CN116381506A - 基于数据聚类的可重构电池网络系统电池状态分选方法 - Google Patents

基于数据聚类的可重构电池网络系统电池状态分选方法 Download PDF

Info

Publication number
CN116381506A
CN116381506A CN202310375515.9A CN202310375515A CN116381506A CN 116381506 A CN116381506 A CN 116381506A CN 202310375515 A CN202310375515 A CN 202310375515A CN 116381506 A CN116381506 A CN 116381506A
Authority
CN
China
Prior art keywords
battery
clustering
data
network system
reconfigurable
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
CN202310375515.9A
Other languages
English (en)
Inventor
张庆平
贺宁怡
闫振华
靳思宇
夏绪卫
慈松
李秀广
周杨林
罗海荣
陈爱琢
张灏
亓亮
马瑞
李永亮
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.)
Tsinghua University
State Grid Ningxia Electric Power Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Ningxia Electric Power Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
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 Tsinghua University, State Grid Ningxia Electric Power Co Ltd, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202310375515.9A priority Critical patent/CN116381506A/zh
Publication of CN116381506A publication Critical patent/CN116381506A/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]
    • G01R31/367—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]
    • G01R31/396—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)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于数据聚类的可重构电池网络系统电池状态分选方法，涉及储能电池技术领域；包括以下步骤：S1、通过可重构电池网络系统采集电池模组的多属性聚类数据；S2：对多属性聚类数据进行预处理；S3：通过聚类样本选取公式对预处理后的多属性聚类数据进行聚类样本选取；S4：使用DBSCAN聚类算法对一段时间区间内多属性聚类数据的平均值进行聚类；S5：基于S4生成的聚类结果对电池系统的均衡效果进行评估。本发明通过跟踪少数异常电池的充放电过程，对电池系统的均衡效果进行评估，以实现辅助电池储能系统的运行维护。

Description

基于数据聚类的可重构电池网络系统电池状态分选方法
技术领域
本发明涉及储能电池技术领域，更具体的说是涉及基于数据聚类的可重构电池网络系统电池状态分选方法。
背景技术
在能源互联网时代，储能系统被越来越广泛地应用于各类工业、商业和居民场景。近年来，储能系统技术与信息技术的融合使得储能系统的自动化程度和利用效率得到了提高，在一定程度上缓解了储能系统的“短板效应”问题。动态可重构电池网络系统运用高频电力电子开关控制电池单元阵列，实现对电池单体、模组和簇级别的单独、灵活操作，从而实现提高能量转化效率和电池寿命地目的，使储能系统能够满足不同场景下的运行要求。在动态可重构电池网络系统中，单体电池需要通过串并联形成电池簇来满足电压、功率的要求。而单体电池在性能上存在差异，短板效应导致电池模块的不完全充放电以及温度分布不均匀，进而导致循环寿命和电池容量随时间降低。此时需要引入均衡技术使电池系统避免由于电池的不一致性导致电池成组使用过度充电、充电不足、过度放电带来的影响。
电池分选是实现电池均衡的步骤之一，利用分选将性能、状态相似的电池模块区分开，通过电池网络控制器控制高频电力电子开关，将电池单元上的能量进行重组和优化，屏蔽单体电池在物理、化学性能上的差异，从而克服短板效应。对于已经实施均衡策略的电池储能系统，电池分选可以实现对储能系统均衡效果的评估。将电池模组分选为一致性基本消除，均衡效果较好的“多数模组”和均衡效果较差，不一致性仍然比较突出的“少数模组”，对电池储能系统的后续运行、维护提供参考。
电池分选通常基于电池的典型参数，包括工作电压，开路电压，剩余容量，SOC和温度。电池分选一般应用于电池成组、动力电池梯次利用等场景，分选方法包括：单参数分选法、多参数分选法、及动态特性分选法。目前大量文献关于电池的分选是在电池单体的层级上进行的，在电池模组的层级上进行分选的论述很少。同时，目前文献的聚类数据来源于电池的离线测量数据，通常不含有时间维度。对于电池在线运行数据的多属性聚类研究及其动态特征反映研究还暂时缺乏。
因此，提供一种基于数据聚类的可重构电池网络系统电池状态分选方法是本领域技术人员亟需解决的问题，本发明将基于数据聚类的方法，对可重构电池网络系统中均衡后的电池模组层级的在线运行数据进行分析，评估电池系统的均衡效果，从而跟踪少数异常电池的充放电过程，为电池储能系统的运行维护提供参考。
发明内容
有鉴于此，本发明提供了基于数据聚类的可重构电池网络系统电池状态分选方法，跟踪少数异常电池的充放电过程以达到评估电池系统的均衡效果辅助电池储能系统的运行维护的目的。
为了实现上述目的，本发明采用如下技术方案：
基于数据聚类的可重构电池网络系统电池状态分选方法，具体步骤包括：
S1、通过可重构电池网络系统采集电池模组的多属性聚类数据；
S2：对多属性聚类数据进行预处理；
S3：通过聚类样本选取公式对预处理后的多属性聚类数据进行聚类样本选取；
S4：使用DBSCAN聚类算法对一段时间区间内多属性聚类数据的平均值进行聚类；
S5：基于S4生成的聚类结果对电池系统的均衡效果进行评估。
可选的，S1中多属性聚类数据包括电池模组中各电池模块的工作电压、开路电压、剩余容量、温度、工作电压变化值。
可选的，S2中对多属性聚类数据进行的预处理采用标准化处理。
可选的，S3具体步骤包括：
在时间区间(t1,tn)内对预处理后的多属性聚类数据选取聚类样本的聚类样本选取公式为：
Figure BDA0004170283770000031
式中：D表示聚类样本集，i表示电池模组中第i个电池模块，其中i＝1,2,…,42，
Figure BDA0004170283770000032
依次表示第1、2、…、i、…、42个电池模块的工作电压，m表示电池模块中串联的电池组数量，OCV1m、OCV2m、…、OCVim、…、OCV42m依次表示第1、2、…、i、…、42个电池模块的开路电压，aRM1m、aRM2m、…、aRMim、…、aRM42m依次表示第1、2、…、i、…、42个电池模块的剩余容量，T1m、T2m、…、Tim、…、T42m依次表示第1、2、…、i、…、42个电池模块的温度，/>
Figure BDA0004170283770000033
Figure BDA0004170283770000034
依次表示第1、2、…、i、…、42个电池模块的工作电压变化值；
其中：
Figure BDA0004170283770000035
式中：n表示第i个模块中n个并联电池组，
Figure BDA0004170283770000036
依次表示第i个电池模块的第n个电池组的工作电压；
Figure BDA0004170283770000037
式中：OCVi1、OCVi2、…、OCVin依次表示第i个电池模块的第n的开路电压；
Figure BDA0004170283770000038
式中：aRMi1、aRMi2、…、aRMin依次表示第i个电池模块的第n个电池组的剩余容量；
Figure BDA0004170283770000039
