CN116908694B - 一种家用储能系统的soh估算方法 - Google Patents
一种家用储能系统的soh估算方法 Download PDFInfo
- Publication number
- CN116908694B CN116908694B CN202310863713.XA CN202310863713A CN116908694B CN 116908694 B CN116908694 B CN 116908694B CN 202310863713 A CN202310863713 A CN 202310863713A CN 116908694 B CN116908694 B CN 116908694B
- Authority
- CN
- China
- Prior art keywords
- battery
- discharge
- charge
- typical data
- state
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007599 discharging Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 45
- 238000012216 screening Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种家用储能系统的SOH估算方法，涉及家用储能技术领域，该方法在获取家用储能系统中的BMS采集到的各个电池在各个采样时刻的原始实时运行数据后，筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统用于建立各个电池的电芯模型，然后基于各个电池的电芯模型估算得到家用储能系统中各个电池的SOH估算值。该SOH估算方法针对家用储能系统采用分布式储能结构以及充放电场景多变的特点，可以滤除数据价值低的冗余数据，主要利用数据价值高的数据来进行建模，可以在保证预测水平的基础上降低运算量和实现难度，满足家用储能系统的实际工况应用需要。
Description
技术领域
本申请涉及家用储能技术领域，尤其是一种家用储能系统的SOH估算方法。
背景技术
随着可再生能源和分布式储能的迅速发展，电动汽车和储能电站应用前景广阔，电化学储能是解决新能源问题的重要技术，在动力电池和储能电池技术中占据主导地位，广泛应用于民用及军工领域。电池在其充放电循环过程中，其内部会发生不可逆的物理化学过程，形成固体电解质中间相(Solid-Electrolyte Interphase，SEI)。活性锂的丢失和恶劣的外部工作条件(例如高温或低温环境)严重影响了电池内部电化学反应，导致电池内阻升高和容量持续下降，这一现象称为电池退化。电池退化会带来电池性能下降、电池使用寿命缩短等一系列安全与可靠性问题，甚至导致用电设备性能下降或系统故障，引发火灾爆炸事故，所以对电池的退化检测非常重要。
利用BMS(Battery Management System，电池管理系统)来估算电池的SOH(StateOf Health，电池健康度)是对电池进行退化检测的重要手段。SOH的本质是电池的实时容量与额定容量的比值，电池的实时容量由于电池内部活性锂的损失具有时变性和非线性，使得依赖于电池的动态运行条件很难准确确定电池的化学过程，因此无法通过直接测量电池容量或内阻判断电池的SOH。
由于SOH无法通过传感器直接测量，因此目前国内外研究人员做了大量研究来进行SOH的预测，目前对于SOH的估算主要采用基于物理/数学模型的方法，这种方法通过构建一个准确的估算模型可以达到较高的估算准确性，但是要构建一个准确的估算模型需要准确辨识得到估算模型中所有重要参数，参数辨识过程依赖于算法的收敛性与收敛速度，同时受到环境温度、电池类型等外界条件影响，因此往往需要大量数据来学习建立估算模型以实现准确预测，导致运算量大、建模耗时较长。另外，在家用储能(简称户储)场景下，家用储能场景的电池具有分布性特点，且往往由逆变器来控制电池的充放电策略，在实际充放电过程中，并不会出现完整的满充满放，也就是电池可能在此时处于放电场景，在下一时刻就会变成充电场景，且电流值也随着逆变器的控制而发生变化，这种场景下就无法通过理论的满充满放去记载一次充放电场景中的各个阶段电压值的变化，所以往往采用定频方式来采集数据，数据量非常庞大，对于大规模学习的成本非常高昂，导致实际难以针对家用储能场景来建立有效适用的SOH估算模型。
发明内容
本申请人针对上述问题及技术需求，提出了一种家用储能系统的SOH估算方法，本申请的技术方案如下：
