CN115436812A - 一种基于拼接因子的电化学模型参数辨识方法和系统 - Google Patents
一种基于拼接因子的电化学模型参数辨识方法和系统 Download PDFInfo
- Publication number
- CN115436812A CN115436812A CN202211164102.8A CN202211164102A CN115436812A CN 115436812 A CN115436812 A CN 115436812A CN 202211164102 A CN202211164102 A CN 202211164102A CN 115436812 A CN115436812 A CN 115436812A
- Authority
- CN
- China
- Prior art keywords
- electrochemical model
- parameter identification
- loss function
- parameter
- splicing factor
- 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
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Abstract
本发明公开了一种基于拼接因子的电化学模型参数辨识方法和系统,其方法包括步骤:基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集;预设电化学模型,电化学模型中包括电化学模型参数集和拼接因子,拼接因子用于调整电化学模型参数集的固相正负极初始浓度与该参数辨识辅数据集的正负极初始浓度相同;基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集,通过预设的损失函数对电化学模型参数集和拼接因子进行参数辨识。本发明可以解决只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力。
Description
技术领域
本发明涉及锂电池技术领域,特别涉及一种基于拼接因子的电化学模型参数辨识方法和系统。
背景技术
近年来伴随化石能源危机和环境问题的增加,以光伏、风能、潮汐能生物质能为代表新能源产业迅速发展。由于新能源发电系统发电质量的不稳定性,因此为了规范电能参数需要引入储能系统,锂离子电池储能系统凭借其储能稳定性的特点,在新能源领域得到广泛应用。
随着电池电化学模型仿真技术的准确度越来越高,一些仿真软件如Comsol等已在电池设计中发挥的作用,但使用电化学模型仿真涉及几十个输入参数,其中如固相扩散系数、电导率、活性材料粒径等参数,即便是通过实验获取也无法保证其准确性。
上述问题导致通过仿真的方法来优化电池设计具有一定局限性,目前通常通过比如启发式算法(遗传算法、粒子群算法、布谷鸟算法等)、神经网络、卡尔曼滤波等方法,以数据驱动的方式获取模型参数。这些方法通常将电池数据分为恒流和动态工况下的数据,并进行分步辨识,同时还需要不同工况数据的初始SOC(即正负极材料初始浓度)状态一致。但在实际应用中,电池几乎不可能有一直恒流工作的条件,以及清洗出的不同工况数据时电池初始状态往往存在较大差异,因此这种方法具有很大的局限性。
因此目前需要一种基于拼接因子的电化学模型参数辨识方法,通过引入拼接因子参量联合进行电化学模型的参数辨识,准确地基于多条清洗出的工况数据进行参数辨识,解决只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力。
发明内容
为解决参数进行辨识过程中过拟合的技术问题,本发明提供一种基于拼接因子的电化学模型参数辨识方法和系统,具体的技术方案如下:
本发明提供一种基于拼接因子的电化学模型参数辨识方法,包括步骤:
基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条所述实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集;
预设电化学模型,所述电化学模型中包括电化学模型参数集和拼接因子,所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同;
基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
本发明提供的基于拼接因子的电化学模型参数辨识方法通过引入拼接因子来调节从电池实际工况数据中清洗出的多条实际工况数据集的固相正负极初始浓度,实现同时根据多条实际工况数据集进行电化学模型参数集和拼接因子,避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力。
在一些实施方式中,所述预设电化学模型,具体包括:
选取常规所述电化学模型中任意一种,常规所述电化学模型包括AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型;
在所述电化学模型中引入所述拼接因子,根据所述电化学模型参数集中固相正负极初始浓度与所述拼接因子的乘积结果调整所述电化学模型参数集中所述固相正负极初始浓度。
本发明提供的基于拼接因子的电化学模型参数辨识方法进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法,通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度,改变电化学模型中数据处理过程,实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接,便于验证电化学模型参数集的拟合性。
在一些实施方式中,所述的在所述电化学模型中引入所述拼接因子,具体包括:
基于所述参数辨识主数据集的初始SOC、至少一条所述参数辨识辅数据集的初始SOC和预设的拼接因子上下限系数,生成所述拼接因子的阈值范围;
在所述拼接因子的阈值范围中取任意值作为所述拼接因子,在所述电化学模型中引入所述拼接因子。
本发明提供的基于拼接因子的电化学模型参数辨识方法通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC,生成拼接因子的阈值范围,在设置拼接因子上下限系数时可以综合考虑电池老化程度,使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识,提高电化学模型参数集和拼接因子的参数辨识效率。