式中：Ti1、Ti2、…、Tin依次表示第i个电池模块的第n个电池组的温度；
Figure BDA00041702837700000310
式中：
Figure BDA0004170283770000041
依次表示第i个电池模块的第n个电池组的工作电压变化值。
可选的，S4具体包括：
对一段时间多属性的平均值聚类，采用DBSCAN聚类算法，设定Minpts＝1，对均衡后所有电池模组进行聚类，并得到聚类数据。
可选的，S5具体步骤包括：
S5.1设定电池一致性性能等级以及一致性指标的取值范围；其中设定性能等级为优、合格、差，一致性指标为工作电压极差、工作电压标准差、温度极差、SOC(荷电状态)标准差；
S5.2选取一段时间区间内若干采样点的聚类数据，计算其一致性指标，并建立模糊关系矩阵R：
R＝(rxy)a×b
式中：R表示模糊关系矩阵，r表示矩阵元素，a表示一致性评估指标的个数，b表示电池性能等级的个数，x为矩阵中第x行表示所有采样点的第x个属性，y为矩阵中第y行表示电池性能等级；
S5.3基于熵权法计算各评估指标的权重，计算第y个评估指标的熵值：
Figure BDA0004170283770000042
式中：Ay表示第y个评估指标的熵值，rxy表示矩阵R中的第ij个元素的值；其中y＝1,2,…,z，即y具有z个分类等级；
计算第y个评估指标的权重向量：
Figure BDA0004170283770000043
式中：Wy表示第y个评估指标的权重向量，Ay表示第y个评估指标的熵值，Az表示第z个评估指标的熵值；
权重向量为W＝(W1,W2,W3,W4)，计算评估矩阵：
B＝W*R＝(b1,b2,…,bz)
式中：bz表示第z个电池性能等级的概率。
更进一步的，若z＝3，则b1,b2,b3分别代表一致性性能为“优”、“合格”、“差”的概率；若z＝4，则b1,b2,b3,b4,分别代表一致性性能为“优”、“良”、“中”、“差”的概率。若bz最大，就可认为电池一致性性能等级为“优”。
可选的，S5.2模糊关系矩阵R具体包括：
Figure BDA0004170283770000051
式中：a1表示所有采样点的工作电压极差的个数，a2表示所有采样点的工作电压标准差的个数，a3表示所有采样点的温度极差的个数，a4表示所有采样点的SOC标准差系数的个数，b1表示一致性指标为优的个数，b2表示一致性指标为合格的个数，b3表示一致性指标为差的个数；
可选的，可重构电池网络系统包括数字能量交换系统；
数字能量交换系统用于采集电池模组的多属性聚类数据。
可选的，数字能量交换系统包括：电池能量集线器组、电池能量交换机；
电池能量交换机组与电池能量集线器通讯连接。
可选的，可重构电池网络系统包括电池模组、电池能量交换机组，电池模组包括3个并联的电池子模组，每个电池子模组包括14个串联的电池模块，每个电池模块包括16个串联的电池单体；电池能量交换机组包括第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机皆分别控制有9个电池模块，电池能量交换机控制有6个电池模块；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机分别与电池能量集线器通讯连接。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于数据聚类的可重构电池网络系统电池状态分选方法，从而可以得到以下有益效果：
1、采集多属性聚类数据，提高数据样本丰富性，为异常检测提供多层面的参考参数，提高检测精度；
2、对多属性聚类数据预处理，将有刚量化的数据转换为标量，保持数据分布不变的情况下转化为适合进行综合对比评价的参数；
3、通过聚类算法查找异常电池，电池均衡后大多数电池的各项属性非常相似，因此异常电池的属性偏差能被很灵敏地识别，可以作为提供后续维护电池模组的参考。
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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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做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。
如图1所示，本发明实施例公开了基于数据聚类的可重构电池网络系统电池状态分选方法，具体步骤包括：
S1、通过可重构电池网络系统采集电池模组的多属性聚类数据；
S2：对多属性聚类数据进行预处理；
S3：通过聚类样本选取公式对预处理后的多属性聚类数据进行聚类样本选取；
S4：使用DBSCAN聚类算法对一段时间区间内多属性聚类数据的平均值进行聚类；
S5：基于S4生成的聚类结果对电池系统的均衡效果进行评估。
进一步的，S1中多属性聚类数据包括电池模组中各电池模块的工作电压、开路电压、剩余容量、温度、工作电压变化值。
进一步的，S2中对多属性聚类数据进行的预处理采用标准化处理。
更进一步的，对多属性聚类数据进行的预处理采用标准化处理以去掉数量级和量纲对聚类的影响，其中，标准化处理为归一化处理。
进一步的，S3具体步骤包括：
在时间区间(t1,tn)内对预处理后的多属性聚类数据选取聚类样本的聚类样本选取公式为：
Figure BDA0004170283770000071
式中：D表示聚类样本集，i表示电池模组中第i个电池模块，其中i＝1,2,…,42，
Figure BDA0004170283770000072
依次表示第1、2、…、i、…、42个电池模块的工作电压，m表示电池模块中串联的电池组数量，OCV1m、OCV2m、…、OCVim、…、OCV42m依次表示第1、2、…、i、…、42个电池模块的开路电压，aRM1m、aRM2m、…、aRMim、…、aRM42m依次表示第1、2、…、i、…、42个电池模块的剩余容量，T1m、T2m、…、Tim、…、T42m依次表示第1、2、…、i、…、42个电池模块的温度，/>
Figure BDA0004170283770000073
Figure BDA0004170283770000074
依次表示第1、2、…、i、…、42个电池模块的工作电压变化值；
其中：
Figure BDA0004170283770000075
式中：n表示第i个模块中n个并联电池组，
Figure BDA0004170283770000076
依次表示第i个电池模块的第n个电池组的工作电压；
Figure BDA0004170283770000081
式中：OCVi1、OCVi2、…、OCVin依次表示第i个电池模块的第n的开路电压；
Figure BDA0004170283770000082
式中：aRMi1、aRMi2、…、aRMin依次表示第i个电池模块的第n个电池组的剩余容量；
Figure BDA0004170283770000083
式中：Ti1、Ti2、…、Tin依次表示第i个电池模块的第n个电池组的温度；
Figure BDA0004170283770000084
式中：
Figure BDA0004170283770000085
依次表示第i个电池模块的第n个电池组的工作电压变化值。
更进一步的，第i个模块中的m个电池单体组成n个电池组。
进一步的，S4具体包括：
对一段时间多属性的平均值聚类，采用DBSCAN聚类算法，设定Minpts＝1，对均衡后所有电池模组进行聚类，并得到聚类数据。
更进一步的，该方法纳入了对历史时间点的考虑，增加了系统整体的自适应能力。在大多数电池的工作电压、开路电压、温度、剩余容量、电压变化在小时间尺度上没有剧烈的变化，且变化趋势比较平稳的条件下，通过均值处理时间维度上的数据在此情境下是合理的。电池均衡后大多数电池的各项属性非常相似，因此异常电池的属性偏差能被很灵敏地识别，可以作为提供后续维护电池模组的参考。
进一步的，S5具体步骤包括：
S5.1设定电池一致性性能等级以及一致性指标的取值范围；其中设定性能等级为优、合格、差，一致性指标为工作电压极差、工作电压标准差、温度极差、SOC(荷电状态)标准差；其中，一致性指标与性能等级的关系的具体数值关系如表1所示：
表1
Figure BDA0004170283770000091
S5.2选取一段时间区间内若干采样点的聚类数据，计算其一致性指标，并建立模糊关系矩阵R：
R＝(rxy)a×b
式中：R表示模糊关系矩阵，r表示矩阵元素，a表示一致性评估指标的个数，b表示电池性能等级的个数，x为矩阵中第x行表示所有采样点的第x个属性，y为矩阵中第y行表示电池性能等级；
S5.3基于熵权法计算各评估指标的权重，计算第y个评估指标的熵值：
Figure BDA0004170283770000092
式中：Ay表示第y个评估指标的熵值，rxy表示矩阵R中的第ij个元素的值；其中y＝1,2,…,z，即y具有z个分类等级；
计算第y个评估指标的权重向量：
Figure BDA0004170283770000093
式中：Wy表示第y个评估指标的权重向量，Ay表示第y个评估指标的熵值，Az表示第z个评估指标的熵值；
权重向量为W＝(W1,W2,W3,W4)，计算评估矩阵：
B＝W*R＝(b1,b2,…,bz)
式中：bz表示第z个电池性能等级的概率。
更进一步的，若z＝3，则b1,b2,b3分别代表一致性性能为“优”、“合格”、“差”的概率；若z＝4，则b1,b2,b3,b4,分别代表一致性性能为“优”、“良”、“中”、“差”的概率。若bz最大，就可认为电池一致性性能等级为“优”。
进一步的，S5.2模糊关系矩阵R具体包括：
Figure BDA0004170283770000101
式中：a1表示所有采样点的工作电压极差的个数，a2表示所有采样点的工作电压标准差的个数，a3表示所有采样点的温度极差的个数，a4表示所有采样点的SOC标准差系数的个数，b1表示一致性指标为优的个数，b2表示一致性指标为合格的个数，b3表示一致性指标为差的个数；
更进一步的，R第一行表示所有采样点的工作电压极差依次在各性能等级(“优”、“合格”、“差”)的概率。同理，第二行为工作电压标准差系数对应的概率，第三行为温度极差对应的概率，第四行为SOC标准差系数对应的概率。
进一步的，可重构电池网络系统包括数字能量交换系统；
数字能量交换系统用于采集电池模组的多属性聚类数据。
更进一步的，可重构电池网络系统还包括能量双向换流器，能量双向换流器用于对电池模块进行充放电控制，数字能量交换系统采集充放电过程中电功率的差值计算电池模块的剩余容量。
进一步的，数字能量交换系统包括：电池能量集线器组、电池能量交换机；
电池能量交换机组与电池能量集线器通讯连接。
更进一步的，电池能量集线器用于对电池模块进行参数检测以获取电池模块的状态数据，状态数据即电池模块的多属性聚类数据；
数字能量交换系统还包括：电池能量网卡，电池能量集线器电性驱动电池网卡，电池能量网卡对应电池模块设置，电池能量网卡用于将电池模块接入或旁路，电池能量交换机用于根据电池模块的状态数据生成第一控制指令，并将第一控制指令发送给电池能量集线器，以通过电池能量集线器对电池能量网卡进行控制。方法包括：在电池能量网卡将电池模块接入或旁路的电路切换过程中，电池能量集线器对电池模块进行参数检测以获取电池模块的开路电压。在电池能量网卡将电池模块接入电池模组的维持状态中，电池能量集线器采集电池模块的工作电压、工作电压变化值。数字能量交换系统还包括：温度传感器，电池能量集线器通讯连接温度传感器，温度传感器用于检测电池模块的温度。
进一步的，可重构电池网络系统包括电池模组、电池能量交换机组，电池模组包括3个并联的电池子模组，每个电池子模组包括14个串联的电池模块，每个电池模块包括16个串联的电池单体；电池能量交换机组包括第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机皆分别控制有9个电池模块，电池能量交换机控制有6个电池模块；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机分别与电池能量集线器通讯连接。
更进一步的，多属性聚类数据来源是电池集装箱系统在线运行过程中采集的数据(约1个月内的多属性聚类数据)。电池集装箱中的电池模组来源于从大巴上退役的磷酸铁锂动力电池，各电池模组本身存在差异性。多属性聚类数据共包含约50000个时间点的电池模组运行数据，初始时间段对应退役电池模组新接入储能系统的多属性聚类数据，能够反映模组间初始的差异性；几个充放电周期后的多属性聚类数据能够反映电池模组经过均衡后的运行状态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，具体步骤包括：
S1、通过可重构电池网络系统采集电池模组的多属性聚类数据；
S2：对多属性聚类数据进行预处理；
S3：通过聚类样本选取公式对预处理后的多属性聚类数据进行聚类样本选取；
S4：使用DBSCAN聚类算法对一段时间区间内多属性聚类数据的平均值进行聚类；
S5：基于S4生成的聚类结果对电池系统的均衡效果进行评估。
2.根据权利要求1所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S1中多属性聚类数据包括电池模组中各电池模块的工作电压、开路电压、剩余容量、温度、工作电压变化值。
3.根据权利要求2所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S2中对多属性聚类数据进行的预处理采用标准化处理。
4.根据权利要求3所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S3具体步骤包括：
在时间区间(t1,tn)内对预处理后的多属性聚类数据选取聚类样本的聚类样本选取公式为：
Figure FDA0004170283760000011
式中：D表示聚类样本集，i表示电池模组中第i个电池模块，其中i＝1,2,…,42，
Figure FDA0004170283760000012
依次表示第1、2、…、i、…、42个电池模块的工作电压，m表示电池模块中串联的电池组数量，OCV1m、OCV2m、…、OCVim、…、OCV42m依次表示第1、2、…、i、…、42个电池模块的开路电压，aRM1m、aRM2m、…、aRMim、…、aRM42m依次表示第1、2、…、i、…、42个电池模块的剩余容量，T1m、T2m、…、Tim、…、T42m依次表示第1、2、…、i、…、42个电池模块的温度，/>
Figure FDA0004170283760000021
Figure FDA0004170283760000022
依次表示第1、2、…、i、…、42个电池模块的工作电压变化值；
其中：
Figure FDA0004170283760000023
式中：n表示第i个模块中n个并联电池组，
Figure FDA0004170283760000024
依次表示第i个电池模块的第n个电池组的工作电压；
Figure FDA0004170283760000025
式中：OCVi1、OCVi2、…、OCVin依次表示第i个电池模块的第n的开路电压；
Figure FDA0004170283760000026
式中：aRMi1、aRMi2、…、aRMin依次表示第i个电池模块的第n个电池组的剩余容量；
Figure FDA0004170283760000027
式中：Ti1、Ti2、…、Tin依次表示第i个电池模块的第n个电池组的温度；
Figure FDA0004170283760000028
式中：
Figure FDA0004170283760000029
依次表示第i个电池模块的第n个电池组的工作电压变化值。
5.根据权利要求4所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S4具体包括：
对一段时间多属性的平均值聚类，采用DBSCAN聚类算法，设定Minpts＝1，对均衡后所有电池模组进行聚类，并得到聚类数据。
6.根据权利要求5所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S5具体步骤包括：
S5.1设定电池一致性性能等级以及一致性指标的取值范围；其中设定性能等级为优、合格、差，一致性指标为工作电压极差、工作电压标准差、温度极差、SOC标准差；
S5.2选取一段时间区间内若干采样点的聚类数据，计算其一致性指标，并建立模糊关系矩阵R：
R＝(rxy)a×b
式中：R表示模糊关系矩阵，r表示矩阵元素，a表示一致性评估指标的个数，b表示电池性能等级的个数，x为矩阵中第x行表示所有采样点的第x个属性，y为矩阵中第y行表示电池性能等级；
S5.3基于熵权法计算各评估指标的权重，计算第y个评估指标的熵值：
Figure FDA0004170283760000031
式中：Ay表示第y个评估指标的熵值，rxy表示矩阵R中的第ij个元素的值；其中y＝1,2,…,z，即y具有z个分类等级；
计算第y个评估指标的权重向量：
Figure FDA0004170283760000032
式中：Wy表示第y个评估指标的权重向量，Ay表示第y个评估指标的熵值，Az表示第z个评估指标的熵值；
权重向量为W＝(W1,W2,W3,W4)，计算评估矩阵：
B＝W*R＝(b1,b2,…,bz)
式中：bz表示第z个电池性能等级的概率。
7.根据权利要求6所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
S5.2模糊关系矩阵R具体包括：
Figure FDA0004170283760000041
式中：a1表示所有采样点的工作电压极差的个数，a2表示所有采样点的工作电压标准差的个数，a3表示所有采样点的温度极差的个数，a4表示所有采样点的SOC标准差系数的个数，b1表示一致性指标为优的个数，b2表示一致性指标为合格的个数，b3表示一致性指标为差的个数。
8.根据权利要求1所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
可重构电池网络系统包括数字能量交换系统；
数字能量交换系统用于采集电池模组的多属性聚类数据。
9.根据权利要求8所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
数字能量交换系统包括：电池能量集线器组、电池能量交换机；
电池能量交换机组与电池能量集线器通讯连接。
10.根据权利要求9所述的基于数据聚类的可重构电池网络系统电池状态分选方法，其特征在于，
可重构电池网络系统包括电池模组、电池能量交换机组，电池模组包括3个并联的电池子模组，每个电池子模组包括14个串联的电池模块，每个电池模块包括16个串联的电池单体；电池能量交换机组包括第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机皆分别控制有9个电池模块，电池能量交换机控制有6个电池模块；第一电池能量交换机、第二电池能量交换机、第三电池能量交换机、第四电池能量交换机、第五电池能量交换机分别与电池能量集线器通讯连接。
CN202310375515.9A 2023-04-11 2023-04-11 基于数据聚类的可重构电池网络系统电池状态分选方法 Pending CN116381506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310375515.9A CN116381506A (zh) 2023-04-11 2023-04-11 基于数据聚类的可重构电池网络系统电池状态分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310375515.9A CN116381506A (zh) 2023-04-11 2023-04-11 基于数据聚类的可重构电池网络系统电池状态分选方法

Publications (1)

Publication Number Publication Date
CN116381506A true CN116381506A (zh) 2023-07-04

Family

ID=86967237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310375515.9A Pending CN116381506A (zh) 2023-04-11 2023-04-11 基于数据聚类的可重构电池网络系统电池状态分选方法

Country Status (1)

Country Link
CN (1) CN116381506A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741456A (zh) * 2024-02-20 2024-03-22 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108964159A (zh) * 2017-05-19 2018-12-07 慈松 一种数字电池能量交换系统
CN110796303A (zh) * 2019-10-24 2020-02-14 国网安徽省电力有限公司电力科学研究院 一种基于ewt和odbscan的短期电力负荷预测方法
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
CN111723862A (zh) * 2020-06-18 2020-09-29 广东电网有限责任公司清远供电局 开关柜状态评估方法和装置
CN112039171A (zh) * 2020-09-29 2020-12-04 珠海格力电器股份有限公司 电池组均衡方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108964159A (zh) * 2017-05-19 2018-12-07 慈松 一种数字电池能量交换系统
CN110796303A (zh) * 2019-10-24 2020-02-14 国网安徽省电力有限公司电力科学研究院 一种基于ewt和odbscan的短期电力负荷预测方法
CN111723862A (zh) * 2020-06-18 2020-09-29 广东电网有限责任公司清远供电局 开关柜状态评估方法和装置
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
CN112039171A (zh) * 2020-09-29 2020-12-04 珠海格力电器股份有限公司 电池组均衡方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾学翠;李相俊;汪奂伶;张宇航;惠东;: "基于运行数据融合的储能电池一致性评估方法研究", 供用电, no. 04, pages 34 - 40 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741456A (zh) * 2024-02-20 2024-03-22 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备
CN117741456B (zh) * 2024-02-20 2024-05-07 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备

Similar Documents

Publication Publication Date Title
Adhikaree et al. Cloud-based battery condition monitoring platform for large-scale lithium-ion battery energy storage systems using internet-of-things (IoT)
CN109755967B (zh) 一种配电网中光储系统的优化配置方法
CN116502112B (zh) 一种新能源电源测试数据管理方法及系统
CN116381506A (zh) 基于数据聚类的可重构电池网络系统电池状态分选方法
CN117595462B (zh) 一种二次储能电池组的自适应充放电控制系统及其控制方法
Wei et al. Multi-level data-driven battery management: From internal sensing to big data utilization
You et al. Charging strategy optimization at low temperatures for li-ion batteries based on multi-factor coupling aging model
CN110850315A (zh) 一种电池荷电状态的估算方法及装置
Khalid et al. Simulation-based analysis of equalization algorithms on active balancing battery topologies for electric vehicles
CN115204038A (zh) 一种基于数据分解和集成模型的储能锂电池寿命预测方法
CN110531269B (zh) 一种串并联组合式电池堆的soc估算方法及电池管理系统
WO2023225378A1 (en) Large scale energy storage with ai-based grading and efficiency assessment
CN118017576A (zh) 一种构网型组串式储能变流器
CN115952429A (zh) 基于无先验权重欧氏距离的自适应dbscan异常电池识别方法
Karmakar et al. Novel PI controller and ANN controllers-Based passive cell balancing for battery management system
CN114880939A (zh) 一种动力电池寿命的智能预测方法及装置
CN111129628A (zh) 锂离子电芯充放电的控制方法、系统、介质及电子设备
Wang et al. A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points
Tian et al. Consistency evaluation of electric vehicle battery pack: multi-feature information fusion approach
CN108321447B (zh) 基于荷电状态均衡逼近算法的多电池调度方法及系统
US20230378756A1 (en) Large scale energy storage with ai-based grading and efficiency assessment
Xia et al. Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis
CN114398826A (zh) 一种电池剩余容量实时预测方法、终端设备及存储介质
Huang et al. Long-Term Health State Estimation of Energy Storage Lithium-Ion Battery Packs
CN114282852A (zh) 一种电池安全性计算方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230704