一种家用储能系统的SOH估算方法，该SOH估算方法包括：
获取家用储能系统中的BMS采集到的各个电池在各个采样时刻的原始实时运行数据；
筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统；
获取云端系统基于每个电池的典型数据建立得到的电池的电芯模型，基于各个电池的电芯模型估算得到家用储能系统中各个电池的SOH估算值。
本申请的有益技术效果是：
本申请公开了一种家用储能系统的SOH估算方法，该SOH估算方法针对家用储能系统采用分布式储能结构以及充放电场景多变的特点，从BMS采集到的数量庞大的原始实时运行数据中筛选出电池状态发生变化的时段内的典型数据上传到云端系统用于建立各个电池的电芯模型，可以滤除数据价值低的冗余数据，主要利用数据价值高的数据来进行建模，可以在保证预测水平的基础上降低运算量和实现难度，满足家用储能系统的实际工况应用需要。
针对典型数据离散且家用储能系统场景无法通过理论的满充满放来记载一次充放电场景中的各个阶段电压值的变化的特点，本申请根据满充满放的电压将典型数据转变为充放电循环的关系，继而构建得到电池的单位充放电量的电压差随着电压和充电循环次数的变化曲线，实现SOH的估算，不仅易于实现还具备较强的机理性描述。
本申请针对家用储能系统不同电池的典型数据构建各个电池的电芯模型，对于各个电池的个性化预测非常重要，且会定期更新电芯模型以不断优化，在长时间运行场景中也有较高的可靠性和准确性。
附图说明
图1是本申请一个实施例的SOH估算方法的方法流程图。
图2是本申请一个实施例中建立电芯模型的方法流程图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种家用储能系统的SOH估算方法，请参考图1所示的方法流程图，该方法包括如下步骤：
步骤1，获取家用储能系统中的BMS采集到的各个电池在各个采样时刻的原始实时运行数据。家用储能系统采用分布式储能结构且包括多个电池，在家用储能系统的运行过程中，BMS会采集各个电池在各个采样时刻的原始实时运行数据。本申请首先获取BMS采集到的各个采样时刻的原始实时运行数据进行缓存，该数据采集频率较高，比如常见的可以达到每秒1次的频率。
BMS采集到的每个电池在每个采样时刻的原始实时运行数据的数据类型包括电池在当前采样时刻的充放电数据和运行状态数据，充放电数据用于指示电池在当前采样时刻的电压、电流、温度和充放电量，运行状态数据用于指示电池在当前采样时刻的充放电状态以及电池告警保护状态，充放电状态用于指示电池在当前采样时刻处于充电状态或放电状态，电池告警保护状态是电池出现异常时触发的信号。
步骤2，筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统。
由于采集获取原始实时运行数据的频率较高，因此缓存中的原始实时运行数据的数据量非常庞大，但是这些原始实时运行数据中，有大部分数据是重复且不变的，数据价值很低，而当电池的电池状态发生变化时，原始实时运行数据会在短时间内发生较大的变化和波动，在这个期间的数据价值非常高。因此本申请并不将缓存中所有原始实时运行数据都上报给云端，而是筛选出具有较高数据价值的典型数据上报给云端系统，从而滤除掉对后续建模帮助不大的冗余数据，减少数据处理量。
基于该考虑，每个电池的运行状态数据发生变化的时段，以及电池的电流的变化达到预定阈值的时段都是电池的电池状态发生变化的时段。则在一个实施例中，将检测到电池的充放电状态发生变化的采样时刻、检测到出现电池告警保护状态的采样时刻，以及检测到的电流与上一个采样时刻的电流之间的差值达到预定阈值的采样时刻所在的预定时长的时段作为电池的电池状态发生变化的时段，并将电池在电池状态发生变化的时段内的各个采样时刻的原始实时运行数据作为电池的典型数据。
步骤3，获取云端系统基于每个电池的典型数据建立得到的电池的电芯模型，并基于各个电池的电芯模型估算得到家用储能系统中各个电池的SOH估算值。
在本申请中，数据建模的部分在云端系统完成，云端系统基于每个电池的典型数据建立得到的电池的电芯模型包括：根据电池在充电状态下随着采样时刻的各组典型数据建立得到充电能量差走势曲线，充电能量差走势曲线用于反映电池在充电状态下的单位充电量的电压差随着电池的电压和充电循环次数的变化曲线。以及，根据电池在放电状态下随着采样时刻的各组典型数据建立得到放电能量差走势曲线，放电能量差走势曲线用于反映电池在放电状态下的单位放电量的电压差随着电池的电压和放电循环次数的变化曲线。
对于每个电池，由于在步骤2中，仅将每个电池在电池状态发生变化的时段内的典型数据上传到云端，因此云端得到的每个电池随着采样时刻的多组典型数据是不均匀的离散数据，每组典型数据的数据内容与原始实时运行数据相同，如上所述，至少包括电池在对应的采样时刻的电压、充放电量以及充放电状态。且由于家用储能系统在实际充放电过程中并不会出现完整的满充满放，因此并不能通过理论的满充满放去记载一次充放电场景中的各个阶段电压值的变化，因此在一个实施例中，建立电芯模型的方法包括如下步骤，请参考图2：
(1)如上所述，电池的每组典型数据都有对应的充放电状态，因此在获取到电池随着采样时刻的多组典型数据后，可以根据各组典型数据的充放电状态确定电池在充电状态下随着采样时刻的各组典型数据构成的序列，以及电池在放电状态下随着采样时刻的各组典型数据构成的序列。
(2)确定电池在充电状态下随着采样时刻的任意第i组典型数据的单位充电量的电压差电池在充电状态下的第i组典型数据的电压为/>电池在充电状态下的第i+1组典型数据的电压为/>电池在充电状态下从第i组典型数据至第i+1组典型数据之间的充电电量为/>i为整数参数。
类似的，确定电池在放电状态下随着采样时刻的任意第j组典型数据的单位放电量的电压差电池在放电状态下的第j组典型数据的电压为/>电池在放电状态下的第j+1组典型数据的电压为/>电池在放电状态下从第j组典型数据与第j+1组典型数据之间的放电电量为/>j为整数参数。
(3)虽然在家用储能系统的应用场景下无法通过理论的满充满放去记载一次充放电场景中的各个阶段电压值的变化，但是每个电池满充满放的电压都是可以预先确定的，也即电池的高压保护电压UHmax和欠压保护电压ULmin都是可以预先确定的，由此可以将典型数据的关系转换为充放电循环的关系并确定各组典型数据所属的充放电循环次数，包括：
确定电池在充电状态下随着采样时刻的各组典型数据中，对应的电压在上升达到电池的高压保护电压UHmax之前的各组典型数据属于同一个充电循环。
确定电池在放电状态下随着采样时刻的各组典型数据中，对应的电压在下降达到电池的欠压保护电压ULmin之前的各组典型数据属于同一个放电循环。
因此，可以确定电池在充电状态下的每组典型数据所属的充电循环次数，以及确定电池在放电状态下的每组典型数据所属的放电循环次数。
(4)在确定电池在充电状态下的每组典型数据所属的充电循环次数，即可计算属于任意充电循环次数a的各组典型数据的单位充电量的电压差的平均值得到充电循环次数a的单位充电量的平均电压差a为整数参数。
同样的，在确定电池在放电状态下的每组典型数据所属的放电循环次数后，即可计算属于任意放电循环次数b的各组典型数据的单位放电量的电压差的平均值得到放电循环次数b的单位放电量的平均电压差b为整数参数。
(5)根据电池在充电状态下随着采样时刻的各组典型数据的电压、所属的充电循环次数以及所属的充电循环次数的单位充电量的平均电压差，建立得到充电能量差走势曲线。包括对于电池在充电状态下随着采样时刻的任意第i组典型数据，在确定电池在充电状态下的第i组典型数据所属的充电循环次数a的单位充电量的平均电压差之后，计算其针对充电循环次数a和第i组典型数据的电压/>的导数/>继而得到充电能量差走势曲线。
类似的，根据电池在放电状态下随着采样时刻的各组典型数据的电压、所属的放电循环次数以及所属的放电循环次数的单位放电量的平均电压差，建立得到放电能量差走势曲线。包括对于电池在放电状态下随着采样时刻的任意第j组典型数据，在确定电池在放电状态下的第j组典型数据所属的放电循环次数b的单位放电量的平均电压差确定计算其针对放电循环次数b和第j组典型数据的电压/>的导数/>得到放电能量差走势曲线。
SOH的本质是来预测其此时此刻的满充容量，而由于无法拥有完整一次充放循环，满充容量的计算无法进行计算，只能按照既定的额定容量来作为满充容量，然后任意充电循环次数a的就会形成一个由不同电压、充电循环次数和单位充电量的平均电压差三个元素构成的曲面，同理，任意放电循环次数b的/>就会形成一个由不同电压、放电循环次数和单位放电量的平均电压差三个元素构成的曲面。因此对该曲面针对充放电循环次数和电压进行分别求导得到/>和/>的二维曲线，即可得到充电能量差走势曲线和放电能量差走势曲线，也即得到本申请的电芯模型。
由于构成的曲线实际包括很多参数，因此一般将曲面进行多项式拟合，然后利用梯度下降法来优化拟合的多项式以逼近实际的曲面直至达到拟合要求，然后求导得到两组二维曲线。
利用拟合得到的充电能量差走势曲线即能确定每一次充电循环的满充容量，利用放电能量差走势曲线即能确定每一次放电循环的满放容量，从而确定得到SOH。这两组曲线可以计算出在同一个电压情况下，单位充放电量的平均电压差的走势，另外，由于SOH的变化是逐步下降的趋势，那么单位充放电量的平均电压差会呈现上升的趋势，满足卡尔曼滤波需求，因此在一个实施例中，对充电能量差走势曲线和放电能量差走势曲线进行卡尔曼滤波，可以跟踪下一次充放电循环时的容量变化情况。
对于本申请针对的家用储能系统，其包含的多个电池彼此之间有差异，因此往往对应不同的典型数据，所以云端系统基于各个电池的典型数据训练得到的电芯模型也会存在不同，也即每个电池对应的电芯模型不同，这对于个性化的预测非常重要。
且在家用储能系统的运行过程中，云端系统每隔预定时间间隔更新各个电池的电芯模型，从而对电芯模型做定期更新以提高准确性，且任意两个电池对应的电芯模型的更新频率相同或不同。
以上所述的仅是本申请的优选实施方式，本申请不限于以上实施例。可以理解，本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本申请的保护范围之内。
Claims (9)
1.一种家用储能系统的SOH估算方法，其特征在于，所述SOH估算方法包括：
获取家用储能系统中的BMS采集到的各个电池在各个采样时刻的原始实时运行数据；
筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统；
获取所述云端系统基于每个电池的典型数据建立得到的所述电池的电芯模型，基于各个电池的电芯模型估算得到所述家用储能系统中各个电池的SOH估算值；
所述电池的每组典型数据至少包括所述电池在对应的采样时刻的电压、充放电量以及充放电状态，每组典型数据的充放电状态用于指示所述典型数据是在所述电池的充电状态下或放电状态下采集得到的；
所述基于每个电池的典型数据建立得到所述电池的电芯模型包括：
根据所述电池在充电状态下随着采样时刻的各组典型数据建立得到充电能量差走势曲线，所述充电能量差走势曲线用于反映所述电池在充电状态下的单位充电量的电压差随着所述电池的电压和充电循环次数的变化曲线；
根据所述电池在放电状态下随着采样时刻的各组典型数据建立得到放电能量差走势曲线，所述放电能量差走势曲线用于反映所述电池在放电状态下的单位放电量的电压差随着所述电池的电压和放电循环次数的变化曲线。
2.根据权利要求1所述的SOH估算方法，其特征在于，建立得到充电能量差走势曲线和放电能量差走势曲线包括：
根据所述电池在充电状态下随着采样时刻的各组典型数据的电压、所属的充电循环次数以及所属的充电循环次数的单位充电量的平均电压差，建立得到充电能量差走势曲线；
根据所述电池在放电状态下随着采样时刻的各组典型数据的电压、所属的放电循环次数以及所属的放电循环次数的单位放电量的平均电压差，建立得到放电能量差走势曲线。
3.根据权利要求2所述的SOH估算方法，其特征在于，建立得到充电能量差走势曲线以及放电能量差走势曲线包括：
对于所述电池在充电状态下随着采样时刻的任意第组典型数据，确定所述电池在充电状态下的所述第/>组典型数据所属的充电循环次数/>的单位充电量的平均电压差，计算/>得到所述充电能量差走势曲线，/>是所述电池在充电状态下的所述第/>组典型数据的电压；
对于所述电池在放电状态下随着采样时刻的任意第组典型数据，确定所述电池在放电状态下的所述第/>组典型数据所属的放电循环次数/>的单位放电量的平均电压差，计算/>得到所述放电能量差走势曲线，/>是所述电池在放电状态下的所述第/>组典型数据的电压。
4.根据权利要求3所述的SOH估算方法，其特征在于，确定任意充电循环次数的单位充电量的平均电压差/>以及任意放电循环次数/>的单位放电量的平均电压差/>包括：
确定所述电池在充电状态下随着采样时刻的任意第组典型数据的单位充电量的电压差/>，并计算属于充电循环次数/>的各组典型数据的单位充电量的电压差的平均值得到充电循环次数/>的单位充电量的平均电压差/>；/>是所述电池在充电状态下的第/>组典型数据的电压，/>是所述电池在充电状态下从第/>组典型数据至第组典型数据之间的充电电量；
确定所述电池在放电状态下随着采样时刻的任意第组典型数据的单位放电量的电压差/>，并计算属于放电循环次数/>的各组典型数据的单位放电量的电压差的平均值得到放电循环次数/>的单位放电量的平均电压差/>；/>是所述电池在放电状态下的第/>组典型数据的电压，/>是所述电池在放电状态下从第/>组典型数据与第组典型数据之间的放电电量。
5.根据权利要求2所述的SOH估算方法，其特征在于，确定所述电池在充电状态下的各组典型数据所属的充电循环次数以及在放电状态下的各组典型数据所属的放电循环次数，包括：
确定所述电池在充电状态下随着采样时刻的各组典型数据中，对应的电压在上升达到所述电池的高压保护电压之前的各组典型数据属于同一个充电循环；
确定所述电池在放电状态下随着采样时刻的各组典型数据中，对应的电压在下降达到所述电池的欠压保护电压之前的各组典型数据属于同一个放电循环。
6.根据权利要求1所述的SOH估算方法，其特征在于，所述基于各个电池的电芯模型估算得到所述家用储能系统中各个电池的SOH估算值包括：
对所述充电能量差走势曲线和放电能量差走势曲线进行卡尔曼滤波，估算在下一个充放电循环中的单位充放电量的电压差，得到所述SOH估算值。
7.根据权利要求1所述的SOH估算方法，其特征在于，采集到的每个电池在每个采样时刻的原始实时运行数据的数据类型包括充放电数据和运行状态数据，所述充放电数据用于指示电池在当前采样时刻的电压、电流、温度和充放电量，所述运行状态数据用于指示电池在当前采样时刻的充放电状态以及电池告警保护状态；
每个电池的运行状态数据发生变化的时段，以及所述电池的电流的变化达到预定阈值的时段是所述电池的电池状态发生变化的时段。
8.根据权利要求7所述的SOH估算方法，其特征在于，所述筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据，包括对于每个电池：
将检测到所述电池的充放电状态发生变化的采样时刻、检测到出现电池告警保护状态的采样时刻，以及检测到的电流与上一个采样时刻的电流之间的差值达到预定阈值的采样时刻所在的预定时长的时段作为所述电池的电池状态发生变化的时段，并将所述电池在电池状态发生变化的时段内的各个采样时刻的原始实时运行数据作为所述电池的典型数据。
9.根据权利要求1所述的SOH估算方法，其特征在于，所述家用储能系统采用分布式储能结构且包括多个电池，每个电池对应不同的典型数据和不同的电芯模型，所述云端系统每隔预定时间间隔更新各个电池的电芯模型，任意两个电池对应的电芯模型的更新频率相同或不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310863713.XA CN116908694B (zh) | 2023-07-13 | 2023-07-13 | 一种家用储能系统的soh估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310863713.XA CN116908694B (zh) | 2023-07-13 | 2023-07-13 | 一种家用储能系统的soh估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116908694A CN116908694A (zh) | 2023-10-20 |
| CN116908694B true CN116908694B (zh) | 2024-02-02 |
Family
ID=88359654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310863713.XA Active CN116908694B (zh) | 2023-07-13 | 2023-07-13 | 一种家用储能系统的soh估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908694B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015086754A1 (fr) * | 2013-12-12 | 2015-06-18 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede d'estimation de l'etat de sante d'une batterie |
| CN112904219A (zh) * | 2021-04-08 | 2021-06-04 | 合肥工业大学 | 一种基于大数据的动力电池健康状态的预测方法 |
| CN115389939A (zh) * | 2022-07-15 | 2022-11-25 | 江苏欧力特能源科技有限公司 | 基于最小二乘法的储能电池荷电和健康状态在线估计方法 |
| CN115542186A (zh) * | 2022-11-30 | 2022-12-30 | 中国电力科学研究院有限公司 | 一种储能电池状态及一致性评价方法、装置、设备及介质 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030764B (zh) * | 2021-03-04 | 2022-01-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
-
2023
- 2023-07-13 CN CN202310863713.XA patent/CN116908694B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015086754A1 (fr) * | 2013-12-12 | 2015-06-18 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede d'estimation de l'etat de sante d'une batterie |
| CN112904219A (zh) * | 2021-04-08 | 2021-06-04 | 合肥工业大学 | 一种基于大数据的动力电池健康状态的预测方法 |
| CN115389939A (zh) * | 2022-07-15 | 2022-11-25 | 江苏欧力特能源科技有限公司 | 基于最小二乘法的储能电池荷电和健康状态在线估计方法 |
| CN115542186A (zh) * | 2022-11-30 | 2022-12-30 | 中国电力科学研究院有限公司 | 一种储能电池状态及一致性评价方法、装置、设备及介质 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116908694A (zh) | 2023-10-20 |
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 | |
| CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| CN103728563B (zh) | 一种电池健康状态的测算方法 | |
| CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
| CN108445406A (zh) | 一种动力电池健康状态估计方法 | |
| CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
| CN106291372A (zh) | 一种新的锂离子动力电池剩余寿命预测方法 | |
| CN108107372A (zh) | 基于soc分区估算的蓄电池健康状况量化方法及系统 | |
| CN103439666B (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
| CN114722625B (zh) | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 | |
| CN112526353B (zh) | 一种退役锂离子动力电池soc快速检测方法及装置 | |
| CN115114878A (zh) | 一种储能电站电池寿命在线预测方法、装置及存储介质 | |
| CN106597288A (zh) | 一种电源soc估算方法 | |
| CN113779794A (zh) | 计及微观约束的锂离子电池sop估计方法及系统 | |
| CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
| CN116047314A (zh) | 一种可充电电池健康状态预测方法 | |
| CN105974320A (zh) | 一种液态或半液态金属电池荷电状态估计方法 | |
| CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
| CN116736141A (zh) | 一种锂电池储能安全管理系统及方法 | |
| CN116090355A (zh) | 一种基于区块链和物联网的储能孪生数字模型的构建方法 | |
| CN113866646A (zh) | 基于极化阻抗压升的电池簇不一致性在线监测方法研究 | |
| CN113098084B (zh) | 电池物联网系统 | |
| CN116400239B (zh) | 一种铁铬液流电池的储能智能监测方法 | |
| CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 |
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 |