CN110244225A - 一种预测动力电池放电时表面最高温度的方法 - Google Patents

一种预测动力电池放电时表面最高温度的方法 Download PDF

Info

Publication number
CN110244225A
CN110244225A CN201910570012.0A CN201910570012A CN110244225A CN 110244225 A CN110244225 A CN 110244225A CN 201910570012 A CN201910570012 A CN 201910570012A CN 110244225 A CN110244225 A CN 110244225A
Authority
CN
China
Prior art keywords
power battery
neural network
temperature
hot face
prediction
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.)
Pending
Application number
CN201910570012.0A
Other languages
English (en)
Inventor
夏必忠
孙天飞
刘一凡
廖妍
赖勇智
朱静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Tsinghua University
Sunwoda Electronic Co Ltd
Original Assignee
Shenzhen Graduate School Tsinghua University
Sunwoda Electronic Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Tsinghua University, Sunwoda Electronic Co Ltd filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN201910570012.0A priority Critical patent/CN110244225A/zh
Publication of CN110244225A publication Critical patent/CN110244225A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种预测动力电池放电时表面最高温度的方法，包括如下步骤：S1：采集动力电池的放电数据，所述放电数据包括不同放电条件下每个时间点的表面最高温度；S2：通过所述动力电池的放电数据建立一个基于模拟退火算法优化的小波神经网络预测模型；S3：通过所述基于模拟退火算法优化的小波神经网络预测模型预测所述动力电池放电时的表面最高温度。通过建立一个基于模拟退火算法优化的小波神经网络预测模型，实现对电池放电时表面最高温度的预测。本发明有望为更为高效的电池管理系统的设计与研发提供一个新的思路，提高电动汽车的热安全性。

Description

一种预测动力电池放电时表面最高温度的方法
技术领域
本发明涉及预测动力电池放电时表面最高温度的技术领域，尤其涉及一种预测动力电池放电时表面最高温度的方法。
背景技术
当今社会，能源的紧缺与环境的污染是急需解决的两大问题，随着近百年来全球化石燃料的消耗和大量化石燃料燃烧过程中所产生的污染日益严重，使得寻求一种无污染且能够长久替代化石燃料的清洁能源成为紧要目标。而具有自身单体电压高、比能量大、适宜工作温度范围大、使用寿命长等优点的锂离子电池成为了替代化石燃料的清洁能源的首要选择。
近年来，虽然动力电池尤其是锂离子电池在电动汽车上广泛应用的同时，频频发生的热安全事故也逐渐引起了人们的广泛关注。经研究表明，大多数电池热安全事故的发生是由于电池滥用造成的，如放电电流过大等原因。考虑到单体电池的厚度比较小，因此单体电池内部的最高温度与表面最高温度相差比较小，故可通过控制电池表面最高温度来避免或减少热安全事故的发生，因此，有效地预测和控制电池表面最高温度对于减少电池热安全事故的发生有重要意义。
基于人工神经网络对电池发热机理的学习要求低且具有非线性映射和泛化的能力，因此，利用人工神经网络预测电池表面温度是一个简便、高效的方法。
现有技术中公开了一种基于人工神经网络的二次电池表面最高温度预测方法。是通过创建BP(Back-Propagation)神经网络模型实现对电池表面最高温度的预测，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，虽然具有模型清晰、结构简单、计算量小等优点，但是BP神经网络存在着收敛速度慢和易收敛到局部极小点的问题。
发明内容
本发明为了解决现有技术中神经网络预测动力电池表面温度时收敛速度慢和易收敛到局部极小点的问题，提供一种预测动力电池放电时表面最高温度的方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种预测动力电池放电时表面最高温度的方法，包括如下步骤：S1：采集动力电池的放电数据，所述放电数据包括不同放电条件下每个时间点的表面最高温度；S2：通过所述动力电池的放电数据建立一个基于模拟退火算法优化的小波神经网络预测模型；S3：通过所述基于模拟退火算法优化的小波神经网络预测模型预测所述动力电池放电时的表面最高温度。
优选地，步骤S1包括如下步骤：S11：将动力电池置于高低温试验箱内，并连接充放电设备；S12：对所述动力电池进行放电直至电池剩余电量为0并静置1-2小时；S13：再以CC-CV的充电模式对所述动力电池充电至电池剩余电量为100％；S14：静置1-2小时后，用红外热成像仪监测所述动力电池在不同放电条件下每个时间点的表面最高温度并采集所述表面最高温度。
优选地，所述高低温试验箱内的温度为25℃。
优选地，每次所述动力电池静置的时间相同。
优选地，所述不同放电条件包括分别在-20℃、0℃、25℃、35℃和60℃的环境温度下，分别以0.5C、1C、2C、5C和10C的倍率对电池进行放电。
优选地，步骤S2包括如下步骤：S21：通过选取所述小波神经网络的输入层、隐含层、输出层的层数和节点个数，以及小波函数和训练算法，对预测模型进行初步构建；S22：将采集的部分所述动力电池的放电数据作为训练数据采用模拟退火算法对所述小波神经网络模型进行训练，实现小波神经网络的参数寻优；S23：将寻得的最优参数作为所述小波神经网络的对应参数的初始值，结合LM算法再次进行训练，使所述小波神经网络输出值的精度达到设定精度，停止训练，得到基于模拟退火算法优化的小波神经网络预测模型；S24：将剩余的所述动力电池的放电数据作为测试数据，用于基于模拟退火算法优化的小波神经网络预测模型的预测效果。
优选地，所述小波神经网络的输入为：环境温度、放电电流、所述动力电池端电压、电池剩余电量、放电时间，输出为：电池表面最高温度。
优选地，所述输入层、所述隐含层和所述输出层都是一层，所述节点数分别是改为5、10、1。
优选地，所述模拟退火算法包括确定状态产生函数、状态接受函数、状态更新公式、内循环终止准则、外循环终止准则、降温系数、初始温度和优化粒子数量；所述模拟退火算法优化小波神经网络中输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。
本发明的有益效果为：提供一种预测动力电池放电时表面最高温度的方法，通过模拟退火算法(SA)优化小波神经网络中的输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值，减少神经网络的迭代次数，能够较好地解决BP神经网络存在的收敛速度慢和容易收敛到局部极小点的情况。本发明通过建立一个基于模拟退火算法优化的小波神经网络预测模型，实现对电池放电时表面最高温度的预测。本发明有望为更为高效的电池管理系统的设计与研发提供一个新的思路，提高电动汽车的热安全性。
附图说明
图1是本发明实施例中预测动力电池放电时表面最高温度的方法示意图。
图2是本发明实施例中采集数据的方法示意图。
图3是本发明实施例中建立一个基于模拟退火算法优化的小波神经网络预测模型的方法示意图。
图4是本发明实施例中采用本发明的方法预测动力电池放电时表面最高温度的系统的示意图。
图5(a)是本发明实施例中优化后的小波神经网络温度预测效果图。
图5(b)是本发明实施例中优化后的小波神经网络温度预测的误差示意图。
图6(a)是本发明实施例中BP神经网络的温度预测效果图。
图6(b)是本发明实施例中BP神经网络的温度预测示意图。
其中，1-充放电设备，2-18650锂离子电池，3-高低温试验箱，4-采集数据设备，5-红外热成像仪。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接即可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1
如图1所示，一种预测动力电池放电时表面最高温度的方法，包括如下步骤：
S1：采集动力电池的放电数据，，所述放电数据包括不同放电条件下每个时间点的表面最高温度；
S2：通过所述动力电池的放电数据建立一个基于模拟退火算法优化的小波神经网络预测模型；
S3：通过所述基于模拟退火算法优化的小波神经网络预测模型预测所述动力电池放电时的表面最高温度。
在本发明的一种实施例中，动力电池是锂离子电池。
在本发明中，选取了一种小波神经网络，小波神经网络是将小波变换的时频局部特性和神经网络的自学习、自适应、鲁棒性、容错性和推广能力结合的产物，因而小波神经网络具有更强的局部逼近和容错能力，同时，通过模拟退火算法(SA)优化小波神经网络中的输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值，减少神经网络的迭代次数，能够较好地解决BP神经网络存在的收敛速度慢和容易收敛到局部极小点的情况。本发明通过建立一个基于模拟退火算法优化的小波神经网络预测模型，实现对电池放电时表面最高温度的预测。本发明有望为更为高效的电池管理系统的设计与研发提供一个新的思路，提高电动汽车的热安全性。
具体的，如图2所示，采集数据包括如下步骤：
S11：将动力电池置于高低温试验箱内，并连接充放电设备；
在本发明的一种实施例中，高低温试验箱内的温度为25℃，可以理解的是，此处是代表常规室温。
S12：对所述动力电池进行放电直至电池剩余电量为0并静置1-2小时；
在本发明的一种实施例中，所述动力电池静置的时间相同。
S13：再以CC-CV的充电模式对所述动力电池充电至电池剩余电量为100％；
S14：静置1-2小时后，用红外热成像仪监测所述动力电池在不同放电条件下每个时间点的表面最高温度并采集所述表面最高温度。
不同放电条件包括分别在-20℃、0℃、25℃、35℃和60℃的环境温度下，分别以0.5C、1C、2C、5C和10C的倍率对电池进行放电。
如图3所示，建立一个基于模拟退火算法优化的小波神经网络预测模型的方法包括如下步骤：
S21：通过选取所述小波神经网络的输入层、隐含层、输出层的层数和节点个数，以及小波函数和训练算法，对预测模型进行初步构建；
在本发明的一种实施例中，小波神经网络的输入为：环境温度、放电电流、所述动力电池端电压、电池剩余电量、放电时间，输出为：电池表面最高温度。输入层、隐含层和输出层都是一层，节点数分别是改为5、10、1。
S22：将采集的部分所述动力电池的放电数据作为训练数据采用模拟退火算法对所述小波神经网络模型进行训练，实现小波神经网络的参数寻优；
在本发明的一种实施例中，模拟退火算法包括确定状态产生函数、状态接受函数、状态更新公式、内循环终止准则、外循环终止准则、降温系数、初始温度和优化粒子数量；所述模拟退火算法优化小波神经网络中输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值。
S23：将寻得的最优参数作为所述小波神经网络的对应参数的初始值，结合LM算法再次进行训练，使所述小波神经网络输出值的精度达到设定精度，停止训练，得到基于模拟退火算法优化的小波神经网络预测模型；
S24：将剩余的所述动力电池的放电数据作为测试数据，用于基于模拟退火算法优化的小波神经网络预测模型的预测效果。
本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例2
如图4所示，一种采用本发明的方法预测动力电池放电时表面最高温度的系统。具体操作步骤如下：
步骤一、将1.2Ah的18650锂离子电池2放入高低温试验箱3，连接充放电设备1；
步骤二、对18650锂离子电池2进行放电，直至电池剩余电量(SOC)为0；
步骤三、将18650锂离子电池2取出静置一段时间，为1-2h，再将18650锂离子电池2以一定倍率充电至电池剩余电量为100％；
步骤四、将18650锂离子电池2取出静置一段时间，为1-2h|,再放入高低温试验箱3，连接充放电设备1，在环境温度分别为-20℃、0℃、25℃、35℃和60℃时，每次都以0.5C、1C、2C、5C和10C的倍率对18650锂离子电池进行放电，用红外热成像仪5监测电池表面的最高温度，并将数据传输给采集数据设备4。
环境温度的设置考虑到了锂离子电池的工作范围，放电倍率的设置考虑小倍率、中倍率以及大倍率放电条件，以此尽可能的获取具有代表性且比较多的训练数据。
步骤五、在进行完所有实验数据的测量之后，将数据导入MATLAB，；
步骤六、建立小波神经网络，网络的输入为环境温度、放电电流、电池端电压、电池剩余电量(SOC)、放电时间，输出为电池表面最高温度，输入层、隐含层和输出层都是一层，节点数分别是5、10、1，隐含层的小波函数选取Meyer函数；
步骤七、对5种输入数据和温度数据进行归一化处理，处理方法：使用MATLAB中的mapminmax()函数；
步骤八、对模拟退火算法所需函数、参数以及小波神经网络中的各参数进行初始化，具体分别如表1、表2所示：
表1模拟退火算法中所需函数、参数明细
表2小波神经网络中的各参数初始化明细
步骤九、通过用实验获取的训练数据首先使用模拟退火算法对小波神经网络的最优参数，满足模拟退火算法的外循环终止准则之后，跳出模拟退火算法循环，将寻得的最优参数作为小波神经网络对应的参数的初值，再结合LM算法，输入训练数据，正向运算，计算出误差，如果误差满足所需的精度要求，直接结束训练，否则，按照LM算法进行迭代，进行参数寻优，直至误差满足要求。最后，使用预测数据对经过训练的网络进行测试，预测结果再反归一化，处理方法：使用MATLAB中的mapminmax()函数，即可得到预测温度值。
步骤十、将实验采集的数据分别对改进的小波神经网络和BP神经网络进行训练和预测，相应的训练和预测结果分别如图5(a)、图5(b)、图6(a)、图6(b)所示。
由图5(a)、图5(b)、图6(a)、图6(b)可以看出，采用本发明的方法能够较好地解决BP神经网络存在的收敛速度慢和容易收敛到局部极小点的情况。本发明通过建立一个基于模拟退火算法优化的小波神经网络预测模型，实现对电池放电时表面最高温度的预测。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种预测动力电池放电时表面最高温度的方法，其特征在于，包括如下步骤：
S1：采集动力电池的放电数据，所述放电数据包括不同放电条件下每个时间点的表面最高温度；
S2：通过所述动力电池的放电数据建立一个基于模拟退火算法优化的小波神经网络预测模型；
S3：通过所述基于模拟退火算法优化的小波神经网络预测模型预测所述动力电池放电时的表面最高温度。
2.如权利要求1所述的预测动力电池放电时表面最高温度的方法，其特征在于，步骤S1包括如下步骤：
S11：将动力电池置于高低温试验箱内，并连接充放电设备；
S12：对所述动力电池进行放电直至电池剩余电量为0并静置1-2小时；
S13：再以CC-CV的充电模式对所述动力电池充电至电池剩余电量为100％；
S14：静置1-2小时后，用红外热成像仪监测所述动力电池在不同放电条件下每个时间点的表面最高温度并采集所述表面最高温度。
3.如权利要求2所述的预测动力电池表面放电时最高温度的方法，其特征在于，所述高低温试验箱内的温度为25℃。
4.如权利要求2所述的预测动力电池放电时表面最高温度的方法，其特征在于，每次所述动力电池静置的时间相同。
5.如权利要求2所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述不同放电条件包括分别在-20℃、0℃、25℃、35℃和60℃的环境温度下，分别以0.5C、1C、2C、5C和10C的倍率对电池进行放电。
6.如权利要求1所述的预测动力电池放电时表面最高温度的方法，其特征在于，步骤S2包括如下步骤：
S21：通过选取所述小波神经网络的输入层、隐含层、输出层的层数和节点个数，以及小波函数和训练算法，对预测模型进行初步构建；
S22：将采集的部分所述动力电池的放电数据作为训练数据采用模拟退火算法对所述小波神经网络模型进行训练，实现小波神经网络的参数寻优；
S23：将寻得的最优参数作为所述小波神经网络的对应参数的初始值，结合LM算法再次进行训练，使所述小波神经网络输出值的精度达到设定精度，停止训练，得到基于模拟退火算法优化的小波神经网络预测模型；
S24：将剩余的所述动力电池的放电数据作为测试数据，用于基于模拟退火算法优化的小波神经网络预测模型的预测效果。
7.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述小波神经网络的输入为：环境温度、放电电流、所述动力电池端电压、电池剩余电量、放电时间，输出为：电池表面最高温度。
8.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述输入层、所述隐含层和所述输出层都是一层，所述节点数分别是5、10、1。
9.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述模拟退火算法包括确定状态产生函数、状态接受函数、状态更新公式、内循环终止准则、外循环终止准则、降温系数、初始温度和优化粒子数量；所述模拟退火算法优化小波神经网络中输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。
CN201910570012.0A 2019-06-27 2019-06-27 一种预测动力电池放电时表面最高温度的方法 Pending CN110244225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570012.0A CN110244225A (zh) 2019-06-27 2019-06-27 一种预测动力电池放电时表面最高温度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570012.0A CN110244225A (zh) 2019-06-27 2019-06-27 一种预测动力电池放电时表面最高温度的方法

Publications (1)

Publication Number Publication Date
CN110244225A true CN110244225A (zh) 2019-09-17

Family

ID=67889978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570012.0A Pending CN110244225A (zh) 2019-06-27 2019-06-27 一种预测动力电池放电时表面最高温度的方法

Country Status (1)

Country Link
CN (1) CN110244225A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统
CN112348699A (zh) * 2020-11-02 2021-02-09 国网山东省电力公司博兴县供电公司 一种供电系统电力设备生命周期管理方法及系统
CN113447828A (zh) * 2021-06-21 2021-09-28 中山大学 一种基于贝叶斯神经网络的锂电池温度估计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102195101A (zh) * 2010-03-05 2011-09-21 陕西铭越信息科技有限公司 动力电池组管理系统以及方法
CN102494778A (zh) * 2011-11-14 2012-06-13 北京理工大学 一种基于人工神经网络的二次电池表面最高温度预测方法
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN107219021A (zh) * 2016-03-22 2017-09-29 罗伯特·博世有限公司 一种用于检测电池温度的方法和装置
CN108733921A (zh) * 2018-05-18 2018-11-02 山东大学 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102195101A (zh) * 2010-03-05 2011-09-21 陕西铭越信息科技有限公司 动力电池组管理系统以及方法
CN102494778A (zh) * 2011-11-14 2012-06-13 北京理工大学 一种基于人工神经网络的二次电池表面最高温度预测方法
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN107219021A (zh) * 2016-03-22 2017-09-29 罗伯特·博世有限公司 一种用于检测电池温度的方法和装置
CN108733921A (zh) * 2018-05-18 2018-11-02 山东大学 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周志敏 等: "《电动自行车电气故障诊断与维修165例 第1版》", 30 September 2007 *
曾利平 等: "一种模拟退火小波网络的电力变压器故障诊断", 《计算机仿真》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统
CN112348699A (zh) * 2020-11-02 2021-02-09 国网山东省电力公司博兴县供电公司 一种供电系统电力设备生命周期管理方法及系统
CN113447828A (zh) * 2021-06-21 2021-09-28 中山大学 一种基于贝叶斯神经网络的锂电池温度估计方法及系统

Similar Documents

Publication Publication Date Title
CN110244225A (zh) 一种预测动力电池放电时表面最高温度的方法
Liu et al. An advanced Lithium-ion battery optimal charging strategy based on a coupled thermoelectric model
Liu et al. Data‐Driven Hybrid Internal Temperature Estimation Approach for Battery Thermal Management
Xu et al. A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems
CN106992519B (zh) 一种基于信息间隙决策理论的电网负荷恢复鲁棒优化方法
CN105183994B (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN112881914B (zh) 一种锂电池健康状态预测方法
CN110303945B (zh) 一种蓄电池组电量自适应优化平衡控制方法
TW201623995A (zh) 一種兼具電池預診及充電模式自適調制之系統及方法
Yue et al. Reinforcement learning based dynamic power management with a hybrid power supply
CN117096984A (zh) 基于强化学习的电池组均衡感知快充控制方法和系统
CN113807039A (zh) 一种串联型电池系统的功率状态预测方法
CN105098923B (zh) 一种可实现电池均衡的电池组充电方法
Geng et al. SOC Prediction of power lithium battery using BP neural network theory based on keras
CN117293975B (zh) 一种锂电池的充放电调节方法、装置、设备及存储介质
TWI527337B (zh) The method of determining the charging current of multi - stage lithium battery using Taguchi orthogonal table and fuzzy algorithm
Li et al. Research on state-of-charge Estimation of Lithium-ion Batteries Based on Improved Sparrow Search Algorithm-BP Neural Network
CN118157093A (zh) 电力系统可调资源调节潜力动态预估方法、系统及设备
Lu et al. Active equalization control method for battery pack based on Double-DQN
CN117022048A (zh) 一种电动汽车电池荷电状态的评估方法
CN109038564B (zh) 一种基于改进粒子群算法的次同步振荡抑制系统及方法
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
CN113162054A (zh) 基于大规模可控负荷的综合服务站梯级聚合方法及系统
Sun et al. SOC estimation of NiMH battery for HEV based on adaptive neuro-fuzzy inference system.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190917

RJ01 Rejection of invention patent application after publication