本发明专利技术公开了一种基于SOC预估的辅助均衡充电装置，包括整流模块、驱动模块、输出模块、采集模块、机器学习模块；驱动模块对输入的电流进行变换，采集模块对输出模块的电压和电流进行采集反馈；机器学习模块根据得到的数据，对电池的SOC进行预估，根据预估的SOC计算得到最优的输出波形和频率数据，并控制MCU生成并输出对应的波形。驱动模块基于接收到的波形信号控制驱动模块中的开关管导通或截止，最终达到稳定输出电流大小的目的。到稳定输出电流大小的目的。到稳定输出电流大小的目的。
【技术实现步骤摘要】
一种基于SOC预估的辅助均衡充电装置
[0001]本专利技术涉及动力电池组均衡充电
，尤其是涉及一种基于SOC预估的辅助均衡充电装置。
技术介绍
[0002]锂离子电池具有比能量大等优点，已经广泛应用于电动汽车、移动设备等众多行业。由于单体锂电池的电压和容量限制，在实际使用中通常将多节单体锂离子电池串联组成电池组。但各个单体电池之间性能存在着不同，因此单体电池的性能会影响到电池组的特性。个别单体电池容量和寿命的下降，会导致电池组的使用寿命和使用容量的急剧降低。为了减少单体电池间的不平衡，在充电过程中需对电池组进行均衡充电。因此，需要有效的均衡充电电路，实现对电池组均衡充电。
技术实现思路
[0003]本专利技术的目的是提供了一种基于SOC预估的辅助均衡充电装置，该装置提高了电池组均衡充电的效率。该装置基于SOC(state of charge)的反馈控制，实现了自适应的辅助均衡充电。
[0004]为实现上述目的，本专利技术提供了如下技术方案：
[0005]一种基于SOC预估的辅助均衡充电装置，包括：整流模块、驱动模块、输出模块、采集模块、机器学习模块；
[0006]所述整流模块与所述驱动模块电连接，用于将输入的市电进行整流后输送给所述驱动模块；
[0007]所述驱动模块与所述输出模块电连接，驱动模块对电流进行变换，将变换后的电流输送给输出模块；输出模块对电压和电流整流后，作为装置的最终输出；
[0008]所述采集模块的输入端与所述输出模块电连接，对输出模块的电压和电流进行采集反馈；
[0009]所述采集模块的输出端与所述机器学习模块电连接，将采集到的数据转换后传输到机器学习模块；
[0010]所述机器学习模块根据得到的数据，对电池的SOC进行预估，根据预估的SOC计算得到最优的输出波形和频率数据，并控制MCU(micro controller unit)生成并输出对应的波形；
[0011]所述机器学习模块输出端与所述驱动模块电连接，用于将输出的波形传输给驱动模块，控制所述驱动模块中的开关管导通或截止；
[0012]进一步地，机器学习模块中设有数据处理芯片，将采集到的数据利用人工神经网络进行学习和训练；
[0013]进一步地，优选采用循环神经网络的方式对数据进行训练，将一个时间段内的数据作为输入，得到当前时刻的输出；
[0014]进一步地，驱动模块中设有主变压器，主变压器副边有两个线圈输出，分别定义为第一线圈和第二线圈；第一线圈为辅助输出，第二线圈为主输出，采集模块采集第二线圈的输出作为反馈控制；
[0015]进一步地，所述驱动模块设有开关管，开关管的导通和截至频率限制在50KHz到110KHz之间；
[0016]进一步地，所述采集模块还包括误差比例放大电路，用于缩放接收到的电流和电压信号；
[0017]进一步地，所述驱动模块设有驱动电路，驱动电路包括脉冲芯片MCU1、电容C1、电容C2、电容C3、电阻R1、电阻R2、电阻R3、电阻R4、电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电阻R10、二极管D1、二极管D2、二极管D3、二极管D4、二极管D5、第一晶体管Q1、第二晶体管Q2、第三晶体管Q3、第四晶体管Q4、变压器T1；脉冲芯片MCU1的引脚1、2、7与机器学习模块连接；脉冲芯片MCU1的引脚5与第三晶体管Q3的栅极连接；第三晶体管Q3的漏极与第一晶体管Q1的栅极、第四晶体管Q4的栅极连接；第一晶体管Q1的发射极与第四晶体管Q4的发射极、二极管D4负极、电阻R8连接；第二晶体管Q2的栅极与二极管D4正极、电阻R8连接，第二晶体管Q2的漏极与二极管D2的正极、变压器T1原边的负端连接，第二晶体管Q2的源极与电阻R9、R10连接；脉冲芯片MCU1利用机器学习模块发送的数据，生成相应类型的波形，从脉冲芯片MCU1的引脚5输出波形，从而驱动第三晶体管Q3的导通和截止；第三晶体管Q3的导通时，第一晶体管Q1导通，第四晶体管Q4截止，因此第二晶体管Q2导通；第三晶体管Q3的截止时，第一晶体管Q1截止，第四晶体管Q4导通，因此第二晶体管Q2截止；通过第一晶体管Q1、第三晶体管Q3、第四晶体管Q4的协同工作，实现对驱动电流的放大，最终利用第二晶体管Q2实现对变压器T1原边电流的驱动。
[0018]本专利技术的有益效果包括但不限于：
[0019](1)本专利技术提供的基于SOC预估的辅助均衡充电装置，包括：整流模块、驱动模块、输出模块、采集模块、机器学习模块；
[0020]驱动模块对输入的电流进行变换，采集模块对输出模块的电压和电流进行采集反馈；机器学习模块根据得到的数据，对电池的SOC进行预估，根据预估的SOC计算得到最优的输出波形和频率数据，并控制MCU生成并输出对应的波形。
[0021]所述驱动模块基于接收到的波形信号控制驱动模块中的开关管导通或截止，最终达到稳定输出电流大小的目的。
[0022](2)本专利技术还包括主变压器；主变压器的原边有一个线圈输入；副边有两个线圈输出，分别定义为副边第一线圈和副边第二线圈。副边第一线圈为辅助输出，副边第二线圈为主输出。副边第一线圈的输出为机器学习模块供电。副边第二线圈的输出为采集模块供电，采集模块采集副边第二线圈的输出作为反馈控制。采集模块还包括误差比例放大电路，用于缩放接收到的电流和电压信号。
[0023](3)本专利技术提供的基于SOC预估的辅助均衡充电装置，能根据采集到的电压和电流数据，预估电池的SOC数据，并根据SOC数据确定均衡充电的参数，提高了电源的效率，同时提高了均衡充电的效率。同时，在充电过程中，机器学习模块继续采集充电电流、脉冲占空比和频率、电池组电压和温度的变化，采用无监督学习，优化SOC的预估模型。
附图说明
[0024]图1是本专利技术提供的基于SOC预估的辅助均衡充电装置的结构示意图；
[0025]图2是本专利技术实施例提供的驱动电路、副边第一线圈输出的电路图；
[0026]图3是本专利技术实施例提供的副边第二线圈输出的电路图；
[0027]图4是本专利技术实施例提供的采样反馈电路的电路图；
[0028]图5是本专利技术实施例提供的SOC预估数据图。
具体实施方式
[0029]下面结合实施例详述本专利技术，但本专利技术并不局限于这些实施例。
[0030]图1是本申请提供的一种基于SOC预估的辅助均衡充电装置流程示意图，如图1所示，包括：整流模块、驱动模块、输出模块、采集模块、机器学习模块；
[0031]整流模块与驱动模块电连接，用于将输入的市电进行整流后输送给驱动模块；
[0032]驱动模块与输出模块电连接，驱动模块对电流进行变换，将变换后的电流输送给输出模块。输出模块对电压和电流整流后，作为装置的最终输出；
[0033]采集模块的输入端与输出模块电连接，对输出模块的电压和电流进行采集反馈；
[0034]采集模块的输出端与机器学习模块电连接，将采集到的数据转本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于SOC预估的辅助均衡充电装置，其特征在于，包括：整流模块、驱动模块、输出模块、采集模块、机器学习模块；所述整流模块与所述驱动模块电连接，用于将输入的市电进行整流后输送给所述驱动模块；所述驱动模块与所述输出模块电连接，驱动模块对电流进行变换，将变换后的电流输送给输出模块，输出模块对电压和电流整流后，作为装置的最终输出；所述采集模块的输入端与所述输出模块电连接，对输出模块的电压和电流进行采集反馈；所述采集模块的输出端与所述机器学习模块电连接，将采集到的数据转换后传输到机器学习模块；所述机器学习模块根据得到的数据，对电池的SOC进行预估，根据预估的SOC计算得到最优的输出波形和频率数据，并控制MCU生成并输出对应的波形；所述机器学习模块输出端与所述驱动模块电连接，用于将输出的波形传输给驱动模块，控制所述驱动模块中的开关管导通或截止。2.根据权利要求1所述的基于SOC预估的辅助均衡充电装置，其特征在于，所述机器学习模块中设有数据处理芯片，将采集到的数据利用人工神经网络进行学习和训练；优选采用循环神经网络的方式对数据进行训练，将一个时间段内的数据作为输入，得到当前时刻的输出。3.根据权利要求1所述的基于SOC预估的辅助均衡充电装置，其特征在于，所述驱动模块还包括至少四个晶体管，所述晶体管实现对主变压器原边的电流变换，所述晶体管的导通和截止由所述机器学习模块决定。4.根据权利要求1所述的基于SOC预估的辅助均衡充电装置，其特征在于，所述驱动模块中设有主变压器；所述主变压器副边有两个线圈输出，分别定义为第一线圈和第二线圈；第一线圈为辅助输出，第二线圈为主输出，采集模块采集第二线圈的输出作为...
【专利技术属性】
技术研发人员：廣田薰，陈曦，戴亚平，贾之阳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。