CN116707100B - 基于储能量自检测的储能式极速充控制方法及系统 - Google Patents

基于储能量自检测的储能式极速充控制方法及系统 Download PDF

Info

Publication number
CN116707100B
CN116707100B CN202310996505.7A CN202310996505A CN116707100B CN 116707100 B CN116707100 B CN 116707100B CN 202310996505 A CN202310996505 A CN 202310996505A CN 116707100 B CN116707100 B CN 116707100B
Authority
CN
China
Prior art keywords
battery unit
charging station
charging
voltage
data
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.)
Active
Application number
CN202310996505.7A
Other languages
English (en)
Other versions
CN116707100A (zh
Inventor
黎庭
卢燕
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.)
Qiyin Technology Shenzhen Co ltd
Original Assignee
Qiyin Technology Shenzhen 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 Qiyin Technology Shenzhen Co ltd filed Critical Qiyin Technology Shenzhen Co ltd
Priority to CN202310996505.7A priority Critical patent/CN116707100B/zh
Publication of CN116707100A publication Critical patent/CN116707100A/zh
Application granted granted Critical
Publication of CN116707100B publication Critical patent/CN116707100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J2207/20—Charging or discharging characterised by the power electronics converter

Abstract

本发明公开了基于储能量自检测的储能式极速充控制方法及系统，方法包括数据采集、数据驱动型可扩展充电站位置管理、建立高效响应型可调节式太阳能系统和基于IC相关性的间充质电池单元故障检测。本发明属于电池技术领域，具体是指基于储能量自检测的储能式极速充控制方法及系统，本方案采用综合考虑充电需求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；通过计算变换器占空比，设计低通滤波器、电池转换器和电网电压源逆变器，建立高效响应型可调节式太阳能系统；基于IC相关性进行电池单元故障检测。

Description

基于储能量自检测的储能式极速充控制方法及系统
技术领域
本发明涉及电池技术领域，具体是指基于储能量自检测的储能式极速充控制方法及系统。
背景技术
现如今，人们对环境保护和节能的日益关注加强了对燃料消耗的严格规定，充电站位置规划、太阳能系统充电都可实现节能效益。但是现有充电站位置选取存在考虑因素不佳导致资源分配不合理，进而出现实际建设与需求不匹配、规划精度低和可靠性差的问题；存在传统太阳能系统因高频开关谐波和误差信号导致系统不稳定、不可靠和弱响应的问题；现有的电池故障检测方法存在检测过程存在侵入性，且对电池故障检测考虑因素单一导致故障检测错误率高而考虑因素过多导致故障检测速度慢的矛盾性问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于储能量自检测的储能式极速充控制方法及系统，针对现有充电站位置选取存在考虑因素不佳导致资源分配不合理，进而出现实际建设与需求不匹配、规划精度低和可靠性差的问题，本方案采用基于历史数据利用非线性自回归神经网络预测参数，权衡距离的需求，综合考虑充电需求、覆盖路径和候选充电站组合的关系，从而提高充电站利用率和覆盖效果；针对传统太阳能系统因高频开关谐波和误差信号导致系统不稳定、不可靠和弱响应的问题，本方案采用低通滤波器过滤高频开关谐波，提高系统稳定性和可靠性，通过计算和控制误差信号实现控制调节电压进而提高系统的稳定性和响应性；针对现有的电池故障检测方法存在检测过程存在侵入性，且对电池故障检测考虑因素单一导致故障检测错误率高而考虑因素过多导致故障检测速度慢的矛盾性问题，本方案采用非侵入式故障检测方法，综合考虑时域和频域两个维度的IC相关性分析，实现故障检测精准且高效。
本发明采取的技术方案如下：本发明提供的基于储能量自检测的储能式极速充控制方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据驱动型可扩展充电站位置管理，基于对数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电需求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
步骤S3：建立高效响应型可调节式太阳能系统，通过计算变换器占空比，设计低通滤波器、电池转换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
步骤S4：基于IC相关性的间充质电池单元故障检测，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常。
进一步地，在步骤S1中，所述数据采集是采集充电站历史数据，电车历史数据，电池组历史运行数据。
进一步地，在步骤S2中，所述数据驱动型可扩展充电站位置管理，具体包括以下步骤：
步骤S21：建立数据驱动型可扩展充电站位置模型，所用公式如下：
；
式中，maxZ是充电站从覆盖的区域和路径最大化充电需求；m是要建造的充电站总数；θ是系数且θ∈[0，1]；ωj是区域j充电要求的数量；若足够满足区域j充电需求，则zj=1，否则，zj=0；V是充电站网络上所有区域的集合；ρ是路径；P是所有路径的集合；fρ是路径ρ上的充电要求数量；若路径ρ上的电车足够完成往返，则yρ=1，否则yρ=0；
步骤S22：约束数据驱动型可扩展充电站位置模型，所用公式如下：
；
；
；
；
式中，I是充电站的候选位置集；若在区域i建立充电站，则xi=1，否则，xi=0；m是要建造的充电站总数；H是充电站组合的集合；h是充电站组合；若充电站组合h足够支持电车EV完成路径往返，则bp，h=1，否则bp，h=0；若组合h中的所有区域已建立充电站，则vh=1，否则，vh=0；若充电站i属于组合h，则vh，i=1，否则，vh，i=0；若充电站i在区域j的覆盖半径内，则ai，j=1，否则ai，j=0；若足够满足区域j的充电需求，则zj=1，否则，zj=0；V是所有区域的集合；
步骤S23：确定路径ρ上的充电要求数量fρ，所用公式如下：
；
式中，两区域之间的流量与区域的需求成正比，与两区域之间的距离成反比；ρ是区域i和区域j之间距离最短的路径；ωi和ωj是区域i和区域j产生的充电需求；di，j是区域i和区域j之间的最短距离；β是距离对空间相互作用的敏感性；k是路径需求与充电需求之间的比例关系，α是路径需求与充电需求之间的非线性关系；系数k、α和β由基于历史数据的回归模型求得；
步骤S24：确定参数ω，模型中的输入参数ω是未来的预测值，步骤如下：
步骤S241：根据全国电车保有量的历史数据，利用非线性自回归神经网络预测未来全国电车保有量QL，规划的未来全国电车拥有量YQL，得到未来全国电车的占有率θ，所用公式如下：
；
步骤S242：根据区域的历史车辆保有量数据，利用非线性自回归神经网络预测该区域未来的车辆保有量QL’，进而得到该地区未来电车保有量YQL’，所用公式如下：
YQL’=QL’*θ；
步骤S243：根据人口比例分配每个区域的电车数量，所用公式如下：
ωi=YQL’*pi%
式中，pi%是第i点的人口比例。
进一步地，在步骤S3中，所述建立高效响应型可调节式太阳能系统，具体包括以下内容：
步骤S31：计算MPPT转换器的电感，步骤如下：
步骤S311：计算MPPT变换器的占空比D1，所用公式如下：
；
式中，Vdc是直流电压，Vpc是太阳能电池板输出电压；
步骤S312：电感L的计算由控制表达式完成，所用公式如下：
；
式中，Δi是变换器输出电流的波动，fsw是变换器的开关频率；
步骤S32：设计电网低通滤波器，在公共耦合点上连接串联的电阻和电容组成的滤波器RC布置；RC布置充当低通滤波器，衰减来自主电源的高频开关谐波，并仅将所需的频率信号传递到系统，步骤如下：
步骤S321：预测波动滤波器的电容值，所用公式如下：
；
式中，Cf是波动滤波器的电容值，Rf是波动滤波器的电阻值，TSW是开关时间；
步骤S33：设计电池转换器，在升压操作中，DC-DC电池变换器的工作占空比Dbat计算公式如下：
；
式中，Vdc’是电池变换器的输出电压，Vbat是电池电压；
步骤S34：设计电网电压源逆变器，步骤如下：
步骤S341：基于电网参数计算有功功率和无功功率的瞬时大小，并计算瞬时复功率s（t），所用公式如下：
；
式中，v和i分别是电网电压和电网电流，g-α和g-β分别是在α轴和β轴的分量，j是虚数单位；
步骤S342：电网电流的大小随着VSC瞬时电压的变化而变化，对于零电压矢量，在有功功率和无功功率中的变化如下：
；
；
式中，Δp0（k）是瞬时有功功率变化量，Δq0（k）是瞬时无功功率变化量，R是电路电阻，Ts是采样周期，L是电路电感，k是离散时间步；
步骤S343：对于VSC瞬时电压，功率P和无功功率Q的变化定义为：
；
；
式中，Δpg（k）是瞬时电压源转换器有功功率变化量，Δqg（k）是瞬时电压源转换器无功功率变化量，vrec-α和vrec-β分别是VSC瞬时电压在α轴和β轴上的分量；
步骤S344：计算误差信号，在控制方案中，信号误差为零即达到最佳电压，所用公式如下：
；
；
步骤S345：基于Δp0（k）和Δq0（k）实现如下方程：
；
；
步骤S346：通过管理基于滞后控制器的误差指标生产VSC的开关脉冲，进行调节和控制电压。
进一步地，在步骤S4中，所述基于IC相关性的间充质电池单元检测是基于IC相关性分析，以IC中位数作为参考基准，检测电池组内的正常电池单元、不一致电池单元和间充质电池单元，每个电池单元的集成电路和中间集成电路分别由每个电池单元的终端电压和中间终端电压导出，采用Spearman相关系数对IC相关性进行定量分析，推导检测过程和准则，具体包括以下步骤：
步骤S41：IC曲线采集，采用数值微分法求得IC曲线，所用公式如下：
；
；
式中，Q、V和i分别是电池恒流充电时的充电容量、终端电压和电流，ICETI是时间间隔∆t下的IC，V2−V1是时间间隔∆t内的电压变化，ICETI是基于等电压区间∆V的IC，Q2−Q1是电压区间∆V内充电容量的变化；
步骤S42：设计运动平均滤波器，通过上述数值微分法得到的集成电路曲线容易受到测量噪声的影响，采用移动平均滤波对IC曲线进行平滑处理，移动平均滤波通过计算预设窗口内信号的平均值来平滑信号，给定受噪声污染的时变信号，设计运动平均滤波器为：
；
式中，sk是原始信号s在第k时刻的值，为滤波后的对应值，Np是滤波器的窗口大 小，j1是一个计数器变量；
步骤S43：计算IC相关系数，在获得每个电池单元的IC中值曲线和IC曲线后，分别定量分析每个电池单元的IC曲线与中值IC曲线在时间域和频率域的相关性，计算a与b之间的Spearman相关系数为rs：
；
式中，cov（r（a），r（b））为秩变量之间的协方差，其中，σr（a）和σr（b）为秩变量的标准差；rs是Spearman相关系数，a和b是两个随机变量，a和b的第i个值分别为ai和bi，将a和b的值同时按升序或降序排序，分别得到a和b对应的秩变量r(a)和r(b)，其中r(a)的第i个r(ai)值为ai在a中的排名，r(b)的第i个r(bi)值为bi在b中的排名；
步骤S44：检测流程，在间充质电池单元和不一致电池单元的检测过程中，首先在时域内计算各电池单元IC曲线中值与IC曲线之间的Spearman相关系数，若特定电池单元的时域IC相关系数小于预定的阈值r1，则表明该电池单元处于异常状态，否则，将该电池单元格分类为正常电池单元格，并输出其标识符，然后对异常电池单元的IC曲线和中值IC曲线进行快速傅里叶变换，将IC数据转换到频域；此外，在频域中计算每个异常电池单元的IC曲线频谱与中值IC曲线频谱之间的Spearman相关系数，若异常电池单元的频域IC相关系数小于预定阈值r2，则表明该电池单元为MSC电池单元，否则为不一致电池单元。
本发明提供的基于储能量自检测的储能式极速充控制系统，包括数据采集模块、充电站位置管理模块、太阳能系统模块和电池单元故障检测模块；
所述数据采集模块采集采集充电站历史数据，电车历史数据，电池组历史运行数据，将采集的数据发送至充电站位置管理模块、太阳能系统模块和电池单元故障检测模块；
所述充电站位置管理模块接收数据采集模块发送的数据，基于对数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电需求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
所述太阳能系统模块接收数据采集模模块发送的数据，通过计算变换器占空比，设计低通滤波器、电池转换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
所述电池单元故障检测模块接收数据采集模模块发送的数据，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常。
采用上述方案本发明取得的有益效果如下：
（1）针对现有充电站位置选取存在考虑因素不佳导致资源分配不合理，进而出现实际建设与需求不匹配、规划精度低和可靠性差的问题，本方案采用基于历史数据利用非线性自回归神经网络预测参数，权衡距离的需求，综合考虑充电需求、覆盖路径和候选充电站组合的关系，从而提高充电站利用率和覆盖效果。
（2）针对传统太阳能系统因高频开关谐波和误差信号导致系统不稳定、不可靠和弱响应的问题，本方案采用低通滤波器过滤高频开关谐波，提高系统稳定性和可靠性，通过计算和控制误差信号实现控制调节电压进而提高系统的稳定性和响应性。
（3）针对现有的电池故障检测方法存在检测过程存在侵入性，且对电池故障检测考虑因素单一导致故障检测错误率高而考虑因素过多导致故障检测速度慢的矛盾性问题，本方案采用非侵入式故障检测方法，综合考虑时域和频域两个维度的IC相关性分析，实现故障检测精准且高效。
附图说明
图1为本发明提供的基于储能量自检测的储能式极速充控制方法的流程示意图；
图2为本发明提供的基于储能量自检测的储能式极速充控制系统的示意图；
图3为步骤S2的步骤流程示意图；
图4为步骤S3的步骤流程示意图；
图5为步骤S4的步骤流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于储能量自检测的储能式极速充控制方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据驱动型可扩展充电站位置管理，基于对数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电需求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
步骤S3：建立高效响应型可调节式太阳能系统，通过计算变换器占空比，设计低通滤波器、电池转换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
步骤S4：基于IC相关性的间充质电池单元故障检测，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，数据采集是采集充电站历史数据，电车历史数据，电池组历史运行数据。
实施例三，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S2中，数据驱动型可扩展充电站位置管理具体包括以下步骤：
步骤S21：建立数据驱动型可扩展充电站位置模型，所用公式如下：
；
式中，maxZ是充电站从覆盖的区域和路径最大化充电需求；m是要建造的充电站总数；θ是系数且θ∈[0，1]；ωj是区域j充电要求的数量；若足够满足区域j充电需求，则zj=1，否则，zj=0；V是充电站网络上所有区域的集合；ρ是路径；P是所有路径的集合；fρ是路径ρ上的充电要求数量；若路径ρ上的电车足够完成往返，则yρ=1，否则yρ=0；
步骤S22：约束数据驱动型可扩展充电站位置模型，所用公式如下：
；
；
；
；
式中，I是充电站的候选位置集；若在区域i建立充电站，则xi=1，否则，xi=0；m是要建造的充电站总数；H是充电站组合的集合；h是充电站组合；若充电站组合h足够支持电车EV完成路径往返，则bp，h=1，否则bp，h=0；若组合h中的所有区域已建立充电站，则vh=1，否则，vh=0；若充电站i属于组合h，则vh，i=1，否则，vh，i=0；若充电站i在区域j的覆盖半径内，则ai，j=1，否则ai，j=0；若足够满足区域j的充电需求，则zj=1，否则，zj=0；V是所有区域的集合；
步骤S23：确定路径ρ上的充电要求数量fρ，所用公式如下：
；
式中，两区域之间的流量与区域的需求成正比，与两区域之间的距离成反比；ρ是区域i和区域j之间距离最短的路径；ωi和ωj是区域i和区域j产生的充电需求；di，j是区域i和区域j之间的最短距离；β是距离对空间相互作用的敏感性；k是路径需求与充电需求之间的比例关系，α是路径需求与充电需求之间的非线性关系；系数k、α和β由基于历史数据的回归模型求得；
步骤S24：确定参数ω，模型中的输入参数ω是未来的预测值，步骤如下：
步骤S241：根据全国电车保有量的历史数据，利用非线性自回归神经网络预测未来全国电车保有量QL，规划的未来全国电车拥有量YQL，得到未来全国电车的占有率θ，所用公式如下：
；
步骤S242：根据区域的历史车辆保有量数据，利用非线性自回归神经网络预测该区域未来的车辆保有量QL’，进而得到该地区未来电车保有量YQL’，所用公式如下：
YQL’=QL’*θ；
步骤S243：根据人口比例分配每个区域的电车数量，所用公式如下：
ωi=YQL’*pi%
式中，pi%是第i点的人口比例。
通过执行上述操作，针对现有充电站位置选取存在考虑因素不佳导致资源分配不合理，进而出现实际建设与需求不匹配、规划精度低和可靠性差的问题，本方案采用基于历史数据利用非线性自回归神经网络预测参数，权衡距离的需求，综合考虑充电需求、覆盖路径和候选充电站组合的关系，从而提高充电站利用率和覆盖效果。
实施例四，参阅图1和图4，该实施例基于上述实施例，在步骤S3中，建立高效响应型可调节式太阳能系统具体包括以下内容：
步骤S31：计算MPPT转换器的电感，步骤如下：
步骤S311：计算MPPT变换器的占空比D1，所用公式如下：
；
式中，Vdc是直流电压，Vpc是太阳能电池板输出电压；
步骤S312：电感L的计算由控制表达式完成，所用公式如下：
；
式中，Δi是变换器输出电流的波动，fsw是变换器的开关频率；
步骤S32：设计电网低通滤波器，在公共耦合点上连接串联的电阻和电容组成的滤波器RC布置；RC布置充当低通滤波器，衰减来自主电源的高频开关谐波，并仅将所需的频率信号传递到系统，步骤如下：
步骤S321：预测波动滤波器的电容值，所用公式如下：
；
式中，Cf是波动滤波器的电容值，Rf是波动滤波器的电阻值，TSW是开关时间；
步骤S33：设计电池转换器，在升压操作中，DC-DC电池变换器的工作占空比Dbat计算公式如下：
；
式中，Vdc’是电池变换器的输出电压，Vbat是电池电压；
步骤S34：设计电网电压源逆变器，步骤如下：
步骤S341：基于电网参数计算有功功率和无功功率的瞬时大小，并计算瞬时复功率s（t），所用公式如下：
；
式中，v和i分别是电网电压和电网电流，g-α和g-β分别是在α轴和β轴的分量，j是虚数单位；
步骤S342：电网电流的大小随着VSC瞬时电压的变化而变化，对于零电压矢量，在有功功率和无功功率中的变化如下：
；
；
式中，Δp0（k）是瞬时有功功率变化量，Δq0（k）是瞬时无功功率变化量，R是电路电阻，Ts是采样周期，L是电路电感，k是离散时间步；
步骤S343：对于VSC瞬时电压，功率P和无功功率Q的变化定义为：
；
；
式中，Δpg（k）是瞬时电压源转换器有功功率变化量，Δqg（k）是瞬时电压源转换器无功功率变化量，vrec-α和vrec-β分别是VSC瞬时电压在α轴和β轴上的分量；
步骤S344：计算误差信号，在控制方案中，信号误差为零即达到最佳电压，所用公式如下：
；
；
步骤S345：基于Δp0（k）和Δq0（k）实现如下方程：
；
；
步骤S346：通过管理基于滞后控制器的误差指标生产VSC的开关脉冲，进行调节和控制电压。
通过执行上述操作，针对传统太阳能系统因高频开关谐波和误差信号导致系统不稳定、不可靠和弱响应的问题，本方案采用低通滤波器过滤高频开关谐波，提高系统稳定性和可靠性，通过计算和控制误差信号实现控制调节电压进而提高系统的稳定性和响应性。
实施例五，参阅图1和图5，该实施例基于上述实施例，在步骤S4中，基于IC相关性的间充质电池单元检测是基于IC相关性分析，以IC中位数作为参考基准，检测电池组内的正常电池单元、不一致电池单元和间充质电池单元，每个电池单元的集成电路和中间集成电路分别由每个电池单元的终端电压和中间终端电压导出，采用Spearman相关系数对IC相关性进行定量分析，推导检测过程和准则，具体包括以下步骤：
步骤S41：IC曲线采集，采用数值微分法求得IC曲线，所用公式如下：
；
；
式中，Q、V和i分别是电池恒流充电时的充电容量、终端电压和电流，ICETI是时间间隔∆t下的IC，V2−V1是时间间隔∆t内的电压变化，ICETI是基于等电压区间∆V的IC，Q2−Q1是电压区间∆V内充电容量的变化；
步骤S42：设计运动平均滤波器，通过上述数值微分法得到的集成电路曲线容易受到测量噪声的影响，采用移动平均滤波对IC曲线进行平滑处理，移动平均滤波通过计算预设窗口内信号的平均值来平滑信号，给定受噪声污染的时变信号，设计运动平均滤波器为：
；
式中，sk是原始信号s在第k时刻的值，为滤波后的对应值，Np是滤波器的窗口大 小，j1是一个计数器变量；
步骤S43：计算IC相关系数，在获得每个电池单元的IC中值曲线和IC曲线后，分别定量分析每个电池单元的IC曲线与中值IC曲线在时间域和频率域的相关性，计算a与b之间的Spearman相关系数为rs：
；
式中，cov（r（a），r（b））为秩变量之间的协方差，其中，σr（a）和σr（b）为秩变量的标准差；rs是Spearman相关系数，a和b是两个随机变量，a和b的第i个值分别为ai和bi，将a和b的值同时按升序或降序排序，分别得到a和b对应的秩变量r(a)和r(b)，其中r(a)的第i个r(ai)值为ai在a中的排名，r(b)的第i个r(bi)值为bi在b中的排名；
步骤S44：检测流程，在间充质电池单元和不一致电池单元的检测过程中，首先在时域内计算各电池单元IC曲线中值与IC曲线之间的Spearman相关系数，若特定电池单元的时域IC相关系数小于预定的阈值r1，则表明该电池单元处于异常状态，否则，将该电池单元格分类为正常电池单元格，并输出其标识符，然后对异常电池单元的IC曲线和中值IC曲线进行快速傅里叶变换，将IC数据转换到频域；此外，在频域中计算每个异常电池单元的IC曲线频谱与中值IC曲线频谱之间的Spearman相关系数，若异常电池单元的频域IC相关系数小于预定阈值r2，则表明该电池单元为MSC电池单元，否则为不一致电池单元。
通过执行上述操作，针对现有的电池故障检测方法存在检测过程存在侵入性，且对电池故障检测考虑因素单一导致故障检测错误率高而考虑因素过多导致故障检测速度慢的矛盾性问题，本方案采用非侵入式故障检测方法，综合考虑时域和频域两个维度的IC相关性分析，实现故障检测精准且高效。
实施例六，参阅图2，该实施例基于上述实施例，本发明提供的基于储能量自检测的储能式极速充控制系统，包括数据采集模块、充电站位置管理模块、太阳能系统模块和电池单元故障检测模块；
所述数据采集模块采集采集充电站历史数据，电车历史数据，电池组历史运行数据，将采集的数据发送至充电站位置管理模块、太阳能系统模块和电池单元故障检测模块；
所述充电站位置管理模块接收数据采集模块发送的数据，基于对数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电需求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
所述太阳能系统模块接收数据采集模模块发送的数据，通过计算变换器占空比，设计低通滤波器、电池转换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
所述电池单元故障检测模块接收数据采集模模块发送的数据，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (3)

1.基于储能量自检测的储能式极速充控制方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据驱动型可扩展充电站位置管理，基于数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电要求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
步骤S3：建立高效响应型可调节式太阳能系统，通过计算变换器占空比，设计低通滤波器、电池变换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
步骤S4：基于IC相关性的间充质电池单元故障检测，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常；
在步骤S3中，所述建立高效响应型可调节式太阳能系统，具体包括以下内容：
步骤S31：计算MPPT变换器的电感，步骤如下：
步骤S311：计算MPPT变换器的占空比D1，所用公式如下：
；
式中，Vdc是直流电压，Vpv是太阳能电池板输出电压；
步骤S312：电感L1的计算由控制表达式完成，所用公式如下：
；
式中，是变换器输出电流的波动，fsw是变换器的开关频率；
步骤S32：设计电网低通滤波器，在公共耦合点上连接串联的电阻和电容组成的滤波器RC布置；RC布置充当低通滤波器，衰减来自电网的高频开关谐波，并仅将所需的频率信号传递到系统，步骤如下：
步骤S321：预测低通滤波器的电容值，所用公式如下：
；
式中，Cf是低通滤波器的电容值，Rf是低通滤波器的电阻值，TSW是开关时间；
步骤S33：设计电池变换器，在升压操作中，DC-DC电池变换器的工作占空比Dbat计算公式如下：
；
式中，Vdc’是电池变换器的输出电压，Vbat是电池电压；
步骤S34：设计电网电压源逆变器，步骤如下：
步骤S341：基于电网参数计算有功功率和无功功率的瞬时大小，并计算瞬时复功率s（t），所用公式如下：
；
式中，vg和ig分别是电网电压和电网电流，g-α和g-β分别是在α轴和β轴的分量，j是虚数单位；
步骤S342：电网电流的大小随着电压源转换器瞬时电压的变化而变化，对于零电压矢量，在有功功率和无功功率中的变化如下：
；
；
式中，Δp0（k）是瞬时有功功率变化量，Δq0（k）是瞬时无功功率变化量，R是电路电阻，Ts是采样周期，L是电路电感，k是离散时间步；
步骤S343：对于电压源转换器瞬时电压，有功功率p和无功功率q的变化定义为：
；
；
式中，Δpg（k）是瞬时电压源转换器有功功率变化量，Δqg（k）是瞬时电压源转换器无功功率变化量，vrec-α和vrec-β分别是电压源转换器瞬时电压在α轴和β轴上的分量；
步骤S344：计算误差信号，在控制方案中，信号误差为零即达到最佳电压，所用公式如下：
；
；
；
；
式中，和/>是误差信号；
步骤S345：通过管理基于滞后控制器的误差指标生成电压源转换器的开关脉冲，进行调节和控制电压；
在步骤S2中，所述数据驱动型可扩展充电站位置管理，具体包括以下步骤：
步骤S21：建立数据驱动型可扩展充电站位置模型，所用公式如下：
；
式中，maxZ是充电站从覆盖的区域和路径最大化充电要求；m是要建造的充电站总数；θ是系数且θ∈[0，1]；ωj是区域j充电要求的数量；若满足区域j充电要求，则zj=1，否则，zj=0；V是充电站网络上所有区域的集合；ρ是路径；P是所有路径的集合；fρ是路径ρ上的充电要求数量；若路径ρ上的电车足够完成往返，则yρ=1，否则yρ=0；
步骤S22：约束数据驱动型可扩展充电站位置模型，所用公式如下：
；
；
；
；
式中，I是充电站的候选位置集；若在位置i建立充电站，则xi=1，否则，xi=0；H是充电站组合的集合；h是充电站组合；若充电站组合h足够支持电车EV完成路径往返，则bp，h=1，否则bp，h=0；若组合h中的所有区域已建立充电站，则vh=1，否则，vh=0；若位置i的充电站属于组合h，则vh，i=1，否则，vh，i=0；若位置i的充电站在区域j的覆盖半径内，则ai，j=1，否则ai，j=0；
步骤S23：确定路径ρ上的充电要求数量fρ，所用公式如下：
；
式中，两区域之间的流量与区域的需求成正比，与两区域之间的距离成反比；ρ是区域j2和区域j3之间距离最短的路径；ωj2和ωj3是区域j2和区域j3产生的充电要求；di2，j3是区域j2和区域j3之间的最短距离；β是距离对空间相互作用的敏感性；k是路径需求与充电要求之间的比例关系，α是路径需求与充电要求之间的非线性关系；系数k、α和β由基于充电站历史数据和电车历史数据的回归模型求得；
步骤S24：确定参数ω，模型中的输入参数ω是未来的预测值，步骤如下：
步骤S241：根据全国电车保有量的历史数据，利用非线性自回归神经网络预测未来全国电车保有量QL，规划的未来全国电车拥有量YQL，得到未来全国电车的占有率θ，所用公式如下：
；
步骤S242：根据区域的历史车辆保有量数据，利用非线性自回归神经网络预测该区域未来的车辆保有量QL’，进而得到该区域未来电车保有量YQL’，所用公式如下：
YQL’=QL’*θ；
步骤S243：根据人口比例分配每个区域的电车数量，所用公式如下：
ωj=YQL’*pj%
式中，pj%是第j区域的人口比例；
在步骤S4中，所述基于IC相关性的间充质电池单元检测是基于IC相关性分析，以IC中位数作为参考基准，检测电池组内的正常电池单元、不一致电池单元和间充质电池单元，每个电池单元的集成电路和中间集成电路分别由每个电池单元的终端电压和中间终端电压导出，采用Spearman相关系数对IC相关性进行定量分析，推导检测过程和准则，具体包括以下步骤：
步骤S41：IC曲线采集，采用数值微分法求得IC曲线，所用公式如下：
；
；
式中，Q、V和i分别是电池恒流充电时的充电容量、终端电压和电流，ICETI是时间间隔t下的IC，V2-V1是时间间隔/>t内的电压变化，ICEVI是基于电压区间/>V的IC，Q2-Q1是电压区间/>V内充电容量的变化，Q1 和 Q2 分别表示充电容量的初值和终值；
步骤S42：设计运动平均滤波器，通过上述数值微分法得到的集成电路曲线容易受到测量噪声的影响，采用运动平均滤波对IC曲线进行平滑处理，运动平均滤波通过计算预设窗口内信号的平均值来平滑信号，给定受噪声污染的时变信号，设计运动平均滤波器为：
；
式中，sk是原始信号s在第k时刻的值，为滤波后的对应值，Np是滤波器的窗口大小，j1是一个计数器变量；
步骤S43：计算Spearman相关系数，在获得每个电池单元的IC中值曲线和IC曲线后，分别定量分析每个电池单元的IC曲线与IC中值曲线在时域和频域的相关性，计算a与b之间的Spearman相关系数为rs：
；
式中，cov（r（a），r（b））为秩变量之间的协方差，其中，σr（a）和σr（b）为秩变量的标准差；rs是Spearman相关系数，a和b是两个随机变量，a和b的第i个值分别为ai和bi，将a和b的值同时按升序或降序排序，分别得到a和b对应的秩变量r(a)和r(b)，其中r(a)的第i个r(ai)值为ai在a中的排名，r(b)的第i个r(bi)值为bi在b中的排名；
步骤S44：检测流程，在间充质电池单元和不一致电池单元的检测过程中，首先在时域内计算各电池单元IC中值曲线与IC曲线之间的Spearman相关系数，若特定电池单元的时域Spearman相关系数小于预定的阈值r1，则表明该电池单元处于异常状态，否则，将该电池单元分类为正常电池单元，并输出其标识符，然后对异常电池单元的IC曲线和IC中值曲线进行快速傅里叶变换，将IC数据转换到频域；此外，在频域中计算每个异常电池单元的IC曲线频谱与IC中值曲线频谱之间的Spearman相关系数，若异常电池单元的频域Spearman相关系数小于预定阈值r2，则表明该电池单元为间充质电池单元，否则为不一致电池单元；
在步骤S1中，所述数据采集是采集充电站历史数据，电车历史数据以及电池组历史运行数据。
2.基于储能量自检测的储能式极速充控制系统，用于实现如权利要求1中所述的基于储能量自检测的储能式极速充控制方法，其特征在于：包括数据采集模块、充电站位置管理模块、太阳能系统模块和电池单元故障检测模块。
3.根据权利要求2所述的基于储能量自检测的储能式极速充控制系统，其特征在于：所述数据采集模块采集充电站历史数据，电车历史数据以及电池组历史运行数据，将采集的数据发送至充电站位置管理模块、太阳能系统模块和电池单元故障检测模块；
所述充电站位置管理模块接收数据采集模块发送的数据，基于对数量关系，组合约束和覆盖关系对位置模型确定约束条件，综合考虑充电要求、覆盖路径和充电站候选组合的关系，基于非线性自回归神经网络预测参数，最终建立数据驱动型可扩展充电站位置模型；
所述太阳能系统模块接收数据采集模块发送的数据，通过计算变换器占空比，设计低通滤波器、电池变换器和电网电压源逆变器，并通过计算控制误差信号实现控制和调节电压，最终完成高效响应型可调节式太阳能系统的建立；
所述电池单元故障检测模块接收数据采集模块发送的数据，通过采集电池单元的终端电压和中间终端电压，基于Spearman相关系数对IC相关性进行定量分析，综合考虑时域和频域两个维度的IC相关性分析确定电池运行是否正常。
CN202310996505.7A 2023-08-09 2023-08-09 基于储能量自检测的储能式极速充控制方法及系统 Active CN116707100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996505.7A CN116707100B (zh) 2023-08-09 2023-08-09 基于储能量自检测的储能式极速充控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996505.7A CN116707100B (zh) 2023-08-09 2023-08-09 基于储能量自检测的储能式极速充控制方法及系统

Publications (2)

Publication Number Publication Date
CN116707100A CN116707100A (zh) 2023-09-05
CN116707100B true CN116707100B (zh) 2024-02-27

Family

ID=87831654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996505.7A Active CN116707100B (zh) 2023-08-09 2023-08-09 基于储能量自检测的储能式极速充控制方法及系统

Country Status (1)

Country Link
CN (1) CN116707100B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1338054A (zh) * 1999-09-21 2002-02-27 松下电器产业株式会社 电动设备的电池能源保护设备
CN102355008A (zh) * 2011-09-29 2012-02-15 沈阳工业大学自控技术研究所 一种平抑风电场功率波动的控制装置及方法
CN102361334A (zh) * 2011-10-17 2012-02-22 广东电网公司深圳供电局 光伏储能电动汽车充电站系统及储能系统状态切换方法
CN105024395A (zh) * 2014-04-23 2015-11-04 南京理工大学 一种抑制光伏并网发电系统输入电流脉动的装置及方法
CN110895638A (zh) * 2019-11-22 2020-03-20 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN115483681A (zh) * 2022-10-11 2022-12-16 国网湖北省电力有限公司电力科学研究院 一种适用于混合多馈入直流输电系统的新型过流保护方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011197457A (ja) * 2010-03-19 2011-10-06 Toshiba Corp 液晶表示装置およびデータ駆動装置
US11878602B2 (en) * 2019-11-22 2024-01-23 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1338054A (zh) * 1999-09-21 2002-02-27 松下电器产业株式会社 电动设备的电池能源保护设备
CN102355008A (zh) * 2011-09-29 2012-02-15 沈阳工业大学自控技术研究所 一种平抑风电场功率波动的控制装置及方法
CN102361334A (zh) * 2011-10-17 2012-02-22 广东电网公司深圳供电局 光伏储能电动汽车充电站系统及储能系统状态切换方法
CN105024395A (zh) * 2014-04-23 2015-11-04 南京理工大学 一种抑制光伏并网发电系统输入电流脉动的装置及方法
CN110895638A (zh) * 2019-11-22 2020-03-20 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN115483681A (zh) * 2022-10-11 2022-12-16 国网湖北省电力有限公司电力科学研究院 一种适用于混合多馈入直流输电系统的新型过流保护方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Electric Vehicle Charging Warning and Path Planning Method Based on Spark;DONG DING 等;《IEEE》;第8卷;第8543-8553页 *
Intelligent prediction and early warning of abnormal conditions for fluid catalytic cracking process;Wende Tian等;《Chemical Engineering Research and Design》(第5期);第804-820页 *
多源数据融合的用户充电行为分析与充电设施规划实践;盛裕杰 等;《电力系统自动化》;第46卷(第12期);第151-162页 *

Also Published As

Publication number Publication date
CN116707100A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
Hu et al. A review of second-life lithium-ion batteries for stationary energy storage applications
Zand et al. Energy management strategy for solid‐state transformer‐based solar charging station for electric vehicles in smart grids
CN102608542B (zh) 动力电池荷电状态估计方法
CN106772072B (zh) 一种基于电池特性曲线的soc估算方法及装置
CN107878244B (zh) 一种数据清洗和预测方法及电动汽车移动充电宝系统
CN105449241B (zh) 燃料电池在线电化学阻抗谱检测系统及方法
JP5403437B2 (ja) 電池監視装置
CN108872866A (zh) 一种锂离子电池荷电状态动态评估与长效预测融合方法
EP2551689A2 (en) Device for calculating impedances of battery cell and battery impedance measuring system
CN108879875A (zh) 一种电池荷电状态充电控制的充电桩系统
CN203480000U (zh) 一种纯电动车用动力锂电池健康状况检测器
Ghosh et al. An improved load feature extraction technique for smart Homes using fuzzy-based NILM
CN103529340A (zh) 电动汽车充电站在线监测和分析评估系统
CN103675692A (zh) 电池健康状态检知方法与装置
CN110489783B (zh) 一种基于qrnn的低压台区线损率合理范围估计方法
CN104300685A (zh) 一种大规模超级电容储能模块监控系统
Rahbari et al. A novel state of charge and capacity estimation technique for electric vehicles connected to a smart grid based on inverse theory and a metaheuristic algorithm
CN102570490B (zh) 一种电动汽车智能充放电控制方法
CN113177299A (zh) 非侵入式电力负荷分解方法、装置、设备及介质
CN116707100B (zh) 基于储能量自检测的储能式极速充控制方法及系统
CN104821619B (zh) 基于可再生能源的蓄电池充电装置及其控制方法
CN111525197B (zh) 一种蓄电池soh实时估算系统及方法
Qahtan et al. Charging Station of Electric Vehicle Based on IoT: A Review
Zhu et al. Online state of charge EKF estimation for LiFePO 4 battery management systems
Wang et al. Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery

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