CN117129899B - 一种电池健康状态预测管理系统及方法 - Google Patents
一种电池健康状态预测管理系统及方法 Download PDFInfo
- Publication number
- CN117129899B CN117129899B CN202311122994.XA CN202311122994A CN117129899B CN 117129899 B CN117129899 B CN 117129899B CN 202311122994 A CN202311122994 A CN 202311122994A CN 117129899 B CN117129899 B CN 117129899B
- Authority
- CN
- China
- Prior art keywords
- battery
- population
- health
- module
- fitness
- 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
- 230000036541 health Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000007599 discharging Methods 0.000 claims description 49
- 238000012216 screening Methods 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009396 hybridization Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 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
- 230000008569 process 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/367—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池监控技术领域，具体公开一种电池健康状态预测管理系统及方法，包括第一获取模块、预测模块、判断模块、调用模块、分配模块，其中调用模块，用于根据确定的健康类型，从数据库中匹配该健康类型所对应的电池调用策略，在该电池进行下一次运行时，基于匹配到的电池调用策略，调取该电池调用策略所对应数量的其他电池，形成该电池与其他电池的电池组，并获取其他电池所对应的运行状态数据；分配模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据，根据此时的电池组的运行状态数据，基于改进型遗传算法，对该电池组中的各个电池在本次运行时所对应的最优放电策略进行确定，形成对应的电池组放电策略最优分配方案。
Description
技术领域
本发明涉及电池监控技术领域，具体涉及一种电池健康状态预测管理系统及方法。
背景技术
随着社会的不断发展，电池的类型也越来越多，目前比较常见的电池为可充放电的电池，例如锂离子电池、太阳能电池等，而这些电池在使用的过程中，需要对其电池的健康状态进行监测，毕竟电池的健康状态是体现电池性能的一个重要参数。
现有的电池健康状态监控系统大多是对电池当前的一个健康状态进行检测，以此来确保在当前运行的时候电池能够正常的使用，即其对电池的健康状态的检测是随用随检的，只能知晓当前的健康情况，对于下一时刻的电池健康状态无法知晓，这样就会造成在下一时刻到来之前无法对电池健康状态存在异常的电池进行及时的更换或者替换，到时下一时刻的设备运行是否能够正常变得不确定。
当然为了解决上述的问题，还有一些对电池健康状态进行预测的系统，但其大多数都只是停留在对电池的健康状态进行预测，以此来实现对下一时刻下电池的健康状态的把握。然而仅仅只是对电池的健康状态在下一时刻的情况进行了解还远远不够，也无法保证在下一时刻下电池对设备的供电是最优的，这样势必会造成能源的浪费以及效率低下的问题。
发明内容
本发明的目的之一在于提供一种电池健康状态预测管理系统及方法，能够实现对电池在下一时刻下的健康状态的预测，同时实现下一时刻下电池对设备供电的最优化，避免电池能源的浪费问题，提高电池供电效率。
为了达到上述目的，提供了一种电池健康状态预测管理系统，包括：
第一获取模块，用于获取电池的当前运行状态数据以及历史运行状态数据；
还用于对该电池在运行的运行环境数据进行获取；
预测模块，用于根据电池的当前运行状态数据、历史运行状态数据以及该电池的运行环境数据，基于预测模型，对该电池在下一次运行时处于对应的运行环境数据下所对应的健康值进行预测；
判断模块，用于根据预测出来的健康值，匹配出运行环境数据所对应的健康阈值，计算出健康值与健康阈值的比值，并根据比值，对该电池在下一次运行时所对应的健康类型进行确定；所述健康类型包括健康正常型、第一异常型、第二异常型、不健康型；
调用模块，用于根据确定的健康类型，从数据库中匹配该健康类型所对应的电池调用策略，在该电池进行下一次运行时，基于匹配到的电池调用策略，调取该电池调用策略所对应数量的其他电池，形成该电池与其他电池的电池组，并获取其他电池所对应的运行状态数据；
分配模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据，根据此时的电池的运行状态数据，以及其他电池的运行状态数据，基于改进型遗传算法，对该电池组中的各个电池在本次运行时所对应的最优放电策略进行确定，形成对应的电池组放电策略最优分配方案。
本方案的技术原理及效果：在本方案中，首先是在当前电池进行运行时，获取电池的当前运行状态数据以及历史运行数据，同时还会对电池的运行环境数据进行获取，以此来确定电池所对应的工作环境。
之后根据这些数据基于预测模型就能够对该电池在下一次运行处于该运行环境数据下所对应的健康值进行预测，以此来对在该运行环境数据下，该电池在下一次运行时运行的好坏进行判断。为了更好的进行判断，就会基于该运行环境数据进行相对应的健康阈值，之后通过计算健康值与健康阈值的比值，通过比值来对在该运行环境数据下，该电池在下一次运行时所对应的健康类型进行确定，由于不同的运行环境数据所对应的健康阈值也是不同的，这样在对其电池的健康类型进行确定时也是更加的有针对性，得到的结果也会更加的真实，极大提高了系统的可靠性。
出于对电池在下一次运行时能够正常的合理的进行运行，根据确定的健康类型来进行该健康类型所对应的电池调用策略进行匹配，以此来进行基于该电池调用策略的电池组的确定，为该电池在下一次运行时提供良好的供电功能，并且在要进行下一次运行时，就会基于电池组在此刻的各个电池的运行状态数据，利用改进型遗传算法来进行各个电池在此次运行所对应的放电策略进行优化，实现电池组内各个电池的最优放电分配方案的确定，极大提高了电池组内各个电池的放电合理性，能够实现对电池在下一时刻下的健康状态的预测，同时实现下一时刻下电池对设备供电的最优化，避免电池能源的浪费问题，提高电池供电效率。
进一步，所述根据比值，对该电池下一次运行时所对应的健康类型进行确定的确定依据为：
当F≤x时，则该电池的健康类型为不健康型；
当y>F>x时，则该电池的健康类型为第二异常型；
当z>F>y时,则该电池的健康类型为第一异常型；
当F>z时，则该电池的健康类型为健康正常型；
其中所述F为电池的健康值与健康阈值的比值，计算公式如下：
A为在某一运行环境数据下电池在下一次运行所对应的健康值；
B为在某一运行环境数据下所对应的健康阈值。
有益效果：在本方案中，通过对电池在下一次运行所对应的健康类型进行确定，通过设置各个动态变化的区间点x,y，z的方式来实现对电池的健康类型的判断时不是一成不变的，是会根据其电池的运行环境数据的同步进行变化的，也就使得在进行健康类型判断时对应的判断的准确度更高，更加有针对性，同一款电池在面对不同的运行环境数据其电池的变化是不一样的。
进一步，所述分配模块包括：
第二获取模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据；
第一确定模块，用于在该电池进行下一次运行时，根据电池组中各个电池的运行状态数据，以及此时的运行环境数据，随机产生规模为N的初始种群，所述初始种群的个体为电池组中各个电池的放电策略，所述放电策略包括电池的放电量以及放电时间；
第二确定模块，用于确定初始种群中各个个体所对应的约束条件以及建立对应的目标函数；
最优模块，用于基于改进型遗传算法，以及确定的目标函数和约束条件，对规模为N的初始种群的各个个体进行筛选和优化，输出筛选和优化后的初始种群，形成对应的子代种群，并将该子代种群作为该电池组放电策略最优分配方案进行输出。
进一步，所述最优模块包括：
放电规则确定模块，用于根据运行环境数据，对该电池组所对应的放电规则进行确定；所述放电规则为在该运行环境数据下，该电池组的放电时间；
第一筛选模块，用于根据放电规则，对约束条件进行调整，并通过调整后的约束条件对初始种群进行筛选；所述约束条件包括：放电时间约束条件、单一电池最大放电量约束条件；若满足约束条件，则对应的放电策略为可行解，反之，则为不可行解；
适应度计算模块，用于对筛选后的种群分别进行第一适应度和第二适应度计算；所述第一适应度计算如下：
所述D1为初始种群中各个电池寿命影响度总和；Xi为电池i进行放电时对电池i的寿命影响度；所述Mi为电池i在进行放电时其对应的储电量；所述Ni为电池i在本次放电所对应的放电量；所述fd为对应的该电池i在该运行环境数据下的寿命影响因数；所述f1为第一适应度；
所述第二适应度计算如下：
所述D2为初始种群中各个电池放电时间的重合度总和；Yj为电池j进行放电时该电池j的放电时间相对于电池1、2…b的重合度；所述mj为电池j放电的时间段，K为下一次运行时放电实际需要的总时长；所述f2为第二适应度；
第二筛选模块，用于根据预设筛选策略，基于种群所对应的第一适应度和第二适应度，进行对应的筛选；
交叉变异模块，用于对筛选出来的种群，基于预先设置的交叉变异策略，进行遗传算法的杂交和变异，得到子代种群；
循环模块，用于在得到子代种群后，继续执行适应度计算模块，直到满足预设迭代数量；
输出模块，用于在满足预设迭代数量之后，得到对应的子代种群，并作为该电池组放电策略最优分配方案进行输出。
有益效果：在本方案中，首先在对初始种群进行筛选之前，会就该初始种群中各个电池的运行环境数据，对其放电规则进行确定，例如是持续放电还是间断性放电，如果是间断性放电，那对应的放电时间是多少。通过对放电规则的确定来进行约束条件的实时调整，以此来确保进行筛选时其对应的筛选出来的种群是满足该运行环境数据的，极大提高了筛选的准确性，能够对最优分配方案的确定起到较好的作用，进一步减低了规模为N的初始种群中的最优种群的定位难度。
之后根据调整后的约束条件进行对应的筛选，并对筛选后的种群进行第一适应度和第二适应度的计算，具体的通过计算每一个种群中各个电池在分配到对应的放电策略时按照放电策略执行时其对电池的寿命影响度，以此来知晓每一个种群所对应的总的寿命影响度，这样就能够实现对各个种群是否合理进行判断，当然还有就是通过对其各个电池的放电时间相对其他电池的放电时间的重合度，以此来避免电能的浪费和损耗。通过第一适应度和第二适应度的计算以此来实现对种群的进一步的剔除和筛选，从而使得种群所对应的个体表现良好，进而实现对最优种群的确定，以此来实现对电池组放电策略最优分配方案的确定。
进一步，所述预设筛选策略为：
在L≤Q时，根据种群所对应的第一适应度，选取第一适应度大于或者等于第一适应度阈值的种群，并对于此时剔除的种群中，选取第二适应度最大的前三个种群，并将其保存到备用库中；
在时，对此时种群所对应的第二适应度大于预设第二适应度阈值的种群进行选择；
在时，将此时的种群与备用库中的种群进行组合，形成新的种群，并对此时种群所对应的第二适应度大于预设第二适应度的种群进行选择；
所述M为预设迭代数量，Q为第一预设迭代次数，L为本次筛选所对应的迭代次数。
有益效果：在本方案中，在不同的迭代次数内进行不同的筛选策略，极大提高了筛选的可靠性，且本申请在进行第二适应度的筛选时前期只对循环的种群进行筛选以此来确保符合第一适应度的种群的优良基因的保留，之后在将备用库中的种群和此时的种群进行组合，以此来实现第二适应度优良基因的保留，从而确保满足第一适应度和第二适应度的基因都能够被很好的保存，为后续的最优的分配方案的确定提供了良好的条件。
进一步，所述预先设置的交叉变异策略为：
随机给筛选后的种群中每个个体一个1或0的随机数，计算出各个种群的随机数总和，并按照从大到小的顺序进行排序，选取前百分之五十的种群进行种群间的杂交；
之后随机给种群中的每一个个体生成一个[0,1]的随机数，根据预先设置的变异概率，若随机数大于变异概率，则对该个体进行变异。
有益效果：在对种群进行杂交和变异时，通过随机数的赋予实现了杂交和变异的随机性，这样使得种群中良好的放电策略和不好的放电策略都有被保留的可能，使得整个数据更加的全面，对应的后续的优化结果也会更加的真实。
本发明还提供一种电池健康状态预测管理方法，使用上述一种电池健康状态预测管理系统。
附图说明
图1为本发明实施例一中电池健康状态预测管理系统的逻辑框图。
图2为本发明实施例一中最优模块的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
一种电池健康状态预测管理系统，基本如图1所示，包括：
第一获取模块，用于获取电池的当前运行状态数据以及历史运行状态数据；
还用于对该电池在运行的运行环境数据进行获取；所述运行状态数据包括电池的储电量、放电电压、放电电流、标准最大储电量、适应温度条件、放电功率。所述运行环境数据包括供电对象、运行温度变化情况、湿度变化情况、供电类型以及供电时间。
预测模块，用于根据电池的当前运行状态数据、历史运行状态数据以及该电池的运行环境数据，基于预测模型，对该电池在下一次运行时处于对应的运行环境数据下所对应的健康值进行预测；在本实施例中，所述预测模型为BP神经网络模型。
判断模块，用于根据预测出来的健康值，匹配出运行环境数据所对应的健康阈值，计算出健康值与健康阈值的比值，并根据比值，对该电池在下一次运行时所对应的健康类型进行确定；所述健康类型包括健康正常型、第一异常型、第二异常型、不健康型；
所述根据比值，对该电池下一次运行时所对应的健康类型进行确定的确定依据为：
当F≤x时，则该电池的健康类型为不健康型；
当y>F>x时，则该电池的健康类型为第二异常型；
当z>F>y时,则该电池的健康类型为第一异常型；
当F>z时，则该电池的健康类型为健康正常型；
其中所述F为电池的健康值与健康阈值的比值，计算公式如下：
A为在某一运行环境数据下电池在下一次运行所对应的健康值；
B为在某一运行环境数据下所对应的健康阈值。
调用模块，用于根据确定的健康类型，从数据库中匹配该健康类型所对应的电池调用策略，在该电池进行下一次运行时，基于匹配到的电池调用策略，调取该电池调用策略所对应数量的其他电池，形成该电池与其他电池的电池组，并获取其他电池所对应的运行状态数据；
分配模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据，根据此时的电池的运行状态数据，以及其他电池的运行状态数据，基于改进型遗传算法，对该电池组中的各个电池在本次运行时所对应的最优放电策略进行确定，形成对应的电池组放电策略最优分配方案。
所述分配模块包括：
第二获取模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据；
第一确定模块，用于在该电池进行下一次运行时，根据电池组中各个电池的运行状态数据，以及此时的运行环境数据，随机产生规模为N的初始种群，所述初始种群的个体为电池组中各个电池的放电策略，所述放电策略包括电池的放电量以及放电时间；
第二确定模块，用于确定初始种群中各个个体所对应的约束条件以及建立对应的目标函数；
最优模块，用于基于改进型遗传算法，以及确定的目标函数和约束条件，对规模为N的初始种群的各个个体进行筛选和优化，输出筛选和优化后的初始种群，形成对应的子代种群，并将该子代种群作为该电池组放电策略最优分配方案进行输出。
如图2所示，所述最优模块包括：
放电规则确定模块，用于根据运行环境数据，对该电池组所对应的放电规则进行确定；所述放电规则为在该运行环境数据下，该电池组的放电时间；
第一筛选模块，用于根据放电规则，对约束条件进行调整，并通过调整后的约束条件对初始种群进行筛选；所述约束条件包括：放电时间约束条件、单一电池最大放电量约束条件；若满足约束条件，则对应的放电策略为可行解，反之，则为不可行解；
适应度计算模块，用于对筛选后的种群分别进行第一适应度和第二适应度计算；所述第一适应度计算如下：
所述D1为初始种群中各个电池寿命影响度总和；Xi为电池i进行放电时对电池i的寿命影响度；所述Mi为电池i在进行放电时其对应的储电量；所述Ni为电池i在本次放电所对应的放电量；所述fd为对应的该电池i在该运行环境数据下的寿命影响因数；所述f1为第一适应度；在本实施例中为了使得对应的fd更加的真实，对应的寿命影响因数是通过对该电池历史在该运行环境数据下的各个放电量所对应的影响因数进行预先统计，记录在表格上，在需要时进行及时的查阅即可。
所述第二适应度计算如下：
所述D2为初始种群中各个电池放电时间的重合度总和；Yj为电池j进行放电时该电池j的放电时间相对于电池1、2…b的重合度；所述mj为电池j放电的时间段，K为下一次运行时放电实际需要的总时长；所述f2为第二适应度；在本实施例中，当电池j的放电时间段与电池1进行了比较，那么在与电池2的放电时间段进行比较时，就会删除电池1所在的时间段，以此作为电池2的时间段，从而计算电池j相对电池2的放电时间的重合度。
第二筛选模块，用于根据预设筛选策略，基于种群所对应的第一适应度和第二适应度，进行对应的筛选；
所述预设筛选策略为：
在L≤Q时，根据种群所对应的第一适应度，选取第一适应度大于或者等于第一适应度阈值的种群，并对于此时剔除的种群中，选取第二适应度最大的前三个种群，并将其保存到备用库中；
在时，对此时种群所对应的第二适应度大于预设第二适应度阈值的种群进行选择；
在时，将此时的种群与备用库中的种群进行组合，形成新的种群，并对此时种群所对应的第二适应度大于预设第二适应度的种群进行选择。
所述M为预设迭代数量，Q为第一预设迭代次数，L为本次筛选所对应的迭代次数。
交叉变异模块，用于对筛选出来的种群，基于预先设置的交叉变异策略，进行遗传算法的杂交和变异，得到子代种群；
所述预先设置的交叉变异策略为：
随机给筛选后的种群中每个个体一个1或0的随机数，计算出各个种群的随机数总和，并按照从大到小的顺序进行排序，选取前百分之五十的种群进行种群间的杂交；
之后随机给种群中的每一个个体生成一个[0,1]的随机数，根据预先设置的变异概率，若随机数大于变异概率，则对该个体进行变异。在本实施例中，对应的随机数的给予是没有规律的，随机的，这样使得对应的杂交和变异都是随机的，这样既能保证一些不好的个体也能被选到，这样极大提高了杂交和变异的全面性。
循环模块，用于在得到子代种群后，继续执行适应度计算模块，直到满足预设迭代数量；
输出模块，用于在满足预设迭代数量之后，得到对应的子代种群，并作为该电池组放电策略最优分配方案进行输出。
本实施例还提供一种电池健康状态预测管理方法，使用上述一种电池健康状态预测管理系统。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种电池健康状态预测管理系统，其特征在于：包括：
第一获取模块，用于获取电池的当前运行状态数据以及历史运行状态数据；
还用于对该电池在运行的运行环境数据进行获取；
预测模块，用于根据电池的当前运行状态数据、历史运行状态数据以及该电池的运行环境数据，基于预测模型，对该电池在下一次运行时处于对应的运行环境数据下所对应的健康值进行预测；
判断模块，用于根据预测出来的健康值，匹配出运行环境数据所对应的健康阈值，计算出健康值与健康阈值的比值，并根据比值，对该电池在下一次运行时所对应的健康类型进行确定；所述健康类型包括健康正常型、第一异常型、第二异常型、不健康型；
调用模块，用于根据确定的健康类型，从数据库中匹配该健康类型所对应的电池调用策略，在该电池进行下一次运行时，基于匹配到的电池调用策略，调取该电池调用策略所对应数量的其他电池，形成该电池与其他电池的电池组，并获取其他电池所对应的运行状态数据；
分配模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据，根据此时的电池的运行状态数据，以及其他电池的运行状态数据，基于改进型遗传算法，对该电池组中的各个电池在本次运行时所对应的最优放电策略进行确定，形成对应的电池组放电策略最优分配方案；
所述分配模块包括：
第二获取模块，用于在该电池进行下一次运行时，获取此时该电池的运行状态数据；
第一确定模块，用于在该电池进行下一次运行时，根据电池组中各个电池的运行状态数据，以及此时的运行环境数据，随机产生规模为N的初始种群，所述初始种群的个体为电池组中各个电池的放电策略，所述放电策略包括电池的放电量以及放电时间；
第二确定模块，用于确定初始种群中各个个体所对应的约束条件以及建立对应的目标函数；
最优模块，用于基于改进型遗传算法，以及确定的目标函数和约束条件，对规模为N的初始种群的各个个体进行筛选和优化，输出筛选和优化后的初始种群，形成对应的子代种群，并将该子代种群作为该电池组放电策略最优分配方案进行输出；
所述最优模块包括：
放电规则确定模块，用于根据运行环境数据，对该电池组所对应的放电规则进行确定；所述放电规则为在该运行环境数据下，该电池组的放电时间；
第一筛选模块，用于根据放电规则，对约束条件进行调整，并通过调整后的约束条件对初始种群进行筛选；所述约束条件包括：放电时间约束条件、单一电池最大放电量约束条件；若满足约束条件，则对应的放电策略为可行解，反之，则为不可行解；
适应度计算模块，用于对筛选后的种群分别进行第一适应度和第二适应度计算；所述第一适应度计算如下：
所述D1为初始种群中各个电池寿命影响度总和；为电池i进行放电时对电池i的寿命影响度；所述/>为电池i在进行放电时其对应的储电量；所述/>为电池i在本次放电所对应的放电量；所述/>为对应的该电池i在该运行环境数据下的寿命影响因数；所述f1为第一适应度；
所述第二适应度计算如下：
所述D2为初始种群中各个电池放电时间的重合度总和；为电池j进行放电时该电池j的放电时间相对于电池1、2/>b的重合度；所述/>为电池j放电的时间段，K为下一次运行时放电实际需要的总时长；所述f2为第二适应度；
第二筛选模块，用于根据预设筛选策略，基于种群所对应的第一适应度和第二适应度，进行对应的筛选；
交叉变异模块，用于对筛选出来的种群，基于预先设置的交叉变异策略，进行遗传算法的杂交和变异，得到子代种群；
循环模块，用于在得到子代种群后，继续执行适应度计算模块，直到满足预设迭代数量；
输出模块，用于在满足预设迭代数量之后，得到对应的子代种群，并作为该电池组放电策略最优分配方案进行输出。
2.根据权利要求1所述的一种电池健康状态预测管理系统，其特征在于：所述根据比值，对该电池下一次运行时所对应的健康类型进行确定的确定依据为：
当F≤x时，则该电池的健康类型为不健康型；
当y>F>x时，则该电池的健康类型为第二异常型；
当z>F>y时,则该电池的健康类型为第一异常型；
当F>z时，则该电池的健康类型为健康正常型；所述x、y、z为动态变化的区间点；
其中所述F为电池的健康值与健康阈值的比值，计算公式如下：
A为在某一运行环境数据下电池在下一次运行所对应的健康值；
B为在某一运行环境数据下所对应的健康阈值。
3.根据权利要求2所述的一种电池健康状态预测管理系统，其特征在于：所述预设筛选策略为：
在时，根据种群所对应的第一适应度，选取第一适应度大于或者等于第一适应度阈值的种群，并对于此时剔除的种群中，选取第二适应度最大的前三个种群，并将其保存到备用库中；
在时，对此时种群所对应的第二适应度大于预设第二适应度阈值的种群进行选择；
在时，将此时的种群与备用库中的种群进行组合，形成新的种群，并对此时种群所对应的第二适应度大于预设第二适应度的种群进行选择；
所述M为预设迭代数量，Q为第一预设迭代次数，L为本次筛选所对应的迭代次数。
4.根据权利要求3所述的一种电池健康状态预测管理系统，其特征在于：所述预先设置的交叉变异策略为：
随机给筛选后的种群中每个个体一个1或0的随机数，计算出各个种群的随机数总和，并按照从大到小的顺序进行排序，选取前百分之五十的种群进行种群间的杂交；
之后随机给种群中的每一个个体生成一个[0,1]的随机数，根据预先设置的变异概率，若随机数大于变异概率，则对该个体进行变异。
5.一种电池健康状态预测管理方法，其特征在于：应用上述权利要求1-4所述任一项的一种电池健康状态预测管理系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122994.XA CN117129899B (zh) | 2023-08-31 | 2023-08-31 | 一种电池健康状态预测管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122994.XA CN117129899B (zh) | 2023-08-31 | 2023-08-31 | 一种电池健康状态预测管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117129899A CN117129899A (zh) | 2023-11-28 |
| CN117129899B true CN117129899B (zh) | 2024-05-10 |
Family
ID=88854283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311122994.XA Active CN117129899B (zh) | 2023-08-31 | 2023-08-31 | 一种电池健康状态预测管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117129899B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117393140B (zh) * | 2023-12-08 | 2024-04-05 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080104861A (ko) * | 2007-05-29 | 2008-12-03 | 김금수 | 배터리 수명 추정을 위한 인버터 회로의 제어 장치 및 그인버터 회로 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| CN111354989A (zh) * | 2020-02-21 | 2020-06-30 | 中南大学 | 一种可重构电池组控制方法、系统及存储介质 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN113176511A (zh) * | 2021-02-10 | 2021-07-27 | 合肥工业大学 | 考虑健康状态的储能充放电优化方法及系统 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| CN113572221A (zh) * | 2021-07-05 | 2021-10-29 | 三峡大学 | 一种梯次利用电池组的多目标自适应均衡控制方法 |
| CN114243833A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种电池系统控制方法及电池系统 |
| CN114545280A (zh) * | 2022-02-24 | 2022-05-27 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| CN115524625A (zh) * | 2022-09-27 | 2022-12-27 | 西安交通大学 | 一种基于特征阻抗的锂电池过充电过放电检测方法 |
| CN115656855A (zh) * | 2022-03-15 | 2023-01-31 | 上海舞洋船舶科技有限公司 | 一种锂离子电池健康评估方法和系统 |
| CN115906508A (zh) * | 2022-12-16 | 2023-04-04 | 中国农业银行股份有限公司青岛市分行 | 一种电池寿命预测方法及相关装置 |
| CN115940224A (zh) * | 2022-11-21 | 2023-04-07 | 广东电网有限责任公司 | 一种储能系统的充放电控制方法、装置、设备以及介质 |
| CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
| CN116471503A (zh) * | 2022-01-12 | 2023-07-21 | 国电南瑞科技股份有限公司 | 一种设备储能充放电的能效数据判断方法、介质和系统 |
| CN116609692A (zh) * | 2023-05-05 | 2023-08-18 | 深圳职业技术学院 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
| CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2001290371A1 (en) * | 2000-09-04 | 2002-03-22 | Invensys Energy Systems (Nz) Limited | Battery monitoring |
| GB2373585A (en) * | 2001-03-21 | 2002-09-25 | Nokia Mobile Phones Ltd | Battery life estimation |
| US9366732B2 (en) * | 2009-09-04 | 2016-06-14 | Board Of Regents, The University Of Texas System | Estimation of state-of-health in batteries |
| US9475398B2 (en) * | 2014-05-08 | 2016-10-25 | Cummins, Inc. | Optimization-based predictive method for battery charging |
| WO2016100919A1 (en) * | 2014-12-19 | 2016-06-23 | California Institute Of Technology | Improved systems and methods for management and monitoring of energy storage and distribution |
-
2023
- 2023-08-31 CN CN202311122994.XA patent/CN117129899B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080104861A (ko) * | 2007-05-29 | 2008-12-03 | 김금수 | 배터리 수명 추정을 위한 인버터 회로의 제어 장치 및 그인버터 회로 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111354989A (zh) * | 2020-02-21 | 2020-06-30 | 中南大学 | 一种可重构电池组控制方法、系统及存储介质 |
| CN113176511A (zh) * | 2021-02-10 | 2021-07-27 | 合肥工业大学 | 考虑健康状态的储能充放电优化方法及系统 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| CN113572221A (zh) * | 2021-07-05 | 2021-10-29 | 三峡大学 | 一种梯次利用电池组的多目标自适应均衡控制方法 |
| CN114243833A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种电池系统控制方法及电池系统 |
| CN116471503A (zh) * | 2022-01-12 | 2023-07-21 | 国电南瑞科技股份有限公司 | 一种设备储能充放电的能效数据判断方法、介质和系统 |
| CN114545280A (zh) * | 2022-02-24 | 2022-05-27 | 苏州市职业大学 | 一种基于寻优算法的新能源汽车锂电池寿命预测方法 |
| CN115656855A (zh) * | 2022-03-15 | 2023-01-31 | 上海舞洋船舶科技有限公司 | 一种锂离子电池健康评估方法和系统 |
| CN115524625A (zh) * | 2022-09-27 | 2022-12-27 | 西安交通大学 | 一种基于特征阻抗的锂电池过充电过放电检测方法 |
| CN115940224A (zh) * | 2022-11-21 | 2023-04-07 | 广东电网有限责任公司 | 一种储能系统的充放电控制方法、装置、设备以及介质 |
| CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
| CN115906508A (zh) * | 2022-12-16 | 2023-04-04 | 中国农业银行股份有限公司青岛市分行 | 一种电池寿命预测方法及相关装置 |
| CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
| CN116609692A (zh) * | 2023-05-05 | 2023-08-18 | 深圳职业技术学院 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| SOH Estimation Method for Lithium-ion Battery Based on Discharge Characteristics;YU ZL;《INTERNATIONAL JOURNAL OF ELECTROCHEMICAL SCIENCE》;20220131;第17卷(第7期);全文 * |
| 基于改进粒子群优化算法和极限学习机的锂离子电池健康状态预测;丁同等;《国 外电 子测 量技术》;20230531;第42卷卷(第第5期期);全文 * |
| 电池健康状态估算;刘婉晴;;华北理工大学学报(自然科学版);20170125(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117129899A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117129899B (zh) | 一种电池健康状态预测管理系统及方法 | |
| Leonori et al. | Multi objective optimization of a fuzzy logic controller for energy management in microgrids | |
| CN104316879A (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN116885763B (zh) | 一种适用于分布式储能系统的能量管理装置及方法 | |
| CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
| CN116388347A (zh) | 一种户用电池储能的能量综合管理平台 | |
| CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
| CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
| CN112736953A (zh) | 一种带有多目标优化的风储系统磷酸铁锂电池组储能容量配置设计方法 | |
| CN111460656A (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
| CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
| CN117955248A (zh) | 一种储能电站电池状态监测系统、方法、装置和存储介质 | |
| CN117895468A (zh) | 一种源网荷储的协同控制方法及系统 | |
| CN113489066A (zh) | 计及供需不确定性的含储能电网区间供电可靠性评估方法 | |
| Ghatak et al. | Optimal deployment of renewable DG and battery storage system in distribution system considering techno-economic, environment and reliability aspects | |
| CN116845940A (zh) | 一种储能电站二次系统的性能优化方法 | |
| CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
| Wang et al. | Reliability evaluation of power-generating systems including time-dependent sources based on binary particle swarm optimization | |
| CN116154926B (zh) | 一种基于锂电池储能特征的电源控制方法及系统 | |
| CN118508597B (zh) | 一种面向电力系统保障对象的应急供电方法、系统和设备 | |
| CN117175639B (zh) | 与储能单元协调配套的配电自动化方法及系统 | |
| CN117856312B (zh) | 一种基于物联网的工业应急储能电池智能管理方法及系统 | |
| CN118040683B (zh) | 电能智能管理方法及储能充电系统 | |
| CN117977655B (zh) | 海上风电储能配置方法及装置、存储介质、终端 |
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 |