CN110988693A - 一种基于建模仿真的化学电池储能应用分析方法 - Google Patents
一种基于建模仿真的化学电池储能应用分析方法 Download PDFInfo
- Publication number
- CN110988693A CN110988693A CN201911027846.3A CN201911027846A CN110988693A CN 110988693 A CN110988693 A CN 110988693A CN 201911027846 A CN201911027846 A CN 201911027846A CN 110988693 A CN110988693 A CN 110988693A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- battery
- time
- survival
- 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
Links
Images
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
- 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]
- G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及动力电池领域,尤其是一种基于建模仿真的化学电池储能应用分析方法;它包括以下步骤:电池数学建模,储能建模,仿真,清洗数据;数据特征化;建立预测模型;训练模型;本发明可用于实时可视化的显示电池储能情况,还可以根据历史数据和实际运作数据对未来可能出现的情况进行预测。
Description
技术领域
本发明涉及动力电池领域,尤其是一种基于建模仿真的化学电池储能应用分析方法。
背景技术
建模仿真通常运用在发电行业,通过建模仿真来直观判断电池容量。与作为发电行业中频繁充放电的电池类似的,轨道交通或者电动车中的动力电池也存在输入、输出频繁,且输入、输出时间、功率都非常不稳定的情况。现有技术通常通过实时监测电池的电压、电流、温度等指标来查看电池是否正常运行。显而易见地,这样并不能真实的感知电池内的储能还有多少,也无法预知何时储能无法继续正常输出。
发明内容
针对现有技术的不足,本发明提供一种通过建模仿真直观查看电池储能情况并通过特定算法预估未来一定时间内可能出现的状况的方法。
本发明的技术方案为:
一种基于建模仿真的化学电池储能应用分析方法,它包括以下步骤:
步骤一,电池数学建模,该模型中的电池电压表示为:
V=a*e(b*SOC)+c+d*SOC+d*SOC2+a*SOC3
其中a、b、c、d、e分别为系数,SOC为电池荷电状态,
SOC=C/Cr*δ
其中C为电池存储容量,Cr为电池额定容量,δ为电池容量损耗因子;
电池容量为:C=∫Idt,其中I为电流、t为时间;
步骤二,储能建模,电池输出有功功率为P=e*i,e为电压,i为电流,设定有功功率在[Pmin,Pmax]之间,电池使用时,P小于Pmin,电池在输出电能做功,P大于Pmax时,电池在充电;
步骤三,仿真,导入运作中的动力电池的电压、电流和有功功率代入上述模型,得到电池的电池容量和SOC;
步骤四,清洗数据;
步骤五,数据特征化;
步骤六,建立预测模型;
步骤七,训练模型。
其中步骤四,所述数据整理首先要对数据进行清洗,本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据。清理规则包括:空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失,在本发明中,主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值,错值去除:通过设定电动汽车电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据予以删除或纠正,交叉检验:通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
其中步骤五,数据特征化采用滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。
其中步骤六,采用非线性混合效应模型,生存模型和随机森林模型来建立所述电池预测SOE模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著。
以t时刻的SOEt作为Y,对每个数据从时间上进行标签化;经过步骤S001、S002和S003后得到的数据设为x,建立模型Y=f(x),其中f()为机器基于大数据学习得到的模型;在电动汽车实际的运行和使用过程中,电池SOE是难以实时监测的,目前传统的方法主要是基于现有的经验公式来大致预测SOE,此种方法主要的缺点为,首先不能实时计算SOE且精度不高,而且由于单体差异性,不能对每一个单体SOE很好地预测。基于大数据建立的模型可以很好地解决以上的问题。模型的输入为时间t以及t时刻采集的数据,模型的输出为t时刻电池SOEt,在电动汽车实时运行和使用过程中,依据采集的数据x即可以准确的利用模型推出SOEt。
