CN115033035A - 一种储能车的控制方法及系统 - Google Patents
一种储能车的控制方法及系统 Download PDFInfo
- Publication number
- CN115033035A CN115033035A CN202210223865.9A CN202210223865A CN115033035A CN 115033035 A CN115033035 A CN 115033035A CN 202210223865 A CN202210223865 A CN 202210223865A CN 115033035 A CN115033035 A CN 115033035A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- battery module
- storage battery
- temperature
- establishing
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000033228 biological regulation Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 239000002826 coolant Substances 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000020169 heat generation Effects 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种储能车的控制方法及系统，属于储能车温控技术领域；确定储能车影响储能电池模组工况的上下游系统环境参数；基于系统环境参数建立健康运行状态下储能电池模组的基线模型；利用基线模型求出某个时刻下储能电池模组的第一温度偏差值；若第一温度偏差值超过阈值，则对储能电池模组进行温度调节；利用基线模型求出调节后储能电池模组的第二温度偏差值；若第二温度偏差值超过阈值，则对发出警报；本发明的将PHM技术的思路引入储能车的控制系统，针对储能电模组的监控提出一种新的温控方法；以PHM技术出发提出储能电池模组工况的上下游系统环境参数为出发点构建基线模型的思路，结合PID控制的模式实现储能电池模组的高效科学精细化的调控。
Description
技术领域
本发明涉及储能车温控技术领域，特别涉及一种储能车的控制方法及系 统。
背景技术
储能车既可以代替传统柴油式应急发电车用于保障供电，又有类似于 储能站的削峰填谷、动态增容等功能，同时兼具高机动性，可为电动汽车 提供临时充电的道路救援服务，相当于一台可移动的多功能式“超级充电 宝”。在遇到故障停电等突发状况时，该车能够无缝完成负荷切换。实行 配网不停电作业，确保电网升级改造与用户供电两不误。
储能车中储能电池模组的热管理是关系储能车安全性。目前的，储能 车的热管理主要通过储能车动环监控系统辅以外部降温为主，但这种方式 主要有如下几个缺点：
1)控温方式过于单一；如上文说的现有的热管理主要通过储能车动 环监控系统辅以外部降温为主，主要采用的方式为传感器监控-触发降温， 如CN201810106435.2公开了一种纯电城市客车动力电池温控方法，用以 解决现有技术中测量动力电池组电池温度以及调控温度步骤较为复杂以及 调控精度不高的问题，具体公开了包括：S1：采集动力电池组的电池数据； S2：根据采集的电池数据判断当前动力电池组处于的工作模式，并确定当 前的水冷机组状态；S3：根据动力电池组的工作模式以及采集的动力电池 组电池数据，判断当前动力电池组的电池温度状态处于的温度范围并根据 动力电池组处于的温度范围发送对应的温控指令。该发明的模式采用的是 先获得电池各个状态的温度，再以此作为判据，判断温度的状态。但事实 上单纯监测电池模组的温度，不一定能反映出电池的真实异常，也有诸如 储能车外界温度、储能电池模组充放电流、储能电池模组热功耗、储能电 池模组电功耗、相邻储能电池之间的温度差、相邻储能电池之间的电流差、 储能电池模组整体温度差、储能电池的热容、储能电池的热-电转换效率、 储能电池的内阻、温度调节的速度、扇热风扇的转速、电池余量等影响， 但往往这些内容并不被列入考虑的范围，只要温度一升高就降温，一些潜 在的问题就会被掩盖过去变成潜在隐患。
2)精准控温；现有的储能电池采用的控温模式有多为多点布控传感 器监控配合控制；为了实现精准，在控制的方法上进行提升，如标定电池 温度曲线、模糊PID控制等。如CN201911365669.X公开了一种基于模糊 PID控制的新型动力电池包系统及其控制方法；包括电池管理系统，冷却 液循环主管道，冷却液一/二级分支管，冷却液流量控制阀，一/二级球型 分液枢纽，s形扁状换热管，每一个冷却液一级分支管上安装冷却液流量 控制阀，由受到模糊PID控制器控制的步进电机带动，能够控制动力电池 包始终工作在最适温度范围内，并且保证电池包内部温度的均衡性，解决 了电池包整体温度不均衡的缺点，提高了使用寿命。但实施当只选用温度 这一参数作为唯一标准的情况下，并不能完整的体现电池的变化状态；比 如电池本身已经故障了，那么一直降温使得其温度降低到一定程度，并不 能使得该故障被操作人员所关注。也就是说现有技术的精准控温是建立在 电池是健康运行状态下的精准控温。
