一种延长多负载电池使用寿命的电流均衡方法

摘要

本发明涉及一种延长多负载电池使用寿命的电流均衡方法，采用遗传优化算法解算电池组放电电流与时间轴组成的图形面积的最小值时对应的Ti、Di的最优值，按照最优值对负载进行设置。

权利要求

1.一种延长多负载电池使用寿命的电流均衡方法，其特征在于在负载的可变参数Ti、Di范围内寻找一组最优值，使得电池组放电电流最平缓，所述寻找Ti、Di的最优值的方法如下：采用遗传优化算法解算min J＝min∫|I(t)|dt，得到在0～t时间段内电池组放电电流I(t)与时间轴组成的图形面积∫|I(t)|dt的最小值时对应的Ti、Di的最优值：解算的约束条件为：

其中，Timin、Timax、Dimin和Dimax是第i个负载在满足任务执行需求的工作周期Ti和启动延迟时间Di的最大最小值； Ii(t)为第i个负载的电流时序模型，用分段函数表示：其中，Ci为执行时间，分别将第i个负载的Ti、Di按照最优值进行设置。

2.根据权利要求1所述的一种延长多负载电池使用寿命的电流均衡方法，其特征在于给定0～t为0～5s。

说明书

一种延长多负载电池使用寿命的电流均衡方法

技术领域

[0001] 本发明涉及电池管理和电池应用技术领域，通过均衡分配电池放电电流，从而达到延长电池寿命的目的。

背景技术

[0002] 地面机器人、航天器、无人机、自主水下航行器等具有自主性的机器人大多采用电池作为能源。电池的能量是有限的，随着机器人技术的飞速发展，尤其是需要长期工作和自主回收的机器人，能耗已成为机器人系统设计的一个重要约束。通过有效的能量管理办法，使机器人在有限的电池能量条件下，延长使用寿命具有很重要的科学意义。

[0003] 电池能量管理技术首先在嵌入式计算机领域得到重视和发展。基于动态电压(DVS：Dynamic Voltage Scaling)/频率调节(DFS：Dynamic Frequency Scaling)技术和动态功率管理(DPM：Dynamic Power Management)技术是目前比较成熟的方法。主要研究成果表明，如果任务的执行电流固定，则通过使任务电流按照非递增顺序排列，可以达到减少能耗，延长寿命的目的。例如，D.Rakhmatov等人研究了单处理器上的电池感知任务调度算法，采用静态优先级设定方法，调整任务电流，参考文献“RAKHMATOV D,VRUDH ULA S,WALLACH DA.A model for battery lifetime analysis for organizing applications on a pocket computer[J].IEEE Trans VLSI Syst,2003；11(6)：1019-1030”；LUO.J等人研究了多处理器平台上的电池感知任务调度算法，参考文献“LUO J,JHA N K.Battery-awar e static scheduling for distributed real-time embedded systems[C]//Proc Des Autom Conf.Las Veg as,USA,2001:444-449”；解玉凤等人基于D.Rakhmatov的静态调度算法，提出了基于动态优先级的电池感知任务调度算法，参考文献“解玉凤,刘雷波,戴锐,魏少军.基于动态优先级的电池感知任务调度算法[J].微电子学,2008,38(3):312-315,319”。因此，这些研究中，电池的负载只有一个，即处理器。

[0004] 然而，对于自主机器人而言，电池需要对多个负载供电，包括机器人的运动(电机)、探测(传感器)和计算(嵌入式计算机)等负载。所以，针对这个问题，国内外学者主要是通过建立机器人运动、传感器和嵌入式控制器的能耗模型，如E＝KRV2表示机器人以速度v运动R米所需的能量；Ps＝Cs1+Cs0fs表示传感器以频率fs工作时所消耗的能量，对机器人任务进行规划，采用模糊控制算法等对电池组管理系统进行保护性功率调节，达到减少能耗损失的目标，参考文献“Bin Wang,Tianmiao Wang,Hongxing Wei,Meng Wang,Zili Shao.Power-aware Real-time Task Scheduling with Feedback Control for Mobile Robot[C].IEEE Conference on Industrial Electronics and Applications,Singapore,1240-1245,2008.”“Yongguo Mei,Yung-Hsiang Lu,Y.Charlie Hu,and C.S.A Case Study of Mobile Robot’s Energy Consumption and Conservation Techniques[C].IEEE Conference on Advanced Robotics.Seattle,WA,492–497,2005”。然而,现有技术仍然是把电池能量消耗过程看成是一个黑盒子，仅描述一些负载组件工作参数与最终能耗的简单关系，没有说明负载组件与电池能耗的动态关系，使机器人的能量管理是比较粗放和保守的状态，未能使电池能量余度最大化。

