CN112331941A - 云端辅助电池管理系统及方法 - Google Patents
云端辅助电池管理系统及方法 Download PDFInfo
- Publication number
- CN112331941A CN112331941A CN202011309107.6A CN202011309107A CN112331941A CN 112331941 A CN112331941 A CN 112331941A CN 202011309107 A CN202011309107 A CN 202011309107A CN 112331941 A CN112331941 A CN 112331941A
- Authority
- CN
- China
- Prior art keywords
- battery
- cloud
- management
- auxiliary
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 191
- 238000013178 mathematical model Methods 0.000 claims description 34
- 238000011217 control strategy Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 11
- 229910052744 lithium Inorganic materials 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
Abstract
本发明公开了一种云端辅助电池管理系统及方法,系统包括:片上电池管理子系统,经5G通信单元与电池辅助管理云平台通信连接,对电池进行运行管理,以及实时采集电池参数和运行时的电池运行数据并发送至电池辅助管理云平台,以及云平台发送的电池参数、电池状态综合估计结果和均衡策略对电池进行参数与状态校正和云端辅助电池均衡管理;电池辅助管理云平台,能接收片上电池管理子系统采集的电池参数和电池运行数据,根据采集的电池参数和电池运行数据对预先建立的电池模型进行估计得出电池状态综合估计结果,得出对应的均衡策略,并将电池参数、电池状态综合估计结果和均衡策略发送至片上电池管理子系统。能实现云端辅助对电池组进行精确管控。
Description
技术领域
本发明涉及动力电池管理领域,尤其涉及一种云端辅助电池管理系统及方法。
背景技术
锂电池作为一种清洁环保的储能器件,凭借其自放电率低、能量密度高、循环寿命长等优点,目前被广泛地应用于新能源汽车、微电网等领域。但作为储能系统的核心,锂电池通常无法单个使用,为了使系统的输出电压、功率和能量等级达到一定的要求,锂电池需要通过串并联的方式来提高电压与容量。但由于电池生产阶段的差异性,以及电池工作环境的差异性,通常会导致电池组中电池单体的运行状态的不一致性,这种不一致性给其安全问题带来了很大的挑战。目前都是通过锂电池管理系统(Battery Management System,BMS)对电池组进行管理,以实现电池模型参数与运行状态的准确估计,还需要制定高效的主动均衡策略,进而实现动力锂电池的安全、高效管理。
传统的锂电池管理系统大多是基于片上系统利用固定算法模式实现电池单元的管理与控制,受限于微处理器的处理能力,传统锂电池管理系统难以实现高复杂度算法部署以及大规模电池单元跟踪。同时,固定算法模式大多基于实验室数据进行参数标定与匹配,难以实现高准确性的要求。
发明内容
基于现有技术所存在的问题,本发明的目的是提供一种云端辅助电池管理系统及方法,能解决传统的锂电池管理系统大多是基于片上系统利用固定算法模式实现电池单元的管理与控制,所存在的难以实现高复杂度算法部署以及大规模电池单元跟踪以及难以实现高准确性的问题。
本发明的目的是通过以下技术方案实现的:
本发明实施方式提供一种云端辅助电池管理系统,包括:
片上电池管理子系统、5G通信单元和电池辅助管理云平台;其中,
所述片上电池管理子系统,通过所述5G通信单元与所述电池辅助管理云平台通信连接,能对电池进行运行管理,并实时采集运行时的电池运行数据并通过所述5G通信单元发送至所述电池辅助管理云平台,以及接收所述电池辅助管理云平台发送的电池模型参数和云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,及接收均衡控制策略对所述电池进行云端辅助电池均衡管理;
所述电池辅助管理云平台,能通过所述5G通信单元接收所述片上电池管理子系统采集的电池运行数据,根据采集的电池运行数据对预先建立的云端电池数学模型进行辨识确定电池模型参数,以及进行估计得出云端电池状态综合估计结果,根据所述云端电池状态综合估计结果得出对应的均衡控制策略,并将所述电池模型参数、云端电池状态综合估计结果和均衡控制策略发送至所述片上电池管理子系统。
本发明实施方式还提供一种云端辅助电池管理方法,采用本发明所述的云端辅助电池管理系统,包括以下步骤:
步骤S1,所述云端辅助电池管理系统的片上电池管理子系统对电池进行运行管理,并采集运行时的电池运行数据,通过所述云端辅助电池管理系统的5G通信单元将所述电池运行数据发送至所述云端辅助电池管理系统的电池辅助管理云平台;
步骤S2,所述电池辅助管理云平台接收所述5G通信单元上传的电池运行数据,对电池运行数据依次进行预处理和转换处理,并存储转换后的所述电池运行数据;
步骤S3,所述电池辅助管理云平台基于所述电池运行数据及预先建立的云端电池数学模型,以电池数学模型输出电压与实际电池输出电压差最小化为目标,利用遗传算法进行辨识确定电池数学模型的电池模型参数;
步骤S4,所述电池辅助管理云平台以存储的历史电池数学模型的电池模型参数和电池运行数据为输入,以电池状态评估为目标输出,训练长短时间记忆神经网络模型,利用训练后的所述长短时间记忆神经网络模型基于实时更新的电池模型参数和电池充放电实时数据和历史数据进行电池状态估计,得出精确的云端电池状态综合估计结果;
步骤S5,所述电池辅助管理云平台基于实时传输的电池运行数据和云端电池状态综合估计结果,得到输出反馈与状态反馈联合的双粒度的均衡控制策略;
步骤S6,所述电池辅助管理云平台将所述电池模型参数、所述云端电池状态综合估计结果和所述均衡控制策略发送至所述片上电池管理子系统,由所述片上电池管理子系统根据所述电池模型参数和所述云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,以及根据所述均衡控制策略进行云端辅助电池均衡管理。
由上述本发明提供的技术方案可以看出,本发明实施例提供的云端辅助电池管理系统及方法,其有益效果为:
通过以5G通信单元为载体,将片上电池管理子系统和电池辅助管理云平台连接起来,实现云端辅助电池管理,由于电池辅助管理云平台算力强且运算速度快,能快速、精确的进行电池状态估计,完成电池模型参数与运行状态的动态更新,提高系统的可靠性与安全性;由于基于电池电压数据以及云端电池状态估计数据,能实现输出反馈控制与状态反馈控制相结合,实现电池组的双粒度不一致性均衡管理,进而进一步提高不一致性均衡性能。伴随着车联网技术以及5G通信技术的快速发展,本发明的系统及方法能为新一代基于云端辅助的电池管理系统奠定基础。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的云端辅助电池管理系统的结构框图;
图2为本发明实施例提供的云端辅助电池管理系统采用的LSTM神经网络算法的示意图;
图3为本发明实施例提供的云端辅助电池管理方法的流程图;
图4为本发明实施例提供的云端辅助电池管理方法中识别电池模型参数的流程图;
图5为本发明实施例提供的云端辅助电池管理方法中制定均衡控制策略的流程图;
图中各标记对应的部件名称为:1-电池辅助管理云平台;11-电池模型参数与状态联合估计单元;12-云端辅助电池均衡管理单元;13-存储单元;2-片上电池管理子系统;21-检测单元;211-温度检测模块;212-电流检测模块;213-电压检测模块;22-控制单元;221-健康状态估计模块;222-电池荷电状态估计模块;223-均衡控制模块;3-5G通信单元。
具体实施方式
下面结合本发明的具体内容,对本发明实施例中的技术方案进行清楚、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,都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
如图1所示,本发明实施例提供一种云端辅助电池管理系统,是一种云端辅助对电池管理的协同控制系统,包括:
片上电池管理子系统、5G通信单元和电池辅助管理云平台;其中,
所述片上电池管理子系统,通过所述5G通信单元与所述电池辅助管理云平台通信连接,能对电池进行运行管理,并实时采集运行时的电池运行数据并通过所述5G通信单元发送至所述电池辅助管理云平台,以及接收所述电池辅助管理云平台发送的电池模型参数和云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,及接收均衡控制策略对所述电池进行云端辅助电池均衡管理;
所述电池辅助管理云平台,能通过所述5G通信单元接收所述片上电池管理子系统采集的电池运行数据,根据采集的电池运行数据对预先建立的云端电池数学模型进行辨识确定电池模型参数,以及进行估计得出云端电池状态综合估计结果,根据所述云端电池状态综合估计结果得出对应的均衡控制策略,并将所述电池模型参数、云端电池状态综合估计结果和均衡控制策略发送至所述片上电池管理子系统。
上述系统中,制定的均衡控制策略是一种均衡控制方式,能对电池进行均衡控制。
上述系统中,所述电池辅助管理云平台包括:
存储单元、电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元;其中,
所述存储单元,经所述5G通信单元与所述片上电池管理子系统通信连接,能存储所述片上电池管理子系统发来的电池运行数据,以及分别与所述电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元连接,能存储所述电池模型参数与状态联合估计单元得出的电池模型参数和云端电池状态综合估计结果,以及所述云端辅助电池均衡管理单元得出的均衡控制策略,并经所述5G通信单元将所述电池模型参数、云端电池状态综合估计结果和均衡控制策略发送至所述片上电池管理子系统;
所述电池模型参数与状态联合估计单元,分别与所述存储单元和云端辅助电池均衡管理单元通信连接,能根据从所述存储单元获取的所述电池运行数据,对预先建立的云端电池数学模型进行辨识确定电池模型参数以及进行估计得出云端电池状态综合估计结果,并存储至所述存储单元;
所述云端辅助电池均衡管理单元,能根据接收的所述电池数学模型参数与状态联合估计单元输出的云端电池状态综合估计结果,得出对应的均衡控制策略,并存储至所述存储单元。
上述系统中,所述电池辅助管理云平台还包括:
可视化终端,分别与所述电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元通信连接,能可视化展示电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元的输出结果。
上述系统中,所述片上电池管理子系统包括:检测单元和控制单元;
其中,所述检测单元,分别与所述5G通信单元和所述控制单元通信连接,能实时采集运行时的电池运行数据,并通过所述5G通信单元发送至所述电池辅助管理云平台;
所述控制单元,分别与所述5G通信单元和所述检测单元通信连接,能对电池进行运行管理以及接收所述电池辅助管理云平台经所述5G通信单元发送的电池模型参数和云端电池状态综合估计结果,对已建立的片上电池数据模型进行参数与状态校正,以及接收均衡控制策略对电池进行云端辅助电池均衡管理。
上述的片上电池管理子系统中,检测单元包含:温度检测模块、电流检测模块和电压检测模块等,这些模块可采用对应功能的传感器。控制单元包含:健康状态估计模块、电池荷电状态估计模块和均衡控制模块等。
上述的片上电池管理子系统中的片上电池数据模型为对电池进行评估设置的,用于映射物理电池进行评估的数学模型。
上述系统中,所述5G通信单元包括:5G模块和定位模块,能进行实时数据传输和获取定位信息。
如图3至图5所示,本发明实施例还提供一种云端辅助电池管理方法,采用上述的云端辅助电池管理系统,包括以下步骤:
步骤S1,所述云端辅助电池管理系统的片上电池管理子系统对电池进行运行管理,并采集运行时的电池运行数据,通过所述云端辅助电池管理系统的5G通信单元将所述电池运行数据发送至所述云端辅助电池管理系统的电池辅助管理云平台;
步骤S2,所述电池辅助管理云平台接收所述5G通信单元上传的电池运行数据,对电池运行数据依次进行预处理和转换处理,并存储转换后的所述电池运行数据;
步骤S3,所述电池辅助管理云平台基于所述电池运行数据及预先建立的云端电池数学模型,以电池数学模型输出电压与实际电池输出电压差最小化为目标,利用遗传算法进行辨识确定电池数学模型的电池模型参数;
步骤S4,所述电池辅助管理云平台以存储的历史电池数学模型的电池模型参数和电池运行数据为输入,以电池状态评估为目标输出,训练长短时间记忆神经网络模型,利用训练后的所述长短时间记忆神经网络模型基于实时更新的电池模型参数和电池充放电实时数据和历史数据进行电池状态估计,得出精确的云端电池状态综合估计结果;
步骤S5,所述电池辅助管理云平台基于实时传输的电池运行数据和云端电池状态综合估计结果,得到输出反馈与状态反馈联合的双粒度的均衡控制策略;
步骤S6,所述电池辅助管理云平台将所述电池模型参数、所述云端电池状态综合估计结果和所述均衡控制策略发送至所述片上电池管理子系统,由所述片上电池管理子系统根据所述电池模型参数和所述云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,以及根据所述均衡控制策略进行云端辅助电池均衡管理。
上述方法的步骤S3中,所述电池辅助管理云平台中预先建立的云端电池数学模型为锂电池准二维模型、简化的单粒子模型、等效电路模型中的任一种。
上述方法的步骤S4中,所述利用训练后的所述长短时间记忆神经网络模型基于实时更新的模型参数和电池充放电实时数据和历史数据进行电池状态估计,得出精确的云端电池状态综合估计结果为:
所述云端电池状态综合估计结果为:电池的SOC、SOH、SOP、RUL中的至少一种。
进一步的,上述系统的电池辅助管理云平台中,电池模型参数与状态联合估计单元,包含:云端电池数学模型、云端电池模型参数识别模块、云端电池状态综合估计模块以及云端辅助的电池参数和状态校正模块;其中,云端电池数学模型可采用锂电池准二维模型(Pseudo-Two-Dimensions,P2D)、简化的单粒子模型以及等效电路模型等反应电池运行特性的诸多物理模型;电池模型参数识别模块可采用遗传算法、粒子群算法等优化算法;云端电池状态估计模块基于电池运行的实时/历史数据以及电池模型参数等,通过神经网络、粒子滤波、卡曼滤波等先进算法给出电池运行状态的精准评估;云端辅助的电池参数和状态校正模块包含但不局限于电池的电池荷电状态(State of Charge,SOC)估计、健康状态(State of Health,SOH)估计、功率状态(State of Power,SOP)估计及剩余寿命(Remaining Useful Life,RUL)估计等。
进一步地,上述电池辅助管理云平台中的云端辅助电池均衡管理单元,能基于电池电压以及高精度SOC估计,分别以最大SOC差与最大电压差为判断条件,制定相应的主动均衡管理策略,同时将均衡控制策略反馈至片上电池管理子系统,实现云端辅助的双粒度均衡控制管理。具体的,所述云端辅助电池均衡管理单元,通过部署于片上电池管理子系统的均衡电路拓扑以及基于云端大数据分析的均衡控制模块,通过云端精确的电池SOC评估结果以及电压状态制定电池的均衡控制策略,实时反馈至片上电池管理子系统,实现云端辅助电池均衡管理。
与现有技术相比,本发明至少具有以下有益效果:
(1)本发明采用能进行数据实时传输的5G通信单元为载体,将片上电池管理子系统和电池辅助管理云平台连接起来,实现云端辅助电池管理,完成电池模型参数与运行状态的动态更新,提高系统的可靠性与安全性;
(2)本发明以5G通信技术为基础,受益于其低延迟、高带宽的通信特性,可实现大规模电池单元的云端接入,与云端实时协控;
(3)本发明通过云端部署的云端电池数学模型配合大数据算法,可实现多电池单元的状态评估,具有高精度,高速率等优点;
(4)本发明基于电池电压数据以及云端SOC数据,将输出反馈控制与状态反馈控制相结合,实现电池组的双粒度不一致性均衡控制,进一步提高不一致性均衡性能。
下面对本发明实施例具体作进一步地详细描述。
本发明实施例提供的云端辅助电池管理系统,其系统结构框图如图1所示,包括:基于5G云平台的电池管理系统物理平台、基于云端实时/历史数据的电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元;
其中,基于5G云平台的电池管理系统物理平台主要包含:片上电池管理子系统、5G通信单元与辅助电池管理云平台;
具体来说,片上电池管理子系统采用双CPU的主、从机架构,从机负责电池运行状态信息检测,主机负责电池运行状态评估与均衡控制;5G通信单元负责数据的双向传输与实时定位;云计算平台负责数据的存储、计算与分析等。
所述的基于云端实时/历史数据的电池模型参数与状态联合估计单元,如图2、4所示,利用LSTM神经网络实现电池多状态评估、遗传算法实现辨识确定电池模型参数。
具体来说,LSTM神经网络是一种改进的循环神经网络,不仅具有很强的非线性建模能力,还可通过实时与历史数据共同作用确定当前的状态输出。如图2所示,LSTM神经网络以电池、电压以及温度作为输入,以电池SOC、SOH作为目标输出,基于云端存储的电池运行历史数据训练网络,实现高精度SOC与SOH评估。
遗传算法通过模拟自然进化规律搜索最优解,具有内在的隐并行性和全局寻优能力。如图4所示,针对建立于云端的云端电池数学模型,以模型预测电压与实际输出电压均方根误差最小化为寻优目标,自适应搜索参数空间,寻找与云端电池数学模型最优适配的电池模型参数。
所述的云端辅助电池均衡管理单元采用双粒度均衡算法,同时考虑电池组输出电压不一致性与内部状态不一致性,利用云端实时评估的电池SOC状态与电压数据,实现细粒度输出反馈控制与粗粒度状态反馈控制。
具体来说,电池组不一致性指标主要包含输出电压不一致性以及SOC不一致性,以输出电压不一致性指标制定的均衡管理策略称为输出反馈控制法,以SOC不一致性指标制定的均衡管理策略称为状态反馈控制法。由于电压传感器测量精度高、可靠性高等特点,传统BMS中大多采用输出反馈控制均衡管理策略,但是由于电池内阻的存在,单纯的电压不一致性指标难以衡量电池组内部不一致性状态,因此这类均衡方法的准确性与有效性不高。
如图5所示,本发明采用的双粒度均衡控制策略从输出电压不一致性与SOC不一致性两个角度出发,依赖云端对电池组每个电池单体的准确SOC估计,找出最大SOC差值及其相应的单体,若差值超过设定的阈值,则以5A电流实现SOCmax—>整体—>SOCmin的粗粒度均衡控制;若SOC最大差值满足限制条件,则进一步计算各电池单体最大输出电压差值及其相应单体,若差值超过设定的阈值,则以0.2A电流实现Vmax—>整体—>Vmin的细粒度均衡控制。
参见图3,上述系统进行云端辅助电池管理方法的步骤如下:
步骤S1,片上电池管理子系统采集电池电压、电流及温度等电池运行数据,实现简单的电池状态估计以及运行管理,并通过5G通信单元将电池运行数据发送至辅助电池管理云平台;
步骤S2,辅助电池管理云平台接收5G通信单元上传的电池运行数据,同时对电池数据进行采集、加工、聚合等处理,将原始数据转换为可用于报告、可视化、分析和机器学习等任务的转换后的电池运行数据,并存储于辅助电池管理云平台的存储单元内,存储单元可采用MYSQL数据库或SQL sever,形成统一化、标准化的电池管理系统时空数据库;
步骤S3,以模型输出电压与实际系统输出电压差最小化为目标,利用遗传算法对搭建于云平台的电池数据模型进行参数辨识,确定与电池数据模型最适配的电池模型参数;
步骤S4,基于实时更新的电池模型参数以及电池充放电实时/历史数据进行电池状态估计,以电池模型参数与电池运行数据为输入,电池状态评估为目标输出,训练长短时间记忆神经网络模型,以提供实时精确的电池状态估计,得出云端电池状态综合估计结果(如电池SOC状态评估结果);
步骤S5,基于实时传输的电池运行数据(即电池电压数据)以及云端电池状态综合估计结果,制定输出反馈与状态反馈联合不一致均衡管理策略;
步骤S6,将辅助电池管理云平台的电池模型参数、云端电池状态综合估计结果和制定的均衡管理策略返回发送至片上电池管理子系统,实现云端辅助远程对片上电池管理子系统的片上电池数学模型进行参数与状态校正,对电池进行云端辅助电池均衡管理。
本领域普通技术人员可以理解:实现上述实施例中的全部或部分流程是可以通过程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种云端辅助电池管理系统,其特征在于,包括:
片上电池管理子系统、5G通信单元和电池辅助管理云平台;其中,
所述片上电池管理子系统,通过所述5G通信单元与所述电池辅助管理云平台通信连接,能对电池进行运行管理,并实时采集运行时的电池运行数据并通过所述5G通信单元发送至所述电池辅助管理云平台,以及接收所述电池辅助管理云平台发送的电池模型参数和云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,及接收均衡控制策略对所述电池进行云端辅助电池均衡管理;
所述电池辅助管理云平台,能通过所述5G通信单元接收所述片上电池管理子系统采集的电池运行数据,根据采集的电池运行数据对预先建立的云端电池数学模型进行辨识确定电池模型参数,以及进行估计得出云端电池状态综合估计结果,根据所述云端电池状态综合估计结果得出对应的均衡控制策略,并将所述电池模型参数、云端电池状态综合估计结果和均衡控制策略发送至所述片上电池管理子系统。
2.根据权利要求1所述的云端辅助电池管理系统,其特征在于,所述电池辅助管理云平台包括:
存储单元、电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元;其中,
所述存储单元,经所述5G通信单元与所述片上电池管理子系统通信连接,能存储所述片上电池管理子系统发来的电池运行数据,以及分别与所述电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元连接,能存储所述电池模型参数与状态联合估计单元得出的电池模型参数和云端电池状态综合估计结果,以及所述云端辅助电池均衡管理单元得出的均衡控制策略,并经所述5G通信单元将所述电池模型参数、云端电池状态综合估计结果和均衡控制策略发送至所述片上电池管理子系统;
所述电池模型参数与状态联合估计单元,分别与所述存储单元和云端辅助电池均衡管理单元通信连接,能根据从所述存储单元获取的所述电池运行数据,对预先建立的云端电池数学模型进行辨识确定电池模型参数以及进行估计得出云端电池状态综合估计结果,并存储至所述存储单元;
所述云端辅助电池均衡管理单元,能根据接收的所述电池数学模型参数与状态联合估计单元输出的云端电池状态综合估计结果,得出对应的均衡控制策略,并存储至所述存储单元。
3.根据权利要求2所述的云端辅助电池管理系统,其特征在于,所述电池辅助管理云平台还包括:
