智能储能式低电压治理系统的电池寿命管理电路及方法技术方案

一种智能储能式低电压治理系统的电池寿命管理电路及方法，包括

【技术实现步骤摘要】
智能储能式低电压治理系统的电池寿命管理电路及方法


[0001]本专利技术涉及储能
，具体涉及一种智能储能式低电压治理系统的电池寿命管理电路及方法
。

技术介绍

[0002]在太阳能
、
风能等清洁能源逐渐普及的环境下，新能源加上低压储能形成局域电网并连接主网，由于其不需要时刻上网，光伏及风力所产生的电能在充足时先以储能的形式进行存储，富余的电能进行逆变上网，在电能不充足时再优先消化存储的电能，这样能够及时将生产的电能就地消化，且对主电网的冲击小，不需要进行复杂的调频及因素调节以适应主网
。
[0003]现行的储能多以蓄能电池或电容的形式存在，且以蓄能电池为主，电池储存的能量密度高，且稳定性好，但由于电池在长时间充放的过程中内部化学性能发生衰减，以及充放电所产生的热效及外部环境变化也同样使其性能下降，使得电池内阻变化，导致串并联的电池间充放电步调不一致，会加速电池的性能衰减，因此，如何进行电池的寿命管理以使电池能够达到最长的使用时效，是储能式低压电压治理的主要问题，直接关系到储能式低压的经济效益...

【技术保护点】

【技术特征摘要】
1.
智能储能式低电压治理系统的电池寿命管理电路，其特征是，包括
MCU
，
MCU
与电池组的电压采集电路以及温度采集电路连接，电池组与电池均衡电路连接，
MCU
通过通讯接口与电池寿命计算服务器连接，并将电压及温度数据传送至电池寿命计算服务器，电池寿命计算服务器根据内部存储的寿命计算模型实时计算电池的寿命
。2.
根据权利要求1所述的智能储能式低电压治理系统的电池寿命管理电路，其特征在于，所述的电池均衡电路结构为：包括均衡控制芯片
U1
和
U2
，均衡控制芯片
U1
和
U2
的电源端
VCC
分别与电池
BAT1
及
BAT2
的正极连接，均衡控制芯片
U1
和
U2
的输出端
VO
分别与
MOSFET
管
Q1
和
Q2
的栅极连接，
MOSFET
管
Q2
的源极与电池
BAT3
的正极连接，
MOSFET
管
Q2
的漏极与
MOSFET
管
Q1
的源极连接以及通过电感
L1与
BAT2
的正极连接，
MOSFET
管
Q1
的漏极与电池
BAT1
的正极连接，均衡控制芯片
U1
和
U2
的触发端
ANODE
与
MCU
的控制信号
PWM UP
及
PWM DN
连接
。3.
使用上述的电池寿命管理电路的电池寿命管理方法，且特征在于，步骤为：
Step1、
建立
DGM
‑
RVM
模型，对电池寿命进行动态更新；
Step2、
在
Step1
的同时，选取用于训练的电池寿命预测的特征参数，并建立电池特征参数与电池寿命之间关系表，并将关系表带入
LSTM
神经网络进行训练，将实际的电池特征参数带入，得到动态的电池寿命预测值；
Step3、
将在
Step1
和
Step2
生成动态电池寿命预测结果交叉引入训练好的
LSTM
神经网络以及
DGM
‑
RVM
模型中进行验证，查看其差值是否超出阈值，若超出，输出报警，提醒进行模型验证
。4.
根据权利要求3所述的智能储能式低电压治理系统的电池寿命管理方法，其特征在于，所述的
Step1
的具体步骤为：
Step1.1、
初始化；选择容量数据作为初始训练数据，初始化
RVM
参数，包括核函数类型及核函数，
EM
迭代算法的最大循环次数
、
收敛条件
、
权值
ω
及噪声方差
σ2；
Step1.2、DGM(1,1)
建模；将训练数据输入
DGM(1,1)
模型，按照如下过程建立
DGM(1,1)
预测模型：建设原始训练数据序列为
X
(0)
＝
{x
(0)
(1)
，
x
(0)
(2)
，
…
，
x
(0)
(n)}
，则灰色微分方程为
x
(1)
(k+1)
＝
β1x
(1
)(k)+
β2；
1)
解
β1和
β2由于容量训练数据
X
(0)
为非负序列，所以其一次累加生成序列为：
X
(1)
＝
{x
(1
)(1)
，
x
(1
)(2)
，
…
，
x
(1)
(n)}
，其中
x
(1)
(k)
按照下式进行计算：其中，
k
＝
1,2
，
…
，
n
；将
X
(1)
代入
x
(1)
(k+1)
＝
β1x
(1
)(k)+
β2方程得到：
Y
＝
B
β
ꢀꢀꢀꢀ
(2)
其中，
β
＝
(
β1，
β2)
T
，采用最小二乘估计灰色微分方程
x
(1)
(k+1)
＝
β1x
(1)
(k)+
β2，得到方程系数为：
β
＝
(B
A
B)
‑1B
T
Y
ꢀꢀꢀꢀ
(3)
2)DGM(1,1)
预测模型令
x
(1)
(0)
＝
x
(0)
(1)
，则一次累加生成序列的估值为：其中，
k
＝
2,3
，
…
，
n
；通过还原得到
DGM(1,1)
预测模型：将公式
(5)
代入公式
(4)
中，得到：其中，
k
＝
2,3
，
…
，
n
；至此得到
DGM(1,1)
预测模型，参数
β
通过式
(3)
计算获取，通过式
(6)
可知，
DGM(1,1)
具有两个功能：一是对原始训练数据进行预测，二是通过外推进行迭代预测
‘
Step1.3、RVM
建模；采用式
(6)
对原始训练数据进行预测，并将其作为
RVM
模型的输入数据，原始训练数据作为
RVM
输出数据，采用
EM
迭代算法训练
RVM
模型，得到
RVM<...

【专利技术属性】
技术研发人员：肖浩宇，彭钢，姜佳越，桂小强，李旭阳，梁松，刘长文，肖孝镪，段超，刘小强，
申请(专利权)人：国网江西省电力有限公司芦溪县供电分公司，
类型：发明
国别省市：