CN112485690B - 一种基于振动信号的储能电池健康状态识别方法和系统 - Google Patents
一种基于振动信号的储能电池健康状态识别方法和系统 Download PDFInfo
- Publication number
- CN112485690B CN112485690B CN202011177450.XA CN202011177450A CN112485690B CN 112485690 B CN112485690 B CN 112485690B CN 202011177450 A CN202011177450 A CN 202011177450A CN 112485690 B CN112485690 B CN 112485690B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage battery
- vibration signal
- health
- 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.)
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种基于振动信号的储能电池健康状态识别方法和系统,包括对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;基于对储能电池振动信号的EMD,筛选得到电池健康状态的特征识别量;根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警。本发明易于实现,结果明显,诊断准确率较高,可识别多次过充误操作对储能电池造成的影响,同时帮助实现在误操作初期的预警。
Description
技术领域
本发明属于电力储能设备状态监测技术领域,涉及一种基于振动信号的储能电池健康状态识别方法和系统。
背景技术
储能电池作为一种储能元件,由于其优秀的性能已被广泛应用于电网运行的各个环节。大规模的光伏并网可能会产生波动,威胁电网的安全稳定运行,储能技术的投入可以平抑光伏波动,提高电力系统稳定性;储能电池在负荷低谷时储存电能,负荷高峰时释放电能,实现了削峰填谷的功能。
储能电池的热失控问题威胁着储能电站的安全稳定运行,热失控问题的产生源于对储能电池的滥用,包括机械滥用、电滥用和热滥用等,过充过放是储能电池最常见的电滥用问题。长期过充过放会对储能电池造成不可逆的内部损伤,因此识别储能电池的过充过放程度对于保证供电的连续性和设备长期安全稳定运行有着重要的意义。
目前广泛应用于现场的储能电池健康状态识别方法有:
1)基于电池内部结构形态的方法:通过具体实验分析储能电池正负极过充行为特点,总结过充对储能电池正极和负极材料结构造成的影响,进而研究对电池容量等的影响,据此分析电池的健康状态。此方法属于破坏性方法,适用于电池设计人员对电池进行优化和改善,不能用于在线监测。
2)基于电化学性能的方法:通过电滥用实验或电池解析模型,采集电池过充过程中的电压、电流、温度和阻抗数据,据此分析电池的耐过充性能及热失控诱因。此方法的电池健康状态识别正确率依赖具体的电池解析模型,存在建模较难、或模型参数识别困难的问题。
发明内容
为解决现有技术中的不足,本申请提供一种基于振动信号的储能电池健康状态识别方法和系统,易于实现,结果明显,诊断准确率较高,可识别多次过充误操作对储能电池造成的影响,同时帮助实现在误操作初期的预警。
为了实现上述目标,本发明采用如下技术方案:
一种基于振动信号的储能电池健康状态识别方法,其特征在于:
所述方法包括以下步骤:
步骤1:对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;
步骤2:基于对储能电池振动信号进行经验模态分解EMD,筛选得到电池健康状态的特征识别量;
步骤3:根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警。
本发明进一步包括以下优选方案。
步骤1中,利用电池容量检测仪对储能电池进行多次过充设置;
过充设置包括:设置充电截止电压和充电方式;
每次过充均采用相同的过充设置,每次充电期间采集储能电池的振动信号。
所述过充设置:设置充电截止电压为额定电压的1.5倍,采用恒流恒压充电方式。
步骤1中,还利用电池容量检测仪对储能电池进行正常充电设置,正常充电期间采集的储能电池的振动信号与过充充电期间采集的储能电池的振动信号,一起用于步骤2中电池健康状态特征识别量的筛选;
所述正常充电设置包括:设置充电截止电压和充电方式。
所述正常充电设置:设置充电截止电压为额定电压,采用恒流恒压充电方式。
步骤1中,对同一储能电池进行三次过充设置。
步骤1中,采集储能电池的振动信号时,采样频率为16kHz,采样时间为3~5秒。
步骤2包括以下步骤:
步骤2.1:对每次充电期间采集的储能电池振动信号分别进行EMD,得到对应的IMF;
步骤2.2:对每次充电期间采集的储能电池振动信号,计算其对应的各IMF分量的EMD能量熵;
步骤2.3:比较不同过充次数下各IMF分量的EMD能量熵值,选取IMF3分量的能量熵值和IMF4分量的能量熵值作为电池健康状态的特征识别量。
步骤2.1中,对第i次充电期间采集的储能电池振动信号xi(t)进行EMD,包括:
步骤2.1.1:筛选xi(t)的所有极大值点和极小值点,其中t为采样时刻;
步骤2.1.2:利用插值法对极小值点形成下包络Bi1(t),对极大值点形成上包络Bi2(t);
步骤2.1.3:计算上包络、下包络的平均值mi(t),公式如下:
mi(t)=[Bi1(t)+Bi2(t)]/2 (1)
步骤2.1.4:求抽离细节hj(t),j初始值为1,公式如下:
hj(t)=xi(t)-mi(t) (2)
步骤2.1.5:如果hj(t)满足IMF条件,则hj(t)即为xi(t)的第j个IMF,记为cj(t),否则筛选hj(t)的所有极大值点和极小值点,返回步骤2.1.2,直至满足IMF条件;
步骤2.1.6:将cj(t)从xi(t)分离出来,公式如下:
rj(t)=xi(t)-cj(t) (3)
令xi(t)=rj(t),j=j+1,返回步骤2.1.1,继续对xi(t)分解,直到j=n+1,得到振动信号xi(t)对应的n个满足条件的IMF分量及一个余项。
步骤3中,对于待健康状态识别的储能电池,采集其充电期间的振动信号,对采集的振动信号进行EMD,筛选得到分量IMF3和IMF4,计算IMF3分量的能量熵值E3,以及IMF4分量的能量熵值E4;当满足以下判据时,则认为储能电池发生了过充误操作:
其中,α、β分别为第一权重系数和第二权重系数,E3、E4分别为当前实时监测储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵值和IMF4分量的能量熵值,E30、E40为正常充电状态下储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵原始值和IMF4分量的能量熵原始值;α+β=1,γ为预设阈值。
α、β分别优选为0.45和0.55;
γ优选为300。
本申请还同时公开了一种利用前述储能电池健康状态识别方法的储能电池健康状态识别系统,所述系统包括:
振动信号采集模块,用于对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;
特征识别量筛选模块,用于基于对储能电池振动信号的EMD,筛选得到电池健康状态的特征识别量;
健康状态识别模块,用于根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警。本申请所达到的有益效果:
本发明选取振动量作为电池健康状态的特征量,易于实现,结果明显,诊断准确率较高,可以实现电池状态的实时在线监测。对于运行中的设备,可以及时发现其异常工况,协助现场人员在发展成为更严重的事故之前做出应对处理。
附图说明
图1为本发明识别方法的流程图;
图2为本发明识别方法的实施例流程图;
图3为正常充电对应IMF分量的时域图和频域图;
图4为第一次过充对应IMF分量的时域图和频域图;
图5为第二次过充对应IMF分量的时域图和频域图;
图6为第三次过充对应IMF分量的时域图和频域图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和2所示,一种基于振动信号的储能电池健康状态识别方法,所述方法包括以下步骤:
步骤1:对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;储能电池的振动信号频率范围主要集中在0~500Hz,考虑到振动信号较微弱,而且随着过充次数增多,特殊频段的幅值会出现变化,因此对信号进行进一步分解并计算能量占比。根据多次过充实验分析可知,过充次数为3次时,特殊频段的幅值变化最具代表性。
本申请具体实施中,利用电池容量检测仪对储能电池进行正常充电设置及3次过充设置,其中每次过充均采用相同的过充设置。
正常充电期间采集的储能电池的振动信号与过充充电期间采集的储能电池的振动信号,一起用于步骤2中电池健康状态特征识别量的筛选;
实施例中,正常充电设置:设置充电截止电压为额定电压3.2V,采用恒流恒压充电方式。
过充设置:按照过充电压为额定电压1.5倍进行设置,设置充电截止电压为4.8V,采用恒流恒压充电方式;
采集储能电池的振动信号时,设定采样频率为16kHz,对于稳态信号采样16kHz足以满足采样精度,采样时间为若干个整数周期,一般不超过5秒,因为振动信号一个周期时间约是0.01秒,时间设置太长导致数据量大,数据重复,一般设定采样时间为3~5秒。
步骤2:基于对储能电池振动信号的EMD,筛选得到电池健康状态的特征识别量,包括以下步骤:
步骤2.1:对正常充电、第一次过充、第二次过充、第三次过充期间采集的储能电池振动信号分别进行EMD,得到对应的IMF。
对第i次充电期间采集的储能电池振动信号xi(t)进行EMD,包括:
步骤2.1.1:筛选xi(t)的所有极大值点和极小值点,其中t为采样时刻;
步骤2.1.2:利用插值法对极小值点形成下包络Bi1(t),对极大值点形成上包络Bi2(t);
步骤2.1.3:计算上包络、下包络的平均值mi(t),公式如下:
mi(t)=[Bi1(t)+Bi2(t)]/2 (1)
步骤2.1.4:求抽离细节hj(t),j初始值为1,公式如下:
hj(t)=xi(t)-mi(t) (2)
步骤2.1.5:如果hj(t)满足IMF条件,则hj(t)即为xi(t)的第j个IMF,记为cj(t),否则筛选hj(t)的所有极大值点和极小值点,返回步骤2.1.2,直至满足IMF条件;
步骤2.1.6:将cj(t)从xi(t)分离出来,公式如下:
rj(t)=xi(t)-cj(t) (3)
令xi(t)=rj(t),j=j+1,返回步骤2.1.1,继续对xi(t)分解,直到j=n+1,得到振动信号xi(t)对应的n个满足条件的IMF分量及一个余项。
图3-图6分别为正常充电、第一次过充、第二次过充、第三次过充对应IMF分量的时域图和频域图;
由图3-图6可以发现,储能电池振动信号中噪声比重较高,在第2~3个IMF分量以后才出现信号的主要频率,这也为步骤2.3选取特征IMF提供了依据。
对比图3-图6,不难发现信号的主要频率所占比重逐渐升高,可以表明电池受损程度逐渐加大,但特征不明显,因此进一步求取各IMF分量的EMD能量熵。
步骤2.2:对正常充电、第一次过充、第二次过充、第三次过充充电期间采集的储能电池振动信号,计算其对应的各IMF分量的EMD能量熵。
步骤2.3:比较不同过充次数下各IMF分量的EMD能量熵值,选取IMF3分量的能量熵值和IMF4分量的能量熵值作为储能电池健康状态的特征识别量。
步骤3:根据依据IMF3和IMF4的EMD能量熵变化对同类型储能电池进行健康状态识别,实现过充误操作预警,具体的:
对于待健康状态识别的储能电池,采集其充电期间的振动信号,对采集的振动信号进行EMD,筛选得到分量IMF3和IMF4,计算IMF3分量的能量熵值E3,以及IMF4分量的能量熵值E4;当满足以下判据时,则认为储能电池发生了过充误操作:
其中,α、β分别为第一权重系数和第二权重系数,E3、E4分别为当前实时监测储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵值和IMF4分量的能量熵值,E30、E40为正常充电状态下储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵原始值和IMF4分量的能量熵原始值;α+β=1,γ为预设阈值。
α、β分别优选为0.45和0.55;
γ优选为300。
根据上述的一种基于振动信号的储能电池健康状态识别方法的储能电池健康状态识别系统,所述系统包括:
振动信号采集模块,用于对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;
特征识别量筛选模块,用于基于对储能电池振动信号的EMD,筛选得到电池健康状态的特征识别量;
健康状态识别模块,用于根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警。
本发明选取振动量作为电池健康状态的特征量,易于实现,结果明显,诊断准确率较高,可以实现电池状态的实时在线监测。对于运行中的设备,可以及时发现其异常工况,协助现场人员在发展成为更严重的事故之前做出应对处理。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (11)
1.一种基于振动信号的储能电池健康状态识别方法,其特征在于:
所述方法包括以下步骤:
步骤1:对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;
步骤2:基于对储能电池振动信号进行经验模态分解EMD,筛选得到电池健康状态的特征识别量;
步骤3:根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警;
步骤3中,对于待健康状态识别的储能电池,采集其充电期间的振动信号,对采集的振动信号进行EMD分解,筛选得到分量IMF3和IMF4,计算IMF3分量的能量熵值E3,以及IMF4分量的能量熵值E4;当满足以下判据时,则认为储能电池发生了过充误操作:
其中,α、β分别为第一权重系数和第二权重系数,E3、E4分别为当前实时监测的储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵值和IMF4分量的能量熵值,E30、E40分别为正常充电状态下储能电池振动信号通过EMD分解后得到的IMF3分量的能量熵原始值和IMF4分量的能量熵原始值;α+β=1,γ为预设阈值。
2.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤1中,利用电池容量检测仪对储能电池进行多次过充设置;
过充设置包括:设置充电截止电压和充电方式;
每次过充均采用相同的过充设置,每次充电期间采集储能电池的振动信号。
3.根据权利要求2所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
所述过充设置为:设置充电截止电压为额定电压的1.5倍,采用恒流恒压充电方式。
4.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤1中,还利用电池容量检测仪对储能电池进行正常充电设置,正常充电期间采集的储能电池的振动信号与过充充电期间采集的储能电池的振动信号,一起用于步骤2中电池健康状态特征识别量的筛选;
所述正常充电设置包括:设置充电截止电压和充电方式。
5.根据权利要求4所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
所述正常充电设置为:设置充电截止电压为额定电压,采用恒流恒压充电方式。
6.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤1中,对同一储能电池进行三次过充设置。
7.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤1中,采集储能电池的振动信号时,采样频率为16kHz,采样时间为3~5秒。
8.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤2包括以下步骤:
步骤2.1:对每次充电期间采集的储能电池振动信号分别进行EMD分解,得到对应的IMF;
步骤2.2:对每次充电期间采集的储能电池振动信号,计算其对应的各IMF分量的EMD能量熵;
步骤2.3:比较不同过充次数下各IMF分量的EMD能量熵值,选取IMF3分量的能量熵值和IMF4分量的能量熵值作为电池健康状态的特征识别量。
9.根据权利要求8所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
步骤2.1中,对第i次充电期间采集的储能电池振动信号xi(t)进行EMD分解,包括:
步骤2.1.1:筛选xi(t)的所有极大值点和极小值点,其中t为采样时刻;
步骤2.1.2:利用插值法对极小值点形成下包络Bi1(t),对极大值点形成上包络Bi2(t);
步骤2.1.3:计算上包络、下包络的平均值mi(t),公式如下:
mi(t)=[Bi1(t)+Bi2(t)]/2 (1)
步骤2.1.4:求抽离细节hj(t),j初始值为1,公式如下:
hj(t)=xi(t)-mi(t) (2)
步骤2.1.5:如果hj(t)满足IMF条件,则hj(t)即为xi(t)的第j个IMF,记为cj(t),否则筛选hj(t)的所有极大值点和极小值点,返回步骤2.1.2,直至满足IMF条件;
步骤2.1.6:将cj(t)从xi(t)分离出来,公式如下:
rj(t)=xi(t)-cj(t) (3)
令xi(t)=rj(t),j=j+1,返回步骤2.1.1,继续对xi(t)分解,直到j=n+1,得到振动信号xi(t)对应的n个满足条件的IMF分量及一个余项。
10.根据权利要求1所述的一种基于振动信号的储能电池健康状态识别方法,其特征在于:
α、β分别为0.45和0.55;
γ为300。
11.一种用于实现权利要求1-10中任一项权利要求所述的基于振动信号的储能电池健康状态识别方法的储能电池健康状态识别系统,其特征在于:
所述系统包括:
振动信号采集模块,用于对同一储能电池进行多次过充设置,在每次充电期间采集储能电池的振动信号;
特征识别量筛选模块,用于基于对储能电池振动信号的EMD分解,筛选得到电池健康状态的特征识别量;
健康状态识别模块,用于根据电池健康状态的特征识别量对同类型储能电池进行健康状态识别,实现过充误操作预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177450.XA CN112485690B (zh) | 2020-10-28 | 2020-10-28 | 一种基于振动信号的储能电池健康状态识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177450.XA CN112485690B (zh) | 2020-10-28 | 2020-10-28 | 一种基于振动信号的储能电池健康状态识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112485690A CN112485690A (zh) | 2021-03-12 |
CN112485690B true CN112485690B (zh) | 2022-12-23 |
Family
ID=74927470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011177450.XA Active CN112485690B (zh) | 2020-10-28 | 2020-10-28 | 一种基于振动信号的储能电池健康状态识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112485690B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710959B (zh) * | 2021-03-29 | 2021-07-16 | 国网江苏省电力有限公司南京供电分公司 | 一种锂离子电池的状态评估方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147449A (zh) * | 2010-02-08 | 2011-08-10 | 上海驰源新材料科技有限公司 | 一种磷酸铁锂电池检测处理方法及装置 |
KR102359315B1 (ko) * | 2015-03-09 | 2022-02-07 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
CN111208436A (zh) * | 2020-02-21 | 2020-05-29 | 河海大学 | 基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法 |
CN111289097A (zh) * | 2020-02-25 | 2020-06-16 | 河海大学 | 一种基于振动信号的锂离子电池故障预警方法及系统 |
-
2020
- 2020-10-28 CN CN202011177450.XA patent/CN112485690B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112485690A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim | A technique for estimating the state of health of lithium batteries through a dual-sliding-mode observer | |
US10230248B2 (en) | Maintenance method of power battery pack | |
Alam et al. | Cycle-life degradation assessment of Battery Energy Storage Systems caused by solar PV variability | |
CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
CN103033759B (zh) | 一种蓄电池热失控智能判断方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN103529394A (zh) | 一种储能系统容量检测装置及方法 | |
CN115389958B (zh) | 一种锂离子电池运行安全性评估方法及系统 | |
CN112485690B (zh) | 一种基于振动信号的储能电池健康状态识别方法和系统 | |
CN114188623A (zh) | 带有防过充保护功能的锂电池组监管预警系统 | |
Sepasi et al. | SOC estimation for aged lithium-ion batteries using model adaptive extended Kalman filter | |
Al-Sheikh et al. | Health status and diagnosis of batteries in renewable energy systems: An overview | |
CN116774077A (zh) | 储能电站电池的健康检测方法、装置、设备及存储介质 | |
CN117078113A (zh) | 一种基于数据分析的户外电池生产质量管理系统 | |
CN113671393B (zh) | 一种电流采集检测方法、电池包与用电装置 | |
CN109412250B (zh) | 一种离网发电系统储能电池最佳充电速率的确定方法 | |
JP7106792B2 (ja) | 蓄電池の劣化診断データ抽出装置及び蓄電池の劣化診断データ抽出方法 | |
CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
CN108923084B (zh) | 一种极群极板电流分布的测试方法 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
Hutchinson et al. | Modeling and Simulation framework for hybrid Energy Storage Systems including degradation mitigation analysis under varying control schemes | |
CN111186338A (zh) | 一种快速响应的储能蓄电池bms系统 | |
CN111834675B (zh) | 电池充放电管理方法、电子装置以及存储介质 | |
CN114594380A (zh) | 一种基于bp神经网络的电池soc预测方法 | |
CN115963401A (zh) | 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |