CN113552490A - 一种基于休息恢复效应的可重构电池组soc估计方法 - Google Patents
一种基于休息恢复效应的可重构电池组soc估计方法 Download PDFInfo
- Publication number
- CN113552490A CN113552490A CN202110726919.9A CN202110726919A CN113552490A CN 113552490 A CN113552490 A CN 113552490A CN 202110726919 A CN202110726919 A CN 202110726919A CN 113552490 A CN113552490 A CN 113552490A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- dis
- battery unit
- soc
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000694 effects Effects 0.000 title claims abstract description 14
- 238000011084 recovery Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000007599 discharging Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007600 charging Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于休息恢复效应的可重构电池组SOC估计方法，所述方法包括：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据，组成原始数据集；进行数据预处理，得到数据矩阵；搭建卷积神经网络模型，得到网络模型结构；将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；利用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；对可重构电池组中进入休息状态的电池单元，采集其进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。本发明不用考虑电池工况对SOC估计结果的影响，实用性强。
Description
技术领域
本发明涉及电池技术领域，更具体地，涉及一种基于休息恢复效应的可重构电池组SOC估计方法。
背景技术
锂电池在电动汽车、储能电源等场景被广泛使用。在传统的电池组中，固定的连接方式导致电池组性能取决于其中性能最差的电池单元，往往会导致电池单元出现过充过放等问题。因此，可重构电池组被提出来解决此问题。
然而，无论是传统固定电池组，还是可重构电池组，电池SOC估计都至关重要。目前电池SOC估计方法分为五类：安时积分法、开路电压法、卡尔曼滤波、电化学方法、数据驱动方法。其中数据驱动方法，是目前最热门的方法。通过离线训练事先建立起能够预测SOC的模型，从而把大量的计算工作提前完成，在线使用时只需要使用训练好的模型即可。现有技术一般把电池单元在某一时刻的电压、电流、温度作为神经网络的输入来估计电池单元的SOC，但这种方法存在以下问题：①输入数据只有三个量，数据量过少，单个量的测量误差会对SOC预测结果产生很大影响；②相比电池单元的电流和电压，电池温度的高精度测量无疑更加困难，为每一个电池单元配备温度传感器也会增加可重构电池组成本；③该方法对时序依赖较为严重，在充放电情况变化较为剧烈时，SOC估计精度将会降低。
发明内容
本发明为克服上述现有基于数据驱动的锂电池SOC估计方法面临的精度和成本问题，提供一种基于休息恢复效应的可重构电池组SOC估计方法。本发明的技术方案如下：
一种基于休息恢复效应的可重构电池组SOC估计方法，适用于估计可重构电池组中电池单元SOC，其特征在于，包括以下步骤：
S1：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集；
S2：进行数据预处理，得到数据矩阵；
S3：搭建卷积神经网络模型，得到网络模型结构；
S4：将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；
S5：用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；
S6：对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。
本方案中，步骤S6对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC，具体过程为：
S601：将步骤S5输出的神经网络模型输入到控制系统中；
S602：控制系统实时检测所有电池单元的电压与电流，当检测到第k个电池单元电流突变至0时，代表该电池单元开始进入休息状态，记录下该电池单元在休息前一个采样时间的电流Ikf；
S603：控制系统开始持续记录该电池单元进入休息状态后T秒内的电压
形成电压集合，记录为：
其中vk,t代表第k个电池在进入休息状态后第t个时刻的电压，Ts为控制系统的采样时间间隔；
S604：将步骤S602所述的Ikf和步骤S603所述的
按照步骤S2所述预处理方法进行处理；
S605：将步骤S604处理后的数据，输入步骤S601所述的神经网络模型，得到第k个电池单元SOC值。
本方案中，可重构电池组具体由以下部分组成：
①K个电池模块。每个电池模块包括电池单元、电流传感器和电压传感器，其中电流传感器与电池单元串联，电压传感器与电池单元并联。传感器将电池单元的电压信号v、电流信号i传递给控制系统。
②K×J个开关模块，其中J为每个电池模块配置的开关数量。开关模块可以是电力电子开关或继电器。开关模块根据控制系统的控制信号CS，控制对应的电池单元投入或退出运行。
③控制系统。控制系统实时接收可重构电池组中所有电池单元的电压和电流，形成电压集合
和电流集合
并且向开关模块发出控制信号CS。其中：
本方案中，步骤S1获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集，具体步骤如下：
S101：选取N个与被估计电池同型号的电池单元来构建原始数据集；
S102：在0到最大额定电流Imax之间，均匀选取M个数据点，组成放电电流集合Dis，其中：
Dis＝[dis1,dis2,…,disM]，0＜dis1＜dis2…＜disM＜Imax
S103：选取Dis中第1个元素作为放电电流idis；
S104：将所有电池单元进行放电电流为idis的恒流放电，每次放出电池单元额定容量的1/Qdis的电量后，静止放电T秒，此时电池单元进入休息状态；
S105：记录第n个电池单元的SOC值SOCq、放电电流idis与电池进入休息状态后T秒内电压
作为第n个样本数据，构建一条样本数据
为：
其中，q为电池单元以放电电流idis放出额定容量的1/Qdis的电量的次数，vn,t代表第n个电池单元在进入休息状态后第t个时刻的电压；
S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集Draw中，其中数据集D为
S107：维持放电电流idis，循环执行步骤S104至S106，直至电池单元电压低于其截止电压后停止放电，将整个放电过程中记录的全部SOC情况下的数据集D都保存到原始数据集Draw中；
S108：对所有N个电池单元进行恒流恒压充电，直至这些电池单元达到最高电压后停止充电；
S109：选取Dis中第2、3、…、M个元素作为放电电流idis，循环执行步骤S104至S108，直到所有放电电流都被选择，将全部放电电流下的全部SOC情况下的数据集D都保存到原始数据集Draw中，并最终输出原始数据集Draw。
本方案中，步骤S2进行数据预处理，得到数据矩阵，步骤如下：
S201：将步骤S109输出的原始数据集Draw的第一列记为标签值
第二到最后一列记为特征值矩阵F。其中，特征值矩阵的每一行都为一特征向量；
其中，
为第n个电池在idis放电情况下，当SOC为SOCq时的特征向量。
S202：将放电电流idis复制(c-1)份放回到原来的特征向量中，得到：
S203：将特征向量变成一个z行x列的二维特征值矩阵Fnew，具体的为将c个idis构成一个v行b列的二维矩阵，并将其放置于Fnew的左上角，即
S204：将所有二维特征值矩阵进行最大最小归一化并组成新的特征值矩阵Fnew；
S205：将特征值矩阵Fnew与标签值
一一对应组成数据矩阵；
与现有技术相比，本发明技术方案的有益效果是：
本发明通过采用电池单元在进入休息状态前的电流数据、进入休息状态后T秒内的电压数据作为神经网络的输入，增加输入数据的数量，降低数据测量偏差对SOC估计结果的影响；本发明通过电流、电压数据来估计SOC，不需要采用温度传感器即可保证估计精度，降低了储能系统成本；本发明的电池SOC估计方法不依赖于数据的时序，减少了电池充放电工况变化对SOC估计精度的影响。
附图说明
图1为本发明实施例提供的一种可重构电池组的电路原理图。
图2为本发明提出的一种基于休息恢复效应的可重构电池组SOC估计方法流程图。
图3为本发明提出的一种基于休息恢复效应的可重构电池组SOC估计方法中获取原始数据集的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，为具体阐述本发明所适用的电池模组，本实施例提供了一种可重构电池组的电路，所述可重构电池组电路包括：负载、若干可重构电池组、控制系统，分别记为第一可重构电池组、第二可重构电池组...第K可重构电池组，所述负载与可重构电池组均并联连接，每个可重构电池组之间均并联连接，其中每一个可重构电池组中电池的正极通过开关S1,K连接至回路正极，电池负极通过开关S4,K连接至回路的负极，第一可重构电池组至第K可重构电池组，前一个可重构电池组的电池负极通过可控开关S3,K-1连接至后一个可重构电池组的电池正极，每两个可重构电池组的电池正极也通过可控开关S2,K-1连接，K为正整数。每一个可重构电池组的电池均连接有电流传感器和电压传感器。控制系统与每个电流传感器和电压传感器，以及每个电池开关相连接。
在一个具体的实施例中，如图2所示，基于休息恢复效应的锂电池SOC估计方法，包括以下步骤：
S1：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集；
S2：进行数据预处理，得到数据矩阵；
S3：搭建卷积神经网络模型，得到网络模型结构；
S4：将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；
S5：用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；
S6：对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。
本方案中，步骤S6对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC，具体过程为：
S601：将步骤S5输出的神经网络模型输入到控制系统中；
S602：控制系统实时检测所有电池单元的电压与电流，当检测到第k个电池单元电流突变至0时，代表该电池单元开始进入休息状态，记录下该电池单元在休息前一个采样时间的电流Ikf；
S603：控制系统开始持续记录该电池单元进入休息状态后T秒内的电压
形成电压集合，记录为：
其中vk,t代表第k个电池在进入休息状态后第t个时刻的电压，Ts为控制系统的采样时间间隔；
S604：将步骤S602所述的Ikf和步骤S603所述的
按照步骤S2所述预处理方法进行处理；
S605：将步骤S604处理后的数据，输入步骤S601所述的神经网络模型，得到第k个电池单元SOC值。
本方案中，可重构电池组具体由以下部分组成：
①K个电池模块。每个电池模块包括电池单元、电流传感器和电压传感器，其中电流传感器与电池单元串联，电压传感器与电池单元并联。传感器将电池单元的电压信号v、电流信号i传递给控制系统。
②K×J个开关模块，其中J为每个电池模块配置的开关数量。开关模块可以是电力电子开关或继电器。开关模块根据控制系统的控制信号CS，控制对应的电池单元投入或退出运行。
③控制系统。控制系统实时接收可重构电池组中所有电池单元的电压和电流，形成电压集合
和电流集合
并且向开关模块发出控制信号CS。其中：
本方案中，步骤S1获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集，如图3所示，具体步骤如下：
S101：选取N个与被估计电池同型号的电池单元来构建原始数据集；
S102：在0到最大额定电流Imax之间，均匀选取M个数据点，组成放电电流集合Dis，其中：
Dis＝[dis1,dis2,…,disM]，0＜dis1＜dis2…＜disM＜Imax
S103：选取Dis中第1个元素作为放电电流idis；
S104：将所有电池单元进行放电电流为idis的恒流放电，每次放出电池单元额定容量的1/Qdis的电量后，静止放电T秒，此时电池单元进入休息状态；
S105：记录第n个电池单元的SOC值SOCq、放电电流idis与电池进入休息状态后T秒内电压
作为第n个样本数据，构建一条样本数据
为：
其中，q为电池单元以放电电流idis放出额定容量的1/Qdis的电量的次数，vn,t代表第n个电池单元在进入休息状态后第t个时刻的电压；
S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集Draw中，其中数据集D为
S107：维持放电电流idis，循环执行步骤S104至S106，直至电池单元电压低于其截止电压后停止放电，将整个放电过程中记录的全部SOC情况下的数据集D都保存到原始数据集Draw中；
S108：对所有N个电池单元进行恒流恒压充电，直至这些电池单元达到最高电压后停止充电；
S109：选取Dis中第2、3、…、M个元素作为放电电流idis，循环执行步骤S104至S108，直到所有放电电流都被选择，将全部放电电流下的全部SOC情况下的数据集D都保存到原始数据集Draw中，并最终输出原始数据集Draw。
本方案中，步骤S2进行数据预处理，得到数据矩阵，步骤如下：
S201：将步骤S109输出的原始数据集Draw的第一列记为标签值
第二到最后一列记为特征值矩阵F。其中，特征值矩阵的每一行都为一特征向量；
其中，
为第n个电池在idis放电情况下，当SOC为SOCq时的特征向量。
S202：将放电电流idis复制(c-1)份放回到原来的特征向量中，得到：
S203：将特征向量变成一个z行x列的二维特征值矩阵Fnew，具体的为将c个idis构成一个v行b列的二维矩阵，并将其放置于Fnew的左上角，即
S204：将所有二维特征值矩阵进行最大最小归一化并组成新的特征值矩阵Fnew；
S205：将特征值矩阵Fnew与标签值
一一对应组成数据矩阵；
本方案中，步骤S4所述将得到的数据矩阵进行划分，分为训练集和测试集，将训练集的数据导入网络模型结构进行网络训练，具体方法为：
将数据矩阵中80％的数据作为训练集，将剩下的20％作为测试集，将训练集数据导入网络模型结构中，选定网络模型训练的优化函数、损失函数、迭代次数后，开始进行网络模型的训练。
本方案中，步骤S5所述用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步，具体为：
将测试集的特征值矩阵输入训练好的神经网络模型，得到SOC的预测值
如果SOC预测值
与真实值
相比，其准确性低于某个值，返回步骤S4，否则输出网络模型结构。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于休息恢复效应的可重构电池组SOC估计方法，所述方法适用于估计可重构电池组中电池单元的SOC，其特征在于，包括以下步骤：
S1：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集；
S2：进行数据预处理，得到数据矩阵；
S3：搭建卷积神经网络模型，得到网络模型结构；
S4：将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；
S5：用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；
S6：对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。
2.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，步骤S6所述的对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC，具体过程为：
S601：将步骤S5输出的神经网络模型输入到控制系统中；
S602：控制系统实时检测所有电池单元的电压与电流，当检测到第k个电池单元电流突变至0时，代表该电池单元开始进入休息状态，记录下该电池单元在休息前一个采样时间的电流Ikf；
S603：控制系统开始持续记录该电池单元进入休息状态后T秒内的电压
形成电压集合，记录为：
其中vk,t代表第k个电池在进入休息状态后第t个时刻的电压，Ts为控制系统的采样时间间隔；
S604：将步骤S602所述的Ikf和步骤S603所述的
按照步骤S2所述预处理方法进行处理；
S605：将步骤S604处理后的数据，输入步骤S601所述的神经网络模型，得到第k个电池单元SOC值。
3.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，所述的可重构电池组具体由以下部分组成：
①K个电池模块。每个电池模块包括电池单元、电流传感器和电压传感器，其中电流传感器与电池单元串联，电压传感器与电池单元并联。传感器将电池单元的电压信号v、电流信号i传递给控制系统。
②K×J个开关模块，其中J为每个电池模块配置的开关数量。开关模块可以是电力电子开关或继电器。开关模块根据控制系统的控制信号CS，控制对应的电池单元投入或退出运行。
③控制系统。控制系统实时接收可重构电池组中所有电池单元的电压和电流，形成电压集合
和电流集合
并且向开关模块发出控制信号CS。其中：
4.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，步骤S1所述的获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集，具体步骤如下：
S101：选取N个与被估计电池同型号的电池单元来构建原始数据集；
S102：在0到最大额定电流Imax之间，均匀选取M个数据点，组成放电电流集合Dis，其中：
Dis＝[dis1,dis2,…,disM]，0＜dis1＜dis2…＜disM＜Imax
S103：选取Dis中第1个元素作为放电电流idis；
S104：将所有电池单元进行放电电流为idis的恒流放电，每次放出电池单元额定容量的1/Qdis的电量后，静止放电T秒，此时电池单元进入休息状态；
S105：记录第n个电池单元的SOC值SOCq、放电电流idis与电池进入休息状态后T秒内电压
作为第n个样本数据，构建一条样本数据
为：
其中，q为电池单元以放电电流idis放出额定容量的1/Qdis的电量的次数，vn,t代表第n个电池单元在进入休息状态后第t个时刻的电压；
S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集Draw中，其中数据集D为
S107：维持放电电流idis，循环执行步骤S104至S106，直至电池单元电压低于其截止电压后停止放电，将整个放电过程中记录的全部SOC情况下的数据集D都保存到原始数据集Draw中；
S108：对所有N个电池单元进行恒流恒压充电，直至这些电池单元达到最高电压后停止充电；
S109：选取Dis中第2、3、…、M个元素作为放电电流idis，循环执行步骤S104至S108，直到所有放电电流都被选择，将全部放电电流下的全部SOC情况下的数据集D都保存到原始数据集Draw中，并最终输出原始数据集Draw。
5.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，步骤S2所述的进行数据预处理，得到数据矩阵，步骤如下：
S201：将步骤S109输出的原始数据集Draw的第一列记为标签值
第二到最后一列记为特征值矩阵F。其中，特征值矩阵的每一行都为一特征向量；
其中，
为第n个电池在idis放电情况下，当SOC为SOCq时的特征向量。
S202：将放电电流idis复制(c-1)份放回到原来的特征向量中，得到：
S203：将特征向量变成一个z行x列的二维特征值矩阵Fnew，具体的为将c个idis构成一个v行b列的二维矩阵，并将其放置于Fnew的左上角，即
S204：将所有二维特征值矩阵进行最大最小归一化并组成新的特征值矩阵Fnew；
S205：将特征值矩阵Fnew与标签值
一一对应组成数据矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110726919.9A CN113552490B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110726919.9A CN113552490B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113552490A true CN113552490A (zh) | 2021-10-26 |
| CN113552490B CN113552490B (zh) | 2022-04-01 |
Family
ID=78131004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110726919.9A Active CN113552490B (zh) | 2021-06-29 | 2021-06-29 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113552490B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910793A (zh) * | 2022-04-24 | 2022-08-16 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
| CN115469228A (zh) * | 2022-09-15 | 2022-12-13 | 国网陕西省电力有限公司咸阳供电公司 | 可重构网络式储能系统电池荷电状态估计方法 |
| CN116520148A (zh) * | 2022-12-16 | 2023-08-01 | 广东工业大学 | 一种基于休息恢复效应的锂离子电池微短路电阻估算方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
| CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
| CN105283772A (zh) * | 2013-01-30 | 2016-01-27 | 意法-爱立信有限公司 | 测量移动终端电池状态的方法和装置 |
| CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
| GB201609867D0 (en) * | 2016-06-06 | 2016-07-20 | Hyperdrive Innovation Ltd | Methods and apparatus for monitoring electricity storage systems |
| CN107436418A (zh) * | 2017-06-15 | 2017-12-05 | 捷开通讯(深圳)有限公司 | 校准电池电量衰减的方法、终端及装置 |
| CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
-
2021
- 2021-06-29 CN CN202110726919.9A patent/CN113552490B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
| CN105283772A (zh) * | 2013-01-30 | 2016-01-27 | 意法-爱立信有限公司 | 测量移动终端电池状态的方法和装置 |
| CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
| CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
| GB201609867D0 (en) * | 2016-06-06 | 2016-07-20 | Hyperdrive Innovation Ltd | Methods and apparatus for monitoring electricity storage systems |
| CN107436418A (zh) * | 2017-06-15 | 2017-12-05 | 捷开通讯(深圳)有限公司 | 校准电池电量衰减的方法、终端及装置 |
| CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910793A (zh) * | 2022-04-24 | 2022-08-16 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
| CN115469228A (zh) * | 2022-09-15 | 2022-12-13 | 国网陕西省电力有限公司咸阳供电公司 | 可重构网络式储能系统电池荷电状态估计方法 |
| CN115469228B (zh) * | 2022-09-15 | 2024-04-30 | 国网陕西省电力有限公司咸阳供电公司 | 可重构网络式储能系统电池荷电状态估计方法 |
| CN116520148A (zh) * | 2022-12-16 | 2023-08-01 | 广东工业大学 | 一种基于休息恢复效应的锂离子电池微短路电阻估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113552490B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113552490B (zh) | 一种基于休息恢复效应的可重构电池组soc估计方法 | |
| Saji et al. | SoC estimation of lithium ion battery using combined coulomb counting and fuzzy logic method | |
| JP5511951B2 (ja) | 充電状態推定装置 | |
| Kim | A technique for estimating the state of health of lithium batteries through a dual-sliding-mode observer | |
| EP3786653B1 (en) | Battery state estimation method | |
| Song et al. | Model-based health diagnosis for lithium-ion battery pack in space applications | |
| EP1976090A1 (en) | Protection device for assembled battery, and battery pack unit | |
| KR101500547B1 (ko) | 배터리 셀의 충전량 밸런싱 장치 및 방법 | |
| CN111628535B (zh) | 一种电池模组均衡控制方法与装置 | |
| EP1014533A3 (en) | A battery charge management architecture | |
| Bonanno et al. | Some remarks on the application of rnn and prnn for the charge-discharge simulation of advanced lithium-ions battery energy storage | |
| US20050194976A1 (en) | Critical state estimation system and method for secondary cells | |
| CN113785209B (zh) | 用于检测异常电池单体的方法 | |
| EP4033585A1 (en) | Estimation device, estimation method, and computer program | |
| KR20220034543A (ko) | 배터리의 충전상태를 추정하는 방법 | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| Devi et al. | Lithium-ion battery management system: a review | |
| GB2600129A (en) | Pro-active battery management system (BMS) with lossless active buck balancing and method thereof | |
| CN114026443A (zh) | 用于检测内部短路电池单体的方法 | |
| CN113300016B (zh) | 一种电池充放电控制方法和装置 | |
| CN113671393A (zh) | 一种电流采集检测方法、电池包与用电装置 | |
| CN114330150A (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
| CN115718261A (zh) | 蓄电池容量估计方法、训练方法、寿命估计方法及装置 | |
| CN113466718B (zh) | 一种手机电池soc校正方法 | |
| US20230184838A1 (en) | Device and method for diagnosing battery |
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 |