CN112098845B - 一种用于分布式储能系统的锂电池状态估计方法 - Google Patents
一种用于分布式储能系统的锂电池状态估计方法 Download PDFInfo
- Publication number
- CN112098845B CN112098845B CN202010826666.8A CN202010826666A CN112098845B CN 112098845 B CN112098845 B CN 112098845B CN 202010826666 A CN202010826666 A CN 202010826666A CN 112098845 B CN112098845 B CN 112098845B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- state
- energy storage
- distributed energy
- battery
- 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
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]
- G01R31/385—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种用于分布式储能系统的锂电池状态估计方法,属于锂离子电池应用领域。该方法包括采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态;通过信息交互同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。本发明在不增加系统硬件成本的前提下,通过信息交互,为SOC估计提供了准确的锂电池容量,同时为大数据SOH估计模型提供了训练样本;进而提高了系统中锂电池SOC与SOH的估计精度,便于后续有效完成系统的能量管理与调度。
Description
技术领域
本发明涉及锂离子电池应用领域,具体涉及一种用于分布式储能系统的锂电池状态估计方法。
背景技术
近年,随着新能源汽车的快速发展,锂离子电池技术也得到了显著提升,其能量密度逐年提升,价格却在不断下降,是未来极具潜力的电力储能元件。当前大规模的锂电池储能应用仍然有一定困难,在安全性、成本等各方面面临着一系列挑战。将分散的储能单元联合调度,是充分发挥分布式储能在电力系统中应用价值的重要手段。
在此应用场景下,精确的锂电池荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH)仍然是实现高效调度的必备参数。目前,储能单元对锂电池SOC及SOH的估计仅依赖于各分布式储能单元自身配备的电池管理系统(Battery ManagementSystem,BMS),而所配备的BMS由于受成本制约,处理器并不具备强大的计算能力,仅能运行复杂度相对较低的算法,导致BMS对锂电池的SOC及SOH估计精度有限。
发明内容
针对现有技术中的上述不足,本发明提供了一种用于分布式储能系统的锂电池状态估计方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种用于分布式储能系统的锂电池状态估计方法,包括以下步骤:
S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;
S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态;
S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互,同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。
优选地,所述步骤S1具体包括:
针对各个分布式储能单元的锂电池进行离线加速老化测试,采集锂电池充电过程中的电流、电压和温度数据作为训练样本,采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。
优选地,所述锂电池健康状态估计模型的训练方法为:
S11、初始化模型参数,所述模型参数包括学习率η,惯量β,隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh,输出层权重系数Wo、bo;
S12、计算前向传播参数,表示为:
rt=σ(Wr[ht-1,xt]+br)
zt=σ(Wz[ht-1,xt]+bz)
yt=Woht+bo
其中,表示元素相乘运算,σ(x)、tanh(x)为激活函数,xt为神经网络t时刻的输入,ht'为临时的隐含层输出,ht为隐含层t时刻的输出,zt为更新门在t时刻的输出,rt为重置门在t时刻的输出,yt为神经网络的输出;
S13、更新输出层权重系数,表示为:
Wo,t=Wo,t-1+ΔWo,t
bo,t=bo,t-1+Δbo,t
其中,fcost(x)为损失函数,Wo,t与bo,t分别为t时刻输出层的权重系数与偏置,ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量,η为学习率,β为动量系数,与分别为权重系数与偏置的梯度;
S14、更新隐含层权重系数,表示为:
Wz,t=Wz,t-1+ΔWz,t
Wr,t=Wr,t-1+ΔWr,t
Wh,t=Wh,t-1+ΔWh,t
Wx,t=Wx,t-1+ΔWx,t
S15、重复步骤S12至S14,直至满足预设训练截止条件。
优选地,所述步骤S2具体包括:
利用锂电池的二阶等效电路模型的输出电压与电池端电压测量值形成偏差,将该偏差作为扩展卡尔曼滤波器的输入,计算锂电池荷电状态估计的校正偏差,进而实时估计分布式储能单元管理系统的锂电池荷电状态。
