一种低压智能BMS系统的自适应充放电控制方法与流程

摘要: 本发明涉及电池管理,尤其是涉及一种低压智能bms系统的自适应充放电控制方法。背景技术:1、随着分布式能源和储能系统的快速发展,低压直流配电系统在数据中心、通信基...
一种低压智能BMS系统的自适应充放电控制方法与流程

本发明涉及电池管理,尤其是涉及一种低压智能bms系统的自适应充放电控制方法。

背景技术:

1、随着分布式能源和储能系统的快速发展,低压直流配电系统在数据中心、通信基站、电动汽车及微电网等领域的应用日益广泛。电池管理系统作为储能系统的核心组件,其充放电控制策略的优劣直接影响到电池组的使用效率、寿命周期及系统运行的安全性。

2、目前,现有的低压bms充放电控制方法大多采用基于规则的控制策略,例如常见的三段式充电策略(即涓流充电、恒流充电和恒压充电)以及简单的放电截止保护策略。这些方法虽然实现简单、可靠性高,但存在以下明显的技术缺陷和不足:

3、第一,缺乏自适应能力。传统控制策略的参数通常是固定的或基于简单查表法确定的,无法根据电池的实时状态(如老化程度、温度变化、soc状态)进行动态调整,导致在全生命周期内的控制效果次优,尤其在电池老化后期,容易出现过充或过放风险。

4、第二,状态估计精度低。传统的bms对电池soc和soh的估计方法较为粗糙,常采用安时积分法结合简单的开路电压修正,该方法在动态工况下累积误差大,且无法实时考量电池老化对内阻和容量的影响,导致估计值与实际值偏差较大,为控制决策带来根本性的数据错误。

5、第三,控制目标单一。现有方法通常仅以保障安全或达到额定容量为单一控制目标,未能综合考虑充电效率、放电能量回收率以及电池寿命衰减等多维度的优化目标,无法实现系统整体能效的最优化。

6、第四,无法适应复杂工况。在低压直流母线电压波动频繁、负载突变的应用场景下,现有的控制方法响应滞后,容易出现电流冲击,影响电池和负载设备的稳定运行。

7、因此,亟需一种能够解决上述问题的、具备高自适应性、高精度状态协同估计能力且能实现多目标优化的智能充放电控制方法。

技术实现思路

1、本发明的目的是提供一种低压智能bms系统的自适应充放电控制方法,解决了现有技术中bms控制策略缺乏自适应能力、状态估计精度低、控制目标单一及无法适应复杂工况的技术问题。

2、为实现上述目的,本发明提供了一种低压智能bms系统的自适应充放电控制方法,包括以下步骤:

3、s1:数据采集,获取电池组的实时状态数据,该实时状态数据至少包括端电压、充放电电流和温度。采集频率根据电池动态特性设定,采样周期设置为0.1秒至1秒之间。采集到的模拟信号经抗混叠滤波和模数转换后,转换为数字信号供后续步骤使用。

4、s2:电池等效电路模型参数在线辨识,构建基于改进型多新息最小二乘法的电池等效电路模型参数在线辨识策略,利用步骤s1获取的该实时状态数据,对电池模型的欧姆内阻、极化内阻和极化电容进行在线辨识,得到电池模型的实时参数矩阵,其中为离散采样时刻序号。

5、s3:电池荷电状态与健康状态协同估计,基于步骤s2得到的该实时参数矩阵,利用双扩展卡尔曼滤波算法对电池的荷电状态soc和健康状态soh进行协同估计,得到当前电池荷电状态值和健康状态值。

6、s4:自适应充放电控制目标函数构建,建立自适应充放电控制目标函数,该目标函数以最大化充电效率和放电能量回收率为目标,并以电池荷电状态、健康状态、实时温度及电流倍率为约束条件。

7、s5:最优充放电控制策略求解,将步骤s3得到的该当前电池荷电状态值、健康状态值以及步骤s1获取的该实时状态数据输入至基于改进型深度确定性策略梯度算法构建的自适应充放电控制模型中,通过该控制模型输出最优充放电控制策略,该最优充放电控制策略包含当前时刻的最优充放电电流指令值。

8、s6:充放电控制指令生成与执行,根据步骤s5得到的该最优充放电控制策略,生成并执行充放电控制指令,该指令用于控制连接在电池组与低压直流母线之间的双向dc-dc变换器,实现对电池充放电电流的闭环调节。

9、优选的,步骤s2中该改进型多新息最小二乘法在标准多新息最小二乘法的基础上引入自适应遗忘因子和可变数据窗口长度。该自适应遗忘因子根据电池端电压预测误差的协方差矩阵进行动态调整,具体调整方式为:

10、;

11、其中,和分别为遗忘因子的上限值和下限值,为预设的调整系数,表示矩阵的迹运算。该可变数据窗口长度根据电池充放电电流的变化率进行自适应调节,当电流变化剧烈时减小窗口长度以提高跟踪速度,当电流平稳时增大窗口长度以抑制噪声干扰。

