CN103941191B - 一种储能装置综合管理的方法及储能装置 - Google Patents
一种储能装置综合管理的方法及储能装置 Download PDFInfo
- Publication number
- CN103941191B CN103941191B CN201410116493.5A CN201410116493A CN103941191B CN 103941191 B CN103941191 B CN 103941191B CN 201410116493 A CN201410116493 A CN 201410116493A CN 103941191 B CN103941191 B CN 103941191B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage device
- discharge
- temperature
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公布了一种储能装置综合管理的方法及储能装置,将采集和统计到的储能装置的性能参数、制造工艺参数和工作数据作为一次和二次输入,通过BP神经网络进行自学习并对储能装置的寿命参数进行精确预测,直观的输出显示。本发明方法和储能装置可以精确直观的显示储能设备的状态,便于用户根据这些参数对储能装置进行优化管理,延长使用寿命,提高使用性能,也可以给制造商改进储能装置的配方工艺提供指导。
Description
技术领域
本发明属于储能装置健康管理的技术领域,特别是基于累计计量方式和寿命预测的储能装置综合管理的方法。
背景技术
目前传统的可充电储能装置都具有有限的寿命,其寿命与该储能装置的材料配方、生产工艺以及使用工况具有直接的关系。对于储能装置的使用者来讲,迫切的需要实时了解到储能装置的健康情况和剩余寿命;对于储能装置的生产者来讲,也同样需要了解其生产的储能装置的使用状态,结合储能装置的材料配方以及生产工艺进行工艺优化和配方优化。
大部分可充电储能装置都因充放电次数的增加、更精确的将是与累计充放电电量,充电速率和放电速率以及温度等使用条件的不同而产生不同的劣化。因此如何精确的确定不同使用工况的劣化程度结合寿命终止判据是精准进行寿命预测的基础。
专利CN100486033C公开了电动力车电池寿命预测和警告装置,其中电池寿命预测装置包括数据处理单元、数据记录单元、存储器以及控制器来估计该车辆所用电池的退化程度并计算剩余寿命通过显示器来呈现给驾驶者;同时电池寿命警告装置估计更换电池的时间并将将高级别呈现给所述驾驶者。该专利利用电池环境数据、车辆行驶数据以及电气部件的电力消耗数据与参考数据对比,累计电池退化程度作为寿命预测的依据,但是其中电池使用工况中各个影响因子的耦合关系并没有考虑,因此精确性具有局限性。
专利CN101149422B发明了一种能预测在远距离地方工作的电池寿命预测系统,该系统包括连接到机器的电池组、通讯终端装置和设置在通讯终端装置的管理中心,管理中心通过接收通讯终端装置检测的内部阻抗值作为寿命终止判据来预测电池组的寿命。该专利仅仅根据内阻来作为寿命预测的判据,并没有考虑电池失效的其他方式例如容量衰减以及内压增高导致的电池物理结构破坏等,方法单一。
申请公布号为CN103299201A的发明专利申请提出了一种二次电池寿命预测装置、电池系统及二次电池寿命预测方法。电池系统具备二次电池、计测对二次电池的劣化造成影响的因子的大小的电流计以及温度计,对基于由电流计以及温度计在给定期间内多次计测出的因子的大小相应的二次电池的使用频度的历史分布的峰值、和基于与因子的大小相应的二次电池的预先预测出的使用频度的理想分布的峰值进行比较,并基于比较结果以及预先预测出的二次电池的劣化的程度来导出处于使用状态的二次电池的劣化程度,并基于导出的劣化的程度来预测二次电池的寿命。该专利预先通过实验求取二次电池的理想使用状态,利用实际检测状态与理想状态的偏差知道后续的使用,并预测寿命。该方法的缺陷首先是理想状态的求取需要大量的实验,并且结果是否合理和精确并不确定,其次不同领域的具体使用工况不同,寿命偏差很大,没有自学习过程导致该方法对影响寿命因子间的耦合关系不明朗。
申请公布号为CN103018673A的发明专利申请提出了一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法。收集所有该电池的寿命预测相关数据;寿命预测相关数据预处理;数据相关性分析;数据映射并得到该电池放电终压的当量数据之;DWNN网络的改进;一次M-DWNN网络的建立、训练及预测;基于二次M-DWNN网络的自适应迭代预测模型建立、训练及预测;动态时间窗调整。该发明申请在预测寿命的过程中动态的调整整个DWNN网络,确保在整个寿命预测过程,预测精度随着时间的延长及数据量的增加不同提高。该方法对影响寿命的数据采集不足,例如缺少温度采集,此外,生产工艺和配方参数并没有作为神经网络的输入层数据输入系统,因此只能针对某一生产厂家统一型号产品进行预测,而且要求生产厂家的产品的绝对一致性,而这是几乎不可能实现的。
发明内容
本发明提出一种储能装置综合管理方法及储能装置,能够全面、精确的预测储能设备的寿命及健康管理,并直观的显示储能装置的寿命等性能参数。
本发明为实现上述目的,采用如下技术方案:
一种储能装置综合管理的方法,包括下述步骤:
(1)数据采集
采集包括储能装置充电时的电压变化趋势和电流变化趋势,放电时的电压变化趋势和电流变化趋势,充放电循环次数,放电深度,放电终压,环境温度和储能设备单体温度的数据;还包括配方工艺参数,其中包括材料参数,材料配比,制造执行管理系统中导入的工艺参数;这些数据作为BP神经网络的一次数据输入;
(2)储能装置保护和均压均流
根据步骤(1)采集的数据,确定包括储能装置充电最高电压,最低放电终压,单体间均压范围和均流范围的数值;
(3)计算累计充放电量
根据步骤(1)采集的数据计算储能装置总的充电电荷量和总的放电电荷量;
(4)根据步骤(1)采集的数据统计出充电状态下的功率分布和温度分布,功率最大值,充电状态下的功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总充电时间;统计出放电状态下的功率分布和温度分布,放电状态下的功率最大值,功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总放电时间;统计出储能设备静止状态下的温度分布和静止电压分布,静止状态下的最大电压值,最小电压值,平均电压值,电压方差,温度最大值,温度最小值,温度平均值,温度方差,总静止时间;把以上数据作为BP神经网络的二次数据输入;
(5)根据步骤(4)统计的数据定时的计算储能设备的当前的容量和当前内阻,并建立容量衰减量与充电状态下的功率分布和温度分布之间的对应关系,内阻增加量与充电状态下的功率分布和温度分布之间的对应关系;同理建立容量衰减量和内阻增加量与放电状态下的功率分布和温度分布之间对应关系,容量衰减量和内阻增加量与静止状态下温度分布和电压分布之间的对应关系,将这些关系作为BP神经网络的二次数据输入;
(6)定义容量寿命终止判据
针对不同的储能设备,寿命终止判据为容量衰减到额定容量的设定百分比;同理内阻增加到原内阻的设定倍数;
(7)将步骤(1)采集的数据和步骤(4)、(5)的数据作为BP神经网络输入层的一次数据和二次数据;然后训练样本,通过BP神经网络学习这些值与储能设备的容量和内阻之间的非线性关系,预测储能设备的寿命。
其进一步特征在于:所述步骤(2)中充电最高电压,最低放电终压,单体间均压范围和均流范围,根据BP神经网络的输出实时修改这些参数,以达到最佳健康状态。
所述步骤(3)中储能装置总的充电电荷量和总的放电电荷量的方法为,根据充电电流变化趋势确定每次充电电流Ich(t),计算总充电电荷量为 根据放电电流变化趋势确定每次放电电流Idis(t),计算总放电电荷量
优选的:所述BP神经网络的一次数据和二次数据输入前先经过归一化处理。
所述BP神经网络为单隐层结构。
一种采用上述方法的储能装置,其特征在于:其包括由多个储能单体组成的储能模块和功能模块;所述功能模块包括
数据采集模块,用于采集包括储能装置充电时的电压变化趋势和电流变化趋势,放电时的电压变化趋势和电流变化趋势,充放电循环次数,放电深度,放电终压,环境温度和储能设备单体温度的数据;
