CN116860296B - 一种固态电池包远程升级的应用方法及系统 - Google Patents
一种固态电池包远程升级的应用方法及系统 Download PDFInfo
- Publication number
- CN116860296B CN116860296B CN202310863437.7A CN202310863437A CN116860296B CN 116860296 B CN116860296 B CN 116860296B CN 202310863437 A CN202310863437 A CN 202310863437A CN 116860296 B CN116860296 B CN 116860296B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- state
- real
- time
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007599 discharging Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种固态电池包远程升级的应用方法及系统,涉及数据处理技术领域,通过分析固态电池包的实时运行模式得到充放电平台区间,基于大数据采集历史电池包运行升级记录训练电池包状态预测网络模型;将充放电平台区间、实时工作环境输入电池包状态预测网络模型分析得到实时状态指数,若实时状态指数符合预定保护阈值则对固态电池包进行升级。解决了现有技术中存在判断对固态电池包是否升级依赖于人工经验,导致固态电池包的升级处理灵活度不足,且升级处理对于固态电池包的使用寿命优化作用较弱的技术问题。达到了基于数据分析判断是否进行固态电池包升级,提高固态电池包升级灵活性和升级对于固态电池包使用寿命的优化作用的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种固态电池包远程升级的应用方法及系统。
背景技术
固态电池包的升级处理是提高电池性能和寿命的重要手段,但现有固态电池包的升级处理方法为周期性的采集固态电池包的多种运行参数,工作人员参考当前固态电池包的多种运行参数进行固态电池包的管理控制方案优化升级。
固定的优化升级周期导致固态电池包的故障缺陷优化及时性不足,存在固态电池包长期处于故障状态运行,降低使用寿命的缺陷,这种低灵活度的升级处理方法对于固态电池包的使用寿命优化作用较弱。
现有技术中存在判断对固态电池包是否升级依赖于人工经验,导致固态电池包的升级处理灵活度不足,且升级处理对于固态电池包的使用寿命优化作用较弱的技术问题。
发明内容
本申请提供了一种固态电池包远程升级的应用方法及系统,用于针对解决现有技术中存在判断对固态电池包是否升级依赖于人工经验,导致固态电池包的升级处理灵活度不足,且升级处理对于固态电池包的使用寿命优化作用较弱的技术问题。
鉴于上述问题,本申请提供了一种固态电池包远程升级的应用方法及系统。
本申请的第一个方面,提供了一种固态电池包远程升级的应用方法,所述方法包括:实时跟踪所述目标固态电池包得到实时运行模式;对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级。
本申请的第二个方面,提供了一种固态电池包远程升级的应用系统,所述系统包括:运行模式跟踪模块,用于实时跟踪目标固态电池包得到实时运行模式;特征分析执行模块,用于对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;工作环境获得模块,用于获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;升级记录采集模块,用于基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;状态指数分析模块,用于将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;远程升级执行模块,用于若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过实时跟踪所述目标固态电池包得到实时运行模式;对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级达到了基于数据分析判断是否进行固态电池包升级,提高固态电池包升级灵活性和升级对于固态电池包使用寿命的优化作用的技术效果。
附图说明
图1为本申请提供的一种固态电池包远程升级的应用方法流程示意图;
图2为本申请提供的一种固态电池包远程升级的应用方法中获取历史模式切换频次均值的流程示意图;
图3为本申请提供的一种固态电池包远程升级的应用方法中生成安全告警指令的流程示意图;
图4为本申请提供的一种固态电池包远程升级的应用系统的结构示意图。
附图标记说明:运行模式跟踪模块1,特征分析执行模块2,工作环境获得模块3,升级记录采集模块4,状态指数分析模块5,远程升级执行模块6。
具体实施方式
本申请提供了一种固态电池包远程升级的应用方法及系统,用于针对解决现有技术中存在判断对固态电池包是否升级依赖于人工经验,导致固态电池包的升级处理灵活度不足,且升级处理对于固态电池包的使用寿命优化作用较弱的技术问题。达到了基于数据分析判断是否进行固态电池包升级,提高固态电池包升级灵活性和升级对于固态电池包使用寿命的优化作用的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种固态电池包远程升级的应用方法,所述应用方法应用于一种固态电池包远程升级的应用系统,所述应用系统与目标固态电池包通信连接,所述应用方法包括:
S100:实时跟踪所述目标固态电池包得到实时运行模式;
具体而言,在本实施例中,所述目标固态电池包为采用固态电解质代替传统液态电解质的数个或数十个单体电池,形成的一个整体电池组件。所述目标固态电池包外部包裹承载壳体进行使用过程的安全防护,所述目标固态电池包作为动力系统安装电动工具、小家电等具有移动便携需求的用电设备中。
电池包运行模式是指电池包在使用时所处的状态和工作模式,包括但不限于充电模式、放电模式、待机模式。所述目标固态电池包通过特定的连接方式与电池管理系统(BMS)进行连接,基于BMS控制所述目标固态电池包的运行模式,在本实施例中,进行固态电池包升级实质是对BMS的参数、程序等进行重新烧录升级,以改变电池包运行模式。
本实施例在电池管理系统中搭载智能通讯模块,基于智能通讯模块实时跟踪所述目标固态电池包的电池管理系统当前控制下的电池运行模式,作为所述实时运行模式。
S200:对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;
具体而言,应理解的,在充电过程中,目标固态电池包的电量会逐渐上升,在达到充电平台区间时进入充电平台状态,电池的充电速度逐渐变慢或停止充电,以避免目标固态电池的过度充电,所述充电平台区间为停止充电的电量取值区间,例如目标固态电池总电量的90%~95%。
在放电过程中,目标固态电池包的电量会逐渐下降,在达到放电平台区间时进入放电平台状态,电池的放电速度逐渐变慢或停止放电,以避免目标固态电池的过度放电,所述放电平台区间为停止充电的电量取值区间,例如目标固态电池总电量的5%~10%。
在本实施例中,基于所述实时运行模式提取获得充电模式,基于所述充电模式获得所述目标固态电池停止充电的电池电量百分比特征,作为所述充电平台区间,相同的,基于所述实时运行模式提取获得放电模式,基于所述放电模式获得所述目标固态电池停止放电的电池电量百分比特征,作为所述放电平台区间。所述充电平台区间和放电平台区间构成所述模式特征参数集。
S300:获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;
具体而言,在本实施例中,在所述目标固态电池包的外部包裹承载壳体安装环境数据采集装置进行所述目标固态电池包所处工作环境数据从实时采集,获得包括实时工作温度、实时工作湿度的所述实时工作环境。
S400:基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;
在一个实施例中,所述根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型,本申请提供的方法步骤S400还包括:
S410:随机提取所述历史电池包运行升级记录中第一电池包的第一升级记录,所述第一升级记录包括所述第一电池包的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数;
S420:基于所述第一升级记录组建训练数据组,并对所述训练数据组进行划分,得到数据组划分结果;
S430:根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型。
在一个实施例中,所述根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型,本申请提供的方法步骤S430还包括:
S431:提取所述数据组划分结果中的第一数据组,并根据所述第一数据组训练得到电池包状态支持向量机;
S432:提取所述数据组划分结果中的第二数据组,并根据所述第二数据组训练得到电池包状态神经网络;
S433:提取所述数据组划分结果中的第三数据组,并根据所述第三数据组训练得到电池包状态梯度决策树;
S434:基于集成学习方法原理对所述电池包状态支持向量机、所述电池包状态神经网络和所述电池包状态梯度决策树进行搭建,得到多个集成预测网络模型;
S435:对比所述多个集成预测网络模型并确定所述电池包状态预测网络模型。
具体而言,在本实施例中,所述历史电池包为与所述目标固态电池包型号信息具有一致性的若干个固态电池包。基于大数据采集M个所述历史电池包的M组运行升级记录,每组所述运行升级记录都由对应历史电池包的多组历史运行信息、实时运行模式、实时工作环境以及电池状态指数构成。
所述历史运行信息表征历史电池包在历史一定时间内的使用过程中,运行模式切换周期均值和运行模式切换频次均值,本实施例在后续说明书中详细阐述计算所述历史运行信息的方法。
所述电池状态指数为综合所述历史运行信息、实时运行模式、实时工作环境数据综合获得的,量化历史电池包的电池健康状态的具体数值。示例性的,可以在获得历史电池包的实时运行模式后,进一步采用步骤S200相同方法获得该历史电池包的充电平台区间、放电平台区间,将充电平台区间、放电平台区间、历史运行信息和实时工作环境数据采用信函或公开渠道发送给多位电池领域专家,基于多位电池领域专家进行该历史电池包的电池状态指数评分赋值,获得多个专家赋值结果,进一步均值计算或根据多个专家的权威程度进行权重赋值,计算获得排除主观因素的该历史电池包的电池状态指数。
随机提取所述历史电池包运行升级记录中第一电池包的第一升级记录,所述第一升级记录包括所述第一电池包在多个时间周期内的多组运行升级数据,每组运行升级数据由第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数所构成。