可视化终端,分别与所述电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元通信连接,能可视化展示电池模型参数与状态联合估计单元和云端辅助电池均衡管理单元的输出结果。
4.根据权利要求1至3任一项所述的云端辅助电池管理系统,其特征在于,所述片上电池管理子系统包括:
检测单元和控制单元;其中,
所述检测单元,分别与所述5G通信单元和所述控制单元通信连接,能实时采集运行时的电池运行数据,并通过所述5G通信单元发送至所述电池辅助管理云平台;
所述控制单元,分别与所述5G通信单元和所述检测单元通信连接,能对电池进行运行管理以及接收所述电池辅助管理云平台经所述5G通信单元发送的电池模型参数和云端电池状态综合估计结果,对已建立的片上电池数据模型进行参数与状态校正,以及接收均衡控制策略对电池进行云端辅助电池均衡管理。
5.根据权利要求1至3任一项所述的云端辅助电池管理系统,其特征在于,所述5G通信单元包括:5G模块和定位模块,能进行实时数据传输和获取定位信息。
6.一种云端辅助电池管理方法,其特征在于,采用权利要求1至5任一项所述的云端辅助电池管理系统,包括以下步骤:
步骤S1,所述云端辅助电池管理系统的片上电池管理子系统对电池进行运行管理,并采集运行时的电池运行数据,通过所述云端辅助电池管理系统的5G通信单元将所述电池运行数据发送至所述云端辅助电池管理系统的电池辅助管理云平台;
步骤S2,所述电池辅助管理云平台接收所述5G通信单元上传的电池运行数据,对电池运行数据依次进行预处理和转换处理,并存储转换后的所述电池运行数据;
步骤S3,所述电池辅助管理云平台基于所述电池运行数据及预先建立的云端电池数学模型,以电池数学模型输出电压与实际电池输出电压差最小化为目标,利用遗传算法进行辨识确定电池数学模型的电池模型参数;
步骤S4,所述电池辅助管理云平台以存储的历史电池数学模型的电池模型参数和电池运行数据为输入,以电池状态评估为目标输出,训练长短时间记忆神经网络模型,利用训练后的所述长短时间记忆神经网络模型基于实时更新的电池模型参数和电池充放电实时数据和历史数据进行电池状态估计,得出精确的云端电池状态综合估计结果;
步骤S5,所述电池辅助管理云平台基于实时传输的电池运行数据和云端电池状态综合估计结果,得到输出反馈与状态反馈联合的双粒度的均衡控制策略;
步骤S6,所述电池辅助管理云平台将所述电池模型参数、所述云端电池状态综合估计结果和所述均衡控制策略发送至所述片上电池管理子系统,由所述片上电池管理子系统根据所述电池模型参数和所述云端电池状态综合估计结果对片上电池数学模型进行参数与状态校正,以及根据所述均衡控制策略进行云端辅助电池均衡管理。
7.根据权利要求6所述的云端辅助电池管理方法,其特征在于,所述步骤S3中,所述电池辅助管理云平台中预先建立的片上电池数学模型为锂电池准二维模型、简化的单粒子模型、等效电路模型中的任一种。
8.根据权利要求6所述的云端辅助电池管理方法,其特征在于,所述步骤S4中,所述利用训练后的所述长短时间记忆神经网络模型基于实时更新的模型参数和电池充放电实时数据和历史数据进行电池状态估计,得出精确的云端电池状态综合估计结果为:
所述云端电池状态综合估计结果为:电池的SOC、SOH、SOP、RUL中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309107.6A CN112331941B (zh) | 2020-11-20 | 2020-11-20 | 云端辅助电池管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309107.6A CN112331941B (zh) | 2020-11-20 | 2020-11-20 | 云端辅助电池管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112331941A true CN112331941A (zh) | 2021-02-05 |
CN112331941B CN112331941B (zh) | 2024-01-05 |
Family
ID=74321715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011309107.6A Active CN112331941B (zh) | 2020-11-20 | 2020-11-20 | 云端辅助电池管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112331941B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328498A (zh) * | 2021-06-22 | 2021-08-31 | 上海理工大学 | 一种基于云平台电池组均衡算法的可视化评价方法 |
CN113655384A (zh) * | 2021-08-19 | 2021-11-16 | 山东浪潮科学研究院有限公司 | 一种云边端计算的电池状态计算方法 |
CN113829952A (zh) * | 2021-09-29 | 2021-12-24 | 华人运通(江苏)技术有限公司 | 电动汽车的电池控制方法、系统及电动汽车 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114069796A (zh) * | 2021-11-24 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种电池组主动均衡控制方法、装置、设备及介质 |
CN114506247A (zh) * | 2022-03-16 | 2022-05-17 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理系统 |
CN114660462A (zh) * | 2022-03-03 | 2022-06-24 | 武汉蓝星科技股份有限公司 | 一种基于云端数据的电池电量检测方法及系统 |
CN115144756A (zh) * | 2022-06-27 | 2022-10-04 | 深圳市冰旭科技有限公司 | 一种基于5gnb-iot技术的新能源安全预警管理系统及方法 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
CN116068449A (zh) * | 2023-03-23 | 2023-05-05 | 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 |
CN116231810A (zh) * | 2023-03-31 | 2023-06-06 | 广州星翼智慧能源技术有限公司 | 基于大数据的电池均衡协同控制方法及装置 |
CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018095039A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳市清深科技有限公司 | 一种远程电池智能管理系统 |
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理系统 |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理系统及方法 |
-
2020
- 2020-11-20 CN CN202011309107.6A patent/CN112331941B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018095039A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳市清深科技有限公司 | 一种远程电池智能管理系统 |
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理系统 |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理系统及方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328498B (zh) * | 2021-06-22 | 2022-09-06 | 上海理工大学 | 一种基于云平台电池组均衡算法的可视化评价方法 |
CN113328498A (zh) * | 2021-06-22 | 2021-08-31 | 上海理工大学 | 一种基于云平台电池组均衡算法的可视化评价方法 |
CN113655384A (zh) * | 2021-08-19 | 2021-11-16 | 山东浪潮科学研究院有限公司 | 一种云边端计算的电池状态计算方法 |
CN113960476B (zh) * | 2021-09-23 | 2023-10-17 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN113829952A (zh) * | 2021-09-29 | 2021-12-24 | 华人运通(江苏)技术有限公司 | 电动汽车的电池控制方法、系统及电动汽车 |
CN114069796A (zh) * | 2021-11-24 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种电池组主动均衡控制方法、装置、设备及介质 |
CN114660462A (zh) * | 2022-03-03 | 2022-06-24 | 武汉蓝星科技股份有限公司 | 一种基于云端数据的电池电量检测方法及系统 |
CN114506247A (zh) * | 2022-03-16 | 2022-05-17 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理系统 |
CN114506247B (zh) * | 2022-03-16 | 2024-02-09 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理系统 |
CN115144756A (zh) * | 2022-06-27 | 2022-10-04 | 深圳市冰旭科技有限公司 | 一种基于5gnb-iot技术的新能源安全预警管理系统及方法 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
CN116068449A (zh) * | 2023-03-23 | 2023-05-05 | 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 |
CN116231810A (zh) * | 2023-03-31 | 2023-06-06 | 广州星翼智慧能源技术有限公司 | 基于大数据的电池均衡协同控制方法及装置 |
CN116231810B (zh) * | 2023-03-31 | 2023-11-28 | 广州星翼智慧能源技术有限公司 | 基于大数据的电池均衡协同控制方法及装置 |
CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
CN116609686B (zh) * | 2023-04-18 | 2024-01-05 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112331941B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112331941B (zh) | 云端辅助电池管理系统及方法 | |
Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
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 | |
CN111007399A (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN104242393A (zh) | 基于动态soc估算系统的电池管理系统 | |
CN112186275A (zh) | 一种基于云端的bms体系 | |
CN211702078U (zh) | 基于云-端混合状态预估的电池管理器 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
Zhao et al. | Digital twin-driven estimation of state of charge for Li-ion battery | |
Geng et al. | SOC Prediction of power lithium battery using BP neural network theory based on keras | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及系统 | |
CN115101836A (zh) | 一种云-端融合的电池系统管理方法及装置 | |
Wang et al. | Battery management system design for industrial manufacture | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN114895191A (zh) | 一种电池诊断方法、装置及计算机可读存储介质 | |
Xia et al. | Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis | |
CN116960487B (zh) | 考虑单体不一致性的钠离子电池系统容量估计方法及装置 | |
CN211086535U (zh) | 一种锂离子动力电池荷电态预测电路 |
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 |