一种基于强化学习的电池组均衡方法

1.本发明涉及电池组均衡控制技术领域，具体涉及一种基于强化学习的电池组均衡方法。


背景技术：

2.随着新能源汽车行业的发展，电池组的需求量和报废量在迅速提高。为满足人们的出行需求，电池组的容量在不断提升，进而需要并联的电池数量也随之增加，但电池组的性能会随着充电次数的增加而衰减，当电池组的一致性下降时，易产生电池组某一单体过充过放情况，造成能量的浪费，严重影响到电池组的使用寿命。
3.因此，需要对电池组进行均衡控制以消除电池组由于自身和使用过程中产生的各种不一致性。目前电池组的均衡控制方式大多以基于规则的主动均衡控制为主，其原理为将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上，故模糊规则的制订需依赖于主观经验，规则设计不当可能会导致输出振荡，降低均衡效率，甚至出现过均衡等问题。因此，需要提供一种均衡策略来解决上述问题。


技术实现要素：

4.本发明的目的在于提供一种基于强化学习的电池组均衡方法，该方法有利于缩短电池组均衡时间，减少电池组均衡过程中的能量浪费。
5.为了实现上述目的，本发明采用的技术方案是：一种基于强化学习的电池组均衡方法，包括以下步骤：
6.步骤1：根据电池组中单体电池的额定容量以及均衡系统中均衡拓扑参数确定电池组均衡过程的均衡目标和约束条件；
7.步骤2：以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间；
8.步骤3：建立actor-critic架构的深度学习网络，并基于此构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略；
9.步骤4：设计电池均衡系统奖励函数，初始化深度强化学习均衡策略的训练参数，然后对深度强化学习均衡策略进行训练，并在每个训练回合随机初始化单体电池的soc状态；
10.步骤5：利用训练好的强化学习均衡策略进行电池组均衡控制。
11.进一步地，所述步骤1中，单体电池额定容量由diag[c1,c2,...,cn]
t
表示，c表示对应单体电池的额定容量，双向相邻型均衡拓扑参数表示为：
[0012][0013]
其中m＝2n，ηd为电池充电库伦效率，ηc为电池放电库伦效率；
[0014]
均衡过程的均衡目标为：
[0015][0016]
其中ε是电池组一致性最大容许误差，δsoc＝soc
max-soc
min
表示电池soc的极差；
[0017]
均衡过程的约束条件为：
[0018][0019]
其中，i
ch,i
为充电电流，i
ch,max
为电池最大可充电电流，i
dis,i
为放电电流，i
dis,max
为电池最大可放电电流，i
eq,i
为ice电流，i
eq,max
为电池均衡器最大均衡电流。
[0020]
进一步地，所述步骤2中，均衡电流控制量以u＝[u1,u2,
…
,ui,
…
,un]表示，其中u∈[-1,1]，正负号表示充放电状态，ui表示当前均衡电池的均衡电流控制量，将ui进一步表示为u
i1
+u
i2
，在双向相邻型拓扑中u
i1ui2
＝0，当ui≤0时，u
i1
＝0，u
i2
＝|ui|,当ui》0时，u
i1
＝|ui|，u
i2
＝0；
[0021]
智能体的动作空间为a＝[u
11
+u
12
,
…
,u
i1
+u
i2
,
…
,u
n1
+u
n2
]，将动作空间转换为标准的均衡控制向量u＝[u
11
,u
12
,u
i1
,u
i2
,
…
,u
n1
,u
n2
]
tm
×1，其中m＝2n，转换后u∈[0,1]为等效均衡电流系数或mosfet的占空比；
[0022]
电池组的不一致性状态信息包括单体电池间soc差值soc
diff
和单体电池极差δsoc，智能体的状态空间为s＝[soc
diff
,a,δsoc]，其中，soc
diff
＝[soc
diff1
,soc
diff2
,
…
,soc
diffj
,...,soc
diffn
]，soc
diffj
为第j个单体电池与第j+1个单体电池之间的soc差值，soc
diffn
为首尾单体电池间soc差值。
[0023]
进一步地，单体电池间soc差值soc
diff
由下式求得：
[0024]
soc
diff
＝t
ref x(t)
[0025]
其中，x为被均衡电池组内单体电池soc状态矩阵，t
ref
表示为：
[0026][0027]
进一步地，所述步骤3中，基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略的深度学习网络由一个actor网络和两个critic网络组成；其中，critic网络由两个输入层、四个全连接层和一个输出层组成，激活函数为relu函数；actor网络由一个输入层、三个全连接层和一个输出层组成，激活函数为relu函数；通过双critic网络来延迟更新actor网络参数；
[0028]
电池组均衡系统智能体的状态空间和动作空间确定后，对critic网络和actor网络参数进行初始化处理。
[0029]
进一步地，所述步骤4中，电池均衡系统的奖励函数为：
[0030]
r＝c-j
[0031]
其中，c为常数，函数j表示为：
[0032][0033]
函数j的系数k＝[k
1 k2…kn
]1×n，k的具体数值由下述关系式获得：
[0034]
当(soc
i-soc
i+1
)
×
(soci_
init-soc
i+1
_
init
)≥0时，ki＝a1；
[0035]
当(soc
n-soc1)
×
(socn_
init-soc1_
init
)≥0时，kn＝a1；
[0036]
当(soc
i-soc
i+1
)
×
(soci_
init-soc
i+1
_
init
)＜0时，ki＝a1×
a2；
[0037]
当(soc
n-soc1)
×
(socn_
init-soc1_
init
)＜0时，kn＝a1×
a2，其中a1≥1，a2＞1；
[0038]
上述关系中，i＝1,2,
…
,n-1；soci为当前时刻电池的soc值，soc
i_init
为电池soc的初始值，作用是判断电池组在均衡过程中是否出现过均衡现象，a1和a2为惩罚系数，a1是为了对不一致性状态进行惩罚以快速提升一致性，a2是对出现过均衡的均衡过程进行惩罚。
[0039]
与现有技术相比，本发明具有以下有益效果：与传统的基于规则的制定均衡策略相比，本方法可以通过探索过程，使得均衡控制器不断地改进均衡控制决策，逐渐逼近控制域内最优均衡目标，实现均衡管理策略的自学习设计；本方法可以使智能体自动探索约束条件内最优均衡电流，同时能够有效缩短电池组均衡所需的时间并有效减少电池组均衡过程中产生的能量浪费；此外，本发明在强化学习的基础上采用td3算法，用双critic网络的电池组均衡训练框架，用两个critic之间的最小值来抑制q值的过高估计，在计算目标值时，在下一个状态的动作上加入扰动，从而使得价值评估更准确，并在critic网络更新多次后，再更新actor网络，从而保证actor网络的训练更加稳定；本发明还提出了一种新型的简单的奖励函数，该奖励函数可以使智能体朝着约束条件内均衡效果最优的方向进行探索。
附图说明
[0040]
图1为本发明实施例的方法实现流程图；
[0041]
图2为本发明实施例中深度学习网络示意图；
[0042]
图3为本发明实施例中均衡拓扑图；
[0043]
图4为本发明实施例中基于规则的电池组均衡策略的均衡效果图；
[0044]
图5为本发明实施例中训练完成后的电池组主动均衡效果图；
[0045]
图6为本发明实施例中基于规则的电池组均衡策略和本方法的深度强化学习均衡策略的平均soc变化曲线图。
具体实施方式
[0046]
下面结合附图及实施例对本发明做进一步说明。
[0047]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0048]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0049]
本实施例中，电池组由5个18650单体电池组成，型号为sony-vtc6，参数如表1所示，均衡器主电路元器件电感及电容参数分别为220uh和220uf。
[0050]
表118650锂电池参数
[0051][0052]
如图1所述，本实施例提供了一种基于强化学习的电池组均衡方法，包括以下步骤：
[0053]
步骤1：以buck-boost变换器作为均衡器，根据电池组中单体电池的额定容量以及均衡系统中均衡拓扑参数等确定电池组均衡过程的均衡目标和约束条件。
[0054]
步骤2：以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间。
[0055]
步骤3：建立actor-critic架构的深度学习网络，并基于此构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略。
[0056]
步骤4：考虑电池组均衡路径优化、均衡电流和均衡时间限制等因素，根据电池组初始不一致状态信息和当前不一致状态信息、当前均衡系统智能体均衡动作，设计电池均
衡系统奖励函数，初始化深度强化学习均衡策略的训练参数，然后对深度强化学习均衡策略进行训练，并在每个训练回合随机初始化单体电池的soc状态。
[0057]
步骤5：利用训练好的强化学习均衡策略进行电池组均衡控制。
[0058]
