CN117411115A - 储能电源状态的检测控制方法、装置、电子设备及介质 - Google Patents

储能电源状态的检测控制方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN117411115A
CN117411115A CN202311233142.8A CN202311233142A CN117411115A CN 117411115 A CN117411115 A CN 117411115A CN 202311233142 A CN202311233142 A CN 202311233142A CN 117411115 A CN117411115 A CN 117411115A
Authority
CN
China
Prior art keywords
battery pack
data
module
state
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311233142.8A
Other languages
English (en)
Inventor
张海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202311233142.8A priority Critical patent/CN117411115A/zh
Publication of CN117411115A publication Critical patent/CN117411115A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
    • H02J7/00302—Overcharge protection
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
    • H02J7/00306—Overdischarge protection
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
    • H02J7/00309—Overheat or overtemperature protection
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
    • H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
    • H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the battery

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及电源状态检测控制方法技术领域，具体为储能电源状态的检测控制方法、装置、电子设备及介质，储能电源状态的检测控制方法，包括以下步骤：使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据。本发明的有益效果为使用多组传感器结合算法实时整合和解析电池组运行状态数据，提高监测实时性和准确性，采用深度学习算法准确学习和预测电池组SOC，提升运行效率和延长寿命，自适应控制算法根据实时状态和SOC调整充电策略，提高储能电源效率和安全性，智能保护和异常预警功能提升使用安全性，通过云平台大数据分析，提供优化建议并执行维护措施，增强性能的稳定性和可靠性。

Description

储能电源状态的检测控制方法、装置、电子设备及介质
技术领域
本发明涉及电源状态检测控制方法技术领域，尤其涉及储能电源状态的检测控制方法、装置、电子设备及介质。
背景技术
电源状态检测控制方法包括电压监测、电流监测、温度监测、SOC估算和电池保护控制。主要目的是为了保持电池组的正常工作状态，提高电池寿命，确保安全。通过监测电池组的电压、电流和温度等参数，可以了解电池组的充放电状态、温度情况以及预估电池容量。通过传感器收集实时数据，并通过算法和控制策略进行分析和决策，我们可以采取相应的控制措施，如调整充放电速率、执行过充过放保护、散热或降低电池温度等，以达到控制电池状态并保证其安全和稳定运行的效果。
在电源状态检测控制方法的实际使用过程中，现有方法在电池组状态的监测上存在时延和精度问题，无法精准捕获电池组的实时状态，这给电池的使用与维护带来了难度。对电池组的SOC预测较为简单，缺乏精准的预测模型，导致预测的结果存在一定误差，影响了电池组的使用效率和使用寿命。缺乏自适应控制算法，不能根据电池组的实时状态及SOC估算值，智能地调整充电策略，无法充分提高储能电源的效率和安全性。现有方法未能集成智能保护和异常预警功能，不能及时发现和处理过充、过放、温度异常等各类风险，对电池的使用安全性存在一定威胁。在电池组盘管与维护方面，现有方法通常不具备大数据分析和主动维护的能力，电池性能的稳定性和可靠性相对较弱。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的储能电源状态的检测控制方法、装置、电子设备及介质。
为了实现上述目的，本发明采用了如下技术方案：储能电源状态的检测控制方法，包括以下步骤：
S1：使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据；
S2：采用具体为循环神经网络的深度学习算法，基于所述运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值；
S3：依据所述运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略；
S4：结合所述运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告；
S5：上传所述运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护。
作为本发明的进一步方案，使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据的步骤具体为：
S101：在电池组中关键位置利用差分放大器技术安装电压、电流和温度传感器，以增强信号质量，得到原始监测数据；
S102：使用ADC技术对所述原始监测数据进行高速采样和数字化，得到同步监测数据；
S103：应用卡尔曼滤波算法对所述同步监测数据进行非线性估计和噪声去除，得到滤波后的监测数据；
S104：使用波束形成技术和电池组的物理模型，整合所述滤波后的监测数据，得到电池组运行状态数据。
作为本发明的进一步方案，采用具体为循环神经网络的深度学习算法，基于所述运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值的步骤具体为：
S201：利用Z-score正规化对所述运行状态数据进行预处理，增强模型的稳定性和收敛速度，得到标准化状态数据；
S202：使用长短时记忆单元，设计多层RNN结构，加入dropout和正则化以防止过拟合，得到RNN模型；
S203：基于Adam优化器和均方误差损失函数，输入所述标准化状态数据进行RNN模型训练，并利用交叉验证优化超参数，得到训练好的RNN模型；
S204：利用所述训练好的RNN模型，对未来时间段的SOC进行动态估算，获取电池组的SOC估算值。
作为本发明的进一步方案，依据所述运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略的步骤具体为：
S301：从所述运行状态数据中利用滑动窗口法提取温度变化信息，得到电池组温度数据；
S302：应用MPC技术，基于所述电池组温度数据构建温度控制策略，并通过凸优化解决，得到温度控制策略；
S303：结合所述SOC估算值和运行状态数据，利用贝叶斯网络评估电池组的整体健康状态，出具电池组状态报告；
S304：基于强化学习技术，依据所述电池组状态报告和温度控制策略，实时调整电池组的充电模式，得到自适应控制策略。
作为本发明的进一步方案，结合所述运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告的步骤具体为：
S401：结合决策树和支持向量机构建集成学习模型，提高异常检测的准确性，得到异常检测模型；
S402：利用所述异常检测模型，对所述运行状态数据和电池组的SOC估算值进行分析，并应用高斯混合模型标记潜在风险，得到风险评估报告；
S403：根据所述风险评估报告，依据电池组的健康状态和风险等级，自动选择和调整保护策略，包括限流、限压、冷却，整合智能保护方案；
S404：通过将实时数据与历史数据进行比较，以及利用时间序列分析和无监督学习技术发现潜在异常模式，实现对潜在问题的早期预警，生成异常预警报告；
S405：整合智能保护方案与现有控制系统，当所述异常预警报告产生时，实现自动化异常响应和控制，调整充电电流、切断危险单体电池。
作为本发明的进一步方案，上传所述运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护的步骤具体为：
S501：将所述运行状态数据、SOC估算值、智能保护与异常预警报告集成至统一的数据平台，并利用数据可视化工具展示电池组的实时运行状态、SOC、温度信息，提供实时监控界面；
S502：利用包括遗传算法、粒子群优化的智能优化技术，针对能源消耗、成本、效率进行多目标优化；
S503：基于优化方案，实时调整电池组充放电策略、电力供应链调度，实现能源调度与管理；
S504：通过分析历史数据和趋势，结合包括市场价格、天气预报的外部信息，采用深度强化学习方法预测长期趋势，据此调整长期运行策略，获取云端大数据优化策略；
S505：基于所述云端大数据优化策略实施对电池组的主动维护。
储能电源状态的检测控制装置用于执行储能电源状态的检测控制方法，所述储能电源状态的检测控制装置是由状态监测模块、SOC估算模块、温度自适应控制模块、智能保护与异常检测模块、自动化响应控制模块、云端数据分析与维护模块组成；
所述状态监测模块利用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据，得到滤波后的监测数据；
所述SOC估算模块基于滤波后的监测数据，使用循环神经网络对电池组的SOC进行深度学习预测，得到电池组SOC估算值；
所述温度自适应控制模块利用滤波后的监测数据和电池组SOC估算值，制定电池组的温度控制和充电策略，得到自适应控制策略报告；
所述智能保护与异常检测模块结合滤波后的监测数据和电池组SOC估算值，应用机器学习技术实施异常监测与风险评估，得到异常预警报告和风险评估报告；
所述自动化响应控制模块基于异常预警报告和风险评估报告，实现自动响应和保护策略的调整与执行，得到自动化保护执行结果；
所述云端数据分析与维护模块将所有相关数据和报告上传至云平台进行大数据分析，生成电池组的优化建议并实施主动维护，得到云端优化策略。
作为本发明的进一步方案，所述状态监测模块包括数据采集子模块、信号增强子模块、数据融合子模块；
所述SOC估算模块包括数据预处理子模块、RNN网络结构子模块、模型训练子模块；
所述温度自适应控制模块包括温度数据提取子模块、控制策略构建子模块、健康状态评估子模块；
所述智能保护与异常检测模块包括集成学习子模块、风险评估子模块、异常检测子模块；
所述自动化响应控制模块包括策略选择子模块、实时控制子模块、系统反馈子模块；