优选地,所述锂电池的二阶等效电路模型的状态空间方程表示为:
其中,D=R0,T2为采样时间,R0、R1、C1、R2、C2为锂电池的二阶等效电路模型参数,QBat为电池的容量,Qk、Rk为噪声协方差,Xk=[U1,U2,SOC]为k时刻的状态量,Xk+1为k+1时刻的状态量,Yk+1为k+1时刻的观测值,且Yk+1=Uk+1,uk为输入值,且uk=Ik,Uk、Ik为电压、电流的测量值,U1、U2分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。
优选地,所述扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为:
S21、状态预测,表示为:
Xk+1|k=A·Xk+B·uk
S22、协方差预测,表示为:
Pk+1|k=A·Xk·A+Qk
S23、计算卡尔曼增益矩阵,表示为:
Kk=Pk+1|k·CT·(C·Pk+1|k·CT+Rk)-1
S24、状态估计,表示为:
S25、协方差估计,表示为:
Pk+1=(I-Kk·C)·Pk+1|k
优选地,所述步骤S3具体包括:
将数据调度中心与分布式储能单元电池管理系统进行信息交互,按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统,更新锂电池荷电状态估计过程中的电池容量;同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心,同步更新锂电池健康状态估计模型。
优选地,所述分布式储能单元电池管理系统更新锂电池荷电状态估计过程中的电池容量的公式为:
QBat=SOH·(QNew-QEoL)+QEoL
其中,QBat为电池容量,SOH为电池健康状态,QNew为全新电池的容量,QEoL为寿命终点的电池容量。
本发明具有以下有益效果:
本发明通过协同数据调度中心与分布式储能单元的BMS,联合基于深度学习的锂电池健康状态估计模型与分布式储能单元管理系统的锂电池荷电状态估计算法,在不增加系统硬件成本的前提下,通过信息交互,为SOC估计提供了准确的锂电池容量,同时为大数据SOH估计模型提供了训练样本;进而提高了系统中锂电池SOC与SOH的估计精度,便于后续有效完成系统的能量管理与调度。
附图说明
图1为本发明实施例中分布式储能单元调度系统结构示意图;
图2为本发明的用于分布式储能系统的锂电池状态估计方法流程示意图;
图3为本发明实施例中锂电池状态估计方法框架图;
图4为本发明实施例中隐含层GRU的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
分布式储能单元统一调度需要依赖具备强大计算能力的数据调度中心,而各储能单元自身的BMS也具有一定的计算能力,且两者以无线通信的方式互联,实现信息交换,整体系统如图1所示。
为此,本发明综合数据调度中心与分布式储能单元BMS的特点,在不增加系统硬件成本的前提下,提出了一种用于分布式储能系统的锂电池状态估计方法。该方法通过利用数据中心的强大计算能力,使用门控循环单元循环神经网络(Gate Recurrent Unit-Recurrent Neural Network,GRU-RNN)建立基于深度学习的锂电池SOH估计模型,该模型运行于数据中心;同时,各储能单元的BMS使用扩展卡尔曼滤波与二阶等效电路模型,实时估计各储能单元锂电池的SOC;在此基础上,通过数据调度中心与BMS的信息交换,定期将由大数据计算获得的电池SOH信息提供给BMS,更新SOC估计过程中的电池容量,与此同时,将BMS记录历史数据打包上传至大数据中心,方便数据中心及时更新大数据估计模型。锂电池老化与多种外部因素密切相关,本发明有效利用了数据调度中心的计算能力及BMS记录的历史数据,运用大数据方法实现了锂电池SOH的精确估计,并更新了BMS估计锂电池SOC所需要的电池容量,也提高了锂电池SOC估计的精度。
如图2和图3所示,本发明实施例提供的一种用于分布式储能系统的锂电池状态估计方法,包括以下步骤S1至S3:
S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;
在本实施例中,为了获取统一的时序序列,本发明针对各个分布式储能单元的锂电池进行离线加速老化测试,采集锂电池充电过程中的电流、电压和温度数据作为训练样本,采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。
上述门控循环单元循环神经网络中隐含层的GRU结构如图4所示,主要包含t时刻的输入xt,t时刻的隐含层输出ht,t时刻的输出yt。
定义输入充电数据为x=[U,I,T],其中,U=[U1,U2,…,Ut,…,Un],I=[I1,I2,…,It,…,In],T=[T1,T2,…,Tt,…,Tn];输出yt为锂电池的SOH。
锂电池健康状态估计模型的训练方法为:
S11、初始化模型参数,所述模型参数包括学习率η,惯量β,隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh,输出层权重系数Wo、bo;
S12、计算前向传播参数,表示为:
rt=σ(Wr[ht-1,xt]+br)
zt=σ(Wz[ht-1,xt]+bz)
yt=Woht+bo
其中,表示元素相乘运算,xt为神经网络t时刻的输入,ht'为临时的隐含层输出,ht为隐含层t时刻的输出,zt为更新门在t时刻的输出,rt为重置门在t时刻的输出,yt为神经网络的输出;σ(x)、tanh(x)为激活函数,具体为:
Wo,t=Wo,t-1+ΔWo,t
bo,t=bo,t-1+Δbo,t
其中,fcost(x)为损失函数,Wo,t与bo,t分别为t时刻输出层的权重系数与偏置,ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量,η为学习率,β为动量系数,与分别为权重系数与偏置的梯度;
S14、更新隐含层权重系数,更新过程表示为:
Wz,t=Wz,t-1+ΔWz,t
Wr,t=Wr,t-1+ΔWr,t
Wh,t=Wh,t-1+ΔWh,t
Wx,t=Wx,t-1+ΔWx,t
S15、重复步骤S12至S14,直至满足预设训练截止条件。
通过以上步骤即可获得基于深度学习的锂电池SOH估计模型。
S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态;
在本实施例中,本发明综合考虑算法的复杂度与精确性,采用锂电池的二阶等效电路模型,联合扩展卡尔曼滤波算法,实现分布式储能单元BMS的锂电池SOC估计。
具体而言,本发明利用锂电池的二阶等效电路模型的输出电压U2RC与电池端电压测量值Ut形成偏差ΔU,将该偏差ΔU作为扩展卡尔曼滤波器的输入,计算锂电池荷电状态估计的校正偏差ΔSOC,进而实时估计分布式储能单元管理系统的锂电池荷电状态。
在分布式储能单元中,定义状态为X=[U1,U2,SOC]T,Y=Ut及u=It,则由锂电池的2RC等效电路模型可得如下状态空间方程,表示为:
其中,D=R0,T2为采样时间,R0、R1、C1、R2、C2为锂电池的二阶等效电路模型参数,QBat为电池的容量,Qk、Rk为噪声协方差,Xk=[U1,U2,SOC]为k时刻的状态量,Xk+1为k+1时刻的状态量,Yk+1为k+1时刻的观测值,且Yk+1=Uk+1,uk为输入值,且uk=Ik,Uk、Ik为电压、电流的测量值,U1、U2分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。利用多项式拟合OCV-SOC之间的关系得到Uocv=f(SOC)。
基于以上状态空间方程,本发明利用扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为:
S21、状态预测,表示为:
Xk+1|k=A·Xk+B·uk
S22、协方差预测,表示为:
Pk+1|k=A·Xk·A+Qk
S23、计算卡尔曼增益矩阵,表示为:
Kk=Pk+1|k·CT·(C·Pk+1|k·CT+Rk)-1
S24、状态估计,表示为:
S25、协方差估计,表示为:
Pk+1=(I-Kk·C)·Pk+1|k
通过以上步骤即可完成卡尔曼滤波的计算过程,实现分布式储能单元锂电池SOC的估计。
S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互,同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。
在本实施例中,步骤S3具体包括:
将数据调度中心与分布式储能单元电池管理系统进行信息交互,按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统,更新锂电池荷电状态估计过程中的电池容量;同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心,同步更新锂电池健康状态估计模型。
步骤S2中的锂电池状态空间方程中,包含电池容量QBat作为模型参数。因此,为获得更为准确的锂电池SOC,本发明以第一周期t1从数据调度中心传输锂电池SOH到分布式储能单元。
各分布式储能单元根据锂电池SOH估计模型估计的锂电池健康状态信息,计算电池容量,表示为:
QBat=SOH·(QNew-QEoL)+QEoL
其中,QBat为电池容量,SOH为电池健康状态,QNew为全新电池的容量,QEoL为寿命终点的电池容量。
与此同时,各分布式储能单元也可以将自身收集的锂电池组日常历史数据,以第二周期t2上传至数据调度中心。当数据调度中心收集足够多的数据后,可以重新训练GRU-RNN模型,提高SOH估计的精度。第一周期t1与第二周期t2可以根据实际情况灵活选取。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种用于分布式储能系统的锂电池状态估计方法,其特征在于,包括以下步骤:
S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;
S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态,具体包括:
利用锂电池的二阶等效电路模型的输出电压与电池端电压测量值形成偏差,将该偏差作为扩展卡尔曼滤波器的输入,计算锂电池荷电状态估计的校正偏差,进而实时估计分布式储能单元管理系统的锂电池荷电状态;
S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互,同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。
2.根据权利要求1所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述步骤S1具体包括:
针对各个分布式储能单元的锂电池进行离线加速老化测试,采集锂电池充电过程中的电流、电压和温度数据作为训练样本,采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。
3.根据权利要求2所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述锂电池健康状态估计模型的训练方法为:
S11、初始化模型参数,所述模型参数包括学习率η,惯量β,隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh,输出层权重系数Wo、bo;
S12、计算前向传播参数,表示为:
rt=σ(Wr[ht-1,xt]+br)
zt=σ(Wz[ht-1,xt]+bz)
yt=Woht+bo
其中,表示元素相乘运算,σ(x)、tanh(x)为激活函数,xt为神经网络t时刻的输入,ht'为临时的隐含层输出,ht为隐含层t时刻的输出,zt为更新门在t时刻的输出,rt为重置门在t时刻的输出,yt为神经网络的输出;
S13、更新输出层权重系数,表示为:
Wo,t=Wo,t-1+ΔWo,t
bo,t=bo,t-1+Δbo,t
其中,fcost(x)为损失函数,Wo,t与bo,t分别为t时刻输出层的权重系数与偏置,ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量,η为学习率,β为动量系数,与分别为权重系数与偏置的梯度;
S14、更新隐含层权重系数,表示为:
Wz,t=Wz,t-1+ΔWz,t
Wr,t=Wr,t-1+ΔWr,t
Wh,t=Wh,t-1+ΔWh,t
Wx,t=Wx,t-1+ΔWx,t
S15、重复步骤S12至S14,直至满足预设训练截止条件。
5.根据权利要求4所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为:
S21、状态预测,表示为:
Xk+1|k=A·Xk+B·uk
S22、协方差预测,表示为:
Pk+1|k=A·Xk·A+Qk
S23、计算卡尔曼增益矩阵,表示为:
Kk=Pk+1|k·CT·(C·Pk+1|k·CT+Rk)-1
S24、状态估计,表示为:
S25、协方差估计,表示为:
Pk+1=(I-Kk·C)·Pk+1|k
6.根据权利要求5所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述步骤S3具体包括:
将数据调度中心与分布式储能单元电池管理系统进行信息交互,按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统,更新锂电池荷电状态估计过程中的电池容量;同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心,同步更新锂电池健康状态估计模型。
7.根据权利要求6所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述分布式储能单元电池管理系统更新锂电池荷电状态估计过程中的电池容量的公式为:
QBat=SOH·(QNew-QEoL)+QEoL
其中,QBat为电池容量,SOH为电池健康状态,QNew为全新电池的容量,QEoL为寿命终点的电池容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826666.8A CN112098845B (zh) | 2020-08-17 | 2020-08-17 | 一种用于分布式储能系统的锂电池状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826666.8A CN112098845B (zh) | 2020-08-17 | 2020-08-17 | 一种用于分布式储能系统的锂电池状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098845A CN112098845A (zh) | 2020-12-18 |
CN112098845B true CN112098845B (zh) | 2021-08-31 |
Family
ID=73754253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826666.8A Active CN112098845B (zh) | 2020-08-17 | 2020-08-17 | 一种用于分布式储能系统的锂电池状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098845B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881930B (zh) * | 2021-01-19 | 2023-07-18 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
CN113093014B (zh) * | 2021-03-31 | 2022-05-27 | 山东建筑大学 | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 |
CN113190969B (zh) * | 2021-04-07 | 2022-02-11 | 四川大学 | 一种基于信息评估机制的锂电池模型参数辨识方法 |
CN113009349B (zh) * | 2021-04-09 | 2024-01-05 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
CN113759258B (zh) * | 2021-08-30 | 2023-08-08 | 重庆长安汽车股份有限公司 | 一种动力电池soc估计方法、装置及纯电动汽车 |
CN113687242A (zh) * | 2021-09-29 | 2021-11-23 | 温州大学 | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 |
CN116068449B (zh) * | 2023-03-23 | 2023-07-14 | 中国科学技术大学 | 一种物理模型约束深度神经网络的锂电池评估系统及方法 |
CN116736150B (zh) * | 2023-08-16 | 2023-11-03 | 杭州高特电子设备股份有限公司 | 一种电池异常检测方法、电池系统和计算机程序 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104348205A (zh) * | 2013-07-31 | 2015-02-11 | 杭州锂软科技有限公司 | 一种基于soc-soh分布式bms系统 |
CN103616647B (zh) * | 2013-12-09 | 2016-03-02 | 天津大学 | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 |
EP3298673A4 (en) * | 2015-05-21 | 2019-05-22 | Robert Bosch GmbH | INTEGRATION OF BATTERY MANAGEMENT SYSTEM AND BATTERY CHARGER |
CN106772064B (zh) * | 2016-11-25 | 2019-05-28 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
CN106828150A (zh) * | 2016-12-31 | 2017-06-13 | 惠州市蓝微新源技术有限公司 | 一种分立式电池管理系统 |
CN109272657A (zh) * | 2017-07-17 | 2019-01-25 | 周锡卫 | 一种基于可移动储能蓄电供电电动汽车充电系统及运行方法 |
KR102637735B1 (ko) * | 2018-01-09 | 2024-02-19 | 삼성전자주식회사 | 근사 곱셈기를 구비하는 뉴럴 네트워크 처리 장치 및 이를 포함하는 시스템온 칩 |
CN108445401A (zh) * | 2018-02-09 | 2018-08-24 | 深圳市鹏诚新能源科技有限公司 | 电池荷电状态soc的在线估计方法、电子装置及存储介质 |
WO2019193471A1 (ja) * | 2018-04-06 | 2019-10-10 | 株式会社半導体エネルギー研究所 | 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム |
US10819968B2 (en) * | 2018-07-31 | 2020-10-27 | Intel Corporation | Neural network based patch blending for immersive video |
CN110222431B (zh) * | 2019-06-11 | 2022-04-12 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
-
2020
- 2020-08-17 CN CN202010826666.8A patent/CN112098845B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112098845A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098845B (zh) | 一种用于分布式储能系统的锂电池状态估计方法 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
US20220271549A1 (en) | Neural network state-of-charge estimation | |
Yang et al. | A novel method on estimating the degradation and state of charge of lithium-ion batteries used for electrical vehicles | |
CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
CN106772094A (zh) | 一种基于参数自适应的电池模型的soc估计方法 | |
CN107589379A (zh) | 一种在线估计锂电池soc和阻抗的方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
Shrivastava et al. | Model‐based state of X estimation of lithium‐ion battery for electric vehicle applications | |
CN106405434A (zh) | 电池荷电状态的估计方法 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN111098755A (zh) | 一种电动汽车动力电池soc估计方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN106291376A (zh) | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 | |
CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 | |
CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
CN111948539A (zh) | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 | |
CN108646191A (zh) | 一种基于dafekf的电池荷电状态估计方法 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |