述充电方法包括以下步骤：S1、通过神经网络建立锂离子电池的等效电路模型；所述神经网络的输入参数包括电池温度和不同电池温度下的电池荷电状态数据，输出参数包括等效电路模型中的元件参数；S2、在等效电路模型的基础上耦合电池自然对流的传热模型建立初始电-热耦合模型；S3、设计多组恒流充电方案，依据恒流充电方案对待测电池进行测试，获得多组测试数据；所述测试数据用于拟合初始电-热耦合模型得到目标电-热耦合模型；拟合参数包括神经网络中的输入权重和传热模型中的热容和对流换热系数；每组恒流充电方案包括充电时间和对应的电流值；每组测试数据包括待测电池测试过程中的端电压、充电电流、电池温度和环境温度；S4、设计多组多阶段充电方案，每组多阶段充电方案包括充电阶段数、各个充电阶段的充电时间和对应的电流值；将满足多目标优化模型的约束条件的多阶段充电方案依次输入至目标电-热耦合模型，获得与每个多阶段充电方案对应的结果数据；并基于多目标优化模型对结果数据执行迭代优化，从所述多组多阶段充电方案中选取一组Pareto最优解作为待选充电方案；每组结果数据包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；多目标优化模型的评估目标包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；S5、通过决策方法从所述待选充电方案中选择目标充电方案。较佳地，所述等效电路模型为一阶RC支路等效电路模型，所述一阶RC支路等效电路模型中的元件包括直流电阻、极化电阻和极化电容；所述极化电阻和所述极化电容组成并联支路并与所述直流电阻串联。较佳地，在步骤S1中，元件参数包括直流电阻阻值、极化电阻阻值和极化电容的电容值。较佳地，在步骤S1中，所述神经网络为ELM神经网络。较佳地，在步骤S3中，基于Baron(Branch-And-ReduceOptimizationNavigator，分枝减小最优化导航)算法对初始电-热耦合模型进行拟合。较佳地，在步骤S5中，多目标优化模型的约束条件包括：各个充电阶段的电流值逐渐减小；将待测电池充电至SOC(当前电池中的电荷容量占最大电池容量的分数)大于第一预设值；充电过程中待测电池的端电压小于等于截止电压；充电过程中电池温度小于等于第二预设值。较佳地，在步骤S5之前，所述充电方法还包括：基于多目标遗传算法建立多目标优化模型。较佳地，步骤S6具体包括：通过基于TOPSIS(一中优劣评价算法)算法及待测电池的熵系数的决策方法从所述待选充电方案中选择目标充电方案；所述熵系数为待测电池的端电压与电池温度的比值。本专利技术的积极进步效果在于：本专利技术能够利用有限的实验次数为电池充电提供最佳的充电方案，以提升充电的速率、减小充电过程能耗、控制电池温度提升幅度。附图说明图1为本专利技术一较佳实施例的锂离子电池的充电方法的流程图。图2为图1中电-热耦合模型的电路图。具体实施方式下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。如图1所示，本实施例的锂离子电池的充电方法包括以下步骤：步骤101、通过神经网络建立锂离子电池的等效电路模型。其中，神经网络的输入参数包括电池温度和不同电池温度下的电池荷电状态，输出参数包括等效电路模型中的元件参数。本实施例中，使用ELM神经网络进行建模。具体的，如图2所示，等效电路模型为一阶RC支路等效电路模型，一阶RC支路等效电路模型包括直流电阻、极化电阻和极化电容，且极化电阻和极化电容组成并联支路并与直流电阻串联。则元件参数包括直流电阻阻值、极化电阻阻值和极化电容的电容值。步骤102、在等效电路模型的基础上耦合电池自然对流的传热模型以建立初始电-热耦合模型。为了提高数学模型的准确度，建模时考虑温度和SOC对电路参数的影响，因此，还对等效电路模型与热模型实施了耦合。步骤103、设计多组恒流充电方案，依据恒流充电方案对待测电池进行测试，获得多组测试数据；测试数据用于拟合初始电-热耦合模型得到目标电-热耦合模型。其中，拟合参数包括神经网络中的输入权重和传热模型中的热容和对流换热系数；每组恒流充电方案包括充电时间和对应的电流值；每组测试数据包括待测电池测试过程中的端电压、充电电流、电池温度和环境温度。本实施例中，基于Baron算法对初始电-热耦合模型进行拟合。下面详细介绍数学建模的过程：建立数学模型之前，首先，调查获取目标充电电池的额定工作参数，主要包括最大充电电流，充电截止电压等；其次，确定电池可能的工作温度范围；最后，根据最大充电电流，电池工作温度范围设计恒流恒压充电实验，实验数据越多数学模型越精确，本实施例中设计3-5个温度，3-5个恒流阶段的电流值，进行所选温度开始的CC-CV充电实验，按一定时间间隔记录电池的开路电压、端电压、充电电流、实时温度、不同温度下的电池电荷状态等数据，从而可以得到UOC-SOC曲线、熵系数-SOC曲线，为了进一步提高模型的精确度，还对曲线进行线性拟合。其中，SOC为荷电状态，介于0和1之间，也常用百分比表示，指当前电池中的荷电容量占最大电池容量的分数；UOC为开路电压；熵系数为电池的端电压与电池温度的比值。得到上述样本训练参数后，进行建模。步骤1：建立描述电池动态特性的一阶RC等效电路模型，该模型由R1，C并联后本文档来自技高网...

