工程科学与技术，国际期刊23（2020）544完整文章一种盲式和任务式多电芯电池管理系统Ahmadreza Motaqia，M.R.莫萨维湾a加拿大卡尔加里大学Schulish工程学院电气工程系b伊朗科技大学电气工程系，Narmak，Tehran 13114-16846，Iran阿提奇莱因福奥文章历史记录：2018年8月24日收到2019年6月1日修订2019年7月11日接受在线提供2019年保留字：多节电池组电池管理任务调度盲调度A B S T R A C T多芯电池（MCB）管理和电池寿命延长对于电池供电系统至关重要。针对MCB调度问题，提出了盲调度和任务调度方法，以延长MCB的生命周期。设计一种有效的方法来调度MCB的第一步是使用MBC电池模型进行计算机仿真。为此，本研究引入了基于Peukert定律和恢复效应的MCB模型。研究了不同时间步长对MCB寿命的影响，结果表明，对于每种放电模式，只有一个最佳时间步长使MCB寿命最大。在下一步中，盲调度和任务件调度的MCB管理。盲方法使用神经网络时间步长估计器来找到MCB在不同放电电流下的最佳时间步长，而不考虑所汲取的电流模式，但任务件MCB调度方法考虑放电模式并在特定时间间隔内找到最佳解决方案集。仿真结果表明，与盲调度方法相比，任务件调度方法平均延长电池寿命31%。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在现代，使用电池供电的系统，如空间设备和手持设备是必要的。最近，电池的进步鼓励工程师和公司考虑设计更环保的系统，如混合动力汽车。除了设计系统的处理因素和效率之外，能量管理是电池供电系统中的关键问题电力系统中的功率降低至少有两个好处。从电池的角度来看，延长电池寿命将降低驱动系统所需的电池容量，从而降低电源价格和重量。类似地，在基于处理器的系统（如FPGA）或机电系统（如电动汽车）中降低功耗将减少产生的热量，从而延长系统寿命。本文从电池的角度对能量管理进行了研究。在便携式系统中，电池是一种有限的能量来源，应对其进行智能管理。如今，多电池电池（MCB）正引起越来越多的关注，因为它们提供*通讯作者。电 子 邮 件 地 址 ： ucalgary.ca （ A. Motaqi ） ， m_mosavi@iust. ac.ir （ M.R.Mosavi）。由Karabuk大学负责进行同行审查为设计人员提供更大的灵活性，以延长电池寿命。MCB电池的不同拓扑结构是基于功率要求而设计的。它们可以由并联、串联或并联和串联电池的组合组成。这些拓扑结构之间存在一些共同的问题，如过热、过压、过流和过充电保护，但不同的拓扑结构可能需要更具体的管理。除了拓扑结构，电池的大小在确定价格、电池管理、保护、重量和连接方面起着重要作用通常，具有较大数量的较小尺寸的电池具有重量较轻的优点，但具有更复杂的控制系统和包装问题[1，2]。Fur-100，系列和组合拓扑结构需要电池平衡，安宁延长电池寿命。由于实际上不同小区的可用容量可能不同，因此具有最小容量的小区确定MCB的总可用容量[3]。电池平衡的必要性被理解为电池老化和电池的有效容量缩小。设计人员可以使用bq77PL900 IC作为多电池锂离子保护器的有效示例，以补偿电池老化问题[3]。bq 77 PL 900IC是一款5-它可以作为一个独立的保护器，但它也可以由微控制器操作，以实现电池管理策略。在文献[4]中，作者还提出了电池均衡系统的状态反馈它是一个两级反馈控制器组成的粗，细粒度调整均衡算法。https://doi.org/10.1016/j.jestch.2019.07.0052215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchA. Motaqi，M.R.Mosavi/工程科学与技术，国际期刊23（2020）544545本文采用并行拓扑结构，对单元平衡和其它保护措施不作研究，以集中研究盲和任务型并行算法。电池管理系统（BMS）通常由电池平衡块、FET阵列、温度传感和芯片组成，该芯片使用基于算法收集的信息来管理电池。本文重点研究了信元管理模块，介绍了任务件和盲信元调度。到目前为止，不同的化学材料，如锂离子、镍镉、铅酸和镍金属水合物已被引入电池[5]。电池类型在成本、比能量、循环寿命、安全性、记忆效应、自放电和许多其他特性方面不同最近，锂离子电池因其高比能量和低记忆效应而引起关注[6]。锂离子电池的问题是它们价格昂贵（2019年为400美元/千瓦时），而且它们不像其他化学电池那样安全-到目前为止已经报道了几起锂离子电池爆炸事件。然而，锂离子电池是为手持设备和其他需要高能量密度和效率的应用提供动力的最终选择根据上述解释，本文重点研究了锂离子电池。如今，由于锂离子电池在便携式系统中的重要作用，锂离子电池得到了科学家和研究人员的关注。锂离子电池的电化学热模型是近年来研究的热点例如，在[7]中，作者处理了具有LiFePO4阴极的方形锂离子电池中温升的热建模和验证他们使用神经网络（NN）来模拟不同情况下电池表面的热分布在[8]中，作者还使用NN基于真实世界的数据集对锂离子电池他们还开发了一种数学函数来估计温度和充电状态（SOC）。MCB为细胞提供休息期，以恢复它们的一些功能。失去能力。工程师们可以利用这一特性来设计更高效的电池。电池容量是非线性的，其非线性特征高度依赖于放电模式[9]。定义智能放电模式以延长电池寿命是一项具有挑战性的工作，在许多论文中进行了研究[10]。图1呈现了在电池供电系统中延长电池寿命的不同方法（在放电模式领域中）。电池供电系统中的能量管理方法（在最佳放电模式领域）分为两类。类别#1：定义具有不同电流的不同任务，并利用此属性来管理电池寿命。这一类别的研究分为两类。第一种是电动汽车。在这种类型中，设计者基于NN、模糊逻辑或任何其他算法定义不同的驾驶模式，以优化功耗[11，12]。第二类是基于处理器/硬件的设备，如手持设备。在这种类型中，设计者享受不同版本的任务执行的好处，这些任务执行的功耗和执行延迟时间不同，导致不同的放电模式[10，13]。类别#2：通过定义放电时间步长单独管理MCB。这一范畴也分为两类进行研究。第一种类型使用具有恒定时间步长（CTS）的MCB。这意味着在放电期间，所有电池的定时驱动是相等的，并且它们分别从第一个电池到最后一个电池被选择。以同样的方式，在本文中，图1所示的能量管理系统图已经通过开发盲和任务件可变时间步长（VTS）MCB调度来修改。通过引入盲MCB调度和任务型MCB调度，解决了延长MCB寿命的问题。盲调度方法利用多层感知器神经网络时间步长估计器计算不同放电电流下的最佳时间步长。同时，任务型MCB调度方法采用遗传算法（GA）来获得VTS的最佳可实现集合，以延长MCB的寿命。VTS的最佳可实现集合是放电模式的函数，并且它是针对特定放电模式精确确定的，因此基于GA的VTS是一种任务到单元分配方法。图2显示了论文的层次结构和设计阶段。本文的组织结构如下。在第一阶段，在第3节中介绍了基于Peurkert定律和恢复效果估计的电池模型。第3.1节讨论了使用Peurkert定律估计电池的损失容量。在第3.2节中，提出了两种方法来估计中断期间电池的恢复容量。在这一部分的最后，在第3.3节中，一个定制的MCB模型的基础上Peukert定律和恢复容量估计介绍了拟议的MCB管理系统的仿真。第四节讨论了基于遗传算法的MCB调度的概念。最后，在第5节中，给出了所提出的方法的评估结果，包括恢复函数，估计恢复容量和不同的恒定时间步长对MCB寿命的影响。最后，研究了基于遗传算法的任务件和基于神经网络的盲MCB调度对电池寿命延长的影响。图1.一、基于NNTSE和GA的 VTS方法在其他电源管理方法中的地位546A. 莫塔奇， M.R. Mosavi /工程 科学 和技术， 国际 杂志 23 （2020年）544图二. 所提出的MCB管理方法的设计阶段、实验和模拟的层次结构。2. 相关作品功耗降低是现代系统设计中的一个主要问题，人们从不同的角度对其进行了研究。 为了研究有关文献，本文从作者的观点出发作者在[14]中将电池模型分为物理模型、经验模型、抽象模型和混合模型，并比较了电池模型的计算复杂性、准确性和其他提供特征。作者在[15]中提出了一种考虑电池非线性和恢复效应的电池模型。他们还研究了不同放电模式对电池寿命的影响，以及放电模式、放电深度和休息时间对恢复效果的影响。Rakhmatov和Vrughula在[16]中介绍了一种新的电池寿命估计分析模型。他们使用了这个模型，并提出了一个电池感知成本函数来优化电池寿命。[17]回顾了Peukert定律，并从基本Peukert定律推导出不同的公式来计算变流量管道的有效容量和损失容量。虽然Rakhmatov-Vrughula公式（用于估计不同放电模式下的电池损失容量）似乎比Peukert定律更准确，但为了减少MCB计算机模拟的计算复杂度，并专注于本文的主要目的，Peukert定律被用于估计电池的损失容量。在下文中，介绍与图1相关的一些能量管理方法。作者在[18]中提出了一种设计由太阳能系统供电的功率自适应计算系统的方法。他们使用MLP NN来估计未来的太阳能，并使用这些数据来调节计算系统的行为。在[19]中提出了基于NN的电动汽车SOC的精确估计。该方法利用非线性自回归模型和外部输入人工神经网络，根据电动汽车日常行驶过程中记录的数据来估计电池的SOC。作者在[20]中提出了一种单层NN，用于基于电压和电流估计锂离子电池的SOC。NN针对不同的电流分布进行训练，并且在估计SOC方面显示出良好的准确性。其他一些论文专注于使用卡尔曼滤波器来估计SOC。例如，[21]使用扩展卡尔曼滤波器和未缩放卡尔曼滤波器来估计锂离子电池的SOC，温度变化和噪声。作者在[22]中使用基于Lebesgue采样的扩展卡尔曼滤波器来减少估计锂离子电池SOC的实现和执行时间成本。在文献[23]中，一阶RC等效电路模型和贝叶斯学习技术被用于估计基于mC/OS-II操作系统的能量状态。结果表明，该预测方法的最大绝对误差为1%和2%。[24]回顾了SOC和BMS的最新方法，并根据算法、优点和缺点对这些方法进行了分类。作者还对一些现有方法提出了质疑，并为下一代BMS和SOC方法提供了建议作者在[13]中提出了一种用于动态可重构处理器的能量管理系统，该系统具有自定义指令和功率门控技术。他们还提出了一个功耗模型来估计自定义指令的功耗在文献[9]中介绍了用于可重构平台的多电池能量管理系统。在这项工作中，电池特性已被考虑，并提出了一个多目标优化模型，以延长电池的寿命。作者在[10]中介绍了一种迭代算法，该算法试图找到一个适当的任务序列，以最大限度地减少能量消耗，同时考虑电池特性和执行期限。任务序列在频率和并行度上不同，导致不同的功耗和执行时间。文献[1]从不同角度研究了锂离子电池的包装问题。在电动汽车电池组中，已经研究了电池控制的热效应、平衡、组装和维护。作者在[11]中将电动汽车中的电源管理分为两个级别：高级软件监控和低级基于硬件的控制。软件级监控包括不同的在线和离线算法来管理电池。基于硬件的控制引入了从马达到车轮的不同类型的机械动力转换架构。作者在[25]中研究了无人机应用中的电池管理，目的是最大限度地减少健康退化状态。他们表明，电池管理对电池采购成本的影响为25%，并减少了电池的老化。大规模电池系统广泛用于许多应用，如电动车辆和备用电源系统。代替使用固定的细胞之间的互连，可重构电池架构作者在[26]中调查了A. Motaqi，M.R.Mosavi/工程科学与技术，国际期刊23（2020）544547. ΣX. Σ综述了可重构电池的研究现状，并对可重构电池的相关技术进行了综述，展望了可重构电池的发展前景。用于管理功耗的这些方法和技术中的一些不能充分利用可用工具的益处来管理电池供电应用中的功耗，因为它们除了先前降低功耗的努力之外，设计人员还应尝试使用和管理MCB，以实现更有效的方法来管理电池供电系统中的电源。为此，本文重点设计了来自电池的电流通常由CR表示。事实上，CR是电池相对于其最大容量充电或放电的速率的测量。由于不同放电电流下的可用容量不同，为了将不同时间间隔内电池的损失容量相加，应将损失容量换算为标称值（额定容量）。当量导出公式（3）以估计放电电流Id在时间间隔ti期间的损失容量[28]。在下一步中，Eq。（3）是用来估计电池的损失容量为不同的时间间隔与不同的放电电流使用方程。（4）[17]。盲和任务件MCB小区调度作为对其它功率降低方法的补充。3. 电池模型为了模拟和观察所提出的IP：t¼CPCeffectiv e¼IRP-1Idð1Þ：CR 2在MCB管理系统中，电池建模是重要的。为了获得用于MCB模拟的对流模型，MCB模型的参数直接从物理实验中提取Cintervalscaledi ¼IdP-1IR：Id：ti为此，将电池连接到可变电负载，并通过示波器监测负载电压，并将其传递到PC进行进一步分析。电池模型有两个重要部分：损失容量和恢复容量。如第3.1节所述，为了避免进一步的复杂性，使用Peurkert定律来估计损失的容量。第3.2节提出了一种基于从经验值中提取的数学方程来估计恢复容量的方法。3.1. 丧失能力Peurkert提出了恒流放电率、电池寿命和电池容量之间的关系.由方程式P是Peurkert常数，它因不同的电池而异。Peurkert定律是一个非线性方程，它为电池建模提供了简单性和相对良好的准确性由方程式（1），Cp是电池在1安培放电速率下，IP是期望的放电电流，t是电池寿命[27]。表1介绍了本文中使用的符号的定义。为了实现基于Peurkert方程的不同放电电流的关系，Eq. （2）提出[17]。这里CR是在恒定放电电流IR和ID的额定容量是所需的放电电流。拉制Cremaining¼CR-Cintervalscaledi240表2显示了标称电压为3.75 V、放电截止电压为2.75 V、标称容量为2600 mAh 的 ICR 18650 - 26 F 的 有 效 容 量 。 该 电 池 具 有LiNiMnCoO2、LiCoO2阴极和碳阳极，最大放电电流为5200 mA。电池在不同的放电电流下使用可变的电负载，直到其达到放电截止电压，然后将结果用于计算电池容量。表2显示了电池的有效容量对于不同的恒定放电电流和它们的估计Peurkert常数（PC）。根据表2，室温下的平均PC为1.107。值得注意的是，对于理想的电池，P是1。3.2. 恢复效果恢复效应被描述为电池在休息期间恢复其部分损失容量在休息期间，允许电池进行化学反应以增加电池电压[15，29]。基于表3中所示的数据，恢复效应是随着时间流逝而衰减的指数现象在本文中，基于表3，假设恢复效果是静止时间、槽电压和汲取电流的函数。的表1符号和定义。符号定义符号定义符号定义符号定义缩写定义CR额定容量C有效有效容量t间期线性化时间步长W活性细胞数CTS恒定时间步长IR额定流量电流0Max（v，I）回收电压C恢复恢复容量Cn电池容量数量nVTS可变时间步骤特定电流和电压Id希望出院电流vt的电压电池没有添加的估计的时间电池寿命是t_回收持续时间恢复时间MCB多小区电池中断延长P Peurkert常数R衰减常数TS时间步长GA遗传算法NNTSE神经网络时间估计器表2ICR 18650在不同放电电流下的PC估计值放电电流520毫安1000 MA1500 MA2500毫安3500毫安5000毫安有效容量百分百百分之九十三百分之八十九百分之八十五百分之八十一百分之七十八PC估计_1.1101.1091.1031.1071.109548A. 莫塔奇， M.R. Mosavi /工程 科学 和技术， 国际 杂志 23 （2020年）544v-vt-1tIR表3在不同启动电压下恢复期间的蓄电池电压经过时间（分钟）电池电压（伏）-P1电池电压（伏）-P2电池电压（伏）-P1电池电压（伏）-P2电池电压（伏）-P1电池电压（伏）-P2+03.60003.60003.45003.45003.26003.260023.64013.65703.47403.52603.36683.396233.65523.68333.48673.55023.41603.479643.66903.69023.49813.57453.45013.502453.67223.70103.50393.58713.47033.514663.68503.70523.51033.59123.48063.523273.68703.70883.51693.59423.48653.539683.68923.71003.51913.59683.49083.544293.69103.71103.52223.59853.49303.5470103.69203.71153.51433.60123.49503.5502估计0最大值= 3.70010最大值= 3.71840最大值= 3.54010最大值= 3.60680最大值= 3.50880最大值= 3.5585参数c = 0.0273c = 0.0320c = 0.0258c = 0.0439c = 0.0720c = 0.0894r = 0.2775r = 0.3291r = 0.1841r = 0.3659r = 0.3382r = 0.3838收回的─收回的─收回的─收回的─回收收回的─电压= 5%电压= 8%电压= 9.5%电压= 14%电压= 17%电压= 24%恢复效应也是电池温度的函数[30]，但在本文中，温度对恢复效应的影响被忽略。当量（5）将恢复的电压表示为时间的函数，放电电流0Max（v，I）是电压v时的最大恢复电压，通过实验获得。0Max（v，I）是一个函数而随着时间的推移，它也在不断地增加，随着时间的推移，它也在不断地增加。参数r是衰减常数，也是通过实验获得的。两种方法被用来估计锂离子电池的恢复容量在第一种方法中，电压表读取电压，并使用记忆多项式估计荷电状态，该记忆多项式拟合到电池电压表中给出的电压-电流-容量曲线上。另一种估计恢复容量的方法称为线性化方法。线性化方法假设电压-同样，假设在中断开始之前的最后时间间隔期间的电池电压降也是线性的。然后，使用该线性化曲线的斜率来估计电池寿命延长。图3显示了线性化方法和参数定义。 在第一步骤，使用以下公式估计恢复的电压：当量（五）、然后，等式（6）用于计算恢复时间之后的电池寿命延长。 由方程式（6）、v t是电池中断时的电压，恢复时间开始。Vt-1是伏特在中断周期开始之前的一个时间步长处的年龄和T间隔是线性化步长（时间步长）的长度。最后，电池的恢复容量（以mAh的形式）使用等式2获得。（7）。Id是在电压-时间曲线的最后线性化部分。在电池中断后，电池电压立即急剧增加，这是由电池的内阻引起的。值得注意的是，该值随着电池老化而增加，这主要是由电池内部阻抗的增加引起的。文[31]中导出了有关的解析方程。第5.1节讨论了方程估计参数的模拟结果。（五）、同样，第5.2节将使用线性化方法估算的恢复容量结果与不同放电电流的实验值进行了Vrecovered恢复值#最大值V;I恢复值：101-c：e-r：t recovery恢复值为105次没有添加 已恢复的1/4V：t间期值为600C回收的1/4t添加量·Id70%3.3. 多芯电池模型综合电池模型应考虑中断间隔期间的恢复容量和活动期间的损失容量为了实现这种MCB模型，将Peukert定律和第3.2中描述的恢复容量估计方法相结合。当量（8）考虑上述因素并对MCB的行为进行建模以用于计算机模拟。应该考虑的是，在任何时刻，只有小区W是活动的（只有一个小区是活动的，但是设计者可以修改它以在任何时刻对具有多于一个小区活动的MCB进行建模），并且其他小区正在休息并恢复它们丢失的容量。为了说明MBC模型的机制，假设小区W是活动的，而其他小区是空闲的。在这种情况下，Eq。公式（8.1）计算小区W的剩余小区容量，同时，公式（8.1）计算小区W的剩余小区容量。（8.2）使用第3.2节中描述的方法计算空闲小区的恢复容量。值得注意的是，小区W的恢复时间是两个连续小区W活动时间之间的时间之和8个C中发出先1/4。C剩余-我知道IdnumberP-1：I：tn nð8Þ：Cnnew 已回收的1/4Cn nn- w204. 基于遗传算法图三. 用线性化方法估算恢复容量。通过使用MCB，设计人员能够利用电池的非线性效应设计师可以DnA. Motaqi，M.R.Mosavi/工程科学与技术，国际期刊23（2020）544549.XN通过定义小区的休息时段来延长MCB寿命;换句话说，通过调度小区。多小区调度意味着使用特定算法不断中断小区（将小区置于空闲状态以利用恢复效果），但问题是如何定义小区的空闲时间。 MCB中电池调度的重要性在于为每个电池提供在休息时间进行化学反应以增加电池电压的机会。信元调度可以分为任务件调度和盲调度。任务调度考虑给定任务序列的放电模式和汲取电流，并预测最佳任务到电池的分配，以最小化电池的容量损失。在本文中，遗传算法被提出作为一个离线的任务件细胞调度器，以确定在特定的时间间隔内为每个细胞的活动期。为此，第一步是定义目标函数。当量（9）给出了基于遗传算法的多小区调度方法的目标函数目标是最大化特定时间间隔内所有电池中可用电池容量 图 8（b）给出了利用遗传算法进行小区调度的流程。所提出的算法生成S个解决方案，包括N个连续的步骤。图图4示出了N个连续步骤的S个解。每一步都包含所选的电池单元号及其激活时间。每种溶液中所有细胞的活性时间之和解决方案之间的差异是通过选择哪个小区在哪个时间以及激活多长时间来实现的，这导致不同的可用小区容量。最大化目标函数的最佳解决方案被选择用于小区调度。目标函数的目标是最大化所有电池可用容量的累积（第一项）加上空闲电池的总恢复容量的总和（第二项）减去所选电池单元的缩放损失容量对于单目标优化问题，假设所有单元的活动时间之和对于任何解都是一个常数，但单元的选择顺序和时间间隔的长度是不同的，它们是用遗传算法确定的。第5.5节研究了基于遗传算法的MCB调度在延长电池寿命方面的有效性，并与盲MCB调度进行了比较。5. 模拟和结果本节的目标是讨论使用建议的盲和任务件MCB调度的MCB寿命延长的评估结果。同样的，为了模拟和观察在遗传算法和神经网络相结合的方法下，对多节电池进行建模是非常重要的。为了实现用于多单元电池的真实模型和精确模拟，电池模型的参数直接从物理实验中提取，如第3所述。电池模型有两个重要部分：损失容量和恢复容量。虽然Peurkert定律不能完美地代表锂离子电池的行为，为了避免任何进一步的复杂性，并专注于本文的主要目的，MCB调度被用来估计电池的损失容量。Peurkert定律常数的估算过程见第3.1节。 电池模型中的第二个因素是恢复容量。估计恢复容量的第一步是测量恢复电压。第5.1节讨论了两种模式下不同中断电压（电池中断恢复的电压）下电池对空闲周期的响应，并计算了方程的参数。（5）采用最小二乘法。在模拟的下一部分中，将使用两种方法的电池单元的估计恢复容量与实验值进行比较。当完成损失的能量和恢复模型时，它们被用于计算机模拟，以获得最佳的时间步长来训练基于NNTSE和GA的多小区调度。见图8。(a)实现了恒定步长和可变时间步长的NNTSE MCB调度方法 。 FPGA Spartan 3-xls 400 用 于 实 现 NNTSE MCB 调 度 算 法 。FPGA连接到开关组以基于算法驱动电池单元。其余的仿真在MATLAB环境下进行，以模拟基于Peukret定律和恢复目标函数¼MAXN1/1细胞Ii¼X1;i恢复数据！估计方法第5.3节讨论了以延长电池寿命为目标，不同放电电流对MCB最佳恒流步长的影响，结果表明，在不同情况下，最佳恒流步长的大小与电池寿命的长短有关。-损失-容量按比例缩放见图4。 用于小区调度的N对[cz tzð9Þ妈妈的步骤各不相同。基于第5.3节中获得的结果，第5.4节通过引入基于NN的可变时间步长估计器（称为盲方法）来解决针对不同放电电流选择不同最佳时间步长的问题。同样，为了设计更有效的系统来延长MCB的生命周期，第5.5节提出了基于遗传算法的MCB调度器。它被称为task-ware调度器，因为它考虑了放电模式，并分配了为特定电池单元上的每个任务的执行提供能量5.1. 确定恢复函数基于实验数据，锂离子电池的电压恢复虽然恢复电压函数表3给出了ICR 18650锂离子电池在不同电压下的恢复电压。使用模式1和模式2将电池放电到特定电压，然后中断以使其进行化学反应以恢复其一些损失的容量。在不同电压下进行了放电深度对恢复容量的影响实验。结果表明，放电电压越高，恢复容量越大。550A. 莫塔奇， M.R. Mosavi /工程 科学 和技术， 国际 杂志 23 （2020年）544表4放电模式用于评估基于遗传算法的调度的有效性时间（秒）3421454787模式1（mA）12585426306248模式2（mA）87325147423620表4给出了标记为模式1和模式2的两种汲取电流模式。图案1和图案2被设计为揭示放电图案对恢复电压的影响。使用模式1和模式2将电池单元放电到特定值，然后中断以恢复其损失的容量。基于数据，可以得出结论，如果电池像模式2那样使用更大的平均汲取电流放电，则恢复容量将更大。根据表3中所示的实验数据，恢复电压是槽电压和汲取电流的指数函数。表3示出了在不同启动电压下的恢复周期期间的电池电压（五）、在MATLAB环境下，利用最小二乘法对参数值进行了估计基于估计的参数，指数常数r和0Max都是电池电压水平和放电模式的函数。 图图5示出了恢复的电压和具有表3中所示的参数的估计曲线。图5中所示的仿真示出了估计电压恢复函数可以以可容忍的误差对电池单元的电压恢复效应的行为进行建模。5.2. 恢复容量为了评价用线性化方法估算恢复容量的准确性，进行了几个实验。在第一步中，电池在不同的汲取电流下耗尽（一个完整的放电循环，没有任何再充电或中断），然后记录电池寿命。结果在表5中的O_lifetime列下示出。在第二个实验中，电池在相同的绘制模式下运行，并在给定的时间间隔内休息。在休息时间，电池恢复了一些失去的容量。表5中的I_lifetime列报告了每个汲取电流的延长电池寿命（不包括休息时间）。表5中的Exp_R-C以百分比的形式报告了电池寿命延长，以提供切实的结果。正如在第3.2节中所讨论的，为了估计模拟的恢复容量，提出了两种方法：电压-容量曲线和线性化电压方法。在第一种方法中，电池容量是基于恢复的电压，并利用电池测试中工厂提供的电压-容量-电流（V-C-I）曲线来估计的。使用V-C-I曲线的恢复容量的估计值在表5的V-C-I栏下示出。同样，使用线性化方法的恢复容量的估计值在表5的线性化栏下示出。通过对V-C-I曲线法和线性化法恢复容量估算的仿真结果与试验实测值的比较，可以看出线性化法比V-C-I法恢复容量估算精度更高。在以下部分中，MCB模型用于计算机模拟，以获得使用GA和NN的MCB调度的最佳时间步长。5.3. MCB调度调度多电池的主要方法是使用CTS顺序驱动每个电池。为了将定步长法的计算结果与其它方法的计算结果进行比较，最佳CTS应图五. 根据估计的参数值拟合曲线。A. Motaqi，M.R.Mosavi/工程科学与技术，国际期刊23（2020）544551表5不同电流下蓄电池的额定容量吸取电流O_寿命（min）静置时间（min）I_lifetime（min）失效_R-C %V-C-I %线性化%445308373389.77.111846175321951181312121213013297.210.51856722379913.18.62200581765126.715.1290040144717.51219.5可以提供最长的电池寿命。时间步长（TS）是特定放电模式下MCB寿命的主要决定因素.短CTS不会让可充电电池利用回收效果的好处。另一方面，长的恢复时间不是最佳的，因为恢复的容量饱和，并且适应长的CTS导致小区的有效容量较低。因此，存在使MCB寿命最大化的最佳CTS。表6显示了用于六芯锂离子电池放电的顶级精英TS，电流为165mA和1852 mA。使用GA获得的解决方案，为不同的汲取电流，他们表明，只有一个最佳的CTS，最大限度地提高电池的寿命，这是一个功能的汲取电流。在以下部分中，提出了两种方法来生成可变时间步长以延长MCB寿命。5.4. 神经网络时间步长估计器为了设计更加智能化的电池管理系统，提出了一种多层神经网络时间步长估计器（NNTSE）。NNTSE被提出作为一个在线的VTS（可变时间步长）估计器，以延长电池寿命为不同的汲取电流。三层神经网络用于估计最佳TS，第一层是输入（汲取电流），第二层包含8个神经元，最后一层是输出，实际上是估计的TS。NNTSE是一种只考虑平均放电电流的盲管理方法 图 8(a)显示了NNTSE方法的设计和注入流程。在第一步骤中，生成一组随机电流然后，在MATLAB环境下，使用基于Peukert定律的遗传算法和所提出的恢复估计方法（电池模型）来估计每个电流的最佳MCB恒定时间步长。然后，基于在不同放电电流下针对电池寿命获得的[CTS，平均放电电流]的最佳对来训练NNTSE。在下一步中，所生成的NN在FPGA-Spartan 3-slx 400上实现以驱动电池单元。该FPGA产生的基础上，通过一个7通道12位模数转换器（ADC78H89CIMT）获得的汲取电流的CTS。然后，Spartan 3-slx 400控制开关组来驱动单元。图6示出了针对不同汲取电流的NNTSE的输出。图6中示出了使用NNTSE估计的TS和使用GA计算的TS中的一些。结果表明，所提出的在线估计预测的最佳TS的平均误差为13 s相比，使用GA计算的。图六、NNTSE的输出作为平均放电电流的函数图7.第一次会议。与CTS相比，使用NNTSE可延长6节电池的使用寿命图图7比较了使用NNTSE方法和CTS方法延长六芯锂离子电池寿命的实验结果。选择150 s CTS作为常数TS，比较了常数时间步长法和NNTSE法。 结果阐明了使用NNTSE优于CTS的优点，特别是对于电池非线性更明显的较高汲取电流。由于放电电流389 mA的最佳TS接近CTS方法的选定值（150 s），因此与其他放电值相比，系统在389 mA附近提供的改善较小。实验结果表明，与CTS相比，该方法将6节锂离子电池的电池寿命5.5. 基于遗传算法的多小区调度采用CTS对六芯锂离子电池寿命的影响已经在前一节中进行了研究已经表6顶级精英时间步骤，以最大限度地延长六芯锂离子电池的电池寿命放电电流165 mA寿命（min）放电电流389 mA寿命（min）放电电流1852 mA寿命（min）9334865112745015618535501121345551862983720179145861210346365914513297525037935261951250952024213325240110211516747531253151085135110552A. 莫塔奇， M.R. Mosavi /工程 科学 和技术， 国际 杂志 23 （2020年）544结果表明，微断路器的寿命取决于TS的长度和放电模式。在本节中，进一步研究了延长多节锂离子电池寿命的挑战，并研究了任务件可变时间步长（VTS）对MBC寿命的影响。基于遗传算法的多小区调度方法使用遗传算法以产生可变的时间步长。该方法不仅基于放电电流，而且基于整个放电模式来寻找最佳时间步长。该功能使算法计算更有效的细胞调度相比，其他方法。该算法试图找到一组时间步长与时间的关系，以便实现最大的电池恢复。为了找到延长六芯锂离子电池寿命的最佳VTS组，采用遗传算法。图8（b）呈现了基于GA的MCB排序方法。在第一步中，绘制的电流模式和GA参数被馈送到基于GA的调度算法。然后，使用原始解来产生第一代演化解。然后，选择最大化电池寿命的精英解决方案，并在电池模型上进行测试，并使用给定的模式放电。在这种方法中，每个任务或其中的一部分在特定的时间段分配给一个单元格。每个小区的TS可以不同于其他小区，并且对于特定小区，TS可以在不同时刻不同。目标是使MCB的可用容量最大化，如等式2中所述。（九）、 图8（c）示出了用于六单元锂离子电池的样品溶液。二进制遗传算法与20位长度的染色体和0.3的变异率被用来确定VTS集。调度器生成80[Ci，si]对的序列，其中Ci表示小区数目，si表示第i个时间间隔内的小区活动时间。每个序列中si的和是一个常数值T。图9显示了使用放电模式1和模式2进行100次迭代重复所选序列（由电池编号和TS组成），直到所有电池耗尽。模拟结果表明，在100代解中，MCB寿命的最大值平均比最小值好25%。这些结果也证实了VTS对多芯电池寿命的深远影响。图10示出了对于使用放电模式1和模式2的基于GA的任务件调度和NNTSE方法，作为经过时间的函数的六单元锂离子电池容量。在MATLAB环境下使用MCB电池模型进行仿真。仿真的VTS集是使用遗传算法从100个进化解中选择的。仿真结果表明，基于遗传算法的VTS延长6节锂离子电池的寿命平均为31%相比，NNTSE方法。实现基于在线遗传算法的多调度方法需要高处理能力，这是昂贵的和功耗的。因此，该方法适合于像空间卫星这样的应用，其中电源管理是非常关键和重要的。随着技术的进步，在单片芯片上实现该算法已成为可能。例如，ZC706评估套件具有Zynq7000系列，该系列包含图8.第八条。（a）NNTSE方法的设计与实现流程;（b）基于遗传算法的MCB调度的设计与仿真流程;（c）六芯锂离子电池VTS示例解决方案A. Motaqi，M.R.Mosavi/工程科学与技术，国际期刊23（2020）544553见图9。 在100次迭代的80个解决方案中对电池寿命的最大值进行排序：（a）模式1和（b）模式2。图10个。在放电期间通过基于GA的 VTS和NNTSE方法管理的六单元锂离子电池的容量：（a）模式1和（b）模式2。双ARM Cortex-A9核处理器，可用于实现基于遗传算法的多小区调度算法。该芯片的FPGA部分可用于驱动开关，两个集成的12位ADC也可用于读取MCB电压和电流。另外，如果不需要基于在线遗传算法的多电池调度，并且任务和它们的顺序是固定的，则设计者可以使用MATLAB生成关于时间的最佳选择电池的顺序集合，并使用简单的微控制器来驱动电池。6. 结论在本研究中，主要集中在MCB小区调度。在第一步中，为了在计算机仿真中模拟MCB的行为，提出了MCB的电池模型。电池模型考虑了恢复效应，并根据Peukert定律估计了损失的容量。为了模拟是现实的，MCB模型的参数已被提取直接从实验值。在管理MCB的第一次尝试中，已经表明对于不同的放电电流，存在特定的最佳CTS。最佳CTS已估计使用GA建议MCB的基础上。在第二阶段，通过引入VTS环境下的盲调度和任务型调度，进一步研究了MCB管理系统面临的挑战。盲调度是一种在线方法，它基本上是一个估计最佳TS的MLP NN在不同的情况下。另一方面，任务件MCB管理系统被认为是一个离线MCB基于遗传算法的管理系统，预测一个特定的模式的最佳解决方案的集合。仿真结果表明，与CTS方法相比，NNTSE方法平均提高了电池寿命1
