CN112937369B - 一种基于马氏过程的动力电池组主动均衡控制方法 - Google Patents
一种基于马氏过程的动力电池组主动均衡控制方法 Download PDFInfo
- Publication number
- CN112937369B CN112937369B CN202110136069.7A CN202110136069A CN112937369B CN 112937369 B CN112937369 B CN 112937369B CN 202110136069 A CN202110136069 A CN 202110136069A CN 112937369 B CN112937369 B CN 112937369B
- Authority
- CN
- China
- Prior art keywords
- pressure difference
- sequence
- battery pack
- state
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000007704 transition Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
- B60L58/22—Balancing the charge of battery modules
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明的一种基于马氏过程的动力电池组主动均衡控制方法,利用马尔科夫链建立电池组压差预测模型,并且针对压差异常变化的情况,引入灰色系统进行原模型的补充。在预测到压差即将跳变扩大时,电池管理系统即采用相应的均衡控制策略进行电池组均衡操作。本发明利用大量的历史压差资料验证了加权马尔可夫链预测模型在动力电池组压差预测方面应用的可行性,它能够反映出压差值随机过程的动态变化趋势,同时为了弥补该模型对极端压差值预测不准的局限,结合灰色系统理论对其确定值进行一定的弥补,可以有效回避极端压差值带来的预测不稳定情况。从而为有效实现主动均衡的控制效果打下基础。实现均衡响应更快、更准确,均衡效率更高。
Description
技术领域
本发明涉及电动汽车领域中动力电池一致性的均衡控制技术领域,具体涉及一种基于马氏过程的动力电池组主动均衡控制方法。
背景技术
基于电池组中压差的预测对电池管理系统的设计与开发有着重要的意义。动力电池压差过大对电动汽车的使用与保养带来安全隐患并且伤害电池组。要保护电池,延长电池的使用寿命,就需要在动力电池的使用中进行均衡控制。动力电池组是否启动均衡主要根据电池开路电压或SOC来判断,但是电池的开路电压只有在长时间静置才可以代替电池电动势,这个静置时间难以掌控,而且电池组间的不一致性的电压差只有几毫伏或者零点几毫伏,难以判断。尽管SOC能够更好的反映电池组间的不一致性,使均衡效果更佳。即在电池组中加入一套备用电池,当压差变化到一定程度时,对电压偏低的电池单体进行充电的动作。而要良好的均衡保护得以实现,就需要准确的预测压差的变化趋势。由于电池组压差是随使用时间呈某种变化趋势的非平稳的随机过程,并受各种随机因素的影响,围绕某一变化趋势产生偏差、跳跃、摆动。以往的预测模型大多基于线性理论对压差值进行预测,结果往往不令人满意。
发明内容
本发明提出的一种基于马氏过程的动力电池组主动均衡控制方法,利用马尔科夫链建立电池组压差预测模型,并且针对压差异常变化的情况,引入灰色系统进行原模型的补充。在预测到压差即将跳变扩大时,电池管理系统即采用相应的均衡控制策略进行电池组均衡操作。
为实现上述目的,本发明采用了以下技术方案:
一种基于马氏过程的动力电池组主动均衡控制方法,包括以下步骤:
S1:选取TMS320F2812作为主动均衡电池管理系统的主控模块,单体电池的电压采集由电池监视器芯片bq76PL536A-Ql完成,电池组的均衡采用能量非耗散型均衡方式,选用TI公司的TPS55010作为均衡模块核计算芯片;
S2:对电池组压差的历史数据进行分类统计,按照均值-标准差的方式,先计算出历史数据中的压差平均值X,标准差S,确定电动汽车上的压差变化量是一个非平稳的随机过程;
S3:对压差数据按照从小到达的顺序进行分级标注;
S4:对标注分层之后的压差状态进行统计之后,用历史数据的频率取代概率,计算出马尔科夫链各个状态之间的状态转移矩阵中的状态转移值;
S5:将压差数据按照时间先后顺序进行分级判断,用前步提到的马尔科夫链状态转移矩阵进行逐步推导,预测下一时刻的压差变化;
S6:对于异常高的压差值,即被分类为超高状态的压差,找出其容易发生的时间点,之后专门挑出容易发生超高压差的时间段,采用灰色模型对其进行训练和预测;
S7:在整合后的预测模型对下一时刻的压差值等级进行判断之后,如若系统的预测等级为较高压差等级及以上,即开启BMS的均衡模式;
S8:开启均衡模式之后,通过系统备用电池向低压电池连续充电T时间之后,再关闭T时间中,T为3秒钟。
S9:完成上述主动均衡循环往复的过程后,再通过判断下一阶段的压差值来决定是否继续主动均衡的开启与关闭。
进一步的,所述S2具体包括:
利用电动汽车远程监控平台的电池检测历史数据,取设定历史年限的数据作为样本,对离散数据序列进行三次多项式拟合后发现压差序列值波动较大,且有极端异常高的情况出现,确定为非平稳序列后,先计算出压差集合中的平均值和标准差,之后再根据压差的分布情况,对其进行等级状态的划分。
进一步的,所述S3中单位为毫伏,分别分为低压差:0-10、中压差:1-20、较高压差:20-40、高压差:41-60和超高压差:>60,5个状态。
进一步的,所述S4具体包括:
计算马尔科夫链的状态转移矩阵,通过如下步骤实现:
用fij表示所研究的序列i状态出发,经过一步转移达到状态j的频数,以所有fij为元素的矩阵称为转移频数矩阵;
给定显著性水平α,查表可得认为序列{Xn}符合马氏性,否则认为该序列不可作为马尔可夫链来处理;
进一步的,所述S5具体包括:
本步骤就是将样本数据按照时间先后顺序排列后,再计算在给定显著性条件下的压差状态预测值,其计算的状态转移矩阵如下:
进一步的,所述S6具体包括:
首先对已知数据列做必要的检验处理,设参考数据为x(0)=[x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)],计算数列的级比λ(k)=y(0)(k-1/)y(0)(k),k=2,3,…,n;
如果所有的级比λ(k)都落在可容覆盖(e-2n+1,e2n+2)内,则数列x(0)作为模型GM(1,1)的数据进行灰色预测;否则,需要对数列x(0)做必要的变换处理,使其落入可容覆盖内;
应取常数C,做平移变换:y(0)(k)=x(0)(k)+C,使数列y(0)的级比λ(k)=y(0)(k-1)/y(0)(k),k=2,3,…,n落在可容覆盖(e-2n+1,e2n+2)内;
之后将GM(1,1)模型的建立;设x(0)为n个元素的数列,将x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n))做一次累加生成数列x(1),x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),…,x(1)(n-1)+x(0)(n-2)),其中x(1)(k)=∑x(0)(i),k=1,2,…,n;
设z(1)为数列x(1)的紧邻均值数列,即z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=2,3,…,n;则z(1)=(z(1)(2),z(1)(3),z(1)(4),…,z(1)(n));
令数列Y=(x(0)(2),x(0)(3),…,x(0)(n))T,
u=(a,b)T,称Y为数据向量,B为数据矩阵,u为参数向量,a、b为待求参数,则GM(1,1)模型可以表示为矩阵方程Y=Bu;由最小二乘法,求使得J(u)=(Y-Bu)T(Y-Bu)达到最小值,u=(a,b)T=(BTB)-1BTY求解方程后即可;
最后,进行预测值检验;通过残差检验的方式:残差为ε(k),计算ε(k)=[x(0)-x(0)(k)]/x(0)(k),k=1,2,…,n;
如果ε(k)<0.2,则认为达到一般要求;如果ε(k)<0.1,则认为达到较高要求;根据统计发现,极端的压差值出现的时间点大致相似。
由上述技术方案可知,本发明的基于马氏过程的动力电池组主动均衡控制方法,采用均值--标准差分级法,对其进行压差状态分级,利用加权马尔可夫链对压差值进行状态等级预测,并利用灰色系统理论中的GM(1,1)模型对易发生压差异常高的使用时间段(超高压差)进行预测。能较好的解决压差变化带来的均衡控制问题。
本发明利用大量的历史压差资料验证了加权马尔可夫链预测模型在动力电池组压差预测方面应用的可行性,它能够反映出压差值随机过程的动态变化趋势,同时为了弥补该模型对极端压差值预测不准的局限性,结合利用灰色系统理论对其确定进行一定的弥补,可以有效回避极端压差值带来的预测不稳定情况。从而为有效实现主动均衡的控制效果打下基础。实现均衡响应更快、更准确,均衡效率更高。
附图说明
图1是本发明的方法流程图;
图2是电池组压差变化趋势图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于马氏过程的动力电池组主动均衡控制方法,包括:
S1:选取TMS320F2812作为主动均衡电池管理系统的主控模块,单体电池的电压采集由电池监视器芯片bq76PL536A-Ql完成,电池组的均衡采用能量非耗散型均衡方式,选用TI公司的TPS55010作为均衡模块核计算芯片;
S2:对电池组压差的历史数据进行分类统计,按照均值-标准差的方式,先计算出历史数据中的压差平均值X=27.18毫伏,标准差S=19.69毫伏,确定电动汽车上的压差变化量是一个非平稳的随机过程。
其中,利用电动汽车远程监控平台的电池检测历史数据,取2018-2020年全年三年数据作为样本。对离散数据序列进行三次多项式拟合后发现压差序列值波动较大,且有极端异常高的情况出现。确定为非平稳序列后,先计算出压差集合中的平均值和标准差。之后再根据压差的分布情况,对其进行等级状态的划分。图2是电池组压差变化趋势图。
S3:对压差数据按照从小到达的顺序进行分级标注,单位(毫伏)分别分为低压差(0-10)、中压差(11-20)、较高压差(20-40)、高压差(41-60)和超高压差(>60)等5个状态。如下表所示:
S4:对标注分层之后的压差状态进行统计之后,用历史数据的频率取代概率。计算出马尔科夫链各个状态之间的状态转移矩阵中的状态转移值。
计算马尔科夫链的状态转移矩阵,通过如下详细步骤实现:用fij表示所研究的序列i状态出发,经过一步转移达到状态j的频数,以所有fij为元素的矩阵称为转移频数矩阵。以为元素的矩阵称为转移概率矩阵。将转移频数矩阵各列之和分别除以各行各列的总和就得到了边缘频率,并把它作为边缘概率的估计,记为这里设研究的序列有n个状态。由概率推论可知,统计量服从自由度为(n-1)2的χ2分布,其中pij表示n×n的转移概率矩阵。给定显著性水平α,查表可得认为序列{Xn}符合马氏性,否则认为该序列不可作为马尔可夫链来处理。接着进行电池运营时的各个状态之间转移的概率。选择相应的指标值为初始状态,结合其相应的各阶转移概率矩阵,即可预测出该时段指标值的状态为滞时(步长),k=1,2,..,n。将同一状态的各预测概率加权和作为指标值处于该状态的预测概率,max{pi}所对应的即为该时段指标值的预测状态。
S5:将压差数据按照时间先后顺序进行分级判断,用前步提到的马尔科夫链状态转移矩阵进行逐步推导。预测下一时刻的压差变化。
本步骤就是将样本数据按照时间先后顺序排列后,再计算在给定显著性条件下的压差状态预测值。譬如计算的状态转移矩阵如下:
S6:对于异常高的压差值,即被分类为超高状态的压差,找出其容易发生的时间点。之后专门挑出容易发生超高压差的时间段。采用灰色模型对其进行训练和预测。
这里对于压差值异常高的情况,需要通过一种补充模型来协助校验预测。在此选择灰色该系统为一个预测补充方法。灰色系统理论中的GM(1,1)模型的基本原理:把随时间变化的一随机数据序列,通过适当的方式累加,使之成为一非负递增的数据序列,用适当的曲线逼近,以此曲线作为预测模型,对系统进行预测。
具体做法如下:
首先对已知数据列做必要的检验处理,设参考数据为x(0)=[x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)],计算数列的级比λ(k)=y(0)(k-1/)y(0)(k),k=2,3,…,n。如果所有的级比λ(k)都落在可容覆盖(e-2n+1,e2n+2)内,则数列x(0)可以作为模型GM(1,1)的数据进行灰色预测。否则,需要对数列x(0)做必要的变换处理,使其落入可容覆盖内;应取适当的常数C,做平移变换:y(0)(k)=x(0)(k)+C,使数列y(0)的级比λ(k)=y(0)(k-1)/y(0)(k),k=2,3,…,n落在可容覆盖(e-2n+1,e2n+2)内。之后将GM(1,1)模型的建立。设x(0)为n个元素的数列,将x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n))做一次累加生成数列x(1),x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),…,x(1)(n-1)+x(0)(n-2)),其中x(1)(k)=∑x(0)(i),k=1,2,…,n。设z(1)为数列x(1)的紧邻均值数列,即z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=2,3,…,n;则z(1)=(z(1)(2),z(1)(3),z(1)(4),…,z(1)(n))。令数列Y=(x(0)(2),x(0)(3),…,x(0)(n))T,u=(a,b)T,称Y为数据向量,B为数据矩阵,u为参数向量,a、b为待求参数,则GM(1,1)模型可以表示为矩阵方程Y=Bu。由最小二乘法,求使得J(u)=(Y-Bu)T(Y-Bu)达到最小值,u=(a,b)T=(BTB)-1BTY
求解方程后即可。最后,进行预测值检验。通过残差检验的方式:残差为ε(k),计算ε(k)=[x(0)-x(0)(k)]/x(0)(k),k=1,2,…,n。如果ε(k)<0.2,则认为达到一般要求;如果ε(k)<0.1,则认为达到较高要求。根据统计发现,极端的压差值出现的时间点大致相似。所以该种灰色系统方法可以较为有效的极端值的出现。
S7:在整合后的预测模型对下一时刻的压差值等级进行判断之后,如若系统的预测等级为较高压差以上(包含较高压差等级)。即开启BMS的均衡模式。
S8:开启均衡模式之后,通过系统备用电池向低压电池连续充电3秒钟之后,再关闭3秒。
S9:完成上述主动均衡循环往复的过程后,再通过判断下一阶段的压差值来决定是否继续主动均衡的开启与关闭。
由上述技术方案可知,本发明针对电池组一致性问题,采取先预测电池组的压差值序列值,根据相应的压差分类等级开启相应的均衡操作。依据2015-2020年六年多的电池组压差记录资料,采用均值-标准差分级法,对其进行状态分级,分为低压差、中压差、较高压差、高压差和超高压差5个状态,利用加权马尔可夫链建立电池组压差预测模型,同时考虑到极端情况下压差预测不准的缺点,利用灰色系统理论进行超高压差的情况进行预测,作为原模型的补充。结果表明,采用该方法预测的结果与实际情况相吻合,能够很好的指电池管理系统(BMS)开启均衡操作的要求。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于马氏过程的动力电池组主动均衡控制方法,其特征在于:
包括以下步骤:
S1:选取TMS320F2812作为主动均衡电池管理系统的主控模块,单体电池的电压采集由电池监视器芯片bq76PL536A-Ql完成,电池组的均衡采用能量非耗散型均衡方式,选用TI公司的TPS55010作为均衡模块核计算芯片;
S2:对电池组压差的历史数据进行分类统计,按照均值-标准差的方式,先计算出历史数据中的压差平均值X,标准差S,确定电动汽车上的压差变化量是一个非平稳的随机过程;
S3:对压差数据按照从小到大的顺序进行分级标注;
S4:对标注分层之后的压差状态进行统计之后,用历史数据的频率取代概率,计算出马尔科夫链各个状态之间的状态转移矩阵中的状态转移值;
S5:将压差数据按照时间先后顺序进行分级判断,用前步提到的马尔科夫链状态转移矩阵进行逐步推导,预测下一时刻的压差变化;
S6:对于异常高的压差值,即被分类为超高状态的压差,找出其容易发生的时间点,之后专门挑出容易发生超高压差的时间段,采用灰色模型对其进行训练和预测;
S7:在整合后的预测模型对下一时刻的压差值等级进行判断之后,如若系统的预测等级为较高压差等级及以上,即开启BMS的均衡模式;
S8:开启均衡模式之后,通过系统备用电池向低压电池连续充电T时间之后,再关闭T时间;
S9:完成上述主动均衡循环往复的过程后,再通过判断下一阶段的压差值来决定是否继续主动均衡的开启与关闭。
2.根据权利要求1所述的基于马氏过程的动力电池组主动均衡控制方法,其特征在于:所述S2具体包括:
利用电动汽车远程监控平台的电池检测历史数据,取设定历史年限的数据作为样本,对离散数据序列进行三次多项式拟合后发现压差序列值波动较大,且有极端异常高的情况出现,确定为非平稳序列后,先计算出压差集合中的平均值和标准差,之后再根据压差的分布情况,对其进行等级状态的划分。
3.根据权利要求2所述的基于马氏过程的动力电池组主动均衡控制方法,其特征在于:所述S4具体包括:
计算马尔科夫链的状态转移矩阵,通过如下步骤实现:
用fij表示所研究的序列i状态出发,经过一步转移达到状态j的频数,以所有fij为元素的矩阵称为转移频数矩阵;
给定显著性水平α,查表可得认为序列{Xn}符合马氏性,否则认为该序列不可作为马尔可夫链来处理;
5.根据权利要求4所述的基于马氏过程的动力电池组主动均衡控制方法,其特征在于:所述S6具体包括:
首先对已知数据列做必要的检验处理,设参考数据为x(0)=[x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)],计算数列的级比λ(k)=y(0)(k-1/)y(0)(k),k=2,3,…,n;
如果所有的级比λ(k)都落在可容覆盖(e-2n+1,e2n+2)内,则数列x(0)作为模型GM(1,1)的数据进行灰色预测;否则,需要对数列x(0)做必要的变换处理,使其落入可容覆盖内;
应取常数C,做平移变换:y(0)(k)=x(0)(k)+C,使数列y(0)的级比λ(k)=y(0)(k-1)/y(0)(k),k=2,3,…,n落在可容覆盖(e-2n+1,e2n+2)内;
之后将GM(1,1)模型的建立;设x(0)为n个元素的数列,将x(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n))做一次累加生成数列x(1),x(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),…,x(1)(n-1)+x(0)(n-2)),其中x(1)(k)=∑x(0)(i),k=1,2,…,n;
设z(1)为数列x(1)的紧邻均值数列,即z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=2,3,…,n;则z(1)=(z(1)(2),z(1)(3),z(1)(4),…,z(1)(n));
令数列Y=(x(0)(2),x(0)(3),…,x(0)(n))T,u=(a,b)T,称Y为数据向量,B为数据矩阵,u为参数向量,a、b为待求参数,则GM(1,1)模型可以表示为矩阵方程Y=Bu;由最小二乘法,求使得J(u)=(Y-Bu)T(Y-Bu)达到最小值,u=(a,b)T=(BTB)-1BTY求解方程后即可;
最后,进行预测值检验;通过残差检验的方式:残差为ε(k),计算ε(k)=[x(0)-x(0)(k)]/x(0)(k),k=1,2,…,n;
如果ε(k)<0.2,则认为达到一般要求;如果ε(k)<0.1,则认为达到较高要求;根据统计发现,极端的压差值出现的时间点大致相似。
6.根据权利要求1所述的基于马氏过程的动力电池组主动均衡控制方法,其特征在于:所述S8中,T为3秒钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136069.7A CN112937369B (zh) | 2021-02-01 | 2021-02-01 | 一种基于马氏过程的动力电池组主动均衡控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136069.7A CN112937369B (zh) | 2021-02-01 | 2021-02-01 | 一种基于马氏过程的动力电池组主动均衡控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112937369A CN112937369A (zh) | 2021-06-11 |
CN112937369B true CN112937369B (zh) | 2022-10-11 |
Family
ID=76240565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110136069.7A Active CN112937369B (zh) | 2021-02-01 | 2021-02-01 | 一种基于马氏过程的动力电池组主动均衡控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112937369B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945852B (zh) * | 2021-10-20 | 2024-03-12 | 福州大学 | 一种蓄电池组不一致性评价方法 |
CN116826930B (zh) * | 2023-08-29 | 2023-11-14 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104617623B (zh) * | 2015-01-30 | 2017-11-03 | 武汉理工大学 | 一种电动汽车动力电池组均衡控制方法 |
JP6565490B2 (ja) * | 2015-08-27 | 2019-08-28 | 株式会社デンソー | 車両の使用予測システム |
KR102559199B1 (ko) * | 2015-11-02 | 2023-07-25 | 삼성전자주식회사 | 배터리 관리 방법 및 배터리 관리 장치 |
CN105818707B (zh) * | 2016-03-30 | 2018-03-20 | 宁波伟吉电力科技有限公司 | 电池控制方法和系统及电动汽车 |
CN107221971B (zh) * | 2017-05-02 | 2020-08-07 | 北京欧鹏巴赫新能源科技股份有限公司 | 利用隐含马尔科夫模型进行动力电池主动均衡判断的方法 |
CN107895175A (zh) * | 2017-11-13 | 2018-04-10 | 北京电子工程总体研究所 | 一种基于非齐次马尔科夫链模型预测锂离子电池容量退化的方法 |
CN108275017A (zh) * | 2018-01-19 | 2018-07-13 | 合肥国轩高科动力能源有限公司 | 一种动力电池组主动均衡系统及控制方法 |
CN108665153B (zh) * | 2018-04-26 | 2022-02-11 | 江苏理工学院 | 一种基于马氏链和故障树的车载复合电源可靠性评估方法 |
CN111080481A (zh) * | 2019-12-14 | 2020-04-28 | 广西电网有限责任公司电力科学研究院 | 一种基于马尔可夫链修正的电能替代潜力灰色分析方法 |
-
2021
- 2021-02-01 CN CN202110136069.7A patent/CN112937369B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112937369A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
Xue et al. | Fault diagnosis and abnormality detection of lithium-ion battery packs based on statistical distribution | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
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 | |
CN112937369B (zh) | 一种基于马氏过程的动力电池组主动均衡控制方法 | |
CN109604186A (zh) | 动力电池性能柔性评估分选方法 | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN104680024A (zh) | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN114865668A (zh) | 一种储能调度支撑评估方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
Wei et al. | Two-phase early prediction method for remaining useful life of lithium-ion batteries based on a neural network and Gaussian process regression | |
US20230184838A1 (en) | Device and method for diagnosing battery | |
Ertan et al. | Lead-Acid Battery Lifetime Estimation using Limited Labeled Data for Cellular Base Stations | |
Bose et al. | Sensitivity Analysis of Battery Digital Twin Design Variables Using Genetic Programming | |
US20240168093A1 (en) | Device and Method for Predicting Low Voltage Failure of Secondary Battery, and Battery Control System Comprising Same Device | |
CN115825755B (zh) | 一种储能电池电芯电压一致性评估方法 | |
Gong et al. | Data-driven lithium-ion battery remaining life prediction on actual operating vehicles | |
Ye et al. | Quantifying the impact of charging strategy on degradation of battery energy storage system |
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 |