所述云端数据分析与维护模块包括数据上传子模块、大数据分析子模块、优化策略制定子模块。
一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述所述的储能电源状态的检测控制方法的步骤。
一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的储能电源状态的检测控制方法的步骤。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过使用多组传感器，并结合算法，能够实时整合和解析电池组的运行状态数据，精确地捕获电池组的实时状态，大幅度提高了电池组状态的监测实时性和准确性。通过采用深度学习算法，该方案能够更准确地学习并预测电池组的SOC，使其SOC估算更为精准，从而提高电池组的运行效率和延长其使用寿命。利用自适应控制算法，可以根据电池组的实时状态及SOC估算值，合理调整充电策略，提升储能电源的效率和安全性。增加了智能保护和异常预警功能，能及时发现并处理各类风险，防止出现过充、过放、温度异常等问题，大大提高了电池组的使用安全性。通过云平台进行大数据分析，实现电池组的主动维护，对电池组提出优化建议，并根据优化建议执行主动维护措施，增强了电池组性能的稳定性和可靠性。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的装置流程图；
图8为本发明的装置框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：储能电源状态的检测控制方法，包括以下步骤：
S1：使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据；
S2：采用具体为循环神经网络的深度学习算法，基于运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值；
S3：依据运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略；
S4：结合运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告；
S5：上传运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护。
通过使用多组传感器和算法的整合，可以实时获取电池组的运行状态数据，并准确捕获电池组的实时状态。相比于旧方案，新方案能够实现更高的监测效率和精度。此外，新方案还增强了电池组SOC的预测能力。采用深度学习算法，新方案能够更准确地学习和预测电池组的SOC，从而提高SOC的估算精度。这进一步优化了电池组的运行效率，并延长了其使用寿命。新方案还实现了电池组的自适应控制。通过自适应控制算法，根据电池组的实时状态和SOC估算值，合理调整充电策略，提升储能电源的效率和安全性。此外，新方案还增加了智能保护和异常预警功能。它能够及时发现并处理各类风险，例如过充、过放、温度异常等问题。这大大提高了电池组的使用安全性。为了进一步提升电池组的性能稳定性和可靠性，新方案采用云平台进行大数据分析。通过分析电池组的数据，云平台可为电池组提出优化建议，并根据建议执行主动维护措施。
请参阅图2，使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据的步骤具体为：
S101：在电池组中关键位置利用差分放大器技术安装电压、电流和温度传感器，以增强信号质量，得到原始监测数据；
S102：使用ADC技术对原始监测数据进行高速采样和数字化，得到同步监测数据；
S103：应用卡尔曼滤波算法对同步监测数据进行非线性估计和噪声去除，得到滤波后的监测数据；
S104：使用波束形成技术和电池组的物理模型，整合滤波后的监测数据，得到电池组运行状态数据。
通过在电池组关键位置安装多组传感器，可以获得更准确的电压、电流和温度监测数据。差分放大器技术有助于增强信号质量，减少传感器测量误差，从而提高检测精度。使用ADC技术对原始监测数据进行高速采样和数字化，确保多组传感器的数据同步性，避免数据延迟和不一致性。这有助于准确捕捉电池组各参数之间的关联性，对电池状态进行综合分析。应用卡尔曼滤波算法对同步监测数据进行非线性估计和噪声去除，可以有效地去除传感器数据中的噪声和干扰，提高数据质量和稳定性。这有助于减少误差对状态估计的影响，提供更可靠的运行状态数据。利用波束形成技术和电池组的物理模型，将经过滤波的监测数据整合起来。通过综合考虑各个参数之间的关系，可以得出更全面准确的电池组运行状态数据，如电池容量、健康状态等。这为后续的分析和控制提供了基础。
请参阅图3，采用具体为循环神经网络的深度学习算法，基于运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值的步骤具体为：
S201：利用Z-score正规化对运行状态数据进行预处理，增强模型的稳定性和收敛速度，得到标准化状态数据；
S202：使用长短时记忆单元，设计多层RNN结构，加入dropout和正则化以防止过拟合，得到RNN模型；
S203：基于Adam优化器和均方误差损失函数，输入标准化状态数据进行RNN模型训练，并利用交叉验证优化超参数，得到训练好的RNN模型；
S204：利用训练好的RNN模型，对未来时间段的SOC进行动态估算，获取电池组的SOC估算值。
通过Z-score正规化预处理电池组的运行状态数据，将其转化为标准化的状态数据。这可以增强模型的稳定性和收敛速度，提高训练效果。用LSTM单元来构建RNN结构，LSTM网络能够有效地处理时间序列数据的长期依赖关系，适用于预测时序性问题。多层的RNN结构有助于提取更复杂的时间序列模式，提高预测准确性。为了避免模型过拟合，引入dropout和正则化技术，有效地减少模型的过度学习。使用Adam优化器和均方误差损失函数进行模型训练，通过交叉验证优化超参数的选择，进一步提高模型的性能。利用训练好的RNN模型，可以对未来时间段的SOC进行动态估算，即给出SOC的预测值。这种估算能够更准确地预测电池组的电荷状态，为电池组的管理和控制提供指导。
请参阅图4，依据运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略的步骤具体为：
S301：从运行状态数据中利用滑动窗口法提取温度变化信息，得到电池组温度数据；
S302：应用MPC技术，基于电池组温度数据构建温度控制策略，并通过凸优化解决，得到温度控制策略；
S303：结合SOC估算值和运行状态数据，利用贝叶斯网络评估电池组的整体健康状态，出具电池组状态报告；
S304：基于强化学习技术，依据电池组状态报告和温度控制策略，实时调整电池组的充电模式，得到自适应控制策略。
通过滑动窗口法从运行状态数据中提取电池组温度变化信息。这有助于了解电池组温度的动态变化情况，为后续的控制策略提供输入。利用模型预测控制（MPC）技术，基于电池组温度数据构建温度控制策略。MPC能够考虑系统的动态特性和约束条件，通过凸优化方法得到最优的温度控制策略。这可以有效地调节电池组温度，维持在安全范围内，避免过热或过冷造成的性能衰减或安全风险。结合SOC估算值和运行状态数据，利用贝叶斯网络评估电池组的整体健康状态，并出具电池组状态报告。这有助于监测电池组的健康状况，及时发现潜在问题，并采取相应的措施进行维护和修复。基于强化学习技术，依据电池组状态报告和温度控制策略，实时调整电池组的充电模式。强化学习算法能够根据系统的反馈信息和奖励函数进行决策，使得电池组的充电策略能够适应不同的运行状态和温度要求。这有助于优化充电过程，延长电池组寿命，同时确保电池组的安全运行。
请参阅图5，结合运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告的步骤具体为：
S401：结合决策树和支持向量机构建集成学习模型，提高异常检测的准确性，得到异常检测模型；
S402：利用异常检测模型，对运行状态数据和电池组的SOC估算值进行分析，并应用高斯混合模型标记潜在风险，得到风险评估报告；
S403：根据风险评估报告，依据电池组的健康状态和风险等级，自动选择和调整保护策略，包括限流、限压、冷却，整合智能保护方案；
S404：通过将实时数据与历史数据进行比较，以及利用时间序列分析和无监督学习技术发现潜在异常模式，实现对潜在问题的早期预警，生成异常预警报告；
S405：整合智能保护方案与现有控制系统，当异常预警报告产生时，实现自动化异常响应和控制，调整充电电流、切断危险单体电池。
通过结合决策树和支持向量机构建集成学习模型，可以提高异常检测的准确性。这有助于准确地识别电池组的异常情况，包括过充、过放和温度异常等，从而及时采取措施进行控制和保护。利用异常检测模型，对运行状态数据和SOC估算值进行分析，并应用高斯混合模型进行风险评估。这可以标记潜在风险，并生成风险评估报告。通过综合考虑多个指标和条件，可以评估电池组的健康状态和风险等级，提供决策支持。根据风险评估报告中的电池组健康状态和风险等级，自动选择和调整相应的保护策略，如限流、限压、冷却等。这可以确保在发生异常情况时，及时采取适当的控制措施，保护电池组免受潜在风险的影响。通过将实时数据与历史数据进行比较，并利用时间序列分析和无监督学习技术，可以发现潜在的异常模式，并实现对异常的早期预警。生成异常预警报告，提醒操作人员需要关注的问题，从而及时采取行动。通过整合智能保护方案与现有控制系统，当异常预警报告生成时，可以实现自动化的异常响应和控制。根据报告内容，自动调整充电电流、切断危险单体电池等，保障电池组的安全运行。
请参阅图6，上传运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护的步骤具体为：
S501：将运行状态数据、SOC估算值、智能保护与异常预警报告集成至统一的数据平台，并利用数据可视化工具展示电池组的实时运行状态、SOC、温度信息，提供实时监控界面；
S502：利用包括遗传算法、粒子群优化的智能优化技术，针对能源消耗、成本、效率进行多目标优化；
S503：基于优化方案，实时调整电池组充放电策略、电力供应链调度，实现能源调度与管理；
S504：通过分析历史数据和趋势，结合包括市场价格、天气预报的外部信息，采用深度强化学习方法预测长期趋势，据此调整长期运行策略，获取云端大数据优化策略；
S505：基于云端大数据优化策略实施对电池组的主动维护。
将运行状态数据、SOC估算值、智能保护与异常预警报告集成至统一的数据平台，利用数据可视化工具展示电池组的实时运行状态、SOC和温度信息，提供实时监控界面。这有助于操作人员对电池组的运行情况进行实时监测和分析，及时发现潜在问题并采取相应措施。利用智能优化技术，如遗传算法、粒子群优化等，针对能源消耗、成本和效率等多个目标进行优化。通过云端大数据分析，可以得出电池组的优化建议，包括调整充放电策略和电力供应链调度等。这有助于提高电池组的能源利用效率、降低成本，并优化整个能量系统的功能。通过分析历史数据和趋势，并结合外部信息如市场价格和天气预报，采用深度强化学习等方法预测电池组的长期趋势。基于该预测结果，可以调整电池组的长期运行策略，以适应不断变化的需求和环境。这有助于提供更可靠、高效的电池组运行策略。基于云端大数据分析和优化策略，实施对电池组的主动维护。根据所得的优化建议，采取相应的措施，对电池组进行维护和调整，提高其性能、可靠性和寿命。这可以确保电池组的稳定运行，并最大程度地发挥其优势和效能。