安全保护模块用于设定储能装置充放电极限参数,保护储能设备的充放电安全;
单体均压均流模块用于平衡储能单体的电压和电流;
累计充电电量计量模块用于累计储能装置的充电电量;
累计放电电量计量模块用于累计储能装置的放电电量;
充放电功率图谱记录模块用于记录充放电功率图谱;
基于神经网络的自学习和寿命预测模块用于储能装置的寿命预测;
显示及通讯模块用于显示储能装置的性能参数及与外界通讯;
指导使用及报警模块用于指导用户使用设定的优化的性能参数和极限使用的告警;
指导配方及工艺优化模块用于根据寿命预测结果和性能参数提供优化的材料配方和生产工艺的改进指导数据。
优选的:所述显示及通讯模块的储能装置的寿命数据采用进度条形式显示,对外通讯采用无线方式。
本发明具有下述优点:
1、储能装置管理的综合集成,多参数相互耦合,多模块之间能够协调工作。
2、对多种参数的处理分析学习,可以对储能的配方工艺进行指导,对储能装置的使用进行优化管理,延长使用寿命。
3、对储能装置的累计计量,全面直观的精确显示多种状态和参数,给用户使用进行指导。
附图说明
图1为本发明储能装置功能框图。
图2为BP神经网络模型图。
图3为BP神经网络工作流程图。
图4是BP神经网络的流程图。
具体实施方式
本发明提出一种储能装置,如附图1所示:该储能装置具有储能模块1和功能模块2。其中储能模块1包括储能单体和单体管理系统;功能模块具有综合健康管理功能包括:数据采集模块、安全保护模块、单体均压均流模块、累计充电电量计量模块、累计放电电量计量模块、充放电功率图谱记录模块、基于神经网络的自学习功能和寿命预测模块、显示功能和通讯模块、以及使用指导功能和报警模块,同时可以指导生产厂家进行配方优化和工艺优化的指导配方及工艺优化模块。
人工神经网络(ANN)是参照生物神经网络发展起来的。人脑神经系统作为一种大规模处理系统,是一种由生物神经元组合而成的巨型网络。人工神经网络同样由大量功能较为简单的神经元互联而成的复杂网络系统,利用它能够模仿人脑的许多基本功能和简单的思考方式。
误差反向传播神经网络如图2所示,又称为BP神经网络,是一种采用误差反向传播作为其学习算法的前馈网络,BP神经网络生物构成从输入到输出依次为:输入层,隐含层和输出层,层与层之间的神经元通过相应的权系数以全互联的方式相互联系,各层内的神经元之间没有任何耦合。
如图3所示误差反转算法主要是将学习过程分为两个阶段:第一阶段是正向传播阶段,输入信号从输入层经过隐含层逐层处理并计算每个神经元的实际输出值;第二阶段为反向传播阶段,假如在输出层未获得期望的输出值,则逐层递归的计算实际输出与期望输出的差值,并用这差值对权值进行调节。
如图4是BP神经网络的流程图
本发明采用下述具体方法:
1,数据采集功能的实现:(采集的数据包括:实时参数和工艺配方等的自定义输入,)1通过对影响电池寿命因素分析,考虑到储能设备的充电方式的不同及放电方式的不同对储能设备健康状态的影响,需要确定不同充电方式下的电压变化趋势和电流变化趋势及不同放电方式下的电压变化趋势和电流变化趋势,需要确定不同放电深度和不同放电终压对储能设备健康状态的影响,需要确定不同环境温度和储能设备单体温度对储能设备健康状态的影响,即需要采集充电时的电压变化趋势和电流变化趋势,需要采集放电时的电压变化趋势和电流变化趋势,需要采集累计的充放电循环次数和放电深度和放电终压,需要采集环境温度和储能设备单体温度。且对这些数据建立不同状态下的对应关系.且采集本储能设备的材料参数,导入MES系统(制造执行管理系统)生产工艺数据,这些不同状态下的数据作为神经网络的一次数据输入。
2,通过采样实现保护功能和均压均流功能。通过对步骤1的数据采样,确定保护参数和均压均流参数,如充电最高电压,最低放电终压,单体间均压范围和均流范围,且通过后面神经网络的输出实时修改这些参数,以达到最佳健康状态。本储能设备使用的平衡模块,利用串联飞度电容转移电荷来达到均压平衡,且带有过压过流保护功能,可调整平衡参数。
3,通过采集数据得到累计充放电电量,通过采集的数据可以计算每天的充电累计电荷量和放电累计电荷量,然后计算总的充电电荷量和总的放电电荷量,根据充电电流变化趋势确定每次充电电流Ich(t),计算总充电电荷量为 根据放电电流变化趋势确定每次放电电流Idis(t),计算总放电电荷量 计算得到的总充电电荷量和总放电电荷量作为神经网络的二次数据输入。
4,对以上采样的数据进行统计处理,统计出充电状态下的功率分布和温度分布。统计出功率最大值,充电状态下的功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总充电时间;同上统计出放电状态下的功率分布和温度分布,放电状态下的功率最大值,功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总放电时间。统计出储能设备静止状态下的温度分布和静止电压分布,静止状态下的最大电压值,最小电压值,平均电压值,电压方差,温度最大值,温度最小值,温度平均值,温度方差,总静止时间。把以上数据作为神经网络的二次数据输入,同时这些数据到步骤5建立与容量衰减和内阻增加之间的关系。
5,根据前面的数据定时的计算储能设备的当前的容量和当前内阻,如超级电容容量计算公式为C=IΔt/Δu,内阻计算公式为R=ΔU/ΔI,如果是电池则通过一个充电周期计算安时数计算容量,通过步骤4的数据,可以建立的容量衰减量与充电状态下的功率分布和温度分布之间的对应关系。内阻增加量与充电状态下的功率分布和温度分布之间的对应关系,同理建立容量衰减量和内阻增加量与放电状态下的功率分布和温度分布之间对应关系,容量衰减量和内阻增加量与静止状态下温度分布和电压分布之间的对应关系,这些关系作为神经网络的二次数据输入。
6,定义容量寿命终止判据,针对不同的储能设备,寿命终止判据为容量衰减到额定容量的百分比,根据情况设定合理值,同理内阻增加到原内阻的倍数作为寿命终止判据。
7,一次数据,二次数据输入层,神经网络的输入层包括一次数据和二次数据,一次数据包括充放电电压,充放电电流,放电深度,循环次数,环境温度,单体温度,工艺配方;二次数据包括总充电电荷量,总放电电荷量,充放电状态的功率分布和温度分布,包括功率温度最大值与最小值,功率温度平均值与方差,总充放电时间,静止状态温度与电压分布,包括温度与电压最大值,最小值,平均值,方差,总静止时间,当前容量,当前内阻,容量衰减量,内阻增加量,充放电和静止状态功率分布与容量衰减量和内阻增加量之间的关系,充放电和静止状态温度分布与容量衰减量和内阻增加量之间的关系。
8,储能设备容量和内阻的BP神经网络预测,
利用以上收集的一次数据和二次数据作为输入,然后训练样本,通过BP神经网络学习这些值与储能设备的容量和内阻之间的非线性关系,然后预测储能设备的寿命,通过以下步骤,
步骤一:神经网络样本的归一化处理。通过对输入变量和预测对象之间的相关性进行分析,以便获取合理,准确的训练样本以及验证样本,因为对于BP神经网络而言,各层的传递函数,学习规则等方面不一样,因此一般应该对输入样本数据进行归一化处理后在输入到神经网络;样本归一化处理,采用公式为
【Pn,minP,maxP】=premnmx(P)
其中,Pn为归一化后的输入样本数据矩阵,minP和maxP分别是原始输入样本数据矩阵P中的最小值和最大值。
Premnmx函数对数据进行预处理的算法为:
Pn=2*(P-minP)/(maxP-minP)-1
步骤二:选定BP神经网络的结构。包括与输出向量相关的输入向量的确定,以及隐层数,隐层节点数,传递函数,学习算法等的选取,隐层数选取,一般而言,隐层数越多,精度越高,但会使网络计算过程复杂,我们选取单隐层结构的神经网络精度就足够了;选取合理的隐层节点数,用试凑法选取节点数,先以较少的隐层节点数对网络进行训练,从中确定网络性能相对较好时对应的隐层节点数。传递函数的选取,传递函数反映了神经元输出与其激活状态之间的关系。为了应用梯度下降法对权进行学习,传递函数必须是可微的单调递增函数,本方法采用双曲正切S形函数tansig,
BP算法中对训练速度影响较大的参数选取
(1)学习率(η)
学习率的选取要保证训练过程的收敛性而尽量选取较小的学习率一般在0.01到0.8之间取值,本方法视实际情况而定.
(2)网络输出与目标输出的总误差
通过均方根误差进行评价,其定义式为
式中,N是样本的数目,ei表示预测值和检验值得误差,i为样本序号。
步骤三:输入样本数据到神经网络之中,在规定的训练步数内对网络进行训练,并将网络计算的输出值域实际输出值进行比较,通过一定的规则对网络权值进行调整,使误差能够限制在规定的范围之内;
步骤四:用检验数据对训练好的网络模型进行检验,对网络输出结果进行反归一化处理,将得出的预测数据与检验数据进行比较,判断检验结果.
9,训练完毕寿命预测
10,寿命显示和通讯,报警、显示模式可根据需要设为不同模式,寿命可显示为进度条模式,与外界通讯可以采用多种通信方式,包括无线通信。
11,指导用户使用,根据预测的寿命及性能参数给使用者提供一个优化的指导使用参数以延长储能设备的使用寿命或提高储能设备的使用性能。这些参数包括达到最长使用寿命的指导参数,最大放电电流的指导值,最大充电电流的指导值等。
根据结果优化工艺和配方,根据寿命预测结果和性能参数给制造商提供优化的材料配方和生产工艺的改进建议和指导。
Claims (7)
1.一种储能装置综合管理的方法,包括下述步骤:
(1)数据采集
采集包括储能装置充电时的电压变化趋势和电流变化趋势,放电时的电压变化趋势和电流变化趋势,充放电循环次数,放电深度,放电终压,环境温度和储能装置单体温度的参数;还包括配方工艺参数,其中包括材料参数,材料配比,制造执行管理系统中导入的工艺参数;上述采集的数据作为BP神经网络的一次数据输入;
(2)储能装置保护和均压均流
根据步骤(1)采集的数据,确定包括储能装置充电最高电压,最低放电终压,单体间均压范围和均流范围的数值;
(3)计算累计充放电量
根据步骤(1)采集的数据计算储能装置总的充电电荷量和总的放电电荷量;
(4)根据步骤(1)采集的数据统计出充电状态下的功率分布和温度分布,功率最大值,充电状态下的功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总充电时间;统计出放电状态下的功率分布和温度分布,放电状态下的功率最大值,功率最小值,功率平均值,功率方差,温度最大值,温度最小值,温度平均值,温度方差,总放电时间;统计出储能装置静止状态下的温度分布和静止电压分布,静止状态下的最大电压值,最小电压值,平均电压值,电压方差,温度最大值,温度最小值,温度平均值,温度方差,总静止时间;把以上统计的数据作为BP神经网络的二次数据输入;
(5)根据步骤(4)统计的数据定时的计算储能装置的当前的容量和当前内阻,并建立容量衰减量与充电状态下的功率分布和温度分布之间的对应关系,内阻增加量与充电状态下的功率分布和温度分布之间的对应关系;同理建立容量衰减量和内阻增加量与放电状态下的功率分布和温度分布之间对应关系,容量衰减量和内阻增加量与静止状态下温度分布和电压分布之间的对应关系,将上述建立的对应关系作为BP神经网络的二次数据输入;
(6)定义容量寿命终止判据
针对不同的储能装置,寿命终止判据为容量衰减到额定容量的设定百分比;或内阻增加到原内阻的设定倍数;
(7)将步骤(1)采集的数据作为BP神经网络输入层的一次数据,步骤(4)统计的数据、步骤(5)建立的对应关系作为BP神经网络输入层的二次数据;然后训练样本,通过BP神经网络学习所述BP神经网络输入层的一次数据和二次数据与储能装置的容量和内阻之间的非线性关系,预测储能装置的寿命。
2.根据权利要求1所述的储能装置综合管理的方法,其特征在于:根据BP神经网络的输出实时修改所述步骤(2)中充电最高电压,最低放电终压,单体间均压范围和均流范围参数,以达到最佳健康状态。
3.根据权利要求1所述的储能装置综合管理的方法,其特征在于:所述步骤(3)中储能装置总的充电电荷量和总的放电电荷量的方法为,根据充电电流变化趋势确定每次充电电流Ichi(t),i=1,2,…..,n,计算总充电电荷量为 根据放电电流变化趋势确定每次放电电流Idisi(t),i=1,2,…..,n,计算总放电电荷量
4.根据权利要求1-3任一项所述的储能装置综合管理的方法,其特征在于:所述BP神经网络的一次数据和二次数据输入前先经过归一化处理。
5.根据权利要求1-3任一项所述的储能装置综合管理的方法,其特征在于:所述BP神经网络为单隐层结构。
6.一种采用权利要求1-5任一项所述方法的储能装置,其特征在于:其包括由多个储能单体组成的储能模块和功能模块;所述功能模块包括
数据采集模块,用于采集包括储能装置充电时的电压变化趋势和电流变化趋势,放电时的电压变化趋势和电流变化趋势,充放电循环次数,放电深度,放电终压,环境温度和储能单体温度的数据;
安全保护模块用于设定储能装置充放电极限参数,保护储能装置的充放电安全;
单体均压均流模块用于平衡储能单体的电压和电流;
累计充电电量计量模块用于累计储能装置的充电电量;
累计放电电量计量模块用于累计储能装置的放电电量;
充放电功率图谱记录模块用于记录充放电功率图谱;
基于神经网络的自学习和寿命预测模块用于储能装置的寿命预测;
显示及通讯模块用于显示储能装置的性能参数及与外界通讯;
指导使用及报警模块用于指导用户使用设定的优化的性能参数和极限使用的告警;
指导配方及工艺优化模块用于根据寿命预测结果和性能参数提供优化的材料配方和生产工艺的改进。
7.根据权利要求6所述的储能装置,其特征在于:所述显示及通讯模块的储能装置的寿命数据采用进度条形式显示,对外通讯采用无线方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410116493.5A CN103941191B (zh) | 2014-03-26 | 2014-03-26 | 一种储能装置综合管理的方法及储能装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410116493.5A CN103941191B (zh) | 2014-03-26 | 2014-03-26 | 一种储能装置综合管理的方法及储能装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103941191A CN103941191A (zh) | 2014-07-23 |
CN103941191B true CN103941191B (zh) | 2016-05-04 |
Family
ID=51188939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410116493.5A Active CN103941191B (zh) | 2014-03-26 | 2014-03-26 | 一种储能装置综合管理的方法及储能装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103941191B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10153521B2 (en) * | 2015-08-06 | 2018-12-11 | Powin Energy Corporation | Systems and methods for detecting a battery pack having an operating issue or defect |
DE102015222683B4 (de) | 2015-11-17 | 2018-06-21 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Ermitteln von Parametern eines elektrochemischen Energiespeichers |
CN105372601B (zh) * | 2015-11-27 | 2018-07-06 | 深圳市新国都支付技术有限公司 | 一种检测蓄电池使用寿命的方法 |
KR20180085165A (ko) * | 2017-01-18 | 2018-07-26 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
CN106871678B (zh) * | 2017-04-21 | 2023-07-21 | 吉林大学 | 一种用于强化传热的固体电蓄热改进装置及改进方法 |
CN110622348A (zh) * | 2017-05-03 | 2019-12-27 | 株式会社半导体能源研究所 | 神经网络、蓄电系统、车辆及电子设备 |
CN108964103B (zh) * | 2018-07-27 | 2021-11-05 | 广州穗华能源科技有限公司 | 一种考虑微网系统可调度性的微网储能配置方法 |
CN109613445B (zh) * | 2018-12-28 | 2021-05-25 | 蜂巢能源科技有限公司 | 一种估计动力电池的健康状态的方法和装置 |
CN110031769B (zh) * | 2019-04-24 | 2021-10-15 | 合肥国轩高科动力能源有限公司 | 锂电池的电池包容量测算方法 |
CN110165297A (zh) * | 2019-05-31 | 2019-08-23 | 重庆市科学技术研究院 | 一种薄膜锂电池固态电解质的过程参数选择方法 |
CN111123108B (zh) * | 2019-07-17 | 2022-04-22 | 上海钧正网络科技有限公司 | 一种电池管理方法、装置、电池及云服务器 |
CN111584955B (zh) * | 2020-05-13 | 2021-09-10 | 瑞浦能源有限公司 | 一种蓄电池的调控方法、电子设备和存储介质 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN116391131A (zh) * | 2020-12-17 | 2023-07-04 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
CN116070140B (zh) * | 2023-04-03 | 2023-07-14 | 国网冀北电力有限公司 | 一种配电变电站安全运行状态监测系统及方法 |
CN117031307A (zh) * | 2023-08-17 | 2023-11-10 | 广州汽车集团股份有限公司 | 一种蓄电池寿命预测方法及其装置、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928371B1 (en) * | 2000-02-08 | 2005-08-09 | Paul T. Roshau | Monitoring system of VRLA battery capacitance |
CN1813199A (zh) * | 2003-06-25 | 2006-08-02 | 罗伯特.博世有限公司 | 用于预测电蓄能器的剩余寿命的方法 |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3935099B2 (ja) * | 2003-04-15 | 2007-06-20 | 株式会社デンソー | 車両用蓄電装置の内部状態検出システム |
-
2014
- 2014-03-26 CN CN201410116493.5A patent/CN103941191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928371B1 (en) * | 2000-02-08 | 2005-08-09 | Paul T. Roshau | Monitoring system of VRLA battery capacitance |
CN1813199A (zh) * | 2003-06-25 | 2006-08-02 | 罗伯特.博世有限公司 | 用于预测电蓄能器的剩余寿命的方法 |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103941191A (zh) | 2014-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103941191B (zh) | 一种储能装置综合管理的方法及储能装置 | |
CN110568361A (zh) | 一种动力电池健康状态的预测方法 | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN103926536A (zh) | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
Chen et al. | A convolutional neural network for estimation of lithium-ion battery state-of-health during constant current operation | |
CN102540084A (zh) | 实时确定可充电蓄电池设备状态的方法 | |
DE102020215297A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN105183994A (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
KR20220065709A (ko) | 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템 | |
CN104680024A (zh) | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 | |
CN107169170A (zh) | 一种电池剩余容量的预测方法 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
DE102020212299A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
CN106372272B (zh) | 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法 | |
Donato et al. | Machine learning systems based on xgBoost and MLP neural network applied in satellite lithium-ion battery sets impedance estimation | |
CN103413033A (zh) | 一种预测蓄电池故障的方法 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
Li et al. | Health and performance diagnostics in Li-ion batteries with pulse-injection-aided machine learning | |
CN115616425A (zh) | 电池性能分析方法、电子设备及储能系统 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
Zhou et al. | A novel quick and robust capacity estimation method for Li-ion battery cell combining information energy and singular value decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: No. 288 Lake Technology Park eighteen Bay Road District 214100 in Jiangsu province Wuxi City foreshore building No. 2 Patentee after: GMCC ELECTRONIC TECHNOLOGY WUXI CO., LTD. Address before: No. 288 Lake Technology Park eighteen Bay Road District 214100 in Jiangsu province Wuxi City foreshore building No. 2 Patentee before: Haibo Ryan Electronic Technology Wuxi Co., Ltd. |