所述步骤1中，电池组均衡拓扑如图3所示，单体电池额定容量由diag[c1,c2,...,cn]
t
表示，c表示对应单体电池的额定容量，双向相邻型均衡拓扑参数表示为：
[0059][0060]
其中m＝2n，ηd为电池充电库伦效率，ηc为电池放电库伦效率。
[0061]
均衡过程的均衡目标为：
[0062][0063]
其中ε是电池组一致性最大容许误差，δsoc＝soc
max-soc
min
表示电池soc的极差。
[0064]
均衡过程的约束条件为充电电流i
ch,i
和放电电流i
dis,i
以及ice电流i
eq,i
之间的大小关系应满足：
[0065][0066]
其中，i
ch,i
为充电电流，i
ch,max
为电池最大可充电电流，i
dis,i
为放电电流，i
dis,max
为电池最大可放电电流，i
eq,i
为ice电流，i
eq,max
为电池均衡器最大均衡电流。
[0067]
假设各个电池及ices电路模块的i
ch,max
、i
dis,max
和i
eq,max
分别相同，则i
eq,i
满足关系式：
[0068][0069]
所述步骤2中，均衡电流控制量以u＝[u1,u2,
…
,ui,
…
,un]表示，其中u∈[-1,1]，正负号表示充放电状态，ui表示当前均衡电池的均衡电流控制量，将ui进一步表示为u
i1
+u
i2
，在双向相邻型拓扑中u
i1ui2
＝0，当ui≤0时，u
i1
＝0，u
i2
＝|ui|，当ui》0时，u
i1
＝|ui|，u
i2
＝0。
[0070]
智能体的动作空间为a＝[u
11
+u
12
,
…
,u
i1
+u
i2
,
…
,u
n1
+u
n2
]，将动作空间转换为标准的均衡控制向量u＝[u
11
,u
12
,u
i1
,u
i2
,
…
,u
n1
,u
n2
]
tm
×1，其中m＝2n，转换后u∈[0,1]为等效均衡电流系数或mosfet的占空比。在本实施例中，智能体的动作空间为a＝[u
11
+u
12
,
…
,u
51
+u
52
]，将动作空间转换为标准的均衡控制向量u＝[u
11
,u
12
,
…
,u
51
,u
52
]
t10
×1。
[0071]
电池组的不一致性状态信息包括单体电池间soc差值soc
diff
和单体电池极差δsoc，智能体的状态空间为s＝[soc
diff
,a,δsoc]；其中，soc
diff
＝[soc
diff1
,soc
diff2
,
…
,soc
diffj
,...,soc
diffn
]，soc
diffj
为第j个单体电池与第j+1个单体电池之间的soc差值，soc
diffn
为首尾单体电池间soc差值。
[0072]
在本实施例中，单体电池间soc差值soc
diff
＝[soc
diff1
,soc
diff2
,soc
diff3
,soc
diff4
,soc
diff5
]，soc
diff
可由下式求得：
[0073]
soc
diff
＝t
ref x(t)
[0074]
其中，x为被均衡电池组内单体电池soc状态矩阵，t
ref
表示为：
[0075][0076]
所述步骤3中，基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略的深度学习网络由一个actor网络和两个critic网络组成；其中，critic网络由两个输入层、四个全连接层和一个输出层组成，激活函数为relu函数；actor网络由一个输入层、三个全连接层和一个输出层组成，激活函数为relu函数；通过双critic网络来延迟更新actor网络参数。
[0077]
电池组均衡系统智能体的状态空间和动作空间确定后，对critic网络和actor网络参数进行初始化处理。
[0078]
进一步的，设计基于双延迟深度确定性策略梯度算法(twin delayed deep deterministic policy gradient,td3)的深度学习网络结构。深度学习网络由一个actor网络和两个critic网络组成，且td3算法的伪代码如表2所示。
[0079]
表2td3伪代码
[0080]
[0081][0082]
所述步骤4中，电池均衡系统的奖励函数为：
[0083]
r＝c-j
[0084]
其中，c为常数，函数j表示为：
[0085][0086]
函数j的系数k＝[k
1 k2…kn
]1×n，k的具体数值由下述关系式获得：
[0087]
当(soc
i-soc
i+1
)
×
(soci_
init-soc
i+1
_
init
)≥0时，ki＝a1；
[0088]
当(soc
n-soc1)
×
(socn_
init-soc1_
init
)≥0时，kn＝a1；
[0089]
当(soc
i-soc
i+1
)
×
(soci_
init-soc
i+1
_
init
)＜0时，ki＝a1×
a2；
[0090]
当(soc
n-soc1)
×
(socn_
init-soc1_
init
)＜0时，kn＝a1×
a2，其中a1≥1，a2＞1；
[0091]
上述关系中，i＝1,2,
…
,n-1；soci为当前时刻电池的soc值，soc
i_init
为电池soc的初始值，作用是判断电池组在均衡过程中是否出现过均衡现象，a1和a2为惩罚系数，a1是为了对不一致性状态进行惩罚以快速提升一致性，a2是对出现过均衡的均衡过程进行惩罚。
[0092]
在本实施例中，td3算法智能体训练参数如表3所示：
[0093]
表3td3算法智能体训练参数
[0094][0095]
本实施例随机生成了5个电池的初始soc状态，分别为soc1＝0.554、soc2＝0.621、soc3＝0.570、soc4＝0.637、soc5＝0.601，如图4所示，基于规则的电池组主动均衡方法的均衡到达时间为527s，且无论是在电池组均衡过程中还是到达均衡以后都会产生过均衡和重复充放电现象。而如图5所示，本发明训练完成后的电池组主动均衡系统的均衡到达时间为256s，且无论是在电池组均衡过程中还是到达均衡以后都没有产生过均衡和重复充放电现象。
[0096]
如图5所示，2号电池的放电速度要明显快于5号电池，并且2号电池和5号电池是不相邻的两个电池，所以2号电池和5号电池的soc曲线的交叉并不影响输出结果；
[0097]
基于规则的均衡策略与基于强化学习的均衡策略二者的电流上限均为1a，本实施例制定的基于规则的均衡策略如下：
[0098]
规则1：当δsoc＞0.04时，均衡电流为1a，目的是为了实现快速均衡，缩短均衡时间；
[0099]
规则2：当0.03＜δsoc＜0.04时，均衡电流为0.7a，目的是为了防止电池组内部的不一致性迅速增大；
[0100]
规则3：当0.02＜δsoc＜0.03时，均衡电流为0.4a，目的是为了快速改善电池组之间的不一致性；
[0101]
规则4：当δsoc＜0.02时，均衡电流为0.2a，目的是为了避免出现过放电或者过充电现象；
[0102]
本实施例对容量为3000mah，soc极差为7.4％的5单体串池组进行均衡，如图6所示，基于规则的电池组容量损耗为17.7mah，本发明基于td3强化学习的均衡策略电池组容量损耗为14.7mah，与基于规则相比，均衡时间提升了52％，能量损失减少了17％，本发明基于td3强化学习的均衡策略能够更好的缩短电池组均衡所需要的时间，避免由于过于依赖经验出现的输出振荡和过均衡现象，同时减少均衡过程中电池组能量的损失浪费。
[0103]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0104]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0105]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0106]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0107]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种基于强化学习的电池组均衡方法，其特征在于，包括以下步骤：步骤1：根据电池组中单体电池的额定容量以及均衡系统中均衡拓扑参数确定电池组均衡过程的均衡目标和约束条件；步骤2：以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间；步骤3：建立actor-critic架构的深度学习网络，并基于此构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略；步骤4：设计电池均衡系统奖励函数，初始化深度强化学习均衡策略的训练参数，然后对深度强化学习均衡策略进行训练，并在每个训练回合随机初始化单体电池的soc状态；步骤5：利用训练好的强化学习均衡策略进行电池组均衡控制。2.根据权利要求1所述的一种基于强化学习的电池组均衡方法，其特征在于，所述步骤1中，单体电池额定容量由diag[c1,c2,...,c
n
]
t
表示，c表示对应单体电池的额定容量，双向相邻型均衡拓扑参数表示为：其中m＝2n，η
d
为电池充电库伦效率，η
c
为电池放电库伦效率；均衡过程的均衡目标为：其中ε是电池组一致性最大容许误差，δsoc＝soc
max-soc
min
表示电池soc的极差；均衡过程的约束条件为：其中，i
ch,i
为充电电流，i
ch,max
为电池最大可充电电流，i
dis,i
为放电电流，i
dis,max
为电池最大可放电电流，i
eq,i
为ice电流，i
eq,max
为电池均衡器最大均衡电流。3.根据权利要求1所述的一种基于强化学习的电池组均衡方法，其特征在于，所述步骤2中，均衡电流控制量以u＝[u1,u2,
…
,u
i
,
…
,u
n
]表示，其中u∈[-1,1]，正负号表示充放电状态，u
i
表示当前均衡电池的均衡电流控制量，将u
i
进一步表示为u
i1
+u
i2
，在双向相邻型拓扑中u
i1
u
i2
＝0，当u
i
≤0时，u
i1
＝0，u
i2
＝|u
i
|，当u
i
>0时，u
i1
＝|u
i
|，u
i2
＝0；智能体的动作空间为a＝[u
11
+u
12
,
…
,u
i1
+u
i2
,
…
,u
n1
+u
n2
]，将动作空间转换为标准的均
衡控制向量u＝[u
11
,u
12
,u
i1
,u
i2
,
…
,u
n1
,u
n2
]
tm
×1，其中m＝2n，转换后u∈[0,1]为等效均衡电流系数或mosfet的占空比；电池组的不一致性状态信息包括单体电池间soc差值soc
diff
和单体电池极差δsoc，智能体的状态空间为s＝[soc
diff
,a,δsoc]，其中，soc
diff
＝[soc
diff1
,soc
diff2
,
…
,soc
diffj
,...,soc
diffn
]，soc
diffj
为第j个单体电池与第j+1个单体电池之间的soc差值，soc
diffn
为首尾单体电池间soc差值。4.根据权利要求3所述的一种基于强化学习的电池组均衡方法，其特征在于，单体电池间soc差值soc
diff
由下式求得：soc
diff
＝t
ref x(t)其中，x为被均衡电池组内单体电池soc状态矩阵，t
ref
表示为：5.根据权利要求1所述的一种基于强化学习的电池组均衡方法，其特征在于，所述步骤3中，基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略的深度学习网络由一个actor网络和两个critic网络组成；其中，critic网络由两个输入层、四个全连接层和一个输出层组成，激活函数为relu函数；actor网络由一个输入层、三个全连接层和一个输出层组成，激活函数为relu函数；通过双critic网络来延迟更新actor网络参数；电池组均衡系统智能体的状态空间和动作空间确定后，对critic网络和actor网络参数进行初始化处理。6.根据权利要求1所述的一种基于强化学习的电池组均衡方法，其特征在于，所述步骤4中，电池均衡系统的奖励函数为：r＝c-j其中，c为常数，函数j表示为：函数j的系数k＝[k
1 k2…
k
n
]1×
n
，k的具体数值由下述关系式获得：当(soc
i-soc
i+1
)
×
(soc
i
_
init-soc
i+1
_
init
)≥0时，k
i
＝a1；当(soc
n-soc1)
×
(soc
n
_
init-soc1_
init
)≥0时，k
n
＝a1；当(soc
i-soc
i+1
)
×
(soc
i
_
init-soc
i+1
_
init
)＜0时，k
i
＝a1×
a2；当(soc
n-soc1)
×
(soc
n
_
init-soc1_
init
)＜0时，k
n
＝a1×
a2，其中a1≥1，a2＞1；上述关系中，i＝1,2,
…
,n-1；soc
i
为当前时刻电池的soc值，soc
i_init
为电池soc的初始值，作用是判断电池组在均衡过程中是否出现过均衡现象，a1和a2为惩罚系数，a1是为了对不一致性状态进行惩罚以快速提升一致性，a2是对出现过均衡的均衡过程进行惩罚。

技术总结
本发明涉及一种基于强化学习的电池组均衡方法，包括：根据电池组中单体电池的额定容量及均衡系统中均衡拓扑参数确定电池组均衡过程的均衡目标和约束条件；以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间；建立Actor-Critic架构的深度学习网络，并构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略；设计电池均衡系统奖励函数，训练深度强化学习均衡策略，并在每个训练回合随机初始化单体电池的SOC状态；利用训练好的强化学习均衡策略进行电池组均衡控制。该方法有利于缩短电池组均衡时间，减少电池组均衡过程中的能量浪费。减少电池组均衡过程中的能量浪费。减少电池组均衡过程中的能量浪费。


技术研发人员：王亚雄 杨庆伟 梁非凡 欧凯
受保护的技术使用者：福州大学
技术研发日：2023.05.27
技术公布日：2023/9/5