请参阅图7，储能电源状态的检测控制装置用于执行储能电源状态的检测控制方法，储能电源状态的检测控制装置是由状态监测模块、SOC估算模块、温度自适应控制模块、智能保护与异常检测模块、自动化响应控制模块、云端数据分析与维护模块组成；
首先，状态监测模块利用多组传感器同步监测电池组的电压、电流和温度等参数，并通过卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据，得到滤波后的监测数据。这样做可以提高数据的准确性和稳定性，为后续的处理和分析提供可靠的基础。
SOC估算模块基于滤波后的检测数据，采用循环神经网络等深度学习方法对电池组的SOC进行预测和估算，得到电池组SOC的估算值。这样可以在没有直接测量SOC的情况下，通过算法对其进行估计，实现对电池组能量状态的准确监测和评估。
温度自适应控制模块利用滤波后的监测数据和电池组SOC估算值，制定电池组的温度控制和充放电策略，并生成自适应控制策略报告。根据实时监测数据和SOC估算值调整温度控制和充电策略，可以有效管理电池组的温度，提高其性能和寿命。
智能保护与异常检测模块结合滤波后的监测数据和电池组SOC估算值，应用机器学习技术实施异常监测与风险评估。该模块能够自动识别电池组的异常情况，并生成异常预警报告和风险评估报告，帮助操作人员及时采取适当的措施，保护电池组的安全和稳定运行。
自动化响应控制模块基于异常预警报告和风险评估报告，实现对保护策略的自动调整和执行。根据这些报告，装置能够自动响应并启动适当的保护措施，确保电池组在面临异常情况时能够及时做出反应，保证其安全性和可靠性。
最后，云端数据分析与维护模块将所有相关数据和报告上传至云平台，并进行大数据分析。通过对大量数据的分析，可以生成电池组的优化建议，并实施主动维护措施。这有助于提高电池组的性能、效率和寿命，并确保其始终处于最佳运行状态。
请参阅图8，状态监测模块包括数据采集子模块、信号增强子模块、数据融合子模块。
通过数据采集子模块、信号增强子模块和数据融合子模块的协同工作，可以实现对电池组的电压、电流和温度等关键参数的准确监测和融合，从而提供可靠的电池组运行状态数据，为后续的分析和控制提供基础。
SOC估算模块包括数据预处理子模块、RNN网络结构子模块、模型训练子模块。
借助数据预处理子模块、RNN网络结构子模块和模型训练子模块，能够通过深度学习的方法对电池组的SOC进行准确估算。这有助于实时了解电池组的能量状态，为合理管理和控制提供重要参考。
温度自适应控制模块包括温度数据提取子模块、控制策略构建子模块、健康状态评估子模块。
通过温度数据提取子模块、控制策略构建子模块和健康状态评估子模块的协同作用，可以制定电池组的温度控制策略，并评估其健康状态。这使得电池组能够在不同温度条件下自适应地调整控制策略，提高运行效率并延长电池组的寿命。
智能保护与异常检测模块包括集成学习子模块、风险评估子模块、异常检测子模块。
通过集成学习子模块、风险评估子模块和异常检测子模块的协同运作，能够实现对电池组的智能保护和异常检测。该模块可以准确识别和评估电池组潜在的风险和异常情况，并提供及时的预警和保护措施，确保电池组的安全运行。
自动化响应控制模块包括策略选择子模块、实时控制子模块、系统反馈子模块。
借助策略选择子模块、实时控制子模块和系统反馈子模块，实现了对异常情况下的自动化响应和控制。根据异常的类型和程度，该模块能够选择适当的保护策略，并实时调整电池组的控制参数，确保其在安全范围内运行。
云端数据分析与维护模块包括数据上传子模块、大数据分析子模块、优化策略制定子模块。
通过数据上传子模块、大数据分析子模块和优化策略制定子模块，可以将相关数据和报告上传至云平台进行大数据分析，并生成优化建议和主动维护策略。这有助于深入了解电池组的运行情况、发现潜在问题，并提供针对性的优化方案，以保障电池组的性能和稳定运行。
一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如上述的储能电源状态的检测控制方法的步骤。
一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的储能电源状态的检测控制方法的步骤。
工作原理：
状态监测模块包括数据采集子模块、信号增强子模块和数据融合子模块。数据采集子模块利用电压、电流和温度传感器来获取电池组的原始运行数据。信号增强子模块通过差分放大器技术提升信号质量，以确保数据的准确性和可靠性。数据融合子模块采用卡尔曼滤波算法对采集的数据进行处理，消除噪声并得到滤波后的检测数据。
SOC估算模块包括数据预处理子模块、RNN网络结构子模块和模型训练子模块。数据预处理子模块使用Z-score正规化方法对监测数据进行预处理，以便进行后续的SOC估算。RNN网络结构子模块构建了一个循环神经网络（RNN）模型，用于预测电池组的SOC。模型训练子模块通过使用训练数据集对RNN模型进行训练，以提高SOC预测的准确性和鲁棒性。
温度自适应控制模块涉及温度数据提取子模块、控制策略构建子模块和健康状态评估子模块。温度数据提取子模块从运行状态数据中提取温度信息，以便后续的控制和评估。控制策略构建子模块依据温度数据构建控制策略，并通过凸优化方法来求解最佳控制策略。健康状态评估子模块利用SOC估算和状态数据，利用贝叶斯网络对电池组的健康状态进行评估。
智能保护与异常检测模块包括集成学习子模块、风险评估子模块和异常检测子模块。集成学习子模块使用决策树和支持向量机构建集成学习模型，以综合分析电池组的运行状态和SOC，并识别潜在的风险。风险评估子模块运用异常检测模型对电池组的运行状态和SOC进行分析，标记潜在的风险。异常检测子模块进一步进行异常检测和预警，以及采取相应的措施进行保护。
