CN114692365A - 云端一体电池全生命周期智慧管控架构及其方法 - Google Patents
云端一体电池全生命周期智慧管控架构及其方法 Download PDFInfo
- Publication number
- CN114692365A CN114692365A CN202011592822.5A CN202011592822A CN114692365A CN 114692365 A CN114692365 A CN 114692365A CN 202011592822 A CN202011592822 A CN 202011592822A CN 114692365 A CN114692365 A CN 114692365A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- algorithm
- energy storage
- storage node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004146 energy storage Methods 0.000 claims abstract description 52
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 230000002068 genetic effect Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例公开一种云端一体电池全生命周期智慧管控架构及其方法，该架构中，包括数据采集系统、储能节点、模型/算法、控制器、数据存储、数字孪生体、数据孪生体校验；数字孪生体是储能节点的数字抽象模型，数字孪生体基于采集的数据进行不断的自更新；数字孪生体校验是通过数字孪生体及历史数据对数字孪生体进行反复更新、校验，得到准确的孪生体，并用于控制器；模型/算法是在端平台控制器中实现的模型/策略，模型/算法通过数字孪生体的校验得到；控制器由模型/算法进行初始化，在储能节点的全生命周期内通过模型/算法不断更新调整，更精确的控制储能节点。应用实施例提供的方案，能够适用于储能节点的整个生命周期。
Description
技术领域
本发明涉及电池全生命周期智慧管控技术领域，具体而言，涉及云端一体电池全生命周期智慧管控架构及其方法。
背景技术
近些年新能源设备迅速发展，符合当今社会对于节能环保方面的需求，因此具有广泛的发展前景，对于新能源设备(新能源汽车、储能节点等)都需要控制器，对其进行状态控制，以保证其安全运行。而计算机技术对其运行也起着重要的作用，正如我们所说的云，云即为云平台，包括大数据存储、大数据算法、大数据可视化界面等。云平台承担着大数据存储、数字孪生系统构建及云计算等诸多任务，对储能节点的状态估计、策略更新、模型更新、故障预测等有很重要的作用。
目前在储能节点管理过程一般只有其固化的模型及控制策略，模型和策略也相对简单，这种管理系统很难适用于储能节点的整个生命周期。且存在下述缺点：
1.现有技术中只有借助云平台进行电池单一特性的计算，如估算SOH(健康状态)，并没有充分利用云平台的计算能力；
2.现有技术中云平台的数字孪生体中模型比较单一，如只应用大数据算法，计算电池的状态；
3.现有技术中云平台对端平台中的模型只进行了相关参数的更新，不能使端平台对电池的估算精度全方位的提升；
4.现有技术中没有有效的应用历史数据对储能节点进行分析；
5.现有技术中没有利用多车的电池数据信息对当前储能节点进行分析。
发明内容
本发明提供了云端一体电池全生命周期智慧管控架构及其方法，以解决上述背景技术中提到的问题。具体的技术方案如下：
本发明提供了云端一体电池全生命周期智慧管控架构，包括：云平台和端平台，所述端平台包括数据采集系统、储能节点、模型/算法、控制器，所述云平台包括数据存储、数字孪生体、数据孪生体校验；
所述数字孪生体是所述储能节点的数字抽象模型，所述数字孪生体基于采集的数据进行不断的自更新；
所述数字孪生体校验是通过所述数字孪生体及历史数据对所述数字孪生体进行反复更新、校验，得到准确的数字孪生体，并用于所述控制器；
所述模型/算法是在端平台所述控制器中实现的模型/策略，所述模型/算法通过所述数字孪生体的校验得到；
所述控制器由所述模型/算法进行初始化，在所述储能节点的全生命周期内通过所述模型/算法不断更新调整，更精确的控制所述储能节点。
其中，进一步包括根据数据采集系统辨识出的模型，所述模型/算法基于辨识出的所述数字孪生体生成。
其中，进一步包括生成所述数字孪生体的模型辨识方法，模型辨识的方法包括但不局限于遗传算法、粒子群算法、最小二乘法。
其中，所述数据采集系统采集的信息包括所述储能节点的环境、负载、状态信息、地理信息。
其中，所述数字孪生体、所述数字孪生体校验与所述模型/算法、所述控制器经由接口彼此通信。
本发明还提供了云端一体电池全生命周期智慧管控方法，包括：
数据采集系统对储能节点的信息采集；
应用数据采集系统的采集信息，通过模型辨识方法生成数字孪生体；
数字孪生体应用数据存储的历史数据对数字孪生体进行校验，生成可用于端平台的模型/算法，并对模型/算法初始化；
将模型/算法应用于控制器并进行校验，得到可用的控制器；
控制器对储能节点进行实时的监控；
在储能节点的整个生命周期内，数字孪生体应用采集系统实时采集的信息，时刻迭代更新数字孪生体并进行校验；
在储能节点的整个生命周期内，数字孪生体也会对模型/算法视情况进行迭代更新；
基于更新后的模型/算法，控制器能够更好的控制储能节点。
其中，数字孪生体包括：基于历史数据、第一性原理、概率论及预先建立的模型/算法。
其中，进一步包括将数字孪生体部署在云平台，或将数字孪生体全部或部分部署在储能节点的边缘控制器上。
本发明实施例的创新点包括：
1、云端一体架构可以通过云平台建立高精度数字孪生体，计算出高精度结果，计算结果实时传输到端平台，充分利用云平台的计算能力，提高储能节点状态估算准确度，端平台可以根据云平台的结果直接控制储能节点；
2、云端一体架构可以通过云平台高精度数字孪生体，其融合了多尺度模型及AI(人工智能)算法，实时高精度模型参数辨识及电池状态估计；
3、云端一体架构可以通过云平台生成的数字孪生体，为端平台提供更精确的参数/模型/策略等，并对端平台进行智能升级，最终使端平台更准确的估计储能节点的状态，使储能节点运行更安全；
4、云端一体架构可以通过历史数据及实时数据，预测设备/装置的寿命/故障等并可以通过历史数据对更新的参数/模型/策略等进行在线验证；
5、端平台可以应用多车/多储能节点数据可以对数字孪生体及端平台模型/策略初始化；
6、数字孪生体基于大数据计算不同电池、pack等衰减信息，为电池、pack等设计提供数据支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为发明提供的云端一体电池全生命周期智慧管控架构的示意图；
图2为发明提供的云端一体电池全生命周期智慧管控方法的一种实施例的示意图。
具体实施方式
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、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了云端一体电池全生命周期智慧管控架构及其方法，能够适用于储能节点的整个生命周期。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的云端一体电池全生命周期智慧管控架构的一种结构示意图。图2为本发明实施例提供的云端一体电池全生命周期智慧管控方法的一种示意图。
本发明实施例提供的云端一体电池全生命周期智慧管控架构，包括云平台和端平台，所述端平台包括数据采集系统、储能节点、模型/算法、控制器，所述云平台包括数据存储、数字孪生体、数据孪生体校验；
所述数字孪生体是所述储能节点的数字抽象模型，所述数字孪生体基于采集的数据进行不断的自更新；
所述数字孪生体校验是通过所述数字孪生体及历史数据对所述数字孪生体进行反复更新、校验，得到准确的孪生体，并用于所述控制器；
所述模型/算法是在端平台所述控制器中实现的模型/策略，所述模型/算法通过所述数字孪生体的校验得到；
所述控制器由所述模型/算法进行初始化，在所述储能节点的全生命周期内通过所述模型/算法不断更新调整，更精确的控制所述储能节点。
其中，进一步包括根据数据采集系统辨识出的模型，所述模型/算法基于辨识出的所述数字孪生体生成；进一步包括生成所述数字孪生体的模型辨识方法，模型辨识的方法包括但不局限于遗传算法、粒子群算法、最小二乘法；所述数据采集系统采集的信息包括所述储能节点的环境、负载、状态信息、地理信息；所述数字孪生体、所述数字孪生体校验与所述模型/算法、所述控制器经由接口彼此通信。
本发明还提供了云端一体电池全生命周期智慧管控方法，包括：
数据采集系统对储能节点的信息采集；
应用数据采集系统的采集信息，通过模型辨识方法生成数字孪生体；
数字孪生体应用数据存储的历史数据对数字孪生体进行校验，生成可用于端平台的模型/算法，并对模型/算法初始化；
将模型/算法应用于控制器并进行校验，得到可用的控制器；
控制器对储能节点进行实时的监控；
在储能节点的整个生命周期内，数字孪生体应用采集系统实时采集的信息，时刻迭代更新数字孪生体并进行校验；
在储能节点的整个生命周期内，数字孪生体也会对模型/算法视情况进行迭代更新；
基于更新后的模型/算法，控制器能够更好的控制储能节点。
其中，数字孪生体包括：基于历史数据、第一性原理、概率论及预先建立的模型/算法；进一步包括将数字孪生体部署在云平台，或将数字孪生体全部或部分部署在储能节点的边缘控制器上。
示例性的，
如图2，一种基于云控BMS的电池全生命周期智慧管控方法，包括：
步骤一：通过端平台的数据采集系统对电动汽车的电池信息进行数据采集；
步骤二：采集的数据通过车端的数据处理模块进行数据处理；
步骤三：处理后的数据通过BMS控制器(包含但不限于等效电路模型、高精度MAP图进行SOC、SOP估算、控制逻辑等)计算电动汽车的电池状态并对电动汽车的电池管理系统进行控制；
步骤四：通过数据打包功能将BMS控制器计算的结果及数据采集系统采集的数据进行打包，并将打包好的数据包通过通信技术(包含但不局限于4G/5G、卫星通讯、WiFi、蓝牙)传送到云端的数据存储平台；
步骤五：云端数据存储的数据通过数据预处理(将缺失、异常数据删除/修正等)；
步骤六：通过云端处理好的数据对数字孪生体(包含但不限于电化学模型、热模型、等效电路模型)运用优化算法(包含但不限于最小二乘、遗传算法、粒子群、蚁群算法)进行参数辨识，生成数字孪生体；
步骤七：数字孪生体可通过大数据平台的数据，对相关电池或电池系统的多车数据运用AI算法(如CNN(卷积神经网络)、LSTM(长短记忆神经网络)、分类、聚类等)进行计算分析，能精确计算和预测电池系统的状态(如SOH等)；还可以通过多尺度模型(如本构模型、热力学模型、内短路模型、机械应力模型、电化学模型、热模型、电热应力耦合模型、协作信息感知模型、分布式异构数据融合计算模型等)，可实现诊断、状态估计、智能充电、电池均衡、循环利用等功能，对电动汽车安全运行提供准确的信息；
步骤八：数字孪生体计算出来的电池的各种状态(如SOH(健康状态)、安全状态等)可以通过可视化界面实时的展示出来；
步骤九：云平台根据数字孪生体计算出的结果与端平台的结果(如SOH、模型精度等指标)进行对比，判断是否对端平台进行更新，如对端平台进行更新，则将数据包通过通信技术传到端平台，端平台根据实际情况适时自动更新(或手动更新)；
步骤十：端平台模型/策略等更新完之后，需要在端平台对更新的程序进行验证，验证通过后，端平台BMS就可以正常控制储能节点，如验证不通过，端平台需将信息反馈给云平台，进行容错处理(如：退回原始版本/修改版本内容等)；
步骤十一：在电动汽车整个生命周期内，数字孪生体基于数据平台的数据时刻更新，并适时向电动汽车发送更新数据包，电动汽车适时自动或手动更新，完成电动汽车整个生命周期的智慧管控；
步骤十二：最终，可通过云平台的数字孪生体对报废的电动汽车的动力电池进行梯次利用；
步骤十三：基于大数据平台的数据，应用数字孪生体计算不同电池不同衰减路径等状态信息，为电池、pack等设计提供数据支撑；
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：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实施例技术方案的精神和范围。
Claims (8)
1.一种云端一体电池全生命周期智慧管控架构，其特征在于，包括云平台和端平台，所述端平台包括数据采集系统、储能节点、模型/算法、控制器，所述云平台包括数据存储、数字孪生体、数据孪生体校验；
所述数字孪生体是所述储能节点的数字抽象模型，所述数字孪生体基于采集的数据进行不断的自更新；
所述数字孪生体校验是通过所述数字孪生体及历史数据对所述数字孪生体进行反复更新、校验，得到准确的孪生体，并用于所述控制器；
所述模型/算法是在端平台所述控制器中实现的模型/策略，所述模型/算法通过所述数字孪生体的校验得到；
所述控制器由所述模型/算法进行初始化，在所述储能节点的全生命周期内通过所述模型/算法不断更新调整，以更精确的控制所述储能节点。
2.如权利要求1所述的云端一体电池全生命周期智慧管控架构，其特征在于，进一步包括根据数据采集系统辨识出的模型，所述模型/算法基于辨识出的所述数字孪生体生成。
3.如权利要求1所述的云端一体电池全生命周期智慧管控架构，其特征在于，进一步包括生成所述数字孪生体的模型辨识方法，模型辨识的方法包括但不局限于遗传算法、粒子群算法、最小二乘法等算法。
4.如权利要求1所述的云端一体电池全生命周期智慧管控架构，其特征在于，所述数据采集系统采集的信息包括所述储能节点的环境、负载、状态信息、地理信息。
5.如权利要求1所述的云端一体电池全生命周期智慧管控架构，其特征在于，所述数字孪生体、所述数字孪生体校验与所述模型/算法、所述控制器经由接口彼此通信。
6.一种云端一体电池全生命周期智慧管控方法，其特征在于，包括：
数据采集系统对储能节点的信息采集；
应用数据采集系统的采集信息，通过模型辨识方法生成数字孪生体；
数字孪生体应用数据存储的历史数据对数字孪生体进行校验，生成可用于端平台的模型/算法，并对模型/算法初始化；
将模型/算法应用于控制器并进行校验，得到可用的控制器；
控制器对储能节点进行实时的监控；
在储能节点的整个生命周期内，数字孪生体应用采集系统实时采集的信息，时刻迭代更新数字孪生体并进行校验；
在储能节点的整个生命周期内，数字孪生体也会对模型/算法视情况进行迭代更新；
基于更新后的模型/算法，控制器能够更好的控制储能节点。
7.如权利要求6所述的云端一体电池全生命周期智慧管控方法，其特征在于，数字孪生体包括：基于历史数据、第一性原理、概率论及预先建立好的模型/算法。
8.如权利要求7所述的云端一体电池全生命周期智慧管控方法，其特征在于，进一步包括将数字孪生体部署在云平台，或将数字孪生体全部或部分部署在储能节点的边缘控制器上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011592822.5A CN114692365A (zh) | 2020-12-29 | 2020-12-29 | 云端一体电池全生命周期智慧管控架构及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011592822.5A CN114692365A (zh) | 2020-12-29 | 2020-12-29 | 云端一体电池全生命周期智慧管控架构及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114692365A true CN114692365A (zh) | 2022-07-01 |
Family
ID=82132908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011592822.5A Pending CN114692365A (zh) | 2020-12-29 | 2020-12-29 | 云端一体电池全生命周期智慧管控架构及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114692365A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115097321A (zh) * | 2022-08-29 | 2022-09-23 | 北京航空航天大学 | 基于数字孪生的锂电池eis和soh估计方法 |
-
2020
- 2020-12-29 CN CN202011592822.5A patent/CN114692365A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115097321A (zh) * | 2022-08-29 | 2022-09-23 | 北京航空航天大学 | 基于数字孪生的锂电池eis和soh估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110492186A (zh) | 一种基于云端控制技术的动力电池模组的管理方法 | |
| CN114154429B (zh) | 一种储能系统的数字孪生体构建方法、装置及存储介质 | |
| CN111581850B (zh) | 一种应用数字孪生技术的全周期动力电池管理系统 | |
| CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
| CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
| CN113960476A (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
| WO2021249083A1 (zh) | 车辆的电池管理方法和系统、车辆和服务器 | |
| CN109001631A (zh) | 电池性能在线评估系统和方法 | |
| CN105515184A (zh) | 基于无线传感网络的多传感器多参量配网协同监测系统 | |
| CN104348205A (zh) | 一种基于soc-soh分布式bms系统 | |
| CN211702078U (zh) | 基于云-端混合状态预估的电池管理器 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| CN112714156A (zh) | 一种云端bms协同管理方法、系统以及车辆 | |
| Newaz et al. | Controller hardware-in-the-loop validation of a graph search based energy management strategy for grid-connected distributed energy resources | |
| CN113589096A (zh) | 一种多状态量可组态变电设备边缘计算系统及其方法 | |
| CN107991902A (zh) | 一种航天器的供电系统的建模及仿真方法 | |
| Yang et al. | An adaptive control framework for dynamically reconfigurable battery systems based on deep reinforcement learning | |
| CN111950197A (zh) | 一种基于人工智能语义的配网攻击及故障采集分析系统 | |
| CN114692365A (zh) | 云端一体电池全生命周期智慧管控架构及其方法 | |
| CN113595239A (zh) | 一种云边端协同的变电站智能管控系统 | |
| CN116739360A (zh) | 基于区块链的分布式风光储智慧能量管理系统 | |
| CN115291109A (zh) | 电池储能系统的监控方法、系统、电子设备及存储介质 | |
| CN107864202A (zh) | 一种储能电源管理系统及储能电源 | |
| CN116227248B (zh) | 重力储能系统的数字孪生体构建方法、装置及电子设备 | |
| WO2023225378A1 (en) | Large scale energy storage with ai-based grading and efficiency assessment |
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 |