12、优选的,该电池等效电路模型为一阶rc网络模型,该模型由欧姆内阻与一个并联的rc网络串联构成,其中rc网络由极化内阻和极化电容并联组成。该模型在频域中的传递函数为:

13、;

14、其中,为拉普拉斯算子;该实时参数矩阵为。

15、优选的,步骤s3中该双扩展卡尔曼滤波算法包括第一扩展卡尔曼滤波器和第二扩展卡尔曼滤波器。该第一扩展卡尔曼滤波器用于估计电池的荷电状态soc,该第一扩展卡尔曼滤波器的状态方程以安时积分法为基础并引入补偿系数,具体形式为:

16、;

17、其中,为电池额定容量,为采样周期,为第时刻的补偿系数。该第二扩展卡尔曼滤波器用于估计电池的健康状态soh,该第二扩展卡尔曼滤波器以电池欧姆内阻增量作为健康状态的表征参数,其状态方程为:

18、;

19、其中,为过程噪声,服从均值为零的高斯分布。

20、优选的,该补偿系数为电池温度、充放电电流和循环次数的多维函数,该补偿系数的具体表达式为:

21、;

22、其中,为电池温度(单位:℃),为充放电电流(单位:a,充电为正、放电为负),为电池循环次数(单位:次),至为通过前期对同型号电池进行大量混合脉冲功率特性测试,并利用多元回归分析拟合得到的系数矩阵,该系数矩阵预先存储于bms的存储单元中。

23、优选的,步骤s4中该自适应充放电控制目标函数的数学表达式为:

24、;

25、其中,和分别为积分起始时刻和终止时刻,为充电效率(定义为电池实际存储能量与变换器输入电能之比),为放电能量回收率(定义为变换器输出电能与电池释放能量之比),和为动态权重系数。该动态权重系数和根据当前电池荷电状态soc与目标荷电状态的偏差进行实时调整,具体调整方式为:当时,增大以侧重充电效率优化;当时,增大以侧重放电回收率优化;当时,。

26、优选的,该约束条件以惩罚函数的形式嵌入至该自适应充放电控制目标函数中。该惩罚函数包括电池荷电状态越限惩罚项、健康状态衰减惩罚项、温度越界惩罚项和电流变化率惩罚项,具体表达式为:

27、;

28、其中,和分别为荷电状态的下限值和上限值,为允许的最高温度,为相邻时刻的电流变化率(即),、、、分别为对应各项的惩罚系数。该电流变化率惩罚项用于抑制充放电电流的剧烈波动,保护电池和直流母线侧设备。

29、优选的,步骤s5中该改进型深度确定性策略梯度算法在经验回放池中引入优先经验回放机制。该优先经验回放机制根据时序差分误差的大小为每个样本分配采样概率,具体分配方式为:

30、;

31、其中,为第个样本的优先级,与正相关,为用于调节采样倾向度的超参数,。该控制模型的动作空间定义为充放电电流指令值,状态空间定义为电池荷电状态soc、健康状态soh、端电压、电流及温度构成的高维向量。

32、优选的,在执行该充放电控制指令之前,还包括安全校验步骤s61:将该最优充放电控制策略下的电流指令值与预设的安全阈值区间进行比较,若该电流指令值超出该安全阈值区间,则对该电流指令值进行限幅处理,并以限幅后的电流值更新该充放电控制指令,具体为:

33、;

34、其中,为最终执行的控制指令电流值。

35、优选的,还包括模型参数自适应更新步骤s7:该步骤基于实时采集的电池端电压和电流数据,利用递推最小二乘法对该自适应充放电控制模型中的电池等效电路模型参数进行在线修正,并将修正后的参数反馈至该双扩展卡尔曼滤波算法,实现全生命周期的模型参数自适应更新。

36、因此,本发明采用上述结构的一种低压智能bms系统的自适应充放电控制方法,具备以下有益效果:

37、(1)本发明通过融合改进型多新息最小二乘法的在线参数辨识与双扩展卡尔曼滤波算法,实现了电池模型参数的实时追踪与soc/soh的协同估计,能够有效抑制安时积分法的累积误差,并能实时适应电池老化带来的模型参数变化,显著提高了在复杂动态工况下soc和soh的估计精度。

38、(2)本发明构建了兼顾充电效率和放电能量回收率的多目标优化函数,并引入动态权重系数,能够根据电池当前状态和系统需求实时调整控制侧重点,在追求能效最优的同时主动规避过充、过放、过温等危害电池安全与寿命的操作。

39、(3)本发明将改进型深度确定性策略梯度算法应用于充放电控制,其特有的优先经验回放机制和连续动作空间设计,能够从历史运行数据中高效学习最优控制策略,自适应地应对电池老化、工况变化等复杂非线性特性。

40、(4)本发明通过引入电流变化率惩罚项和指令执行前的安全校验步骤,有效抑制了充放电电流的突变和冲击,保护了电池和直流母线侧负载设备。

41、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。