发明内容

[0005] 要解决的技术问题

[0006] 基于电池的比率容量效应(放电电流越大，电池能量转换效率越低，电池电量下降越快)和还原效应(放电过程中插入适当的空闲时间会使电池恢复一定量的有效电荷)，可以看出，电池寿命严重依赖于放电电流的分布。然而，对于一个多负载电池供电系统，放电电流与各负载工作有直接关系。因此，针对现有技术存在的不足，本发明以机器人多负载电池系统为应用背景，考虑各负载电流的周期性特点，提出了一种均衡放电电流的优化方法，从而延长电池使用寿命。

[0007] 技术方案

[0008] 一种延长多负载电池使用寿命的电流均衡方法，其特征在于在负载的可变参数Ti、Di范围内寻找一组最优值，使得电池组放电电流最平缓，所述寻找Ti、Di的最优值的方法如下：

[0009] 采用遗传优化算法解算min J＝min∫|I(t)|dt，得到在0～t时间段内电池组放电电流I(t)与时间轴组成的图形面积∫|I(t)|dt的最小值时对应的Ti、Di的最优值：

[0010] 解算的约束条件为：

[0011] 其中，Timin、Timax、Dimin和Dimax是第i个负载在满足任务执行需求的工作周期Ti和启动延迟时间Di的最大最小值； Ii(t)为第i个负载的电流时序模型，用分段函数表示：

[0012]

[0013] 分别将第i个负载的Ti、Di按照最优值进行设置。

[0014] 给定0～t为0～5s。

[0015] 有益效果

[0016] 本发明提出的一种延长多负载电池使用寿命的电流均衡方法，针对机器人的多负载电池系统，基于电池的比率容量效应和恢复效应，通过分析负载电流的周期性分布情况，提出了一种使∫|I(t)|dt最小化以达到平缓放电电流目的的均衡放电电流方法。由于∫|I(t)|dt表示电池放电电流曲线与时间轴组成的图形面积，面积越小，表明峰值电流越小，或者出现峰值电流的时间越短，放电电流就越平缓。因此，该方法不仅满足了系统任务执行需求，而且大大提高了电池的使用效率，延长了电池的使用寿命。

附图说明

[0017] 图1负载能耗时序模型

[0018] 图2电池组放电过程仿真模型

[0019] 图3电池组放电电流随时间的变化曲线

[0020] 图4电池组放电电压随时间的变化曲线

[0021] 图5优化后的电池组负载电流随时间的变化曲线

[0022] 图6优化后电池组放电电压随时间的变化曲线

具体实施方式

[0023] 现结合实施例、附图对本发明作进一步描述：

[0024] 在已知充放电循环次数、放电深度、操作环境温度的情况下，电池的寿命可以表示为：

[0025] L＝αe-β·I(t)     (1)

[0026] 其中，L表示电池寿命，I(t)表示放电电流，α、β都为正常数。显然，电流的分布与电池寿命有直接关系。

[0027] 在自主机器人多负载电池供电系统中，负载的工作通常具有周期性，故用四元组(I，C，T，D)表示电池组不同负载的能耗时序模型，其中，I表示负载工作电流，Ihigh和Ilow分别负载组件不同工作状态(发送或接收)所需的工作电流，C表示执行时间，T表示工作周期，D表示启动延迟时间。如图1所示。

[0028] 图1所示为电池组其中一个负载的电流时序模型，由于每个负载的参数I，C，T，D不同，故第i个负载的电流时序模型可以用分段函数表示，如(2)式所示。

[0029]

[0030] 假设已知机器人电池组有n个负载，将其n个负载叠加得出I(t)，如(3)式所示。

[0031]

[0032] 其中，I(t)为(1)式所示的电池组放电电流。

[0033] 由于机器人执行某一任务时，电池组各负载同时工作，会导致电流叠加，在某一时刻或某一时间段，各负载电流将同时达到最大值，电池组电流就会出现峰值电流，这样就会使得电池组放电电流起伏过大或变化过快，必然使充放电过程频繁，或出现过充过放，从而减少电池寿命。

[0034] 基于上述分析，本发明提出了一种电流均衡分配方法，避免峰值电流的产生或者使其出现峰值电流的时间最短。具体方法如下：由于∫|I(t)|dt表示放电电流与时间轴组成的图形面积，用∫|I(t)|dt来表示电流的分布，在固定时间段内，∫|I(t)|dt的大小表明放电电流I(t)的分布情况，∫|I(t)|dt越小，表明峰值电流越小，或者出现峰值电流的时间越短，I(t)就越平缓，即均衡分配电池电流。

[0035] 由于电池各负载正常工作时，电流Ii不变，执行时间Ci不变，根据机器人的任务需求，工作周期Ti和启动延迟时间Di可以改变，因此，放电电流的均衡是满足机器人任务需求的优化问题。假设已知机器人执行某一任务对电池组各负载工作周期的要求，即已知可变参数Ti、Di的变化范围，要在该范围内寻找一组负载参数值，使得电池组放电电流最平缓。因此，将均衡放电电流可以转化为下面优化问题：

[0036] 给定0～t时间段内，在约束条件下，寻找一组Ti、Di使指标函数最小，即：

[0037] min J＝min∫|I(t)|dt

[0038]

[0039] 其中，Timin、Timax、Dimin和Dimax是在满足任务执行需求的工作周期Ti和启动延迟时间Di的最大最小值。因此，对(4)式所表示的优化问题进行最优化处理，采用遗传优化算法(Genetic Algorithm)，解算出∫|I(t)|dt的最小值和其对应的Ti、Di的最优解，该参数最优解既保证了任务执行需求又使得I(t)趋于平缓，达到延长电池寿命的目的。

[0040] 为了使本发明的目的、技术方案以及优点更加明确清晰，以下通过仿真实验，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。

[0041] 仿真实验模拟了3个单体电池串联组成的电池组，假设该电池组有3个负载同时工作，应用遗传算法，实现了上述电流均衡优化方法，对比优化前后电池组负载电流的放电曲线。

[0042] 首先建立3个单体电池串联组成的电池组的Matlab仿真模型，如图2所示。图2中，单体电池选用锂电池，动态模型采用国外学者Min Chen和Gabriel A.Rincon-Mora提出的二阶RC模型,这个模型能准确描述锂电池的伏安特性，能够满足对电池的运行时间、稳态特性、暂态响应各方面的精度要求，参考文献“Min Chen,Gabriel A.Rincon-Mora.Accurate Electrical Battery Model Capable of Predicting Run time and I-V Performance[J].IEEE Transations on Energy Conversion.Vol.21,No.2,June 2006.504-511.”。

[0043] 根据已知机器人执行任务需求，列举出三个负载的电流参数，其中，各负载的最低电压Ilow均为0，工作周期Ti和启动延迟时间Di取经验范围，见表1。

[0044] 表1

[0045]第i负载 Ihigh/A(电流幅值) C/s(执行时间) T/s(约束范围) D/s(约束范围)
1 0.2 0.025 0.03～0.1 0.01～0.05
2 0.32 0.03 0.05～0.2 0.01～0.05
3 0.4 0.015 0.02～0.1 0.01～0.05

[0046] 表1所示的参数范围是可以满足机器人执行任务需求的最大范围。由于电流Ii和执行时间Ci不变，当工作周期Ti取范围中值、启动延迟时间Di取0时，即各负载在t＝0时刻同时发生，机器人执行任务性能最优，参数见表2。

[0047] 表2

[0048]第i负载 Ihigh/A(电流幅值) C/s(执行时间) T/s(工作周期) D/s(启动时间延迟)[0049]
1 0.2 0.025 0.065 0
2 0.32 0.03 0.125 0
3 0.4 0.015 0.06 0

[0050] 将三个负载电流叠加得出电池组放电电流(I(t))如图3所示。

[0051] 通过计算可得，图3表示的∫|I(t)|dt为4.599。将上述负载参数代入图2所示的仿真模型中进行仿真，得出电池组放电电压随时间的变化曲线，如图4所示。

[0052] 由图4明显可以看出，电池组在9455s左右放电完成。

[0053] 在表1所示的参数范围内，机器人仍然可以满足任务需求，故在该参数范围内，均衡分配放电电流可以达到延长电池寿命。给定优化时间段为t∈[0,5]s，求解下面的优化问题：

[0054] min J＝min∫|I(t)|dt＝min∫|I1(t)+I2(t)+I3(t)|dt

[0055] 0.03≤T1≤0.1

[0056] 0.01≤D1≤0.05

[0057] 0.05≤T2≤0.2

[0058] s.t.

[0059] 0.01≤D2≤0.05     (5)

[0060] 0.02≤T3≤0.1

[0061] 0.01≤D3≤0.05

[0062] 通过优化算法可以得出，在表1所示参数范围内，∫|I(t)|dt最小为3.713×10-5，明显较图3减小。得出最优解见表3。

[0063] 表3

[0064]第n负载 Ihigh/A(电流幅值) C/s(执行时间) T/s(最优解) D/s(最优解)
1 0.2 0.025 0.088 0.049
2 0.32 0.03 0.134 0.049
3 0.4 0.015 0.08 0.042

[0065] 因此，由表3得出电池组放电电流I(t)如图5所示。

[0066] 图5为调节负载电流之后的电池组放电电流曲线。对比图3和图5可以看出，可知图5的曲线的波动较图3明显减小，峰值电流出现的次数明显减小，电流幅值集中在0.4A左右。
可见在遗传算法处理下，放电电流在参数范围内趋于平缓。将优化后表3中的参数代入仿真模型，得出电池组放电电压随时间的变化曲线，如图6所示。

[0067] 由图6明显可以看出，电池组在11799s左右放电完成。对比图4和图6可以看出，放电时间明显延长。此例中，电池寿命延长了24.79％。