在一个实施方式中,所述的根据所述参数辨识主数据集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述固相正负极初始浓度,具体包括:
将所述电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与所述拼接因子的乘积;
根据调整后所述电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数,计算调整后所述电化学模型参数集中固相正极初始浓度,公式如下:
其中,cp,o,aux为调整后所述电化学模型参数集中固相正极初始浓度,cp,0,main为调整前所述电化学模型参数集中固相正极初始浓度,cn,0,main为调整后所述电化学模型参数集中固相负极初始浓度,cn,0,aux为调整前所述电化学模型参数集中固相负极初始浓度,Ln为负极厚度,Lp为正负极厚度,εn为负极活性材料体积分数,εp为正极活性材料体积分数。
在一些实施方式中,所述的基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识,具体包括:
基于所述电化学模型、所述参数辨识主数据集,通过所述损失函数对所述电化学模型参数集执行第一参数辨识处理;
基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理;
在所述第一参数辨识处理和所述第二参数辨识处理均通过时,输出所述电化学模型参数集和所述拼接因子作为参数辨识结果;
在所述第一参数辨识处理不通过时,重新生成所述电化学模型参数集;
在所述第二参数辨识处理不通过时,重新生成所述电化学模型参数集和所述拼接因子。
在一些实施方式中,所述的基于所述电化学模型、所述参数辨识主数据集,通过所述损失函数对所述电化学模型参数集执行第一参数辨识处理,具体包括:
将所述电化学模型参数集输入所述电化学模型中得到第一仿真工况数据集,根据所述损失函数计算所述第一仿真工况数据集和所述参数辨识主数据集之间的第一损失函数结果值;
在所述第一损失函数结果值大于预设的损失函数结果阈值时,判断所述第一参数辨识处理通过;
在所述第一损失函数结果值不大于所述损失函数结果阈值时,判断所述第一参数辨识处理不通过。
在一些实施方式中,所述的基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理,具体还包括:
在采用一条所述参数辨识辅数据集时,将经过所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到第二仿真工况数据集,根据所述损失函数计算所述第二仿真工况数据集和该所述参数辨识辅数据集之间的第二损失函数结果值;
在所述第二损失函数结果值大于所述损失函数结果阈值时,判断所述第二参数辨识处理通过;
在所述第二损失函数结果值不大于所述损失函数结果阈值时,判断所述第二参数辨识处理不通过。
在一些实施方式中,至少两个所述拼接因子和所述参数辨识辅数据集一一对应,所述的基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理,具体还包括:
在采用至少两条所述参数辨识辅数据集时,将经过各个所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到至少两条所述第三仿真工况数据集,根据所述损失函数计算各条所述第三仿真工况数据集和对应的所述参数辨识辅数据集之间的第三损失函数子结果值;
根据各个所述第三损失函数子结果值和预设的各个所述参数辨识辅数据集对应的结果权重值,计算第三损失函数总结果值;
在所述第三损失函数总结果值大于所述损失函数结果阈值时,判断所述第二参数辨识处理通过;
在所述第三损失函数总结果值不大于所述损失函数结果阈值时,判断所述第二参数辨识处理不通过。
本发明提供的基于拼接因子的电化学模型参数辨识方法公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案,分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接,同时根据多条参数辨识辅数据集进行参数辨识,进一步提高电化学模型参数集和各个拼接因子的辨识精确度。
在一些实施方式中,全部所述实际工况数据集中初始工况数据前均存在大于预设时长的电池静止时段;
至少一条所述实际工况数据集中SOC变化区间大于预设的SOC变化阈值;
至少一条所述实际工况数据集中包括电池弛豫阶段工况数据。
本发明提供的基于拼接因子的电化学模型参数辨识方法公开一种基于电池实际工况数据清洗出至少两条实际工况数据集的清洗方案,提高清洗出实际工况数据集的表征性,便于电化学模型基于实际工况数据集进行参数辨识后得到电化学模型参数集针对该锂电池的实际工况具有泛用性。
在一些实施方式中,根据本发明的另一方面,本发明还提供一种基于拼接因子的电化学模型参数辨识系统,包括:
清洗模块,用于基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条所述实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集;
设置模块,用于预设电化学模型,所述电化学模型中包括电化学模型参数集和拼接因子,所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同;
辨识模块,分别与所述清洗模块和所述设置模块连接,用于基于电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
本发明提供的基于拼接因子的电化学模型参数辨识方法和系统,至少包括以下一项技术效果:
(1)通过引入拼接因子来调节从电池实际工况数据中清洗出的多条实际工况数据集的固相正负极初始浓度,实现同时根据多条实际工况数据集进行电化学模型参数集和拼接因子,避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力;
(2)进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法,通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度,改变电化学模型中数据处理过程,实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接,便于验证电化学模型参数集的拟合性;
(3)通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC,生成拼接因子的阈值范围,在设置拼接因子上下限系数时可以综合考虑电池老化程度,使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识,提高电化学模型参数集和拼接因子的参数辨识效率;
(4)公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案,分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接,同时根据多条参数辨识辅数据集进行参数辨识,进一步提高电化学模型参数集和各个拼接因子的辨识精确度;
(5)公开一种基于电池实际工况数据清洗出至少两条实际工况数据集的清洗方案,提高清洗出实际工况数据集的表征性,便于电化学模型基于实际工况数据集进行参数辨识后得到电化学模型参数集针对该锂电池的实际工况具有泛用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于拼接因子的电化学模型参数辨识方法的流程图;
图2为本发明一种基于拼接因子的电化学模型参数辨识方法中预设电化学模型的流程图;
图3为本发明一种基于拼接因子的电化学模型参数辨识方法中电化学模型中引入拼接因子的流程图;
图4为本发明一种基于拼接因子的电化学模型参数辨识方法中调整电化学模型参数集中调整固相正负极初始浓度因子的流程图;
图5为本发明一种基于拼接因子的电化学模型参数辨识方法中调整电化学模型参数集中参数辨识的流程图;
图6为本发明一种基于拼接因子的电化学模型参数辨识方法中调整电化学模型参数集中第一参数辨识处理的流程图;
图7为本发明一种基于拼接因子的电化学模型参数辨识方法中调整电化学模型参数集中第二参数辨识处理的流程图;
图8为本发明一种基于拼接因子的电化学模型参数辨识方法中调整电化学模型参数集中第二参数辨识处理的另一个流程图;
图9为本发明一种基于拼接因子的电化学模型参数辨识系统的示例图。
图中标号:清洗模块-10、设置模块-20和辨识模块-30。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘出了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
本发明的一个实施例,如图1所示,本发明提供一种基于拼接因子的电化学模型参数辨识方法,包括步骤:
S100基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅55数据集。
S200预设电化学模型。
具体地,电化学模型中包括电化学模型参数集和拼接因子,拼接因子用于调整电化学模型参数集的固相正负极初始浓度与该参数辨识辅数据集的正负极初始浓度相同。
S300基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集,通过预设的损失函数对电化学模型参数集和拼接因子进行参数辨识。
本实施例提供的基于拼接因子的电化学模型参数辨识方法通过引入拼接因子来调节从电池实际工况数据中清洗出的多条实际工况数据集的固相正负极初始浓度,实现同时根据多条实际工况数据集进行电化学模型参数集和拼接因子,避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力。
在一个实施例中,如图2所示,步骤S200预设电化学模型,具体包括:
S210选取常规电化学模型中任意一种。
具体地,常规电化学模型包括启发式算法,如布谷鸟算法、遗传算法、粒子群算法等,具体包括如AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型等常见电化学模型中任意一种,选取的电化学模型种类不影响本申请的方案的执行。
S220在电化学模型中引入拼接因子。
S230根据电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果调整电化学模型参数集中固相正负极初始浓度。
本发明提供的基于拼接因子的电化学模型参数辨识方法进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法,通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度,改变电化学模型中数据处理过程,实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接,便于验证电化学模型参数集的拟合性。
在一个实施例中,如图3所示,步骤S220在电化学模型中引入拼接因子,具体包括:
S221基于参数辨识主数据集的初始SOC、至少一条参数辨识辅数据集的初始SOC和预设的拼接因子上下限系数,生成拼接因子的阈值范围。
具体地,预设α、β分别为拼接因子上限系数和拼接因子下限系数,生成拼接因子的阈值范围如下:
其中ω为拼接因子,SOCaux为参数辨识辅数据集的初始SOC,SOCmain为参数辨识主数据集的初始SOC,α、β的设置与SOC的识别精确有关,在电池老化程度低、通过电池管理系统(BATTERYMANAGEMENTSYSTEM,BMS)识别SOC的精确较高时,在设置α、β的过程中α、β的取值接近1,在电池老化程度高、通过BMS识别SOC的精确较低时,在设置α、β的过程中α、β的取值远离1,例如在识别SOC的精确较高时,α、β分别取值(1,0.9)。
S222在拼接因子的阈值范围中取任意值作为拼接因子,在电化学模型中引入拼接因子。
本实施例提供的基于拼接因子的电化学模型参数辨识方法通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC,生成拼接因子的阈值范围,在设置拼接因子上下限系数时可以综合考虑电池老化程度,使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识,提高电化学模型参数集和拼接因子的参数辨识效率。
在一个实施例中,如图4所示,步骤S230根据电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果调整电化学模型参数集中固相正负极初始浓度,具体包括:
S231将电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与拼接因子的乘积。
具体地,公式如下:
cn,0,aux=ω*cn,0,main;
其中,cn,0,aux为调整前电化学模型参数集中原固相负极初始浓度,cn,0,aux为电化学模型参数集中固相负极初始浓度。
S232根据调整后电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数,计算调整后电化学模型参数集中固相正极初始浓度。
具体地,计算公式如下:
其中,cp,o,aux为调整后电化学模型参数集中固相正极初始浓度,cp,0,main为调整前电化学模型参数集中固相正极初始浓度,cn,0,main为调整后电化学模型参数集中固相负极初始浓度,cn,0,aux为调整前电化学模型参数集中固相负极初始浓度,Ln为负极厚度,Lp为正负极厚度,εn为负极活性材料体积分数,εp为正极活性材料体积分数。
在一个实施例中,如图5所示,步骤S300基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集,通过预设的损失函数对电化学模型参数集和拼接因子进行参数辨识,具体包括:
S310基于电化学模型、参数辨识主数据集,通过损失函数对电化学模型参数集执行第一参数辨识处理。
S320基于电化学模型、至少一条参数辨识辅数据集,通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理。
S330在第一参数辨识处理和第二参数辨识处理均通过时,输出电化学模型参数集和拼接因子作为参数辨识结果。
S340在第一参数辨识处理不通过时,重新生成电化学模型参数集。
S350在第二参数辨识处理不通过时,重新生成电化学模型参数集和拼接因子。
在一个实施例中,如图6所示,步骤S310基于电化学模型、参数辨识主数据集,通过损失函数对电化学模型参数集执行第一参数辨识处理,具体包括:
S311将电化学模型参数集输入电化学模型中得到第一仿真工况数据集,根据损失函数计算第一仿真工况数据集和参数辨识主数据集之间的第一损失函数结果值。
具体地,损失函数包括电压均方差损失函数和电压差值损失函数,当采用电压均方差损失函数时,损失函数如下:
其中Vsim,i为第一仿真工况数据集中第i个采样点的模型仿真输出电压值,Vreal,i为参数辨识主数据集第i个采样点的实测电压值,N为电压数据的个数,MSE为电压均方差损失函数结果值。
当采用电压差值损失函数时,损失函数如下:
V1=|Vsim,1-Vreal,1|;
其中Vsim,1为第一仿真工况数据集中输出的第一个电压值,Vreal,1为参数辨识主数据集中第一个电压值,V1为电压差值损失函数结果值。
S312在第一损失函数结果值大于预设的损失函数结果阈值时,判断第一参数辨识处理通过。
S313在第一损失函数结果值不大于损失函数结果阈值时,判断第一参数辨识处理不通过。
在一个实施例中,如图7所示,步骤S320基于电化学模型、至少一条参数辨识辅数据集,通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理,具体包括:
S321在采用一条参数辨识辅数据集时,将经过拼接因子调整后的电化学模型参数集输入电化学模型中得到第二仿真工况数据集,根据损失函数计算第二仿真工况数据集和该参数辨识辅数据集之间的第二损失函数结果值。
具体地,第一参数辨识处理和第二参数辨识处理可以采用相同或不同的损失函数,采用损失函数的种类相同或不同不影响辨识结果的精确度。
S322在第二损失函数结果值大于损失函数结果阈值时,判断第二参数辨识处理通过。
S323在第二损失函数结果值不大于损失函数结果阈值时,判断第二参数辨识处理不通过。
在一个实施例中,如图8所示,步骤S320基于电化学模型、至少一条参数辨识辅数据集,通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理,具体还包括:
S324在采用至少两条参数辨识辅数据集时,将经过各个拼接因子调整后的电化学模型参数集输入电化学模型中得到至少两条第三仿真工况数据集,根据损失函数计算各条第三仿真工况数据集和对应的参数辨识辅数据集之间的第三损失函数子结果值。
具体地,至少两个拼接因子和参数辨识辅数据集一一对应,在参数辨识过程中,同时针对至少两条第三仿真工况数据集、至少两个拼接因子和一个电化学模型参数集进行参数辨识,分别根据各个拼接因子调整电化学模型参数集后,与对应的第三仿真工况数据集进行损失函数子结果值的计算。
S325根据各个第三损失函数子结果值和预设的各个参数辨识辅数据集对应的结果权重值,计算第三损失函数总结果值。
示例性地,第三损失函数总结果值的计算公式如下:
MSE=β1*MSEaux1+β2*MSEaux2+…βn*MSEauxn;
β1+β2+…βn=1;
其中,MSE为第三损失函数总结果值,MSEaux1、MSEaux2、…MSEauxn为各个第三损失函数子结果值,β1、β2、…βn为各个参数辨识辅数据集对应的结果权重值。
S326在第三损失函数总结果值大于损失函数结果阈值时,判断第二参数辨识处理通过。
S327在第三损失函数总结果值不大于损失函数结果阈值时,判断第二参数辨识处理不通过。
本实施例提供的基于拼接因子的电化学模型参数辨识方法公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案,分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接,同时根据多条参数辨识辅数据集进行参数辨识,进一步提高电化学模型参数集和各个拼接因子的辨识精确度。
在一个实施例中,步骤S324在采用至少两条参数辨识辅数据集时,将经过各个拼接因子调整后的电化学模型参数集输入电化学模型中得到至少两条第三仿真工况数据集,根据损失函数计算各条第三仿真工况数据集和对应的参数辨识辅数据集之间的第三损失函数子结果值之后,步骤S326在第三损失函数总结果值大于损失函数结果阈值时,判断第二参数辨识处理通过之前,还包括步骤:
根据各个第三损失函数子结果值和预设的各个参数辨识辅数据集对应的结果权重值,以及第一损失函数结果值和参数辨识主数据集对应的结果权重值,计算第三损失函数总结果值。
示例性地,第三损失函数总结果值的计算公式如下:
MSE=β0*MSEmain+β1*MSEaux1+β2*MSEaux2+…βn*MSEauxn;
β0+β1+β2+…βn=1;
其中,MSE为第三损失函数总结果值,MSEaux1、MSEaux2、…MSEauxn为各个第三损失函数子结果值,MSEmain为第一损失函数结果值,β1、β2、…βn为各个参数辨识辅数据集对应的结果权重值,β0为参数辨识主数据集对应的结果权重值。
在全部上述实施例中,执行步骤S100基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集时,需满足全部实际工况数据集中初始工况数据前均存在大于预设时长的电池静止时段,至少一条实际工况数据集中SOC变化区间大于预设的SOC变化阈值,至少一条实际工况数据集中包括电池弛豫阶段工况数据,上述基于电池实际工况数据清洗出至少两条实际工况数据集的清洗方案,可以提高清洗出实际工况数据集的表征性,便于电化学模型基于实际工况数据集进行参数辨识后得到电化学模型参数集针对该锂电池的实际工况具有泛用性。
在一个实施例中,如图9所示,根据本发明的另一方面,本发明还提供一种基于拼接因子的电化学模型参数辨识系统,包括清洗模块10、设置模块20和辨识模块30。
其中,清洗模块10用于基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集。
设置模块20用于预设电化学模型。
具体地,电化学模型中包括电化学模型参数集和拼接因子,拼接因子用于调整电化学模型参数集的固相正负极初始浓度与该参数辨识辅数据集的正负极初始浓度相同。
辨识模块30分别与清洗模块10和设置模块20连接,用于基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集,通过预设的损失函数对电化学模型参数集和拼接因子进行参数辨识。
本实施例提供的基于拼接因子的电化学模型参数辨识系统通过引入拼接因子来调节从电池实际工况数据中清洗出的多条实际工况数据集的固相正负极初始浓度,实现同时根据多条实际工况数据集进行电化学模型参数集和拼接因子,避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题,提高电化学模型参数集的泛化能力。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的一种基于拼接因子的电化学模型参数辨识方法和系统,可以通过其他的方式实现。例如,以上所描述的一种基于拼接因子的电化学模型参数辨识方法和系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的通讯连接可以是通过一些接口,装置或单元的通讯连接或集成电路,可以是电性、机械或其他的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
应当说明的是,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于拼接因子的电化学模型参数辨识方法,其特征在于,包括步骤:
基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条所述实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集;
预设电化学模型,所述电化学模型中包括电化学模型参数集和拼接因子,所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同;
基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
2.根据权利要求1所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述预设电化学模型,具体包括:
选取常规所述电化学模型中任意一种,常规所述电化学模型包括AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型;
在所述电化学模型中引入所述拼接因子,根据所述电化学模型参数集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述电化学模型参数集中所述固相正负极初始浓度。
3.根据权利要求2所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述的在所述电化学模型中引入所述拼接因子,具体包括:
基于所述参数辨识主数据集的初始SOC、至少一条所述参数辨识辅数据集的初始SOC和预设的拼接因子上下限系数,生成所述拼接因子的阈值范围;
在所述拼接因子的阈值范围中取任意值作为所述拼接因子,在所述电化学模型中引入所述拼接因子。
4.根据权利要求2所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述的根据所述参数辨识主数据集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述固相正负极初始浓度,具体包括:
将所述电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与所述拼接因子的乘积;
根据调整后所述电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数,计算调整后所述电化学模型参数集中固相正极初始浓度,公式如下:
其中,cp,o,aux为调整后所述电化学模型参数集中固相正极初始浓度,cp,0,main为调整前所述电化学模型参数集中固相正极初始浓度,cn,0,main为调整后所述电化学模型参数集中固相负极初始浓度,cn,0,aux为调整前所述电化学模型参数集中固相负极初始浓度,Ln为负极厚度,Lp为正负极厚度,εn为负极活性材料体积分数,εp为正极活性材料体积分数。
5.根据权利要求1所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述的基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识,具体包括:
基于所述电化学模型、所述参数辨识主数据集,通过所述损失函数对所述电化学模型参数集执行第一参数辨识处理;
基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理;
在所述第一参数辨识处理和所述第二参数辨识处理均通过时,输出所述电化学模型参数集和所述拼接因子作为参数辨识结果;
在所述第一参数辨识处理不通过时,重新生成所述电化学模型参数集;
在所述第二参数辨识处理不通过时,重新生成所述电化学模型参数集和所述拼接因子。
6.根据权利要求5所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述的基于所述电化学模型、所述参数辨识主数据集,通过所述损失函数对所述电化学模型参数集执行第一参数辨识处理,具体包括:
将所述电化学模型参数集输入所述电化学模型中得到第一仿真工况数据集,根据所述损失函数计算所述第一仿真工况数据集和所述参数辨识主数据集之间的第一损失函数结果值;
在所述第一损失函数结果值大于预设的损失函数结果阈值时,判断所述第一参数辨识处理通过;
在所述第一损失函数结果值不大于所述损失函数结果阈值时,判断所述第一参数辨识处理不通过。
7.根据权利要求5所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,所述的基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理,具体包括:
在采用一条所述参数辨识辅数据集时,将经过所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到第二仿真工况数据集,根据所述损失函数计算所述第二仿真工况数据集和该所述参数辨识辅数据集之间的第二损失函数结果值;
在所述第二损失函数结果值大于所述损失函数结果阈值时,判断所述第二参数辨识处理通过;
在所述第二损失函数结果值不大于所述损失函数结果阈值时,判断所述第二参数辨识处理不通过。
8.根据权利要求5所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,至少两个所述拼接因子和所述参数辨识辅数据集一一对应,所述的基于所述电化学模型、至少一条所述参数辨识辅数据集,通过所述损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理,具体还包括:
在采用至少两条所述参数辨识辅数据集时,将经过各个所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到至少两条所述第三仿真工况数据集,根据所述损失函数计算各条所述第三仿真工况数据集和对应的所述参数辨识辅数据集之间的第三损失函数子结果值;
根据各个所述第三损失函数子结果值和预设的各个所述参数辨识辅数据集对应的结果权重值,计算第三损失函数总结果值;
在所述第三损失函数总结果值大于所述损失函数结果阈值时,判断所述第二参数辨识处理通过;
在所述第三损失函数总结果值不大于所述损失函数结果阈值时,判断所述第二参数辨识处理不通过。
9.根据权利要求1~8中任意一项所述的一种基于拼接因子的电化学模型参数辨识方法,其特征在于,
全部所述实际工况数据集中初始工况数据前均存在大于预设时长的电池静止时段;
至少一条所述实际工况数据集中SOC变化区间大于预设的SOC变化阈值;
至少一条所述实际工况数据集中包括电池弛豫阶段工况数据。
10.一种基于拼接因子的电化学模型参数辨识系统,其特征在于,包括:
清洗模块,用于基于电池实际工况数据清洗出至少两条实际工况数据集,并从至少两条所述实际工况数据集中选取一条参数辨识主数据集,和至少一条参数辨识辅数据集;
设置模块,用于预设电化学模型,所述电化学模型中包括电化学模型参数集和拼接因子,所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同;
辨识模块,分别与所述清洗模块和所述设置模块连接,用于基于电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集,通过预设的损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164102.8A CN115436812B (zh) | 2022-09-23 | 2022-09-23 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
PCT/CN2023/103338 WO2024060753A1 (zh) | 2022-09-23 | 2023-06-28 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164102.8A CN115436812B (zh) | 2022-09-23 | 2022-09-23 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115436812A true CN115436812A (zh) | 2022-12-06 |
CN115436812B CN115436812B (zh) | 2023-08-04 |
Family
ID=84248425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211164102.8A Active CN115436812B (zh) | 2022-09-23 | 2022-09-23 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115436812B (zh) |
WO (1) | WO2024060753A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115980590A (zh) * | 2023-01-10 | 2023-04-18 | 上海玫克生储能科技有限公司 | 电化学参数的辨识方法、装置、设备和存储介质 |
WO2024060753A1 (zh) * | 2022-09-23 | 2024-03-28 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100085057A1 (en) * | 2007-03-23 | 2010-04-08 | Yuji Nishi | Device estimating a state of a secondary battery |
CN107607880A (zh) * | 2017-09-19 | 2018-01-19 | 哈尔滨工业大学 | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 |
CN108062430A (zh) * | 2017-11-04 | 2018-05-22 | 山西长征动力科技有限公司 | 提高锂离子电池仿真用Newman电化学模型精度的修正方法 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
US20200371054A1 (en) * | 2018-02-07 | 2020-11-26 | Tsinghua University | Method and Apparatus for Predicting Thermal Runaway Safety of Power Battery and Computer Readable Storage Medium |
CN112464571A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨工业大学(深圳) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 |
CN114720881A (zh) * | 2022-04-08 | 2022-07-08 | 长沙理工大学 | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
CN114942392A (zh) * | 2022-04-14 | 2022-08-26 | 中国长江三峡集团有限公司 | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 |
CN115081332A (zh) * | 2022-06-30 | 2022-09-20 | 上海玫克生储能科技有限公司 | 用于参数识别的工况敏感度分析和数据处理方法、装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120906A1 (en) * | 2000-07-17 | 2002-08-29 | Lei Xia | Behavioral modeling and analysis of galvanic devices |
CN104991980B (zh) * | 2014-10-31 | 2018-09-25 | 吉林大学 | 锂离子电池的电化学机理建模方法 |
CN108761341A (zh) * | 2018-06-01 | 2018-11-06 | 哈尔滨工业大学 | 一种锂离子电池电化学模型参数获取方法 |
CN110442901B (zh) * | 2019-06-25 | 2023-09-12 | 哈尔滨工业大学(威海) | 一种锂离子电池电化学简化模型及其参数的获取方法 |
US20210359317A1 (en) * | 2020-05-12 | 2021-11-18 | Samsung Electronics Co., Ltd. | Methods and systems for estimating parameters of a cell at various charge-discharge profiles |
CN115084693B (zh) * | 2022-06-28 | 2023-04-21 | 上海玫克生储能科技有限公司 | 一种锂电池固相浓度修正方法、系统及存储介质 |
CN115436812B (zh) * | 2022-09-23 | 2023-08-04 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
-
2022
- 2022-09-23 CN CN202211164102.8A patent/CN115436812B/zh active Active
-
2023
- 2023-06-28 WO PCT/CN2023/103338 patent/WO2024060753A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100085057A1 (en) * | 2007-03-23 | 2010-04-08 | Yuji Nishi | Device estimating a state of a secondary battery |
CN107607880A (zh) * | 2017-09-19 | 2018-01-19 | 哈尔滨工业大学 | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 |
CN108062430A (zh) * | 2017-11-04 | 2018-05-22 | 山西长征动力科技有限公司 | 提高锂离子电池仿真用Newman电化学模型精度的修正方法 |
US20200371054A1 (en) * | 2018-02-07 | 2020-11-26 | Tsinghua University | Method and Apparatus for Predicting Thermal Runaway Safety of Power Battery and Computer Readable Storage Medium |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN112464571A (zh) * | 2020-12-11 | 2021-03-09 | 哈尔滨工业大学(深圳) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 |
CN114720881A (zh) * | 2022-04-08 | 2022-07-08 | 长沙理工大学 | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
CN114942392A (zh) * | 2022-04-14 | 2022-08-26 | 中国长江三峡集团有限公司 | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 |
CN115081332A (zh) * | 2022-06-30 | 2022-09-20 | 上海玫克生储能科技有限公司 | 用于参数识别的工况敏感度分析和数据处理方法、装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024060753A1 (zh) * | 2022-09-23 | 2024-03-28 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
CN115980590A (zh) * | 2023-01-10 | 2023-04-18 | 上海玫克生储能科技有限公司 | 电化学参数的辨识方法、装置、设备和存储介质 |
CN115980590B (zh) * | 2023-01-10 | 2023-08-08 | 上海玫克生储能科技有限公司 | 电化学参数的辨识方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115436812B (zh) | 2023-08-04 |
WO2024060753A1 (zh) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115436812A (zh) | 一种基于拼接因子的电化学模型参数辨识方法和系统 | |
Coppitters et al. | Surrogate-assisted robust design optimization and global sensitivity analysis of a directly coupled photovoltaic-electrolyzer system under techno-economic uncertainty | |
Oliva et al. | Parameter identification of solar cells using artificial bee colony optimization | |
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
CN108132441B (zh) | 储能电池模组荷电状态的运行范围确定方法及装置 | |
Shi et al. | Combining physicochemical model with the equivalent circuit model for performance prediction and optimization of lead-acid batteries | |
CN115081332B (zh) | 用于参数识别的工况敏感度分析和数据处理方法、装置 | |
CN109672215A (zh) | 基于负荷可时移特性的分布式光伏消纳控制方法 | |
Liu et al. | A new method for state of charge and capacity estimation of lithium-ion battery based on dual strong tracking adaptive H infinity filter | |
CN112649642A (zh) | 一种窃电位置判断方法、装置、设备和存储介质 | |
CN115512777A (zh) | 一种基于容量变化率的电化学模型参数辨识方法和系统 | |
Li et al. | The state-of-charge predication of lithium-ion battery energy storage system using data-driven machine learning | |
Chandran et al. | Optimal model parameter estimation of solar and fuel cells using improved estimation of distribution algorithm | |
Mohajeri et al. | Development a new algorithm for maximum power point tracking of partially shaded photovoltaic arrays | |
Liu et al. | Online state of charge estimation for lithium-ion battery by combining incremental autoregressive and moving average modeling with adaptive H-infinity filter | |
CN108460177B (zh) | 一种大规模多状态串并联系统的可靠性近似计算方法 | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
Shen et al. | Parameter identification of photovoltaic discrete-time equivalent model using the bat algorithm | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
CN114710116A (zh) | 一种基于模糊模型的光伏电池组件的实测建模方法及系统 | |
CN113884924A (zh) | 基于卷积神经网络的锂离子电池内部短路诊断方法及系统 | |
CN116011339A (zh) | 一种基于深度学习和拼接因子的电化学模型参数辨识方法 | |
Zheng et al. | Capacity and state‐of‐charge (SOC) estimation for lithium‐ion cells based on charging time differences curves |
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 |