CN111563826A - 一种基于电动汽车用电行为的电池信息预测系统及方法 - Google Patents

一种基于电动汽车用电行为的电池信息预测系统及方法 Download PDF

Info

Publication number
CN111563826A
CN111563826A CN202010232018.XA CN202010232018A CN111563826A CN 111563826 A CN111563826 A CN 111563826A CN 202010232018 A CN202010232018 A CN 202010232018A CN 111563826 A CN111563826 A CN 111563826A
Authority
CN
China
Prior art keywords
vehicle
battery
mounted battery
information
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
CN202010232018.XA
Other languages
English (en)
Inventor
赵景波
张晓寒
邱腾飞
朱敬旭辉
刘信潮
王众
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.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
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 Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202010232018.XA priority Critical patent/CN111563826A/zh
Publication of CN111563826A publication Critical patent/CN111563826A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及新能源汽车技术领域，具体是一种基于电动汽车用电行为的电池信息预测系统及方法。该系统包括车载电池信息采集单元、主控单元和上位机；所述车载电池信息采集单元用于采集车载电池的信息，并将信息传给主控单元；所述主控单元用于控制所述车载电池信息采集单元，并将接收的车载电池信息传给上位机；所述上位机通过对接收到的信息进行处理分析，实现对车载电池SOC的实时预测功能。本发明的有益效果是：系统结构简单，检测精确度高；针对电动汽车用电使用情况，本分明利用蝙蝠粒子群算法优化BP神经网络，有效提高了电动汽车使用过程中，对于车载电池SOC的精确预测，有利于车载电池使用寿命的进一步提升。

Description

一种基于电动汽车用电行为的电池信息预测系统及方法
技术领域
本发明涉及新能源汽车技术领域，具体是一种基于电动汽车用电行为的电 池信息预测系统及方法。
背景技术
绿色节能作为美丽中国建设的主旋律，为减小环境污染所带来的影响，以电 力为代表的新型能源技术不断发展，电动汽车成为了汽车行业发展的新时尚，同 时也成为了未来智能电网下用户的重要需求响应。探索研究电动汽车电池充电管 理系统，满足未来电动汽车用户的用电需求同时，实现电力系统用电负荷的合理 调控，在提升动力电池的使用效率，保持动力电池的良好性能条件的基础上，减 少电动汽车用户电力消费支出。
SOC是电动汽车剩余电量与电池的额定电量之比。车载电池SOC，作为影 响电动汽车用户充电的一个重要信息，对其实现准确预测，对于指导用户充电行 为具有不可替代的作用。电池SOC十分容易受到外部因素的干扰，其中在线电 压、电池的温度、充放电倍率等是干扰其变化的几个最主要方面。充放电速率顾 名思义，就是电池充电和放电时电流的大小，是汽车电池电力容量大小的体现方 式之一。电池容量的会随着电池放电速率的增大而减小。电池容量的大小会受到 电池温度的影响，电池的容量的大小会与温度的高低成正比，温度升高容量增大， 电池工作是通常会尽量将温度控制在一定的范围内，防止因温度过低，减小电池 容量，缩短使用寿命。因此，在预测电动汽车电池的使用状况时，主要考虑电池 电压、电流和温度的影响。
作为我国现阶段大力发展的重要产业，电动汽车数量将持续增长，这就给电 力系统运行带来了巨大的压力，电动汽车使用过程中存在的大负荷无序充电行为 将严重影响电网安全运行。如何准确预测剩余寿命与提高耐久性，延缓性能衰减， 保障预期使用寿命的达成，已成为了保持新能源汽车市场持续活力和健康发展的 研究热点，对于保证电动汽车电池组的安全运行，降低电动汽车市场成本，对电 动汽车的产业化、市场化发展具有很大的价值，同时对于繁荣电力终端用电市场， 进一步减缓电网运行供电压力，优化国民用电结构，增强电动汽车产业活力影响 深远。
发明内容
本发明的目的在于提供一种基于电动汽车用电行为的电池信息预测系统， 已解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于电动汽车用电行为 的电池信息预测系统，包括车载电池信息采集单元、主控单元和上位机；所述 车载电池采集单元用于采集车载电池的信息；所述主控单元用于控制所述车载 电池信息采集单元，并将接收的车载电池信息传给上位机；所述上位机通过对 接收到的信息进行处理分析，实现对车载电池SOC的实时预测功能。
作为本发明的一种优选方式，所述的车载电池信息采集单元包括库仑计， 所述库仑计与车载电池连接，测量车载电池的电流、电量数据。
进一步优选地，所述的上位机系统包括车载电池SOC预测模块；所述车载 电池SOC预测模块通过采集车载电池的电流、电压和温度信息，预测电池 SOC。
进一步优选地，所述的车载电池SOC预测模块为神经网络模型。
进一步优选地，所述的车载电池SOC预测模块为经过蝙蝠-粒子群算法优化 的神经网络模型。
本发明还提供了一种基于电动汽车用电行为的电池信息预测方法，包括：
构建电池SOC预测神经网络模型；
通过采集到的电池的电压、电流和温度信息，预测电池SOC；其中，所述的 电池SOC预测神经网络模型采用蝙蝠-粒子群算法进行优化处理。
进一步优选地，采用蝙蝠-粒子群算法对神经网络的权值、阈值进行优化处 理；
将优化处理的网络权值、阈值作为网络的初始权值与阈值，通过网络训练获 得适用于BP神经网络的最优参数与适应度，得到电池SOC预测模型。
与现有技术相比，本发明的有益效果是：
(1)本发明的系统结构简单，检测精确度高；
(2)本发明的方法，针对电动汽车用电使用情况，利用蝙蝠粒子群算法优 化BP神经网络，有效提高了电动汽车使用过程中，对于车载电SOC的精确预 测，有利于车载电池使用寿命的进一步提升。
附图说明
图1为本发明实施例中基于电动汽车用电行为的电池信息预测系统的结构 示意图；
图中：1.车载电池；2.库仑计；3.上位机；4.主控单片机；5.单向串口通 信通道；6.双向串口通信通道；
图2为电动汽车电池SOC预测网络模型结构示意；
图3为蝙蝠-粒子群算法优化BP神经网络流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行相对 清楚、完整地描述，显然所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的其中一个实施例为：一种基于电动汽车用电行为的电池信息预 测系统，包括库仑计2、上位机3、主控单元4、单向串口通信通道5、双向串口 通信通道6。
由库仑计2、主控单元4、单向串口通信通道5、双向串口通信通道6组成 车载电池信息采集单元，并安装到电动汽车内。上位机3中储存有电池SOC预测 神经网络模型，能够精准预测车载电池SOC。
其中，主控单元包4括主控芯片、电源转换电路、散热控制电路、报警电路、 电流采集电路、电压采集电路、温度采集电路、均衡控制电路。主控单元4通过 单向串口通信通道5采集车载电池1的温度信息。
按照系统的需求，最终选择了STM32F103RCT6单片机作为系统的主控单元，STM32F103RCT6虽然是中等容量的单片机但由于其内核是基于32位的Cortex- M3的处理器，具有较强的运算能力同时又不复杂还能满足设计所需的I/O接口。 主控芯片采用BQ76PL536A，BQ76PL536A是一个可堆叠的电池监视器和保护3至 6线锂电池包。这是个集成了一个模拟前端(AFE)和一个精确的模数转换器(ADC) 的芯片来精确测量电池电压，并集成了一个单独的模数转换器来测量温度。此外， BQ76PL536A还能够为每个通道提供二次保护，包括过压、欠压和超温保护。
库仑计2工作电压范围大，在8-12V状态下均可工作，无需接电平转化器， 可直接连接车载电池1。库仑计测量电流、电量百分比可以精确到1％，断电带记 忆效果。LED灯自动可以休眠。有按键或者电流达到一定值时就自动亮起，有通 讯自动唤醒库仑计模块，LED背光模式可以设置。默认带UART串口通讯，可 以选配RS485和温度模块。
STM32F103RCT6单片机与上位机3之间使用RS-232通讯方式，上位机通 过双向串口通信通道6得到单片机传输的电压、电流、温度、以及电量信息。
串口与MCU通信通常采用ATK-ESP8266模块，里面含有TCP/IP协议栈， 串口通讯与WIFI通讯之间可以由此相互转换。该模块支持LVTTL串口，兼容 3.3V和5V单片机系统，可以很方便的与产品进行连接。模块能过够进行串口转 WIFI STA、串口转AP和WIFI STA+WIFIAP的模式，可与便捷、灵活的组成串 口-WIFI信息交换方式，使设备与网络的信息交互更加便捷。
本发明的基于电动汽车用电行为的电池信息预测系统工作原理如下：
电动汽车的动力供给部分电池组，往往以蓄电池为主，本发明中的电池预测 系统是以12V的电池为研究对象。主控单元对于车载电池采集电压、电流、电 量、温度等参数数据，并反馈给上位机，实现车载电池SOC的预测功能。
本发明提供的另一个实施例是：一种基于电动汽车用电行为的电池信息预 测方法，包括：
1、采用BP神经网络建立电动汽车电池SOC的预测模型，电动汽车电池 SOC预测模型网络结构如图2所示，输入层包括5个神经元，隐含层包括7个 神经元，输出层一个神经元。网络目标误差精度为0.00001。
2、上位机对接收的主控单元采集的电池的电流、电压、电量及温度信息， 经过计算、归一化处理后，得到神经网络的输入向量：X1,X2,X3,X4,X5分别为 归一化处理后车载电池的电流、电压、温度值、30min前SOC、60min前 SOC。
如图2所示的网络结构图中，输入向量X1,X2,X3,X4,X5经过神经网络各隐含 层进行处理后，经输出层，得到BP神经网络的预测试Y。神经网络需要经过不断 的训练，在训练过程中优化权值ωij,Tki及隐含、输出层节点阈值θi,θk等参数，使 输出值Y不断接近理想的输出值Q，减少误差，最终实现网络误差达到设计要求 所作出的精度要求范围值。
3、由于电池SOC数值的预测要求精准快速，对于ωij,Tki,θi,θk参数可采取 蝙蝠-粒子群算法进行不断优化。BP神经网络在被蝙蝠-粒子群算法优化的过程 中，蝙蝠算法搜索全局区域后，将结果作为粒子群算法的初始种群，充分利用粒 子群算法的快速收敛、求解精度高、快速搜索全局的优点，求出最优解。参照图 3所示优化流程，具体优化步骤如下：
(1)对算法参数值与蝙蝠粒子位置进行初始化：
将蝙蝠算法中的蝙蝠种群数量设定为D，最大脉冲声音强度设定为S，脉冲 频度增加系数设定为δ，蝙蝠发出的脉冲(超声波)频率设定为f，最大脉冲频度 设定为R0，脉冲声音强度衰减系数设定为λ，确定蝙蝠算法的最大迭代次数为NB， 将蝙蝠位置随机初始化为xi(i＝1，2，…，D)。而在粒子群算法中，最小惯性权 重设定为ωmin，最大惯性权重设定为ωmax，最大迭代数设定为NP。
(2)利用以下公式来重置控制个体所在的位置xi、脉冲频率fi、飞行速度vi， 然后找到目前种群中的最优个体；
Figure BDA0002429556940000051
fi＝fmin+(fmax-fmin)h
Figure BDA0002429556940000052
其中，fmin，fmax分别是蝙蝠个体脉冲频率的最小值与最大值；
xbest为全局最优个体的位置；
fi为个体i发出的脉冲频率；
Figure BDA0002429556940000053
分别是t和t+1代的个体i的飞行速度；
h为[0，1]内的随机数；
Figure BDA0002429556940000054
分别是t和t+1代的个体i的所处位置。
(3)产生随机数r1，当r1>Ri时，选取当前种群的最优解，在选取的最优解 附近获得一个局部随机解，个体位置被重置为xnew。
xnew＝xold+τSt
其中，St为相同时间段内种群平均响度的数值；τ为[-1,1]内的随机数。
(4)生成随机数r2，当r2<Si，适应度符合J(xi)<J(x0)时，通过下面两个公 式减小个体发射的超声波脉冲响度Si，增大个体声波脉冲的发射频度Ri。
Figure BDA0002429556940000061
Figure BDA0002429556940000062
其中，λ为区间[0,1]的数值，δ>0；
Figure BDA0002429556940000063
为个体i在t+1代声波脉冲的发射脉冲频度；
Figure BDA0002429556940000064
分别为t和t+1代的个体i的声波脉冲响度。
(5)对个体进行适应度J(xi)评估，记录下找到的最佳个体位置，如果此时 迭代次数达到了蝙蝠算法的最大迭代次数NB，输出M个最优位置解，否则返回(2) 继续进行。
(6)将得到的M个最优位置的蝙蝠个体组成粒子群初始种群，根据下面三 个公式从新重置粒子速度和位置。其中惯性权重ω可以自动跟踪粒子适应度的变 化，避免“过早”的现象和振荡在粒子群优化进化过程中出现。
Vij(t+1)＝ωVij(t)+C1R1[Pj(t)-Xij(t)]+C2R1[Gj(t)-Xij(t)]
Xij(t+1)＝Xij(t)+Vij(t+1)
Figure BDA0002429556940000065
其中，t为粒子种群的演化次数；
Pj(t)为t代时粒子i的全局最优解；
Xij(t)为t代时粒子i的定位；
Gj(t)为粒子群中全局的最优位置；
Vij(t)为t代时粒子i的运动频率；
Jave为粒子群的平均适应度；
Jmax为粒子群的最大适应度值；
C1,C2为学习因子；
J为粒子适应度值；
R1,R2为区间[0,1]的值；
i＝1,2,…,M；j＝1,2，…,d。
(7)当全局最优解Gj(t)小于ε(误差)或者演化过程符合最大迭代次数NP时，将粒子种群的全局最优解输出。
(8)最后将(7)中的输出作为网络的初始阈值与权值，通过网络训练获得 适用于BP神经网络的最优参数与适应度，进而得到电动汽车电池的SOC预测模 型。网络粒子适应度J为：
Figure BDA0002429556940000071
其中，m为网络的输出层节点数量；
Qjk为网络期望值：
Yjk为jk处的网络实际输出值；
n为网络训练样本数量；
j(下标符号)为网络的输出节点标号；
k(下标符号)为网络训练样本的标号。

Claims (7)

1.一种基于电动汽车用电行为的电池信息预测系统，其特征在于：包括车载电池信息采集单元、主控单元和上位机；所述车载电池信息采集单元用于采集车载电池的信息，并将信息传给主控单元；所述主控单元用于控制所述车载电池信息采集单元，并将接收的车载电池信息传给上位机；所述上位机通过对接收到的信息进行处理分析，实现对车载电池SOC的实时预测功能。
2.根据权利要求1所述的基于电动汽车用电行为的电池信息预测系统，其特征在于：所述的车载电池信息采集单元包括库仑计，所述库仑计与车载电池连接，测量车载电池的电流、电量数据。
3.根据权利要求1所述的基于电动汽车用电行为的电池信息预测系统，其特征在于：所述的上位机系统包括车载电池SOC预测模块；所述车载电池SOC预测模块通过采集车载电池的电流、电压和温度信息，预测电池SOC。
4.根据权利要求3所述的基于电动汽车用电行为的电池信息预测系统，其特征在于：所述的车载电池SOC预测模块为神经网络模型。
5.根据权利要求4所述的基于电动汽车用电行为的电池信息预测系统，其特征在于：所述的车载电池SOC预测模块为经过蝙蝠-粒子群算法优化的神经网络模型。
6.一种基于电动汽车用电行为的电池信息预测方法，包括：
构建电池SOC预测神经网络模型；
通过采集到的电池的电压、电流和温度信息，预测电池SOC；其特征在于：所述的电池SOC预测神经网络模型采用蝙蝠-粒子群算法进行优化处理。
7.根据权利要求6所述的基于电动汽车用电行为的电池信息预测方法，其特征在于：
采用蝙蝠-粒子群算法对神经网络的权值、阈值进行优化处理；
将优化处理的网络权值、阈值作为网络的初始权值与阈值，通过网络训练获得适用于BP神经网络的最优参数与适应度，得到电池SOC预测模型。
CN202010232018.XA 2020-03-27 2020-03-27 一种基于电动汽车用电行为的电池信息预测系统及方法 Pending CN111563826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010232018.XA CN111563826A (zh) 2020-03-27 2020-03-27 一种基于电动汽车用电行为的电池信息预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010232018.XA CN111563826A (zh) 2020-03-27 2020-03-27 一种基于电动汽车用电行为的电池信息预测系统及方法

Publications (1)

Publication Number Publication Date
CN111563826A true CN111563826A (zh) 2020-08-21

Family

ID=72070297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010232018.XA Pending CN111563826A (zh) 2020-03-27 2020-03-27 一种基于电动汽车用电行为的电池信息预测系统及方法

Country Status (1)

Country Link
CN (1) CN111563826A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850016A (zh) * 2021-08-16 2021-12-28 国网江苏省电力有限公司技能培训中心 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法
TWI762394B (zh) * 2021-07-30 2022-04-21 新唐科技股份有限公司 充電控制系統及其方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
CN204789949U (zh) * 2015-07-21 2015-11-18 桂林电子科技大学 电动汽车动力电池soc检测装置
CN107367693A (zh) * 2017-07-07 2017-11-21 淮阴工学院 一种电动汽车动力电池soc检测系统
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN108988476A (zh) * 2018-07-25 2018-12-11 中国电子科技集团公司第二十八研究所 一种车载式模块化综合电源系统
KR102065120B1 (ko) * 2018-09-27 2020-02-11 경북대학교 산학협력단 신경회로망 기반 배터리 잔존량 추정방법 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
CN204789949U (zh) * 2015-07-21 2015-11-18 桂林电子科技大学 电动汽车动力电池soc检测装置
CN107367693A (zh) * 2017-07-07 2017-11-21 淮阴工学院 一种电动汽车动力电池soc检测系统
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN108988476A (zh) * 2018-07-25 2018-12-11 中国电子科技集团公司第二十八研究所 一种车载式模块化综合电源系统
KR102065120B1 (ko) * 2018-09-27 2020-02-11 경북대학교 산학협력단 신경회로망 기반 배터리 잔존량 추정방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔维德: "用于电动汽车电池SOC预测的BP神经网络模型" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI762394B (zh) * 2021-07-30 2022-04-21 新唐科技股份有限公司 充電控制系統及其方法
CN113850016A (zh) * 2021-08-16 2021-12-28 国网江苏省电力有限公司技能培训中心 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法
CN113850016B (zh) * 2021-08-16 2024-04-05 国网江苏省电力有限公司技能培训中心 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法

Similar Documents

Publication Publication Date Title
WO2023000985A1 (zh) 燃料电池的剩余寿命预测方法及装置
CN102306949B (zh) 传感器网络节点能量自供给方法和装置
CN108879947A (zh) 一种基于深度学习算法的分布式光伏发电控制管理系统
CN103730707A (zh) 电动汽车恒温电池箱及其热管理控制方法
CN100459368C (zh) 动力型电池组均衡放电控制方法及装置
CN111563826A (zh) 一种基于电动汽车用电行为的电池信息预测系统及方法
Yan et al. Predicting for power battery SOC based on neural network
CN107202918B (zh) 一种动载荷电动力无人机有效作业能耗评价方法
CN109507598A (zh) 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法
CN107800172A (zh) 一种电动汽车电池模组的数据采集系统
CN113206508A (zh) 基于预测的微电网储能电池主动均衡方法
CN201194025Y (zh) 一种用于混合动力汽车电池性能检测装置
CN105098923A (zh) 一种可实现电池均衡的电池组充电方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN117498555A (zh) 一种基于云边融合的储能电站智能运维系统
CN110994656A (zh) 一种评估电网对电动汽车接纳能力的方法
Geng et al. SOC Prediction of power lithium battery using BP neural network theory based on keras
CN109768595A (zh) 一种串联电池组双电压混合均衡控制方法
CN117353355A (zh) 一种计及电动汽车调控潜力的含风电系统优化调度方法
CN111968008A (zh) 基于多能协作的综合能源监控系统及方法
CN109004642B (zh) 用于平抑分布式电源功率波动的配网分布式储能评价方法
CN116340753A (zh) 一种考虑非电气特征量的分布式能源区域的能源监测方法
CN110852495A (zh) 一种分布式储能电站选址方法
CN214124859U (zh) 一种用于锂电池的电池管理系统
CN204945219U (zh) 一种基于ltc6803的燃料电池单片电压巡检系统

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