CN111656643B

CN111656643B - 用于对电池快速充电的自适应充电协议和实现该协议的快速充电系统

Info

Publication number: CN111656643B
Application number: CN201880088203.7A
Authority: CN
Inventors: R·雅扎米; T·G·T·A·邦达拉
Original assignee: Yazami Ip Private Ltd
Current assignee: Yazami Ip Private Ltd
Priority date: 2017-12-07
Filing date: 2018-12-07
Publication date: 2024-11-15
Anticipated expiration: 2038-12-07

Abstract

一种自适应充电协议(ACP)，该自适应充电协议(ACP)被实现成对具有连接到电源的端子的电极端子的可再充电电池进行快速充电，该电源被设置成向所述电极施加时变的电压，在开始对所述电池进行充电操作之前，该协议包括以下步骤：检测关于所述电池的先前充电操作的历史数据的存在；在检测到的情况下，处理所述历史数据以调节充电参数，以便优化所述充电操作；在没有检测到的情况下，对所述电池进行电气测试以获取关于所述电池的充电状态(SOC)变化的数据，以便在所述SOC变化上建立学习模型以用于优化所述充电操作。

Description

用于对电池快速充电的自适应充电协议和实现该协议的快速充电系统

本专利申请要求于2017年12月7日提交的新加坡专利申请号为10201710151Y的专利申请的优先权。

技术领域

本发明涉及用于对电池进行快速充电的自适应充电协议。本发明还涉及实现该协议的快速充电系统。

背景技术

“如何更快速地对电池进行充电？”是自从电池存储设备问世几十年来一直没有完全解决的问题。更重要的是，由于急需且大量使用移动设备技术以及近年来对电动汽车(EV)和插电式混合动力汽车(PHEV)的需求日益增长(由于迫切需要遏制以石油为主的汽车造成的空气污染)，所以更快速地对锂离子电池进行充电已成为关键问题。因此，当今世界上锂离子电池的快速充电解决方案是价值数十亿美元的创新。

本发明的目的是提出一种新的充电协议，该协议允许以与当前的快速充电技术相比改进的性能对电池进行快速充电。

发明内容

利用一种自适应充电协议(ACP)来实现该目的，该自适应充电协议(ACP)被实现成对具有连接到电源的端子的电极端子的可再充电电池进行快速充电，该电源被设置成向所述电极施加时变的电压，在开始对所述电池进行充电操作之前，所述协议包括以下步骤：

-检测关于所述电池的先前充电操作的历史数据的存在，

-在检测到的情况下，处理所述历史数据以调节充电参数，以便优化所述充电操作；

-在没有检测到的情况下，对所述电池进行电气测试以获取关于所述电池的充电状态(SOC)变化的数据，以便在所述SOC变化上建立学习模型以用于优化所述充电操作。

所述自适应充电协议还可以包括检测电池系统要求的步骤和处理所述电池系统要求的步骤以便优化充电操作。

开发了用于对锂离子电池进行快速充电的自适应充电协议(ACP)，以在大约10分钟的时间内为电池充电。这是可以适用于任何类型电池的两种快速充电方法的组合。该自适应充电协议用作无记忆的充电模型以及基于记忆的充电模型。如果有关电池化学性质的历史数据可用，则此协议会自动进行调节，以使用这些历史数据提供最佳的充电性能。如果其偶然为随机的电池充电，而没有任何历史数据或特定数据，则关于其ΔSOC的快速学习模型将足够公平(fair)，以对其进行快速且安全的充电。不仅如此，在调节其用于充电的协议时，其还将考虑用户的要求和一些系统要求(随着检测这些要求以及当检测这些要求时)。因此，这也可以被视为对电池进行快速充电的通用协议。

在此协议内，已经探索了三种不同的快速充电方法：

-基于非线性伏安法(NLV)的ACP

-基于极化反转(IP)的ACP

-根据自适应情况，基于NLV和IP二者的ACP。

当自适应充电协议实现非线性伏安法(NLV)时，充电操作包括以下步骤：

-线性扫描伏安法(LSV)步骤，持续时间较短，所述LCV步骤包括对所述电池端子上的电流和电压的分析，

-一系列连续的非线性伏安法(NLV)步骤，各个NLV步骤被分配有下一个设置电压，然后是弛豫时间内的弛豫步骤，在弛豫时间期间没有电压和/或没有电流被施加到所述电池端子，所述一系列NLV步骤继续直到达到一组退出充电标准当中的至少一个退出充电标准为止。

根据以下等式计算下一个设置电压：

其中：K_n在充电期间在某一时段内为常数值，

是充电处理/步骤时间持续时间期间电池单元电压V的变化率，

是充电处理/步骤时间持续时间期间充电电流I的变化率的绝对值，

α是介于0.1至100之间的系数。

可以根据电池的充电状态(SOC)确定弛豫时间。

该自适应充电协议还可以包括用于基于相对于所述电池的预期C倍率电流检验由电池汲取的充电电流来训练K值的步骤。

退出充电标准可以包括达到目标终止电压(tev：Target End Voltage)。

退出充电标准可以包括达到基于库仑计数(Coulomb counting)的获得的充电状态(SOC)的预定水平。

退出充电标准包括基于人工智能来确定电流曲线的模式匹配。

当自适应充电协议实现极化反转(IP)方法时，充电操作包括以下步骤：

-分析要充电的电池的极化曲线，

-计算从电源向所述电池充电的电流的曲线，以便补偿所述电池内的较低极化区域(less polarized zone)。

可以使用以下等式计算充电的预期电流：

其中：

ΔSOC是电池在任何时间点的充电状态的增加，

基于ΔSOC和电池类型，M对于某一范围的增加ΔSOC来说是常数，

是不同ΔSOC下的的极化反转，

β是所述电池的常数并且由极化数据确定。

该自适应充电协议还可以包括具有预定弛豫持续时间的多个弛豫步骤，在所述预定弛豫持续时间期间没有电压和/或没有电流被施加到电池端子。

该自适应充电协议可以实现非线性伏安法(NLV)和极化反转(IP)充电方法二者，并且然后所述NLV或IP充电方法当中的一者的实现是根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态(SOH)的信息和/或关于所述电池的充电状态(SOC)的变化ΔSOC的计算数据来动态地决定的。

该自适应充电协议可以被实现成对包括锂离子电池、镍金属氢化物电池(NiMH)、镍镉电池(NiCd)、铅酸电池(LAB)和钠基电池(NaS、NaNiCl2)的组当中的可再充电电池进行充电。

根据本发明的另一方面，提出了一种用于对可再充电电池进行快速充电的系统，所述电池具有连接至内部电化学电池单元电极的端子和初始充电状态(SOCi)，所述快速充电系统包括：

-电源，该电源被定位成与所述电极电连通，以提供施加到所述电池端子的可控的时变(time varing)充电电压，从而生成充电电流，该充电电流导致所述电化学电池单元从所述初始充电状态(SOCi)充电到充电状态目标值(SOCf)，

-充电控制处理器，该充电控制处理器用于控制所述电源，

其中，所述充电控制处理器被编程用于：

-检测关于所述电池的先前充电操作的历史数据的存在，

该充电控制处理器还可以被编程成处理电池系统要求，以便优化充电操作。

该充电控制处理器还被编程成实现非线性伏安法(NLV)方法。

该充电控制处理器还被编程成实现极化反转(IP)方法。

该充电控制处理器还可以被编程成实现非线性伏安法(NLV)充电和极化反转(IP)充电二者，并且根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态(SOH)的信息和/或关于所述电池的充电状态(SOC)的变化ΔSOC的计算数据来动态地决定实现哪种充电方法。

该快速充电系统可以被设置成对包括锂离子电池、镍金属氢化物电池(NiMH)、镍镉电池(NiCd)、铅酸电池(LAB)和钠基电池(NaS、NaNiCl2)的组当中的可再充电电池进行充电。

根据本发明的另一方面，提出了一种用于控制从电源向可再充电电池进行快速充电的系统的控制器，所述电池具有连接至内部电化学电池单元电极的端子和初始充电状态(SOCi)，该控制器被编程成：

-检测关于所述电池的先前充电操作的历史数据的存在，

该快速充电控制器还可以被编程成：

-处理电池系统要求，以便优化充电操作，

-实现非线性伏安法(NLV)方法，

-实现极化反转(IP)方法，

-实现非线性伏安法(NLV)充电和极化反转(IP)充电二者，并且根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态(SOH)的信息和/或关于所述电池的充电状态(SOC)的变化ΔSOC的计算数据来动态地决定实现哪种充电方法。

已经提出了一种用于对可再充电电池进行快速充电的自适应充电协议(ACP)，可再充电电池包括但不限于，锂离子电池、镍金属氢化物电池(NiMH)、镍镉电池(NiCd)、铅酸电池(LAB)和其它钠基电池(NaS、NaNiCl2)。该协议可以用于在大约10分钟的时间内为电池充电，并基于该电池的充电状态(ΔSOC)和健康状态(SOH)选择最佳的充电方法。

附图说明

关于以下描述、所附权利要求书和附图，将更好地理解本发明的这些和其它特征和优点，其中：

-图1是实现根据本发明的自适应充电协议的快速充电系统的功能原理图，

-图2例示了基于NLV的充电处理的电压和电流曲线，

-图3例示了ACP-NLV充电协议：处理流程，

-图4是初始SOC的可能范围，

-图5例示了电流变化的一段，

-图6例示了训练K和StepTime的处理流程，

-图7例示了在充电的初始部分期间，在第1(1至2)分钟[在大约0％SOC]期间的AK值曲线，

-图8例示了在充电的初始部分期间，在(11至16)分钟[在大约40％SOC]期间的AK值曲线，

-图9例示了在充电的初始部分期间，在(23-25)分钟[在大约95％SOC]期间的AK值曲线，

-图10表示控制“终止电压(End Voltage)”的处理流程，

-图11表示随机测试1的电压和电流曲线，

-图12表示随机测试1的电压和电流曲线，

-图13例示了随机测试1的NLV充电：以在仅23.3分钟完全充满电达到660mAh结束的NLV充电期间的电流与K值，

-图14例示了随机测试2的NLV充电：以在仅25.3分钟完全充满电达到660mAh结束的NLV充电期间的电流与K值，

-图15例示了在基于Log10的尺度下的K值变化，

-图16例示了NLV充电：“K值”和“SOC”与时间的关系，

-图17例示了“K”值与SOC的关系，

-图18表示了随机测试3的结果，其中，13450电池单元：在仅22分钟98％的充电增加，

-图19表示在电流下降时的K值电压斜坡补偿(ramp compensation)，

-图20例示了在基于NLV的充电期间的充电容量和放电容量与循环数量的关系，平均充电时间为23.45分钟，

-图21例示了在使用NLV的多个充电循环期间的电流与时间的关系，

-图22例示了在基于NLV的多个充电循环中的电压与时间的关系，以及

-图23例示了在具有弛豫的情况下在大约18分钟的电池充电的极化和其平均电流曲线。

具体实施方式

参照图1，充电系统1被设置用于充电，以经由电连接3对电池(电池单元、电池组)2进行充电。充电系统1实现自适应控制协议(ACP)算法或级联脉冲充电(CPC)算法4。电池2由用于测量电压、温度和电流的测量系统6监测。根据这些测量，计算出关于熵、焓和开路电压(OCV)的数据6，并且然后借助于SOC、SOH算法处理所述数据6，以给出(deliver)关于电池2的充电状态(SOC)和健康状态(SOH)的数据7。SOC和SOH数据7由充电系统1处理。

根据本发明的通用ACP协议导致三种充电协议方法：

-基于非线性伏安法(NLV)的ACP

-基于极化反转(IP：Inverse of Polarization)的ACP

-根据自适应情况，基于NLV和IP二者的ACP。

基于非线性电压(NLV)的ACP

使用这种方法，电池可以在大约10分钟的时间内充满电。在一般情况下，将在大约22分钟至24分钟的时间内对电池进行充电。通过循环测试，已经证明的是，该充电协议并未对容量衰减产生很大影响。此外，这可能是为任何类型的电池快速充电的模型，因为该协议的基础是让电池在任何时间点取决于其ΔSOC和SOH利用其自身的有利电流进行充电。

自适应充电、非线性电压改变和弛豫是该协议的关键基础。自适应充电允许系统基于用户的时间要求、所要求的充电容量以及电池的SOC和SOH来平衡充电。非线性地改变电压并加上合适的弛豫模式允许该方法获得最大充电容量，而不会损伤(strain)电池。

当电池单元阻抗朝向放电终止(EOD：end-of-discharge)[1]而增加时，该协议在开始SOC处使用高速NLV步骤或可配置的恒定电流(CC)充电。如果系统在基于NLV的充电终止时无法达到预期的充电，则自适应协议将决定是否使用另一CC充电来获得平衡容量。以下总结了NLV充电：

A.基于NLV的充电以非常短的线性扫描伏安法(LSV)步骤开始。LSV持续时间是可配置的(例如：10min)，以在开始时加速电池充电。LSV使用的时间将是几秒钟(例如：8s)。

B.利用来自上述步骤中的LSV充电电流和电压分析，将开始第一个NLV步骤。这完全基于以下等式：

其中：

V＝电池单元的电压(V)、I＝充电电流(A)、t＝时间(s)

α>1、n≥0、dt≥0.1s

K_n>0，随充电状态(SOC)而改变：0<Kn(SOC)<200。

因此，可以通过该等式找到下一个设置电压。

C.然后随后的NLV步骤将继续，直到达到退出充电标准为止：

-在每个步骤之后，等式(1)将用于计算下一个设置电压。然后，让电池在该电压上充电一小段“步骤时间(st)”。然后，进行弛豫。将重复此操作直到按照用户的目标为电池充满电为止。

-弛豫时间(rt>0.1s)将基于SOC而变化。

在较低的SOC期间，“rt”仅由dl/dt决定(基于电池汲取高电流的能力)，而在较高的SOC时，无论dl/dt如何，都设置频繁的较短弛豫。

“步骤时间(st>0.1s)”将基于电池(利用电流)对某一电压的响应的好坏程度而变化。基于实验数据：l s<st<60s

将相对于预期的C倍率电流检验汲取的电流，并在没有达到预期C倍率电流时移动到下一个步骤中。将基于这些结果来训练“K”值。在每个步骤时间之后，基于SOC施加弛豫。

管理“目标终止电压(tev)”是决定何时停止充电的基本(primitive)关键[4.2V<tev<6V]。基于实验数据，4.400V<tev<4.855V。

当达到“tev”时，系统将基于汲取的电流进行调整。

基于库仑计数的获得的SOC是退出NLV的另一标准。电流曲线的模式匹配是决定退出的另一方法(基于AI)。

基于极化反转(IP)的ACP

该方法旨在分析要充电的电池的类型的极化曲线。因此，该方法可以自动计算在充电期间要维持哪种电流曲线，以快速对电池进行充电，补偿较低极化区域。将使用以下等式得出使用该方法充电的预期电流：

ΔSOC：这是在任何时间点增加的容量(0％<＝ΔSOC<＝100％)。

M：对于某一范围的ΔSOC来说，这是常数因子，但是其可以基于ΔSOC和电池类型而改变。

这是不同ΔSOC下的极化反转。

β：这是电池的常数并且由极化数据确定。

基于NLV和IP二者的ACP

这是由上述两种方法组成的混合方法。NLV或IP或其组合的使用将由给定到系统的自适应充电要求来限定。在一些SOH情形中，基于IP的方法将不合适，而NLV方法将很有希望。

但是，在一些其它情形中，基于IP的方法将使得比NLV更快地充电。因此，在什么时间使用哪种方法是完全动态的，并且基于可用的情况来决定。因此，准确的ΔSOC计算对于有效地使用此方法将很重要。

基于非线性伏安法(NLV)的ACP

此自适应充电协议(ACP)基于在对电池充电的时段内基于非线性伏安法(NLV)的控制。该ACP协议允许电池基于其自身的健康状态(SOH)和充电状态(SOC)以不同的电压水平以可接受的电流(Amps)量进行充电。因此，在任何时间此协议都不会控制或强加汲取到电池中的电流的量。

即使可以预测的是，使用此方法可以在少于25分钟的时间内对电池进行充电(多于80％)，但是基于电池在充电时的健康状况(SOH)，该时间可能会变长或变短。与其它快速充电方法[2，3，5]相比，该方法还确保了更好的安全性，其它快速充电方法大多以不同的模式/波形施加高电流(I)。因此，最重要的是，这种ACP方法不会在不考虑电池的健康的情况下通过电池单元汲取大量固定负载的电子而损伤电池。

电池-粒子动力学的动力学均衡(诸如，锂化/去锂化(嵌入/脱嵌)、使离子/电子通过溶剂和分离器的射出/漂浮、抵抗内部阻抗(IR)传输电荷等[4，6])确定电池的健康如何？/在充电/放电期间，电池系统一次可以吸收/提供多少电流？我们认为，这种均衡可以表示成“电流变化率(dI/dt)”与“电压变化率(dV/dt)”之间的关系。因此，在形成此协议时使用以下关系式：

其中：

K_n：“K值”在充电期间的某一时段内是常数。

n>＝0

这是充电处理期间电压(V)的变化率[(V步骤终止-V步骤开始)/步骤时间持续时间]。

这是充电处理期间电流(I)的呈绝对值形式的变化率。

α：是可调节的系数100>α>0，并且该系数使该等式有空间基于不同类型的电池寻找电流和电压之间的非线性关系。系统还将对该系数进行训练，以使其最适合充电处理。

此外，α＝1的关系式可以被简化成：

根据锂离子电池的文献，明显的是，电池的化学性质提供电压曲线上的固有特性。在某些较低的电压(低SOC)内，电池单元试图汲取非常低的电流(由于高阻抗)，而在较高的电压(极化较低的高SOC)下，汲取高电流的电势非常高[1]。一些电池单元的可以容忍这些高电流的电压范围的边框非常狭窄。因此，应该应用快速充电，以在尽可能较长的时间将电池保持在这些范围内，直到在充电处理期间获得预期的容量(在可容忍的电流降至将延长总充电时间的某个较低水平以下之前，尽可能多的容量)为止。

以下给出的所有示例均与锂离子电池有关。然而，ACP适用于所有类型的可再充电电池，包括但不限于NiMH、NiCd、LAB、碱性电池单元、NaS、NaNiCl2、氧化还原流(ZnBr、VRB)、...。

“NLV上的ACP”指基于非线性伏安法(NLV)充电的自适应充电协议(ACP)。该协议是自适应的，因为该协议调整以适应于多个用户驱动因素和系统/电池驱动因素，以调节其自身的充电曲线，来更好地响应给定的充电要求。用户预期的充电时间(持续时间)、预期的充电百分比(100％、80％或60％等)、可能的弛豫时间和初始充电状态(SOC)是调整处理的用户驱动因素中的一些因素。识别当前SOC还可以被设计成使用基于熵和焓的方法(其也是系统/电池驱动因素)自动进行处理。健康状态(SOH)、规定的(标称)容量、安全电压范围、可用的电压控制精度和电池的极化曲线是自动检测/系统驱动因素中的一些因素。

在NLV充电期间，电池单元被设置到某个电压(CV)，该电压非线性地改变并在每个步骤处逐渐地增加。因此，通过一系列快速充电步骤，电池基于非线性电压(NLV)被充电一个时段。

在这些步骤中的各个步骤期间，电池单元在非常特定的时间基于其充电状态(SOC)和健康状态(SOH)二者汲取一定量的电流。然后电流将逐渐下降。电流在某一步骤处下降的多快提供了关于电池希望在该NLV步骤中保持好或坏的程度的一些线索。这样，每当电池渴望汲取更多电流，就可以分配更多的步骤时间，而当电池试图急剧降低其汲取电流时，就可以分配更少的步骤时间。

在每个步骤之后，都向系统施加具有零(0)电流的非常短的弛豫，以利用其新充电使系统稳定，因此OCV将降至其稳定(或几乎稳定)的水平。这为下一个NLV充电步骤创建了在不事先施加高电流的情况下基于其状态获得最佳电流的更好的机会[7，8]。通过这种方式，该协议在每个步骤之后将电池单元训练成稳定且健康(尽可能多地弛豫而又不会浪费太多时间在太长的弛豫)，并为下一个步骤提供更好的准备，使其比没有弛豫的情况下获得更多的电流。但是，如果某个步骤的电流下降量不显著，则系统允许在该步骤中停留更长的时间，而不会移动到下一个步骤。在这种情况下，监测电流下降的速率和步骤的这种继续的最大允许时间，以决定移动到下一个步骤的时间。

系统基于调整参数决定“用于步骤的这种继续的最大允许时间”。因此，每当检测到电流迅速下降或超过“步骤的最大允许时间”，系统就会移动到下一个充电步骤。因此，充满电花费的实际时间取决于电池的SOC和SOH二者。

此外，充电系统采用三个参数来确定充电终止。首先，是否基于规定的和获得的容量对电池充满电。第二个参数是是否达到最大目标终止电压。系统基于相关电池类型/化学性质的极化数据自动调节“目标终止电压”。第三个因素(可选地)是用于基于充电时的实时参数(通过在某一时间窗口内检查)来确定充电状态的充电曲线的自学习模型。

图1示出了NLV充电处理期间的电流和电压的曲线。与其它步骤相比，一些步骤在相同电压下停留的时间更长。通常，这些步骤汲取更多电流，而不会随着时间而急剧下降。因此，系统更稳定，并且有可能接受更多电流并在电池单元内传输更多电荷。此外，还清楚的是，在开始时，各个电压步骤被给定非常短的持续时间，并且迅速地改变，直到其开始汲取一些高电流为止。这也是在较低的SOC处对抗高极化的一个很好的示例[9，10]。

另外，在此时段期间已经施加频繁的弛豫。最终，在利用多次弛豫频繁地改变步骤的情况下，也可以看到类似的情形，这是当汲取的高电流不那么稳定并趋于迅速下降时。

图2将基于NLV的充电处理示出为重要处理的流程图。以下部分将解释这些主要处理中的各个处理的详细信息。

[A]初始SOC的发现

这是一个可选处理，因为系统取决于SOC增加。使用任何外部方法进行此测量都将有助于系统提高其性能。

因此，已经探索了多个方法来确定初始SOC。使用模糊逻辑的基于热力学的SOC预测是已经识别的准确且快速的方法中的一个方法。在参考文献[11，12]中也可以找到一些其它可能的方法。因此，该系统不仅满足从0％(SOC)至100％(SOC)的充电，而且还支持任何部分充电。参照图3，该初始SOC(如果可用)也可以用于确定初始“K”值。

[B]初始化ACP-NLV充电

此协议的初始化参数可以被分类成两个主要部分：

1)用户偏好参数

a)充电的预期持续时间(ETD)：在15分钟内还是30分钟等内进行充电。

b)启用恒定电流[CC]手段(Leverage)：选择此将强制系统在应用基于NLV的充电之前使用基于CC的手段。但是这是可选的。此CC充电的默认电流为3C，并且持续时间为3分钟。但是这些是可配置的。

2)系统参数

a)开始电压(startVoltage)：充电即将开始之前电池的OCV。

b)nlv规定的容量(SC：nlvStatedCapacity)：制造商限定/实验证明的电池容量。这将用于计算C倍率。

c)nlv步骤间隔(CST：nlvStepInterval)：充电/nlv改变(changing)的1个步骤的持续时间。NLV充电通过一系列较短的步骤进行建模。在各个步骤期间，计算下一个预期电压，对其进行充电并更新相关参数。

d)每帧的nlv步骤(CFS：nlvStepPerFrame)：被视为一帧(Frame)的步骤的数量。

帧是捆绑在一起以应用一些数学公式(I和V的平均导数)来确定下一个可能的电压的相邻步骤的集合。整个帧首先将被一系列已知的基于LV的充电步骤来填充，这些充电步骤等于帧内的步骤的数量(CFS)。随后，在每个步骤(CTS)之后，仅帧的最后一个元素将利用新数据进行更新，而所有其它元素将向后移一个位置，从而丢弃第一个元素。这将在整个充电处理期间执行。

e)帧电流阵列(frameCurrentArr)：将在每个步骤时间(CTS)持续时间后得到更新的电流的帧阵列。

f)帧电压阵列(frameVoltageArr)：将在每个步骤时间(CTS)持续时间后得到更新的电流的帧阵列。

g)nlv初始斜坡持续时间(nlvInitialSlopeDuration)：这是基于线性伏安法(LV)充电所花费的持续时间。

h)lv等式(lvEquation)：用于在NLV充电的恰好第一个阶段[填充第一个帧]中生成LV值的线性等式。

i)nlv终止目标电压(nlvEndTargetVoltage)：基于LV的充电计算的终止电压。默认情况下这为4.2V。

j)nlv初始电压阵列(nlvInitVoltArr)：具有基于LV的电压步骤的帧大小(CFS)的电压阵列。

k)nlv K值(nlvKValue)：开始时的第一个/默认Kn值[假设由电池上的基于LV的分析预定义]。稍后，系统将对该K值进行训练以支持更快速充电。

l)最小电压(minVoltage)和最大电压(maxVoltage)(Vmax、Vmin)：系统出于安全目的支持的最小电压/最大电压。

m)实时c倍率(cRateRealTime)：基于汲取的电流，将测量实时的C倍率：例如，C倍率＝电流/nlv规定的容量

n)最小预期C倍率(cRateMinExpected)：如果系统要在上述定义的ETD时间内充满电，则期望的最小要求的C倍率。

o)C倍率下降阈值(cRateDropThreshold)：这是在单个电压步骤中允许的“相当大的电流下降”。如果C倍率下降到此阈值以下，则系统转到下一个步骤。

p)nlv已经过的充电时间(nlvElaspsedChargeTime)：[nlvECT]是在任何给定时间处充电所花费的持续时间。

[C]施加CC[恒定电流]充电3分钟如果选择此模式，则将在较短的时段内施加3C恒定电流(CC)，以使电池(leverage)快速充电。默认时段为3分钟，但是CC电流和此短时段二者都是可配置的。

在CC充电时，在每10个步骤之后施加弛豫[C.l REST，在1个步骤时间(CTS)内“0”电流]。一旦完成了基于CC的充电，就在移动到下一个处理之前施加更长的弛豫(3CTS)。

[D]初始帧、基于LV的充电

此步骤用作NLV充电的初始化/启动(kick start)处理。为了NLV处理来计算下一个非线性设置电压，需要电流和电压值的帧。因此，作为开始点，在很短的时段(1帧持续时间)内需要一些其它方法来对电池充电。这还将获得一些容量，这将使电池远离较低的SOC级，其中，高极化会妨碍快速充电。

因此，以下方法中的任何一种方法都适合用于此启动：

-基于线性扫描伏安法(LSV)的充电

-基于线性扫描安培法(LSA)的充电。

为了简化说明，已经使用LSV作为启动方法：

1.在上述弛豫后，读取电池的开始电压(Vstart)。

2.读取电池的预期初始终止电压(Vinit-end)。

这被设置成在不损害电池的情况下获得更大的高电压范围。

3.使用线性伏安法(LSV)并获取电压元素阵列[array-lv]以开始充电处理。

Vnext＝Vstart+时间间隔*Vslope

Vslope被采取成在20分钟的时间内为电池充电[如果ETD＝20分钟]

4.限定以下配置参数：

a.测量间隔(ts)

b.步骤间隔(dt)[默认为CTS]

c.每帧的步骤数量(帧大小，CFS)

d.规定的容量(规定容量)

e.允许的最大电压(Vmax-end)

f.“帧大小”的电压帧(VoltageFrame)阵列大小

g.“帧大小”的电流帧(CurrentFrame)阵列大小

5.从LV阵列取一帧的步骤。

如步骤3中所限定的，从“array-lv”选择“帧大小”元素的子阵列。

6.通过基于“array-lv”的电压序列开始应用基于线性伏安法的充电，持续时间仅为1帧。在各个步骤处测量电流和电压，并将其填充到相关的帧阵列中。这些电流和电压将用于计算电流和电压改变的斜率。

[E]更新数据帧(V、I、T)和容量

每个步骤之后都应进行更新电压(V)、电流(I)和温度(T)。因此，对于各个步骤，更新就在触发下一个步骤之前进行。因此，被采用来计算容量增加的电流是该CTS时间帧(默认情况下为2秒)期间的最小电流。进一步地：

根据“更新路径X”，每次输入的/新的读数将被存储为帧中的下一个元素。由于“处理D”将仅继续CFS次数，所以在完成“处理D”的情况下将完全填充帧。

根据“更新路径Y”，每个新的/下一个读数将被存储为帧的最后一个元素。所有其先前数据将后退1个位置。因此，每次将擦除帧的恰好第一项。

VoltageFrame和CurrentFrame阵列将被填充以存储帧值，并且将在充电处理期间被不断地更新。

更新容量：

计算时间t处的SOC(％)的简单方法是使用实时库仑计数：

其中，

参照图5，SOC(0)是t＝0处的初始SOC，Q_nom是电池单元的标称容量，I(τ)是时间相关的电流，并且“dτ”是一个步骤的持续时间。

默认的“步骤时间”已设置为2s。因此，每当电池汲取一些电流，就基于上述等式计算相关的容量增加(C＝I×t：电流×时间)。然后将其更新成主要容量增加。在协议中将使用来限定SOC，并且随后控制用于改变SOC的参数。

在弛豫步骤期间没有容量计算。

[F]基于NLV发现下一个“设置电压”[计算导数]

1.使用VoltageFrame和CurrentFrame阵列进行以下计算，并限定“下一个基于NLV的电压(V-nlv-next)”。

a.计算运行帧的电流导数的平均值(d[I]/dt(mA/s))

b.从“VoltageFrame”取最后一个电压(“V-nlv-prev”)。

c.限定“K值”

i.针对恰好第一次，K值将是基于对此类型的电池进行20分钟(ETD)

LV充电时的LV分析的预定义值。

ii.对于随后的处理，系统将基于一组参数(诸如，汲取的C倍率、一个步骤内的电流下降速率、SOC等。这将在“管理自训练的“K””的部分中描述)来训练“K值”。

d.如下限定V-nlv-next：

V-nlv-next＝V-nlv-prev+K值*[{1/(d[I]/dt(mA/s))}*dt]

e.检验先前的NLV步骤以识别存在电流下降还是增加，以及是否存在下降(Idrop＝[(lx+1-Ix)/Ix)])，然后施加电压补偿以降低下一个电压斜坡速率。

V-nlv-next＝V-nlv-next-Idrop*(V-nlv-next-V-nlv-prev)

2.T，温度也将用于确保充电期间电池的安全性。每当温度升高到安全极限以上时，充电将被保持并让系统松弛预定义量的持续时间，直到在确保预期温度范围时恢复为止。

[G]利用NLV充电

1.将“V-nlv-next”设置到电池

a.在此设置后，立即读取电流(realtimeCurrent)和电压(realtimeVoltage)。

b.在“步骤间隔”后读取电流和电压

c.将以上两项取平均值，并更新VoltageFrame和CurrentFrame的最后一项。

2.设置V后立即读取汲取的电流，并比较安全极限，以避免在任何意外的高电流的情况下的任何损坏。否则，等待CTS持续时间，直到设置了下一个“NLV设置电压”为止。不存在电流上的强加。系统仅以其最佳可能的频率测量电流和电压。

[H]管理自训练的“K”和[I]管理步骤时间

以上等式用于确定每个单个充电步骤的基于NLV的设置电压。但是Kn也基于一组因素而变化。以下是用于控制Kn的主要因素：

“预期C倍率：cRateExpected”用于确保在所需的持续时间内充满电，实现所要求的容量的量。

基于用户对“充电时间”和“充电容量”的偏好/要求，系统可以计算出必须连续地维持或作为整个充电时段期间的平均值的最小C倍率(“预期C倍率”)。该协议通过将所述最小C倍率(“预期C倍率”)与每个充电步骤中由实时电流驱动的C倍率(“实时C倍率：cRateRealTime(CRRT)”)进行比较，使用该信息来控制Kn和步骤时间。

每当汲取高“实时C倍率”时，Kn都保持尽可能低。并且步骤时间尽可能增加。同时，在不施加弛豫的情况下，将不允许“步骤时间”超过“步骤的最大允许时间”。但是，如果系统即使在弛豫后也汲取高“实时C倍率”，则允许相同的“电压步骤”继续，直到识别出“相当大的电流下降”(这是可由系统配置的参数)为止。然后将决定移动到下一个电压步骤。

“已经过的充电时间：timeElapsedCharge”用于确保在预期的持续时间内实现所要求的充电。

这也将作为充电状态(SOC)的因素。当达到预期充电持续时间的终止段时，系统将通过减少步骤时间来增加充电频率，并将Kn增加到更高的值，以迅速扫描非线性电压改变。

但是，如果系统汲取的电流接近“预期C倍率”或在“预期C倍率”的范围内，则系统将保持步骤时间和Kn值的标称范围。

“C倍率消耗持续时间：timeWaitedForExpectedCRate”用于尝试且推动系统脱离此类高阻充电窗口(high-resistant charging window)。

每当系统检测到某一电压步骤处的汲取电流远低于“预期C倍率”阈值时，其将尝试尽快通过该步骤。因此，将减少“步骤时间”。

但是，如果这在非常初始的阶段处(在低SOC处)发生，则Kn值将大大增加，从而使电压大量增加。

如果它在充电即将终止时发生，则Kn值将保持在中等水平，因为仍然需要充电才能获得更大的容量。在此，“C倍率”的期望值也可能下降到其完全期望值的一半。

在这种情况下，当减小“步骤时间”时，系统尝试加快充电步骤的扫描。因此，在某些情况下，汲取的电流可能会再次上升。但在其它情况下，汲取的电流可能会保持在较低的C倍率。在这种较低的情况下，Kn值将被设置成非常高的值，直到电池可以汲取相当可接受的电流水平为止。每当其开始反向(start-back)汲取高C倍率电流时，Kn值将会降低，但是“步骤时间”保持很小，以尽可能快地通过此困难的时段，同时即使在该时段内也获得最大可能的充电。

基于上述所要求保护的，我们将其用于参考协议的控制逻辑和参考表如下：

表1.1用于不同水平的“cRateExpected”的参考表

表1.2用于不同水平的“nlvKValue_TrainedFactor”的参考表

表1.3用于不同水平的“timeWaitedForExpectedCRate”的参考表

表1.4用于不同水平的“timeElapsedCharge”的参考表

表1.5用于不同水平的“steptimeFactor”的参考表

图6中的流程说明了如何基于上表[1.1至1.5]中示出的参数控制K值和步骤时间。

根据图7，“默认K(K*k_TF)”和“默认步骤时间”将仅用于基于NLV的充电的恰好第一步骤。对于所有随后的步骤，将应用上述训练算法，并找到最合适的“K值”和“步骤时间”。

因此，保证了基于电池的SOC和SOH调节这些参数，这使可能的汲取电流不同。

如图7所示，每当汲取的C倍率非常低时，K值就会迅速增加。然而，在电池能够处理的空间中，电流试图逐渐增加。

同样，当C倍率高时，K值减小。但是，仅当系统试图汲取C倍率接近或高于预期C倍率的电流时，K值才会降低到非常低的值。

如图8所示，当SOC为满容量的大约一半时，由于电池具有很大的可能汲取高电流，所以K值变得非常低。

如图9所示，当SOC接近满容量时，K值迅速波动，并尝试维持较高的汲取电流。

[J]调节“目标终止电压”

具有可调节的“目标终止电压”的构思是为了根据其SOC和SOH来增强获得的容量。每当电池具有良好的SOH时，充电容量的大部分就可以在偏爱的(lover)电压范围内汲取。因此，系统在开始时将“默认目标终止电压”设置成NLV充电的退出点。每当电池的实时电压达到此“默认目标终止电压”时，系统就检查当时由实时电流驱动的C倍率。然后，基于此C倍率，系统确定是增加“目标终止电压”还是在此点继续充电或停止充电。为了基于C倍率确定这一点，协议中考虑了两个方法：

基于特定极化曲线的可接受“目标终止电压”

这里，系统需要关于电池类型的极化曲线的预处理信息，该预处理信息用作充电的目标。因此，应针对不同的电池类型调整(tune)协议。

默认“目标终止电压”表

该表旨在用作任何电池类型的终止电压的通用控制器。另外，该表形成为平均极化曲线，每当“特定极化曲线”不适用于旨在充电的电池类型时，都可以使用该平均极化曲线。该表还旨在基于充电统计数据训练其自身。

下表1.6用作在此进行说明的参考协议的“默认终止电压表”：

表1.6：基于经验数据的默认终止电压表

如果将“默认终止电压”选择为4.65V，则表1.6对应于终止电压值。但是这又是可以在系统/用户偏好下改变的可自定义参数。但是，我们打算基于电池类型/化学性质针对此确定范围。因此，作为全局控制逻辑，处理“可调节终止电压”如下图10所示。

[K]退出标准

存在三种不同的标准来决定何时停止充电处理。

1.一旦系统达到“最大终止电压”

2.一旦电池获得所要求的满容量

3.基于学习的电流曲线比较

如果电流曲线与在类似退出情形期间看到的任何先前电流曲线紧密匹配，则学习算法旨在改进其退出曲线。根据以上三种方法的可用性，将考虑与1、2和3相同的优先级来决定是否退出。

[L]管理REST

管理Rest始终向电池施加零(0)电流。充电循环将在此Rest时段期间度过。

[M]退出NLV

一旦达到至少一个标准，NLV充电将停止。但是，根据达到容量增加的多少，系统决定再次进行另一轮CC[利用2C恒定电流充电]还是NLV。

[N]施加终止CC

如果NLV驱动的容量与目标相比不足够，则在NLV充电终止的2分钟期间将施加2C的恒定电流充电，以进一步获得容量。该恒定电流及其持续时间可配置成系统参数。

参照图11和图12，这是测试的平均曲线，该曲线进行了24个循环而没有任何问题，直到我们有目的地将其停止为止。

多阶段k值管理

K值是基于电池可以如何最佳地汲取以上的电流的预期C倍率来改变的。如果电池汲取非常低的C倍率，则K值将迅速增加以对电压的突然升高进行建模，并随后产生高电流。如果电池汲取预期的C倍率或更高的C倍率，则K值改变为非常低的值，并尽最大努力利用该高电流充电获得最大可能的充电。在其它情况下，K值改变为尽可能一直维持预期的C倍率。

图13例示了随机测试1的NLV充电：以在仅23.3分钟完全充满电达到660mAh结束的NLV充电期间的电流和K值与时间的关系。

图14例示了随机测试2的NLV充电：以在25.3分钟完全充满电达到660mAh结束的NLV充电期间的电流和K值。

图15表示了在对数尺度方面的K随时间的变化。

对于NLV充电，图16表示了“K值”和SOC随时间的变化，而图17表示了“K”值随SOC的演变。

图18中的曲线示出了施加到13450电池单元的基于NLV的自适应充电协议的充电曲线。这已经仅在28分钟内为700mAh的规定容量的电池充电至99％，获得的容量为695mAh。

在此处理期间，

-其在该处理的一半期间已经获得基于2C以上的充电。

-充满电时间的四分之一也汲取了3C以上的电流，并且这发生在最后。

对突出显示的段进行了进一步分析，以设想协议中的工作方式。

从图19中突出显示的部分分析大约100个样本：

-选择的K(Selected K)：这是预选择并添加到ACP的K

-生成的K(Generated K)：这是使用上述K基于得出的“V-nlv-next”重新计算的K。

-以上两个K都乘以1000以在下图中清楚地示出变化。

-如下一部分中所示，在“生成的K”与“选择的K”中看到的这种变化是由于精度误差而造成的，因为电压上升总是很小的量(mV)。

上面示出的A段和B段在下一部分中进行了严密地检验：

-A：在此时段期间生成的K与选择的K相同

-B：在此时段期间生成的K相对于选择的K偏离。

下表的矩形框中显示以上“B”段。

针对在充电处理期间收集的各个电流和电压变化计算“AVG(Abs(dI/dt))”和“dV/dt”。

*此外，可以从下表中实现[dI/dt(n-1)]&[dI/dt(n-2)]的形成。

如上表所示，电流在此“B”段期间已经下降。

因此，dI和dv二者都传播出(sown)突然增加或下降。这使乘法精度在它们的乘积中产生偏差。

充电容量和可用放电容量的比较

图20示出了放电容量在大约为630mAh处几乎维持恒定，630mAh为电池的规定容量的大约97％。因此，证明了这种基于NLV的充电方法对容量随着时间衰减没有太大贡献。

与其它主要基于直接施加高电流的有竞争力的快速充电方法相比，这是一个很好的优势。

图21和图22示出了即使在基于NLV的充电的多个循环之后，电流和电压的充电曲线仍保持基本相同。这是示出了电池单元不会由于该快速充电处理损坏的另一种证明。

基于极化反转(IP)的ACP

该方法旨在分析要充电的电池的类型的极化曲线。因此，该方法可以自动计算在充电期间要维持哪种电流曲线，以对电池进行快速充电，从而补偿较低极化区域。将使用以下等式得出使用该方法要充电的预期电流：

ΔSOC：这是在任何时间点增加的容量(0％<＝ΔSOC<＝100％)。

M：对于某一范围的ΔSOC，这是常数因子，但是M可以基于ΔSOC和电池类型而改变。

这是不同ΔSOC下的极化反转。

β：这是电池的常数并且由极化数据确定。

使用上述等式作为基本原理，进行了多个测试，以基于极化数据得出最佳的电流曲线，以用于更快速地充电。此外，我们在充电期间施加不同的弛豫持续时间来保护电池健康。

极化数据

下表示出了13450锂离子电池单元当在每5％充电状态(SOC)下以C、3C和6C高电流充电时的极化数据。

因此，(极化反转)为基于不同SOC确定可能的充电电流提供了基础。利用有关系统被给定的对电池充电多长时间的信息，可以利用要使用的弛豫模式来对最佳电流曲线进行插值。

图23示出了在具有弛豫的情况下在大约18分钟内对电池进行充电的平均电流曲线的示例。此外，其可以用于在没有弛豫的情况下对电池进行充电少于14分钟。

表2.1：13450锂离子电池针对1C、3C和6C的极化

参考文献

[1]S.S Zhang，J.Power Sources 161(2006)1385-1391.

[2]Ronald Baroody，“Evaluation of rapid electric battery chargingtechniques”，university of Nevada Las Wegas，2009

[3]D.Ansean，V.M.Garcia，M.Gonzalez，“Efficient fast-charging strategiesfor Li-ion batteris”，University of Oviedo，Gijon，Spain.

[4]Venkatasailanathan Ramadesigan，Paul W.C.Northrop，Sumitava De，“Modeling and Simulation of Lithium-Ion Batteries from a Systems EngineeringPerspective”，Washington University，St.Louis，Missouri 63130，USA.

[5]Elie Ayoub，Nabil Karami，“Review on The Charging Techniques of aLi-ion Battery”，University of Balamand，Koura，Lebanon.

[6]Martin Z.Bazant，“Theory of Chemical Kinetics and Charge Transferbased on Nonequilibrium Thermodynamics”，Masachusetts Institute of Technology，Cambridge Masachusetts 02139，United States，2012.

[7]Liang He，Eugene Kim，Kang G.Shin，“*-Aware Charging of Lithium-ionBattery Cells”，The University ofMichigan，Ann Arbor，MI，USA，2016.

[8]D.Andrea，“Battery management systems for large Lithium-ion batterypacks”，Artech House，2010.

[9]Jiang JC，Zhang CP，Wen JP，et al.An optimal charging method for Li-ion batteries using a fuzzy-control approach based on polarizationproperties.IEEE Trans Veh Technol 2013；62(7)：3000-9.

[10]Jiang JC，Liu QJ，Zhang CP，et al.Evaluation of acceptable chargingcurrent of power Li-ion batteries based on polarization characteristics.IEEETrans Ind Electron 2014；61(12)：6844-51.

[11]I.-S.Kim，The novel state of charge estimation method for lithium-ion battery using sliding mode observer.Journal of Power Sources，163(1)：584-590，2006.

[12]X.Hu，F.Sun，Y.Zou，“Estimation of state of charge of a lithium-ionbattery pack for electric vehicles using an adaptive luenbergerobserver.Energies，2010.

Claims

1.一种自适应充电方法，所述自适应充电方法应用自适应充电协议ACP，所述ACP被实现成对具有连接到电源的端子的电极端子的可再充电电池进行快速充电，所述电源被设置成向所述电极施加时变的电压，在开始对所述电池进行充电操作之前，所述ACP包括以下步骤：

-检测关于所述电池的先前充电操作的历史数据的存在，

-在没有检测到的情况下，对所述电池进行电气测试以获取关于所述电池的充电状态SOC变化的数据，以便在所述SOC变化上建立学习模型以用于优化所述充电操作，

其中，所述充电操作包括以下步骤：

-线性扫描伏安法LSV步骤，所述LSV步骤的持续时间较短，所述LSV步骤包括对所述电池端子上的电流和电压的分析，

-一系列连续的非线性伏安法NLV步骤，各个NLV步骤被分配有下一个设置电压，并且然后是弛豫时间内的弛豫步骤，在所述弛豫时间期间没有电压和/或没有电流被施加到所述电池端子，所述一系列NLV步骤继续直到达到一组退出充电标准当中的至少一个退出充电标准为止。

2.根据权利要求1所述的自适应充电方法，所述ACP还包括检测电池系统要求的步骤和处理所述电池系统要求的步骤，以便优化所述充电操作。

3.根据权利要求1所述的自适应充电方法，其中，根据以下等式来计算所述下一个设置电压：

其中：K_n在充电期间的某一时段内是常数，

dV/dt是在充电处理期间的电池电压V/步骤时间持续时间的变化率，单位是V/s，

dI/dt是在所述充电处理期间的充电电流I/步骤时间持续时间的变化率的绝对值，单位是mA/s，

α是介于0.1至100之间的系数。

4.根据权利要求1所述的自适应充电方法，其中，所述弛豫时间根据所述电池的所述充电状态来确定。

5.根据权利要求3所述的自适应充电方法，所述ACP还包括基于相对于所述电池的预期C倍率电流检验由所述电池汲取的所述充电电流来训练所述K_n值的步骤。

6.根据权利要求1所述的自适应充电方法，其中，退出充电标准包括达到目标终止电压。

7.根据权利要求1所述的自适应充电方法，其中，退出充电标准包括达到基于库仑计数的获得的充电状态的预定水平。

8.根据权利要求1所述的自适应充电方法，其中，退出充电标准包括基于人工智能来确定电流曲线的模式匹配。

9.根据权利要求1所述的自适应充电方法，所述ACP实现极化反转IP方法，其中，所述充电操作包括以下步骤：

-分析要充电的电池的极化曲线，

-计算从所述电源向所述电池充电的电流的曲线，以便补偿所述电池内的较低极化区域。

10.根据权利要求9所述的自适应充电方法，其中，使用以下等式来计算用于充电的预期电流：

其中：ΔSOC是所述电池在任何时间点的所述充电状态的增加，

基于所述ΔSOC和电池类型，M对于某一范围的增加ΔSOC来说是常数，

是不同ΔSOC下的所述极化反转，

β是所述电池的由极化数据确定的常数。

11.根据权利要求10所述的自适应充电方法，所述ACP还包括具有预定弛豫持续时间的多个弛豫步骤，在所述预定弛豫持续时间期间没有电压和/或没有电流被施加到所述电池端子。

12.根据权利要求1所述的自适应充电方法，所述ACP实现非线性伏安法NLV充电方法和极化反转IP充电方法二者，其中，所述NLV充电方法或所述IP充电方法当中的一种方法的实现是根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态SOH的信息和/或关于所述电池的所述充电状态的变化ΔSOC的计算数据来动态地决定的。

13.根据权利要求1所述的自适应充电方法，所述ACP被实现成对包括锂离子电池、镍金属氢化物电池NiMH、镍镉电池NiCd、铅酸电池LAB和钠基电池的组当中的可再充电电池进行充电。

14.一种用于对可再充电电池进行快速充电的快速充电系统，所述电池具有连接至内部电化学电池单元电极的端子和初始充电状态SOCi，所述快速充电系统包括：

-电源，所述电源被定位成与所述电极电连通，以提供施加到所述电池端子的可控的时变充电电压，从而生成充电电流，所述充电电流导致所述电化学电池单元从所述初始充电状态SOCi充电到充电状态目标值SOCf，

-充电控制处理器，所述充电控制处理器用于控制所述电源，

所述充电控制处理器被编程用于：

-检测关于所述电池的先前充电操作的历史数据的存在，

-在没有检测到的情况下，对所述电池进行电气测试以获取关于所述电池的充电状态变化的数据，以便在所述SOC变化上建立学习模型以用于优化所述充电操作，

其中，所述充电控制处理器还被编程用于实现：

15.根据权利要求14所述的快速充电系统，其中，所述充电控制处理器还被编程成处理电池系统要求，以便优化所述充电操作。

16.根据权利要求14所述的快速充电系统，其中，所述充电控制处理器还被编程成实现极化反转IP方法。

17.根据权利要求16所述的快速充电系统，其中，所述充电控制处理器还被编程成根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态的信息和/或关于所述电池的所述充电状态的变化ΔSOC的计算数据来动态地决定实现哪种充电方法。

18.根据权利要求14所述的快速充电系统，所述快速充电系统被设置成对包括锂离子电池、镍金属氢化物电池NiMH、镍镉电池NiCd、铅酸电池LAB和钠基电池的组当中的可再充电电池进行充电。

19.一种用于控制根据权利要求14至18中任一项所述的用于对可再充电电池进行快速充电的快速充电系统的快速充电控制器，所述电池具有连接至内部电化学电池单元电极的端子和初始充电状态SOCi，所述控制器被编程成：

-检测关于所述电池的先前充电操作的历史数据的存在，

其中，所述充电控制处理器还被编程用于实现：

20.根据权利要求19所述的快速充电控制器，所述控制器还被编程成实现极化反转IP方法。

21.根据权利要求20所述的快速充电控制器，所述控制器还被编程成根据从电池系统发出的自适应要求和/或从所述电池系统发出的关于健康状态的信息和/或关于所述电池的所述充电状态的变化ΔSOC的计算数据来动态地决定实现哪种充电方法。