智能储能式低电压治理系统的电池寿命管理电路及方法

技术领域

本发明涉及储能技术领域，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。

背景技术

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。

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。

发明内容

本发明所要解决的技术问题是提供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，能够解决储能式低压系统中电池寿命管理的上述技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

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。

上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L

上述的电池寿命管理电路的电池寿命管理方法，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。

上述的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σ

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

1)解β

由于容量训练数据X

其中，k＝1,2，…，n；

将X

Y＝Bβ (2)

其中，β＝(β

采用最小二乘估计灰色微分方程x

β＝(B

2)DGM(1,1)预测模型

令x

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回归模型；

Step1.4、容量预测，即寿命预测；采用式(6)对容量进行一步订场的趋势预测，并将预测值输入RVM回归模型，得到容量回归预测结果及其置信区间；Step1.5、结束判断；判断容量预测值是够小于设定的失效阈值，若小于设定的失效阈值，停止实验，并将容量预测值转换为RUL及置信区间；否则，转到Step1.6继续进行预测；

Step1.6、相关性分析；首先，采用新陈代谢方法，用容量的回归预测值更新原始训练数据，即将容量的回归预测值更新到原始训练数据，得到新的训练数据；然后，采用新训练数据作为DGM(1,1)输入数据进行短期预测；最后，采用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度；若二者之间关联度较大，返回Step1.4继续预测；否则，返回Step1.3更新RVM模型，并继续预测。

上述的Step2的具体步骤为：

Step2的具体步骤为：

Step2.1、特征参数选取；电池容量随着充放电循环周期的变化有一定的波动，但大体是下降趋势，由于电池间本身特性和工作环境存在一定差异，因此电池容量的衰减速率和初始容量有所不同，随着从放电周期次数的增大，电池放电到最低点所用时间和充电到最高点所用时间都呈现处减少趋势，综合分析，可以初步判断电池容量与电池的充放电电压存在某种关系；

特征参数提取是从目标数据中提取能反映目标某种特征的参数袁用来反映目标的变化与特性遥。为了避免使用单个参数产生较大误差，拟提取多个参数：等时放电电压差、等时充电电压差、放电电压均方根、放电电压衰减率、等压降放电时间和等压升充电时间。

均方根RMS_V可以反映样本的离散程度，具体到这里表示样本的变化趋势，其计算式如下：

其中，X

等时充/放电电压差V

V

式中，V

放电电压衰减率S

式中，V

等压降放电时间和等压升充电时间T

T

式中，T

提取上述特征参数后，初步判断其与容量存在某种线性关系，为了对线性相关程度进行评估，引入皮尔逊相关系数ρ

其中，X、Y分别为两个变量的样本值，

Step2.2、LSMT模型建立：

建设有h个隐藏单元，批量为n，输入数为d，因此，输入X

LSMT网络中候选记忆元

其中，W

在LSMT网络中，两个门共同作用来控制输入和遗忘：输入门控制采用多少来自

当前隐状态H

H

输出门输出一个介于0～1的值,该值确定了该LSTM基本结构需对外输出多少程度的信息,如输出门值接近1,可以有效地将所有记忆信息传递给预测部分袁如输出门值接近0,只保留记忆元内的所有信息,而不需要更新隐状态遥将记忆细胞通过tanh函数层进行非线性变换,再与sigmoid得到的数值相乘袁得到该LSTM基本单元的输出信息H

Step2.3、将Step2.1中得到的特征参数与容量关系表带入Step2.2中得到的LSMT神经网络进行训练，得到电池容量即电池寿命的预测模型，然后可以利用电池的当前参数预测出电池的寿命/容量。

本发明提供的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，具有如下有益效果：通过均衡控制电路对电池的电压进行均衡管理，提高电池的寿命，同时，利用DGM-RVM模型及LSMT神经网络模型对电池的寿命进行交叉预测和验证，能够区别与现有储能电池受不同环境影响使得结果偏差较大。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明中电池寿命管理电路的结构图；

图2为本发明中电池均衡电路；

图3为电压采集电路示意图；

图4为温度采集电路示意图；

图5为电池组均衡结构示意图；

图6为BUCK-BOOST拓扑结构。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

如图1中所示，智能储能式低电压治理系统的电池寿命管理电路，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。

上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L

均衡控制芯片U1和U2用于将MCU控制信号与电池端进行电气隔离，均衡电路的工作原理为：当电池BAT1电压U

MOSFET管的通断由MCU的控制脉冲信号PWM UP及PWM DN控制，调节PWM占空比的大小，即可调节能量转移的速度，在电池组之间连接多组均衡控制电路，如图5中所示，实现了电池单体之间的均衡，有助于延长电池寿命。

现有均衡电路BUCK-BOOST的拓扑结构如图6中所示，其工作原理如下：当V导通时，电感L电流上升，电源E对电感L充电，并将能量存储给电感L；当开关管V断开时，电感L两端电压反向，充当电源对外放电，此时二极管VD

导通。

当电路处于稳态时，电感L两端电压

当V处于通态期间，U

Et

所以输出电压为：

输出电压的高低可通过调整占空比0<α<0.5来改变,当0<α<0.5时为降压，当0.5<α<1时为升压。

MCU的控制信号PWM UP及PWM DN的占空比:为了保证在一个周期内，MOSFET管Q1和Q2的导通关断不会造成电感L

MOSFET管导通时，电感电流的变化公式如下：

其中V

上式中，T表示开关管导通关断周期，占空比D＝40％，开关频率f＝50kHz；当均衡时间t＝DT时，电感电流达到峰值，则一个T内电感上的电流变化为：

如图3中所示，上述的电压采集电路结构为：BAT1和BAT2、BAT2和BAT3、BAT3和BAT4之间分别连接一节电池；以第一节电池电压采集电路为例，输入端输出电压V

其中R

使R

使用上述智能储能式低电压治理系统的电池寿命管理电路的一种电池寿命管理方法，包括以下步骤：

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。

上述的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σ

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

1)解β

由于容量训练数据X

其中，k＝1,2，…，n；

将X

Y＝B. (2)

其中，.＝(.

采用最小二乘估计灰色微分方程x

.＝(B

2)DGM(1,1)预测模型

令x

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回归模型；

Step1.4、容量预测，即寿命预测；采用式(6)对容量进行一步订场的趋势预测，并将预测值输入RVM回归模型，得到容量回归预测结果及其置信区间；Step1.5、结束判断；判断容量预测值是够小于设定的失效阈值，若小于设定的失效阈值，停止实验，并将容量预测值转换为RUL及置信区间；否则，转到Step1.6继续进行预测；

Step1.6、相关性分析；首先，采用新陈代谢方法，用容量的回归预测值更新原始训练数据，即将容量的回归预测值更新到原始训练数据，得到新的训练数据；然后，采用新训练数据作为DGM(1,1)输入数据进行短期预测；最后，采用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度；若二者之间关联度较大，返回Step1.4继续预测；否则，返回Step1.3更新RVM模型，并继续预测。

DGM-RVM预测算法的核心是利用了DGM(1,1)趋势预测能力强、稳定性好的特点，以及依据相关性分析对RVM模型进行动态更新，灰色预测步长及相关性判断标准对预测精度及计算效率具有直接的影响。

基于概率学习的稀疏贝叶斯理论的相关向量机(Relevance Vector Machine,RVM)，该模型结合了马尔科夫性质、贝叶斯原理、自动相关决定先验和最大似然理论，相比SVM，RVM的高稀疏性减少了核函数参与计算的数量，并可以提供概率性预测结果，同时具有自动参数设置和任意使用核函数的优点。

上述的Step2的具体步骤为：

Step2.1、特征参数选取；电池容量随着充放电循环周期的变化有一定的波动，但大体是下降趋势，由于电池间本身特性和工作环境存在一定差异，因此电池容量的衰减速率和初始容量有所不同，随着从放电周期次数的增大，电池放电到最低点所用时间和充电到最高点所用时间都呈现处减少趋势，综合分析，可以初步判断电池容量与电池的充放电电压存在某种关系；

特征参数提取是从目标数据中提取能反映目标某种特征的参数袁用来反映目标的变化与特性遥。为了避免使用单个参数产生较大误差，拟提取多个参数：等时放电电压差、等时充电电压差、放电电压均方根、放电电压衰减率、等压降放电时间和等压升充电时间。

均方根RMS_V可以反映样本的离散程度，具体到这里表示样本的变化趋势，其计算式如下：

其中，X

等时充/放电电压差V

V

式中，V

放电电压衰减率S

式中，V

等压降放电时间和等压升充电时间T

T

式中，T

提取上述特征参数后，初步判断其与容量存在某种线性关系，为了对线性相关程度进行评估，引入皮尔逊相关系数ρ

其中，X、Y分别为两个变量的样本值，

Step2.2、LSMT模型建立：

建设有h个隐藏单元，批量为n，输入数为d，因此，输入X

LSMT网络中候选记忆元

其中，W

在LSMT网络中，两个门共同作用来控制输入和遗忘：输入门控制采用多少来自

当前隐状态H

H

输出门输出一个介于0～1的值,该值确定了该LSTM基本结构需对外输出多少程度的信息,如输出门值接近1,可以有效地将所有记忆信息传递给预测部分袁如输出门值接近0,只保留记忆元内的所有信息,而不需要更新隐状态遥将记忆细胞通过tanh函数层进行非线性变换,再与sigmoid得到的数值相乘袁得到该LSTM基本单元的输出信息H

Step2.3、将Step2.1中得到的特征参数与容量关系表带入Step2.2中得到的LSMT神经网络进行训练，得到电池容量即电池寿命的预测模型，然后可以利用电池的当前参数预测出电池的寿命/容量。

LSTM网络引入了记忆元袁用于记录附加的信息，为了控制记忆元袁LSTM网络引入了遗忘门，输入门和输出门，这种设计能够通过专用机制决定什么时候记忆或忽略隐状态中的输入。