因此申请人提出一种储能车的控制方法及系统，将PHM技术的思路引 入储能车的控制系统，针对储能电模组的监控提出一种新的温控方法；用 以解决现有技术中忽略电池模组工况的影响参数以及电池故障难以及时发 现的问题。
发明内容
(一)技术方案
本发明通过如下技术方案实现：一种储能车的控制方法，所述方法包 括：
确定储能车影响储能电池模组工况的上下游系统环境参数；
基于系统环境参数建立健康运行状态下储能电池模组的基线模型；
利用基线模型求出某个时刻下储能电池模组的第一温度偏差值；
若第一温度偏差值超过阈值，则对储能电池模组进行温度调节；
利用基线模型求出调节后储能电池模组的第二温度偏差值；
若第二温度偏差值超过阈值，则对发出警报。
作为上述方案的进一步说明，所述上下游系统环境参数包括：
储能车外界温度、储能电池模组充放电流、储能电池模组热功耗、储 能电池模组电功耗、相邻储能电池之间的温度差、相邻储能电池之间的电 流差、储能电池模组整体温度差、储能电池的热容、储能电池的热-电转 换效率、储能电池的内阻、温度调节的速度、扇热风扇的转速、电池余量。
作为上述方案的进一步说明，所述基于系统环境参数建立健康运行状 态下储能电池模组的基线模型包括如下步骤：
建立储能电池模组的观测向量；
以储能电池模组的历史健康数据构建非参数化的训练矩阵；
训练矩阵的标准化处理，利用标准化训练矩阵建立基线模型。
作为上述方案的进一步说明，所述利用标准化训练矩阵建立基线模型 具体的包括如下步骤：
利用标准化训练矩阵构建训练样本矩阵和预测样本矩阵；
构建深度学习网络，确认层数和节点并进行训练；
获得训练后的深度学习模型，输入预测样本矩阵确定误差要求。
作为上述方案的进一步说明，所述利用标准化训练矩阵建立基线模型 具体的包括如下步骤：
建立储能电池模组的观测向量；
以储能电池模组的历史健康数据构建非参数化的训练矩阵；
训练矩阵的标准化处理，以标准化后的训练矩阵作为基准模型；
所述标准化后的训练矩阵定义了健康运行状态下电池模组温度参数所 对应的范围。
作为上述方案的进一步说明，所述利用标准化训练矩阵建立基线模型 具体的包括如下步骤：
建立储能电池模组电力系统模型；
热力系统模型与标准化后的训练矩阵结合建立基线模型。
作为上述方案的进一步说明，所述观测向量为上下游系统环境参数中 的一种或多种；
所述标准化处理包括规范化方法、正规化方法、归一化方法中的一种。
本发明提出一种储能车的控制系统，所述装置包括：所述系统包括：
数据感知模块：用于采集储能电池模组工况的上下游系统环境参数；
数据获取模块：用于数据的收集以及数据的处理；
数据分析模块：用于建立健康运行状态下储能电池模组的基线模型以 及；
PID调节模块：基于基线模型反馈对储能电池模组进行温度调节；
控制决策模块：用于储能电池的故障诊断、寿命预测以及异常情况的 储能电池切断。
本发明提出一种储能车的控制设备，包括处理器、存储器以及存储在 所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实 现储能车的控制方法。
本发明提出一种计算机可读存储介质，所述计算机可读存储介质包括 存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读 存储介质所在设备执行储能车的控制方法。
(三)有益效果
本发明相对于现有技术，具有以下有益效果：
本发明的优点在于将PHM技术的构建思路引入储能车的控制系统，针 对储能电模组的监控提出一种新的温控方法，以解决电池模组的温控方式 单一和精准控温的问题；具体体现在以PHM技术出发提出储能电池模组工 况的上下游系统环境参数为出发点构建基线模型的思路，结合PID控制的 模式实现储能电池模组的高效科学精细化的调控；可实现储能电池模组多 维项点的状态监测、典型故障的定位以及工作状态评估和健康预测功能，对提升现场人员决策、运维质量，以及运维效率产生促进作用。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将对本发 明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式 是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方 式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实 施方式，都属于本发明保护的范围。基于本发明中的实施方式，本领域普通 技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于 本发明保护的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能 理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此， 限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个 该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有 明确具体的限定。
实施例
一种储能车的控制方法，所述方法包括：
确定储能车影响储能电池模组工况的上下游系统环境参数；所述上下 游系统环境参数包括：储能车外界温度、储能电池模组充放电流、储能电 池模组热功耗、储能电池模组电功耗、相邻储能电池之间的温度差、相邻 储能电池之间的电流差、储能电池模组整体温度差、储能电池的热容、储 能电池的热-电转换效率、储能电池的内阻、温度调节的速度、扇热风扇 的转速、电池余量。
基于系统环境参数建立健康运行状态下储能电池模组的基线模型；具 体的包括如下步骤：
a.建立储能电池模组的观测向量；观测向量的建立如下：
X＝[T外、T电、ΔT、P电、P热、ΔI]
式中T外为储能车外界温度、T电为储能电池模组温度、ΔT为储能电池模 组整体温度差、P电为储能电池模组电功耗、P热为储能电池模组热功耗、 ΔI为相邻储能电池之间的电流差；需要进一步说明的是，所述观测向量 来自于影响储能电池模组工况的上下游系统环境参数，本实施例部分只选 用了其中六个参数进行举例说明，并不意味着观测向量只有这六个参数。 参数可以依据不同储能车的构造、工况进行选择，并不唯一。
b.以储能电池模组的历史健康数据构建非参数化的训练矩阵；矩阵如 下所示：
c.训练矩阵的标准化处理，构建训练样本矩阵和预测样本矩阵；
由于训练矩阵中各变量的量纲各不相同，不同参数绝对值相差很大， 因此需要对矩阵进行标准化处理。标准化处理可选的规范化方法、正规化 方法、归一化方法中的一种。在本实施例中选用正规化方法进行处理，具 体如下：
式中，Aij表达第i个参数序列在j时刻的取值；Bij表示正规化后第 i个参数序列在j时刻的取值；
和s分别表示第i个参数序列的均值和 标准差；
d.构建深度学习网络，确认层数和节点并进行训练；
e.获得训练后的深度学习模型，输入预测样本矩阵确定误差要求。
需要进一步说明的是，深度学习模型的可以依据不同储能车的构造、 工况进行选择，并不唯一，且深度学习模型的原理和过程属于现有技术， 本领域技术人员可以根据需要选用不同的模型来提高模型精度以满足误差 要求，不属于本发明的创新点，因此在此处不对深度学习的构建过程进行 展开说明。
利用基线模型求出某个时刻下储能电池模组的第一温度偏差值；需要 进一步说明的是，本实施例中的基线模型指上述步骤中构建出来的深度学 习模型。
若第一温度偏差值超过阈值，则对储能电池模组进行温度调节；
需要进一步说明的是，除了温度调节以外，还需要根据模型建立时选 择的影响储能电池模组工况的上下游系统环境参数，确定到底是哪个参数 在影响电池模组温度的变化。正常情况下，标准化后的训练矩阵B可以被 认为是电池模组在健康运行状态下所采集数据，定义了正常运行状态下电 池模组温度参数所对应的范围。因此，在电池模组健康状况下当新到一组 参数时，温度偏差应该在0附近拨动，当电池模组出现异常或者故障时，所对应选择上下游系统环境参数也应该对应超出了预设的阈值。
需要进一步说明的是，在本实施例中进行温度调节的方式仍采用PID 进行控制；具体方法如下：
温度传感器采集温度值；
计算e和ec；
模糊化；
模糊推理Kp、Ki、Kd；
Kp、Ki、Kd解模糊；
PID控制器输出；
调节温控装置进行温控；
在本实施例采用模糊PID控制。模糊PID控制的优点在于：传统的 PID控制精度难以满足条件需求，模糊PID的自适应模糊控制算法能够对 采集的信息实时进行优化，反应迅速，确保电池模组的温度保持在设定的 范围，在其温度范围内达到降温或者升温的目的。此外模糊PID技术属于 现有技术，成熟并广泛的应用于温控领域，因此本实施例中不再进行展开 说明。
利用基线模型求出调节后储能电池模组的第二温度偏差值；若第二温 度偏差值超过阈值，则对发出警报。
需要进一步说明的是，如上文中提到除了温度调节以外，还需要根据 模型建立时选择的影响储能电池模组工况的上下游系统环境参数，确定到 底是哪个参数在影响电池模组温度的变化。正常情况下，标准化后的训练 矩阵B可以被认为是电池模组在健康运行状态下所采集数据，定义了正常 运行状态下电池模组温度参数所对应的范围。因此，在电池模组健康状况 下当新到一组参数时，温度偏差应该在0附近拨动，当电池模组出现异常或者故障时，所对应选择上下游系统环境参数也应该对应超出了预设的阈 值。在这一步中可以理解为，当储能电池温度超出阈值，利用模糊PID控 制初步解决温度的情况，即自适应修复；当模糊PID控制无法解决温度问 题的时候，进一步触发警报。此时系统应当认为该问题无法通过控制系统 来进行自适应解决，需要反馈至操作人员进行进一步处理。第一温度偏差 值用于反应控制系统是否有能力为检测到的储能电池异常提供自适应修复， 并确定异常原因；第二温度偏差值用于反应控制系统是否有能力为电池故 障提供充足的准备时间，若无能力则触发警报。
实施例2
本实施例与实施例1的区别在于基线模型的建立方式不同，具体如下：
所述利用标准化训练矩阵建立基线模型具体的包括如下步骤：
建立储能电池模组的观测向量；
以储能电池模组的历史健康数据构建非参数化的训练矩阵；
训练矩阵的标准化处理，以标准化后的训练矩阵作为基准模型；
所述标准化后的训练矩阵定义了健康运行状态下电池模组温度参数所 对应的范围。
如上文所述正常情况下，标准化后的训练矩阵B可以被认为是电池模 组在健康运行状态下所采集数据，定义了正常运行状态下电池模组温度参 数所对应的范围。因此，在电池模组健康状况下当新到一组参数时，温度 偏差应该在0附近拨动，当电池模组出现异常或者故障时，所对应选择上 下游系统环境参数也应该对应超出了预设的阈值。因此应结构较为简单的 电池模组而言，单独采用矩阵作为多尺度评估基线模型即可反应储能电池的变化情况，不需在进行深度学习构建额外的模型。深度学习的构建需要 大量的数据作为支撑，而对于一些结构较为简单的电池模组一来没有那么 多数据支撑，二来不需要更为复杂的深度学习模型来作为基线模型即可解 决问题。
实施例3
本实施例与实施例1的区别在于基线模型的建立方式不同；如上文所 述标准化后的训练矩阵B可以被认为是电池模组在健康运行状态下所采集 数据，定义了正常运行状态下电池模组温度参数所对应的范围。因此，在 电池模组健康状况下当新到一组参数时，温度偏差应该在0附近拨动，当 电池模组出现异常或者故障时，所对应选择上下游系统环境参数也应该对 应超出了预设的阈值。但是实施例1构建的基线模型是针对现有数据进而实现的一种预测量，实施例2构建的基线模型是针对现有数据提炼出的静 态量，两者都反应了某个时刻下，电池模组应该处于一个什么样的状态。 并不能在满足各状态量在不同控制时刻下的交互特性的前提下，最小化一 段时间内量测量与状态量之间的误差，从而提高估计精度。如背景技术所 述，电池模组需要较为精准的控制；而电池模组的温度变化属于时序非线 性的变化状态；因此针对电池模组的特性构件构建相应的系统动态模型作 为基线模型来考量，具体如下：
本实施例选用铅酸蓄电池作为微电网的储能元件,并以铅酸蓄电池为 例进行展开说明。
所述利用标准化训练矩阵建立基线模型具体的包括如下步骤：
建立储能电池模组热力系统模型；
需要进一步说明的是本实施例中储能电池模组的电力系统模型皆引用 自文献“[1]李海君.新能源汽车用锂动力电池热管理系统研究[D].江苏 大学,2018.”需要进一步说明的是，热力系统模型可以依据不同储能车的 构造、工况进行选择，并不唯一，且热力系统模型的原理和过程属于现有 技术，本领域技术人员可以根据需要选用不同的模型，并针对模型来仿真 优化提高模型精度以满足误差要求，不属于本发明的创新点，因此在此处不对热力系统模型的构建过程进行展开说明。
1、电池内部的导热微分方程
所建立的为电池内部的导热微分方程，它结合能量守恒定律与傅里叶 定律，使电池内部各点的温度形成联系，表达了电池内部温度随时间与空 间的变化规律；具体模型如下：
2、内核生热速率
3、极耳、极柱生热速率
基于上述四个方程结合对已建立的储能电池模组的观测向量进行扩展， 建立储能电池模组的基线模型。此步骤可以参考实施例1和实施例2基线 模型的建立方式进行建立，此处不再展开说明。
本发明的优点在于将PHM技术的构建思路引入储能车的控制系统，针 对储能电模组的监控提出一种新的温控方法，以解决电池模组的温控方式 单一和精准控温的问题；具体体现在以PHM技术出发提出储能电池模组工 况的上下游系统环境参数为出发点构建基线模型的思路，结合PID控制的 模式实现储能电池模组的高效科学精细化的调控；可实现储能电池模组多 维项点的状态监测、典型故障的定位以及工作状态评估和健康预测功能，对提升现场人员决策、运维质量，以及运维效率产生促进作用。
本发明提出一种储能车的控制系统，所述装置包括：所述系统包括：
数据感知模块：用于采集储能电池模组工况的上下游系统环境参数；
数据获取模块：用于数据的收集以及数据的处理；
数据分析模块：用于建立健康运行状态下储能电池模组的基线模型以 及；
PID调节模块：基于基线模型反馈对储能电池模组进行温度调节；
控制决策模块：用于储能电池的故障诊断、寿命预测以及异常情况的 储能电池切断。
本发明提出一种储能车的控制设备，包括处理器、存储器以及存储在 所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实 现储能车的控制方法。
本发明提出一种计算机可读存储介质，所述计算机可读存储介质包括 存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读 存储介质所在设备执行储能车的控制方法。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或 者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。 所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段， 该指令段用于描述所述计算机程序在储能车的控制方法设备中的执行过程。
所述一种储能车的控制设备可包括但不仅限于处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还 可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、 现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可 编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器 可以是微处理器或者该处理器也可以是任何常规的处理器等，所述储能车的 控制设备的控制中心，利用各种接口和线路连接整个储能车的控制设备的 各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运 行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存 储器内的数据，实现所述储能车的控制设备的各种功能。所述存储器可主要 包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一 个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数 据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。 