CN116736141A - 一种锂电池储能安全管理系统及方法 - Google Patents
一种锂电池储能安全管理系统及方法 Download PDFInfo
- Publication number
- CN116736141A CN116736141A CN202311003949.2A CN202311003949A CN116736141A CN 116736141 A CN116736141 A CN 116736141A CN 202311003949 A CN202311003949 A CN 202311003949A CN 116736141 A CN116736141 A CN 116736141A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- state
- energy storage
- model
- value
- 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
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 201
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 201
- 238000004146 energy storage Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001816 cooling Methods 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 230000020169 heat generation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000003487 electrochemical reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000009418 renovation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 7
- 208000028659 discharge Diseases 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 239000007788 liquid Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2200/00—Safety devices for primary or secondary batteries
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Electrochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种锂电池储能安全管理系统及方法；其中方法包括如下步骤：利用SOC智能算法对锂电池的荷电状态进行预测；利用SOH智能算法对锂电池的健康状态进行预测；以及利用SOT智能算法对锂电池的温度状态进行预测；结合三种智能算法的预测结果对锂电池的储能状态进行预测。系统包括云平台、BMS单元、PCS单元和冷却模块；BMS单元利用上述的方法向云平台发生预测信号，使得云平台根据预测信号向PCS单元和冷却模块发生控制信号。通过SOC、SOT、SOH三个智能算法能够实现对电池的性能进行综合评估及安全管理预测。在电池可能发生异常时，主动发出安全干预信号停止充放电，避免风险扩大化，提高了储能系统安全性。
Description
技术领域
本申请涉及电池储能技术领域，尤其是涉及一种锂电池储能安全管理系统及方法。
背景技术
近年来，随着新能源领域的蓬勃发展，作为支撑智能电网和能源转型发展的关键技术，储能受到了全球的广泛关注。锂电池因能量密度高、寿命长和无污染等性能，成为储能的首选储存载体之一，锂电池储能规模也在迅速增长。随着锂电池广泛应用于储能系统，其使用过程中的安全隐患和问题日益凸显，尤其在电滥用、热滥用和机械滥用条件下，电池内部会发生多个复杂的化学和物理反应易引发电池热失控，进而引发储能安全事故。由于影响锂电池安全的因素众多，对电池储能系统进行有效的安全监控和评估管理显得尤为迫切。
发明内容
本申请的其中一个目的在于提供一种能够较为全面的实现对锂电池储能进行安全管理的系统。
本申请的另一个目的在于提供一种能够较为全面的实现对锂电池储能进行安全管理的方法。
为达到上述的至少一个目的，本申请采用的技术方案为：一种锂电池储能安全管理方法，包括如下步骤：利用SOC智能算法对锂电池的荷电状态进行预测；利用SOH智能算法对锂电池的健康状态进行预测；以及利用SOT智能算法对锂电池的温度状态进行预测；结合三种智能算法的预测结果对锂电池的储能状态进行预测。
优选的，SOC智能算法是基于扩展卡尔曼滤波和安时积分法的混合算法；当锂电池的电压处于非稳压状态时，利用扩展卡尔曼滤波来预测锂电池的荷电状态；当锂电池的电压处于稳压状态时，将非稳压状态的扩展卡尔曼滤波的输出作为安时积分法的初值以进行荷电状态的预测。
优选的，利用安时积分法进行锂电池的荷电状态的预测包括如下步骤：
S11：获取当前时刻锂电池的健康状态值SOHk，以及当前时刻温度状态下锂电池的电池容量C（SOTk）；
S12：获取上一时刻或初始时刻的锂电池的荷电状态值SOCk-1和电流测量值Ik-1；
S13：将步骤S11和S12中的参数带入安时积分法的计算公式中进行计算得到当前时刻的锂电池的荷电状态值SOCk；；式中，/>表示采样间隔时间。
优选的，利用扩展卡尔曼滤波进行锂电池的荷电状态的预测包括如下步骤：
S14：基于不同温度和老化条件，构建多个开路电压-SOC曲线；
S15：根据当前时刻的锂电池的健康状态值SOHk和温度状态值SOTk，选择合适的开路电压-SOC曲线；
S16：获取当前时刻锂电池的荷电状态值SOCk，得到锂电池对应的开路电压值以计算电池电压模型的模型端电压；
S17：基于锂电池当前时刻的电压测量值，得到锂电池的模型端电压与电压测量值的误差，可以表示为新息；
S18：利用扩展卡尔曼滤波以新息的设定增益对当前时刻的荷电状态值SOCk进行修正；并将修正后的荷电状态值用于下一时刻的输入。
优选的，SOH智能算法是基于高斯过程回归模型数据驱动的算法；其进行锂电池的健康状态预测的过程如下：
S21：收集锂电池充放电阶段的电压、电流和时间序列作为算法的原始输入；
S22：基于电池的退化先验知识，从原始输入中提取并筛选锂电池退化特征；
S23：基于步骤S22获取的退化特征进行高斯过程回归模型的训练；
S24：基于步骤S23获得的训练模型，输出当前时刻锂电池的健康状态预测值和预测值的可信度量值。
优选的，锂电池的健康状态预测的还包括如下过程：
S25：每次计算锂电池的健康状态预测值后，将步骤S22提取的退化特征存入模型特征矩阵中，同时将计算的预测值存入模型标签矩阵，并对更新后的矩阵作重归一化操作；
S26：将当前t时刻与t-1时刻计算的预测值进行对比；
S27：当t时刻计算的预测值与t-1时刻计算的预测值偏差大于设定的阈值时，取t-1时刻对应的模型特征矩阵和模型标签矩阵对高斯过程回归模型重新进行训练。
优选的，在步骤S23中，高斯过程回归模型的核函数为包括两个径向基函数和一个周期性核函数的组合函数；利用最大似然估计方法对模型的超参数进行优化以实现对模型的训练；在步骤S24中，以核函数输出的均值为预测值，以预测值的标准差作为可信度量。
优选的，SOT智能算法是基于物理信息神经网络模型数据混合驱动的算法，其进行锂电池的温度状态的预测过程如下：
S31：确定算法的输入xin，输入为三维的；
S32：选取长短时记忆神经网络为时间序列预测任务的网络结构，并将Transformer中的多头注意力模块加入至最后一层LSTM，对于长时间序列信息进行聚合；
S33：对锂电池的电路、产热以及温度模型进行建模；
S34：将建立的模型方程的残差以损失函数的形式加入到网络中，通过对损失函数的优化得到混合驱动模型以进行锂电池温度的预测。
优选的，锂电池的电路、产热和温度模型方程以及对应的残差如下：
；/>；
；/>；
；/>；
；
式中，Ut、Uocv、I和R0分别为锂电池的端电压、开路电压、电流和内阻；Q为锂电池的产热项，为锂电池的核心温度，/>为电化学反应的熵热系数；Cp和Ts分别为锂电池的热容和表面温度，Rin和Rout分别为锂电池核心到表面以及表面与外界环境的热阻，Tamb为环境温度；e1、e2和e3分别表示锂电池的电路、产热和温度模型对应的残差。
一种锂电池储能安全管理系统，包括云平台、BMS单元、PCS单元和冷却模块；所述BMS单元适于对锂电池当前的储能状态进行检测并发送至所述云平台，所述云平台适于根据接收的信号参数并结合上述的锂电池储能安全管理方法对锂电池的储能状态进行预测，并根据预测的结果向所述PCS单元和/或所述冷却模块发送控制信号，进而对锂电池的储能状态进行调整。
与现有技术相比，本申请的有益效果在于：
本申请通过SOC、SOT、SOH三个智能算法模型设计锂电池的安全评估体系，进而对电池的性能进行综合评估及安全管理预测。能够及时预警电池单体温度过高、模组局部温升速率过快、模组温度不均衡、过流、过充、过放、过度老化等异常，主动发出安全干预信号停止充放电，避免风险扩大化，提高了储能系统安全性。
附图说明
图1为本发明中锂电池储能安全管理系统的结构示意图。
图2为本发明中SOC智能算法的工作流程示意图。
图3为本发明中SOH智能算法的工作流程示意图。
图4为本发明中SOT智能算法的工作流程示意图。
图中：云平台100、BMS单元200、PCS单元300、冷却模块400、人机交互界面500。
具体实施方式
下面，结合具体实施方式，对本申请做进一步描述，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。
在本申请的描述中，需要说明的是，对于方位词，如有术语“中心”、 “横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、 “前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本申请和简化描述，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、以特定方位构造和操作，不能理解为限制本申请的具体保护范围。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请的一个方面提供了一种锂电池储能安全管理系统，如图1所示，其中一个优选的实施例包括云平台100、BMS单元200、PCS单元300和冷却模块400。云平台100和BMS单元200进行连接，BMS单元200还可以PCS单元300以及冷却模块400进行连接；同时BMS单元200、PCS单元300和冷却模块400均与锂电池进行连接，进而可以形成整个储能安全管理系统。
其中，PCS单元300可以对锂电池的充放电进行控制；冷却模块400可以对锂电池的冷却进行控制；BMS单元200可以检测锂电池的储能状态并发送至云平台100；以使得云平台100根据接收的信号参数结合自身的计算机智能算法对锂电池的储能状态进行预测，并根据预测的结果向PCS单元300和/或冷却模块400发送控制信号，进而对锂电池的储能状态进行调整。
可以理解的是，传统的电池储能系统缺乏先进的的计算机智能预测技术，使得其对电池的保护和失效管理考虑的不够全面，进而造成可靠性低、失效概率大。而本申请利用云平台100和BMS单元200可以对储能系统进行数据采集与可视化、储能监控及预警以及性能评估等；从而能够及时的对出现的电池单体温度过高、模组局部温升速率过快、模组温度不均衡、过流、过充、过放、过度老化等异常状况进行预警，并主动发出安全干预信号以停止电池的充放电，避免风险扩大化，优选的提高了储能系统的安全性。
本实施例中，如图1所示，为了便于对云平台100和BMS单元200对储能系统的数据采集和可视化，本申请的锂电池储能安全管理系统还包括人机交互界面500，人机交互界面500可以接收BMS单元200中主控制器BCU发送的部分数据进行展示，以供本地进行参考，同行也可进行一些储能参数的设置。
本实施例中，如图1所示，BMS单元200包括主控制器BCU和至少一个从控制器BMU；主控制器BCU和从控制器BMU之间进行电连接，同时主控制器BCU还可以分别和云平台100、PCS单元300以及冷却模块400进行连接；从控制器BMU可以和对应的锂电池组进行连接。
主控制器BCU可以响应云平台100的数据采集指令，并通过从控制器BMU对锂电池簇中的单体电压、模组电压、模组电流、电芯温度、环境温度等数据信息进行采集并暂存。同时可以分别向人机交互界面500和云平台100以及PCS单元300发送数据；响应其内部计算机算法模型数据分析的结果；响应云平台100发出的安全干预信号并发送至PCS单元300，以使得PCS单元300控制锂电池簇的充放电；以及响应云平台100发出的温度调节信号并发送至冷却模块400，以使得冷却模块400对锂电池簇的冷却程度进行控制。
应当知道的是，如图1所示，锂电池储能系统中的锂电池的数量一般有多个，且锂电池一般以电池组的形式进行使用；即锂电池储能系统包括有多个锂电池模组，多个锂电池模组可以形成锂电池簇。则从控制器BMU的数量与锂电池模组的数量对应。
本实施例中，如图1所示，云平台100包含储能数据采集与可视化、储能系统监控及异常预警、性能评估及智能算法。云平台100可以使用以太网与BMS单元200中的主控制器BCU相连。进而云平台100可以发送命令控制BMS单元200采集电池电压、电流、温度等其他传感器数据，以及展示锂电池的电压、温度、电流、充放电状态、循环次数等实时状态信息和运行异常报警信息。同时运行智能算法对电池的性能进行综合评估及安全管理预测，给予锂电池的温度状态（SOT）、健康状态（SOH）和荷电状态（SOC）的安全评估结果，防止出现过热、过充、过放、过度老化造成的大电流放电、过压充电、欠压放电、自放电等安全风险。在发现锂电池运行异常时，主动发出干预信号控制冷却模块400进行运行和/或主动发出干预信号控制PCS单元300进行锂电池的停止充放电。
本实施例中，如图1所示，PCS单元300是一种储能变流器，可以进行交直流的变换。PCS单元300可以通过CAN接口与BMS单元200进行通讯以获得锂电池簇的状态信息，并且在锂电池簇运行异常时能够接收云平台100发出的安全干预信号以控制锂电池簇停止进行充放电。
本实施例中，如图1所示，冷却模块400包括液冷单元和风冷单元。本领域技术人员应当知道的是，液冷单元和风冷单元的具体结构和工作原理均为本领域的公知技术，故在此只进行简单的阐述。其中，风冷单元包括风扇；液冷单元包括液冷排、制冷片、PWM调频泵和水箱；在云平台100结合计算机智能算法综合评估锂电池簇的温度情况后进行干预，并向主控制器BCU发出调节信号；进而主控制器BCU向冷却模块400发送控制信号，以使得风冷单元和液冷单元响应控制指令对锂电池模组进行冷却。
本申请的另一个方面提供了一种锂电池储能安全管理方法，可以为上述的云平台100所使用以实现对锂电池的储能状态进行预测。其中一个优选实施例包括如下步骤：利用SOC智能算法对锂电池的荷电状态进行预测；利用SOH智能算法对锂电池的健康状态进行预测；以及利用SOT智能算法对锂电池的温度状态进行预测；结合三种智能算法的预测结果对锂电池的储能状态进行预测。
可以理解的是，锂电池的荷电状态（SOC）可以表示电池充电状态，锂电池的健康状态（SOH）可以表示电池的寿命或老化程度，锂电池的温度状态（SOT）可以表示电池进行储能是的温度情况。因此，通过SOC、SOT、SOH三个智能算法模型来对设计锂电池的安全评估体系，可以对电池的性能进行综合评估及安全管理预测。从而在电池出现单体温度过高、模组局部温升速率过快、模组温度不均衡、过流、过充、过放、过度老化等异常时或之前能够进行及时的预警，进而可以有效的提高锂电池储能系统的安全性。
本申请的其中一个实施例，SOC智能算法可以采用基于扩展卡尔曼滤波和安时积分法的混合算法。由于磷酸铁锂电池在充电中期的电压是比较平稳的，因此扩展卡尔曼滤波很难冲电压信息中获得有效的反馈。所以，在电池的电压处于非稳压状态时，可以通过扩展卡尔曼滤波来预测锂电池的荷电状态；而在电池的电压处于稳压状态时，可以将非稳压状态的扩展卡尔曼滤波的输出作为安时积分法的初值以进行荷电状态的预测，可以有效的减小安时积分法继续计算的计算量。相比较传统采用单一的扩展卡尔曼滤波难以得到有效的电压反馈，容易导致锂电池的SOC值估计失效，本申请的SOC智能算法基于安时积分法与扩展卡尔曼滤波的混合算法，通过算法修正得到更稳定、更精确的锂电池的SOC值的预测。
同时，考虑到电池温度和老化程度对锂电池的SOC预测值的影响，SOC智能算法在建立电池模型时，可以将模型参数建模为包含锂电池的SOT和锂电池的SOH的函数表达式；并且在计算锂电池的SOC预测值时，可以从BMS单元200获取锂电池SOT和SOH值作为算法输入计算锂电池SOC预测值。锂电池的SOC值与温度和老化程度密切相关，通过构建锂电池在不同SOT值和SOH值下的开路电压-SOC曲线及电池最大可用容量，可以实现宽温度、全生命周期的精确SOC值预测。
一般来说，锂电池的稳压状态的电压范围为3.3V-3.5V。因此，在电池的电压低于3.3V或高于3.5V时使用扩展卡尔曼滤波计算锂电池的SOC预测值；在电池的电压处于3.3V-3.5V时，将扩展卡尔曼滤波计算得到的SOC预测值作为安时积分法的初值并继续计算。
本实施例中，SOC智能算法的主要过程如下：在不同温度和老化条件下构建多个开路电压-SOC曲线；模型通过BMS单元200获取当前时刻的锂电池的SOT值和SOH值，选择不同的开路电压-SOC曲线，用于当前环境下的模型构建。根据锂电池电化学反应构建数字化模型，针对边界条件进行优化形成简化表征，张成多维度特征空间，进行数字化模型降价以实时应用，模拟自然进化实现模型参数优化提取，通过扩展卡尔曼滤波和安时积分法交替进行SOC动态估计，计算精度大于95%。
为了方便理解，下面可以对SOC智能算法的具体工作过程进行描述：
具体的，如图2所示，利用安时积分法进行锂电池的荷电状态的预测包括如下步骤：
S11：获取当前时刻锂电池的健康状态值SOHk，以及当前时刻温度状态下锂电池的电池容量C（SOTk）。
S12：获取上一时刻或初始时刻的锂电池的荷电状态值SOCk-1和电流测量值Ik-1。
S13：将步骤S11和S12中的参数带入安时积分法的计算公式中进行计算得到当前时刻的锂电池的荷电状态值SOCk；；式中，/>表示采样间隔时间。
可以理解的是，锂电池在不同的温度下可以表现出不同的动态性能，在不同温度下进行锂电池的容量测试并标定当前温度下的最大可用容量来表示锂电池的温度状态值，具体可以使用函数拟合容量和温度间的关系，得到锂电池于不同温度状态下的电池容量，表示为C（SOT）。锂电池的健康状态SOH值可以直接通过当前容量与额定容量的百分比进行表示。因此，SOH×C（SOT）可以表征当前温度、当前老化状态下的可用电池容量。
具体的，如图2所示，利用扩展卡尔曼滤波进行锂电池的荷电状态的预测包括如下步骤：
S14：基于不同温度和老化条件，构建锂电池的多个开路电压-SOC曲线。
S15：根据当前时刻的锂电池的健康状态值SOHk和温度状态值SOTk，选择合适的开路电压-SOC曲线。
S16：获取当前时刻锂电池的荷电状态值SOCk，得到锂电池对应的开路电压值；基于得到的锂电池的开路电压值，计算电池电压模型的模型端电压；
S17：基于锂电池当前时刻的电压测量值，得到锂电池的模型端电压与电压测量值的误差，可以表示为新息。
S18：利用扩展卡尔曼滤波以新息的设定增益对当前时刻的荷电状态值SOCk进行修正；并将修正后的荷电状态值用于下一时刻的输入。
其中，步骤S18对于荷电状态值的修正还包括如下具体的步骤：
S181：初值设定：
，/>。
S182：状态预测和误差协方差矩阵求解：
，/>。
S183：计算卡尔曼增益矩阵：
。
S184：根据观测值Zk和卡尔曼增益Kk来修正预测值，得到更新后的最优预测值：
；/>。
其中，x为锂电池的荷电状态[SOC，Vc1，Vc2]，进一步的，SOC表示电池的充电状态，Vc1和Vc2分别为电池二阶等效电路模型的两个极化电压；P为协方差矩阵，P0为初始协方差矩阵；xk为系统k时刻的状态；uk为系统输入（电流）；A为电池模型状态空间方程的状态转移矩阵；Q为过程噪声协方差矩阵；K为卡尔曼增益；H为电池模型中观测函数h对x求导得到的输出矩阵；R为测量噪声协方差矩阵；Zk为k时刻的观测值（测量电压）。
本申请的其中一个实施例，SOH智能算法是基于高斯过程回归（GPR）模型数据驱动的算法；可以使用少量完整的充电数据预先分析确定最优特征范围，从部分充电阶段测量电压数据中提取与容量衰减相关的多项特征作为模型的输入。通过优化模型中超参数集，最终得到估计性能良好且具备可信度量的锂电池SOH模型，实现SOH估计精度误差低于2.5%。
本实施例中，如图3所示，SOH智能算法进行锂电池的健康状态预测的过程如下：
S21：收集电池充放电阶段传感器测量的电压、电流和时间序列等运行数据，作为算法的原始数据输入。
S22：基于电池退化先验知识，结合相关度量手段，对原始数据进行特征工程，提取并筛选锂电池退化特征，作为机器学习模型的输入。
S23：基于步骤S22获取的退化特征，进行高斯过程回归模型的训练。
S24：基于步骤S23获得的训练模型，输出当前时刻锂电池的健康状态SOH预测值和预测值的可信度量值。
可以理解的是，步骤S21中数据收集可以利用BMS单元200的传感器进行测量得到。
对于步骤S22中的特征提取方面，具体的提取方式有多种，其中一种是利用5个标准容量测试条件下的完整循环的充电数据，基于电压累积分布曲线和增量容量曲线，确定特征区间的电压上下阈值，该范围内两类曲线主峰均被完全包围，预先确定的特征区间长度为60 mV。提取易于获得的不同维度的特征组成特征库，包括特征充电时间和标准差、峰度、偏度等电压序列的统计学特征；电压序列的统计学特征对于不同工况更稳定，迁移难度更低。
对于步骤S22中的特征筛选方面，具体的筛选方式有多种，其中一种是基于灰度关联分析（GRA）方法。计算各特征的关系等级，保证筛选特征与标签相关度高且相互之间相关性较低。最终选取了包括充电时间、电压标准差、电压峰度在内的易于获取的三项特征，作为后续模型的输入。特征计算的具体公式如下：
。
。
。
式中，tend和tstart分别是选择的特征区间的起止时间；是电压序列的平均值；n是电压采样点的个数。
对于步骤S23中高斯过程回归模型；于算法层面，高斯过程回归模型的核函数为包括两个径向基函数和一个周期性核函数的组合函数；利用最大似然估计方法对模型的超参数进行优化以实现对模型的训练。则在步骤S24中，以核函数输出的均值为预测值，以预测值的标准差作为可信度量。
其中，核函数、最大似然估计方法优化超参数以及模型的输出结果的具体公式如下：
。
。
。
。
式中，xi和xj分别表示第i和第j个特征向量；每个特征向量由前述提取的三项特征组合而成；x、y、x*和y*分别表示训练集特征、训练集观测值、测试集特征和测试集预测值；、/>和/>分别表示各核函数的幅度值，l1、l2和l3分别表示各核函数在特征维度下的长度尺度，ρ表示周期性核函数的周期参量；/>表示添加的噪声幅值；为模型中需要优化的超参数集。m（x）表示先验均值；表示预测结构的协方差。
本实施例中，锂电池的健康状态预测的还包括如下的反馈过程：
S25：每次计算锂电池的健康状态预测值后，将步骤S22提取的退化特征存入模型特征矩阵中，同时将计算的预测值存入模型标签矩阵，并对更新后的矩阵作重归一化操作。
S26：将当前t时刻与t-1时刻计算的预测值进行对比。
S27：当t时刻计算的预测值与t-1时刻计算的预测值偏差大于设定的阈值时，取t-1时刻对应的模型特征矩阵和模型标签矩阵对高斯过程回归模型重新进行训练。
本申请的其中一个实施例，SOT智能算法是基于物理信息神经网络模型数据混合驱动的算法，该算法基于长短时记忆神经网络(LSTM)框架，创造性的将多头注意力机制加入到最后一层LSTM神经网络中，用以捕捉长时间序列的电学、热学、传热相关特征；通过神经网络的高维表示端到端输出的电池温度。除此之外，该算法建模了锂电池的电学，产热和传热物理模型，并通过损失函数的形式编码进神经网络中，通过训练优化神经网络参数，最终得到泛化性好，可解释的锂电池SOT模型。该方法将电池物理模型方程嵌入深度学习网络训练和推理阶段，保证模型输出符合物理规律，实现对锂电池的SOT值的精准预测（误差小于1℃）。
本实施例中，如图4所示，SOT智能算法进行锂电池的温度状态的预测过程如下：
S31：确定算法的输入xin；输入为三维的；其中，B是数据的batch-size，S是考虑之前的时间步数，f是特征维度，包括了电压，电流，实验时间，环境温度，电池SOC值，循环次数，上次循环的最大放电容量。
S32：网络结构的选取；选取长短时记忆神经网络为时间序列预测任务的网络结构，并将Transformer中的多头注意力模块加入至最后一层LSTM，对于长时间序列信息进行聚合；输入经过深度神经网络端到端得到输出，该输出的温度值符合锂电池物理模型；算法框架分为两部分：有监督学习和无监督学习，有监督学习使用实验阶段标注的温度数据，无监督学习模型输出值需满足电池物理模型。
S33：电池物理建模；对理电池的电路、产热以及温度模型进行建模。
其中，锂电池电路模型采取的Rint模型，在温度预测任务中，电阻用来表征不可逆热的大小，因此Rint模型能达到和一阶，二阶RC电路一样的效果；Rint模型如下公式所示：
。
式中，Ut、Uocv、I和R0分别为锂电池的端电压、开路电压、电流和内阻。
其中，锂电池的产热模型遵循了Thomas和Newman根据实验推导的产热方程：
。
式中，Q为锂电池的产热项，为锂电池的核心温度，/>为电化学反应的熵热系数。
其中，锂电池的热量产出及传热过程用热容及热阻建模，内部的产热及与外界环境的散热共同影响了锂电池的温度，锂电池温度模型如下所示：
；/>。
式中，Cp和Ts分别为锂电池的热容和表面温度，Rin和Rout分别为锂电池核心到表面以及表面与外界环境的热阻，Tamb为环境温度。
S34：将建立的模型方程的残差以损失函数的形式加入到网络中，通过对损失函数的优化得到混合驱动模型以进行锂电池温度的预测。通过优化损失函数，最终实现可解释的，泛化性好的模型数据混合驱动深度学习方法，最终预测电池的温度值。具体的残差公式如下：
。
式中，e1、e2和e3分别表示锂电池的电路、产热和温度模型对应的残差。
以上描述了本申请的基本原理、主要特征和本申请的优点。本行业的技术人员应该了解，本申请不受上述实施例的限制，上述实施例和说明书中描述的只是本申请的原理，在不脱离本申请精神和范围的前提下本申请还会有各种变化和改进，这些变化和改进都落入要求保护的本申请的范围内。本申请要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种锂电池储能安全管理方法，其特征在于，包括如下步骤：
利用SOC智能算法对锂电池的荷电状态进行预测；
利用SOH智能算法对锂电池的健康状态进行预测；以及
利用SOT智能算法对锂电池的温度状态进行预测；
结合三种智能算法的预测结果对锂电池的储能状态进行预测。
2.如权利要求1所述的锂电池储能安全管理方法，其特征在于：SOC智能算法是基于扩展卡尔曼滤波和安时积分法的混合算法；
当锂电池的电压处于非稳压状态时，利用扩展卡尔曼滤波来预测锂电池的荷电状态；
当锂电池的电压处于稳压状态时，将非稳压状态的扩展卡尔曼滤波的输出作为安时积分法的初值以进行荷电状态的预测。
3.如权利要求2所述的锂电池储能安全管理方法，其特征在于：利用安时积分法进行锂电池的荷电状态的预测包括如下步骤：
S11：获取当前时刻锂电池的健康状态值SOHk，以及当前时刻温度状态下锂电池的电池容量C（SOTk）；
S12：获取上一时刻或初始时刻的锂电池的荷电状态值SOCk-1和电流测量值Ik-1；
S13：将步骤S11和S12中的参数带入公式中，计算得到当前时刻的锂电池的荷电状态值SOCk；式中，/>表示采样间隔时间。
4.如权利要求3所述的锂电池储能安全管理方法，其特征在于：利用扩展卡尔曼滤波进行锂电池的荷电状态的预测包括如下步骤：
S14：基于不同温度和老化条件，构建多个开路电压-SOC曲线；
S15：根据当前时刻的锂电池的健康状态值SOHk和温度状态值SOTk，选择合适的开路电压-SOC曲线；
S16：获取当前时刻锂电池的荷电状态值SOCk，得到锂电池对应的开路电压值以计算电池电压模型的模型端电压；
S17：基于锂电池当前时刻的电压测量值，得到锂电池的模型端电压与电压测量值的误差，表示为新息；
S18：利用扩展卡尔曼滤波以新息的设定增益对当前时刻的荷电状态值SOCk进行修正；并将修正后的荷电状态值用于下一时刻的输入。
5.如权利要求1所述的锂电池储能安全管理方法，其特征在于：SOH智能算法是基于高斯过程回归模型数据驱动的算法；其进行锂电池的健康状态预测的过程如下：
S21：收集锂电池充放电阶段的电压、电流和时间序列作为算法的原始输入；
S22：基于电池的退化先验知识，从原始输入中提取并筛选锂电池退化特征；
S23：基于步骤S22的退化特征进行高斯过程回归模型的训练；
S24：基于步骤S23的训练模型，输出当前时刻锂电池的健康状态预测值和预测值的可信度量值。
6.如权利要求5所述的锂电池储能安全管理方法，其特征在于：锂电池的健康状态预测的还包括如下过程：
S25：每次计算锂电池的健康状态预测值后，将步骤S22提取的退化特征存入模型特征矩阵中，同时将计算的预测值存入模型标签矩阵，并对更新后的矩阵作重归一化操作；
S26：将当前t时刻与t-1时刻计算的预测值进行对比；
S27：当t时刻计算的预测值与t-1时刻计算的预测值偏差大于设定的阈值时，取t-1时刻对应的模型特征矩阵和模型标签矩阵对高斯过程回归模型重新进行训练。
7.如权利要求5所述的锂电池储能安全管理方法，其特征在于：在步骤S23中，高斯过程回归模型的核函数为包括两个径向基函数和一个周期性核函数的组合函数；利用最大似然估计方法对模型的超参数进行优化以实现对模型的训练；在步骤S24中，以核函数输出的均值为预测值，以预测值的标准差作为可信度量。
8.如权利要求1所述的锂电池储能安全管理方法，其特征在于：SOT智能算法是基于物理信息神经网络模型数据混合驱动的算法，其进行锂电池的温度状态的预测过程如下：
S31：确定算法的输入；
S32：选取长短时记忆神经网络为时间序列预测任务的网络结构，并将Transformer中的多头注意力模块加入至最后一层LSTM，对于长时间序列信息进行聚合；
S33：对理电池的电路、产热以及温度模型进行建模；
S34：将建立的模型方程的残差以损失函数的形式加入到网络中，通过对损失函数的优化得到混合驱动模型以进行锂电池温度的预测。
9.如权利要求8所述的锂电池储能安全管理方法，其特征在于：锂电池的电路、产热和温度模型方程以及对应的残差如下：
；
；
；
；
式中，Ut、Uocv、I和R0分别为锂电池的端电压、开路电压、电流和内阻；Q为锂电池的产热项，为锂电池的核心温度，/>为电化学反应的熵热系数；Cp和Ts分别为锂电池的热容和表面温度，Rin和Rout分别为锂电池核心到表面以及表面与外界环境的热阻，Tamb为环境温度；e1、e2和e3分别表示锂电池的电路、产热和温度模型对应的残差。
10.一种锂电池储能安全管理系统，其特征在于，包括：
云平台；所述云平台适于利用权利要求1-9任一项所述的锂电池储能安全管理方法；
PCS单元；所述PCS单元适于对锂电池的充放电进行控制；
冷却模块；所述冷却模块适于对锂电池进行冷却；
BMS单元；所述BMS单元适于对锂电池当前的储能状态进行检测并发送至所述云平台；所述云平台适于根据接收的参数并结合智能算法对锂电池的储能状态进行预测；并根据预测的结果向所述PCS单元和/或所述冷却模块发送控制信号，进而对锂电池的储能状态进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003949.2A CN116736141A (zh) | 2023-08-10 | 2023-08-10 | 一种锂电池储能安全管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003949.2A CN116736141A (zh) | 2023-08-10 | 2023-08-10 | 一种锂电池储能安全管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116736141A true CN116736141A (zh) | 2023-09-12 |
Family
ID=87906334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311003949.2A Pending CN116736141A (zh) | 2023-08-10 | 2023-08-10 | 一种锂电池储能安全管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116736141A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103135065A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 基于特征点的磷酸铁锂电池电量检测方法 |
| CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
| CN106443459A (zh) * | 2016-09-06 | 2017-02-22 | 中国第汽车股份有限公司 | 一种车用锂离子动力电池荷电状态估算方法 |
| CN107533105A (zh) * | 2015-02-28 | 2018-01-02 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| CN107688155A (zh) * | 2017-10-19 | 2018-02-13 | 中国矿业大学 | 一种用于电池管理系统中的电池剩余容量估算方法 |
| CN110161423A (zh) * | 2019-06-26 | 2019-08-23 | 重庆大学 | 一种基于多维度耦合模型的动力锂电池状态联合估计方法 |
| CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
| CN110470993A (zh) * | 2019-09-23 | 2019-11-19 | 骆驼集团武汉光谷研发中心有限公司 | 一种启停电池soc算法 |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
| CN112737053A (zh) * | 2021-01-11 | 2021-04-30 | 锦浪科技股份有限公司 | 一种用于储能系统的电池在线检测技术及装置 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
| CN114355211A (zh) * | 2021-12-09 | 2022-04-15 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种锂离子动力电池剩余电量估计方法 |
| CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
| CN116381539A (zh) * | 2023-04-21 | 2023-07-04 | 电子科技大学 | 一种考虑用户不完整充电过程下的电池健康状态评估方法 |
| US20230219458A1 (en) * | 2020-06-18 | 2023-07-13 | Volvo Truck Corporation | A method for predicting state-of-power of a multi-battery electric energy storage system |
| CN116430245A (zh) * | 2023-06-14 | 2023-07-14 | 威海谱跃光电科技有限公司 | 基于梯度优化多物理信息神经网络的电池热失控预测方法 |
| CN116500444A (zh) * | 2023-04-06 | 2023-07-28 | 重庆大学 | 一种面向运行安全的电动飞行汽车电池多状态联合估计方法 |
| CN116500449A (zh) * | 2023-04-28 | 2023-07-28 | 上海玫克生储能科技有限公司 | 电芯温度预测方法、装置、存储介质及电子设备 |
| CN116520149A (zh) * | 2023-01-31 | 2023-08-01 | 江苏为恒智能科技有限公司 | 一种分布式储能电池的实时状态监测方法 |
-
2023
- 2023-08-10 CN CN202311003949.2A patent/CN116736141A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103135065A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 基于特征点的磷酸铁锂电池电量检测方法 |
| CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
| CN107533105A (zh) * | 2015-02-28 | 2018-01-02 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| CN106443459A (zh) * | 2016-09-06 | 2017-02-22 | 中国第汽车股份有限公司 | 一种车用锂离子动力电池荷电状态估算方法 |
| CN107688155A (zh) * | 2017-10-19 | 2018-02-13 | 中国矿业大学 | 一种用于电池管理系统中的电池剩余容量估算方法 |
| CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
| CN110161423A (zh) * | 2019-06-26 | 2019-08-23 | 重庆大学 | 一种基于多维度耦合模型的动力锂电池状态联合估计方法 |
| CN110470993A (zh) * | 2019-09-23 | 2019-11-19 | 骆驼集团武汉光谷研发中心有限公司 | 一种启停电池soc算法 |
| US20230219458A1 (en) * | 2020-06-18 | 2023-07-13 | Volvo Truck Corporation | A method for predicting state-of-power of a multi-battery electric energy storage system |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
| CN112737053A (zh) * | 2021-01-11 | 2021-04-30 | 锦浪科技股份有限公司 | 一种用于储能系统的电池在线检测技术及装置 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
| CN114355211A (zh) * | 2021-12-09 | 2022-04-15 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种锂离子动力电池剩余电量估计方法 |
| CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
| CN116520149A (zh) * | 2023-01-31 | 2023-08-01 | 江苏为恒智能科技有限公司 | 一种分布式储能电池的实时状态监测方法 |
| CN116500444A (zh) * | 2023-04-06 | 2023-07-28 | 重庆大学 | 一种面向运行安全的电动飞行汽车电池多状态联合估计方法 |
| CN116381539A (zh) * | 2023-04-21 | 2023-07-04 | 电子科技大学 | 一种考虑用户不完整充电过程下的电池健康状态评估方法 |
| CN116500449A (zh) * | 2023-04-28 | 2023-07-28 | 上海玫克生储能科技有限公司 | 电芯温度预测方法、装置、存储介质及电子设备 |
| CN116430245A (zh) * | 2023-06-14 | 2023-07-14 | 威海谱跃光电科技有限公司 | 基于梯度优化多物理信息神经网络的电池热失控预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| GYOU HO CHO等: "An LSTM-PINN Hybrid Method to Estimate Lithium-Ion Battery Pack Temperature", 《IEEE ACCESS》, pages 100595 - 100600 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3770620B1 (en) | Deterioration estimation device and deterioration estimation method | |
| El Mejdoubi et al. | Lithium-ion batteries health prognosis considering aging conditions | |
| EP3770619B1 (en) | Degradation estimating device and degradation estimating method | |
| Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
| CN107957562A (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
| Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
| Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| Liang et al. | Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation | |
| CN113255205B (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
| Dini et al. | Review on Modeling and SOC/SOH Estimation of Batteries for Automotive Applications | |
| CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 | |
| CN115621573A (zh) | 一种储能电站锂电池健康状态预测系统及方法 | |
| CN116736141A (zh) | 一种锂电池储能安全管理系统及方法 | |
| CN115684943A (zh) | 一种基于多层架构的电池状态预测模型及方法 | |
| EP4137829A1 (en) | Device and method for diagnosing battery | |
| Nyamathulla et al. | A review of battery energy storage systems and advanced battery management system for different applications: Challenges and recommendations | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| Wang et al. | Thermal fault diagnosis method of Lithium battery based on LSTM and battery physical model | |
| Xia et al. | Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis | |
| Zheng et al. | Remaining useful life indirect prediction of lithium-ion batteries using CNN-BiGRU fusion model and TPE optimization. | |
| US20240168093A1 (en) | Device and Method for Predicting Low Voltage Failure of Secondary Battery, and Battery Control System Comprising Same Device | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| Song et al. | Accurate RUL Prediction Based on Sliding Window with Sparse Sampling |
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 |