CN113447823A - 蓄电池组健康预测的方法 - Google Patents

蓄电池组健康预测的方法 Download PDF

Info

Publication number
CN113447823A
CN113447823A CN202110601921.3A CN202110601921A CN113447823A CN 113447823 A CN113447823 A CN 113447823A CN 202110601921 A CN202110601921 A CN 202110601921A CN 113447823 A CN113447823 A CN 113447823A
Authority
CN
China
Prior art keywords
storage battery
capacity
discharge
battery pack
voltage
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
CN202110601921.3A
Other languages
English (en)
Other versions
CN113447823B (zh
Inventor
王延涛
刘松
金欣
左长华
潘志鹏
王兆敏
韩其东
赵利
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.)
Binzhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Binzhou Power Supply Co of State Grid Shandong Electric Power 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 Binzhou Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Binzhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202110601921.3A priority Critical patent/CN113447823B/zh
Publication of CN113447823A publication Critical patent/CN113447823A/zh
Application granted granted Critical
Publication of CN113447823B publication Critical patent/CN113447823B/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]
    • G01R31/367—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
    • 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
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种蓄电池组健康预测的方法，包括以下步骤：利用前馈神经网络对蓄电池组剩余容量进行预测，并建立放电模型，通过放电模型对蓄电池组剩余容量进行验算；在线获取电池参数，将参数输入放电模型，放电模型输出蓄电池SOH；在蓄电池放电时，获取放电电压和蓄电池SOH，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，在核容20％蓄电池组标称容量的前提下实时准确预测后备蓄电池在断电情况下的供电能力。可见采用本发明的方法，可实现电池故障的提前预警，并提供中长期失效预测，以便能在事故前发现蓄电池组的故障问题。

Description

蓄电池组健康预测的方法
技术领域
本发明涉及蓄电池技术领域，尤其涉及一种蓄电池组健康预测的方法。
背景技术
目前变电站蓄电池组的容量检测工作，主要通过人工使用放电仪表来实现容量的检测，不仅测试时间长，且测试过程中出现失压故障，电池组没有足够的容量来保障负载的正常运行。
日常的巡检为每月对每节蓄电池进行一次内阻、电压、温度的测试，保障电池组日常工作正常。人工的运维方式效率极其低下，且当电池过程中出现故障时无法及时发现问题，导致安全事故发生。
变电站直流系统蓄电池的日常运维工作，主要是靠人工进行各个变电站蓄电池组的逐一巡检及充放电运维。根据国网蓄电池运维规范新电池组每2年进行一次深度容量核对测试，4年以上的电池组每年必须进行最少一次深度容量核对。人工运维存在运维时间长，设备投入大，效率低下等问题。
发明内容
针对上述不足，本发明所要解决的技术问题是：提供一种蓄电池组健康预测的方法，实现电池故障的提前预警，并提供中长期失效预测，以便能在事故前发现蓄电池组的故障问题，及时对需要更换的电池提出维护建议和维护依据。
为解决上述技术问题，本发明的技术方案是：
一种蓄电池组健康预测的方法，包括以下步骤：
步骤一、利用前馈神经网络对蓄电池组剩余容量进行预测，并建立放电模型，通过放电模型对蓄电池组剩余容量进行验算；
步骤二、在线获取电池参数，参数输入放电模型，放电模型输出蓄电池SOH，根据蓄电池SOH预测蓄电池组健康状态；
步骤三，在蓄电池放电时，获取放电电压和蓄电池SOH，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，在核容20％蓄电池组标称容量的前提下实时准确预测后备蓄电池在断电情况下的供电能力。
2.根据权利要求1所述的蓄电池组健康预测的方法，其特征在于，所述放电模型包括前馈式神经网络模型和容量累积算法模型；
则，所述步骤一中，通过放电模型对蓄电池组剩余容量进行验算，包括：
S1、获取蓄电池的规格和品牌；
S2、判断蓄电池的规格和品牌是否相同
S3、如果相同，利用前馈式神经网络模型得到蓄电池剩余容量；
如果不相同，利用容量累积算法模型得到蓄电池剩余容量；
S4、将蓄电池剩余容量与预测剩余容量进行比较验算。
优选方式为，所述容量累积算法模型，具体为：
采用阶梯形负荷，利用分段计算法，计算剩余容量Q剩，Q剩＝Q总-Q放，其中Q放＝Q1+Q2+Q3+Q4，Q1＝I1T1/η[1+а(t-25)]，Q2＝I2T2/η[1+а(t-25)]， Q3＝I3T3/η[1+а(t-25)]，Q4＝I4T4/η[1+а(t-25)]；
I1、I2、I3和I4为各阶段负荷电流；T1、T2、T3和T4为各阶段放电小时数；η为放电容量系数；t为实际电池所在地最低环境温度值，а为电池温度系数。
优选方式为，所述前馈式神经网络模型为BP神经网络，基于LM优化BP神经网络的计算，包括：
设置网络各权值和阀值的初始值；
计算网络的实际输出及隐层单元的状态，励函数为Sigmoid函数；
判断误差，误差大于设定的预期误差，则对权值和阈值进行修正；
LM优化后的修正方法为对权值和阈值进行修正，具体的修正方法如下：
Wi+1＝Wi–(H+λdiag[H])-1d，式中H为Hessian矩阵，diag[H]为Hessian矩阵的对角矩阵，λ为根据训练误差而改变的变量参数，d为修正参量的下降梯度；
将修正后的权值阀值进行计算，直至误差达到设定的预期值，结束循环计算，输出神经网络拟合值。
优选方式为，基于LM优化BP神经网络通过对学习样本的训练学习，通过 计算得到各层的权值、阀值矩阵，其中学习样本从分析已有蓄电池组运行数据 得到的结果中提取；在现场，系统运行一段时间后将自动从现场蓄电池运行数 据中提取学习样本和教师样本，进行重新学习训练，得到新的网络权值和阀值。
优选方式为，内阻的测量方法为鉴相处理的方法，对蓄电池施加恒定的交流激励信号，将响应信号与产生恒流源的正弦信号相乘通过滤波器滤掉交流成分，再将COSφ映射到内阻中。
优选方式为，所述步骤三中，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，通过结合蓄电池前次放电容量，或使用蓄电池SOH与当前放电电压进行模糊分类，再与各类标准放电曲线进行自适应求解计算蓄电池的容量以及剩余放电时间；所述模糊分类包括SOH分类和放电电压分类：
所述SOH分类是根据求得的浮充模型的预测性能，及根据相应的隶属度函数进行分类；
所述放电电压分类是根据放电过程中放电时刻t的放电电压V，以及该时刻对应容量的模拟输出电压Vi(t)建立隶属度函数，其中i为1，2，3或4，隶属度函数为：
f1(t)＝min
(|V1(t)-V|，V2(t)-V|，|V3(t)-V|，|V4(t)-V|)
Figure BDA0003092987890000032
式中f1(t)为4个参量中的最小值，f2(V)为分类的类别号；
构建模糊控制器，模糊控制器基于以上的浮充模型的性能分类和放电电压分类，基于模糊规则建立合理的模糊规则控制器，通过模糊控制器求得最终的分类号。
优选方式为，所述放电模型为前馈式神经网络模型时，步骤二中的参数包括浮充电压离散度、内阻、槽底电压和恢复电压，将浮充电压离散度、内阻、槽底电压和恢复电压。
采用上述技术方案后，本发明的有益效果是：
由于本发明的蓄电池组健康预测的方法，包括以下步骤：步骤一、利用前馈神经网络对蓄电池组剩余容量进行预测，并建立放电模型，通过放电模型对蓄电池组剩余容量进行验算；步骤二、在线获取电池参数，将参数输入放电模型，放电模型输出蓄电池SOH；步骤三，在蓄电池放电时，获取放电电压和蓄电池SOH，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，在核容20％蓄电池组标称容量的前提下实时准确预测后备蓄电池在断电情况下的供电能力。可见采用本发明的方法，可实现电池故障的提前预警，并提供中长期失效预测，以便能在事故前发现蓄电池组的故障问题，及时对需要更换的电池提出维护建议和维护依据。
附图说明
图1为BP神经网络。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种蓄电池组健康预测的方法，包括以下步骤：
步骤一、利用前馈神经网络对蓄电池组剩余容量进行预测，并建立放电模型，通过放电模型对蓄电池组剩余容量进行验算；
步骤二、在线获取电池参数，将参数输入放电模型，放电模型输出蓄电池 SOH(英文state of health的缩写,中文为电池健康度，是电池当前的容量与出厂容量的百分比)，根据蓄电池SOH预测蓄电池组健康状态；步骤三，在蓄电池放电时，获取放电电压和蓄电池SOH，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，在核容20％蓄电池组标称容量的前提下可以实时准确预测后备蓄电池在断电情况下的供电能力。
可见采用本发明的方法，可实现电池故障的提前预警，并提供中长期失效预测，以便能在事故前发现蓄电池组的故障问题，及时对需要更换的电池提出维护建议和维护依据。
本例中放电模型包括前馈式神经网络模型和容量累积算法模型，放电模型为前馈式神经网络模型时，步骤二中的参数包括浮充电压离散度、内阻、槽底电压和恢复电压，将浮充电压离散度、内阻、槽底电压和恢复电压；
则步骤一中，通过放电模型对蓄电池组剩余容量进行验算，包括：
S1、获取蓄电池的规格和品牌；
S2、判断蓄电池的规格和品牌是否相同
S3、如果相同，利用前馈式神经网络模型得到蓄电池剩余容量；
如果不相同，利用容量累积算法模型得到蓄电池剩余容量；
S4、将蓄电池剩余容量与预测剩余容量进行比较验算。
其中，容量累积算法模型，具体为：
采用阶梯形负荷，利用分段计算法计算剩余容量Q剩，Q剩＝Q总-Q放，其中Q放＝Q1+Q2+Q3+Q4，Q1＝I1T1/η[1+а(t-25)]，Q2＝I2T2/η[1+а(t-25)]， Q3＝I3T3/η[1+а(t-25)]，Q4＝I4T4/η[1+а(t-25)]，I1、I2、I3和I4为各阶段负荷电流；T1、T2、T3和T4为各阶段放电小时数；η为放电容量系数；t为实际电池所在地最低环境温度值，а为电池温度系数。目前m最小值为6秒, 可根据要求定制精度。通过以上公式，实时计算出剩余容量。当放电小时率≥10时，取α＝0.006；当10>放电小时率≥1时，取α＝0.008；当放电小时率<1 时，取α＝0.01；放电容量系数(η)表：
电池放电小时数(H) 0.5 1 2 3 4 6 8 10 ≥20
放电终止电压(V) 1.70 1.75 1.75 1.80 1.80 1.80 1.80 1.80 ≥1.85
放电容量系数(η) 0.45 0.40 0.55 0.61 0.75 0.79 0.88 1.00 1.00
其中，前馈式神经网络模型为BP神经网络，基于LM优化BP神经网络的计算，包括：
设置网络各权值和阀值的初始值；
计算网络的实际输出及隐层单元的状态，励函数为Sigmoid函数；
判断误差，误差大于设定的预期误差，则对权值和阈值进行修正；
LM(Levenberg-Marquardt)优化后的修正方法为对权值和阈值进行修正，具体的修正方法如下：
Wi+1＝Wi–(H+λdiag[H])-1d，式中H为Hessian矩阵，diag[H]为Hessian矩
将修正后的权值阀值进行计算，直至误差达到设定的预期值，结束循环计算，输出神经网络拟合值。
基于LM优化BP神经网络通过对学习样本的训练学习，通过计算得到各 层的权值、阀值矩阵，其中学习样本从分析已有蓄电池组运行数据得到的结果 中提取；在现场，系统运行一段时间后将自动从现场蓄电池运行数据中提取学 习样本和教师样本，进行重新学习训练，得到新的网络权值和阀值；BP神经 网络如图1所示。
本例步骤三中，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，包括：通过结合蓄电池前次放电容量，或使用预估SOH与当前放电电压进行模糊分类，再与各类标准放电曲线进行自适应求解计算蓄电池的容量以及剩余放电时间；模糊分类包括：
SOH分类，根据求得的浮充模型的预测性能，可以根据相应的隶属度函数为：
Figure BDA0003092987890000062
式中Capi≤——第i节电池预测的性能值；
f(Capi)——分类的类别号。
放电电压分类是根据放电过程中放电时刻t的放电电压V，以及该时刻对应容量的模拟输出电压Vi(t)建立隶属度函数，其中i为1，2，3或4，具体为：根据放电过程中放电时刻t的放电电压V，以及该时刻第一类容量的模拟输出电压V1(t)，第二类容量的模拟输出电压V2(t)，第三类容量的模拟输出电压V3(t)，第四类容量的模拟输出电压V4(t)，这5个参量建立隶属度函数，隶属度函数：
f1(t)＝min
(|V1(t)-V|，V2(t)-V|，V3(t)-V|，|V4(t)-V|)
Figure BDA0003092987890000071
式中f1(t)——4个参量中的最小值；
f2(V)——分类的类别号。
构建模糊控制器，模糊控制器基于以上的浮充模型的性能分类和放电电压分类，基于模糊规则建立合理的模糊规则控制器，见下表模糊规则，通过模糊控制器求得最终的分类号；
表1模糊规则
Figure BDA0003092987890000072
内阻的测量方法为鉴相处理的方法，对蓄电池施加恒定的交流激励信号，将响应信号与产生恒流源的正弦信号相乘通过滤波器滤掉交流成分，再将COS φ映射到内阻中。
为解决传统的蓄电池系统维护，利用假负载进行放电，将运维设备运到现场花费大量时间进行连接监控单体，电池组脱离系统后，再进行放电，放电结束后接回系统给蓄电池进行充电。目前的蓄电池维护设备在蓄电池放电的时候，电池组必须与原系统脱离，合蓄电池组处于离线状态，当放电过程中，出现市电异常，将直接影响系统的安全运行。并且，目前蓄电池运维系统没有有效的监测监控手段，无法及时发现蓄电池组在运行过程程中存在的问题，缺乏科学有效的数据信息来掌握蓄电池组的准确信息。但随着电力电子技术的飞速发展，交流转直流、直流转直流、通信协议及模块设计等技术的成熟为解决串联蓄电池的各种问题提供了有效的手段，实现蓄电池核容并网的技术条件已然具备。
1)采集信息实现原理。物理硬件上增加传感器，每节电池上增加单体采集模块，对单节电池的电压、内阻、极柱温度进行采样，采样信息通过组端收敛模块进行收集。组端收敛模块对组端电压、充电机电压、电流进行采样。单体采集模块及组端收敛模块组成的蓄电池综合管理系统的硬件部分，配合后台管理软件及各功能的算法模型，实现了整套系统的运行。
2)核容电流实现原理。将蓄电池组的电压通过逆变器反馈到电网。
3)无人化运维实现原理。通过对单节蓄电池的电压、内阻、温度进行监控，结合单个运维模块升压恒流放电，可实时记录电池对外的放电的数据，根据容量核算公式可计算出每节电池的容量。通过增加远程控制软件平台，可实现蓄电池实时监控及远程控制充放电。
以上所述本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同一种蓄电池组健康预测的方法的改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.蓄电池组健康预测的方法，其特征在于，包括以下步骤：
步骤一、利用前馈神经网络对蓄电池组剩余容量进行预测，并建立放电模型，通过放电模型对蓄电池组剩余容量进行验算；
步骤二、在线获取电池参数，参数输入放电模型，放电模型输出蓄电池SOH，根据蓄电池SOH预测蓄电池组健康状态；
步骤三，在蓄电池放电时，获取放电电压和蓄电池SOH，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，在核容20％蓄电池组标称容量的前提下实时准确预测后备蓄电池在断电情况下的供电能力。
2.根据权利要求1所述的蓄电池组健康预测的方法，其特征在于，所述放电模型包括前馈式神经网络模型和容量累积算法模型；
则，所述步骤一中，通过放电模型对蓄电池组剩余容量进行验算，包括：
S1、获取蓄电池的规格和品牌；
S2、判断蓄电池的规格和品牌是否相同
S3、如果相同，利用前馈式神经网络模型得到蓄电池剩余容量；
如果不相同，利用容量累积算法模型得到蓄电池剩余容量；
S4、将蓄电池剩余容量与预测剩余容量进行比较验算。
3.根据权利要求2所述的蓄电池组健康预测的方法，其特征在于，所述容量累积算法模型，具体为：
采用阶梯形负荷，利用分段计算法，计算剩余容量Q剩，Q剩＝Q总-Q放，其中Q放＝Q1+Q2+Q3+Q4，Q1＝I1T1/η[1+а(t-25)]，Q2＝I2T2/η[1+а(t-25)]，Q3＝I3T3/η[1+а(t-25)]，Q4＝I4T4/η[1+а(t-25)]；
I1、I2、I3和I4为各阶段负荷电流；T1、T2、T3和T4为各阶段放电小时数；η为放电容量系数；t为实际电池所在地最低环境温度值，а为电池温度系数。
4.根据权利要求2所述的蓄电池组健康预测的方法，其特征在于，所述前馈式神经网络模型为BP神经网络，基于LM优化BP神经网络的计算，包括：
设置网络各权值和阀值的初始值；
计算网络的实际输出及隐层单元的状态，励函数为Sigmoid函数；
判断误差，误差大于设定的预期误差，则对权值和阈值进行修正；
LM优化后的修正方法为对权值和阈值进行修正，具体的修正方法如下：
Wi+1＝Wi–(H+λdiag[H])-1d，式中H为Hessian矩阵，diag[H]为Hessian矩阵的对角矩阵，λ为根据训练误差而改变的变量参数，d为修正参量的下降梯度；
将修正后的权值阀值进行计算，直至误差达到设定的预期值，结束循环计算，输出神经网络拟合值。
5.根据权利要求4所述的蓄电池组健康预测的方法，其特征在于，基于LM优化BP神经网络通过对学习样本的训练学习，通过计算得到各层的权值、阀值矩阵，其中学习样本从分析已有蓄电池组运行数据得到的结果中提取；在现场，系统运行一段时间后将自动从现场蓄电池运行数据中提取学习样本和教师样本，进行重新学习训练，得到新的网络权值和阀值。
6.根据权利要求1所述的蓄电池组健康预测的方法，其特征在于，内阻的测量方法为鉴相处理的方法，对蓄电池施加恒定的交流激励信号，将响应信号与产生恒流源的正弦信号相乘通过滤波器滤掉交流成分，再将COSφ映射到内阻中。
7.根据权利要求1所述的蓄电池组健康预测的方法，其特征在于，所述步骤三中，利用放电电压和蓄电池SOH进行模糊分类以及自适应求解，通过结合蓄电池前次放电容量，或使用蓄电池SOH与当前放电电压进行模糊分类，再与各类标准放电曲线进行自适应求解计算蓄电池的容量以及剩余放电时间；所述模糊分类包括SOH分类和放电电压分类：
所述SOH分类是根据求得的浮充模型的预测性能，及根据相应的隶属度函数进行分类；
所述放电电压分类是根据放电过程中放电时刻t的放电电压V，以及该时刻对应容量的模拟输出电压Vi(t)建立隶属度函数，其中i为1，2，3或4，隶属度函数为：
f1(t)＝min
(|V1(t)-V|，|V2(t)-V|，|V3(t)-V|，|V4(t)-V|)
Figure FDA0003092987880000031
式中f1(t)为4个参量中的最小值，f2(V)为分类的类别号；
构建模糊控制器，模糊控制器基于以上的浮充模型的性能分类和放电电压分类，基于模糊规则建立合理的模糊规则控制器，通过模糊控制器求得最终的分类号。
8.根据权利要求2所述的蓄电池组健康预测的方法，其特征在于，所述放电模型为前馈式神经网络模型时，步骤二中的参数包括浮充电压离散度、内阻、槽底电压和恢复电压，将浮充电压离散度、内阻、槽底电压和恢复电压。
CN202110601921.3A 2021-05-31 2021-05-31 蓄电池组健康预测的方法 Active CN113447823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110601921.3A CN113447823B (zh) 2021-05-31 2021-05-31 蓄电池组健康预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110601921.3A CN113447823B (zh) 2021-05-31 2021-05-31 蓄电池组健康预测的方法

Publications (2)

Publication Number Publication Date
CN113447823A true CN113447823A (zh) 2021-09-28
CN113447823B CN113447823B (zh) 2022-06-21

Family

ID=77810475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110601921.3A Active CN113447823B (zh) 2021-05-31 2021-05-31 蓄电池组健康预测的方法

Country Status (1)

Country Link
CN (1) CN113447823B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267586A (zh) * 2022-07-11 2022-11-01 国网综合能源服务集团有限公司 锂电池soh评估方法
CN116613864A (zh) * 2023-07-17 2023-08-18 安徽博诺思信息科技有限公司 一种蓄电池在线核容巡检方法及装置
IT202200004514A1 (it) * 2022-03-09 2023-09-09 Iveco Spa Metodo e sistema per stimare lo stato di salute, soh, di una batteria di un veicolo
CN118350290A (zh) * 2024-06-14 2024-07-16 山东理工职业学院 基于人工智能的电池热管理方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101738585A (zh) * 2009-09-28 2010-06-16 中国移动通信集团浙江有限公司 一种判定蓄电池容量与健康度的方法及系统
US20170108553A1 (en) * 2015-10-16 2017-04-20 Samsung Electronics Co., Ltd. Battery management system for predicting life of a reconfigurable battery pack
CN107064818A (zh) * 2017-04-26 2017-08-18 广州汽车集团股份有限公司 电池组soh估算方法和系统
CN108248432A (zh) * 2018-01-29 2018-07-06 新日(无锡)发展有限公司 一种新能源汽车动力锂电池的监测系统
CN109061518A (zh) * 2018-10-18 2018-12-21 国家电网有限公司 一种通信蓄电池健康度在线监测方法
CN109995075A (zh) * 2018-09-29 2019-07-09 国网上海市电力公司 一种含分布式电源的主动配电网动态重构方法
CN110222426A (zh) * 2019-06-06 2019-09-10 南京航空航天大学 非连续工作模式下航空蓄电池剩余寿命预测方法
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法
CN111736084A (zh) * 2020-06-29 2020-10-02 三峡大学 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN112180280A (zh) * 2020-09-27 2021-01-05 吉林大学 一种考虑电池健康状态的混合动力汽车电池寿命优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101738585A (zh) * 2009-09-28 2010-06-16 中国移动通信集团浙江有限公司 一种判定蓄电池容量与健康度的方法及系统
US20170108553A1 (en) * 2015-10-16 2017-04-20 Samsung Electronics Co., Ltd. Battery management system for predicting life of a reconfigurable battery pack
CN107064818A (zh) * 2017-04-26 2017-08-18 广州汽车集团股份有限公司 电池组soh估算方法和系统
CN108248432A (zh) * 2018-01-29 2018-07-06 新日(无锡)发展有限公司 一种新能源汽车动力锂电池的监测系统
CN109995075A (zh) * 2018-09-29 2019-07-09 国网上海市电力公司 一种含分布式电源的主动配电网动态重构方法
CN109061518A (zh) * 2018-10-18 2018-12-21 国家电网有限公司 一种通信蓄电池健康度在线监测方法
CN110222426A (zh) * 2019-06-06 2019-09-10 南京航空航天大学 非连续工作模式下航空蓄电池剩余寿命预测方法
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法
CN111736084A (zh) * 2020-06-29 2020-10-02 三峡大学 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN112180280A (zh) * 2020-09-27 2021-01-05 吉林大学 一种考虑电池健康状态的混合动力汽车电池寿命优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱永文: ""基于健康度分析的卫星故障预测模型"", 《计算机应用》 *
陈婕: ""基于极限学习机的锂电池健康状态预测"", 《设计研究与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202200004514A1 (it) * 2022-03-09 2023-09-09 Iveco Spa Metodo e sistema per stimare lo stato di salute, soh, di una batteria di un veicolo
CN115267586A (zh) * 2022-07-11 2022-11-01 国网综合能源服务集团有限公司 锂电池soh评估方法
CN116613864A (zh) * 2023-07-17 2023-08-18 安徽博诺思信息科技有限公司 一种蓄电池在线核容巡检方法及装置
CN116613864B (zh) * 2023-07-17 2023-10-20 安徽博诺思信息科技有限公司 一种蓄电池在线核容巡检方法及装置
CN118350290A (zh) * 2024-06-14 2024-07-16 山东理工职业学院 基于人工智能的电池热管理方法及系统
CN118350290B (zh) * 2024-06-14 2024-08-27 山东理工职业学院 基于人工智能的电池热管理方法及系统

Also Published As

Publication number Publication date
CN113447823B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN113447823B (zh) 蓄电池组健康预测的方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN113052464B (zh) 电池储能系统可靠性评估方法及系统
CN109725266A (zh) 一种电池健康状态soh的计算方法及装置
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
CN111965559B (zh) 一种锂离子电池soh在线估计方法
CN110988723B (zh) 一种基于lstm的电池内阻预测及故障预警方法
CN103094633A (zh) 一种用于电动汽车动力电池的检测及维护系统
CN114779099A (zh) 一种基于大数据的新能源汽车电池性能分析监测系统
CN114487880A (zh) 变桨后备电源钛酸锂电池soc在线检测与修正方法及系统
CN117289162A (zh) 一种基于组端收敛方法的蓄电池健康预测方法及系统
CN102095953B (zh) 一种蓄电池充电机性能在线检测方法
CN112083299B (zh) 一种基于卡尔曼滤波的直流系统绝缘故障预测方法
CN117169731A (zh) 基于储能电池剩余电量智能估测的充放电流给定方法
CN117406092A (zh) 分散式模块化电池储能系统状态估计方法、装置及系统
CN112924813A (zh) 基于电气数据的配电网短路故障监控方法及装置
CN115656837A (zh) 一种串联型电池故障预测方法
CN114705251B (zh) 一种制氢电解槽状态监测装置及方法
CN115331745A (zh) 基于历史数据校验的改进单粒子电化学模型建模方法
CN113466718B (zh) 一种手机电池soc校正方法
CN118156549A (zh) 基于人工神经网络的全钒液流电池soc预测方法
CN115166564A (zh) 一种在线量化评估磷酸铁锂电池微短路程度的方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN115511111A (zh) 一种基于时序数据多尺度特征的电站运维状态监测方法
CN114624602A (zh) 一种储能电池系统并联支路电流估计值矫正方法

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