此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器， 例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)， 安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁 盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述储能车的控制方法设备集成的单元如果以软件功能单元的 形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存 储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流 程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可 存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现 上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码， 所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些 中间形式等。
所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实 体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读 存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明 的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实 践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践， 计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为 分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分 布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来 实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况 下，即可以理解并实施。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对 本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不 脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案 作出的各种变化和改进，均属于本发明的保护范围。
Claims (10)
1.一种储能车的控制方法，其特征在于，所述方法包括：
确定储能车影响储能电池模组工况的上下游系统环境参数；
基于系统环境参数建立健康运行状态下储能电池模组的基线模型；
利用基线模型求出某个时刻下储能电池模组的第一温度偏差值；
若第一温度偏差值超过阈值，则对储能电池模组进行温度调节；
利用基线模型求出调节后储能电池模组的第二温度偏差值；
若第二温度偏差值超过阈值，则对发出警报。
2.根据权利要求1所述的一种储能车的控制方法，其特征在于，
所述上下游系统环境参数包括：
储能车外界温度、储能电池模组温度、储能电池模组充放电流、储能电池模组热功耗、储能电池模组电功耗、相邻储能电池之间的温度差、相邻储能电池之间的电流差、储能电池模组整体温度差、储能电池的热容、储能电池的热-电转换效率、储能电池的内阻、温度调节的速度、扇热风扇的转速、电池余量。
3.根据权利要求1所述的一种储能车的控制方法，其特征在于，
所述基于系统环境参数建立健康运行状态下储能电池模组的基线模型包括如下步骤：
建立储能电池模组的观测向量；
以储能电池模组的历史健康数据构建非参数化的训练矩阵；
训练矩阵的标准化处理，利用标准化训练矩阵建立基线模型。
4.根据权利要求3所述的一种储能车的控制方法，其特征在于，
所述利用标准化训练矩阵建立基线模型具体的包括如下步骤：
利用标准化训练矩阵构建训练样本矩阵和预测样本矩阵；
构建深度学习网络，确认层数和节点并进行训练；
获得训练后的深度学习模型，输入预测样本矩阵确定误差要求。
5.根据权利要求3所述的一种储能车的控制方法，其特征在于，
所述利用标准化训练矩阵建立基线模型具体的包括如下步骤：
建立储能电池模组的观测向量；
以储能电池模组的历史健康数据构建非参数化的训练矩阵；
训练矩阵的标准化处理，以标准化后的训练矩阵作为基准模型；
所述标准化后的训练矩阵定义了健康运行状态下电池模组温度参数所对应的范围。
6.根据权利要求3所述的一种储能车的控制方法，其特征在于，
所述利用标准化训练矩阵建立基线模型具体的包括如下步骤：
建立储能电池模组热力系统模型；
热力系统模型与标准化后的训练矩阵结合建立基线模型。
7.根据权利要求3-6任一项所述的一种储能车的控制方法，其特征在于，
所述观测向量为上下游系统环境参数中的一种或多种；
所述标准化处理包括规范化方法、正规化方法、归一化方法中的一种。
8.一种储能车的控制系统，其特征在于：所述系统包括：
数据感知模块：用于采集储能电池模组工况的上下游系统环境参数；
数据获取模块：用于数据的收集以及数据的处理；
数据分析模块：用于建立健康运行状态下储能电池模组的基线模型以及；
PID调节模块：基于基线模型反馈对储能电池模组进行温度调节；
控制决策模块：用于储能电池的故障诊断、寿命预测以及异常情况的储能电池切断。
9.一种储能车的控制设备，其特征在于：包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如权利要求1至7任意一项所述的一种储能车的控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任意一项所述的一种储能车的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210223865.9A CN115033035B (zh) | 2022-03-07 | 一种储能车的控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210223865.9A CN115033035B (zh) | 2022-03-07 | 一种储能车的控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115033035A true CN115033035A (zh) | 2022-09-09 |
| CN115033035B CN115033035B (zh) | 2024-05-31 |
Family
ID=
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007273987A (ja) * | 2006-03-30 | 2007-10-18 | Tokyo Electron Ltd | 熱処理システムのモニタ方法 |
| CN106785216A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市麦澜创新科技有限公司 | 一种电池温度控制系统 |
| CN110567722A (zh) * | 2019-05-13 | 2019-12-13 | 上海飞机客户服务有限公司 | 一种基于性能参数的民机发动机起动系统健康监测方法 |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN111976540A (zh) * | 2020-09-14 | 2020-11-24 | 东方醒狮(福建)储能科技有限公司 | 一种锂离子动力储能电池热管理方法及系统 |
| CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
| GB202017682D0 (en) * | 2020-11-09 | 2020-12-23 | Horiba Mira Ltd | Battery performance optimisation |
| CN112257943A (zh) * | 2020-10-29 | 2021-01-22 | 上海电力大学 | 一种基于mset和偏离度的电厂引风机故障预警方法 |
| CN112910048A (zh) * | 2021-03-05 | 2021-06-04 | 东方醒狮(福建)储能科技有限公司 | 基于热管理技术的新能源储充平台的控制方法 |
| CN112926656A (zh) * | 2021-02-25 | 2021-06-08 | 西安交通大学 | 一种核电厂循环水泵状态预测方法、系统及设备 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| US20210241923A1 (en) * | 2020-01-30 | 2021-08-05 | Evidation Health, Inc. | Sensor-based machine learning in a health prediction environment |
| CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007273987A (ja) * | 2006-03-30 | 2007-10-18 | Tokyo Electron Ltd | 熱処理システムのモニタ方法 |
| CN106785216A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市麦澜创新科技有限公司 | 一种电池温度控制系统 |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN110567722A (zh) * | 2019-05-13 | 2019-12-13 | 上海飞机客户服务有限公司 | 一种基于性能参数的民机发动机起动系统健康监测方法 |
| US20210241923A1 (en) * | 2020-01-30 | 2021-08-05 | Evidation Health, Inc. | Sensor-based machine learning in a health prediction environment |
| CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
| CN111976540A (zh) * | 2020-09-14 | 2020-11-24 | 东方醒狮(福建)储能科技有限公司 | 一种锂离子动力储能电池热管理方法及系统 |
| CN112257943A (zh) * | 2020-10-29 | 2021-01-22 | 上海电力大学 | 一种基于mset和偏离度的电厂引风机故障预警方法 |
| GB202017682D0 (en) * | 2020-11-09 | 2020-12-23 | Horiba Mira Ltd | Battery performance optimisation |
| CN112926656A (zh) * | 2021-02-25 | 2021-06-08 | 西安交通大学 | 一种核电厂循环水泵状态预测方法、系统及设备 |
| CN112910048A (zh) * | 2021-03-05 | 2021-06-04 | 东方醒狮(福建)储能科技有限公司 | 基于热管理技术的新能源储充平台的控制方法 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘涛;刘吉臻;吕游;崔超;: "基于多元状态估计和偏离度的电厂风机故障预警", 动力工程学报, no. 06, 15 June 2016 (2016-06-15), pages 454 - 460 * |
| 孙见忠等: "航空发动机尾气静电信号基线模型分析及应用", 航空动力学报, no. 03, 31 March 2013 (2013-03-31), pages 531 - 540 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110492186B (zh) | 一种基于云端控制技术的动力电池模组的管理方法 | |
| Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
| CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
| Hu et al. | Research directions for next-generation battery management solutions in automotive applications | |
| Hong et al. | Thermal fault prognosis of lithium-ion batteries in real-world electric vehicles using self-attention mechanism networks | |
| CN109447236A (zh) | 一种混合动力汽车热管理系统的故障诊断方法 | |
| EP4243438A1 (en) | Battery fault diagnosis method and apparatus | |
| CN108417906B (zh) | 带有智能热管理系统控制功能的电池管理系统 | |
| 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 | |
| CN110324383B (zh) | 云服务器、电动汽车及其中动力电池的管理系统、方法 | |
| Zhang et al. | A multi-fault diagnosis method for lithium-ion battery pack using curvilinear Manhattan distance evaluation and voltage difference analysis | |
| Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
| KR102632527B1 (ko) | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 | |
| CN114722625A (zh) | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 | |
| CN116488169A (zh) | 基于智慧开关的故障处理方法、装置、系统和介质 | |
| CN115236523A (zh) | 一种基于数字孪生的动力电池故障诊断及预测的方法 | |
| CN115951230A (zh) | 一种锂电池储能箱的异常检测方法及系统 | |
| CN115932592A (zh) | 一种基于数字孪生模型的电动汽车电池故障诊断方法 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
| CN115033035A (zh) | 一种储能车的控制方法及系统 | |
| CN112529464A (zh) | 一种电池包的健康度评估方法、装置及相关产品 | |
| CN115033035B (zh) | 一种储能车的控制方法及系统 | |
| Diao et al. | Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm | |
| CN115033988A (zh) | 一种动力总成温度估算方法、装置、整车控制器及介质 |
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 |