自动化响应控制模块包括策略选择子模块、实时控制子模块和系统反馈子模块。策略选择子模块基于风险评估报告选择适当的保护策略。实时控制子模块执行保护策略，例如调整充电电流或切断异常单体电池，以保障电池组的安全和稳定性。系统反馈子模块获取和记录自动化保护的执行结果，提供反馈信息供后续分析和优化。
云端数据分析与维护模块包括数据上传子模块、大数据分析子模块和优化策略制定子模块。数据上传子模块将所有相关数据和报告上传至云端，以便进行后续的处理和分析。大数据分析子模块应用大数据技术对上传的数据进行分析，提取有用的信息和模式。优化策略制定子模块根据分析结果生成电池组的优化建议，并实施主动维护措施，以提高电池组的性能和寿命。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.储能电源状态的检测控制方法，其特征在于，包括以下步骤：
使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据；
采用具体为循环神经网络的深度学习算法，基于所述运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值；
依据所述运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略；
结合所述运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告；
上传所述运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护。
2.根据权利要求1所述的储能电源状态的检测控制方法，其特征在于，使用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据的步骤具体为：
在电池组中关键位置利用差分放大器技术安装电压、电流和温度传感器，以增强信号质量，得到原始监测数据；
使用ADC技术对所述原始监测数据进行高速采样和数字化，得到同步监测数据；
应用卡尔曼滤波算法对所述同步监测数据进行非线性估计和噪声去除，得到滤波后的监测数据；
使用波束形成技术和电池组的物理模型，整合所述滤波后的监测数据，得到电池组运行状态数据。
3.根据权利要求1所述的储能电源状态的检测控制方法，其特征在于，采用具体为循环神经网络的深度学习算法，基于所述运行状态数据学习并预测电池组的SOC，获取电池组的SOC估算值的步骤具体为：
利用Z-score正规化对所述运行状态数据进行预处理，增强模型的稳定性和收敛速度，得到标准化状态数据；
使用长短时记忆单元，设计多层RNN结构，加入dropout和正则化以防止过拟合，得到RNN模型；
基于Adam优化器和均方误差损失函数，输入所述标准化状态数据进行RNN模型训练，并利用交叉验证优化超参数，得到训练好的RNN模型；
利用所述训练好的RNN模型，对未来时间段的SOC进行动态估算，获取电池组的SOC估算值。
4.根据权利要求1所述的储能电源状态的检测控制方法，其特征在于，依据所述运行状态数据中的温度信息，利用具体为模型预测控制的自适应控制算法，对电池组的温度进行控制，并结合电池组状态调整充电策略，实现自适应控制策略的步骤具体为：
从所述运行状态数据中利用滑动窗口法提取温度变化信息，得到电池组温度数据；
应用MPC技术，基于所述电池组温度数据构建温度控制策略，并通过凸优化解决，得到温度控制策略；
结合所述SOC估算值和运行状态数据，利用贝叶斯网络评估电池组的整体健康状态，出具电池组状态报告；
基于强化学习技术，依据所述电池组状态报告和温度控制策略，实时调整电池组的充电模式，得到自适应控制策略。
5.根据权利要求1所述的储能电源状态的检测控制方法，其特征在于，结合所述运行状态数据和SOC估算值，使用机器学习算法对电池组进行实时监测，当出现包括过充、过放、温度异常的风险时，则通过智能保护方案进行控制，生成智能保护与异常预警报告的步骤具体为：
结合决策树和支持向量机构建集成学习模型，提高异常检测的准确性，得到异常检测模型；
利用所述异常检测模型，对所述运行状态数据和电池组的SOC估算值进行分析，并应用高斯混合模型标记潜在风险，得到风险评估报告；
根据所述风险评估报告，依据电池组的健康状态和风险等级，自动选择和调整保护策略，包括限流、限压、冷却，整合智能保护方案；
通过将实时数据与历史数据进行比较，以及利用时间序列分析和无监督学习技术发现潜在异常模式，实现对潜在问题的早期预警，生成异常预警报告；
整合智能保护方案与现有控制系统，当所述异常预警报告产生时，实现自动化异常响应和控制，调整充电电流、切断危险单体电池。
6.根据权利要求1所述的储能电源状态的检测控制方法，其特征在于，上传所述运行状态数据、SOC估算值、智能保护与异常预警报告至云平台，通过大数据分析，得出电池组的优化建议并执行主动维护措施，获取云端大数据优化策略及实施对电池组的主动维护的步骤具体为：
将所述运行状态数据、SOC估算值、智能保护与异常预警报告集成至统一的数据平台，并利用数据可视化工具展示电池组的实时运行状态、SOC、温度信息，提供实时监控界面；
利用包括遗传算法、粒子群优化的智能优化技术，针对能源消耗、成本、效率进行多目标优化；
基于优化方案，实时调整电池组充放电策略、电力供应链调度，实现能源调度与管理；
通过分析历史数据和趋势，结合包括市场价格、天气预报的外部信息，采用深度强化学习方法预测长期趋势，据此调整长期运行策略，获取云端大数据优化策略；
基于所述云端大数据优化策略实施对电池组的主动维护。
7.储能电源状态的检测控制装置，其特征在于，所述储能电源状态的检测控制装置用于执行权利要求1-6任一所述的储能电源状态的检测控制方法，所述储能电源状态的检测控制装置是由状态监测模块、SOC估算模块、温度自适应控制模块、智能保护与异常检测模块、自动化响应控制模块、云端数据分析与维护模块组成；
所述状态监测模块利用多组传感器同步监测电池组的电压、电流和温度，并结合卡尔曼滤波数据融合算法，实时整合电池组的运行状态数据，得到滤波后的监测数据；
所述SOC估算模块基于滤波后的监测数据，使用循环神经网络对电池组的SOC进行深度学习预测，得到电池组SOC估算值；
所述温度自适应控制模块利用滤波后的监测数据和电池组SOC估算值，制定电池组的温度控制和充电策略，得到自适应控制策略报告；
所述智能保护与异常检测模块结合滤波后的监测数据和电池组SOC估算值，应用机器学习技术实施异常监测与风险评估，得到异常预警报告和风险评估报告；
所述自动化响应控制模块基于异常预警报告和风险评估报告，实现自动响应和保护策略的调整与执行，得到自动化保护执行结果；
所述云端数据分析与维护模块将所有相关数据和报告上传至云平台进行大数据分析，生成电池组的优化建议并实施主动维护，得到云端优化策略。
8.根据权利要求7所述的储能电源状态的检测控制装置，其特征在于，所述状态监测模块包括数据采集子模块、信号增强子模块、数据融合子模块；
所述SOC估算模块包括数据预处理子模块、RNN网络结构子模块、模型训练子模块；
所述温度自适应控制模块包括温度数据提取子模块、控制策略构建子模块、健康状态评估子模块；
所述智能保护与异常检测模块包括集成学习子模块、风险评估子模块、异常检测子模块；
所述自动化响应控制模块包括策略选择子模块、实时控制子模块、系统反馈子模块；
所述云端数据分析与维护模块包括数据上传子模块、大数据分析子模块、优化策略制定子模块。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的储能电源状态的检测控制方法的步骤。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的储能电源状态的检测控制方法的步骤。
CN202311233142.8A 2023-09-22 2023-09-22 储能电源状态的检测控制方法、装置、电子设备及介质 Pending CN117411115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311233142.8A CN117411115A (zh) 2023-09-22 2023-09-22 储能电源状态的检测控制方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311233142.8A CN117411115A (zh) 2023-09-22 2023-09-22 储能电源状态的检测控制方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117411115A true CN117411115A (zh) 2024-01-16

Family

ID=89487908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311233142.8A Pending CN117411115A (zh) 2023-09-22 2023-09-22 储能电源状态的检测控制方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117411115A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117630758A (zh) * 2024-01-24 2024-03-01 国能大渡河检修安装有限公司 发电站变压器健康状态监测方法及系统
CN117879115A (zh) * 2024-03-11 2024-04-12 南京道尔斯特电气有限公司 一种高能量转换效率的智能电源缓冲模块及实现方法
CN118094347A (zh) * 2024-04-28 2024-05-28 深圳市远信储能技术有限公司 液冷储能模组自适应调节优化方法、装置及存储介质
CN118275913A (zh) * 2024-03-29 2024-07-02 江苏天合储能有限公司 一种红外温度检测系统及方法
CN118322931A (zh) * 2024-06-13 2024-07-12 湖南工程学院 新能源汽车化学电池储能系统的智能控制与管理系统
CN118501648A (zh) * 2024-05-23 2024-08-16 常州满旺半导体科技有限公司 基于大数据的半导体测试控制方法及系统
CN118539025A (zh) * 2024-07-29 2024-08-23 卧龙电气驱动集团股份有限公司 一种方形钠离子电池模组的动态压力调整系统
CN118884245A (zh) * 2024-09-29 2024-11-01 广东电网有限责任公司佛山供电局 基于电池的数据处理方法、装置、存储介质及电子设备
CN118984322A (zh) * 2024-07-23 2024-11-19 深圳觉明人工智能有限公司 一种智能安防监控系统及监控方法
CN119087877A (zh) * 2024-09-11 2024-12-06 重庆桦秀科技有限公司 基于电源模块ai智能管理系统
CN119099346A (zh) * 2024-11-08 2024-12-10 湖南工程学院 基于数据分析的新能源汽车储能设备智能检测方法
CN119428295A (zh) * 2024-12-25 2025-02-14 苏州质子能源科技有限公司 一种无人值守的氢离子电池充电站
CN119742899A (zh) * 2025-03-06 2025-04-01 深圳优能电气有限公司 一种共享储能电源充电电压和电流大小的控制系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117630758B (zh) * 2024-01-24 2024-05-03 国能大渡河检修安装有限公司 发电站变压器健康状态监测方法及系统