其中非线性混合效应模型,是线性混合效应模型的一种扩展,其固定效应和随机效应部分均可以以非线性的形式纳入模型,相对于线性模型的正态假定,非线性模型对资料的分布无特殊要求,资料可以是正态分布,也可以是二项分布、Poisson分布,同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y=f(x+Φ)+e,其中f()为非线性函数,Φ=Aβ+Bb中A,B为设计的矩阵,β为固定效应参数向量和b为随机效应参数向量,e为误差向量,其中β为输入数据x中对于电池SOE预测相关的固定效应数据,而b则为对于SOE预测不相关的随机效应数据。其参数A和B的估计可以通过伪数据步和线性混合效应步两步之间的迭代完成,可分别使用Gauss-Newton迭代法和EM算法解决。由于电动汽车在日常的使用过程中,电池容量是在不断的衰减,而且是动态非线性的变化,所以非线性混合效应模型模型中的非线性函数可以更好的拟合动态非线性的电池容量变化,而且由于采集的电池参数中有部分参数与电池容量存在相关性,而部分没有属于随即分布,所以在非线性混合效应模型中的固定效应项和随即效应项则可以很好地去描述两类参数。
其中生存分析就是用来研究生存时间的分布规律以及生存时间和相关因素之间关系,根据试验或调查得到的数据,对生物或人等的生存时间进行分析和推断。生存分析的研究集中在预测反应的概率、生存概率、平均寿命。主要方法有:描述法、非参数法、参数法、半参数法。其中描述法根据样本观测值提供的信息,直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等,并采用列表或绘图的形式显示生存时间的分布规律;非参数法估计生存函数时对生存时间的分布没有要求,并且检验危险因素对生存时间的影响时采用的是非参数检验方法;参数法根据样本观测值来估计假定的分布模型中的参数,获得生存时间的概率分布模型;半参数法不需要对生存时间的分布做出假定,但是却可以通过一个模型来分析生存时间的分布规律,以及危险因素对生存时间的影响。生存模型算法中其中t为电池的使用时间,x为基于时间序列采集的数据,f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。SOE的算法模型为Y=f(S(t),x),其中f()为生存算法模型。由于电池的SOE从初始的100%开始放电,相当于一个从出生到死亡生存的过程,因此在大数据建模过程中,根据建模得到的概率密度分布函数,则可以很好地预测基于SOE参数的电池寿命。
其中随机森林模型由多个决策树构成的森林,算法分类结果由这些决策树投票得到,决策树在生成的过程当中分别在行方向和列方向上添加随机过程,行方向上构建决策树时采用放回抽样(bootstraping)得到训练数据,列方向上采用无放回随机抽样得到特征子集,并据此得到其最优切分点。决策森林是一个组合模型,内部仍然是基于决策树,同单一的决策树分类不同的是,决策森林通过多个决策树投票结果进行分类,算法不容易出现过度拟合问题。
其中步骤七,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。在本应用中,可以将获得电动汽车的数据随即分成K个部分,首先将其中K-1个部分的数据用于建立SOE预测模型,然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。
本发明的有益效果为:本发明可用于实时可视化的显示电池储能情况,还可以根据历史数据和实际运作数据对未来可能出现的情况进行预测。
附图说明
图1为本发明的原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种基于建模仿真的化学电池储能应用分析方法,它包括以下步骤:
步骤一,电池数学建模,该模型中的电池电压表示为:
V=a*e(b*SOC)+c+d*SOC+d*SOC2+a*SOC3
其中a、b、c、d、e分别为系数,SOC为电池荷电状态,
SOC=C/Cr*δ
其中C为电池存储容量,Cr为电池额定容量,δ为电池容量损耗因子;
电池容量为:C=∫Idt,其中I为电流、t为时间;
步骤二,储能建模,电池输出有功功率为P=e*i,e为电压,i为电流,设定有功功率在[Pmin,Pmax]之间,电池使用时,P小于Pmin,电池在输出电能做功,P大于Pmax时,电池在充电;
步骤三,仿真,导入运作中的动力电池的电压、电流和有功功率代入上述模型,得到电池的电池容量和SOC;
步骤四,清洗数据;
步骤五,数据特征化;
步骤六,建立预测模型;
步骤七,训练模型。
其中步骤四,所述数据整理首先要对数据进行清洗,本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据。清理规则包括:空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失,在本发明中,主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值,错值去除:通过设定电动汽车电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据予以删除或纠正,交叉检验:通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
其中步骤五,数据特征化采用滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。
