CN117148170B - 一种电池储能系统及其储能测试方法 - Google Patents
一种电池储能系统及其储能测试方法 Download PDFInfo
- Publication number
- CN117148170B CN117148170B CN202311420837.7A CN202311420837A CN117148170B CN 117148170 B CN117148170 B CN 117148170B CN 202311420837 A CN202311420837 A CN 202311420837A CN 117148170 B CN117148170 B CN 117148170B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- battery energy
- storage state
- frequency
- vector
- 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 597
- 238000010998 test method Methods 0.000 title description 7
- 239000013598 vector Substances 0.000 claims abstract description 384
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 229940088594 vitamin Drugs 0.000 claims description 5
- 229930003231 vitamin Natural products 0.000 claims description 5
- 235000013343 vitamin Nutrition 0.000 claims description 5
- 239000011782 vitamin Substances 0.000 claims description 5
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池储能系统及其储能测试方法,通过获取电池储能状态序列,获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能状态向量集,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量,得到电池储能状态高频向量集和电池储能状态低频向量集,根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值,进而得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态,缩短电池储能测试的耗时时间,提高电池储能测试的准确率。
Description
技术领域
本申请涉及电池技术领域,更具体的说,本申请涉及一种电池储能系统及其储能测试方法。
背景技术
电池储能系统在现代能源存储中发挥着重要作用,它被广泛应用于电动汽车、太阳能储能系统、风能储能系统等领域,随着电池储能技术的不断发展,电池的性能和寿命等关键特性对系统的长期运行和稳定性至关重要,因此,对电池储能进行有效测试其储能状态也尤为重要。
在现有技术中,电池储能测试方法多采用静态测试,但该静态测试方法仅能获得有限的信息,并且耗时较长,此外,由于电池储能系统的复杂性和多样性,现有的静态测试方法往往不能全面准确地评估电池储能状态信息,导致测试得到的电池储能状态信息不准确,最终导致电池储能测试的准确率不高。
发明内容
本申请提供一种电池储能系统及其储能测试方法,以提高电池储能测试的准确率。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种电池储能测试方法,包括如下步骤:
获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列;
获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集;
将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集;
根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值;
对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值;
将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
在一些实施例中,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集具体包括:
获取所述电池储能上下极点线的均值曲线;
根据所述电池储能容量集中各个电池储能容量数据的采集时刻,对所述均值曲线进行采样,得到均值序列;
将所述电池储能状态序列与所述均值序列做减法运算,获取所述电池储能状态向量集中的第一电池储能状态向量;
获取所述第一电池储能状态向量的上下极点线,进而根据所述第一电池储能状态向量的上下极点线与所述第一电池储能状态向量获取第二电池储能状态向量;
确定所述第一电池储能状态向量和所述第二电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,当所述差异度高于预设的差异度阈值时,继续获取第三电池储能状态向量,进而确定所述第二电池储能状态向量和所述第三电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,重复上述步骤不断获取新的电池储能状态向量,直到新获取的电池储能状态向量与上一电池储能状态向量之间的差异度低于预设的差异度阈值,将所有电池储能状态向量组成电池储能状态向量集。
在一些实施例中,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量具体包括:
由所述电池储能状态向量集进行信噪比运算,得到拐点值集合;
所述拐点值集合中的各个拐点值的确定可以通过下式表示:
其中表示拐点值集合中的第/>个拐点值,/>为所述电池储能状态向量的维数,为第/>个电池储能状态向量中的第/>维元素,/>为第/>个电池储能状态向量中的第/>维元素;
将所述拐点值集合中的最大拐点值对应的电池储能向量作为所述极拐点向量。
在一些实施例中,采用单隐层神经网络对所述电池储能状态高频向量集进行预测,得到电池储能高频预测向量集。
在一些实施例中,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值具体包括:
将所述电池储能状态低频向量集中的第一电池储能状态低频向量作为选定向量;
对所述选定向量进行差分运算,得到平稳低频向量,依据所述平稳低频向量进行自相关性计算,确定低频向量历史相关值和低频向量历史误差值;
由所述低频向量历史相关值和低频向量历史误差值确定选定向量对应的电池储能低频预测分量值;
将所述电池储能状态低频向量集中的下一电池储能状态低频向量作为选定向量,重复上述步骤,直到得到所述电池储能状态低频向量集中全部电池储能状态低频向量对应的电池储能低频预测分量值,得到电池储能低频预测分量值集合;
根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值。
在一些实施例中,根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值具体可包括:
获取电池储能状态低频向量对应的拐点值的拐点值集合;
获取所述拐点值集合的平均值;
根据所述拐点值集合、所述拐点值集合的平均值和所述电池储能低频预测分量值集合,得到电池储能低频预测值,其中该电池储能低频预测值由下述公式确定:
其中表示电池储能低频预测值,/>表示拐点值集合的平均值,/>表示拐点值集合中的第/>个拐点值,/>表示电池储能低频预测分量值集合中的第/>个电池储能低频预测分量值,/>为电池储能低频预测分量值集合的个数。
在一些实施例中,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集具体包括:
获取所述极拐点向量的模值,得到分界模值;
获取所述电池储能状态向量集中所有电池储能状态向量的模值;
将所有模值高于分界模值的电池储能状态向量组成所述电池储能状态高频向量集,将所有模值低于分界模值的电池储能状态向量组成所述电池储能状态低频向量集。
第二方面,本申请提供一种电池储能系统,其包括有储能测试单元,所述储能测试单元具体包括:
电池储能状态序列获取模块,用于获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列;
电池储能状态向量集获取模块,用于获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集;
分离模块,用于将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集;
电池储能高频预测值确定模块,用于根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值;
电池储能低频预测值确定模块,用于对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值;
电池储能状态确定模块,用于将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的电池储能测试方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的电池储能测试方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的电池储能系统及其储能测试方法中,首先获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列,获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集,根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值,将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态,缩短电池储能测试的耗时时间,提高电池储能测试的准确率。
附图说明
图1是根据本申请一些实施例所示的电池储能测试方法的示例性流程图;
图2是根据本申请一些实施例所示的储能测试单元的示例性硬件和/或软件的示意图;
图3是根据本申请一些实施例所示的应用电池储能测试方法的计算机设备的结构示意图。
具体实施方式
本申请核心是首先获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列,获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集,根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值,将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态,缩短电池储能测试的耗时时间,提高电池储能测试的准确率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的电池储能测试方法的示例性流程图,该电池储能测试方法100主要包括如下步骤:
在步骤101,获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列。
在一些实施例中,首先需要采集电池在各种充放电循环条件下的数据,其中该数据包括有充电量、放电量、充电时间、放电时间和环境条件等,在实际应用中,可以通过电源设备对电池进行反复充放电,并通过电压传感器对电池储能容量数据进行采集,从而获取电池工作时的电池储能容量集,具体实现时,可以通过电压传感器等间隔检测开路电压,从而完成对电池储能容量数据的间接采集,得到电池工作时的电池储能容量集,也可以通过其他类型的传感器采集电池储能容量数据,这里不做限定。
需要说明的是,所述电池储能容量数据为该电池工作使用老化后电池的储能容量,单位为安,具体实现时,所述电池储能容量集中的每个电池储能容量数据具有其唯一对应的采集时刻,在一些实施例中,电池储能容量数据的采集方式为等间隔采集。
可选的,在一些实施例中,由所述电池储能容量集得到电池储能状态序列的过程可以通过下式表示:
其中表示所述电池储能状态序列中的第/>个电池储能状态数据,/>表示所述电池储能容量集中的第/>个电池储能容量数据,/>表示该电池的初始容量。
在步骤102,获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集。
在一些实施例中,根据上述得到电池储能状态序列,即,对该电池储能状态序列中电池储能状态数据的数据点依据时序进行遍历,在遍历过程中,需要检查该数据点是否满足电池储能状态极点,所述电池储能状态极点包括两种,一种为在电池储能状态序列其局部的最大极点,所述最大极点需要满足数据点值要大于相邻两个数据点的值,另外一种为在电池储能状态序列其局部的最小极点,所述最小极点需要满足其数据点值要小于相邻两个数据点的值,当该数据点满足了上述的条件时,将该数据点标记为所述电池状态极点,在实际应用中,因为有边界的情况,所以在遍历所述电池状态序列时,对边界数据点只有一个或两个相邻数据点时,可以根据需要选择如何处理边界情况,例如将边界数据点排除在寻找所述电池状态极点的过程之外,这里不做具体限定。
在一些实施例中,根据上述确定的所述电池储能状态极点,将所述电池储能状态序列划分为多个插值段,其中每个插值段是由两个局部的极点之间的数据点组成,对每个插值段进行插值,具体实现时,可使用两个相邻的最大极点或相邻的最小极点的位置信息来构建一个三次多项式,该三次多项式可以穿过所述两个数据点,并且在这两个数据点处与给定的斜率一致,将各个插值段的所述多项式连接起来,在实际应用中,可以通过简单地将多项式按顺序连接,也可以使用平滑的连接方式,例如在本申请中采用二阶连续连接,这里不做限定,进而形成整体的插值曲线,得到电池储能上极点线和下极点线两条曲线,在实际应用中可以使用编程语言和数值计算库来实现上述步骤,通过插值和曲线拟合连接,然后通过求导或取值来计算所述电池储能上下极点线,同时需要注意处理边界条件,确保插值曲线在收尾的平滑连接,这里不再赘述。
在一些实施例中,对电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集具体可采用下述方式实现:
首先获取所述电池储能上下极点线的均值曲线,该均值曲线的表达式如下:
其中表示所述均值曲线,/>表示所述上极点线,/>表示所述下极点线,/>表示所述均值曲线的时间变量,需要说明的是,所述均值曲线的时间变量对应于所述电池储能容量数据的采集时刻;
根据所述电池储能容量集中各个电池储能容量数据的采集时刻,对所述均值曲线进行采样,得到均值序列;
将所述电池储能状态序列与所述均值序列中做减法运算,获取所述电池储能状态向量集中的第一电池储能状态向量,需要说明的是,由于所述电池储能状态序列和所述均值序列中具有相同的采集时刻,因此可以将所述电池储能状态序列中的每一个元素与所述均值序列中的相同采集时刻的元素做减法运算,进而将运算结果作为所述第一电池储能向量中的元素,从而实现所述电池储能状态序列与所述均值序列之间的减法运算,得到所述第一电池储能状态向量。
获取所述第一电池储能状态向量的上下极点线,进而根据所述第一电池储能状态向量的上下极点线与所述第一电池储能状态向量获取第二电池储能状态向量;
确定所述第一电池储能状态向量和所述第二电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,当所述差异度高于预设的差异度阈值时,继续获取第三电池储能状态向量,进而确定所述第二电池储能状态向量和所述第三电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,重复上述步骤不断获取新的电池储能状态向量,直到新获取的电池储能状态向量与上一电池储能状态向量之间的差异度低于预设的差异度阈值,将所有电池储能状态向量组成电池储能状态向量集。
其中,所述电池储能状态向量之间的差异度可由下式确定:
其中,为第/>个电池储能状态向量与第/>个电池储能状态向量之间的差异度,/>为第/>个电池储能状态向量中的第/>维元素,/>为第/>个电池储能状态向量中的第/>维元素,/>为所述电池储能状态向量的维数。
需要说明的是,根据所述第一电池储能状态向量的上下极点线与所述第一电池储能状态向量获取第二电池储能状态向量在具体实现时,可采用与所述第一电池储能状态向量的相同获取方式,例如,获取所述第一电池储能状态向量的上下极点线的均值曲线,进而对所述均值曲线进行采样后,将采样结果与所述第一电池储能状态向量中的各元素做减法运算并取绝对值,得到所述第二电池储能状态向量。
在步骤103,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集。
在一些实施例中,由所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量具体可采用下述方式,即:
由所述电池储能状态向量集进行信噪比运算,得到拐点值集合,其中所述拐点值集合中的各个拐点值可以通过下式确定:
其中表示拐点值集合中的第/>个拐点值,/>为所述电池储能状态向量的维数,为第/>个电池储能状态向量中的第/>维元素,/>为第/>个电池储能状态向量中的第/>维元素;
将所述拐点值集合中的最大拐点值对应的电池储能向量作为所述极拐点向量。
需要说明的是,根据上式计算出所述电池储能状态低频向量集中所有相邻的电池储能向量的拐点值,并组成拐点值集合后,将最大拐点值所对应的所述电池储能向量作为所述极拐点向量,在一些实施例中,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集具体可采用下述方式:
获取所述极拐点向量的模值,得到分界模值;
获取所述电池储能状态向量集中所有电池储能状态向量的模值;
将所有模值高于分界模值的电池储能状态向量组成所述电池储能状态高频向量集,将所有模值低于分界模值的电池储能状态向量组成所述电池储能状态低频向量集。
在步骤104,根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值。
需要说明的是,所述高频预测值为根据所述电池储能状态高频向量集进行预测后,得到的下一时刻的电池储能状态,而所述下一时刻为传感器获取电池工作时的电池储能容量的下一采集时刻。
需要说明的是,对所述电池储能状态高频向量进行预测,得到电池储能高频预测向量集可采用现有的深度学习方法,通过不断学习电池储能状态高频向量集中电池储能状态高频向量的变化规律,从而预测出下一时刻的电池储能状态高频向量,例如,在一些实施例中,可采用数据预测常用的深度学习神经网络对所述电池储能状态高频向量集进行预测,具体实现时,也可以采用单隐层神经网络对所述电池储能状态高频向量集进行预测,得到电池储能高频预测向量集。
单隐层神经网络是一种对数据进行预测常用的神经网络结构,由输入层、输出层和隐藏层组成,每个层都包含有多个神经元节点,神经元之间通过连接权重相互连接,在单隐层神经网络中,输入数据从输入层传递到隐藏层,然后从隐藏层传递到输出层,每个连接都有一个关联的权重,它决定了信号在神经元之间传递时的影响程度,隐藏层中的神经元在处理输入的电池储能状态高频向量集时可以学习到电池储能状态高频向量随时间的变化规律,然后将这些变化规律传递到输出层进行预测。
其中,采用单隐层神经网络对所述电池储能状态高频向量集进行预测,得到电池储能高频预测向量集时,输入层用于接收电池储能状态高频向量集中的电池储能高频向量,每个输入特征对应一个输入神经元,隐藏层中包含的神经元组负责学习输入数据中的抽象特征和模式,其中隐藏层中的神经元通过权重连接到输入层和输出层,输出层根据隐藏层传递过来的信息,生成最终的电池储能高频预测值。
具体实现时,采用单隐层神经网络对所述电池储能状态高频向量集进行预测,得到电池储能高频预测向量集时,可采用单隐层神经网络对所述电池储能状态高频向量集中的每个电池储能状态高频向量分别进行预测,得到与所述电池储能状态高频向量数量相同的预测结果,进而将预测结果进行平均加权融合,得到最终的电池储能高频预测值。
在一些实施例中,采用单隐层神经网络对电池储能高频预测向量集中的单个电池储能高频预测向量进行预测时,可以将该单个电池储能高频预测向量中前一部分的元素作为训练集,进而使用训练集来训练神经网络,训练过程涉及将历史序列作为输入,下一个时刻的预测结果作为目标输出,进而定义损失函数,例如均方误差(MSE),来衡量预测结果与实际结果之间的差距,最后使用优化算法(如随机梯度下降)来最小化损失函数,调整网络的权重和偏差,在训练完成后,使用训练好的神经网络对测试集中的数据进行预测,进而将所述电池储能高频预测向量的全部元素作为输入的历史序列,通过前向传播获得下一个时刻的预测结果。
在步骤105,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值。
在一些实施例中,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值具体可采用下述方式:
将所述电池储能状态低频向量集中的第一电池储能状态低频向量作为选定向量;
对所述选定向量进行差分运算,得到平稳低频向量,依据所述平稳低频向量进行自相关性计算,确定低频向量历史相关值和低频向量历史误差值;
进而由所述低频向量历史相关值和低频向量历史误差值确定选定向量对应的电池储能低频预测分量值;
将所述电池储能状态低频向量集中的下一电池储能状态低频向量作为选定向量,重复上述步骤,直到得到所述电池储能状态低频向量集中全部电池储能状态低频向量对应的电池储能低频预测分量值,得到电池储能低频预测分量值集合;
根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值。
优选的,在一些实施例中,该差分运算在本申请中采用一阶差分,例如,对选定电池储能状态低频向量进行差分运算,得到平稳低频向量具体可采用下述方式,即:
首先,获取所述电池储能状态低频向量中的维度元素;
其次,根据所述电池储能状态低频向量中的维度元素,得到平稳低频向量,平稳低频向量确定具体可采用如下公式:
其中表示平稳低频向量第/>维度元素,/>表示电池储能状态低频向量中第/>维度元素,/>表示表示电池储能状态低频向量中第/>维度元素;
需要说明的是,在对所述电池储能状态低频向量集进行一阶差分后,需要对得到的平稳低频向量集进行平稳性检验,具体实现时,可采用单位根检验(ADF,AugmentedDickey-Fuller)和 Kwiatkowski-Phillips-Schmidt-Shin (KPSS) 检验,对该平稳低频向量集判断是否具有平稳性,这里不对检验方式做具体限定,如果通过检验发现该平稳低频向量集不平稳,则需要对该平稳低频向量集再继续上述的一阶差分步骤,确定得到的平稳低频向量集是平稳的,具体实现时,可使用两次以内的差分步骤即可得到平稳低频向量集,这里不再赘述。
在一些实施例中,依据所述平稳低频向量进行自相关性计算,确定低频向量历史相关值和低频向量历史误差值具体可采用下述方式:
根据平稳低频向量的自相关性计算,进而得到平稳低频向量的自相关函数集和偏自相关函数集,具体实现时,例如,使用Python的statsmodels等的条件分析库计算平稳低频向量的自相关函数和偏自相关函数,也可以使用其他的分析算法得到平稳低频向量的自相关函数和偏自相关函数,这里不做具体限定;
通过观察该自相关函数集和该偏自相关函数集,找出超出95%置信区间的自相关函数值集和偏自相关函数值集,将这些自相关函数值集作为候选低频向量历史相关值,将这些偏自相关函数值作为候选低频向量历史误差值,将所有候选的所述低频向量历史相关值和所有所述低频向量历史误差值采用赤池信息准则和贝叶斯准则确定出最佳候选低频向量历史相关值和最佳候选低频向量历史误差值,将该候选低频向量历史相关值和该候选低频向量历史误差值作为所述低频向量历史相关值和所述低频向量历史误差值。
需要说明的是,本申请中低频向量历史相关值和低频向量历史误差值的确定具体可采用下述方式:
获取平稳低频向量的自相关函数和偏自相关函数;
根据所述自相关函数与所述偏自相关函数分别绘制自相关函数图与偏自相关函数图;
根据所述自相关函数图偏和所述自相关函数图,得到自相关函数值集和偏自相关函数值集;
采用赤池信息准则和贝叶斯准则确定所述自相关函数值集中和所述偏自相关函数值集中的所述低频向量历史相关值和所述低频向量历史误差值,具体实现时,通过赤池信息准则和贝叶斯准则来衡量自相关函数值集和偏自相关函数值集的拟合能力和复杂度,当赤池信息准则(AIC,Akaike Information Criterion)值和贝叶斯信息准则(BIC,Bayesian Information Criterion)值最小时,表示自相关函数值集和偏自相关函数值集的拟合性能最佳,将此时自相关函数值集和偏自相关函数值集对应的低频向量相关值和低频向量误差值分别作为低频向量历史相关值和低频向量历史误差值。
在一些实施例中,由所述低频向量历史相关值和低频向量历史误差值确定选定向量对应的电池储能低频预测分量值具体可采用下述方式:
获取所述选定向量中所有的维度元素;
获取低频分量预测的参数;
根据该选定向量、所述低频向量历史相关值和所述低频向量历史误差值进行确定选定向量对应的电池储能状态低频向量的电池储能低频预测分量值,其中该电池储能低频预测分量值可根据下述公式确定:
其中表示电池储能低频预测分量值,/>为常数项,/>表示为选定向量在维的元素,/>为低频向量历史相关值,/>为所述低频向量历史误差值,/>和/>为低频分量预测的参数,需要说明的是,所述低频分量预测的参数/>和/>可以通过最小二乘法对电池储能状态低频向量集进行估计所得到,这里不再赘述。
在一些实施例中,将所述电池储能状态低频向量集中的下一电池储能状态低频向量作为选定向量,重复上述步骤,直到得到所述电池储能状态低频向量集中全部电池储能状态低频向量对应的电池储能低频预测分量值,将得到的所有电池储能低频预测分量值进行组合,得到电池储能低频预测分量值集合。
在一些实施例中,本申请中根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值具体可采用下述方式:
获取电池储能状态低频向量对应的拐点值的拐点值集合;
获取所述拐点值集合的平均值;
根据所述拐点值集合、所述拐点值集合的平均值和所述电池储能低频预测分量值集合中的电池储能低频预测分量值,得到电池储能低频预测值,该电池储能低频预测值可由如下公式确定:
其中表示电池储能低频预测值,/>表示拐点值集合的平均值,/>表示拐点值集合中的第/>个拐点值,/>表示电池储能低频预测分量值集中的第/>个电池储能低频预测分量值,/>为电池储能低频预测分量值集合的个数。
需要说明的是,由于电池储能状态通常情况下仅随电池使用导致电池老化而缓慢下降,在短时间内呈缓慢变化趋势,因此,所述电池储能状态高频向量集中的电池储能状态高频向量数量远低于所述电池储能状态低频向量集中的电池储能状态低频向量,即,所述电池储能状态高频向量数量较少,并且所述电池储能状态高频向量中包含了较为重要的电池储能状态异常高频跳变信息,因此可以采用预测精度较高的单隐层神经网络对所述电池储能状态高频预测值进行预测。
在步骤106,将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
在一些实施例中,将所述高频预测值里面的预测结果和所述低频预测值的预测结果进行相加,进而得到所述电池储能状态预测值,进行综合考虑系统在不同频率范围内的预测信息,得到所述电池储能状态预测集,将需要检测的电池通过上述个步骤的操作,计算出相对应的所述电池储能状态预测值,根据该电池的所述电池储能状态预测值来确定该电池的储能状态,在实际应用中,可以通过设定阈值或者分类器来对电池储能状态预测值进行判断,在本申请中将所述电池储能状态预测值与事先预设的阈值进行比较,超过该阈值则判定该电池的储能状态正常,低于该阈值则判定该电池的储能状态异常,将该异常状态上报,以对该电池进行检测或更换,这里不再赘述。
另外,本申请的另一方面,在一些实施例中,本申请提供电池储能系统,该系统包括有储能测试单元,参考图2,该图是根据本申请一些实施例所示的储能测试单元的示例性硬件和/或软件的示意图,该储能测试单元200包括:电池储能状态序列获取模块201、电池储能状态向量集获取模块202、分离模块203、电池储能高频预测值确定模块204、电池储能低频预测值确定模块205和电池储能状态确定模块206,分别说明如下:
电池储能状态序列获取模块201,本申请中电池储能状态序列获取模块201主要用于获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列;
电池储能状态向量集获取模块202,本申请中电池储能状态向量集获取模块202主要用于获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集;
分离模块203,本申请中分离模块203主要用于分离模块,用于将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集;
电池储能高频预测值确定模块204,本申请中电池储能高频预测值确定模块204主要用于电池储能高频预测值确定模块,用于根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值;
电池储能低频预测值确定模块205,本申请中电池储能低频预测值确定模块205主要用于对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值,
电池储能状态确定模块206,本申请中电池储能状态确定模块206主要用于将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
另外,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的电池储能测试方法。
在一些实施例中,参考图3,该图是根据本申请一些实施例所示的应用电池储能测试方法的计算机设备的结构示意图。上述实施例中的电池储能测试方法可以通过图3所示的计算机设备来实现,该计算机设备包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中的电池储能测试方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中电池储能状态向量的确定可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
另外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的电池储能测试方法。
综上,本申请实施例公开的电池储能系统及其储能测试方法,首先获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列,获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集,根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值,将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
本申请由于在提取电池储能状态序列中的极点并进行插值的过程中,可实现对原始数据进行平滑处理,从而有效去除数据中的噪声和不稳定因素,以更清晰地展现电池储能状态的变化趋势,通过对储能状态向量集进行迭代分析运算,可以捕捉到更多隐含的特征,从而提高对电池状态的准确描述,而极拐点向量的提取则能够将数据中的关键特征点提取出来,进一步提高了数据处理的精度,将电池储能状态向量集分为高频和低频向量集,并分别进行预测,能够更细致地捕捉储能状态的不同变化模式,而将高频和低频预测值结合起来,能够将不同频率范围内的信息融合,得到更全面和准确的预测结果,最终可实现提高电池储能测试的准确率。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种电池储能测试方法,其特征在于,包括如下步骤:
获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列;
获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集;
将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集;
根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值;
对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值;
将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态;
其中,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集具体包括:
获取所述电池储能上下极点线的均值曲线;
根据所述电池储能容量集中各个电池储能容量数据的采集时刻,对所述均值曲线进行采样,得到均值序列;
将所述电池储能状态序列与所述均值序列做减法运算,获取所述电池储能状态向量集中的第一电池储能状态向量;
获取所述第一电池储能状态向量的上下极点线,进而根据所述第一电池储能状态向量的上下极点线与所述第一电池储能状态向量获取第二电池储能状态向量;
确定所述第一电池储能状态向量和所述第二电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,当所述差异度高于预设的差异度阈值时,继续获取第三电池储能状态向量,进而确定所述第二电池储能状态向量和所述第三电池储能状态向量的差异度,并判断所述差异度是否高于预设的差异度阈值,重复上述步骤不断获取新的电池储能状态向量,直到新获取的电池储能状态向量与上一电池储能状态向量之间的差异度低于预设的差异度阈值,将所有电池储能状态向量组成电池储能状态向量集;
其中,将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量具体包括:
由所述电池储能状态向量集进行信噪比运算,得到拐点值集合,其中所述拐点值集合中的各个拐点值通过下式确定:
其中表示拐点值集合中的第/>个拐点值,/>为所述电池储能状态向量的维数,为第/>个电池储能状态向量中的第/>维元素,/>为第/>个电池储能状态向量中的第/>维元素;
将所述拐点值集合中的最大拐点值对应的电池储能向量作为所述极拐点向量。
2.如权利要求1所述的方法,其特征在于,采用单隐层神经网络对所述电池储能状态高频向量集进行预测,得到电池储能高频预测向量集。
3.如权利要求1所述的方法,其特征在于,对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值具体包括:
将所述电池储能状态低频向量集中的第一电池储能状态低频向量作为选定向量;
对所述选定向量进行差分运算,得到平稳低频向量,依据所述平稳低频向量进行自相关性计算,确定低频向量历史相关值和低频向量历史误差值;
由所述低频向量历史相关值和低频向量历史误差值确定选定向量对应的电池储能低频预测分量值;
将所述电池储能状态低频向量集中的下一电池储能状态低频向量作为选定向量,重复上述步骤,直到得到所述电池储能状态低频向量集中全部电池储能状态低频向量对应的电池储能低频预测分量值,得到电池储能低频预测分量值集合;
根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值。
4.如权利要求3所述的方法,其特征在于,根据电池储能状态低频向量对应的拐点值对所述电池储能低频预测分量值集合中的电池储能低频预测分量值进行融合,得到电池储能低频预测值具体包括:
获取电池储能状态低频向量对应的拐点值的拐点值集合;
获取所述拐点值集合的平均值;
根据所述拐点值集合、所述拐点值集合的平均值和所述电池储能低频预测分量值集合,得到电池储能低频预测值,其中该电池储能低频预测值由下述公式确定:
其中表示电池储能低频预测值,/>表示拐点值集合的平均值,/>表示拐点值集合中的第/>个拐点值,/>表示电池储能低频预测分量值集合中的第/>个电池储能低频预测分量值,/>为电池储能低频预测分量值集合的个数。
5.如权利要求1所述的方法,其特征在于,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集具体包括:
获取所述极拐点向量的模值,得到分界模值;
获取所述电池储能状态向量集中所有电池储能状态向量的模值;
将所有模值高于分界模值的电池储能状态向量组成所述电池储能状态高频向量集,将所有模值低于分界模值的电池储能状态向量组成所述电池储能状态低频向量集。
6.一种电池储能系统,其采用权利要求1的方法进行电池储能测试,其特征在于,该电池储能系统包括有储能测试单元,所述储能测试单元具体包括:
电池储能状态序列获取模块,用于获取电池工作时的电池储能容量集,进而由所述电池储能容量集得到电池储能状态序列;
电池储能状态向量集获取模块,用于获取所述电池储能状态序列中的全部电池储能状态极点并进行插值,得到电池储能上下极点线,对所述电池储能上下极点线进行迭代分析运算,得到所述电池储能状态序列的电池储能状态向量集;
分离模块,用于将所述电池储能状态向量集进行信噪比运算,得到所述电池储能状态向量的极拐点向量,根据所述极拐点向量对所述电池储能状态向量集进行分界,得到电池储能状态高频向量集和电池储能状态低频向量集;
电池储能高频预测值确定模块,用于根据所述电池储能状态高频向量集进行预测,得到电池储能高频预测值;
电池储能低频预测值确定模块,用于对所述电池储能状态低频向量集进行低频分量预测,得到电池储能低频预测值;
电池储能状态确定模块,用于将所述电池储能高频预测值和所述电池储能低频预测值相加,得到电池储能状态预测值,根据所述电池储能状态预测值确定电池的储能状态。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至5任一项所述的电池储能测试方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的电池储能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420837.7A CN117148170B (zh) | 2023-10-30 | 2023-10-30 | 一种电池储能系统及其储能测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420837.7A CN117148170B (zh) | 2023-10-30 | 2023-10-30 | 一种电池储能系统及其储能测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148170A CN117148170A (zh) | 2023-12-01 |
CN117148170B true CN117148170B (zh) | 2024-01-09 |
Family
ID=88908485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311420837.7A Active CN117148170B (zh) | 2023-10-30 | 2023-10-30 | 一种电池储能系统及其储能测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148170B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157912A (ja) * | 2001-08-13 | 2003-05-30 | Hitachi Maxell Ltd | 電池容量検出方法および装置 |
JP2011208966A (ja) * | 2010-03-29 | 2011-10-20 | Nec Corp | 余命予測装置、そのコンピュータプログラムおよびデータ処理方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN114547849A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN115498765A (zh) * | 2022-09-15 | 2022-12-20 | 深圳市普裕时代新能源科技有限公司 | 一种高速响应ems系统 |
CN115548483A (zh) * | 2022-11-30 | 2022-12-30 | 绿能慧充数字技术有限公司 | 一种储能系统及其控制方法 |
CN116068435A (zh) * | 2023-01-13 | 2023-05-05 | 华中科技大学 | 一种基于emd-gpr-rvm的液态金属电池容量预测方法及系统 |
CN116466236A (zh) * | 2023-02-27 | 2023-07-21 | 北京海博思创科技股份有限公司 | 电池剩余寿命预测方法、装置、设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11480625B2 (en) * | 2020-03-12 | 2022-10-25 | Wisk Aero Llc | Real-time battery fault detection and state-of-health monitoring |
FR3128316B1 (fr) * | 2021-10-18 | 2023-11-03 | Electricite De France | Prédiction de l’état de santé d’un dispositif électrochimique par mesure de sa chute de capacité |
-
2023
- 2023-10-30 CN CN202311420837.7A patent/CN117148170B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157912A (ja) * | 2001-08-13 | 2003-05-30 | Hitachi Maxell Ltd | 電池容量検出方法および装置 |
JP2011208966A (ja) * | 2010-03-29 | 2011-10-20 | Nec Corp | 余命予測装置、そのコンピュータプログラムおよびデータ処理方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN114547849A (zh) * | 2022-01-07 | 2022-05-27 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN115498765A (zh) * | 2022-09-15 | 2022-12-20 | 深圳市普裕时代新能源科技有限公司 | 一种高速响应ems系统 |
CN115548483A (zh) * | 2022-11-30 | 2022-12-30 | 绿能慧充数字技术有限公司 | 一种储能系统及其控制方法 |
CN116068435A (zh) * | 2023-01-13 | 2023-05-05 | 华中科技大学 | 一种基于emd-gpr-rvm的液态金属电池容量预测方法及系统 |
CN116466236A (zh) * | 2023-02-27 | 2023-07-21 | 北京海博思创科技股份有限公司 | 电池剩余寿命预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Comparing seven methods for state-of-health time series prediction for the lithium-ion battery packs of forklifts;Huotari, M et al.;APPLIED SOFT COMPUTING;第111卷;第1-12页 * |
船舶综合电力推进系统故障诊断技术研究;孙玥;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第05期);第57-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117148170A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
CN110196395B (zh) | 蓄电池soc估算方法 | |
CN115513951B (zh) | 一种基于概念漂移检测的电力负荷预测方法及系统 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN114705990A (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
KR20220069137A (ko) | 배터리 상태 예측 장치 및 방법 | |
CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN113408138B (zh) | 一种基于二次融合的锂电池soh估计方法和系统 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
CN117148170B (zh) | 一种电池储能系统及其储能测试方法 | |
Xu et al. | A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter | |
CN112329272A (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN115993537A (zh) | 基于相关性分析和woa-lstm的锂电池容量预测方法 | |
CN114895209A (zh) | 面向锂电池少循环的二维支持域直推式健康状态预测方法 | |
KR20230028017A (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
CN116736174B (zh) | 电池剩余寿命预测方法、装置、计算机设备和存储介质 | |
CN117406158B (zh) | 一种锂离子电池短路测试仪校准方法及装置 |
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 |