【技术保护点】
一种锂离子电池的充电方法，其特征在于，所述充电方法包括以下步骤：S1、通过神经网络建立锂离子电池的等效电路模型；所述神经网络的输入参数包括电池温度和不同电池温度下的电池荷电状态，输出参数包括等效电路模型中的元件参数；S2、在等效电路模型的基础上耦合电池自然对流的传热模型以建立初始电‑热耦合模型；S3、设计多组恒流充电方案，依据恒流充电方案对待测电池进行测试，获得多组测试数据；所述多组测试数据用于拟合初始电‑热耦合模型得到目标电‑热耦合模型；拟合参数包括神经网络中的输入权重和传热模型中的热容和对流换热系数；每组恒流充电方案包括充电时间和对应的电流值；每组测试数据包括待测电池测试过程中的端电压、充电电流、电池温度和环境温度；S4、设计多组多阶段充电方案，每组多阶段充电方案包括充电阶段数、各个充电阶段的充电时间和对应的电流值；将满足多目标优化模型的约束条件的多阶段充电方案依次输入至目标电‑热耦合模型，获得与每个多阶段充电方案对应的结果数据；并基于多目标优化模型对结果数据执行迭代优化，从所述多组多阶段充电方案中选取一组Pareto最优解作为待选充电方案；每组结果数据包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；多目标优化模型的评估目标包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；S5、通过决策方法从所述待选充电方案中选择目标充电方案。...

【技术特征摘要】
1.一种锂离子电池的充电方法，其特征在于，所述充电方法包括以下步骤：S1、通过神经网络建立锂离子电池的等效电路模型；所述神经网络的输入参数包括电池温度和不同电池温度下的电池荷电状态，输出参数包括等效电路模型中的元件参数；S2、在等效电路模型的基础上耦合电池自然对流的传热模型以建立初始电-热耦合模型；S3、设计多组恒流充电方案，依据恒流充电方案对待测电池进行测试，获得多组测试数据；所述多组测试数据用于拟合初始电-热耦合模型得到目标电-热耦合模型；拟合参数包括神经网络中的输入权重和传热模型中的热容和对流换热系数；每组恒流充电方案包括充电时间和对应的电流值；每组测试数据包括待测电池测试过程中的端电压、充电电流、电池温度和环境温度；S4、设计多组多阶段充电方案，每组多阶段充电方案包括充电阶段数、各个充电阶段的充电时间和对应的电流值；将满足多目标优化模型的约束条件的多阶段充电方案依次输入至目标电-热耦合模型，获得与每个多阶段充电方案对应的结果数据；并基于多目标优化模型对结果数据执行迭代优化，从所述多组多阶段充电方案中选取一组Pareto最优解作为待选充电方案；每组结果数据包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；多目标优化模型的评估目标包括充电总时间、充电前后的电池温度差和充电过程中的能量损耗率；S5、通过决策方法从所述待选充电方案中选择目标...

【专利技术属性】
技术研发人员：贺益君，姚成昊，王乾坤，沈佳妮，马紫峰，赵政威，
申请(专利权)人：上海交通大学，上海中聚佳华电池科技有限公司，
类型：发明
国别省市：上海,31