其中步骤六,采用非线性混合效应模型,生存模型和随机森林模型来建立所述电池预测SOE模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著。
以t时刻的SOEt作为Y,对每个数据从时间上进行标签化;经过步骤S001、S002和S003后得到的数据设为x,建立模型Y=f(x),其中f()为机器基于大数据学习得到的模型;在电动汽车实际的运行和使用过程中,电池SOE是难以实时监测的,目前传统的方法主要是基于现有的经验公式来大致预测SOE,此种方法主要的缺点为,首先不能实时计算SOE且精度不高,而且由于单体差异性,不能对每一个单体SOE很好地预测。基于大数据建立的模型可以很好地解决以上的问题。模型的输入为时间t以及t时刻采集的数据,模型的输出为t时刻电池SOEt,在电动汽车实时运行和使用过程中,依据采集的数据x即可以准确的利用模型推出SOEt。
其中非线性混合效应模型,是线性混合效应模型的一种扩展,其固定效应和随机效应部分均可以以非线性的形式纳入模型,相对于线性模型的正态假定,非线性模型对资料的分布无特殊要求,资料可以是正态分布,也可以是二项分布、Poisson分布,同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y=f(x+Φ)+e,其中f()为非线性函数,Φ=Aβ+Bb中A,B为设计的矩阵,β为固定效应参数向量和b为随机效应参数向量,e为误差向量,其中β为输入数据x中对于电池SOE预测相关的固定效应数据,而b则为对于SOE预测不相关的随机效应数据。其参数A和B的估计可以通过伪数据步和线性混合效应步两步之间的迭代完成,可分别使用Gauss-Newton迭代法和EM算法解决。由于电动汽车在日常的使用过程中,电池容量是在不断的衰减,而且是动态非线性的变化,所以非线性混合效应模型模型中的非线性函数可以更好的拟合动态非线性的电池容量变化,而且由于采集的电池参数中有部分参数与电池容量存在相关性,而部分没有属于随即分布,所以在非线性混合效应模型中的固定效应项和随即效应项则可以很好地去描述两类参数。
其中生存分析就是用来研究生存时间的分布规律以及生存时间和相关因素之间关系,根据试验或调查得到的数据,对生物或人等的生存时间进行分析和推断。生存分析的研究集中在预测反应的概率、生存概率、平均寿命。主要方法有:描述法、非参数法、参数法、半参数法。其中描述法根据样本观测值提供的信息,直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等,并采用列表或绘图的形式显示生存时间的分布规律;非参数法估计生存函数时对生存时间的分布没有要求,并且检验危险因素对生存时间的影响时采用的是非参数检验方法;参数法根据样本观测值来估计假定的分布模型中的参数,获得生存时间的概率分布模型;半参数法不需要对生存时间的分布做出假定,但是却可以通过一个模型来分析生存时间的分布规律,以及危险因素对生存时间的影响。生存模型算法中其中t为电池的使用时间,x为基于时间序列采集的数据,f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。SOE的算法模型为Y=f(S(t),x),其中f()为生存算法模型。由于电池的SOE从初始的100%开始放电,相当于一个从出生到死亡生存的过程,因此在大数据建模过程中,根据建模得到的概率密度分布函数,则可以很好地预测基于SOE参数的电池寿命。
其中随机森林模型由多个决策树构成的森林,算法分类结果由这些决策树投票得到,决策树在生成的过程当中分别在行方向和列方向上添加随机过程,行方向上构建决策树时采用放回抽样(bootstraping)得到训练数据,列方向上采用无放回随机抽样得到特征子集,并据此得到其最优切分点。决策森林是一个组合模型,内部仍然是基于决策树,同单一的决策树分类不同的是,决策森林通过多个决策树投票结果进行分类,算法不容易出现过度拟合问题。
其中步骤七,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。在本应用中,可以将获得电动汽车的数据随即分成K个部分,首先将其中K-1个部分的数据用于建立SOE预测模型,然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种基于建模仿真的化学电池储能应用分析方法,它包括以下步骤:
步骤一,电池数学建模,该模型中的电池电压表示为:
V=a*e(b*SOC)+c+d*SOC+d*SOC2+a*SOC3
其中a、b、c、d、e分别为系数,SOC为电池荷电状态,
SOC=C/Cr*δ
其中C为电池存储容量,Cr为电池额定容量,δ为电池容量损耗因子;
电池容量为:C=∫Idt,其中I为电流、t为时间;
步骤二,储能建模,电池输出有功功率为P=e*i,e为电压,i为电流,设定有功功率在[Pmin,Pmax]之间,电池使用时,P小于Pmin,电池在输出电能做功,P大于Pmax时,电池在充电;
步骤三,仿真,导入运作中的动力电池的电压、电流和有功功率代入上述模型,得到电池的电池容量和SOC;
步骤四,清洗数据;
步骤五,数据特征化;
步骤六,建立预测模型;
步骤七,训练模型。
2.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中步骤四,所述数据整理首先要对数据进行清洗,清理规则包括:空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失,在本发明中,主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值,错值去除:通过设定电动汽车电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据予以删除或纠正,交叉检验:通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
3.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中步骤五,数据特征化采用滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。
4.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中步骤六,采用非线性混合效应模型,生存模型和随机森林模型来建立所述电池预测SOE模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著,
以t时刻的SOEt作为Y,对每个数据从时间上进行标签化;经过步骤S001、S002和S003后得到的数据设为x,建立模型Y=f(x),其中f()为机器基于大数据学习得到的模型;在电动汽车实际的运行和使用过程中,电池SOE是难以实时监测的,目前传统的方法主要是基于现有的经验公式来大致预测SOE,此种方法主要的缺点为,首先不能实时计算SOE且精度不高,而且由于单体差异性,不能对每一个单体SOE很好地预测。基于大数据建立的模型可以很好地解决以上的问题。模型的输入为时间t以及t时刻采集的数据,模型的输出为t时刻电池SOEt,在电动汽车实时运行和使用过程中,依据采集的数据x即可以准确的利用模型推出SOEt。
5.根据权利要求4述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中非线性混合效应模型,是线性混合效应模型的一种扩展,其固定效应和随机效应部分均可以以非线性的形式纳入模型,相对于线性模型的正态假定,非线性模型对资料的分布无特殊要求,资料可以是正态分布,也可以是二项分布、Poisson分布,同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y=f(x+Φ)+e,其中f()为非线性函数,Φ=Aβ+Bb中A,B为设计的矩阵,β为固定效应参数向量和b为随机效应参数向量,e为误差向量,其中β为输入数据x中对于电池SOE预测相关的固定效应数据,而b则为对于SOE预测不相关的随机效应数据。
6.根据权利要求5所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:生存分析的研究集中在预测反应的概率、生存概率、平均寿命,方法有:描述法、非参数法、参数法、半参数法,其中描述法根据样本观测值提供的信息,直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等,并采用列表或绘图的形式显示生存时间的分布规律;非参数法估计生存函数时对生存时间的分布没有要求,并且检验危险因素对生存时间的影响时采用的是非参数检验方法;参数法根据样本观测值来估计假定的分布模型中的参数,获得生存时间的概率分布模型;半参数法不需要对生存时间的分布做出假定,但是却可以通过一个模型来分析生存时间的分布规律,以及危险因素对生存时间的影响,生存模型算法中其中t为电池的使用时间,x为基于时间序列采集的数据,f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。SOE的算法模型为Y=f(S(t),x),其中f()为生存算法模型。由于电池的SOE从初始的100%开始放电,相当于一个从出生到死亡生存的过程,因此在大数据建模过程中,根据建模得到的概率密度分布函数,则可以很好地预测基于SOE参数的电池寿命。
7.根据权利要求6所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中随机森林模型由多个决策树构成的森林,算法分类结果由这些决策树投票得到,决策树在生成的过程当中分别在行方向和列方向上添加随机过程,行方向上构建决策树时采用放回抽样(bootstraping)得到训练数据,列方向上采用无放回随机抽样得到特征子集,并据此得到其最优切分点。
8.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法,其特征在于:其中步骤七,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。在本应用中,可以将获得电动汽车的数据随即分成K个部分,首先将其中K-1个部分的数据用于建立SOE预测模型,然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027846.3A CN110988693A (zh) | 2019-10-25 | 2019-10-25 | 一种基于建模仿真的化学电池储能应用分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027846.3A CN110988693A (zh) | 2019-10-25 | 2019-10-25 | 一种基于建模仿真的化学电池储能应用分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110988693A true CN110988693A (zh) | 2020-04-10 |
Family
ID=70082444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911027846.3A Pending CN110988693A (zh) | 2019-10-25 | 2019-10-25 | 一种基于建模仿真的化学电池储能应用分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
CN117744587A (zh) * | 2024-01-11 | 2024-03-22 | 广东全芯半导体有限公司 | 一种主控芯片的优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121973A (zh) * | 2011-01-04 | 2011-07-13 | 武汉理工大学 | 电动汽车动力电池净能量测试方法 |
CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
CN109507599A (zh) * | 2017-09-12 | 2019-03-22 | 北京奔驰汽车有限公司 | 一种动力电池soe的优化算法 |
CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
-
2019
- 2019-10-25 CN CN201911027846.3A patent/CN110988693A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121973A (zh) * | 2011-01-04 | 2011-07-13 | 武汉理工大学 | 电动汽车动力电池净能量测试方法 |
CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
CN109507599A (zh) * | 2017-09-12 | 2019-03-22 | 北京奔驰汽车有限公司 | 一种动力电池soe的优化算法 |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
Non-Patent Citations (5)
Title |
---|
王鹏飞: "电池储能系统建模及其应用", 《自动化博览增刊》, no. 2, 31 December 2011 (2011-12-31), pages 188 - 190 * |
罗玲等: "电池SOE估算法及在电动汽车工况下的应用", 《电池》, vol. 46, no. 01, 25 February 2016 (2016-02-25), pages 31 - 34 * |
陈美多等: "《新能源汽车技术》", 30 April 2017, 西南交通大学出版社, pages: 146 * |
韦振汉等: "基于随机森林的锂离子电池荷电状态估算", 《广西师范大学学报(自然科学版)》, vol. 36, no. 04, 25 October 2018 (2018-10-25), pages 27 - 33 * |
龚敏明等: "串联电池组的SOE估算方法", 《北京交通大学学报》, vol. 37, no. 02, 15 April 2013 (2013-04-15), pages 74 - 78 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
CN111965562B (zh) * | 2020-10-20 | 2020-12-29 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
CN117744587A (zh) * | 2024-01-11 | 2024-03-22 | 广东全芯半导体有限公司 | 一种主控芯片的优化方法及系统 |
CN117744587B (zh) * | 2024-01-11 | 2024-05-17 | 广东全芯半导体有限公司 | 一种主控芯片的优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
CN112765772A (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
Pan et al. | A health indicator extraction and optimization for capacity estimation of Li-ion battery using incremental capacity curves | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
CN111157908A (zh) | 一种基于大数据机器学习的电池健康度预测方法 | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
CN116184210A (zh) | 电池异常检测方法、装置、系统和电子装置 | |
Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |