一种基于NSGA-2遗传算法的锂电池均衡指标优化方法技术

本发明专利技术公开了一种基于NSGA

【技术实现步骤摘要】
一种基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法


[0001]本专利技术涉及锂离子电池应用
，具体为一种基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法。

技术介绍

[0002]锂离子电池(简称锂电池)因其具有高能量密度、低自放电率、无记忆性等优势被广泛应用于各种储能领域。由于锂电池单体电压一般在2～4.2V，为了满足高电压、大电流等负载的供电需求，需要将成百上千节单体串并联。然而，电芯制造过程中存在的原料、工艺和装配等因素会导致内阻、容量和自放电率等内部特征的不一致；电池使用过程中存在的环境温度、充放电电流和放电深度等外部因素则会加剧电池组的不一致性。因此，电池成组后不一致性是必然存在的，需要利用均衡技术检测电池组内单体的运行状态，改善电池之间的差异性。
[0003]设计均衡系统的第一步则是确定均衡拓扑，常见的均衡拓扑有三类：被动均衡拓扑、主动均衡拓扑、可重构均衡拓扑。均衡系统的关键一步是判断电池组当前是否需要均衡，所以均衡系统需要选择均衡指标并设定相应的阈值去评估电池组当前的一致性状态。常见的均衡指标有电压、荷电状态(State of Charge,SOC)以及容量。为了评估均衡系统的均衡性能则应该设定相应指标(均衡目标)来评价系统在均衡后应到达的状态，比如电池组电压一致性、SOC一致性、系统的均衡速度等。而根据均衡拓扑选择的不同，系统也会将一些其他的均衡目标纳入考虑范围。比如，主动均衡拓扑会设定诸如储能元件个数、开关个数、均衡成本等多个目标。但是现阶段针对均衡系统阈值的研究存在两方面的问题，一是均衡阈值是由人工经验设定的，缺乏理论依据，这将导致由该方法所选均衡阈值并不一定能使系统的目标达到最优，即不一定能够获得最优阈值；另一方面则是现有研究大多只关注了单一均衡目标，但锂电池实际运行工况复杂多变，对多个目标进行系统性优化更加符合实际需求。
[0004]非支配遗传算法(Non
‑
dominated Sorting Genetic Algorithm
‑
II,NSGA
‑
2)因其搜索范围不受限制、能动态地优化多个目标且保证了非劣最优解的均衡分布等优势被广泛应用于求解多目标问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提供一种基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法，针对锂电池均衡指标的优化，通过NSGA
‑
2遗传算法得到Pareto解集后制定相应的目标决策策略，从而得到兼顾多个均衡目标的最优阈值，解决了均衡系统阈值依靠人工经验设定及只关注一个均衡目标的问题。技术方案如下：
[0006]一种基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法，包括以下步骤：
[0007]步骤1：确定优化锂电池均衡指标的目标函数为：
[0008][0009]式中，Δ
V
为均衡阈值，N
sw
为电力电子开关动作次数，T
eq
为均衡速度，σ
SOC
表征电池组均衡后SOC的一致性，由电池组SOC标准差的平均值表示，σ
SOC_max
为电池组σ
SOC
的最大值；
[0010]步骤2：根据均衡阈值Δ
V
的取值范围收集NEDC工况下系统运行的经验数据，对收集的经验数据进行数据拟合，求解得到均衡阈值Δ
V
与均衡指标之间的关系式；
[0011]步骤3：使用NSGA
‑
2遗传算法，利用均衡阈值Δ
V
与均衡指标之间的关系式计算每个点的数据，对目标函数进行优化，并得到Pareto解集；
[0012]步骤4：设计多目标决策策略在Pareto解集中找到最优解。
[0013]进一步的，所述步骤2中均衡阈值Δ
V
的取值范围具体为：
[0014]由下式确定均衡阈值的最小值：
[0015][0016]式中，n为电池组中电池单体的数目，n1为电压分布在V
c
的电池单体的块数，n2为电压分布在V
c
+D_V的电池单体的块数，V
c
为假设值，D_V为电池管理系统的理想精度；Cell_V
i
表示某电池单体的电压，为各电池单体电压的平均值；
[0017]当n2＝n/2时，得到均衡阈值的最小值
[0018]均衡阈值最大值取初始时刻电池组电压的差异Δ
V_初始状态
；
[0019]均衡阈值Δ
V
的取值范围为：
[0020][0021]更进一步的，所述步骤2中，数据拟合采用三次样条插值根据已获得的有限数据得到区间内的未知数据。
[0022]更进一步的，所述步骤4具体包括：
[0023]步骤4.1：归一化处理
[0024]以Pareto解集中每个目标的最小值为10分的标准分别对三个目标的数据：电力电子开关动作次数N
sw
、均衡速度T
eq
、电池组SOC标准差的平均值σ
SOC
进行归一化处理，得到每个解在三个目标下的归一化分数，计算公式如下：
[0025][0026]其中，Score_f(i)表示目标f中第i个解的归一化分数，f_min为目标f的最小值，f(i)为目标f第i个解的值；
[0027]步骤4.2：加权处理
[0028]对于归一化处理得到的分数分别加上各自的权重系数，得到各解的加权总分；计算公式如下：
[0029][0030]其中，Score
i
为第i个解的加权总分，ω
j
为第j个目标对应的权重系数，j＝1,2,
…
,3；
[0031]步骤4.3：选择加权总分最高的解作为优化算法的最优解。
[0032]本专利技术的有益效果是：本专利技术通过NSGA
‑
2遗传算法得到Pareto解集后制定相应的目标决策策略，从而得到兼顾多个均衡目标的最优阈值，解决了均衡系统阈值依靠人工经验设定及只关注一个均衡目标的问题，并得到均衡系统的最优阈值。
附图说明
[0033]图1为可重构两开关均衡拓扑。
[0034]图2(a)为Δ
V
与N
sw
的关系式拟合结果。
[0035]图2(b)为Δ
V
与T
eq
的关系式拟合结果。
[0036]图2(c)为Δ
V
与σ
SOC
的关系式拟合结果。
[0037]图3为NSGA
‑
2算法流程图。
[0038]图4(a)为优化结果：Pareto最优解集。
[0039]图4(b)为优化结果：Δ
V
＝0.0232本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法，其特征在于，包括以下步骤：步骤1：确定优化锂电池均衡指标的目标函数为：式中，Δ
V
为均衡阈值，N
sw
为两开关可重构均衡拓扑中电力电子开关动作次数，T
eq
为均衡速度，σ
SOC
表征电池组均衡后SOC的一致性程度，由电池组SOC标准差的平均值表示，σ
SOC_max
为电池组SOC标准差的平均值的最大值；步骤2：根据均衡阈值Δ
V
的取值范围收集NEDC工况下系统运行的经验数据，对收集的经验数据进行数据拟合，求解得到均衡阈值Δ
V
与均衡指标之间的关系式；步骤3：使用NSGA
‑
2遗传算法，利用均衡阈值Δ
V
与均衡指标之间的关系式计算每个点的数据，对目标函数进行优化，并得到Pareto解集；步骤4：设计多目标决策策略在Pareto解集中找到最优解。2.根据权利要求1所述的基于NSGA
‑
2遗传算法的锂电池均衡指标优化方法，其特征在于，所述步骤2中均衡阈值Δ
V
的取值范围具体为：由下式确定均衡阈值的最小值：式中，n为电池组中电池单体的数目，n1为电压分布在V
c
的电池单体的块数，n2为电压分布在V
c
+D_V的电池单体的块数，V
c
为假设值，D_V为电池管...

【专利技术属性】
技术研发人员：彭乔，刘宇龄，孟锦豪，刘天琪，耿陈，刘一恒，
申请(专利权)人：四川大学，
类型：发明
国别省市：