CN111983478A - 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 - Google Patents
一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 Download PDFInfo
- Publication number
- CN111983478A CN111983478A CN202010644018.0A CN202010644018A CN111983478A CN 111983478 A CN111983478 A CN 111983478A CN 202010644018 A CN202010644018 A CN 202010644018A CN 111983478 A CN111983478 A CN 111983478A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- energy storage
- storage power
- electrochemical energy
- 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
- 238000012983 electrochemical energy storage Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012731 temporal analysis Methods 0.000 claims abstract description 7
- 238000000700 time series analysis Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002354 daily effect Effects 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 5
- 229910021417 amorphous silicon Inorganic materials 0.000 claims description 3
- 210000000352 storage cell Anatomy 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims 2
- 101000939500 Homo sapiens UBX domain-containing protein 11 Proteins 0.000 claims 1
- 102100029645 UBX domain-containing protein 11 Human genes 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- HTIQEAQVCYTUBX-UHFFFAOYSA-N amlodipine Chemical compound CCOC(=O)C1=C(COCCN)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1Cl HTIQEAQVCYTUBX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法，第一种异常情况检测步骤为：采集所述电化学储能电站历史运行状态的SOC数据；利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型；实时预测所述电化学储能电站SOC值；采集所述电化学储能电站当前SOC值；根据采集的实时SOC值与预测的SOC值的差值对SOC状态进行判定。第二种异常情况检测步骤为：获取所述电化学储能电站全站SOC值；获取所述电化学储能电站各单元SOC值；依次将各单元SOC值与电化学储能电站全站SOC值进行比较；计算各单元SOC的平均值，与电化学储能电站全站SOC值进行比较。本发明的两种的方法均能够及时发现电化学储能电站中发生的SOC异常。
Description
技术领域
本发明涉及电化学储能电站运行状态检测技术领域，具体涉及一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法。
背景技术
电力工业是国民经济的基础产业，储能是智能电网、能源互联网的重要组成部分和关键支撑技术。国民生活离不开电力的供应，储能技术是一项可能对未来能源系统发展及运行带来革命性变化的技术。为了缓解和应对不同时刻用电量不同所造成的用电压力，全国各地建立了电化学储能电站以调节峰谷用电问题。在众多储能技术中，技术进步最快的是电化学储能技术。
电化学储能具有使用方便、环境污染少，不受地域限制，在能量转换上不受卡诺循环限制、转化效率高、比能量和比功率高等优点。但是传统的电化学储能电站，因为通过人工管理的方式，导致管理效率低下，以及无法实时监控储能电站运行过程中SOC异常等问题。
发明内容
本发明的目的是针对电化学储能电站运行过程中无法实时监测SOC异常的情况，提出一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法。
本发明针对电化学储能电站运行过程中出现的SOC异常，主要考虑以下两种状况：
I、所述电化学储能电站各单元实时SOC值偏离每日运行计划；
II、所述电化学储能电站充放电过程中全站与各单元SOC值超过给定的闭锁值范围；
针对上述第I种异常情况，本发明所述检测方法包括如下步骤：
步骤1，采集所述电化学储能电站历史运行状态的SOC数据；
步骤2，利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型；
步骤3，利用所建立的Holt线性趋势模型，根据每日充放电计划及实时采集到的SOC值预测下一个时刻的SOC值；
步骤4，采集所述电化学储能电站当前SOC值；
步骤5，将所示电化学储能电站SOC值与预测模型的值进行比较，根据实际SOC值与预测的SOC值的差值对所述电化学储能电站SOC状态进行判定，若差值超过阈值则判定所述电化学储能电站当前处于SOC异常状态。
作为上述方案的进一步优化，所需要建立的SOC随时间变化的Holt线性趋势模型具体公式描述为：
式中，
公式第一行表示水平平滑方程；公式第二行表示趋势平滑方程；公式第三行表示预测方程；t表示当前时刻；h表示预测超前期数，也称为预测步长，这里我们取h为1和2来对预测的值进行修正；xt+h表示t+h时刻SOC值；xt表示当前时刻采集SOC值；lt表示t时刻的预估水平值；bt表示t时刻的预测趋势值；α表示水平平滑系数，其中，α的取值范围为[0,1]；β表示趋势平滑系数，其中，β的取值范围为[0,1]。
作为上述方案的进一步优化，利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型的步骤为：
步骤1，初始值的确定，水平平滑方程中预估水平值初值l1采用初值法进行确定，即l1＝x1；趋势平滑方程中预测趋势值初值b1采用平均值法进行确立，即
步骤2，平滑系数α、β值的确定，在建模的过程中，根据误差平方和最小的原则确定α、β的值，误差平方和函数表示为：
其中，xt为采集到的实际值，
为预测值，即使误差平方和函数f最小时，对应的α、β的值为最优参数；
步骤3，将步骤2求取的历史每一天的α、β的值求平均，得到当日Holt线性趋势模型的α、β值。
根据以上三个步骤，建立当日SOC随时间变化的Holt线性趋势模型。
作为上述方案的进一步优化，步骤1.5的具体过程为：
步骤4.1，根据历史数据确定Holt线性趋势模型中α、β的值；
步骤4.2，根据当日采集的前两个数据确定Holt线性趋势模型中预估水平值初值l1和预测趋势值初值b1；
步骤4.3，根据公式lt＝α·xt+(1-α)·(lt-1+bt-1)计算第t时刻的预估水平值lt；
步骤4.4，根据公式bt＝β·(lt-lt-1)+(1-β)·bt-1计算第t时刻预测趋势值bt；
步骤4.5，根据公式xt+h＝lt+h·bt,h＝1,2计算预测值xt+h；
步骤4.6，将第(t-1)时刻预测的x(t-1)+2的值与第t时刻预测的xt+1的值取平均，作为预测的
的值；
步骤4.7，采集xt+1的实测值，若实测值与预测值相差大于给定的阈值，则提示SOC异常，并记录相关的异常信息，若在正常范围内，则重复步骤4.3-步骤4.7直至预测结束。
针对上述第II种异常情况，本发明所述检测方法包括如下步骤：
步骤1，获取所述电化学储能电站全站SOC值；
步骤2，获取所述电化学储能电站各单元SOC值；
步骤3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常；
步骤4，计算各单元SOC的平均值，与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常。
作为上述方案的进一步优化，所述检测方法具体描述为：
步骤1，获取所述电化学储能电站全站SOC值Sa；
步骤2，获取所述电化学储能电站各单元SOC值Si(i＝1,2,3,…,n)，其中，i表示所述电化学储能电站的各储能单元；
步骤3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
Δ＝Sa-Si
步骤4，计算各单元SOC的平均值，各单元SOC的平均值
的计算公式为：
将各单元SOC的平均值
与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
当Δ或
的值超过5％时，断定电化学储能电站处于SOC异常状态。
本发明具有以下技术效果：本发明克服了传统的电化学储能电站因为通过人工管理的方式导致管理效率低下的问题，使得管理效率大大提高，同时本发明实时性好，能够根据建立的Holt线性趋势模型及实时采集的SOC数据值，预测未来SOC的变化情况，并根据预测的结果与实际采集到的结果进行比较，判断SOC是否发生异常，并及时、准确地记录并上报异常情况。
附图说明
图1为本发明针对第I种SOC异常检测方法运行流程框图；
图2为本发明针对第II种SOC异常检测方法运行流程框图；
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明：
如图1所示，为本发明公开的针对电化学储能电站各单元实时SOC值偏离每日运行计划异常检测方法的运行流程图，其运行步骤包括如下：
步骤1，采集所述电化学储能电站历史运行状态的SOC数据；
步骤2，利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型；
步骤3，利用所建立的Holt线性趋势模型，根据每日充放电计划及实时采集到的SOC值预测下一个时刻的SOC值；
步骤4，采集所述电化学储能电站当前SOC值；
步骤5，将所示电化学储能电站SOC值与预测模型的值进行比较，根据实际SOC值与预测的SOC值的差值对所述电化学储能电站SOC状态进行判定，若差值超过阈值则判定所述电化学储能电站当前处于SOC异常状态。
而根据所建立的Holt线性趋势模型，SOC预测及异常检测的步骤为：
步骤1，根据历史数据确定Holt线性趋势模型中α、β的值；
步骤2，根据当日采集的前两个数据确定Holt线性趋势模型中预估水平值初值l1和预测趋势值初值b1；
步骤3，根据公式lt＝α·xt+(1-α)·(lt-1+bt-1)计算第t时刻的预估水平值lt；
步骤4，根据公式bt＝β·(lt-lt-1)+(1-β)·bt-1计算第t时刻预测趋势值bt；
步骤5，根据公式xt+h＝lt+h·bt,h＝1,2计算预测值xt+h；
步骤6，将第(t-1)时刻预测的x(t-1)+2的值与第t时刻预测的xt+1的值取平均，作为预测的
的值；
步骤7，采集xt+1的实测值，若实测值与预测值相差大于给定的阈值，则提示SOC异常，并记录相关的异常信息，若在正常范围内，则重复步骤3-步骤7直至预测结束。
如图2所示，为本发明公开的针对电化学储能电站充放电过程中全站与各单元SOC值超过给定的闭锁值范围异常检测方法的运行流程图，其运行步骤包括如下：
步骤1，获取所述电化学储能电站全站SOC值；
步骤2，获取所述电化学储能电站各单元SOC值；
步骤3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常；
步骤4，计算各单元SOC的平均值，与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常。
作为上述方案的进一步优化，所述检测方法具体描述为：
步骤1，获取所述电化学储能电站全站SOC值Sa；
步骤2，获取所述电化学储能电站各单元SOC值Si(i＝1,2,3,…,n)，其中，i表示所述电化学储能电站的各储能单元；
步骤3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
Δ＝Sa-Si
步骤4，计算各单元SOC的平均值，各单元SOC的平均值
的计算公式为：
将各单元SOC的平均值
与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
当Δ或
的值超过5％时，断定电化学储能电站处于SOC异常状态。
综上，本发明的一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法，特别针对电化学储能电站各单元实时SOC值偏离每日运行计划和电化学储能电站充放电过程中全站与各单元SOC值超过给定的闭锁值范围两种异常情况给出了不同的检测方法。针对各单元实时SOC值偏离每日运行计划的检测方法，其步骤为：1、采集所述电化学储能电站历史运行状态的SOC数据；2、利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型；3、预测所述电化学储能电站当前的SOC值；4、采集所述电化学储能电站当前SOC值；5、根据实际SOC值与预测的SOC值对SOC状态进行判定。针对电化学储能电站充放电过程中全站与各单元SOC值超过给定的闭锁值范围的检测方法，其步骤为：1、获取所述电化学储能电站全站SOC值；2、获取所述电化学储能电站各单元SOC值；3、依次将各单元SOC值与电化学储能电站全站SOC值进行比较；4、计算各单元SOC的平均值，与电化学储能电站全站SOC值进行比较。本发明的两种的方法均能够及时发现电化学储能电站中发生的SOC异常。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法，其特征在于，包括以下步骤：
当电化学储能电站各单元实时SOC值偏离每日运行计划时，采用以下方法检测：
步骤1.1，采集所述电化学储能电站历史运行状态的SOC数据；
步骤1.2，利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型；
步骤1.3，利用所建立的Holt线性趋势模型，根据每日充放电计划及实时采集到的SOC值预测下一个时刻的SOC值；
步骤1.4，采集电化学储能电站当前SOC值；
步骤1.5，将所示电化学储能电站SOC值与预测模型的值进行比较，根据实际SOC值与预测的SOC值的差值对所述电化学储能电站SOC状态进行判定，若差值超过给定的阈值则判定所述电化学储能电站当前处于SOC异常状态；
当所述电化学储能电站充放电过程中全站与各单元SOC值超过给定的闭锁值范围时，采用以下方法检测：
步骤2.1，获取电化学储能电站全站SOC值Sa；
步骤2.2，获取电化学储能电站各单元SOC值Si(i＝1,2,3,…,n)，其中，i表示所述电化学储能电站的各储能单元；
步骤2.3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常；
步骤2.4，计算各单元SOC的平均值，与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常。
2.根据权利要求1所述的检测方法，其特征在于，所需要建立的SOC随时间变化的Holt线性趋势模型具体公式描述为：
式中，
公式第一行表示水平平滑方程；公式第二行表示趋势平滑方程；公式第三行表示预测方程；t表示当前时刻；h表示预测超前期数，也称为预测步长，这里我们取h为1和2来对预测的值进行修正；xt+h表示t+h时刻SOC值；xt表示当前时刻采集SOC值；lt表示t时刻的预估水平值；bt表示t时刻的预测趋势值；α表示水平平滑系数，其中，α的取值范围为[0，1]；β表示趋势平滑系数，其中，β的取值范围为[0，1]。
3.根据权利要求2所述的检测方法，其特征在于，利用时间序列分析算法建立SOC随时间变化的Holt线性趋势模型的步骤为：
步骤3.1，初始值的确定，水平平滑方程中预估水平值初值l1采用初值法进行确定，即l1＝x1；趋势平滑方程中预测趋势值初值b1采用平均值法进行确立，即
步骤3.2，平滑系数α、β值的确定，在建模的过程中，根据误差平方和最小的原则确定α、β的值，误差平方和函数表示为：
其中，xt为t时刻采集到的实际值，
为预测值，即使误差平方和函数f最小时，对应的α、β的值为最优参数；
步骤3.3，将步骤3.2求取的历史每一天的α、β的值求平均，得到当日Holt线性趋势模型的α、β值；
根据以上三个步骤，建立当日SOC随时间变化的Holt线性趋势模型。
4.根据权利要求2所述的检测方法，其特征在于，步骤1.5的具体过程为：
步骤4.1，根据历史数据确定Holt线性趋势模型中α、β的值；
步骤4.2，根据当日采集的前两个数据确定Holt线性趋势模型中预估水平值初值l1和预测趋势值初值b1；
步骤4.3，根据公式lt＝α·xt+(1-α)·(lt-1+bt-1)计算第t时刻的预估水平值lt；
步骤4.4，根据公式bt＝β·(lt-lt-1)+(1-β)·bt-1计算第t时刻预测趋势值bt；
步骤4.5，根据公式xt+h＝lt+h·bt，h＝1，2计算预测值xt+h；
步骤4.6，将第(t-1)时刻预测的x(t-1)+2的值与第t时刻预测的xt+1的值取平均，作为预测的
的值；
步骤4.7，采集xt+1的实测值，若实测值与预测值相差大于给定的阈值，则提示SOC异常，并记录相关的异常信息，若在正常范围内，则重复步骤4.3-步骤4.7直至预测结束。
5.根据权利要求1所述的检测方法，其特征在于，步骤1.3中，在得到步骤1.2所建立的Holt线性趋势模型之后，将当前SOC值代入Holt线性趋势模型中，求得所述电化学储能电站预测的SOC变化趋势。
6.根据权利要求1所述的检测方法，其特征在于，所述步骤2.3，依次将各单元SOC值与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
Δ＝Sa-Si。
7.根据权利要求6所述的检测方法，其特征在于，步骤2.4，计算各单元SOC的平均值，各单元SOC的平均值
的计算公式为：
将各单元SOC的平均值
与电化学储能电站全站SOC值进行比较，差值超过5％判定为SOC异常，差值的计算公式为：
当Δ或
的值超过5％时，断定电化学储能电站处于SOC异常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010644018.0A CN111983478A (zh) | 2020-07-07 | 2020-07-07 | 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010644018.0A CN111983478A (zh) | 2020-07-07 | 2020-07-07 | 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111983478A true CN111983478A (zh) | 2020-11-24 |
Family
ID=73439041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010644018.0A Pending CN111983478A (zh) | 2020-07-07 | 2020-07-07 | 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111983478A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268388A (zh) * | 2021-06-03 | 2021-08-17 | 沃太能源股份有限公司 | 储能系统的故障检测方法、装置、电子设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103323775A (zh) * | 2012-03-20 | 2013-09-25 | 北汽福田汽车股份有限公司 | 用于电池模块的平衡监控及测试系统 |
| CN105512447A (zh) * | 2014-09-26 | 2016-04-20 | 山西云智慧科技股份有限公司 | 一种基于Holt-Winters模型的公交客量预测方法 |
| CN106356908A (zh) * | 2015-07-17 | 2017-01-25 | 联创汽车电子有限公司 | 动力电池组及其构成的控制系统和控制方法 |
| CN106685749A (zh) * | 2015-11-09 | 2017-05-17 | 北京国双科技有限公司 | 网络流量的检验方法和装置 |
| CN107679666A (zh) * | 2017-10-13 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种基于Shapley值及经济发展的用电预测方法 |
| CN108196190A (zh) * | 2017-11-20 | 2018-06-22 | 上海理工大学 | 一种电池组在线故障诊断方法 |
| CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
| CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
| CN110401247A (zh) * | 2019-08-07 | 2019-11-01 | 贾明钋 | 一种电池主动均衡方法 |
| CN110712560A (zh) * | 2019-09-27 | 2020-01-21 | 东软睿驰汽车技术（沈阳）有限公司 | 异常处理方法、装置、设备及介质 |
-
2020
- 2020-07-07 CN CN202010644018.0A patent/CN111983478A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103323775A (zh) * | 2012-03-20 | 2013-09-25 | 北汽福田汽车股份有限公司 | 用于电池模块的平衡监控及测试系统 |
| CN105512447A (zh) * | 2014-09-26 | 2016-04-20 | 山西云智慧科技股份有限公司 | 一种基于Holt-Winters模型的公交客量预测方法 |
| CN106356908A (zh) * | 2015-07-17 | 2017-01-25 | 联创汽车电子有限公司 | 动力电池组及其构成的控制系统和控制方法 |
| CN106685749A (zh) * | 2015-11-09 | 2017-05-17 | 北京国双科技有限公司 | 网络流量的检验方法和装置 |
| CN107679666A (zh) * | 2017-10-13 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种基于Shapley值及经济发展的用电预测方法 |
| CN108196190A (zh) * | 2017-11-20 | 2018-06-22 | 上海理工大学 | 一种电池组在线故障诊断方法 |
| CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
| CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
| CN110401247A (zh) * | 2019-08-07 | 2019-11-01 | 贾明钋 | 一种电池主动均衡方法 |
| CN110712560A (zh) * | 2019-09-27 | 2020-01-21 | 东软睿驰汽车技术（沈阳）有限公司 | 异常处理方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王玉荣: "《商务预测方法》", 《对外经济贸易大学出版社》, pages: 30 * |
| 胡忠义: "《基于计算智能技术的电力负荷预测理论及应用》", 《武汉大学出版社》, 31 January 2019 (2019-01-31), pages 209 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268388A (zh) * | 2021-06-03 | 2021-08-17 | 沃太能源股份有限公司 | 储能系统的故障检测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023130776A1 (zh) | 储能电站电池工况健康状态预测方法及系统 | |
| Hu et al. | A review of second-life lithium-ion batteries for stationary energy storage applications | |
| CN111398833A (zh) | 一种电池健康状态评估方法和评估系统 | |
| CN103793752B (zh) | 一种基于退化建模的设备失效次数预测方法 | |
| CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN116418293B (zh) | 一种基于物联网大数据的光伏电站智慧诊断系统 | |
| CN115293372A (zh) | 基于多维度、多参量数值分析的光伏组串故障诊断方法 | |
| CN111983478A (zh) | 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN113392497B (zh) | 一种按地理区域度量光伏组件现场性能退化的方法 | |
| CN116304949A (zh) | 一种能耗历史数据的校准方法 | |
| CN117572241A (zh) | 一种基于扩展多维时间序列的锂电池故障分析方法 | |
| CN117406092A (zh) | 分散式模块化电池储能系统状态估计方法、装置及系统 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN107633271B (zh) | 电力系统稳态可用度非精确概率计算方法 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| CN116699435A (zh) | 基于机器学习方法识别电池组中的临界异常的方法和装置 | |
| CN113702842B (zh) | 一种纯电动汽车的续航里程估计方法 | |
| CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
| CN117991030B (zh) | 一种换电柜健康状态检测方法及系统 | |
| CN115358495B (zh) | 一种风电功率预测综合偏差率的计算方法 |
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: 20201124 |