TWI658371B - 一種基於模型預測控制之電池充電演算法 - Google Patents
一種基於模型預測控制之電池充電演算法 Download PDFInfo
- Publication number
- TWI658371B TWI658371B TW107109670A TW107109670A TWI658371B TW I658371 B TWI658371 B TW I658371B TW 107109670 A TW107109670 A TW 107109670A TW 107109670 A TW107109670 A TW 107109670A TW I658371 B TWI658371 B TW I658371B
- Authority
- TW
- Taiwan
- Prior art keywords
- charging
- battery
- neural network
- temperature rise
- predicted
- Prior art date
Links
- 238000007600 charging Methods 0.000 title claims abstract description 162
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000001537 neural effect Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 description 63
- 238000012549 training Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 14
- 238000010277 constant-current charging Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000010280 constant potential charging Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 230000036961 partial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 3
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一種基於模型預測控制之電池充電演算法，其係利用一控制電路實現，該電池充電演算法包括以下步驟：設定M筆充電選項組合，各筆所述充電選項組合均包含一個預設電池剩餘電量及N個預設電流值，M、N均為大於1的整數；對各筆所述充電選項組合的第1至第N-1個所述預設電流值分別進行一庫侖積分法運算以獲得N-1個預測電池剩餘電量；利用一類神經網路模型對各筆所述充電選項組合的所述預設電池剩餘電量及第1個所述預設電流值進行一類神經網路運算以獲得一第1個預測電池溫升值，對第K個所述預設電流值及第K個所述預測電池剩餘電量進行所述的類神經網路運算以獲得一第K個所述預測電池溫升值，K=2至N；依各筆所述充電選項組合的所述預設電池剩餘電量、N-1個所述預測電池剩餘電量產生N個電池剩餘電量增量；依各筆所述充電選項組合的N個所述電池剩餘電量增量及N個所述預測電池溫升值進行一加權評分運算以使M筆所述充電選項組合各獲得一評分；以及依M個所述評分中的最高分者所對應的一筆所述充電選項組合決定一充電輸出電流。
Description
本發明係關於二次電池充電之演算法，特別是一種基於模型預測控制(Model Predictive Control, MPC)結合類神經網路之二次電池充電之演算法。
隨著二次電池相關技術的進步，二次電池已普遍應用於手機、筆記型電腦和平板電腦等產品中。在二次電池當中，鋰離子因具有高能量密度、循環壽命長、體積輕巧、無記憶效應、平均工作電壓高及自放電率低等特點，所以能成為二次電池中的主流。另外，許多大電力儲能系統也開始投入大容量鋰離子電池的研究與發展。
然而為了追求快速充電造成充電電流必須加大，卻也使得鋰離子電池的表面溫度提升、電池壽命減短。亦即，若充電時的溫度提升越高代表損耗越大，不但充電效率會下降，還會產生安全上的顧慮。
因此充電技術對二次電池來說十分重要。充電技術關係到二次電池之充電速度、充電效率、電池溫升值，電池循環壽命等因素，而已有許多研究探討如何加快充電時間、增加充電效率以及降低充電溫升值，茲簡介如下：
目前最普遍被使用的充電法為定電流定電壓充電法(Constant Current Constant Voltage, CC-CV)，充電一開始係使用定電流充電直到電池之額定上限電壓後使用額定上限電壓對電池進行充電，其優點為方法簡單，缺點為定電壓充電時間較久。有許多文獻加以改良，有文獻利用雙迴路控制，不需使用電流感測器，即可得到與定電流定電壓充電法相似的充電曲線，此方法簡單且成本更低；有文獻提出一開始使用高於電池上限額定電壓如4.3V進行定電壓充電之升壓式定電流-定電壓充電法，在定電壓週期過後切換至定電流定電壓充電法，此法能在短時間將電池充至額定容量的30%，所以充電時間較短；亦有文獻提出主動式充電狀態結合模糊控制充電法及灰預測控制電池充電系統，可在相同樣時間內充入較多的電量；或有文獻提出以鎖相迴路控制為基礎的充電法，參考相位與輸出相位比較後產生相位誤差，誤差之相位會傳送到電流源去產生適合的電流對電池充電；為了改善鎖相迴路在定電壓模式的缺點，尚有文獻提出電流泵電池充電器，定電流模式時使用電流泵充電，而定電壓模式則使用脈衝電流充電，根據文獻實驗結果，此方法充電效率高於定電流定電壓充電法，整體的充電時間也相近。
