CN116449223A - 一种基于压缩感知的储能电池容量预测方法、装置 - Google Patents
一种基于压缩感知的储能电池容量预测方法、装置 Download PDFInfo
- Publication number
- CN116449223A CN116449223A CN202310730822.4A CN202310730822A CN116449223A CN 116449223 A CN116449223 A CN 116449223A CN 202310730822 A CN202310730822 A CN 202310730822A CN 116449223 A CN116449223 A CN 116449223A
- Authority
- CN
- China
- Prior art keywords
- battery
- energy storage
- storage battery
- capacity
- sparse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 160
- 238000004146 energy storage Methods 0.000 title claims abstract description 139
- 239000011159 matrix material Substances 0.000 claims abstract description 98
- 230000008569 process Effects 0.000 claims abstract description 83
- 238000010438 heat treatment Methods 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000006835 compression Effects 0.000 claims abstract description 13
- 238000007906 compression Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000007599 discharging Methods 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 230000002441 reversible effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000002427 irreversible effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000020169 heat generation Effects 0.000 claims description 7
- 238000003411 electrode reaction Methods 0.000 claims description 5
- 230000010287 polarization Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002844 melting Methods 0.000 claims description 3
- 230000008018 melting Effects 0.000 claims description 3
- 238000007086 side reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 239000013543 active substance Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及基于压缩感知的储能电池容量预测方法、装置，包括：获取储能电池充放电过程中的发热量及运行参数，基于发热量及运行参数的稀疏性建立测量矩阵，对发热量及运行参数进行压缩采样得到关于当前电池的观测发热量及观测运行参数的稀疏向量Xi，基于傅里叶变换将观测发热量及观测运行参数的稀疏向量Xi在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi，依据压缩感知基于电池容量的随机稀疏投影分量Yi设计恢复算法，复原电池容量关于电池参数的变化情况，进而预测储能电池不同情况下的电池容量。本发明以低维数据重构电池容量与其他电池数据的变化情况，提高电池容量预测精度和效率。
Description
技术领域
本发明涉及储能电池技术领域，特别涉及一种基于压缩感知的储能电池容量预测方法、装置。
背景技术
随着电池技术的不断发展，电池在能源领域应用有着广泛的应用，遍布了我们生活的方方面面，而电池在使用过程中会逐渐老化，其容量也会逐渐降低，从而影响到电池的正常使用。在这一容量衰减过程中，实时了解电池容量的当前状态，并以此为依据对电池进行合理的控制，保证电池及使用人员的安全，并最大限度的发挥电池的自身能力，同时对电池容量进行预测，也是电池电量状态(SOC)估计的基础。
如记载在202310032158.6中的电池容量预测方法、模型训练方法、电子设备及存储介质，基于数据驱动的电池分容方式，通过对锂电池的制造数据进行分析，结合异常检测模型和回归模型能够高精度地预测电池的电池容量。
如记载在202211575283.3中的基于相关性分析和WOA-LSTM的锂电池容量预测方法，通过对锂电池充放电过程中测量数据与电池容量数据序列的相关性分析，获得与容量退化趋势相吻合的特征，之后建立LSTM时序预测模型，并采用WOA算法对模型超参数进行优化，最后使用优化的模型来预测锂电池容量。
如记载在202211361376.6中的一种电池容量预测方法、装置及电子设备，通过根据电池种类不同调用不同模型对测试数据进行处理，确定待测电池容量预测值。
目前的电池容量预测方法大致分为传统的方法和机器学习方法，传统方法一般是通过一段时间充放电后结合对应公式来预测电池容量；机器学习方法一般通过支持向量机，高斯回归过程、深度学习网络等进行预测。
但是目前的预测方法无论是传统方法还是机器学习方法，往往都是通过线下采集大量的电池运行数据进行机器学习的训练集进行训练，得到一种相对的预测的结果，还只能预测特定种类电池的容量。
因此，亟需一种预测方法，可以通过较少的电池运行数据并对不同情况下的储能电池的电池容量进行预测，并起到准确预测的效果。
发明内容
在储能电池中,极板的厚度及几何面积不同使得活性物质利用率存在着较大的差异；电池极板越厚,硫酸与活性物质接触面就越小,活性物质的利用率越低,电池容量越小；活性物质的量一定,极板几何面积越大,活性物质的利用率也越高,电池的容量越大。但是由于电池实际使用过程中，极板厚度及极板几何尺寸的获取存在障碍，无法实现对电池容量的预测。
为了实现根据本发明的上述目的和其他优点，本发明的第一目的是提供一种基于压缩感知的储能电池容量预测方法，包括如下步骤：
获取储能电池充放电过程中的发热量Q及运行参数S，所述运行参数S至少包括充放电过程中电流、电压、电池内阻；
基于所述发热量Q及运行参数S的稀疏性建立测量矩阵A，对发热量及运行参数进行压缩采样得到关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi，记为观测矩阵B；
基于傅里叶变换将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
基于所述随机稀疏投影分量Yi设计恢复算法，复原电池容量关于电池参数的变化情况，进而预测储能电池不同运行情况下的电池容量；其中，所述电池参数包括储能电池充放电过程中的发热量Q及至少一个运行参数S。
优选的是，所述储能电池充放电过程中的发热量Q包括：建立集总热模型模拟电池的产热过程，预测电池在不同运行状况下的电池表面温度T；
其中，所述发热量Q包括：储能电池内部的化学反应热、副反应热、内阻产生的焦耳热及电极反应时产生的额极化电阻产生的热量。
优选的是，所述建立集总热模型模拟电池的产热过程包括以下步骤：
获取充放电过程中路端电压E、温度变化量、电流及温度变化的时间差；
基于吉布斯自由能及能特斯方程计算可逆反应的热量Q r ；
获取充放电过程中的过电压及电流，计算不可逆反应过程产生的热量Q ir ；
将可逆反应产生的热量Q r 与不可逆反应产生的热量Q ir 纳入电池的热传导方程，得到电池充放电过程中电池表面温度T。
优选的是，所述电池表面温度，建立集总热模型，分别模拟储能电池的可逆反应热及不可逆反应热，得到储能电池充放电过程中的总反应热，将所述总反应热纳入电池热传导方程，得到储能电池充放电过程中电池表面温度T；
其中，可逆反应产生的热量，I为电流，E是平衡时路端电压，T为温度；
不可逆反应产生的热量，/>，R t 可以通过测量电池工作状态下的过电压获得，V是电池工作电压；
将Q r 和Q ir 纳入电池热传导方程，/>，其中所述/>为电池密度，c p 为热熔，T为温度，t为时间，k为电池内部热导率，/>为T 的拉普拉斯算子,其中所述热导率通过集总热模型假设电池内部温度均匀，取一个较大值，/>是电池的发热密度，是单位体积内电池散发的可逆热和不可逆之和，V 0 为体积；其中，电池表面的热量通过自然对流散出，/>，n为法向，h为自然对流换热系数，根据温度变化，T 0 为环境温度。
优选的是，所述获取储能电池充放电过程中的运行参数S还包括：
放电过程中，放电至设定电压时停止放电，获取所述运行参数S，并记录放电过程中储能电池的电池容量；充电过程中，从放电结束开始充电，充电至设定电压时停止充电，获取充电过程中储能电池的电池容量。
优选的是，获取所述观测运行参数Si，具体包括以下步骤：
以观测运行参数Si的稀疏性为基础，采用主分量字典对所述观测运行参数Si进行稀疏分解，得到观测运行参数Si的稀疏表示，即稀疏度K；
根据稀疏度K确定稀疏采样的采样率，完成稀疏压缩采样，得到关于储能观测运行参数Si的稀疏向量Xi。
优选的是，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi,具体包括如下步骤：
根据稀疏采样、基主分量和随机高斯矩阵构建关于储能电池发热量Q及运行参数S的测量矩阵A；
基于傅里叶变换将储能观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影，得到关于观测发热量Qi及观测运行参数Si的投影分量；
合并观测发热量Qi及观测运行参数Si的投影分量形成关于电池容量的随机稀疏投影分量Yi。
本发明的第二目的是提供一种基于压缩感知的储能电池容量预测装置，包括：
采样单元，用于获取储能电池充放电过程中的发热量Q、运行参数S及关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi，所述稀疏向量Xi组合形成观测矩阵B；
处理单元，用于建立测量矩阵A，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
压缩感知单元，用于复原电池容量关于电池参数的变化情况，其中，所述电池参数包括储能电池充放电过程中的发热量Q及至少一个运行参数S。
优选的是，所述采样单元基于奈奎斯特采样定理，对储能电池充放电过程中观测运行参数Si进行稀疏采集。
优选的是，所述处理单元基于傅里叶变换将观测发热量Qi及观测运行参数Si的稀疏向量Xi投影到变换域上，使得随机稀疏投影分量Yi在该变换域上具有稀疏性。
优选的是，所述压缩感知单元，基于所述随机稀疏投影分量Yi设计恢复算法，对不同情况下的储能电池容量进行预测，实现对储能电池的控制和管理。
本发明的第三目的是提供一种电子设备，包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现基于压缩感知的储能电池容量预测方法。
本发明的第四目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现基于压缩感知的储能电池容量预测方法。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于压缩感知的储能电池容量预测方法，通过根据储能电池的运行参数S及发热量Q，使用压缩感知对储能电池进行电池容量的预测，只需要少量的测量数据，可以减少对电池的损耗，延长电池的使用寿命；有效提高电池容量预测的精度和效率，为电动汽车、储能电池等领域的智能控制和管理提供了新的技术手段，具有很高的应用价值；相比现有技术需要对大量电池测试数据进行处理得到待测电池的预测值，本发明可以以相对低维的数据有效预测电池容量度，提高电池容量预测的精度和效率，为电动汽车、储能电池等领域的智能控制和管理提供了新的技术手段。
本发明所述的一种基于压缩感知的储能电池容量预测方法，以储能电池充放电过程中，运行参数的稀疏性为基础，采用主分量字典对运行参数进行稀疏分解，能获取有效的运行参数稀疏表示和稀疏度，减小数据冗余性和存储空间，实现有用信息高效利用；同时以稀疏采样，基主分量和随机高斯分布为基础，构建测量矩阵，能有效实现数据降维和自适应线性投影，降低了数据采集硬件转换难度和制造成本；将具有稀疏性的运行参数在基矩阵上稀疏表示，确定储能运行参数稀疏度形成稀疏分量，再以与基矩阵所有列向量不相关的符合高斯随机分布的随机矩阵作为测量矩阵，利用测量矩阵对稀疏分量随机投影降维，有效实现低于传统采样频率的采用率采样，便于实现有效信息的高效提取和快速压缩。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1为本发明实施例提供的一种基于压缩感知的储能电池容量预测方法流程图；
图2为本发明实施例提供的一种电池发热量计算的流程图；
图3为本发明实施例提供的一种基于压缩感知的储能电池容量预测装置框图；
图4为本发明实施例提供的电子设备示意图；
图5为本发明实施例提供的一种计算机程序框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
一种基于压缩感知的储能电池容量预测方法，如图1所示，包括如下步骤：
S1、获取储能电池充放电过程中的发热量Q及运行参数S，所述运行参数S至少包括充放电过程中电流、电压、电池内阻；
S2、基于所述发热量Q及运行参数S的稀疏性建立测量矩阵A，对发热量及运行参数进行压缩采样得到关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi，记为观测矩阵B；
S3、基于傅里叶变换将观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
S4、基于随机稀疏投影分量Yi设计恢复算法，复原电池容量关于电池参数的变化情况，进而预测储能电池不同运行情况下的电池容量，其中，所述电池参数包括储能电池充放电过程中的发热量Q及至少一个运行参数S。
与现有技术相比，本发明实施例提供的一种基于压缩感知的储能电池容量预测方法，通过建立检测储能电池运行中多维运行参数，对多维运行参数进行投影至表征电池容量的低维参数，得处电池容量预测值，进而实现对储能电池运行进行控制和管理。
优选的是，建立集总热模型，分别模拟储能电池的可逆反应热和不可逆反应热，得到储能电池充放电过程中的反应热，将所述反应热纳入电池热传导方程，得到储能电池充放电过程中的电池表面温度；集总热模型模拟电池的产热过程，预测电池在不同运行情况下的电池表面温度T大小；
其中，所述发热量Q包括：储能电池内部的化学反应热、副反应热、内阻产生的焦耳热及电极反应时产生的极化电阻产生的热量。
优选的是，所述建立集总热模型模拟电池的产热过程包括以下步骤，如图2所示：
获取充放电过程中路端电压E、温度变化量、电流及温度变化的时间差，基于吉布斯自由能及能特斯方程计算可逆反应的热量Q r ；
其中，对于储能电池充放电的可逆反应，吉布斯自由能G的变化，其中/>为焓变，/>为熵变；可逆反应热Q r 正是因为熵变带来了热量的释放，因此，I为电流，n是电极反应化学计量常数， F是法拉第常数；对于电极反应，根据能斯特方程有/>，E是平衡时路端电压；综上，；
获取充放电过程中的过电压及电流，计算不可逆反应过程产生的热量Q ir ；其中，对于不可逆反应热（包括焦耳热及极化电阻产生的热量）Q ir 是因为电池内阻R t 产生的热量，，其中R t 可以通过测量电池工作状态下的过电压获得，即/>，其中V是电池工作电压；
将可逆反应产生的热量Q r 与不可逆反应产生的热量Q ir 纳入电池的热传导方程，得到电池充放电过程中电池表面温度T；其中，将热量Q r 与热量Q ir 作为热源纳入电池的热传导方程，/>，其中所述/>为电池密度，c p 为热熔，T为温度，t为时间，k为电池内部热导率，/>为T的拉普拉斯算子,其中所述热导率通过集总热模型假设电池内部温度均匀，取一个较大值，/>是电池的发热密度，是单位体积内电池散发的可逆热和不可逆之和，V 0 为体积；其中，电池表面的额热量通过自然对流散出，/>，n为法向，h为自然对流换热系数，根据温度变化，T 0 为环境温度；
在一些实施例中，测试不同放电倍率的放电过程中的过电压及电池内阻之间的关系，得到关于放电倍率与发热量的关系，其中，随着放电倍率的增大，电池工作电压偏离平衡电压越大，随着电流的增大，电池的内阻随之增大，实际上随着电流增大，由于电池内部离子扩散阻力增大，电池的加内阻显著提高，这一部分对内阻的贡献在高倍率放电过程中更为明显；
对于以上所述的基于集总热模型计算得到的温度与实验值的偏差，在高倍率放电条件下电池计算得到的温度高于实验值，对于低倍率放电时，实验值有略高于计算值；对于所述模型达到更加精确地效果，对所述对流换热系数h进行参数化调整，以配置所述集总热模型的精度更高，使得所述集总热模型模拟的电池发热过程与实际电池发热过程保持一致。
进一步优选的是，上述集总热模型用与估算电池的发热量Q，在估算电池在不同放电倍率及过电压的情况下的发热量Q时，将所述对流换热系数参数化并与储能运行参数拟合，在基于压缩感知预测储能电池容量时，同样将所述对流换热系数h与储能运行参数S一并进行稀疏采样，在考虑关于对流换热系数后，以使得基于压缩感知预测的储能电池容量的结果更加精准，进而实现对储能电池运行状况更加精准的控制。
进一步优选的是，在一些实施例中，基于稀疏采样确定平均采样率，对储能电池充放电过程中的发热量Q及充放电电压进行稀疏采样，得到关于电池充放电过程中发热量Q及充放电电压的稀疏向量x’，所述稀疏向量x’基于电池充放电过程中发热量Q及充放电电压的稀疏性建立了的测量矩阵A’获取得到，其中所述稀疏向量x’通过向量的组合形成关于电池充放电过程中发热量Q及充放电电压的观测矩阵B’；将所述观测矩阵B’通过傅里叶变换投影到测量矩阵A’上，得到关于电池容量的随机稀疏投影分量y’，通过对所述随机稀疏投影分量y’设计恢复重构算法，得到关于储能电池容量关于电池发热量及充放电电压的变化情况，由此可知在储能电池运行过程中，不同的放电电压，电池容量会发生不同的变化，以此配置储能电池的放电电压，使得电池容量稳定减少或在达到最低设定阈值时停止放电，避免电池过放电，使得电池寿命减少，可配置储能电池达到最优的利用率。
在另一些实施例中，基于稀疏采样确定平均采样率，对储能电池充放电过程中的发热量Q、充放电电压及充放电电流进行稀疏采样，得到关于电池充放电过程中发热量Q、充放电电压及充放电电流的稀疏向量x’’，所述稀疏向量x’’基于电池充放电过程中发热量Q、充放电电压及充放电电流的稀疏性建立了的测量矩阵A’’获取得到，其中所述稀疏向量x’通过向量的组合形成关于电池充放电过程中发热量Q及充放电电压的观测矩阵B’’；将所述观测矩阵B’’通过傅里叶变换投影到测量矩阵A’’上，得到关于电池容量的随机稀疏投影分量y’，通过对所述随机稀疏投影分量y’’设计恢复重构算法，得到关于储能电池容量关于电池发热量，充放电电压、电流的变化情况，由此可知在储能电池运行过程中，不同的充电电流，充电过程中电池容量会发生不同的变化，以此配置储能电池的充电电流，使得电池容量稳步增加或在达到最大设定阈值时停止，避免电池过充，损耗电池寿命，可配置储能电池达到最优的利用率。
进一步优选的是，在本发明实施例中，获取储能电池充放电过程中的运行参数S，包括：采集待测电池的基本信息，其中所述基本信息包括电池内阻，充放电电压、极柱温度，还可以是电池内部温度、电解液浓度及其他电池运行中变化的参数等信息。其中，对于获取储能电池充放电过程中的运行参数S，基于奈奎斯特频率的伪随机序列控制充放电设备生成激励信号，以使得储能电池生成激励响应信号，所述激励信号是指对于所述储能电池进行测试的输入信号，响应信号是指充放电测试过程中储能电池的输出信号；具体的，在本发明的一个实施例中，激励信号可以是通过充放电柜进行的脉冲充放电和短时间充放电，响应信号可以是通过测试仪得到的储能电池测试过程中的电压和电流数据等。
优选的是，所述运行参数S包括但不限于电池内阻，充放电电压、极柱温度，还可以是电池内部温度、电解液浓度及其他电池运行中的电池参数。
优选的是，所述获取储能电池充放电过程中的运行参数S包括：放电过程中，放电至设定电压时停止放电，获取所述放电过程中的所述运行参数S，并记录放电过程中储能电池的电池容量；充电过程中，从所述上述放电结束时开始充电，充电至设定电压时停止充电，获取充电过程中所述运行参数S，并记录充电过程中储能电池的容量。
进一步优选的是，采集观测运行参数Si，对观测运行参数Si进行稀疏表示和稀疏分解，得到观测运行参数Si的稀疏向量Xi，根据稀疏采样、基主分量和随机高斯矩阵构建出测量矩阵A，将观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影；并利用等距性条件检验测量矩阵A的有效性；根据稀疏度K确定稀疏采样的平均采样率，完成稀疏压缩采样。进一步地，所述测量矩阵A可以是随机高斯矩阵、随机伯努利矩阵及其他随机矩阵，满足独立同分布即可，本发明实施例对此不做具体限定。具体的随机采样的测量矩阵A是从一个N维单位矩阵中随机的抽取M行，由抽取的这M行构成的矩阵，该矩阵满足与稀疏基不相关的要求。
进一步优选的是，在本发明实施例中，所述稀疏表示方法是预设主分量，并基于主分量基函数的过完备字典法建立完备字典进行稀疏表示。
进一步优选的是，在本发明实施例中，所述稀疏分解过程采用自适应匹配基追踪算法；根据稀疏采样、基主分量和随机高斯矩阵构建出测量矩阵A的具体方法为以与基矩阵所有列向量不相关的符合高斯随机分布的随机矩阵作为测量矩阵A。
进一步的优选的是，将观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影：采用1/2观测矩阵B进行稀疏分量随机投影，在整个观测矩阵B上形成2个随机投影过程，同时合并投影形成随机稀疏投影分量Yi。
优选的是，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi,具体包括如下步骤：
根据稀疏采样、基主分量和随机高斯矩阵构建关于储能电池的发热量Q及运行参数S的测量矩阵A；
基于傅里叶变换将观测运行参数Si稀疏向量Xi在测量矩阵A上进行自适应投影，得到关于观测发热量Qi及观测运行参数Si的投影分量；
合并观测发热量Qi及观测运行参数Si的投影分量形成关于电池容量的随机稀疏投影分量Yi。具体的，信号的稀疏表示；稀疏化表示，将观测运行参数Si的稀疏化表示进行统计以及绘制，可以得到所述储能电池的一种基于降低维数的同时保证原始储能电池运行参数的信息量是最小；设计测量矩阵A，要在降低储能电池运行参数维度的同时保证原始储能电池运行参数的信息损失最小。
进一步优选的是，设计恢复算法，利用M个观测值无失真地恢复出长度为N的原始值。具体的，对需要预测的观测运行参数Si进行采样，采用压缩感知中的恢复算法对构造的压缩采样方程进行重构，得到储能电池容量关于所有储能电池参数的变化情况。
进一步优选的是，在另一些实施例中，当电池放电至某一个电压值以后,出现电压急剧下降,实际上所获得的能量非常小,假如长期深放电,对电池的损害相当大，所以必须在某一电压值终止放电,该截止放电电压叫放电终止电压。本发明实施例设置检测储能电池放电终止电压,并利用所述压缩感知算法重构储能电池对于不同的放电终止电压时，储能电池容量的变化，进而配置储能电池以最优的放电电压进行工作，对延长蓄电池使用寿命意义重大。
本发明提供一种基于压缩感知的储能电池容量预测方法，通过根据储能电池的运行参数S，使用压缩感知算法储能电池进行电池容量的实时预测，只需要少量的测量数据，可以减少对电池的损耗，延长电池的使用寿命；有效提高电池容量预测的精度和效率，为电动汽车、储能电池等领域的智能控制和管理提供了新的技术手段，具有很高的应用价值；相比现有技术需要对大量电池测试数据进行处理得到待测电池的预测值，本发明可以以相对低维的数据量有效预测表征电池容量的电池健康度，提高电池容量预测的精度和效率，为电动汽车、储能电池等领域的智能控制和管理提供了新的技术手段。
本发明所述的一种基于压缩感知的储能电池容量预测方法，以储能电池充放电过程中，运行参数的稀疏性为基础，采用主分量字典对所述运行参数进行稀疏分解，能获取有效的运行参数稀疏表示和稀疏度，减小数据冗余性和存储空间，实现有用信息高效利用；同时以稀疏采样，基主分量和随机高斯分布为基础，构建测量矩阵，能有效实现数据降维和自适应线性投影，降低了数据采集硬件转换难度和制造成本；将具有稀疏性的储能运行参数在基矩阵上稀疏表示，确定所述储能运行参数稀疏度k形成稀疏分量，再以与基矩阵所有列向量不相关的符合高斯随机分布的随机矩阵作为测量矩阵，利用测量矩阵对稀疏分量随机投影降维，有效实现低于传统采样频率的采样率采样，便于实现有效信息的高效提取和快速压缩。
实施例2
本发明实施例提供一种基于压缩感知的储能电池容量预测装置200，如图3所示，包括：
采样单元201，用于获取储能电池充放电过程中的发热量Q、运行参数S及关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi，若干所述稀疏向量Xi记为观测矩阵B；
处理单元202，用于建立测量矩阵A，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
压缩感知单元203，用于复原电池容量关于电池参数的变化情况，其中，所述电池参数包括储能电池充放电过程中的发热量Q及至少一个运行参数S。
优选的是，所述采样单元基于奈奎斯特采样定理，对储能电池充放电过程中观测运行参数Si进行稀疏采集。
进一步优选的是，所述采样单元201采集观测运行参数Si，对观测运行参数Si进行稀疏表示和稀疏分解，得到观测运行参数Si的稀疏向量Xi，根据稀疏采样、基主分量和随机高斯矩阵构建出测量矩阵A，将观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影；并利用等距性条件检验测量矩阵A的有效性；根据稀疏度K确定稀疏采样的采样率，完成稀疏压缩采样。进一步地，所述测量矩阵A可以是随机高斯矩阵、随机伯努利矩阵及其他随机矩阵，满足独立同分布即可，本发明实施例对此不做具体限定。具体的随机采样的测量矩阵A是从一个N维单位矩阵中随机的抽取M行，由抽取的这M行构成的矩阵，该矩阵满足与稀疏基不相关的要求。
优选的是，所述处理单元202基于傅里叶变换将当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi投影到变换域上，使得随机稀疏投影分量Yi在该变换域上具有稀疏性。
进一步优选的是，所述处理单元202根据稀疏采样、基主分量和随机高斯矩阵构建出测量矩阵A，将储能观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影：采用1/2观测矩阵B进行稀疏分量随机投影，在整个观测矩阵B上形成2个随机投影过程，同时合并投影形成关于电池容量的随机稀疏投影分量Yi。
其中，设计测量矩阵A，要在降低储能电池运行参数维数的同时保证原始储能电池的信息损失最小。
优选的是，所述压缩感知单元203，基于所述随机稀疏投影分量Yi设计恢复算法，对不同情况下的储能电池容量进行预测，实现对储能电池的控制和管理，包括：基于恢复算法，利用M个观测值无失真地恢复出长度为N的原始值。具体的，对需要预测的观测运行参数Si进行采样，采用压缩感知理论中的恢复算法对构造的压缩采样方程Y＝BX进行重构，由测量值Y和观测矩阵B得到原始值X，B对应上述随机亚采样的过程。
上述实施例提供的一种基于压缩感知的储能电池容量预测装置可以实现上述的基于压缩感知的储能电池容量预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于压缩感知的储能电池容量预测方法实施例中的相应内容。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述程序可以存储与计算机可读存储介质中。其中，所述就算计可读存储介质可以为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的电池容量预测方法、装置进行了详细的介绍，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时对本领域技术人员依据本发明思想在具体实施方式及应用范围上均会有所改变之处，综上所述，本发明说明书内容不应理解为对本发明的限制。
实施例3
一种电子设备300，如图4所示，包括但不限于：存储器301，其上存储有程序代码；处理器302，其与存储器联接，并且当程序代码被处理器执行时，实现一种基于压缩感知的储能电池容量预测方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
实施例4
一种计算机可读存储介质，如图5所示，其上存储有程序指令，程序指令被执行时实现一种基于压缩感知的储能电池容量预测方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例。