基于所述第一升级记录组建训练数据组,将所述训练数据组按照3:3:4划分为三组训练数据组。根据支持向量机模型构建需要进行第一训练数据组的数据划分,获得第一数据组;根据BP(反向传播)神经网络模型构建需要进行第二训练数据组的数据划分,获得第二数据组;根据决策树数据处理模型构建需要进行第三训练数据组的数据划分,获得第三数据组。第一数据组、第二数据组、第三数据组构成所述数据组划分结果。
提取所述数据组划分结果中的第一数据组,所述第一数据组中包括第一电池包在历史K个时间周期内的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数。基于第一数据组,采用现有支持向量机模型构建方法,进行所述电池包状态支持向量机的构建,在本实施例中,所述电池包状态支持向量机的输入信息为运行信息、运行模式信息以及工作环境信息,输出结果为电池状态指数预测结果。
提取所述数据组划分结果中的第二数据组,所述第二数据组中包括第一电池包在历史F个时间周期内的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数。所述第二数据组中的F组第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数被按照8:1:1的数据量划分要求标识划分为训练集、测试集和验证集。基于BP神经网络构建所述电池包状态神经网络,所述电池包状态神经网络的输入数据为历史运行信息、实时运行模式和实时工作环境,输出结果为电池状态指数。
基于训练集和测试集进行所述电池包状态神经网络的模型训练,基于验证集进行所述电池包状态神经网络的输出结果准确性验证,当所述电池包状态神经网络输出结果准确率高于97%时,停止电池包状态神经网络训练,输出训练完成的电池包状态神经网络。
具体而言,在本实施例中,提取所述数据组划分结果中的第三数据组,所述第三数据组中包括第一电池包在历史W个时间周期内的第一实时运行模式、第一实时工作环境以及第一电池状态指数,所述第三数据组中的数据划分结果为W个第一实时运行模式、W个第一实时工作环境以及W个第一电池状态指数。
根据第一实时运行模式获得第一充电平台区间和第一放电平台区间,根据第一实时工作环境获得第一实时工作温度和第一实时工作湿度。
进而W个第一充电平台区间和W个第一放电平台区间,W个第一实时工作温度和W个第一实时工作湿度构建4个多级决策节点,由于每个多级决策节点的构建方法具有一致性,因而本实施例举例构建第一实时工作温度对应的多级决策节点。
从所述W个第一实时工作温度中随机抽出不放回的选取一个第一实时工作温度作为所述多级决策节点的第一层决策节点,可对输入多级决策节点的实时工作温度进行二分类划分,将实时工作温度划分为大于或小于该决策节点的两类第一实时工作温度。
从W个第一实时工作温度中随机抽出不放回的选取两个第一实时工作温度作为所述多级决策节点第二层的决策节点,对在第一层级决策节点划分为大于或小于该决策节点的工作温度两类的实时工作温度进行二次二分类划分,将所述监督系数数据划分为大于或小于该决策节点的工作温度两类,以此类推从所述多个第一实时工作温度中随机抽出不放回的选取2(n-1)个第一实时工作温度作为所述多级决策节点第n层的决策节点,所述第一实时工作温度数据量越大,构建的多级决策节点最后一层的工作温度区间越细化,所述工作温度区间为最后一层归于同一前层决策节点的两个第一实时工作温度数据,将W个第一电池状态指数作为多级决策节点的决策结果进行各个区间端点标记,完成该多级决策节点的构建。采用构建第一实时工作温度对应的多级决策节点相同方法,构建4个多级决策节点,基于4个多级决策节点收尾连接,构建所述电池包状态梯度决策树。
将目标固态电池包的所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组输入所述电池包状态梯度决策树,基于4个多级决策树获得4个电池状态指数,对4个电池状态指数进行均值计算,获得基于所述电池包状态梯度决策树输出的目标固态电池的实时状态指数。
基于排列组合方式对所述电池包状态支持向量机、所述电池包状态神经网络和所述电池包状态梯度决策树进行模型选取,获得多个模型组合方法,并基于集成学习方法原理搭建得到多个集成预测网络模型。应理解的,本实施例中,集成预测网络模型的输出结果为其中包括的两个及以上数据分析模型输出结果的均值计算结果。
从第一电池包的第一升级记录中提取获得模型输出准确度验证数据,测试多个集成预测网络模型的输出准确率、输出稳定性、输出延时,从而对比所述多个集成预测网络模型并获得输出准确率、输出稳定性、输出速度都最高的一个集成预测网络模型,作为所述电池包状态预测网络模型。
本实施例通过构建多个单体模型并基于集成学习方法原理搭建得到多个集成预测网络模型,进一步根据模型输出准确率、稳定性、输出效率综合评估获得高效准确且运行稳定的电池包状态预测网络模型的技术效果,间接实现了提高获得的目标实时状态指数的可信度的技术效果。
S500:将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;
在一个实施例中,如图2所示,在所述通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数之前,本申请提供的方法步骤S500还包括:
S510:采集所述目标固态电池包的历史运行模式时序;
S520:获取预定周期,并基于所述预定周期提取所述历史运行模式时序中的第一周期模式序列;
S530:统计所述第一周期模式序列中的模式类别数,记作第一模式切换频次;
S540:基于所述第一模式切换频次计算得到历史模式切换频次均值;
S550:将所述历史模式切换频次均值添加至所述输入数据组。
在一个实施例中,在所述将所述历史模式切换频次均值添加至所述输入数据组之后,本申请提供的方法步骤S550还包括:
S551:提取所述历史运行模式时序中的第一历史运行模式,其中,所述第一历史运行模式对应第一时间;
S552:提取所述历史运行模式时序中的第二历史运行模式,其中,所述第二历史运行模式对应第二时间;
其中,所述第一历史运行模式与所述第二历史运行模式具备顺序关系;
S553:根据所述第一时间与所述第二时间,计算得到第一模式切换周期;
S554:基于所述第一模式切换周期计算得到历史模式切换周期均值;
S555:将所述历史模式切换周期均值添加至所述输入数据组。
具体而言,在本实施例中,所述目标固态电池包搭载于用电设备中作为动力系统,由于使用者对于用电设备的不同使用方式,导致所述目标固态电池在不同运行模式下切换工作。
例如使用者在一小时内,前20im对用电设备充电、20~30min控制用电设备运行,30~35min对用电设备充电,35~40min不关机闲置用电设备,40~60min控制用电设备运行,则该用电设备所搭载的目标固态电池包前20im处于充电模式、20~30min处于放电模式,30~35min处于充电模式,35~40min处于待机模式,40~60min处于放电模式。
本实施例中,所述目标固态电池包在各种运行模式下的持续时间基于在电池管理系统中搭载的智能通讯模块持续记录,因而本实施例通过交互所述智能通讯模块采集所述目标固态电池包的历史运行模式时序,所述历史运行模式时序为在历史使用过程中,目标固态电池的各种运行模式出现先后次序以及目标固态电池在各种运行模式下的持续工作时间。
获取预定周期,例如以过去24h为所述预定周期,基于所述预定周期在所述历史运行模式时序中截取获得所述第一周期模式序列。
统计所述第一周期模式序列中的模式类别数,所述模式类别数指在所述第一周期模式序列中出现的运行模式种类及每种运行模式的出现频次,将每种运行模式出现频次进行加和处理,获得所述第一模式切换频次,所述第一模式切换频次为在预定周期内,所述目标固态电池模式切换频次计数结果。
基于所述第一模式切换频次和所述预定周期计算得到历史模式切换频次均值,所述历史模式切换频次均值表征在预定周期内,所述目标固态电池包的运行模式平均更换频次,将所述历史模式切换频次均值添加至所述输入数据组。
提取所述历史运行模式时序中的第一历史运行模式,其中,所述第一历史运行模式对应第一时间,以所述第一时间为参考,提取获得第一时间后,目标固态电池包第一次切换运行模式的所述第二时间,以及第二时间时,所述目标固态电池包所切换的第二历史运行模式,基于第一时间和第二时间的顺序关系,所述第一历史运行模式与所述第二历史运行模式也具备顺序关系。
根据所述第一时间与所述第二时间,计算得到第一模式切换周期,采用获得第一模式切换周期相同计算方法,根据所述历史运行模式时序中所有具备顺序关系的若干对历史运行模式-历史时间,计算获得第二模式切换周期至第N模式切换周期。
基于所述第一模式切换周期至第N模式切换周期除以(N-1),计算得到历史模式切换周期均值,所述历史模式切换周期均值实质表征目标固态电池维持一种运行模式的平均时间,将所述历史模式切换周期均值添加至所述输入数据组。
应注意的,在本实施例中,获得步骤S400中历史电池包的运行模式切换周期均值和运行模式切换频次均值方法与获得所述目标固态电池包的历史模式切换周期均值和所述历史模式切换频次均值方法具有一致性,本实施例中历史电池包的运行模式切换周期均值和运行模式切换频次均值构成所述历史运行信息。
将所述充电平台区间、所述放电平台区间、所述实时工作温度、所述实时工作湿度、历史模式切换周期均值和所述历史模式切换频次均值作为输入数据组,输入所述电池包状态预测网络模型,基于所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数,所述目标实时状态指数表征所述目标固态电池组当前的电池健康状态指数。
本实施例通过对目标固态电池包进行历史模式切换周期均值和所述历史模式切换频次均值数据的采集计算,结合目标固态电池包的历史使用情况数据对目标固态电池包的健康状态进行预测分析,达到了提高预测结果的贴近事实性和准确度的技术效果,间接实现了为后续判断是否进行目标固态电池包的适应性远程优化升级提供重要且高可信度的参考信息的技术效果。
S600:若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级。
在一个实施例中,如图3所示,本申请提的方法步骤还包括:
S611:若所述目标实时状态指数不符合所述预定保护阈值,发出告警判断指令;
S612:基于所述告警判断指令判断所述目标实时状态指数是否符合预定告警阈值;
S613:若是符合,发出安全告警指令,其中,所述安全告警指令用于对所述目标固态电池包进行安全告警。
在一个实施例中,本申请提的方法步骤还包括:
S621:跟踪所述目标固态电池包得到第一实时运行模式;
S622:若所述第一实时运行模式不同于所述实时运行模式,发出第二远程升级指令;
S623:根据所述第二远程升级指令对所述目标固态电池包进行升级。
在一个实施例中,本申请提的方法步骤还包括:
S631:跟踪所述目标固态电池包得到第一实时工作环境;
S632:若所述第一实时工作环境不同于所述实时工作环境,发出第三远程升级指令;
S633:根据所述第三远程升级指令对所述目标固态电池包进行升级。
具体而言,在本实施例中,根据所述目标固态电池使用需要设定所述预定保护阈值,所述预定保护阈值为一个电池状态指数取值区间,本实施例对于所述预定保护阈值的取值范围不做硬性限制,可根据实际的目标固态电池型号、结构等信息人工设置。
判断所述目标实时状态指数是否高于预定保护阈值,若所述目标实时状态指数高于预定保护阈值,则表明所述目标固态电池包处于故障状态,基于电池管理系统(BMS)生成并发出所述第一远程升级指令至远程电池管理端。
所述第一远程升级指令所包含的信息包括充电平台区间、放电平台区间、实时工作温度、实时工作湿度、历史模式切换周期均值、历史模式切换频次均值和目标实时状态指数。
远程电池管理端在获得所述第一远程升级指令后,电池优化工作人员基于人工经验分析所述充电平台区间、放电平台区间、实时工作温度、实时工作湿度、历史模式切换周期均值、历史模式切换频次均值和目标实时状态指数,获得所述目标固态电池的远程升级方案,所述远程升级方案包括但不限于调整充电和放电策略以改进实时运行模式,完成根据所述第一远程升级指令对所述目标固态电池包进行升级。
根据所述目标固态电池使用需要以及所述预定保护阈值设定所述预定告警阈值,所述预定告警阈值为低于所述预定保护阈值的一个数据区间。本实施例对于所述预定保护阈值的取值范围不做硬性限制,可根据实际的目标固态电池型号、结构等信息人工设置,示例性的,所述预定保护阈值的数值为100,所述预定告警阈值为(75,100)。
判断所述目标实时状态指数是否落入预定保护阈值,若所述目标实时状态指数落入预定保护阈值,即所述目标实时状态指数不符合所述预定保护阈值,则表明所述目标固态电池包当前暂时处于健康状态,但可能处于濒临突破预定保护阈值,成为处于故障状态的风险状态。
因而本实施例基于电池管理系统(BMS)生成并发出告警判断指令,所述告警判断指令用于激活所述预定告警阈值,基于所述告警判断指令激活所述预定告警阈值,并判断所述目标实时状态指数是否符合预定告警阈值。若是符合,则基于电池管理系统(BMS)生成并发出安全告警指令至远程电池管理端,所述安全告警指令用于对所述目标固态电池包进行安全告警,远程电池管理端在获得所述安全告警指令后,电池优化工作人员基于人工经验分析判断当前的所述充电平台区间、放电平台区间、实时工作温度、实时工作湿度、历史模式切换周期均值、历史模式切换频次均值和目标实时状态指数,是否需要进行目标固态电池的远程升级优化。
在本实施例中,在对目标固态电池进行升级前,对目标固态电池的运行模式进行持续性监测,采用步骤S100相同方法,跟踪所述目标固态电池包得到第一实时运行模式,对第一实时运行模式进行步骤S200相同分析方法,获得第一模式特征参数集,并且与步骤S200的模式特征参数集进行映射比较。
若所述第一实时运行模式与所述实时运行模式中任一平台区间不同,则发出第二远程升级指令,根据所述第二远程升级指令对所述目标固态电池包进行运行模式的升级,以使所述目标固态电池的运行模式符合所述实时运行模式,本实施例通过对于目标固态电池的运行模式进行动态监测,从而实现在目标固态电池不因为目标实时状态指数高于预定保护阈值而进行升级的场景下,维持目标固态电池的运行模式不加速电池老化的技术效果。
在本实施例中,在对目标固态电池进行升级前,对目标固态电池的工作环境进行持续性监测,采用步骤S300相同方法跟踪所述目标固态电池包得到第一实时工作环境。
若所述第一实时工作环境不同于所述实时工作环境,发出第三远程升级指令,根据所述第三远程升级指令对所述目标固态电池包进行升级,以调整目标固态电池所处环境的温湿度情况,从而实现在目标固态电池不因为目标实时状态指数高于预定保护阈值而进行升级的场景下,维持目标固态电池的所处环境温湿度不加速电池老化的技术效果,本实施例达到了基于数据分析判断是否进行固态电池包升级,提高固态电池包升级灵活性和升级对于固态电池包使用寿命的优化作用的技术效果。
实施例二
基于与前述实施例中一种固态电池包远程升级的应用方法相同的发明构思,如图4所示,本申请提供了一种固态电池包远程升级的应用系统,其中,所述系统包括:
运行模式跟踪模块1,用于实时跟踪目标固态电池包得到实时运行模式;
特征分析执行模块2,用于对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;
工作环境获得模块3,用于获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;
升级记录采集模块4,用于基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;
状态指数分析模块5,用于将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;
远程升级执行模块6,用于若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级。
在一个实施例中,所述系统还包括:
时序模式采集单元,用于采集所述目标固态电池包的历史运行模式时序;
模式序列提取单元,用于获取预定周期,并基于所述预定周期提取所述历史运行模式时序中的第一周期模式序列;
切换频次统计单元,用于统计所述第一周期模式序列中的模式类别数,记作第一模式切换频次;
切换频次计算单元,用于基于所述第一模式切换频次计算得到历史模式切换频次均值;
均值数据存储单元,用于将所述历史模式切换频次均值添加至所述输入数据组。
在一个实施例中,所述系统还包括:
运行模式提取单元,用于提取所述历史运行模式时序中的第一历史运行模式,其中,所述第一历史运行模式对应第一时间;
运行模式获取单元,用于提取所述历史运行模式时序中的第二历史运行模式,其中,所述第二历史运行模式对应第二时间;
其中,所述第一历史运行模式与所述第二历史运行模式具备顺序关系;
切换周期计算单元,用于根据所述第一时间与所述第二时间,计算得到第一模式切换周期;
周期均值计算单元,用于基于所述第一模式切换周期计算得到历史模式切换周期均值;
均值数据添加单元,用于将所述历史模式切换周期均值添加至所述输入数据组。
在一个实施例中,所述系统还包括:
升级记录提取单元,用于随机提取所述历史电池包运行升级记录中第一电池包的第一升级记录;
其中,所述第一升级记录包括所述第一电池包的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数;
训练数据划分单元,用于基于所述第一升级记录组建训练数据组,并对所述训练数据组进行划分,得到数据组划分结果;
预测模型训练单元,用于根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型。
在一个实施例中,所述系统还包括:
支持向量机训练单元,用于提取所述数据组划分结果中的第一数据组,并根据所述第一数据组训练得到电池包状态支持向量机;
神经网络训练单元,用于提取所述数据组划分结果中的第二数据组,并根据所述第二数据组训练得到电池包状态神经网络;
决策树训练单元,用于提取所述数据组划分结果中的第三数据组,并根据所述第三数据组训练得到电池包状态梯度决策树;
决策树搭建单元,用于基于集成学习方法原理对所述电池包状态支持向量机、所述电池包状态神经网络和所述电池包状态梯度决策树进行搭建,得到多个集成预测网络模型;
预测模型确定单元,用于对比所述多个集成预测网络模型并确定所述电池包状态预测网络模型。
在一个实施例中,所述系统还包括:
告警指令发出单元,用于若所述目标实时状态指数不符合所述预定保护阈值,发出告警判断指令;
告警阈值判断单元,用于基于所述告警判断指令判断所述目标实时状态指数是否符合预定告警阈值;
安全告警执行单元,用于若是符合,发出安全告警指令,其中,所述安全告警指令用于对所述目标固态电池包进行安全告警。
在一个实施例中,所述系统还包括:
运行模式跟踪单元,用于跟踪所述目标固态电池包得到第一实时运行模式;
升级指令下发单元,用于若所述第一实时运行模式不同于所述实时运行模式,发出第二远程升级指令;
电池升级执行单元,用于根据所述第二远程升级指令对所述目标固态电池包进行升级。
在一个实施例中,所述系统还包括:
工作环境获得单元,用于跟踪所述目标固态电池包得到第一实时工作环境;
升级执行发出单元,用于若所述第一实时工作环境不同于所述实时工作环境,发出第三远程升级指令;
电池升级处理单元,用于根据所述第三远程升级指令对所述目标固态电池包进行升级。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (7)
1.一种固态电池包远程升级的应用方法,其特征在于,所述应用方法应用于一种固态电池包远程升级的应用系统,所述应用系统与目标固态电池包通信连接,所述应用方法包括:
实时跟踪所述目标固态电池包得到实时运行模式;
对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;
获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;
基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;
将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;
若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级;
其中,所述根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型,包括:
随机提取所述历史电池包运行升级记录中第一电池包的第一升级记录;
其中,所述第一升级记录包括所述第一电池包的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数;
基于所述第一升级记录组建训练数据组,并对所述训练数据组进行划分,得到数据组划分结果;
根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型;
所述根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型,包括:
提取所述数据组划分结果中的第一数据组,并根据所述第一数据组训练得到电池包状态支持向量机;
提取所述数据组划分结果中的第二数据组,并根据所述第二数据组训练得到电池包状态神经网络;
提取所述数据组划分结果中的第三数据组,并根据所述第三数据组训练得到电池包状态梯度决策树;
基于集成学习方法原理对所述电池包状态支持向量机、所述电池包状态神经网络和所述电池包状态梯度决策树进行搭建,得到多个集成预测网络模型;
对比所述多个集成预测网络模型并确定所述电池包状态预测网络模型。
2.根据权利要求1所述应用方法,其特征在于,在所述通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数之前,还包括:
采集所述目标固态电池包的历史运行模式时序;
获取预定周期,并基于所述预定周期提取所述历史运行模式时序中的第一周期模式序列;
统计所述第一周期模式序列中的模式类别数,记作第一模式切换频次;
基于所述第一模式切换频次计算得到历史模式切换频次均值;
将所述历史模式切换频次均值添加至所述输入数据组。
3.根据权利要求2所述应用方法,其特征在于,在所述将所述历史模式切换频次均值添加至所述输入数据组之后,还包括:
提取所述历史运行模式时序中的第一历史运行模式,其中,所述第一历史运行模式对应第一时间;
提取所述历史运行模式时序中的第二历史运行模式,其中,所述第二历史运行模式对应第二时间;
其中,所述第一历史运行模式与所述第二历史运行模式具备顺序关系;
根据所述第一时间与所述第二时间,计算得到第一模式切换周期;
基于所述第一模式切换周期计算得到历史模式切换周期均值;
将所述历史模式切换周期均值添加至所述输入数据组。
4.根据权利要求1所述应用方法,其特征在于,还包括:
若所述目标实时状态指数不符合所述预定保护阈值,发出告警判断指令;
基于所述告警判断指令判断所述目标实时状态指数是否符合预定告警阈值;
若是符合,发出安全告警指令,其中,所述安全告警指令用于对所述目标固态电池包进行安全告警。
5.根据权利要求4所述应用方法,其特征在于,还包括:
跟踪所述目标固态电池包得到第一实时运行模式;
若所述第一实时运行模式不同于所述实时运行模式,发出第二远程升级指令;
根据所述第二远程升级指令对所述目标固态电池包进行升级。
6.根据权利要求5所述应用方法,其特征在于,还包括:
跟踪所述目标固态电池包得到第一实时工作环境;
若所述第一实时工作环境不同于所述实时工作环境,发出第三远程升级指令;
根据所述第三远程升级指令对所述目标固态电池包进行升级。
7.一种固态电池包远程升级的应用系统,其特征在于,所述系统包括:
运行模式跟踪模块,用于实时跟踪目标固态电池包得到实时运行模式;
特征分析执行模块,用于对所述实时运行模式进行多特征分析,得到模式特征参数集,其中,所述模式特征参数集包括充电平台区间、放电平台区间;
工作环境获得模块,用于获得所述目标固态电池包的实时工作环境,其中,所述实时工作环境包括实时工作温度、实时工作湿度;
升级记录采集模块,用于基于大数据采集历史电池包运行升级记录,并根据所述历史电池包运行升级记录中的数据训练电池包状态预测网络模型;
状态指数分析模块,用于将所述充电平台区间、所述放电平台区间、所述实时工作温度和所述实时工作湿度作为输入数据组,并通过所述电池包状态预测网络模型分析所述输入数据组得到目标实时状态指数;
远程升级执行模块,用于若所述目标实时状态指数符合预定保护阈值,发出第一远程升级指令,并根据所述第一远程升级指令对所述目标固态电池包进行升级;
升级记录提取单元,用于随机提取所述历史电池包运行升级记录中第一电池包的第一升级记录;
其中,所述第一升级记录包括所述第一电池包的第一历史运行信息、第一实时运行模式、第一实时工作环境以及第一电池状态指数;
训练数据划分单元,用于基于所述第一升级记录组建训练数据组,并对所述训练数据组进行划分,得到数据组划分结果;
预测模型训练单元,用于根据所述数据组划分结果训练、校验、测试得到所述电池包状态预测网络模型;
支持向量机训练单元,用于提取所述数据组划分结果中的第一数据组,并根据所述第一数据组训练得到电池包状态支持向量机;
神经网络训练单元,用于提取所述数据组划分结果中的第二数据组,并根据所述第二数据组训练得到电池包状态神经网络;
决策树训练单元,用于提取所述数据组划分结果中的第三数据组,并根据所述第三数据组训练得到电池包状态梯度决策树;
决策树搭建单元,用于基于集成学习方法原理对所述电池包状态支持向量机、所述电池包状态神经网络和所述电池包状态梯度决策树进行搭建,得到多个集成预测网络模型;
预测模型确定单元,用于对比所述多个集成预测网络模型并确定所述电池包状态预测网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863437.7A CN116860296B (zh) | 2023-07-13 | 2023-07-13 | 一种固态电池包远程升级的应用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863437.7A CN116860296B (zh) | 2023-07-13 | 2023-07-13 | 一种固态电池包远程升级的应用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116860296A CN116860296A (zh) | 2023-10-10 |
CN116860296B true CN116860296B (zh) | 2024-04-09 |
Family
ID=88235583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863437.7A Active CN116860296B (zh) | 2023-07-13 | 2023-07-13 | 一种固态电池包远程升级的应用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860296B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理系统、租赁及运维方法 |
CN114325406A (zh) * | 2021-12-30 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 一种基于机器学习思维预测电池热失控的方法及系统 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
CN116111885A (zh) * | 2023-03-10 | 2023-05-12 | 苏州上舜精密工业科技有限公司 | 一种无刷直流电机的转速控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116569133A (zh) * | 2021-08-31 | 2023-08-08 | 宁德时代新能源科技股份有限公司 | 换电站的服务器、电池的充电方法、系统、设备及介质 |
-
2023
- 2023-07-13 CN CN202310863437.7A patent/CN116860296B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理系统、租赁及运维方法 |
CN114325406A (zh) * | 2021-12-30 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 一种基于机器学习思维预测电池热失控的方法及系统 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
CN116111885A (zh) * | 2023-03-10 | 2023-05-12 | 苏州上舜精密工业科技有限公司 | 一种无刷直流电机的转速控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
混合动力汽车用电池热管理系统的设计与研究;焦敏;赵治国;陈祥;;应用能源技术(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116860296A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
US9846886B2 (en) | Strategic modeling for economic optimization of grid-tied energy assets | |
JP5842054B2 (ja) | 蓄電池分析システム、蓄電池分析方法、および蓄電池分析プログラム | |
US10203375B2 (en) | Method for ascertaining storage battery state, state-ascertaining system, and computer program | |
CN104316879A (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
CN117318255B (zh) | 一种基于大数据可视化的电池状态分析系统及方法 | |
CN104680024A (zh) | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 | |
CN116381541B (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN116360377B (zh) | 电芯化成分容的数据处理方法及分布式控制系统 | |
CN116722571B (zh) | 一种基于数字孪生的储能管理方法、系统及介质 | |
CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
CN111460656B (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
CN115616425A (zh) | 电池性能分析方法、电子设备及储能系统 | |
CN116860296B (zh) | 一种固态电池包远程升级的应用方法及系统 | |
CN114312479A (zh) | 机器特定地改善电池驱动机器中电池使用寿命的方法和装置 | |
CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
CN117394412A (zh) | 一种电网储能系统的调度控制系统及方法 | |
CN113835036A (zh) | 电池健康状态评估方法、装置、计算机设备和存储介质 | |
CN115483763B (zh) | 一种铅酸电池储能电站监控管理系统及方法 | |
CN114169253B (zh) | 基于Flink和LSTM的数据流动态预测方法及系统 | |
KR102497271B1 (ko) | 열화비용을 고려한 ess와 수전해설비 이용 비율 최적화 장치 및 방법 | |
CN117595462B (zh) | 一种二次储能电池组的自适应充放电控制系统及其控制方法 | |
CN116154926B (zh) | 一种基于锂电池储能特征的电源控制方法及系统 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 |
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 |