由於模型預測控制具有可應用於多種模型，且可以透過評分函數將環境因素、安全性列入考量等優點，能用以降低電池充電時的溫升值，進而達到提升充電效率，因此本領域亟需一新穎的電池充電演算法。
本發明之一目的在於揭露一種基於模型預測控制(Model Predictive Control, MPC)之電池充電法，其係結合類神經網路運算建立電池溫升模型及模型預測控制來挑選合適之充電電流，達到區域最佳控制，用以降低電池充電時的溫度上升。
本發明之另一目的在於揭露一種基於模型預測控制之電池充電法，其係結合類神經網路運算建立電池溫升模型及模型預測控制來挑選合適之充電電流，達到區域最佳控制，用以縮短電池的充電時間，提升充電效率。
本發明之再一目的在於揭露一種基於模型預測控制之電池充電法，其相較習知技術的定電流定電壓充電法，充電時間減少了2.8%，平均溫升值也降低了14.45%。
本發明之又一目的在於揭露一種基於模型預測控制之電池充電法，其能藉由降低電池充電時的溫度上升及縮短電池的充電時間而延長電池使用之循環壽命。
為達前述目的，一種基於模型預測控制之電池充電演算法乃被提出，其係利用一控制電路實現，該電池充電演算法包括以下步驟：設定M筆充電選項組合，各筆所述充電選項組合均包含一個預設電池剩餘電量及N個預設電流值，M、N均為大於1的整數；(步驟a)；對各筆所述充電選項組合的第1至第N-1個所述預設電流值分別進行一庫侖積分法運算以獲得N-1個預測電池剩餘電量；(步驟b)；利用一類神經網路模型對各筆所述充電選項組合的所述預設電池剩餘電量及第1個所述預設電流值進行一類神經網路運算以獲得一第1個預測電池溫升值，對第K個所述預設電流值及第K個所述預測電池剩餘電量進行所述的類神經網路運算以獲得一第K個所述預測電池溫升值，K=2至N；(步驟c)；依各筆所述充電選項組合的所述預設電池剩餘電量、N-1個所述預測電池剩餘電量產生N個電池剩餘電量增量；(步驟d)；依各筆所述充電選項組合的N個所述電池剩餘電量增量及N個所述預測電池溫升值進行一加權評分運算以使M筆所述充電選項組合各獲得一評分；(步驟e)；以及依M個所述評分中的最高分者所對應的一筆所述充電選項組合決定一充電輸出電流；(步驟f)。
在一實施例中，該加權評分運算係以N個所述電池剩餘電量增量的總和乘以一權重值a加上N個所述預測電池溫升值的總和乘以(100-a)而得到所述的評分，a為小於100的正整數。
在一實施例中，該權重值a係一可變的權重值。
在一實施例中，該類神經網路模型為一具有四層架構之倒傳遞類神經網路，包括1層輸入層、2層隱藏層和及1層輸出層。
在一實施例中，所述輸入層之輸入參數為所述預設電流值及所述預設電池剩餘電量，所述2層隱藏層各包含35個神經元，所述輸出層之輸出參數為所述預測電池溫升值。
在一實施例中，其進一步包含一由LabVIEW程式撰寫的人機介面以監控一溫度變化。
為使 貴審查委員能進一步瞭解本發明之結構、特徵及其目的，茲附以圖式及較佳具體實施例之詳細說明如後。
請參照圖1，其繪示本發明之基於模型預測控制之電池充電演算法之步驟流程圖。
如圖所示，本發明之基於模型預測控制之電池充電演算法，其係利用一控制電路實現，該電池充電演算法包括以下步驟：
設定M筆充電選項組合，各筆所述充電選項組合均包含一個預設電池剩餘電量及N個預設電流值，M、N均為大於1的整數；(步驟a)；
對各筆所述充電選項組合的第1至第N-1個所述預設電流值分別進行一庫侖積分法運算以獲得N-1個預測電池剩餘電量；(步驟b)；
利用一類神經網路模型對各筆所述充電選項組合的所述預設電池剩餘電量及第1個所述預設電流值進行一類神經網路運算以獲得一第1個預測電池溫升值，對第K個所述預設電流值及第K個所述預測電池剩餘電量進行所述的類神經網路運算以獲得一第K個所述預測電池溫升值，K=2至N；(步驟c)；
依各筆所述充電選項組合的所述預設電池剩餘電量、N-1個所述預測電池剩餘電量產生N個電池剩餘電量增量；(步驟d)；
依各筆所述充電選項組合的N個所述電池剩餘電量增量及N個所述預測電池溫升值進行一加權評分運算以使M筆所述充電選項組合各獲得一評分；(步驟e)；
以及依M個所述評分中的最高分者所對應的一筆所述充電選項組合決定一充電輸出電流；(步驟f)。
其中，該加權評分運算係以N個所述電池剩餘電量增量的總和乘以一權重值a加上N個所述預測電池溫升值的總和乘以(100-a)而得到所述的評分，a為小於100的正整數。
在另一實施例中，該權重值a係一可變的權重值，例如但不限於每三個取樣時間計算得一平均電流，再依該平均電流所在之區間調整該權重值a，若電流過大則降低權重值，電流過小則增加權重值。
該類神經網路模型為一具有四層架構之倒傳遞類神經網路，包括1層輸入層、2層隱藏層和及1層輸出層，所述輸入層之輸入參數為所述預設電流值及所述預設電池剩餘電量，所述2層隱藏層各包含35個神經元，所述輸出層之輸出參數為所述預測電池溫升值。
以下將針對本發明的原理進行說明：
模型預測控制
的意義：
模型預測控制(Model Predictive Control, MPC)發展於20世紀，由於工業上許多應用情境均為非線性與時變，要建立精確的模型相對困難，習知控制技術如比例積分微分(Proportional-Integral and Derivative, PID)控制及現代控制理論均難以獲得理想的控制效果。
而模型預測控制則係透過多步預測、評分函數及反饋校正等策略，而具有控制效果好及強健性等優點，因此被廣泛應用於工業控制，在石油、化工、冶金、機械等領域皆有成功的實例。
請一併參照圖2a至圖2c，其中圖2a其繪示模型預測控制之結構示意圖，圖2b其繪示模型預測控制之控制信號示意圖，圖2c其繪示模型預測控制之輸出信號示意圖。
如圖所示，模型預測控制係透過比較預測之輸出與期望值以獲得預測誤差並據以進行優化來調整輸出，因此預測控制能夠根據系統的現在的控制輸入及過程的歷史資訊來預測過程輸出的未來值。其中，k為取樣時間點、u為輸入、w為期望輸出之曲線、y為預測出來的輸出、H
p為預測之步數長度，將y與w序列相減可得誤差，透過誤差函數與優化器可以決定下一筆輸入。
而預測控制之演算法主要有基於非參數模型的算法控制(Model Algorithmic Control,MAC)、動態矩陣控制(Dynamic Matrix Control,DMC)，以及基於參數模型的廣義預測控制(General Predictive Control, GPC)等。
本發明採用基於參數模型的廣義預測控制(General Predictive Control, GPC)：
廣義預測控制由法國學者J. Richalet所發明，係透過評分函數J來優化預測控制之表現，結合自我校正之機制而具有強健性與模型要求低等特點。
在預測理論中，需要一個描述動態行為之模型，能夠透過系統歷史輸出和未來輸入來預測未來輸出，廣義預測控制模型透過受控制迴歸積分滑動平均模型可以得到預測模型，如方程式(1)所示。
(1)
其中，y為輸出、u為輸入、ε為均值為零的白雜訊序列，而A、B、C、Δ如方程式(2)所示。
(2)
為了方便運算，令c(z
-1)=1。為了利用方程式(1)來得出j步後的輸出需引入Diophantine方程式，如方程式(3)所示。
(3) 其中，
將方程式(1)兩邊乘上E
j(z
-1) Δ再將方程式(3)整理，代入可得j步後如預測方程式(4)所示。
(4)
未來的輸出預報可忽略雜訊之影響，且令E
j(z
-1)B
j(z
-1) =G
j(z
-1)，則方程式(4)可改寫如方程式(5)所示。
(5)
而G
j(z
-1)可改寫如方程式(6)所示。
(6)
其中，方程式(6)是由已知量與未知量組成，用f(k+n)來表示已知量，移項後改寫如方程式(7)所示。
(7)
再整理成矩陣形式，可寫成如方程式(8)所示。
(8)
其中，
將方程式(5)整理為方程式(9)
(9) 其中，
而為了增強系統之強健性需建立評分函數，其中需考慮現在時刻的控制u(k)對系統未來輸出之影響，評分函數如方程式(10)所示。
(10)
後項主要用於抑制過於激烈的控制增量以防止系統超出限制範圍，其中，n為預測長度，一般大於B(Z
-1)的階數；m為控制長度且m
n；l為非零之加權係數，通常令l (j)= l。
為了使預測之輸出趨近於期望輸出，期望曲線由方程式(11)所示。
(11)
其中，
y
r 為一設定值，
y(k)為輸出函數，
w(k)為期望曲線。
方程式(10)如表示為矩陣型式，得方程式(12)。
(12)
其中，[]
T表轉置矩陣 (Transposed Matrix)，再將方程式(9)代入，得方程式(13)。
(13)
而評分函數J越小越好，令
得方程式(14)。
(14)
然而實際控制時僅使用第一筆輸入，如方程式(15)。
(15)
其中g
T為
中的第一行。
由於預測控制的優化目標會隨時間推移，所以每一個時刻都有局部優化目標，優化的過程並非離線進行，因此能因應模型時變、非線性或干擾的問題來進行修補、降低偏差。
綜上所述，模型預測控制有以下幾點優點：能靈活應用於各種模型，如線性或非線性系統；能考慮到多變量之情況；評分函數中能加上各種限制且易於修改，如環境因素、安全問題。
本發明結合類神經網路之運算:類神經網路之運算係透過不斷的調整節點間的權重和偏權，使得所運算的輸出值為目標輸出值，目的係讓類神經網路能夠映射出正確的輸入輸出關係模式。
請參照圖3，其繪示本發明所使用之倒傳遞類神經網路架構示意圖。
如圖所示，本發明係使用四層之倒傳遞類神經網路架構，包括1層輸入層、2層隱藏層和及1層輸出層。
類神經網路中的輸入層和輸出層之節點數是依照輸入參數及輸出參數的維度而定，隱藏層的神經元數目則須以試誤法來決定，而本發明所述輸入層之輸入參數為所述預設電流值及所述預設電池剩餘電量，所述2層隱藏層各包含35個神經元，所述輸出層之輸出參數為所述預測電池溫升值。
