CN112485688A - 一种基于多元非线性回归的退役电池储能电站寿命预测方法 - Google Patents

一种基于多元非线性回归的退役电池储能电站寿命预测方法 Download PDF

Info

Publication number
CN112485688A
CN112485688A CN202011083542.1A CN202011083542A CN112485688A CN 112485688 A CN112485688 A CN 112485688A CN 202011083542 A CN202011083542 A CN 202011083542A CN 112485688 A CN112485688 A CN 112485688A
Authority
CN
China
Prior art keywords
retired
energy storage
battery pack
power station
service life
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
Application number
CN202011083542.1A
Other languages
English (en)
Other versions
CN112485688B (zh
Inventor
司静
洪星
杨帆
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.)
Qidong Wotai New Energy Co ltd
Original Assignee
Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd
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 Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd filed Critical Jiangsu Huizhi Energy Engineering Technology Innovation Research Institute Co ltd
Priority to CN202011083542.1A priority Critical patent/CN112485688B/zh
Publication of CN112485688A publication Critical patent/CN112485688A/zh
Application granted granted Critical
Publication of CN112485688B publication Critical patent/CN112485688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及储能技术领域，且公开了一种基于多元非线性回归的退役电池储能电站寿命预测方法，采集退役电池储能电站中退役动力电池包的运行数据。该基于多元非线性回归的退役电池储能电站寿命预测方法，通过采集每个退役动力电池包在储能电站中的实际运行数据，采用科学的方法对采集的原始数据进行数据清洗和特征提取，特征参数间相关性分析可更直观看到特征间相互关系，找出影响退役动力电池剩余循环寿命的重要因素，结合多元非线性回归方法，预测每个退役动力电池包的寿命，然后结合电池包的剩余寿命，预测整个储能电站的寿命，极大的提高了预测的准确性。

Description

一种基于多元非线性回归的退役电池储能电站寿命预测方法
技术领域
本发明涉及储能技术领域，具体为一种基于多元非线性回归的退役电池储能电站寿命预测方法。
背景技术
随着电力体制改革的进一步推进，推动市场化机制和价格机制的储能政策将为储能应用带来新一轮的高速发展，市场需求也将趋于刚性，在此背景下，电化学储能的规模将实现两连跳，2022年或突破10GW，2023年将接近20GW。而锂离子动力电池具有高能量密度、高工作电压、高安全性和长寿命等优点，是电动汽车的主要动力来源。近年来，由于政策的支持，电动汽车呈现爆发式增长，未来将退役大批量剩余容量为70～80％的废旧锂离子电池，退役下的电池若直接报废，不仅会造成资源浪费，还会对环境产生很大的危害。如果将退役动力电池包经过分选后整包利用到储能领域，将带来电力行业的一场变革，不仅减少资源的浪费和环境污染，而且能产生一定的经济价值，实现双赢。
在储能行业及退役电池梯次利用行业政策等的双重驱动下，退役电池储能电站数量会越来越多，储能电站的远程运维将变得十分重要。退役电池储能电站的寿命对电站的运维和经济效益都有重要作用，而目前如何通过评估电池的生命周期，对电池的失效实现预判和预处理，一直是远程运维工作难点。若能够通过远程收集的退役电池储能电站中退役电池包的运行数据进行统计分析，建立退役电池包的寿命预估模型，建立一套寿命预测方法提前预知其寿命，指导电站的运维工作，对于保障电站正常工作，提高经济效益和电站的安全可靠性具有十分重要的意义。
目前还没有争对退役电池储能电站的剩余寿命预测方法，只有单独对退役电池的寿命进行预测的方法，而目对退役电池的寿命预测主要是基于测试数据和历史大数据，这种预测方法没有考虑实际工况，预测结果跟实际运行数据有较大的差异，而本发明采用退役电池包在储能电站的实际运行数据，并使用多元非线性回归的方法预测寿命，极大的提高了预测的准确度。
发明内容
本发明提供了一种基于多元非线性回归的退役电池储能电站寿命预测方法，通过采集退役电池储能电站中退役动力电池包的实际运行数据，结合多元非线性回归方法，预测储能电站中每个电池包的剩余寿命，然后根据电池包的剩余寿命，判断整个储能电站的寿命，该方法极大的提高了预测的准确性。
本发明提供如下技术方案：一种基于多元非线性回归的退役电池储能电站寿命预测方法，包括以下操作步骤：
步骤1：数据采集
采集退役电池储能电站中退役动力电池包的运行数据；
步骤2：数据清洗
对采集的退役动力电池包数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点；
步骤3：构造参数
根据采集的数据构造参数，主要包括退役动力电池包充电量、充电时长、充电倍率、SOC极差、最高电压、最低电压、电压极差、平均电压、最高温度、最低温度、平均温度、温度极差、累计充电次数；
步骤4：选择特征参数
分析步骤3中充电量与其他参数的线性相关性，选择线性相关性≥0.85的参数为第一类特征参数，选择线性相关性＜0.85的参数为第二类特征参数；
步骤5：模型选择
选择多元非线性回归模型，将每个退役动力电池包的放电量作为因变量，步骤4中第一类特征参数和第二类特征参数为自变量，根据电池包的数量构建多个模型；
步骤6：模型训练及评价
根据清洗后的退役动力电池包的数据集，采用5-折交叉验证方法来对模型进行训练和打分，模型评价标准采用决定系数R2，同时做出ROC曲线，直观观察预测值与实际值差异；
步骤7：模型输出
根据步骤6中得到的模型，将模型保存待用，根据步骤6对每个退役动力电池包的数据集进行处理，得多若干个模型，保存待用；
步骤8：剩余寿命的预测
根据训练得到的模型，对退役电池储能电站退役动力电池包的剩余循环寿命进行预测，得到每个退役动力电池包的剩余寿命；
步骤9：选择若干个退役动力电池包寿命的平均值作为退役电池储能电站的剩余寿命。
优选的，所述退役电池储能电站由若干个独立控制的退役动力电池包组成，一个退役动力电池包的寿命终结，不影响其他电池包的运行；电池包是由若干个电池模组串联而成，模组是由若干个电芯串并联组成。
优选的，所述步骤1中的运行数据指充电数据或放电数据。
优选的，所述寿命的预测，随着退役电池储能电站运行次数的增加，电池的充电量会越来越低，当充电量衰减到初始慢充电量的80％时，即达到寿命终点。本方法中将衰减到80％的充电量，以及目前电站日充电时长的80％、SOC极差、充电倍率、电压极差、平均电压、平均温度，带入多元回归模型可得出电池衰减到80％时的累计充放电次数，与初始累计充放电次数做差，即可得退役动力电池包的剩余寿命。
本发明具备以下有益效果：
该基于多元非线性回归的退役电池储能电站寿命预测方法，通过采集每个退役动力电池包在储能电站中的实际运行数据，采用科学的方法对采集的原始数据进行数据清洗和特征提取，特征间相关性分析可更直观看到特征间相互关系，找出影响锂电池剩余循环寿命的重要因素，结合多元非线性回归方法，预测每个退役电池包的寿命，然后结合电池包的剩余寿命，预测整个储能电站的寿命，极大的提高了预测的准确性。
附图说明
图1为本发明特征参数与充电量的线性相关性示意图；
图2为本发明电池包ROC曲线示意图。
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。
请参阅图1-2，一种基于多元非线性回归的退役电池储能电站寿命预测方法，包括以下操作步骤：