Claims (13)
1.一种基于压缩感知的储能电池容量预测方法，其特征在于，包括如下步骤：
获取储能电池充放电过程中的发热量Q及运行参数S，所述运行参数S至少包括充放电过程中电流、电压、电池内阻；
基于所述发热量Q及运行参数S的稀疏性建立测量矩阵A，对发热量及运行参数进行压缩采样得到关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi；其中所述稀疏向量Xi组合形成观测矩阵B；
基于傅里叶变换将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
基于所述随机稀疏投影分量Yi设计恢复算法，复原电池容量关于电池参数的变化情况，进而预测储能电池不同运行情况下的电池容量；其中，所述电池参数包括储能电池充放电过程中的发热量Q与至少一个运行参数S。
2.如权利要求1所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，所述储能电池充放电过程中的发热量Q包括：建立集总热模型模拟电池的产热过程，预测电池在不同运行状况下的电池表面温度T；
其中，所述发热量Q包括：储能电池内部的化学反应热、副反应热、内阻产生的焦耳热及电极反应时产生的额极化电阻产生的热量。
3.如权利要求2所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，所述建立集总热模型模拟电池的产热过程包括以下步骤：
获取充放电过程中路端电压E、温度变化量、电流及温度变化的时间差；
基于吉布斯自由能及能特斯方程计算可逆反应的热量Q r ；
获取充放电过程中的过电压及电流，计算不可逆反应过程产生的热量Q ir ；
将可逆反应产生的热量Q r 与不可逆反应产生的热量Q ir 纳入电池的热传导方程，得到电池充放电过程中电池表面温度T。
4.如权利要求3所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，所述电池表面温度，建立集总热模型，分别模拟储能电池的可逆反应热及不可逆反应热，得到储能电池充放电过程中的总反应热，将所述总反应热纳入电池热传导方程，得到储能电池充放电过程中电池表面温度T；
其中，可逆反应产生的热量，I为电流，E是平衡时路端电压，T为温度；
不可逆反应产生的热量，/>，R t 可以通过测量电池工作状态下的过电压获得，V是电池工作电压；
将Q r 和Q ir 纳入电池热传导方程，/>，其中所述为电池密度，c p 为热熔，T为温度，t为时间，k为电池内部热导率，/>为T的拉普拉斯算子,其中所述热导率通过集总热模型假设电池内部温度均匀，取一个较大值，/>是电池的发热密度，是单位体积内电池散发的可逆热和不可逆之和，V 0 为体积；其中，电池表面的热量通过自然对流散出，/>，n为法向，h为自然对流换热系数，根据温度变化，T 0 为环境温度。
5.如权利要求1所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，所述获取储能电池充放电过程中的运行参数S还包括：
放电过程中，放电至设定电压时停止放电，获取所述运行参数S，并记录放电过程中储能电池的电池容量；充电过程中，从放电结束开始充电，充电至设定电压时停止充电，获取充电过程中储能运行参数S。
6.如权利要求5所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，获取所述观测运行参数Si，具体包括以下步骤：
以观测运行参数Si的稀疏性为基础，采用主分量字典对所述观测运行参数Si进行稀疏分解，得到观测运行参数Si的稀疏表示，即稀疏度K；
根据稀疏度K确定稀疏采样的平均采样率，完成稀疏压缩采样，得到关于观测运行参数Si的稀疏向量Xi。
7.如权利要求1所述的一种基于压缩感知的储能电池容量预测方法，其特征在于，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi,具体包括如下步骤：
根据稀疏采样、基主分量和随机高斯矩阵构建关于储能电池的发热量Q及运行参数S的测量矩阵A；
基于傅里叶变换将观测运行参数Si的稀疏向量Xi在测量矩阵A上进行自适应投影，得到关于观测发热量Qi及观测运行参数Si的投影分量；
合并观测发热量Qi及观测运行参数Si的投影分量形成关于电池容量的随机稀疏投影分量Yi。
8.一种基于压缩感知的储能电池容量预测装置，其特征在于，包括：
采样单元，用于获取储能电池充放电过程中的发热量Q、运行参数S及关于当前电池的观测发热量Qi及观测运行参数Si的稀疏向量Xi，所述稀疏向量Xi记为观测矩阵B；
处理单元，用于建立测量矩阵A，将所述观测矩阵B在测量矩阵A上进行自适应投影，形成关于电池容量的随机稀疏投影分量Yi；
压缩感知单元，用于复原电池容量关于电池参数的变化情况，其中，所述电池参数包括储能电池充放电过程中的发热量Q及至少一个运行参数S。
9.如权利要求8所述的一种基于压缩感知的储能电池容量预测装置，其特征在于，所述采样单元基于奈奎斯特采样定理，对储能电池充放电过程中观测运行参数Si进行稀疏采集。
10.如权利要求8所述的一种基于压缩感知的储能电池容量预测装置，其特征在于，所述处理单元基于傅里叶变换将观测发热量Qi及观测运行参数Si的稀疏向量Xi投影到变换域上，使得随机稀疏投影分量Yi在该变换域上具有稀疏性。
11.如权利要求8所述的一种基于压缩感知的储能电池容量预测装置，其特征在于，所述压缩感知单元，基于所述随机稀疏投影分量Yi设计恢复算法，对不同情况下的储能电池容量进行预测，实现对储能电池的控制和管理。
12.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730822.4A CN116449223B (zh) | 2023-06-20 | 2023-06-20 | 一种基于压缩感知的储能电池容量预测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730822.4A CN116449223B (zh) | 2023-06-20 | 2023-06-20 | 一种基于压缩感知的储能电池容量预测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449223A true CN116449223A (zh) | 2023-07-18 |
| CN116449223B CN116449223B (zh) | 2023-08-29 |
Family
ID=87120615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310730822.4A Active CN116449223B (zh) | 2023-06-20 | 2023-06-20 | 一种基于压缩感知的储能电池容量预测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449223B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794571A (zh) * | 2015-04-20 | 2015-07-22 | 中国电力科学研究院 | 一种储能电站海量电池数据的采集方法 |
| DE102015117914A1 (de) * | 2014-10-31 | 2016-05-04 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Systeme und Verfahren zur Schätzung der Lebensdauer eines Batteriesystemstapels |
| CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
| CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
| CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| CN112924867A (zh) * | 2021-01-27 | 2021-06-08 | 上海工程技术大学 | 多场耦合下的锂电池容量衰减计算方法 |
| CN113011007A (zh) * | 2021-02-26 | 2021-06-22 | 山东大学 | 一种锂离子动力电池热模型参数快速辨识方法及系统 |
| CN114779107A (zh) * | 2022-04-18 | 2022-07-22 | 杭州电子科技大学 | 一种考虑温度影响的锂离子电池soc估计方法 |
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
-
2023
- 2023-06-20 CN CN202310730822.4A patent/CN116449223B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015117914A1 (de) * | 2014-10-31 | 2016-05-04 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Systeme und Verfahren zur Schätzung der Lebensdauer eines Batteriesystemstapels |
| CN104794571A (zh) * | 2015-04-20 | 2015-07-22 | 中国电力科学研究院 | 一种储能电站海量电池数据的采集方法 |
| CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
| CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
| CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| CN112924867A (zh) * | 2021-01-27 | 2021-06-08 | 上海工程技术大学 | 多场耦合下的锂电池容量衰减计算方法 |
| CN113011007A (zh) * | 2021-02-26 | 2021-06-22 | 山东大学 | 一种锂离子动力电池热模型参数快速辨识方法及系统 |
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
| CN114779107A (zh) * | 2022-04-18 | 2022-07-22 | 杭州电子科技大学 | 一种考虑温度影响的锂离子电池soc估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张任 等: "基于PSO-RBF神经网络的锂离子电池健康状态预测", 中国机械工程, vol. 27, no. 21, pages 2975 - 2981 * |
| 贺宁 等: "压缩感知结合高斯过程回归的锂电池SOH估计", 《控制工程》, vol. 30, no. 4, pages 637 - 648 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449223B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
| Widodo et al. | Intelligent prognostics for battery health monitoring based on sample entropy | |
| Li et al. | Towards unified machine learning characterization of lithium-ion battery degradation across multiple levels: A critical review | |
| Song et al. | Lithium-ion battery remaining useful life prediction based on GRU-RNN | |
| CN111157897A (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
| Xu et al. | A hybrid ensemble deep learning approach for early prediction of battery remaining useful life | |
| CN113009349A (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
| Fei et al. | A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data | |
| Shen et al. | A hybrid machine learning model for battery cycle life prediction with early cycle data | |
| Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
| Tian et al. | Data‐driven battery degradation prediction: Forecasting voltage‐capacity curves using one‐cycle data | |
| CN115032556A (zh) | 储能电池系统状态评估方法、装置、存储介质及电子设备 | |
| Li et al. | Health and performance diagnostics in Li-ion batteries with pulse-injection-aided machine learning | |
| CN114814618A (zh) | 锂离子电池剩余容量估算方法、装置、设备和存储介质 | |
| Li et al. | Characterizing degradation in lithium-ion batteries with pulsing | |
| Li et al. | Remaining useful life prediction of lithium-ion batteries via an EIS based deep learning approach | |
| He et al. | Inconsistency modeling of lithium-ion battery pack based on variational auto-encoder considering multi-parameter correlation | |
| Tao et al. | State of charge estimation of lithium Batteries: Review for equivalent circuit model methods | |
| Xiong et al. | Improved cooperative competitive particle swarm optimization and nonlinear coefficient temperature decreasing simulated annealing-back propagation methods for state of health estimation of energy storage batteries | |
| Li et al. | A hybrid deep learning model for lithium-ion batteries state of charge estimation based on quantile regression and attention | |
| Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression model | |
| Vaidya et al. | State of temperature detection of Li-ion batteries by intelligent gray box model | |
| CN116449223B (zh) | 一种基于压缩感知的储能电池容量预测方法、装置 | |
| Zheng et al. | Remaining useful life indirect prediction of lithium-ion batteries using CNN-BiGRU fusion model and TPE optimization. |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: West of Building 28, No. 2, Mount Taishan Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Jingkong Energy Technology Co.,Ltd. Address before: West of Building 28, No. 2, Mount Taishan Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee before: SUZHOU JK ENERGY Ltd. |