CN117630758A (zh) * 2024-01-24 2024-03-01 国能大渡河检修安装有限公司 发电站变压器健康状态监测方法及系统
CN117879115A (zh) * 2024-03-11 2024-04-12 南京道尔斯特电气有限公司 一种高能量转换效率的智能电源缓冲模块及实现方法
CN117879115B (zh) * 2024-03-11 2024-05-28 南京道尔斯特电气有限公司 一种高能量转换效率的智能电源缓冲模块及实现方法
CN118275913A (zh) * 2024-03-29 2024-07-02 江苏天合储能有限公司 一种红外温度检测系统及方法
CN118094347A (zh) * 2024-04-28 2024-05-28 深圳市远信储能技术有限公司 液冷储能模组自适应调节优化方法、装置及存储介质
CN118501648A (zh) * 2024-05-23 2024-08-16 常州满旺半导体科技有限公司 基于大数据的半导体测试控制方法及系统
CN118322931A (zh) * 2024-06-13 2024-07-12 湖南工程学院 新能源汽车化学电池储能系统的智能控制与管理系统
CN118322931B (zh) * 2024-06-13 2024-08-23 湖南工程学院 新能源汽车化学电池储能系统的智能控制与管理系统
CN118984322A (zh) * 2024-07-23 2024-11-19 深圳觉明人工智能有限公司 一种智能安防监控系统及监控方法
CN118539025A (zh) * 2024-07-29 2024-08-23 卧龙电气驱动集团股份有限公司 一种方形钠离子电池模组的动态压力调整系统
CN119087877A (zh) * 2024-09-11 2024-12-06 重庆桦秀科技有限公司 基于电源模块ai智能管理系统
CN118884245A (zh) * 2024-09-29 2024-11-01 广东电网有限责任公司佛山供电局 基于电池的数据处理方法、装置、存储介质及电子设备
CN118884245B (zh) * 2024-09-29 2025-01-14 广东电网有限责任公司佛山供电局 基于电池的数据处理方法、装置、存储介质及电子设备
CN119099346A (zh) * 2024-11-08 2024-12-10 湖南工程学院 基于数据分析的新能源汽车储能设备智能检测方法
CN119428295A (zh) * 2024-12-25 2025-02-14 苏州质子能源科技有限公司 一种无人值守的氢离子电池充电站
CN119742899A (zh) * 2025-03-06 2025-04-01 深圳优能电气有限公司 一种共享储能电源充电电压和电流大小的控制系统

Similar Documents

Publication Publication Date Title
CN117411115A (zh) 储能电源状态的检测控制方法、装置、电子设备及介质
CN117895119B (zh) 锂电池热失控预警系统及方法
CN116683588B (zh) 锂离子电池充放电控制方法及系统
CN116961186A (zh) 一种锂电池控制系统及其控制方法
CN118938019B (zh) 一种锂电池电量监测与低电量预警系统
CN118646127B (zh) 一种电池储能电站智能监控方法及系统
CN117028147A (zh) 一种风电变桨控制系统与风电变桨系统
CN119783997A (zh) 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质
CN117390944A (zh) 一种变电站运行工况仿真系统
CN117996243A (zh) 一种锂电储能电池包控制方法及系统
CN117490338A (zh) 基于深度学习的船舶冷却机组控制方法及系统
CN118198542A (zh) 一种锂电池化成分容柜
CN117609329A (zh) 一种基于大数据的怠速油耗分析方法及装置
CN118367674A (zh) 基于数据分析的电能监控系统
CN119291539B (zh) 储能系统的电量检测方法及装置
CN119004866B (zh) 一种电化学储能寿命衰减量化系统
CN119809309A (zh) 一种电网运行风险等级可视化智能管理工具系统
CN118100240B (zh) 一种用于电动汽车充电站的储能方法及系统
CN118731694A (zh) 电池单体自放电检测方法、系统、电子设备及可读介质
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
CN118052403A (zh) 工业生产流程调整方法、装置、存储介质及电子设备
CN118092328A (zh) 一种基于大数据分析的火电厂设备智能预警方法
CN113723843A (zh) 一种基于物联网的桥梁施工管理系统
Lakshmi et al. Energy Storage System Using Digital Twins with AI and IoT for Efficient Energy Management and Prolonged Battery Life in Electric Vehicles
CN119667502B (zh) 电池的高效无损析锂检测方法以及系统

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