CN116500475A - 一种具有实时soc校正补偿的储能采集方法及系统 - Google Patents
一种具有实时soc校正补偿的储能采集方法及系统 Download PDFInfo
- Publication number
- CN116500475A CN116500475A CN202310493413.7A CN202310493413A CN116500475A CN 116500475 A CN116500475 A CN 116500475A CN 202310493413 A CN202310493413 A CN 202310493413A CN 116500475 A CN116500475 A CN 116500475A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- soc
- storage battery
- value
- compensation
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000013501 data transformation Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 24
- 230000003044 adaptive effect Effects 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000007600 charging Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 2
- 238000009402 cross-breeding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种具有实时SOC校正补偿的储能采集方法及系统，该具有实时S0C校正补偿的储能采集方法包括以下步骤：获取储能电池的运行状态参数并进行预处理；计算储能电池当前的SOC值；通过传感器获取采集器的运行参数并计算采集器的功耗值；将采集器的功耗值转换为SOC补偿值并加入到储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值。本发明能够将采集器的耗电加入到储能电池的自耗电当中，能够更加精确的对储能电池的电池荷电状态进行计算，能够更加精确的反应处储能电池的剩余电量，能够对防止储能电池过充放，确保储能电池的安全性提供理论支持。
Description
技术领域
本发明涉及数据采集技术领域，具体来说，涉及一种具有实时SOC校正补偿的储能采集方法及系统。
背景技术
随着社会经济的发展，人类文明的进步，各行各业对电力的依赖性逐渐增加，对供电可靠性和电能质量的要求也日益提高。经过长期的探索与思考，国内外对于电网建设的要求也趋于统一，即电网应具备清洁、高效、安全、可靠、交互等主要特征；由于储能在电力系统中越发广泛的应用，为保证其在发电侧、输电侧、配电侧多方面的安全稳定运行，实行科学有效的电池管理系统对电网储能用锂离子电池进行监测管理极为重要，通过电池管理系统可以对电池状态参数进行采集、估算，实现对电池状态的实时监测、判断和控制；其中电池的荷电状态SOC可直观展现电池的剩余容量，对防止电池过充放，确保电池安全性有着重要的意义，电池的荷电状态SOC(State of Charge，中文称为电量状态)是指电池存储的能量相对于其满充状态的百分比；它通常用百分比来表示；因此，电池SOC的单位是百分比(％)。
目前，国内外大都采用SOC作为电池的容量状态参数，并进行了多种SOC估算方法的研究，而传统的SOC估计方法非常多，对于自身的自耗电主要来自预先的自耗电曲线，并将其补偿到SOC中，由于现在很多储能电池需要连云，往往通过外接采集器的方式来接入，但是外接采集器的耗电并不在储能电池的自耗电中，因此无法知晓采集器的具体功耗，且往往会采用一个定值来进行补偿，从而在对储能电池进行SOC估算时不能够对储能电池SOC进行精确计算。存在一定的局限性。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种具有实时SOC校正补偿的储能采集方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一方面，提供了一种具有实时S0C校正补偿的储能采集方法，该方法包括以下步骤：
S1、获取储能电池的运行状态参数并进行预处理；
S2、根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
S3、通过传感器获取采集器的运行参数，并计算采集器的功耗值；
S4、将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值。
S5、将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
进一步的，所述获取储能电池的运行状态参数并进行预处理包括以下步骤：
S11、通过采集器采集储能电池的运行状态参数；
S12、对采集后的运行状态参数进行数据清理；
S13、对清理后的运行状态参数进行数据集成处理；
S14、对集成后的运行状态参数进行数据变换处理，得到标准化数据。
进一步的，所述根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC的预估值包括以下步骤：
S21、基于二阶RC等效电路模型并根据分数阶微积分理论建立含有分数阶电容元件的分数阶等效电路模型以及建立分数阶等效电路模型的状态空间方程；
S22、通过储能电池的脉冲放电试验，获取储能电池的参数信息；
S23、利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识；
S24、利用分数阶无迹粒子滤波算法估计储能电池SOC值。
进一步的，所述通过储能电池的脉冲放电试验，获取储能电池的参数信息包括以下步骤：
S221、通过标准恒流恒压的充电方式将储能电池充满电，并静置300分钟；
S222、测试储能电池静置后的端电压值；并将端电压值定义为SOC为1时的储能电池OCV值；
S223、释放放电脉冲，并将放电速率设置为1C；
S224、当储能电池的SOC值降低0.05时停止放电，并将储能电池静置300分钟，然后测量储能电池此时的端电压值；
S225、返回步骤S223，直至储能电池的电量释放完毕。
进一步的，所述利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识包括步骤：
S231、将所述分数阶等效电路模型的参数进行编码，通过随机旋转的方法选出部分个体作为初始种群，并确定群体数目以及迭代上限；
S232、根据适应性函数对选取的初始种群进行适应性检测，剔除不符合条件的个体；
S233、对适应性高的个体进行自由变异及交叉繁衍操作，并产生新的群体；
S234、将产生的新群体重复进行步骤S232和步骤S233，直至产生满足所需适应性最优解或者达到最大迭代次数为止，并输出最优解；
S235、将最优解进行解码，并得到分数阶等效电路模型的参数值。
进一步的，所述适应性函数的计算公式为：
其中，H(i)表示适应性函数；
M表示所测的群体内个体的个数；
Ye(j)表示第j个个体的测试输出；
Yr(j)表示第j个个体的目标输出。
进一步的，所述利用分数阶无迹粒子滤波算法估计储能电池SOC值包括以下步骤：
S241、根据储储能电池的参数信息确定状态向量的范围和粒子的数量；
S242、通过利用机数生成器，生成粒子集并作为粒子的初始状态；
S243、根据粒子的初始状态和状态向量的范围，通过均匀分布的方法将粒子分布在状态空间中；
S244、根据观测向量和粒子的状态，计算粒子的权重；
S245、通过分数阶无迹卡尔曼滤波算法对粒子进行预测和更新；
S246、根据粒子的权重，重新采样粒子集；
S246、重复步骤S245和步骤S246，直至达到最大迭代次数。
进一步的，所述通过传感器获取采集器的运行参数，并计算采集器的功耗值包括步骤：
S31、通过电流传感器电压传感器获取采集器的电流值和电压值；
S32、将采集器的电流值和电压值进行乘积运算，得到采集器的功耗值。
进一步的，所述将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值包括以下步骤：
S41、根据储能电池的容量和额定电压计算出储能电池的额定电量；
S42、计算每单位电量对应的SOC补偿值；
S43、将所述采集器的功耗值除以每单位电量对应的SOC补偿值，得到采集器的SOC补偿值；
S44、将所述采集器的SOC补偿值与储能电池SOC的预估值相加得到功耗校正补偿后的储能电池SOC预估值。
根据本发明的另一方面，提供了一种具有实时SOC校正补偿的储能采集系统，该系统包括：储能电池数据采集模块、储能电池SOC预估模块、采集器数据采集模块、功耗校正补偿模块及数据存储模块；
其中，所述储能电池数据采集模块，用于获取储能电池的运行状态参数并进行预处理；
所述储能电池SOC预估模块，用于根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
所述采集器数据采集模块，用于通过传感器获取采集器的运行参数，并计算采集器的功耗值；
所述功耗校正补偿模块，用于将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值。
所述数据存储模块，用于将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
本发明的有益效果为：
1、本发明通过获取储能电池的运行状态参数并进行预处理，然后计算储能电池当前的SOC值，以及计算采集器的功耗值并转换为SOC补偿值并加入到所述储能电池SOC的预估值中，从而能够将采集器的耗电加入到储能电池的自耗电当中，进而能够更加精确的对储能电池的电池荷电状态进行计算，能够更加精确的反应处储能电池的剩余电量，能够对防止储能电池过充放，确保储能电池的安全性提供理论支持。
2、本发明通过对采集器采集储能电池的运行状态参数进行数据清理、数据集成处理及数据变换处理，从而能够提高数据的质量和最终数据预测的精度，进而能够保证后续分析的可靠性，能够为后续储能电池SOC的预估的准确性，能够实现更精准的预估和控制，提高储能电池的安全性和可靠性，为应用场景带来更大的经济效益。
3、本发明通过基于二阶RC等效电路模型并根据分数阶微积分理论建立含有分数阶电容元件的分数阶等效电路模型，并利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识，能够加快算法收敛速度，缩短了辨识时间，避免陷入局部最优解，提高了模型参数精度。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种具有实时SOC校正补偿的储能采集方法额流程图；
图2是根据本发明实施例的一种具有实时SOC校正补偿的储能采集系统的原理框图；
图3是未计算采集器功耗的6-DMZ-10容量电池5A电流放电的电池SOC的预估值曲线；
图4是采集器定值功耗的6-DMZ-10容量电池5A电流放电的电池SOC的预估值曲线；
图5是计算采集器的功耗值并转换为SOC补偿值的6-DMZ-10容量电池5A电流放电的电池SOC的预估值曲线。
图中：
1、储能电池数据采集模块；2、储能电池SOC预估模块；3、采集器数据采集模块；4、功耗校正补偿模块；5、数据存储模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种具有实时SOC校正补偿的储能采集方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种具有实时SOC校正补偿的储能采集方法，该方法包括以下步骤：
S1、获取储能电池的运行状态参数并进行预处理；
具体的，所述获取储能电池的运行状态参数并进行预处理包括以下步骤：
S11、通过采集器采集储能电池的运行状态参数；
具体的，储能电池的运行状态参数包括以下参数：
电池容量：指电池能够存储的电荷量，通常用安时(Ah)表示。
充放电效率：指电池在充电和放电过程中能量的损失情况，通常以百分比表示。
循环寿命：指电池在经过多少次完整的充电和放电循环后，其容量降低到原来容量的一定百分比。通常以循环次数或深度循环次数(DOD)表示。
开路电压：指电池在未接负载时的电压，也称为静态电压。
内阻：指电池内部的电阻，影响电池的输出能力和充电速度。通常以欧姆(Ω)表示。
温度：电池温度对其性能有重要影响，过高或过低的温度都会影响电池的寿命和性能
S12、对采集后的运行状态参数进行数据清理；
具体的，数据清理主要对丢失的数据和异常的数据处理。
丢失值处理方法主要有：删除变量、定值填充、统计量填充、插值法填充、模型填充、哑变量填充。
异常值处理方法主要有：根据异常点的数量和影响，考虑是否将该条记录删除，信息损失多；平均值或中位数替代异常点，简单高效，信息的损失较少。
S13、对清理后的运行状态参数进行数据集成处理；
具体的，数据集成处理是将两个及两个以上的基本数据结合后统一进行储存管理；在数据进行合并时需要保持规范化，去重。
S14、对集成后的运行状态参数进行数据变换处理，得到标准化数据。
具体的，数据变换处理是对数据进行规范化、离散化、稀疏化处理，从而达到适用于挖掘的目的，主要有如下几种处理方式：离散化处理、规范化处理、稀疏化处理，
本发明通过对采集器采集储能电池的运行状态参数进行数据清理、数据集成处理及数据变换处理，从而能够提高数据的质量和最终数据预测的精度，进而能够保证后续分析的可靠性，能够为后续储能电池SOC的预估的准确性，能够实现更精准的预估和控制，提高储能电池的安全性和可靠性，为应用场景带来更大的经济效益。
S2、根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
具体的，所述根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC的预估值包括以下步骤：
S21、基于二阶RC等效电路模型并根据分数阶微积分理论建立含有分数阶电容元件的分数阶等效电路模型以及建立分数阶等效电路模型的状态空间方程；
具体的，二阶RC等效电路模型是由一个电阻、一个电容和一个电感构成的电路模型，用于描述某些具有惯性和阻尼特性的线性系统。它是一种重要的电路模型，通常用于描述滤波器、振荡器、传输线等电路。
在这个电路模型中，电阻代表电路的耗散特性，电容代表线路的存储特性，电感则代表线路的惯性特性。二阶RC等效电路模型可以方便地用微分方程来描述电路的动态响应，因此在系统分析和设计中得到广泛应用。
分数阶微积分理论是一种介于整数阶微积分和微分方程之间的新兴数学分支，它将整数阶导数推广到分数阶导数，并研究分数阶微积分的性质和应用。
S22、通过储能电池的脉冲放电试验，获取储能电池的参数信息；
具体的，所述通过储能电池的脉冲放电试验，获取储能电池的参数信息包括以下步骤：
S221、通过标准恒流恒压的充电方式将储能电池充满电，并静置300分钟；
S222、测试储能电池静置后的端电压值；并将端电压值定义为SOC为1时的储能电池OCV(开路电压)值；
S223、释放放电脉冲，并将放电速率设置为1C；
S224、当储能电池的SOC值降低0.05时停止放电，并将储能电池静置300分钟，然后测量储能电池此时的端电压值；
S225、返回步骤S223，直至储能电池的电量释放完毕。
S23、利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识；
具体的，遗传算法(GA)是以“优胜劣汰”为原理的随机搜索法，遗传算法是利用全局搜索方法，在演化过程中不需要考虑梯度信息，而先从随机生成的初始群体出发，传统的遗传算法在求解过程中，往往会遇到一些问题，比如收敛速度太慢，很容易陷入局部最优解，采用一种改进的自适应遗传算法，该方法通过调整适应度函数的数值，及时调整交叉和变异的概率，从而提高了算法的整体性能。
具体的，所述利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识包括步骤：
S231、将所述分数阶等效电路模型的参数进行编码，通过随机旋转的方法选出部分个体作为初始种群，并确定群体数目以及迭代上限；
S232、根据适应性函数对选取的初始种群进行适应性检测，剔除不符合条件的个体；
具体的，所述适应性函数的计算公式为：
其中，H(i)表示适应性函数；
M表示所测的群体内个体的个数；
Ye(j)表示第j个个体的测试输出；
Yr(j)表示第j个个体的目标输出。
S233、对适应性高的个体进行自由变异及交叉繁衍操作，并产生新的群体；
S234、将产生的新群体重复进行步骤S232和步骤S233，直至产生满足所需适应性最优解或者达到最大迭代次数为止，并输出最优解；
S235、将最优解进行解码，并得到分数阶等效电路模型的参数值。
S24、利用分数阶无迹粒子滤波算法估计储能电池SOC值。
具体的，分数阶无迹卡尔曼滤波算法是一种基于无迹卡尔曼滤波的改进型滤波算法，用于非线性系统状态估计和预测。与传统的无迹卡尔曼滤波相比，分数阶无迹卡尔曼滤波算法使用分数阶微积分来处理系统动态的非局部时序关系，更准确地描述了实际系统的行为。
分数阶无迹卡尔曼滤波算法中，通过将状态转移函数和观测函数中的时间变量用分数阶微积分表示，构造出新的状态转移方程和观测方程。然后，在无迹变换下，利用sigma-points采样方法来逼近状态的概率分布。在状态预测和更新过程中，通过调整sigma-point的权重，可以使分数阶无迹卡尔曼滤波在非线性、非高斯的情况下表现出更好的性能。
具体的，所述利用分数阶无迹粒子滤波算法估计储能电池SOC值包括以下步骤：
S241、根据储储能电池的参数信息确定状态向量的范围和粒子的数量；
S242、通过利用机数生成器，生成粒子集并作为粒子的初始状态；
S243、根据粒子的初始状态和状态向量的范围，通过均匀分布的方法将粒子分布在状态空间中；
S244、根据观测向量和粒子的状态，计算粒子的权重；
S245、通过分数阶无迹卡尔曼滤波算法对粒子进行预测和更新；
S246、根据粒子的权重，重新采样粒子集；
S246、重复步骤S245和步骤S246，直至达到最大迭代次数。
S3、通过传感器获取采集器的运行参数，并计算采集器的功耗值；
具体的，所述通过传感器获取采集器的运行参数，并计算采集器的功耗值包括步骤：
S31、通过电流传感器电压传感器获取采集器的电流值和电压值；
S32、将采集器的电流值和电压值进行乘积运算，得到采集器的功耗值。
S4、将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值。
具体的，所述将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值包括以下步骤：
S41、根据储能电池的容量和额定电压计算出储能电池的额定电量；
S42、计算每单位电量对应的SOC补偿值；
S43、将所述采集器的功耗值除以每单位电量对应的SOC补偿值，得到采集器的SOC补偿值；
S44、将所述采集器的SOC补偿值与储能电池SOC的预估值相加得到功耗校正补偿后的储能电池SOC预估值。
S5、将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
具体的，为了对本发明进行验证，选取6-DMZ-10容量电池以5A电流放电进行实验，如图3-图4所示，可以得到未计算采集器功耗的电池SOC的预估值与采集器定值功耗的电池SOC的预估值曲线之间存在差异，但无法精确的判断出采集器在使用过程中的实际功耗；
如图5所示，通过计算采集器的实际功耗值并转换为SOC补偿值，能够清晰的发现采集器的实际功耗会随时间和使用情况的变化而变化，通过将采集器的实际功耗值并转换为SOC补偿值后可以得出更准确的电池SOC预估值，从而能够提高储能电池SOC估算的准确度。
根据本发明的另一个实施例，如图2所示，提供了一种具有实时SOC校正补偿的储能采集系统，该系统包括：储能电池数据采集模块1、储能电池SOC预估模块2、采集器数据采集模块3、功耗校正补偿模块4及数据存储模块5；
其中，所述储能电池数据采集模块1，用于获取储能电池的运行状态参数并进行预处理；
所述储能电池SOC预估模块2，用于根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
所述采集器数据采集模块3，用于通过传感器获取采集器的运行参数，并计算采集器的功耗值；
所述功耗校正补偿模块4，用于将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值。
所述数据存储模块5，用于将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
综上所述，借助于本发明的上述技术方案，本发明通过获取储能电池的运行状态参数并进行预处理，然后计算储能电池当前的SOC值，以及计算采集器的功耗值并转换为SOC补偿值并加入到所述储能电池SOC的预估值中，从而能够将采集器的耗电加入到储能电池的自耗电当中，进而能够更加精确的对储能电池的电池荷电状态进行计算，能够更加精确的反应处储能电池的剩余电量，能够对防止储能电池过充放，确保储能电池的安全性提供理论支持；本发明通过对采集器采集储能电池的运行状态参数进行数据清理、数据集成处理及数据变换处理，从而能够提高数据的质量和最终数据预测的精度，进而能够保证后续分析的可靠性，能够为后续储能电池SOC的预估的准确性，能够实现更精准的预估和控制，提高储能电池的安全性和可靠性，为应用场景带来更大的经济效益；本发明通过基于二阶RC等效电路模型并根据分数阶微积分理论建立含有分数阶电容元件的分数阶等效电路模型，并利用改进自适应遗传算法对所述储能电池的参数信息进行参数辨识，能够加快算法收敛速度，缩短了辨识时间，避免陷入局部最优解，提高了模型参数精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种具有实时SOC校正补偿的储能采集方法，其特征在于，该方法包括以下步骤：
S1、获取储能电池的运行状态参数并进行预处理；
S2、根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
S3、通过传感器获取采集器的运行参数，并计算采集器的功耗值；
S4、将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值；
S5、将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
2.根据权利要求1所述的一种具有实时SOC校正补偿的储能采集方法，其特征在于，所述获取储能电池的运行状态参数并进行预处理包括以下步骤：
S11、通过采集器采集储能电池的运行状态参数；
S12、对采集后的运行状态参数进行数据清理；
S13、对清理后的运行状态参数进行数据集成处理；
S14、对集成后的运行状态参数进行数据变换处理，得到标准化数据。
3.根据权利要求1所述的一种具有实时SOC校正补偿的储能采集方法，其特征在于，所述通过传感器获取采集器的运行参数，并计算采集器的功耗值包括步骤：
S31、通过电流传感器电压传感器获取采集器的电流值和电压值；
S32、将采集器的电流值和电压值进行乘积运算，得到采集器的功耗值。
4.根据权利要求1所述的一种具有实时SOC校正补偿的储能采集方法，其特征在于，所述将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值包括以下步骤：
S41、根据储能电池的容量和额定电压计算出储能电池的额定电量；
S42、计算每单位电量对应的SOC补偿值；
S43、将所述采集器的功耗值除以每单位电量对应的SOC补偿值，得到采集器的SOC补偿值；
S44、将所述采集器的SOC补偿值与储能电池SOC的预估值相加得到功耗校正补偿后的储能电池SOC预估值。
5.一种具有实时SOC校正补偿的储能采集系统，用于实现权利要求1-4中任一项所述具有实时SOC校正补偿的储能采集方法，其特征在于，该系统包括：储能电池数据采集模块、储能电池SOC预估模块、采集器数据采集模块、功耗校正补偿模块及数据存储模块；
其中，所述储能电池数据采集模块，用于获取储能电池的运行状态参数并进行预处理；
所述储能电池SOC预估模块，用于根据预处理后的所述储能电池运行状态参数计算储能电池当前的SOC值，并得到储能电池SOC当前的预估值；
所述采集器数据采集模块，用于通过传感器获取采集器的运行参数，并计算采集器的功耗值；
所述功耗校正补偿模块，用于将所述采集器的功耗值转换为SOC补偿值并加入到所述储能电池SOC的预估值中，得到功耗校正补偿后的储能电池SOC预估值；
所述数据存储模块，用于将功耗校正补偿后的储能电池SOC预估值通过数据库进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493413.7A CN116500475B (zh) | 2023-04-28 | 2023-04-28 | 一种具有实时soc校正补偿的储能采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493413.7A CN116500475B (zh) | 2023-04-28 | 2023-04-28 | 一种具有实时soc校正补偿的储能采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116500475A true CN116500475A (zh) | 2023-07-28 |
| CN116500475B CN116500475B (zh) | 2023-11-10 |
Family
ID=87319943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493413.7A Active CN116500475B (zh) | 2023-04-28 | 2023-04-28 | 一种具有实时soc校正补偿的储能采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500475B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000014019A (ja) * | 1998-06-22 | 2000-01-14 | Nissan Motor Co Ltd | バッテリの放電量測定装置 |
| JP2004286642A (ja) * | 2003-03-24 | 2004-10-14 | Matsushita Electric Ind Co Ltd | 蓄電池の充電状態検知方法 |
| KR20090125370A (ko) * | 2008-06-02 | 2009-12-07 | 현대자동차주식회사 | 차량의 배터리 충전량 판단방법 |
| JP2017067627A (ja) * | 2015-09-30 | 2017-04-06 | 株式会社キャプテックス | 電池管理システム |
| CN107957557A (zh) * | 2017-12-01 | 2018-04-24 | 宋绍哲 | 一种储能系统浮动门槛自适应的soc在线校正方法 |
| CN109752660A (zh) * | 2019-01-23 | 2019-05-14 | 孟锦豪 | 一种无电流传感器的电池荷电状态估计方法 |
| CN111537901A (zh) * | 2020-04-09 | 2020-08-14 | 浙江南都电源动力股份有限公司 | 一种电池电量状态测算方法、电池组以及交通工具 |
| CN112098851A (zh) * | 2020-11-06 | 2020-12-18 | 北京理工大学 | 智能电池与其荷电状态在线估计方法及应用 |
| CN114594398A (zh) * | 2022-03-25 | 2022-06-07 | 中国长江三峡集团有限公司 | 储能锂离子电池数据预处理方法 |
| CN114706002A (zh) * | 2021-04-23 | 2022-07-05 | 长城汽车股份有限公司 | 电池可用能量估算方法、装置、存储介质及车辆 |
| CN115219906A (zh) * | 2022-06-27 | 2022-10-21 | 武汉理工大学 | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 |
| CN115817272A (zh) * | 2022-12-21 | 2023-03-21 | 北京紫光芯能科技有限公司 | 电池管理系统及其电量监控方法、装置、新能源汽车 |
-
2023
- 2023-04-28 CN CN202310493413.7A patent/CN116500475B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000014019A (ja) * | 1998-06-22 | 2000-01-14 | Nissan Motor Co Ltd | バッテリの放電量測定装置 |
| JP2004286642A (ja) * | 2003-03-24 | 2004-10-14 | Matsushita Electric Ind Co Ltd | 蓄電池の充電状態検知方法 |
| KR20090125370A (ko) * | 2008-06-02 | 2009-12-07 | 현대자동차주식회사 | 차량의 배터리 충전량 판단방법 |
| JP2017067627A (ja) * | 2015-09-30 | 2017-04-06 | 株式会社キャプテックス | 電池管理システム |
| CN107957557A (zh) * | 2017-12-01 | 2018-04-24 | 宋绍哲 | 一种储能系统浮动门槛自适应的soc在线校正方法 |
| CN109752660A (zh) * | 2019-01-23 | 2019-05-14 | 孟锦豪 | 一种无电流传感器的电池荷电状态估计方法 |
| CN111537901A (zh) * | 2020-04-09 | 2020-08-14 | 浙江南都电源动力股份有限公司 | 一种电池电量状态测算方法、电池组以及交通工具 |
| CN112098851A (zh) * | 2020-11-06 | 2020-12-18 | 北京理工大学 | 智能电池与其荷电状态在线估计方法及应用 |
| CN114706002A (zh) * | 2021-04-23 | 2022-07-05 | 长城汽车股份有限公司 | 电池可用能量估算方法、装置、存储介质及车辆 |
| CN114594398A (zh) * | 2022-03-25 | 2022-06-07 | 中国长江三峡集团有限公司 | 储能锂离子电池数据预处理方法 |
| CN115219906A (zh) * | 2022-06-27 | 2022-10-21 | 武汉理工大学 | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 |
| CN115817272A (zh) * | 2022-12-21 | 2023-03-21 | 北京紫光芯能科技有限公司 | 电池管理系统及其电量监控方法、装置、新能源汽车 |
Non-Patent Citations (3)
| Title |
|---|
| CHUNSHENG HU ET AL.: "State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation", JOURNAL OF ENERGY STORAGE, vol. 55, pages 1 - 18 * |
| 于海芳 等: "基于安时法的镍氢电池SOC估计误差校正", 电工技术学报, vol. 27, no. 6, pages 12 - 18 * |
| 李慧琪: "基于CAN总线的锂离子动力电池组管理系统", 机电工程技术, vol. 36, no. 1, pages 81 - 82 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116500475B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| Cui et al. | Hybrid methods using neural network and Kalman filter for the state of charge estimation of lithium-ion battery | |
| CN112331941B (zh) | 云端辅助电池管理系统及方法 | |
| CN107390127A (zh) | 一种soc估算方法 | |
| CN106354964B (zh) | 电动汽车用锂离子电容器荷电状态估计方法 | |
| CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
| CN107340476B (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
| CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
| CN102918411A (zh) | 充电状态推定装置 | |
| CN107169170B (zh) | 一种电池剩余容量的预测方法 | |
| CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及系统 | |
| CN104535934A (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
| KR100901252B1 (ko) | 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치 | |
| CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
| CN108445418A (zh) | 一种电池剩余电量估算方法及存储介质 | |
| CN110658459A (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
| CN116826933B (zh) | 一种基于知识图谱混合储能电池供电反步控制方法及系统 | |
| CN110196395A (zh) | 蓄电池soc估算方法 | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| CN111027203B (zh) | 一种超级电容soc计算方法 | |
| CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
| CN114091282B (zh) | 基于分数阶模型的锂离子电池状态估计方法及系统 | |
| CN113687239B (zh) | 一种用于噪声免疫的tcpso锂离子电池参数辨识方法 | |
| CN113125967B (zh) | 一种基于温升预测的锂电池soe计算方法 | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 |
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 |