CN113297129A - 一种储能系统的soc计算方法及系统 - Google Patents
一种储能系统的soc计算方法及系统 Download PDFInfo
- Publication number
- CN113297129A CN113297129A CN202110465814.2A CN202110465814A CN113297129A CN 113297129 A CN113297129 A CN 113297129A CN 202110465814 A CN202110465814 A CN 202110465814A CN 113297129 A CN113297129 A CN 113297129A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- energy storage
- storage system
- neural network
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 79
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 45
- 238000012795 verification Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种储能系统的SOC计算方法及系统,属于储能系统技术领域。该计算方法包括:S1,采集储能系统实时的电压、电流和温度值;S2,将S1采集到的实时电压、电流和温度值输入到多个神经网络,计算得到每一个神经网络预测SOC值;S3,根据S2得到的预测SOC值,利用权重公式得到最终的SOC值。本发明方法大幅度的提升了SOC计算的精准度,它不受安时积分法的误差累加的限制,无需对不同运行环境下对SOC的偏差的修正;该算法直接映射电流,电压,温度等多个输入参数和SOC的非线性关系,可以实时的精准的计算SOC值。
Description
技术领域
本发明属于储能系统技术领域,具体涉及一种储能系统的SOC计算方法及系统。
背景技术
储能系统的SOC计算是储能系统运行过程中最核心的内容之一。目前,主流的储能系统的SOC计算是依据安时积分法进行的。该方法计算的缺点是会对误差进行累积,使得SOC的计算偏差越来越大。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种储能系统的SOC计算方法及系统,该方法是一种基于深度学习的神经网络和时间序列的RNN网络的综合计算方式,很好的解决了安时积分的计算累计误差,具有很好的算法鲁棒性。
本发明是通过以下技术方案实现的:
本发明的第一个方面,提供了一种储能系统的SOC计算方法,包括以下步骤:
S1,采集储能系统实时的电压、电流和温度值;
S2,将S1采集到的实时电压、电流和温度值输入到多个神经网络,计算得到每一个神经网络预测SOC值;
S3,根据S2得到的预测SOC值,利用权重公式得到最终的SOC值。
进一步地,步骤S2具体包括:
S21,首先分别对各个神经网络进行训练,并分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2;
S22,将S1采集到的储能系统实时的电压、电流和温度值,输入到S21训练好的基于深度学习的神经网络和基于时间序列的RNN网络,计算得到两个神经网络预测的SOC1值和SOC2值。
进一步地,步骤S21中对各个神经网络进行训练,训练过程具体为:采用传统的神经网络训练过程,即分成训练样本和验证样本,利用训练样本和验证样本不断优化神经网络的参数最终得到训练好的神经网络。
进一步地,步骤S21中计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2,具体为:
利用已经标定好的数据对基于深度学习的神经网络和基于时间序列的RNN网络分别进行训练,然后将训练好的网络合并在一起进行训练,得出预测的权重参数w1和w2。
进一步地,标定好的数据采用如下方法得到:需要对电芯或者储能系统进行满充和满放,从而确定在不同的电流、电压和温度的条件下对应的SOC值;对于深度学习神经网络,其训练数据是电流的累加值、电压值和温度值,对于RNN网络,其训练值为上个时间段的SOC值,当时的电流值和电压值。
进一步地,将训练好的网络合并在一起进行训练,具体为:在RNN网络没有初始SOC值的时候,它的值是来源于深度学习网络,当有上个时间段的SOC值的时候,RNN网络就利用自己计算的上个时间段的SOC值作为下个时间段的输入值;
该过程需要储能系统的精准的SOC值作为指导,计算每个神经网络的权重参数,其计算公式如下:
其中,精准的的SOC值是标定好的数据,里面有对应的精准的SOC值;误差值1是利用公式(1)计算得到的基于深度学习的神经网络的误差值,w1是基于深度学习的神经网络的权重值;误差值2是利用公式(1)计算得到的基于时间序列的RNN网络的误差值,w2是基于时间序列的RNN网络的权重值。
进一步地,步骤S22中,对于深度学习神经网络,其输入值为储能系统的电压值和从起始开始叠加的电流累加值,输出为储能系统的预测SOC值;
对于RNN循环时间神经网络,其输入值为电压值、电流值和上个时间段的储能系统的SOC值,输出为储能系统的预测SOC值。
进一步地,步骤S3具体为:
在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值,其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)。
本发明的第二个方面,提供了一种储能系统的SOC计算系统,具体包括:
采集单元,用于采集储能系统实时的电压、电流和温度值;
权重获取单元,与采集单元连接,通过对神经网络进行训练,分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2;
预测单元,分别与采集单元和权重获取单元连接,用于将采集单元采集到的实时电压、电流值输入到权重获取单元训练好的多个神经网络,计算得到每一个神经网络预测SOC值;
输出单元,分别与权重获取单元和预测单元连接,用于根据预测单元得到的预测SOC值,利用权重公式得到最终的SOC值。
进一步地,输出单元在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值。其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)。
与现有技术相比,本发明的有益效果是:
本发明一种储能系统的SOC计算方法及系统,大幅度的提升了SOC计算的精准度,它不受安时积分法的误差累加的限制,无需对不同运行环境下(电流,电压,温度)对SOC的偏差的修正。该算法直接映射电流,电压,温度等多个输入参数和SOC的非线性关系,可以实时的精准的计算SOC值。
附图说明
图1是本发明储能系统的SOC计算方法的步骤框图;
图2是本发明储能系统的SOC计算系统的组成结构图;
图3是第一次充电SOC计算误差;
图4是第二次充电SOC计算误差;
图5是第三次充电SOC计算误差。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明实施例公开了一种储能系统的SOC计算方法,是一种基于深度学习的神经网络和时间序列的RNN网络的综合计算方式,如图1所示,包括以下步骤:
S1,采集储能系统实时的电压、电流和温度值;
S2,将S1采集到的实时电压、电流和温度值输入到多个神经网络,计算得到每一个神经网络预测SOC值;
所述步骤S2具体包括:
S21,首先分别对各个神经网络进行训练,并分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2。
训练过程就是采用传统的神经网络训练过程,即分成训练样本和验证样本,利用训练样本和验证样本不断优化神经网络的参数最终得到训练好的神经网络。
利用已经标定好的数据对基于深度学习的神经网络和基于时间序列的RNN网络分别进行训练,然后将训练好的网络合并在一起进行训练,得出预测的权重参数w1和w2。
标定好的数据采用如下方法得到:需要对电芯或者储能系统进行满充和满放,从而确定在不同的电流、电压和温度的条件下对应的SOC值。对于两个不同的神经网络,其训练数据也是不一样的。对于深度学习神经网络,其训练数据是电流的累加值、电压值和温度值,对于RNN网络,其训练值为上个时间段的SOC值,当时的电流值和电压值。
将训练好的网络合并在一起进行训练,具体为:在RNN网络没有初始SOC值的时候,它的值是来源于深度学习网络,当有上个时间段的SOC值的时候,RNN网络就利用自己计算的上个时间段的SOC值作为下个时间段的输入值。
该过程需要储能系统的精准的SOC值作为指导,计算每个神经网络的权重参数,其计算公式如下:
其中,精准的的SOC值就是标定好的数据,里面有对应的精准的SOC值;误差值1是利用公式(1)计算得到的基于深度学习的神经网络的误差值,w1是基于深度学习的神经网络的权重值;误差值2是利用公式(1)计算得到的基于时间序列的RNN网络的误差值,w2是基于时间序列的RNN网络的权重值。
S22,将S1采集到的储能系统实时的电压、电流和温度值,输入到S21训练好的基于深度学习的神经网络和基于时间序列的RNN网络,计算得到两个神经网络预测的SOC1值和SOC2值。
在实时运行过程中,零时刻开始,先利用深度学习神经网络计算出前N个时间段的SOC值,然后将输出结果输入到RNN循环神经网络,后续RNN神经循环网络将利用自己的输出对后面的SOC值进行预测。
对于深度学习神经网络,其输入值为储能系统的电压值和从起始开始叠加的电流累加值,输出为储能系统的预测SOC值,充电过程当中,储能系统的叠加的电流不断增加(充电电流为正);放电过程中,储能系统的叠加电流不断的减少(充电电流为负)。
对于RNN循环时间神经网络,其输入值为电压值、电流值和上个时间段的储能系统的SOC值,输出为储能系统的预测SOC值。
S3,根据S2得到的预测SOC值,利用权重公式得到最终的SOC值。
在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值。其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)
本发明实施例还公开了一种储能系统的SOC计算系统,如图2所示,具体包括:
(1)采集单元10,用于采集储能系统实时的电压、电流和温度值;
(2)权重获取单元20,与采集单元10连接,通过对神经网络进行训练,分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2。
训练过程就是采用传统的神经网络训练过程,即分成训练样本和验证样本,利用训练样本和验证样本不断优化神经网络的参数最终得到训练好的神经网络。
利用已经标定好的数据对基于深度学习的神经网络和基于时间序列的RNN网络分别进行训练,然后将训练好的网络合并在一起进行训练,得出预测的权重参数w1和w2。
标定好的数据采用如下方法得到:需要对电芯或者储能系统进行满充和满放,从而确定在不同的电流、电压和温度的条件下对应的SOC值。对于两个不同的神经网络,其训练数据也是不一样的。对于深度学习神经网络,其训练数据是电流的累加值、电压值和温度值,对于RNN网络,其训练值为上个时间段的SOC值,当时的电流值和电压值。
在RNN网络没有初始SOC值的时候,它的值是来源于深度学习网络的,当有上个时间段的SOC值的时候,RNN网络就利用自己计算的上个时间段的SOC值作为下个时间段的输入值。
该过程需要储能系统的精准的SOC值作为指导,计算每个神经网络的权重参数,其计算公式如下:
其中,精准的的SOC值就是标定好的数据,里面有对应的精准的SOC值;误差值1是利用公式(1)计算得到的基于深度学习的神经网络的误差值,w1是基于深度学习的神经网络的权重值;误差值2是利用公式(1)计算得到的基于时间序列的RNN网络的误差值,w2是基于时间序列的RNN网络的权重值。
(3)预测单元30,分别与采集单元10和权重获取单元20连接,用于将采集单元10采集到的实时电压、电流值输入到权重获取单元20训练好的多个神经网络,计算得到每一个神经网络预测SOC值;
在实时运行过程中,零时刻开始,先利用深度学习神经网络计算出前N个时间段的SOC值,然后将输出结果输入到RNN循环神经网络,后续RNN神经循环网络将利用自己的输出对前N个时间段的SOC值进行预测。
对于深度学习神经网络,其输入值为储能系统的电压值和从起始开始叠加的电流累加值,输出为储能系统的SOC值,充电过程当中,储能系统的叠加的电流不断增加(充电电流为正);放电过程中,储能系统的叠加电流不断的减少(充电电流为负)。
对于RNN循环时间神经网络,其输入值为电压值、电流值和上个时间段的储能系统的SOC值,输出为储能系统的实时的SOC值。
(4)输出单元40,分别与权重获取单元20和预测单元30连接,用于根据预测单元30得到的预测SOC值,利用权重公式得到最终的SOC值。
在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值。其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)
图3至图5为A2-12号集装箱中,力信电芯的AI模型,3个图对应3次充电的SOC计算误差结果。图中的计算SOC值就是神经网络的输出值,实际SOC值就是精准的SOC值,SOC计算误差就是每个采样点用公式(1)计算得到的。从图3至图5上可以看到,经过三次充电后,误差值接近0,计算SOC值与实际SOC值相同。
最后应说明的是,上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (10)
1.一种储能系统的SOC计算方法,其特征在于:所述计算方法,包括以下步骤:
S1,采集储能系统实时的电压、电流和温度值;
S2,将S1采集到的实时电压、电流和温度值输入到多个神经网络,计算得到每一个神经网络预测SOC值;
S3,根据S2得到的预测SOC值,利用权重公式得到最终的SOC值。
2.根据权利要求1所述的储能系统的SOC计算方法,其特征在于:所述步骤S2具体包括:
S21,首先分别对各个神经网络进行训练,并分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2;
S22,将S1采集到的储能系统实时的电压、电流和温度值,输入到S21训练好的基于深度学习的神经网络和基于时间序列的RNN网络,计算得到两个神经网络预测的SOC1值和SOC2值。
3.根据权利要求2所述的储能系统的SOC计算方法,其特征在于:所述步骤S21中对各个神经网络进行训练,训练过程具体为:采用传统的神经网络训练过程,即分成训练样本和验证样本,利用训练样本和验证样本不断优化神经网络的参数最终得到训练好的神经网络。
4.根据权利要求3所述的储能系统的SOC计算方法,其特征在于:步骤S21中计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2,具体为:
利用已经标定好的数据对基于深度学习的神经网络和基于时间序列的RNN网络分别进行训练,然后将训练好的网络合并在一起进行训练,得出预测的权重参数w1和w2。
5.根据权利要求4所述的储能系统的SOC计算方法,其特征在于:标定好的数据采用如下方法得到:需要对电芯或者储能系统进行满充和满放,从而确定在不同的电流、电压和温度的条件下对应的SOC值;对于深度学习神经网络,其训练数据是电流的累加值、电压值和温度值,对于RNN网络,其训练值为上个时间段的SOC值,当时的电流值和电压值。
6.根据权利要求5所述的储能系统的SOC计算方法,其特征在于:将训练好的网络合并在一起进行训练,具体为:在RNN网络没有初始SOC值的时候,它的值是来源于深度学习网络,当有上个时间段的SOC值的时候,RNN网络就利用自己计算的上个时间段的SOC值作为下个时间段的输入值;
该过程需要储能系统的精准的SOC值作为指导,计算每个神经网络的权重参数,其计算公式如下:
其中,精准的的SOC值就是标定好的数据,里面有对应的精准的SOC值;误差值1是利用公式(1)计算得到的基于深度学习的神经网络的误差值,w1是基于深度学习的神经网络的权重值;误差值2是利用公式(1)计算得到的基于时间序列的RNN网络的误差值,w2是基于时间序列的RNN网络的权重值。
7.根据权利要求6所述的储能系统的SOC计算方法,其特征在于:步骤S22中,对于深度学习神经网络,其输入值为储能系统的电压值和从起始开始叠加的电流累加值,输出为储能系统的预测SOC值;
对于RNN循环时间神经网络,其输入值为电压值、电流值和上个时间段的储能系统的SOC值,输出为储能系统的预测SOC值。
8.根据权利要求2-7任一项所述的储能系统的SOC计算方法,其特征在于:步骤S3具体为:
在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值,其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)。
9.一种储能系统的SOC计算系统,其特征在于:具体包括:
采集单元,用于采集储能系统实时的电压、电流和温度值;
权重获取单元,与所述采集单元连接,通过对神经网络进行训练,分别计算储能系统基于深度学习的神经网络的权重参数w1和基于时间序列的RNN网络的权重参数w2;
预测单元,分别与所述采集单元和所述权重获取单元连接,用于将采集单元采集到的实时电压、电流输入到权重获取单元训练好的多个神经网络,计算得到每一个神经网络预测SOC值;
输出单元,分别与所述权重获取单元和所述预测单元连接,用于根据预测单元得到的预测SOC值,利用权重公式得到最终的SOC值。
10.根据权利要求9所述的储能系统的SOC计算系统,其特征在于:所述输出单元在SOC的计算过程中,深度学习神经网络和时间序列RNN网络分别依据输入量计算出当时储能系统的SOC1值和SOC2值,通过各自的权重参数叠加后得出最终的SOC值,其计算公式如下:
SOC=SOC1×w1+SOC2×w2 (4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465814.2A CN113297129A (zh) | 2021-04-28 | 2021-04-28 | 一种储能系统的soc计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465814.2A CN113297129A (zh) | 2021-04-28 | 2021-04-28 | 一种储能系统的soc计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297129A true CN113297129A (zh) | 2021-08-24 |
Family
ID=77320389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110465814.2A Pending CN113297129A (zh) | 2021-04-28 | 2021-04-28 | 一种储能系统的soc计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524655A (zh) * | 2022-10-14 | 2022-12-27 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
JP7408843B2 (ja) | 2020-11-13 | 2024-01-05 | エルジー・ケム・リミテッド | 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
-
2021
- 2021-04-28 CN CN202110465814.2A patent/CN113297129A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7408843B2 (ja) | 2020-11-13 | 2024-01-05 | エルジー・ケム・リミテッド | 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム |
CN115524655A (zh) * | 2022-10-14 | 2022-12-27 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
CN115524655B (zh) * | 2022-10-14 | 2023-11-07 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN110673039B (zh) | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 | |
CN113297129A (zh) | 一种储能系统的soc计算方法及系统 | |
Li et al. | CNN and transfer learning based online SOH estimation for lithium-ion battery | |
CN106932728A (zh) | 电池荷电状态soc修正方法、装置及电动汽车 | |
WO2022100229A1 (zh) | 一种基于人工智能的锂离子电池系统soc估计方法 | |
CN108693483A (zh) | 一种电池包荷电状态的计算方法及系统 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
CN115659649A (zh) | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 | |
CN113033104B (zh) | 一种基于图卷积的锂电池荷电状态估计方法 | |
Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
CN106154170B (zh) | 电池剩余容量的估算方法及系统 | |
CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN116577686A (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
JP2006300692A (ja) | 二次電池の残存容量演算方式 | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
CN114741963A (zh) | 基于多尺度注意力机制的锂电池荷电状态预测方法 |
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 |