經由改變輸入參數並針對輸出參數來進行類神經網路之訓練估測，若類神經網路之訓練樣本夠完整，當輸入任何合理範圍的資料至學習完成之類神經網路時，即能做出適當判斷並產生近似正確的輸出結果。
類神經網路運算時，所處理的輸入值、輸出值均必須縮放至-1至1的範圍內，而轉移函數(transfer function)的作用即為限制、壓縮或處理其非線性關係，實現非線性的加乘運算並輸入到下一個神經元層，本發明選用正切雙彎曲(Tansig)函數作為轉移函數，其為習知技術，擬不再贅述。
請參照圖4，其繪示本發明使用類神經網路運算所建置之實驗平台示意圖。
如圖所示，本實驗平台係將電池置於恆溫箱並控制在25˚C 的環境下，再透過USB NI9211溫度擷取器來量測該電池之溫度並透過LabVIEW人機介面紀錄溫度曲線，並將電池放電至截止電流後始用來進行充電測試。
利用類神經網路來估側電池充電之溫升值時，為使估測更準確，本發明之實驗平台每1分鐘量測一次，充電範圍由0.5C至1.0C，以每0.1C作為一間隔，共使用6種充電電流與其對應之電池剩餘電量，並個別紀錄電池溫度直到定電流充電階段結束。
類神經網路資料之分佈如表1所示，共有331筆資料，其中307筆為訓練資料，再由各個充電電流以平均分佈之方式取得4筆，共24筆為測試資料並將其輸入至訓練後之類神經網路，將輸出結果與實際值相比，藉此驗證類神經網路之正確性。
表1
| 訓練資料(307筆) | 測試資料(24筆) | ||||||||||
| 0.5C | 0.6C | 0.7C | 0.8C | 0.9C | 1.0C | 0.5C | 0.6C | 0.7C | 0.8C | 0.9C | 1.0C |
| 84 | 64 | 52 | 43 | 35 | 29 | 4 | 4 | 4 | 4 | 4 | 4 |
其中，類神經網路實現步驟如下：
一、建立訓練資料庫 請參照圖5，其繪示本發明之類神經網路之0.5C至1.0C充電電流之訓練資料庫。
如圖所示，本發明將由0.5C至1.0C充電電流收集得來的307筆參數資料，以[2´307]的矩陣表示，每一筆參數資料都有其對應之輸出電池溫升值，即輸出目標矩陣為[1´307]。
類神經網路經訓練完畢後，以平均分布的方式形成一[2´24]之測試資料，再輸入至訓練完成之類神經網路來測試，類神經網路輸出之電池溫升值也就是一組[1´24]的輸出矩陣比對真實測試所得之溫升值，即可驗證類神經網路參數的正確性。
二、建立倒傳遞類神經網路模型
本發明係使用MATLAB提供之類神經網路圖形介面(Graphic User Interface, GUI)建立倒傳遞類神經網路，並以此進行訓練和模擬驗證，訓練函數則採用Trainlm (Levenberg-Marquardt)函數，並以均方誤差函數(Mean Squared Error, MSE)作為比較的衡量指標，其中，Trainlm (Levenberg-Marquardt)函數是一種結合最陡下降法和牛頓法的演算法，用以克服收斂速度慢、易陷入局部極小值的缺點，並能大幅減少網路訓練的反覆運算次數，其為習知技術，擬不再贅述。
作好矩陣歸類和網路參數設定後，即可建立倒傳遞類神經網路模型，接著進行類神經網路之訓練。
請參照圖6，其繪示本發明之類神經網路之訓練收斂圖。
如圖所示，在第4次疊代訓練之後得到均方誤差值為0.00037911。 請參照圖7，其繪示本發明之類神經網路之權重和偏權。
類神經網路經訓練完成後，便可得到該類神經網路之權重以及偏權，如圖所示，權重為iw(1,1)、lw(2,1)、lw(3,2)；偏權為b(1)、b(2)、b(3)。
三、驗證訓練完成之倒傳遞類神經網路
為了驗證倒傳遞類神經網路的正確性，所以測試矩陣中的溫升值輸入參數並未包含在訓練參數內，將測試矩陣輸入到類神經網路中，再將類神經網路輸出與真實電池之溫升值做比較，結果整理如表2所示，藉此驗證類神經網路之準確性。
| SOC(%) C rate | 5 | 20 | 35 | 50 |
| 1C | 0.505449 | 0.117151 | 0.065983 | 0.061198 |
| ANN-output | 0.55261 | 0.13239 | 0.054729 | 0.056403 |
請參照圖8，其繪示本發明之測試資料誤差之長條圖。
圖8係表2之實際溫升值與類神經網路估測之溫升值相減後取其絕對值，將誤差整理為長條圖，如圖所示，測試資料與類神經網路所得到之結果相近最大誤差為0.05°C，因此驗證能透過類神經網路之運算來得到電池溫升值。
請參照圖9，其繪示本發明用以監控溫度變化之人機介面。
如圖所示，本發明進一步包含一由LabVIEW程式撰寫的人機介面以監控一溫度變化，將類神經網路訓練後所得到的權重及偏權匯入，隨後每一層之計算結果需透過正切雙彎曲(Tansig)轉移函數來轉移後再作正規化轉成正常的輸出值，即能得到電池溫升值。
本發明係在充電過程中對所述預設電流值進行一庫侖積分法(Coulomb Counting Method)運算以獲得預測電池剩餘電量，並透過一移位暫存器(未示於圖中)來紀錄溫升值之資料。其中，該庫侖積分法係將電流與時間累計後就可取得電池在使用狀態下已經消耗或補充的電量，其為習知技術，在此擬不贅述。
將所述電池剩餘電量增量與所述溫升值作為評分條件，評分程序係將所述電池剩餘電量增量與所述溫升值進行一加權評分運算，再依評分中的最高分者被選定作為充電輸出電流。該加權評分運算係以N個所述電池剩餘電量增量SOC的總和乘以一權重值a加上N個所述預測電池溫升值DT的總和乘以(100-a)而得到所述的評分，a為小於100的正整數，如方程式(16)所示。
(16)
本發明提出一MPC-ANN充電法，其中該權重值a例如但不限為一常數 65。
本發明另提出一MPC-ANN-CS充電法，其中該權重值a係一可變的權重值，其變動的準則例如但不限為每三個取樣時間計算一次平均電流，取樣時間例如但不限為120秒，並根據平均電流所在之區間調整權重，若電流過大則降低權重，電流過小則增加權重。
本發明提出之MPC-ANN充電法及MPC-ANN-CS充電法之參數設定如表3所示。
表3
| MPC-ANN | MPC-ANN-CS | ||||||
| 取樣時間 | 權重值a | 取樣時間 | 權重值a | 變動量Δα1 | 變動量Δα2 | 變動量Δα3 | 變動量Δα4 |
| 120(秒) | 65 | 120(秒) | 65 | 5 | 1.25 | -5 | -10 |
本發明與習知技術之實驗結果與比較：
以下將針對本發明提出之MPC-ANN充電法、MPC-ANN-CS充電法與習知技術的定電流定電壓充電法及五階段定電流法進行實驗測試，並記錄各個充電法的電壓、電流和溫升值，並比較其充電速度以及溫度上升的變化，以驗證本發明之可行性和性能改善。
實驗測試所使用之鋰電池為PANASONIC公司所生產的NCR18650B鋰離子電池，其規格如表4所示。
表4
| 額定容量 | 3350 mAh |
| 最小額定容量 | 3200 mAh |
| 額定電壓 | 3.6 V |
| 截止電壓 | 2.5 V |
| 標準充電條件 | CC-CV，1625 mA，4.2 V，4.0 hr |
| 能量密度 | 676 Wh/l |
| 尺寸 | 18.5 mm (直徑)，65.3 mm (高) |
| 重量 | 48.5 g |
| 充電溫度 | 0 ˚C to +45 ˚C |
| 放電溫度 | -20 ˚C to +60 ˚C |
| 靜態溫度 | -20 ˚C to +50 ˚C |
請一併參照圖10a至圖10e，其中圖10a 其繪示習知技術之定電流定電壓充電法定電流階段以0.8C充電之充電電壓、電流和溫度上升變化曲線，圖10b其繪示習知技術之五階段定電流充電之充電電壓、電流和溫度上升變化曲線，圖10c其繪示本發明之MPC-ANN充電法之充電電壓、電流和溫度上升變化曲線，圖10d其繪示本發明之MPC-ANN-CS充電法之充電電壓、電流和溫度上升變化曲線，圖10e其繪示上述各充電法所造成電池之溫度變化的比較。
如圖所示，本發明之MPC-ANN充電法之溫升值與定電流定電壓充電法0.7C充電法相近；MPC-ANN-CS充電法之溫升值約在定電流定電壓充電法0.7C與0.8C充電法之間。
因此以下將與其比較充電速度以及溫升值，充電時間可以很容易的比較出來，但電池溫升值卻僅能比較最高值，如此一來無法看到充電過程中整體的溫度上升變化，所以本發明積分溫升曲線面積以利比較，又因為各充電電流到達CV段的時間不同，故積分時間選擇兩者之間時間較短者以確保公平性。
各種充電法滿充電池所需之充電時間及最大溫升值之整理如表5所示。
表5
| 充電方法 | 習知技術之充電法 | 本發明之充電法 | |||||||
| 定電流定電壓充電法(CC-CV) | 五階段定電流 | MPC- ANN | MPC- ANN- CS | ||||||
| 0.6C | 0.7C | 0.75C | 0.8C | 0.9C | 1C | ||||
| 充電時間(秒) | 7580 | 7022 | 6860 | 6616 | 6318 | 6103 | 6138 | 6909 | 6663 |
| 最大溫升值(°C) | 2.45 | 3.21 | 3.66 | 4.07 | 4.7 | 5.7 | 5.66 | 2.993 | 3.4318 |
本發明與習知技術之定電流定電壓充電法滿充電池之平均溫升值比較整理如表6所示。
表6
| 充電方法 時間 | 本發明之充電法 | 定電流定電壓充電法(CC-CV) | |||
| MPC-ANN | MPC-ANN-CS | 0.7C | 0.75C | 0.8C | |
| 57(分) | 2.255°C | 2.5072°C | |||
| 48(分) | 2.3261°C | 2.3873°C | 2.7190°C | 3.0643°C |
由表5及表6可知，本發明之MPC-ANN充電法之充電速度比習知技術之定電流定電壓充電法0.7C快1.6%，平均溫升值低0.252°C；本發明之MPC-ANN-CS充電法之充電速度比習知技術之定電流定電壓充電法0.75C快2.9%，平均溫升值小0.393°C，與習知技術之定電流定電壓充電法0.7C相比充電速度快5.4%，平均溫升值小0.0612°C。
藉由前述所揭露的設計，本發明乃具有以下的優點：
1.本發明揭露的基於模型預測控制之電池充電法，係結合類神經網路運算建立電池溫升模型及模型預測控制來挑選合適之充電電流，達到區域最佳控制用以降低電池充電時的溫度上升。
2.本發明揭露的基於模型預測控制之電池充電法，其係結合類神經網路運算建立電池溫升模型及模型預測控制來挑選合適之充電電流，達到區域最佳控制用以縮短電池的充電時間，提升充電效率。
本發明所揭示者，乃較佳實施例，舉凡局部之變更或修飾而源於本發明之技術思想而為熟習該項技藝之人所易於推知者，俱不脫本發明之專利權範疇。
綜上所陳，本發明無論就目的、手段與功效，在在顯示其迥異於習知之技術特徵，且其首先發明合於實用，亦在在符合發明之專利要件，懇請 貴審查委員明察，並祈早日賜予專利，俾嘉惠社會，實感德便。
步驟a‧‧‧設定M筆充電選項組合，各筆所述充電選項組合均包含一個預設電池剩餘電量及N個預設電流值，M、N均為大於1的整數
步驟b‧‧‧對各筆所述充電選項組合的第1至第N-1個所述預設電流值分別進行一庫侖積分法運算以獲得N-1個預測電池剩餘電量
步驟c‧‧‧利用一類神經網路模型對各筆所述充電選項組合的所述預設電池剩餘電量及第1個所述預設電流值進行一類神經網路運算以獲得一第1個預測電池溫升值，對第K個所述預設電流值及第K個所述預測電池剩餘電量進行所述的類神經網路運算以獲得一第K個所述預測電池溫升值，K=2至N
步驟d‧‧‧依各筆所述充電選項組合的所述預設電池剩餘電量、N-1個所述預測電池剩餘電量產生N個電池剩餘電量增量
步驟e‧‧‧依各筆所述充電選項組合的N個所述電池剩餘電量增量及N個所述預測電池溫升值進行一加權評分運算以使M筆所述充電選項組合各獲得一評分
步驟f‧‧‧依M個所述評分中的最高分者所對應的一筆所述充電選項組合決定一充電輸出電流
圖1繪示本發明之基於模型預測控制之電池充電演算法之步驟流程圖。 圖2a繪示模型預測控制之結構示意圖。 圖2b其繪示模型預測控制之控制信號示意圖。 圖2c其繪示模型預測控制之輸出信號示意圖。 圖3繪示本發明所使用之倒傳遞類神經網路架構示意圖。 圖4繪示本發明使用類神經網路運算所建置之實驗平台示意圖。 圖5繪示本發明之類神經網路之0.5C至1.0C充電電流之訓練資料庫。 圖6繪示本發明之類神經網路之訓練收斂圖。 圖7繪示本發明之類神經網路之權重和偏權。 圖8繪示本發明之測試資料誤差之長條圖。 圖9繪示本發明用以監控溫度變化之人機介面。 圖10a其繪示習知技術之定電流定電壓充電法(Constant Current Constant Voltage, CC-CV)以0.8C充電之充電電壓、電流和溫度上升變化曲線。 圖10b繪示習知技術之五階段定電流充電之充電電壓、電流和溫度上升變化曲線。 圖10c繪示本發明之MPC-ANN充電法之充電電壓、電流和溫度上升變化曲線。 圖10d其繪示本發明之MPC-ANN-CS充電法之充電電壓、電流和溫度上升變化曲線。 圖10e其繪示上述各充電法所造成電池之溫度變化的比較。
Claims (6)
- 一種基於模型預測控制之電池充電演算法，其係利用一控制電路實 現，該電池充電演算法包括以下步驟： 設定M筆充電選項組合，各筆所述充電選項組合均包含一個預設電池剩餘電量及N個預設電流值，M、N均為大於1的整數； 對各筆所述充電選項組合的第1至第N-1個所述預設電流值分別進行一庫侖積分法運算以獲得N-1個預測電池剩餘電量； 利用一類神經網路模型對各筆所述充電選項組合的所述預設電池剩餘電量及第1個所述預設電流值進行一類神經網路運算以獲得一第1個預測電池溫升值，對第K個所述預設電流值及第K個所述預測電池剩餘電量進行所述的類神經網路運算以獲得一第K個所述預測電池溫升值，K=2至N； 依各筆所述充電選項組合的所述預設電池剩餘電量、N-1個所述預測電池剩餘電量產生N個電池剩餘電量增量； 依各筆所述充電選項組合的N個所述電池剩餘電量增量及N個所述預測電池溫升值進行一加權評分運算以使M筆所述充電選項組合各獲得一評分；以及 依M個所述評分中的最高分者所對應的一筆所述充電選項組合決定一充電輸出電流。
- 如申請專利範圍第1項所述之基於模型預測控制之電池充電演算法 ，其中該加權評分運算係以N個所述電池剩餘電量增量的總和乘以一權重值a加上N個所述預測電池溫升值的總和乘以(100-a)而得到所述的評分，a為小於100的正整數。
- 如申請專利範圍第2項所述之基於模型預測控制之電池充電演算法 ，其中該權重值a係一可變的權重值。
- 如申請專利範圍第2項或第3項所述之基於模型預測控制之電池充 電演算法，該類神經網路模型為一具有四層架構之倒傳遞類神經網路，包括1層輸入層、2層隱藏層和及1層輸出層。
- 如申請專利範圍第4項所述之基於模型預測控制之電池充電演算法 ，所述輸入層之輸入參數為所述預設電流值及所述預設電池剩餘電量，所述2層隱藏層各包含35個神經元，所述輸出層之輸出參數為所述預測電池溫升值。
- 如申請專利範圍第1項所述之基於模型預測控制之電池充電演算法 ，其進一步包含一由LabVIEW程式撰寫的人機介面以監控一溫度變化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107109670A TWI658371B (zh) | 2018-03-21 | 2018-03-21 | 一種基於模型預測控制之電池充電演算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107109670A TWI658371B (zh) | 2018-03-21 | 2018-03-21 | 一種基於模型預測控制之電池充電演算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI658371B true TWI658371B (zh) | 2019-05-01 |
| TW201941079A TW201941079A (zh) | 2019-10-16 |
Family
ID=67348930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107109670A TWI658371B (zh) | 2018-03-21 | 2018-03-21 | 一種基於模型預測控制之電池充電演算法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI658371B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI231373B (en) * | 2002-04-15 | 2005-04-21 | Fujitsu Ltd | Method for predicting remaining charge of portable electronics battery |
| US20110037438A1 (en) * | 2009-08-17 | 2011-02-17 | Apple Inc. | Modulated, temperature-based multi-cc-cv charging technique for li-ion/li-polymer batteries |
| CN102105957A (zh) * | 2008-07-23 | 2011-06-22 | 皇家飞利浦电子股份有限公司 | 用于超级电容器的快速充电器 |
| CN103926538A (zh) * | 2014-05-05 | 2014-07-16 | 山东大学 | 基于aic准则的变阶数rc等效电路模型及实现方法 |
| US20140278170A1 (en) * | 2013-03-15 | 2014-09-18 | Qualcomm Incorporated | State of charge (soc) display for rechargeable battery |
| CN104730468A (zh) * | 2015-04-07 | 2015-06-24 | 阳光电源股份有限公司 | 一种电池soc估算方法、装置以及电池管理系统 |
| TWI523298B (zh) * | 2015-01-16 | 2016-02-21 | 新普科技股份有限公司 | 預估鋰離子電池剩餘充電時間之方法以及充電監測器 |
-
2018
- 2018-03-21 TW TW107109670A patent/TWI658371B/zh not_active IP Right Cessation
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI231373B (en) * | 2002-04-15 | 2005-04-21 | Fujitsu Ltd | Method for predicting remaining charge of portable electronics battery |
| CN102105957A (zh) * | 2008-07-23 | 2011-06-22 | 皇家飞利浦电子股份有限公司 | 用于超级电容器的快速充电器 |
| CN102105957B (zh) | 2008-07-23 | 2013-03-27 | 皇家飞利浦电子股份有限公司 | 用于超级电容器的快速充电器 |
| US20110037438A1 (en) * | 2009-08-17 | 2011-02-17 | Apple Inc. | Modulated, temperature-based multi-cc-cv charging technique for li-ion/li-polymer batteries |
| US20140278170A1 (en) * | 2013-03-15 | 2014-09-18 | Qualcomm Incorporated | State of charge (soc) display for rechargeable battery |
| CN103926538A (zh) * | 2014-05-05 | 2014-07-16 | 山东大学 | 基于aic准则的变阶数rc等效电路模型及实现方法 |
| CN103926538B (zh) | 2014-05-05 | 2016-10-05 | 山东大学 | 基于aic准则的变阶数rc等效电路模型及实现方法 |
| TWI523298B (zh) * | 2015-01-16 | 2016-02-21 | 新普科技股份有限公司 | 預估鋰離子電池剩餘充電時間之方法以及充電監測器 |
| CN104730468A (zh) * | 2015-04-07 | 2015-06-24 | 阳光电源股份有限公司 | 一种电池soc估算方法、装置以及电池管理系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
| CN114047452B (zh) * | 2022-01-13 | 2022-05-13 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201941079A (zh) | 2019-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Optimized charging of lithium-ion battery for electric vehicles: Adaptive multistage constant current–constant voltage charging strategy | |
| Khalid et al. | Prediction of li-ion battery state of charge using multilayer perceptron and long short-term memory models | |
| Zhang et al. | A GA optimization for lithium–ion battery equalization based on SOC estimation by NN and FLC | |
| US20210123975A1 (en) | Systems and methods for forecasting battery state of charge | |
| Tavakol-Moghaddam et al. | Reinforcement learning for battery energy management: a new balancing approach for Li-ion battery packs | |
| Cui et al. | State of health estimation for lithium-ion battery based on the coupling-loop nonlinear autoregressive with exogenous inputs neural network | |
| CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
| CN104319793B (zh) | 一种平抑长短期风电功率波动的风储协调控制方法 | |
| CN112103980A (zh) | 一种联合火电机组agc调频的混合储能系统能量管理方法 | |
| CN115276067B (zh) | 一种适应配电网拓扑动态变化的分布式储能电压调节方法 | |
| TWI711832B (zh) | 一種基於模型預測控制之電池充電方法 | |
| CN115308606A (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
| CN116400224B (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
| CN115447431B (zh) | 一种基于ppo算法及考虑充电电费的电池快速充电控制方法 | |
| CN117220318B (zh) | 电网数字化驱动控制方法及系统 | |
| CN117096984A (zh) | 基于强化学习的电池组均衡感知快充控制方法和系统 | |
| CN118641967A (zh) | 基于充电数据片段的锂离子电池健康状态估计方法及系统 | |
| Hasan et al. | Performance comparison of machine learning methods with distinct features to estimate battery SOC | |
| CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| CN119093555A (zh) | 蓝牙耳机的充电控制方法、装置、设备及存储介质 | |
| CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
| CN119726663A (zh) | 一种基于深度强化学习的储能并网调度决策方法及系统 | |
| CN118971178A (zh) | 一种促进新能源消纳的源-荷-储协调优化控制方法 | |
| Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
| TWI658371B (zh) | 一種基於模型預測控制之電池充電演算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |