CN114019397A - 一种梯次利用电池峰值功率的预测方法及系统 - Google Patents

一种梯次利用电池峰值功率的预测方法及系统 Download PDF

Info

Publication number
CN114019397A
CN114019397A CN202111298477.9A CN202111298477A CN114019397A CN 114019397 A CN114019397 A CN 114019397A CN 202111298477 A CN202111298477 A CN 202111298477A CN 114019397 A CN114019397 A CN 114019397A
Authority
CN
China
Prior art keywords
battery
echelon
predicting
internal resistance
optimal
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
Application number
CN202111298477.9A
Other languages
English (en)
Inventor
侯恩广
王知学
乔昕
刘广敏
张云
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202111298477.9A priority Critical patent/CN114019397A/zh
Publication of CN114019397A publication Critical patent/CN114019397A/zh
Pending legal-status Critical Current

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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于梯次利用电池领域，提供了一种梯次利用电池峰值功率的预测方法及系统。该方法包括，构建梯次电池的戴维宁等效模型；基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。

Description

一种梯次利用电池峰值功率的预测方法及系统
技术领域
本发明属于梯次利用电池领域，尤其涉及一种梯次利用电池峰值功率的预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近几年，随着退役动力电池的增多，其梯次利用受到越来越大的关注，这些梯次电池可被广泛应用于通讯基站、储能等领域。由于梯次电池为退役电池，其内阻和容量与原动力电池相比都有很大程度的变化，所以在其梯次利用中的充电和放电时必须要有更精确的峰值功率(SOP，state of power)估算，防止梯次电池的过充和过放。
但是现有技术中存在退役电池性能衰减、SOC(荷电状态)初始值不明确等问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种梯次利用电池峰值功率的预测方法及系统，其通过最优预测工作电压和最优估计内阻来预测电池的峰值功率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种梯次利用电池峰值功率的预测方法。
一种梯次利用电池峰值功率的预测方法，包括：
构建梯次电池的戴维宁等效模型；
基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
进一步地，所述构建梯次电池的戴维宁等效模型之后包括：基于所述戴维宁等效模型得到一个时间常数，所述时间常数用于模拟梯次电池在极化的产生和消除过程中所表现出的动态特性。
进一步地，所述预测下一时刻梯次电池的最优欧姆内阻的过程包括：基于梯次电池的欧姆内阻和实际容量，预测梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差；基于梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差，最优估计下一时刻梯次电池的最优工作电压。
进一步地，在预测梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差之前包括：初始化梯次电池欧姆内阻和实际容量的状态估算值和状态误差协方差估算值，根据戴维宁等效模型，对梯次电池的时间和状态进行更新。
进一步地，所述预测下一时刻梯次电池的最优工作电压的过程包括：基于梯次电池的工作电压，预测梯次电池工作电压的过程噪声协方差和观测噪声协方差；基于梯次电池工作电压的过程噪声协方差和观测噪声协方差，结合梯次电池的欧姆内阻和实际容量，最优估计下一时刻梯次电池的最优工作电压。
进一步地，在预测梯次电池工作电压的过程噪声协方差和观测噪声协方差之前包括：初始化梯次电池工作电压的状态估算值和状态误差协方差估算值，根据戴维宁等效模型，对梯次电池的时间和状态进行更新。
进一步地，在所述预测梯次电池的工作电压、欧姆内阻和实际容量的过程中，采用观测变量梯次电池工作估算值和实际值的误差修正梯次电池的工作电压、欧姆内阻和实际容量，其中，梯次电池工作估算值包括梯次电池的工作电压估算值、欧姆内阻估算值和实际容量估算值。
本发明的第二个方面提供一种梯次利用电池峰值功率的预测系统。
一种梯次利用电池峰值功率的预测系统，包括：
模块构建模块，其被配置为：构建梯次电池的戴维宁等效模型；
预测模块，其被配置为：基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
最优估计模块，其被配置为：基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
输出模块，其被配置为：基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的梯次利用电池峰值功率的预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的梯次利用电池峰值功率的预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明在采用一阶Thevenin等效模型的基础上，首先应用自适应双卡尔曼滤波算法(ADEKF)，即基于自适应卡尔曼滤波算法估算SOC及欧姆内阻和实际容量，然后利用最优估计预测工作电压与欧姆内阻，估算梯次电池SOP，最后建立梯次电池SOP的估算方法，为梯次电池的推广利用提供安全保障。
本发明针对SOC不明确的情况，采用了自适应的方法，可以进行自适应调整，进行准确性估算。
本发明针对梯次电池性能衰减，实际容量和欧姆内阻不准确性，采用了自适应卡尔曼滤波算法，实时估算梯次电池参数，进一步提高SOP估算准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的梯次利用电池峰值功率的预测方法流程图；
图2是本发明示出的一阶戴维宁等效电路模型。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种梯次利用电池峰值功率的预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
构建梯次电池的戴维宁等效模型；
基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
本实施例的具体技术方案如下：
本发明采用一阶Thevenin模型作为梯次电池的等效模型。Thevenin模型的等效电路图见图2所示，基于该模型，得到一个时间常数τ1，其中τ1＝R1C1，是R1、C1环节的时间短常数，用于模拟电池在极化的产生和消除过程中所表现出的动态特性。
由图2可知，梯次电池的一阶等效电路的离散状态方程为：
Figure BDA0003337511900000061
由图1可知，梯次电池二阶等效电路的离散观测方程为
Figure BDA0003337511900000062
令
Figure BDA0003337511900000063
Figure BDA0003337511900000064
Figure BDA0003337511900000071
得
f(xk，uk)＝Akxk+Bkuk (3)
g(xk，uk)＝Ckxk—R0，kuk (4)
其中，Sck、Sck+1分别是离散状态k、k+1时刻梯次电池的SOC值；C是梯次电池实际容量，单位是A·h；ik是离散状态k时刻的充放电电流；Uk是离散状态k时刻的梯次电池的工作电压；Δt是采样周期；
Figure BDA0003337511900000072
分别是离散状态k、k+1时刻的R1的电压估算值；ωk、θk为互不相关的系统噪声；Uoc(SC)是离散状态k时刻的梯次电池SOC值对应的电池开路电压；
Figure BDA0003337511900000073
表示Uoc(SC)先对电池电荷状态SC的导数，并取SC＝SCK，最后计算出的结果。
1梯次电池SOP估算
本实施例在一阶Thevenin等效模型的基础上，采用了自适应双卡尔曼滤波算法，即分别采用自适应卡尔曼滤波算法估计SOC和欧姆内阻及实际容量。
1.1基于自适应卡尔曼滤波的SOC估算
由公式(3)、(4)可知，梯次电池系统的变量为SOC，但由于梯次电池欧姆内阻增大和实际容量衰减严重，因此本发明将梯次电池欧姆内阻和实际容量也加入到状态变量中。本发明需要研究梯次电池系统的SOC、欧姆内阻和实际容量这3个参数的辨识。
状态方程为：
xk+1＝f(xk，uk，θk)+ωk (5)
观测方程为：
yk+1＝g(xk，uk，θk)+θk (6)
其中，θk表示的状态变量欧姆内阻和实际容量，xk为系统状态变量，uk为系统的输入，即梯次电池电流，yk为系统观测变量，为梯次电池工作电压。
本实施例中，零均值高斯白噪声ωk、θk的误差协方差矩阵分别为Qk、Rk.
算法流程如下：
Step 1：初始化x
Figure BDA0003337511900000081
Figure BDA0003337511900000082
Step 2：x时间更新
Figure BDA0003337511900000083
Figure BDA0003337511900000084
Step 3：x状态更新
卡尔曼增益
Figure BDA0003337511900000085
状态变量最优化估算
Figure BDA0003337511900000086
误差协方差最优化估计方程
Figure BDA0003337511900000087
Step 4：过程噪声协方差方程
Figure BDA0003337511900000088
Step 5：观测噪声协方差方程
Figure BDA0003337511900000091
其中，
Figure BDA0003337511900000092
k＝1，2，…，n，b为遗忘因子，0＜b＜1；
Figure BDA0003337511900000093
为采样k时刻状态最优估算值；xk为采样k时刻状态变量的估算值；
Figure BDA0003337511900000094
为采样k时刻的实际观测值；yk为采样k时刻观测变量的估算值；
Figure BDA0003337511900000095
为采样k时刻的误差协方差最优估算值；Pk为采样k时刻的误差协方差估算值。
1.2基于自适应卡尔曼滤波的内阻和实际容量估算
新加状态参数的系统状态方程为
θk+1＝θk+γk
(16)
新加状态参数的观测方程为
dk+1＝g(xk，uk，θk)+ek
(17)
其中，ek为输出变量上的噪声干扰，γk为噪声扰动。对状态变量θ应用卡尔曼滤波算法，得到电池内阻和实际容量的实时估计结果。为了得到精确的电池欧姆内阻和实际容量，采用观测变量梯次电池工作估算值和实际值的误差进行修正。
本实施例中，零均值高斯白噪声rk、ek的误差协方差矩阵分别为Qθ，k、Rθ，k.
算法流程如下：
Step 1：θ初始化
Figure BDA0003337511900000096
Figure BDA0003337511900000097
Step 2：时间更新
Figure BDA0003337511900000101
Figure BDA0003337511900000102
Step 3：θ状态更新
卡尔曼增益
Figure BDA0003337511900000103
状态变量最优化估算
Figure BDA0003337511900000104
误差协方差最优化估计方程
Figure BDA0003337511900000105
Step 4：过程噪声协方差方程
Figure BDA0003337511900000106
Step 5：观测噪声协方差方程
Figure BDA0003337511900000107
其中，
Figure BDA0003337511900000108
k＝1，2，…，n，bθ为遗忘因子，0＜bθ＜1.
1.3梯次电池SOP估算
SOP最优估算预测更新为
k+1时刻最优估计预测工作电压为
Figure BDA0003337511900000109
k+1时刻最优估计预测SOP：
Figure BDA0003337511900000111
忽略极化内阻的影响，即：
Figure BDA0003337511900000112
其中，
Figure BDA0003337511900000113
为采样k时刻观测变量的估算值。
实施例二
本实施例提供了一种梯次利用电池峰值功率的预测系统。
一种梯次利用电池峰值功率的预测系统，包括：
模块构建模块，其被配置为：构建梯次电池的戴维宁等效模型；
预测模块，其被配置为：基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
最优估计模块，其被配置为：基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
输出模块，其被配置为：基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
此处需要说明的是，上述模块构建模块、预测模块、最优估计模块和输出模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的梯次利用电池峰值功率的预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的梯次利用电池峰值功率的预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种梯次利用电池峰值功率的预测方法，其特征在于，包括：
构建梯次电池的戴维宁等效模型；
基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
2.根据权利要求1所述的梯次利用电池峰值功率的预测方法，其特征在于，所述构建梯次电池的戴维宁等效模型之后包括：基于所述戴维宁等效模型得到一个时间常数，所述时间常数用于模拟梯次电池在极化的产生和消除过程中所表现出的动态特性。
3.根据权利要求1所述的梯次利用电池峰值功率的预测方法，其特征在于，所述预测下一时刻梯次电池的最优欧姆内阻的过程包括：基于梯次电池的欧姆内阻和实际容量，预测梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差；基于梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差，最优估计下一时刻梯次电池的最优工作电压。
4.根据权利要求3所述的梯次利用电池峰值功率的预测方法，其特征在于，在预测梯次电池欧姆内阻和实际容量的过程噪声协方差和观测噪声协方差之前包括：初始化梯次电池欧姆内阻和实际容量的状态估算值和状态误差协方差估算值，根据戴维宁等效模型，对梯次电池的时间和状态进行更新。
5.根据权利要求1所述的梯次利用电池峰值功率的预测方法，其特征在于，所述预测下一时刻梯次电池的最优工作电压的过程包括：基于梯次电池的工作电压，预测梯次电池工作电压的过程噪声协方差和观测噪声协方差；基于梯次电池工作电压的过程噪声协方差和观测噪声协方差，结合梯次电池的欧姆内阻和实际容量，最优估计下一时刻梯次电池的最优工作电压。
6.根据权利要求5所述的梯次利用电池峰值功率的预测方法，其特征在于，在预测梯次电池工作电压的过程噪声协方差和观测噪声协方差之前包括：初始化梯次电池工作电压的状态估算值和状态误差协方差估算值，根据戴维宁等效模型，对梯次电池的时间和状态进行更新。
7.根据权利要求1所述的梯次利用电池峰值功率的预测方法，其特征在于，在所述预测梯次电池的工作电压、欧姆内阻和实际容量的过程中，采用观测变量梯次电池工作估算值和实际值的误差修正梯次电池的工作电压、欧姆内阻和实际容量，其中，梯次电池工作估算值包括梯次电池的工作电压估算值、欧姆内阻估算值和实际容量估算值。
8.一种梯次利用电池峰值功率的预测系统，其特征在于，包括：
模块构建模块，其被配置为：构建梯次电池的戴维宁等效模型；
预测模块，其被配置为：基于所述戴维宁等效模型预测梯次电池的工作电压、欧姆内阻和实际容量；
最优估计模块，其被配置为：基于梯次电池的工作电压、欧姆内阻和实际容量，采用最优估计，预测下一时刻梯次电池的最优工作电压和最优欧姆内阻；
输出模块，其被配置为：基于下一时刻梯次电池的最优工作电压和最优欧姆内阻，预测下一时刻梯次电池的峰值功率。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的梯次利用电池峰值功率的预测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的梯次利用电池峰值功率的预测方法中的步骤。
CN202111298477.9A 2021-11-04 2021-11-04 一种梯次利用电池峰值功率的预测方法及系统 Pending CN114019397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298477.9A CN114019397A (zh) 2021-11-04 2021-11-04 一种梯次利用电池峰值功率的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298477.9A CN114019397A (zh) 2021-11-04 2021-11-04 一种梯次利用电池峰值功率的预测方法及系统

Publications (1)

Publication Number Publication Date
CN114019397A true CN114019397A (zh) 2022-02-08

Family

ID=80060625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298477.9A Pending CN114019397A (zh) 2021-11-04 2021-11-04 一种梯次利用电池峰值功率的预测方法及系统

Country Status (1)

Country Link
CN (1) CN114019397A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060820A (zh) * 2019-11-28 2020-04-24 上海理工大学 一种基于二阶rc模型的锂电池soc、sop估计方法
CN111352032A (zh) * 2018-12-21 2020-06-30 重庆邮电大学 一种锂电池动态峰值功率预测方法
CN111426968A (zh) * 2020-05-28 2020-07-17 山东交通学院 一种电动汽车动力电池sop的估算方法及系统
CN111537894A (zh) * 2020-05-29 2020-08-14 合肥工业大学 一种用于估计锂电池soc和sop的方法
CN112964997A (zh) * 2021-01-21 2021-06-15 西南科技大学 一种无人机锂离子电池峰值功率自适应估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111352032A (zh) * 2018-12-21 2020-06-30 重庆邮电大学 一种锂电池动态峰值功率预测方法
CN111060820A (zh) * 2019-11-28 2020-04-24 上海理工大学 一种基于二阶rc模型的锂电池soc、sop估计方法
CN111426968A (zh) * 2020-05-28 2020-07-17 山东交通学院 一种电动汽车动力电池sop的估算方法及系统
CN111537894A (zh) * 2020-05-29 2020-08-14 合肥工业大学 一种用于估计锂电池soc和sop的方法
CN112964997A (zh) * 2021-01-21 2021-06-15 西南科技大学 一种无人机锂离子电池峰值功率自适应估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
柴建勇 等: "基于双卡尔曼滤波的梯次利用电池SOP估算研究", 电源技术, vol. 45, no. 06, pages 732 - 735 *
申强 等: "《多传感器信息融合导航技术》", vol. 1, 北京理工大学出版社, pages: 92 - 93 *

Similar Documents

Publication Publication Date Title
CN204269785U (zh) 用于计算电池电荷状态的系统
US20210133536A1 (en) Load prediction method and apparatus based on neural network
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN107342608A (zh) 电池充电方法、装置、设备和存储介质
CN112230154A (zh) 一种锂电池剩余寿命预测方法
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
CN110554324A (zh) 一种soc和soh联合估计方法
US20220120821A1 (en) Method, apparatus and medium for estimating battery remaining life
CN111426968A (zh) 一种电动汽车动力电池sop的估算方法及系统
Mian Qaisar A proficient Li-ion battery state of charge estimation based on event-driven processing
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN111914485B (zh) 一种基于分数阶技术的自适应动力电池soc估计方法及系统
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
Hou et al. Robust lithium-ion state-of-charge and battery parameters joint estimation based on an enhanced adaptive unscented Kalman filter
CN112881921A (zh) 电池等效电路模型参数辨识方法、装置、设备及存储介质
CN113761726A (zh) 一种锂电池参数辨识方法及系统
Taylor et al. Optimal operation of grid-tied energy storage systems considering detailed device-level battery models
CN113884915A (zh) 用于锂离子电池荷电状态和健康状态预测的方法及系统
CN115564193A (zh) 智能配电网多维度综合效益评估方法及系统、存储介质
CN115421044A (zh) 锂离子电池状态确定方法、装置、电子设备及存储介质
CN115598535A (zh) 一种考虑健康状态的电池荷电状态估计方法及系统
CN113671377A (zh) 一种基于改进ekf算法的锂电池soc估算方法
CN111180814A (zh) 基于多模块充电器的串联锂离子电池组充电控制方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法

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