步骤1：数据采集
采集退役电池储能电站中退役动力电池包的运行数据；运行数据指充电数据或放电数据，数据包括退役电池包的SOC、SOH、电池的平均温度、平均电压、总压、充电量、充电截至时电池包中电池的最高电压、充电截至时电池包中电池的最低电压、最低温度、最高温度、最大允许充电电流、最大允许放电电流、充电电流，充电开始时间、充电结束时间，数据采集间隔为5min，值取时间间隔最新值；
步骤2：数据清洗
对采集的退役动力电池包数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点；
步骤3：构造参数
根据采集的数据构造参数，主要包括退役动力电池包充电量、充电时长、充电倍率、SOC极差、最高电压、最低电压、电压极差、平均电压、最高温度、最低温度、平均温度、温度极差、累计充电次数；
这些特征参数的计算方式如下：
充电量Q：电池包充电截至时充入电池包的电量；
充电时长H：充电结束时间-充电开始时间；
充电倍率C：充电电流/日充电电量；
累计充电次数N:退役电池储能系统已累计的充放电次数
SOC极差△S：充电结束SOC-充电开始SOC
最高电压HV：充电截止时电池包中电池的最高电压；
最低电压LV：充电截止时电池包中电池的最低电压；
电压极差△V：最高电压-最低电压；
平均电压AV：平均电压均值；
最高温度HT：电池包充电截止时电芯的最高温度；
最低温度LT：电池包充电截止时电芯的最低温度；
温度极差△T：充电截止时最高温度–充电截止时最低温度；
平均温度AT：平均温度均值；
步骤4：选择特征参数
分析步骤3中充电量与其他参数的线性相关性，选择线性相关性≥0.85的参数为第一类特征参数，选择线性相关性＜0.85的参数为第二类特征参数；经过分析，虚退役动力电池包充电时长、充电倍率、SOC极差、电压极差、平均电压、最低电压的相关性≥0.85，为第一类特征参数；累计充电次数、最高电压、最高温度、最低温度、温度极差、平均温度的显现相关性＜0.85，为第二类特征参数。
步骤5：模型选择
选择多元非线性回归模型，将每个退役动力电池包的放电量作为因变量，步骤4中第一类特征参数和第二特征类参数自变量，根据电池包的数量构建多个模型；
本方案采用多元非线性回归模型：
Yi＝θ0+θ1X1i+θ2X2i+…+θkXki+γ1Z1i 2+…+γ1Zmi 2
其中，θ0为常数项，θk为系数，Yi为因变量，为因变量Xki,Zmi为自变量,其中Xki为第一类特征参数，Zmi为第二类特征参数，k为第一类特征参数的个数，m为第二特征参数的个数，i为数据组数；本发明中K和m都为6.
步骤6：模型训练及评价
根据清洗后的退役动力电池包的数据集，采用5-折交叉验证方法来对模型进行训练和打分，模型评价标准采用决定系数R2，同时做出ROC曲线，直观观察预测值与实际值差异；
5-折交叉验证法基本原理如下：
S1，将从储能电站中取出的每天的特征参数数集分成5个不相交的子集，假设S中的训练样例个数为m，那么每一个子集有m/5个训练样例，相应的子集称作{s1,s2,…,s5}；
S2，每次从分好的子集中里面，拿出一个作为测试集，其它4个作为训练集；
S3，根据训练训练出回归模型；
S4，将测试集代入模型中，计算决定系数，算出R2值；
S5，计算5次求得的决定系数的平均值，作为该模型的准确率。
模型评价采用决定系数R2，决定系数反应了Y的波动有多少百分比能被X的波动所描述，即表征变数Y的变异中有多少百分比，可由控制的自变数X来解释，拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，观察点在回归直线附近越密集，取值范围为[0,1]。
计算公式如下：
R2＝SSR/SST＝1-SSE/SST
其中，SST＝SSR+SSE，SST(totalsumofsquares)为总平方和，SSR(regressionsumofsquares)为回归平方和，SSE(errorsumofsquares)为残差平方和；
设为待拟合数值，其均值为，拟合值为，记：
总平方和(SST)：
Figure BDA0002719546730000071
回归平方和(SSR)：
Figure BDA0002719546730000072
残差平方和(SSE)：
Figure BDA0002719546730000073
则有：SST＝SSR+SSE
决定系数：
Figure BDA0002719546730000074
以退役动力电池包1为例说明模型训练过程；
本方明中n＝12，i为30，其取储能系统30天内的充电数据；
退役动力电池包1数据集大小为(30,12)，选择将充电量作为因变量，其他特征为自变量，采用5-折交叉验证法对模型进行对此训练，取5次训练结果均值作为输出，得到多元非线性回归模型如下：
Q＝210.6+(0.003*H)+(-0.513*C)+(0.081*△S)+(-9.214*△V)+(-50.053*AV)+(0.023*LV)+(-0.021*N2)+(0.215*HV2)+(-5.780*HT2)+(11.241*LT2)+(0.875*△T2)+(0.012AT2)
12个退役动力电池包R2计算结果:
电池包1 电池包2 电池包3 电池包4 电池包5 电池包6
R<sup>2</sup> 0.9517 0.984 0.9839 0.9974 0.9948 0.9839
电池包7 电池包8 电池包9 电池包10 电池包11 电池包12
R<sup>2</sup> 0.9955 0.9908 0.9717 0.836 0.9784 0.9563
步骤7：模型输出
根据步骤6中得到的模型，将模型保存待用，根据步骤6对每个退役动力电池包的数据集进行处理，得多若干个模型，保存待用；
步骤8：剩余寿命的预测
根据训练得到的模型，对退役电池储能电站退役动力电池包的剩余循环寿命进行预测，得到每个退役动力电池包的剩余寿命；具体是将充电量设为额定充电量的80％，除累计充电次数外，其余变量值取数据最后一天的数据，可求出在相同条件下的累计充放电次数，之后做差值，即可求得电池包剩余可充放电次数；
根据上述方法计算出的储能电站中退役动力包的剩余寿命如下表所示：
电池包1 电池包2 电池包3 电池包4 电池包5 电池包6
剩余寿命/次数 1550 1367 1243 1533 1351 1427
电池包7 电池包8 电池包9 电池包10 电池包11 电池包12
剩余寿命/次数 1334 1123 1456 1032 1438 1189
步骤9：选择若干个退役动力电池包寿命的平均值作为退役电池储能电站的剩余寿命。
退役电池储能电站由若干个独立控制的退役动力电池包组成，一个退役动力电池包的寿命终结，不影响其他电池包的运行；电池包是由若干个电池模组串联而成，模组是由若干个电芯串并联组成。
寿命的预测，随着退役电池储能电站运行次数的增加，电池的充电量会越来越低，当充电量衰减到初始慢充电量的80％时，即达到寿命终点；本方法中将衰减到80％的充电量，以及目前电站日充电时长的80％、SOC极差、充电倍率、电压极差、平均电压、平均温度，带入多元回归模型可得出电池衰减到80％时的累计充放电次数，与初始累计充放电次数做差，即可得退役动力电池包的剩余寿命。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于多元非线性回归的退役电池储能电站寿命预测方法，其特征在于：包括以下操作步骤：
步骤1：数据采集
采集退役电池储能电站中退役动力电池包的运行数据；
步骤2：数据清洗
对采集的退役动力电池包数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点；
步骤3：构造参数
根据采集的数据构造参数，主要包括退役动力电池包充电量、充电时长、充电倍率、SOC极差、最高电压、最低电压、电压极差、平均电压、最高温度、最低温度、平均温度、温度极差、累计充电次数；
步骤4：选择特征参数
分析步骤3中充电量与其他参数的线性相关性，选择线性相关性≥0.85的参数为第一类特征参数，选择线性相关性＜0.85的参数为第二类特征参数；
步骤5：模型选择
选择多元非线性回归模型，将每个退役动力电池包的放电量作为因变量，步骤4中第一类特征参数和第二类特征参数自变量，根据电池包的数量构建多个模型；
步骤6：模型训练及评价
根据清洗后的退役动力电池包的数据集，采用5-折交叉验证方法来对模型进行训练和打分，模型评价标准采用决定系数R2，同时做出ROC曲线，直观观察预测值与实际值差异；
步骤7：模型输出
根据步骤6中得到的模型，将模型保存待用，根据步骤6对每个退役动力电池包的数据集进行处理，得多若干个模型，保存待用；
步骤8：剩余寿命的预测
根据训练得到的模型，对退役电池储能电站退役动力电池包的剩余循环寿命进行预测，得到每个退役动力电池包的剩余寿命；
步骤9：选择若干个退役动力电池包寿命的平均值作为退役电池储能电站的剩余寿命。
2.根据权利要求1所述的一种基于多元非线性回归的退役电池储能电站寿命预测方法，其特征在于：所述退役电池储能电站由若干个独立控制的退役动力电池包组成，一个退役动力电池包的寿命终结，不影响其他电池包的运行；电池包是由若干个电池模组串联而成，模组是由若干个电芯串并联组成。
3.根据权利要求1所述的一种基于多元非线性回归的退役电池储能电站寿命预测方法，其特征在于：所述步骤1中的运行数据指充电数据或放电数据。
4.根据权利要求1所述的一种基于多元非线性回归的退役电池储能电站寿命预测方法，其特征在于：所述寿命的预测，随着退役电池储能电站运行次数的增加，电池的充电量会越来越低，当充电量衰减到初始慢充电量的80%时，即达到寿命终点；本方法中将衰减到80%的充电量，以及目前电站日充电时长的80%、SOC极差、充电倍率、电压极差、平均电压、平均温度，带入多元回归模型可得出电池衰减到80%时的累计充放电次数，与初始累计充放电次数做差，即可得退役动力电池包的剩余寿命。
CN202011083542.1A 2020-10-12 2020-10-12 一种基于多元非线性回归的退役电池储能电站寿命预测方法 Active CN112485688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083542.1A CN112485688B (zh) 2020-10-12 2020-10-12 一种基于多元非线性回归的退役电池储能电站寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083542.1A CN112485688B (zh) 2020-10-12 2020-10-12 一种基于多元非线性回归的退役电池储能电站寿命预测方法

Publications (2)

Publication Number Publication Date
CN112485688A true CN112485688A (zh) 2021-03-12
CN112485688B CN112485688B (zh) 2024-06-04

Family

ID=74926138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083542.1A Active CN112485688B (zh) 2020-10-12 2020-10-12 一种基于多元非线性回归的退役电池储能电站寿命预测方法

Country Status (1)

Country Link
CN (1) CN112485688B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014019314A1 (zh) * 2012-07-31 2014-02-06 河南省电力公司电力科学研究院 一种动力电池梯级利用分选评估方法
CN105844913A (zh) * 2016-04-15 2016-08-10 苏州爱诺信信息科技有限公司 基于车联网的车、路状况与驾驶安全大数据相关性分析法
CN108037463A (zh) * 2017-12-15 2018-05-15 太原理工大学 一种锂离子电池寿命预测方法
CN109101864A (zh) * 2018-04-18 2018-12-28 长春理工大学 基于关键帧和随机森林回归的人体上半身动作识别方法
CN109325631A (zh) * 2018-10-15 2019-02-12 华中科技大学 基于数据挖掘的电动汽车充电负荷预测方法和系统
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
CN109856540A (zh) * 2019-02-14 2019-06-07 江苏慧智能源工程技术创新研究院有限公司 一种退役电池包的回收利用方法和分级方法
CN110750874A (zh) * 2019-09-26 2020-02-04 长沙理工大学 一种退役动力电池寿命预测的方法
CN112255559A (zh) * 2020-10-12 2021-01-22 江苏慧智能源工程技术创新研究院有限公司 基于多元线性回归的锂电池储能电站剩余寿命预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014019314A1 (zh) * 2012-07-31 2014-02-06 河南省电力公司电力科学研究院 一种动力电池梯级利用分选评估方法
CN105844913A (zh) * 2016-04-15 2016-08-10 苏州爱诺信信息科技有限公司 基于车联网的车、路状况与驾驶安全大数据相关性分析法
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
CN108037463A (zh) * 2017-12-15 2018-05-15 太原理工大学 一种锂离子电池寿命预测方法
CN109101864A (zh) * 2018-04-18 2018-12-28 长春理工大学 基于关键帧和随机森林回归的人体上半身动作识别方法
CN109325631A (zh) * 2018-10-15 2019-02-12 华中科技大学 基于数据挖掘的电动汽车充电负荷预测方法和系统
CN109856540A (zh) * 2019-02-14 2019-06-07 江苏慧智能源工程技术创新研究院有限公司 一种退役电池包的回收利用方法和分级方法
CN110750874A (zh) * 2019-09-26 2020-02-04 长沙理工大学 一种退役动力电池寿命预测的方法
CN112255559A (zh) * 2020-10-12 2021-01-22 江苏慧智能源工程技术创新研究院有限公司 基于多元线性回归的锂电池储能电站剩余寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CAIHAO WENG ET AL: "Model Parametrization and Adaptation Based on the Invariance of Support Vectors With Applications to Battery State-of-Health Monitoring", 《 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, pages 3908 *
林娅: "基于数据驱动的锂电池剩余使用寿命预测方法研究", 《硕士电子期刊》 *
胡正新等: "退役三元动力电池储能项目探索与应用", 《节能科技》, pages 41 - 43 *

Also Published As

Publication number Publication date
CN112485688B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN111584952B (zh) 用于储能电站电化学电池在线评估的方法和系统
EP2629109B1 (en) Electrical storage device
US9166261B2 (en) Method for reusing secondary battery
US8340934B2 (en) Method of performance analysis for VRLA battery
CN106443475A (zh) 基于运营大数据的退役动力电池无拆解再次利用筛选方法
CN110320472B (zh) 一种用于矿用锂电池的自修正soc估计方法
CN113176511A (zh) 考虑健康状态的储能充放电优化方法及系统
CN110045291B (zh) 一种锂电池容量估计方法
CN111460656B (zh) 一种电力机房通信电源运行寿命评估方法和系统
CN117836644A (zh) 二次电池的健康状态估计方法、二次电池的健康状态估计程序及二次电池的健康状态估计装置
CN111129628A (zh) 锂离子电芯充放电的控制方法、系统、介质及电子设备
CN116388347B (zh) 一种户用电池储能的能量综合管理平台
US20230231396A1 (en) Method and apparatus for executing a charging operation of a device battery
CN117129899A (zh) 一种电池健康状态预测管理系统及方法
CN112485688A (zh) 一种基于多元非线性回归的退役电池储能电站寿命预测方法
CN110687460A (zh) 一种soc预估方法
CN114798502A (zh) 梯次利用电池的分类成组方法、系统及生产线
CN115318683A (zh) 一种整包电池的筛选方法和装置
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
Wang et al. Energy management of battery energy storage station considering system operation efficiency
CN107748327B (zh) 一种储能电池组在线评估方法及装置
CN116908720B (zh) 一种电池组一致性状态诊断方法、装置及存储介质
Huang et al. Evaluation index of battery pack of energy storage station based on RB recession mechanism
EP4343350A1 (en) Device and method for detecting deteriorated battery cell
CN116774081B (zh) 一种采用复合寿命指标的充电电池寿命预测方法、装置、电子设备及可读存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220922

Address after: 226299 No. 500, Linyang Road, Qidong Economic Development Zone, Qidong City, Nantong City, Jiangsu Province

Applicant after: Qidong wotai new energy Co.,Ltd.

Address before: 211100 West Unit of Block D, Jinzhi Science and Technology Park, 100 General Avenue, Jiangning District, Nanjing City, Jiangsu Province (Jiangning Development Zone)

Applicant before: JIANGSU HUIZHI ENERGY ENGINEERING TECHNOLOGY INNOVATION RESEARCH INSTITUTE Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant