CN104881001A - 一种基于深度学习网络的储能电池管理*** - Google Patents
一种基于深度学习网络的储能电池管理*** Download PDFInfo
- Publication number
- CN104881001A CN104881001A CN201410169036.2A CN201410169036A CN104881001A CN 104881001 A CN104881001 A CN 104881001A CN 201410169036 A CN201410169036 A CN 201410169036A CN 104881001 A CN104881001 A CN 104881001A
- Authority
- CN
- China
- Prior art keywords
- management unit
- module
- battery management
- storage battery
- neural network
- 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.)
- Withdrawn
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 50
- 238000000034 method Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000005955 Ferric phosphate Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229940032958 ferric phosphate Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/08—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers from or to individual record carriers, e.g. punched card, memory card, integrated circuit [IC] card or smart card
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种基于深度学习网络的储能电池管理***,包括:电池管理单元BMU,中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载;其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接,中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯,上位机和中央管理单元CMU之间通过RS485通讯连接。与现有技术相比,本发明提供了一种基于深度学习网络的储能电池管理***,用于实现对储能电池组的在线监测,通过深度神经网络模型及其学习算法,提高了电池管理***荷电状态SOC和蓄电池SOH估计的准确性。
Description
技术领域
本发明涉及能源管理领域,具体为一种基于深度学习网络的储能电池管理***。
背景技术
随着电力电子技术与计算机技术的飞速发展,分布式发电作为解决传统发电***所带来的经济及环境等问题的方法之一,越来越受到人们的重视。然而,分布式电源与用户混杂而形成的有源型配网为电力***带来了新的挑战,为解决分布式电源接入的问题,协调大电网和分布式电源的矛盾,充分挖掘分布式发电为电网和用户带来的价值与效益,微电网技术应运而生。
电能存储技术对于实现微电网的基本功能是非常重的,高性能的储能***能够保障供电***的供电质量和持续可靠性,提高电能的综合利用效率。因此,完善的储能电池管理***,是微电网实现其自身功能的有力保障。锂离子电池由于其具有比能量大、循环寿命长、自放电率小、无记忆效应和无污染等特点,已经成为当今各国能量存储领域的研究热点。然而,锂离子电池的高能量比性能为其带来了安全方面的隐患,不正确的使用方式将严重影响电池的使用安全,因此必须严格地根据电池参数管理电池,防止其过充、过放和过温,从而保证其安全性能。由于锂电池的充放电平台十分平坦,同时,锂电池的充放电过程是一个极其复杂的过程,充放电倍率和环境温度、湿度等因素都会影响到电池组总容量的衰减和使用寿命,使用一般方法对锂电池进行状态估计很难得到准确的估计结果,本专利提供一种基于深度网络的方法用于提高电池管理***状态估计的准确性。
发明内容
本发明提供了一种基于深度学习网络的储能电池管理***,用于微电网储能电池组特别是磷酸铁锂电池的监测与管理。
为实现上述目的,本发明提供如下技术方案:
一种基于深度学习网络的储能电池管理***,包括:电池管理单元BMU,中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载;其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接,中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯,上位机和中央管理单元CMU之间通过RS485通讯连接。
所述的电池管理单元BMU包括:故障显示模块、数据采集模块、均衡模块、CAN通信模块和电源模块,数据采集模块进行电压、温度采集并通过CAN总线将信息传送给中央管理单元CMU,进行电池单体均衡和故障代码显示,优选的,所述的故障显示模块由七段式数码管构成;所述的数据采集模块由电压监测芯片LTC6802、NTC热敏电阻和隔离电路组成;所述的均衡模块由矩阵开关、反激DC/DC变换器和均衡控制器构成;所述的CAN通信模块由高速CAN收发TJA1050、双通道数字隔离芯片IS07221A构成;所述的电源模块由稳压PWB2405CS和IB00505S组成。
所述的中央管理单元CMU包括:数据存储模块、电流检测模块、RS485通信模块、CAN通信模块和电源模块,优选的,所述的数据存储模块由Micro SD卡和电平转换芯片ADG3308构成;电流检测模块由霍尔电流传感器、运算放大器组成;所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成;所述的CAN通信模块由高速CAN收发器TJA1050,双通道数字隔离芯片IS07221A构成;所述的电源模块由稳压芯片PWA2412MD、K7805、REG1117和IB00505S组成。
所述的上位机包括:HMI触摸屏。
本发明电池的荷电状态SOC和健康状态(蓄电池SOH)估算是通过深度神经网络及其学习算法实现的;所述的深度神经网络组建步骤为:
1、确定输入层和输出层神经元:将电池总容量、电压、电流、温度和k-1时刻的SOC分别作为神经网络的输入层神经元;将电池的SOC和SOH作为神经网络的输出层神经元。
2、确定激活函数、神经网络隐含层层数和隐含层神经元数,从而建立神经网络。
3、调整网络参数,训练已创建的神经网络,估计SOC和SOH。
与现有技术相比,本发明提供了一种基于深度学习网络的储能电池管理***,用于实现对储能电池组的在线监测,通过深度神经网络模型及其学习算法,提高了电池管理***荷电状态SOC和蓄电池SOH估计的准确性。
附图说明
图1为本发明实现电池的荷电状态SOC和健康状态(蓄电池SOH)估算算法的深度神经网络结构图。
图2为本发明实施例提供的一种基于深度学习网络的储能电池管理***框图。
图3为一种基于深度学习网络的储能电池管理***一种实施例的结构框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
一种基于深度学习网络的储能电池管理***示意图,如图2所示,包括:电池管理单元BMU,中央管理单元CMU、上位机、24V蓄电池、霍尔传感器和直流负载,在本发明一种基于深度学习网络的储能电池管理***一种实施例中,如图3所示,所述的直流负载为用电设备;其中24V蓄电池与电池管理单元BMU和中央管理单元CMU电连接,用于为电池管理单元BMU和中央管理单元CMU进行供电,中央管理单元CMU通过串接在储能电池和直流负载之间的霍尔传感器进行电流检测,中央管理单元CMU和电池管理单元BMU之间通过CAN总线进行通讯,上位机和中央管理单元CMU之间通过RS485进行通讯。
所述的电池管理单元BMU包括:故障显示模块、数据采集模块、均衡模块、CAN通信模块和电源模块,数据采集模块进行电压、温度采集并通过CAN总线将信息传送给中央管理单元CMU,进行电池单体均衡和故障代码显示。进一步的,所述的故障显示模块由七段式数码管构成,用于完成故障代码的显示;所述的数据采集模块由电压监测芯片LTC6802、NTC热敏电阻和隔离电路组成,用于完成单体电压及温度采集;所述的均衡模块由矩阵开关、反激DC/DC变换器和均衡控制器构成,用于实现电池组均衡;所述的CAN通信模块由高速CAN收发器TJA1050、双通道数字隔离芯片IS07221A构成,用于实现CAN通讯;所述的电源模块由稳压芯片PWB2405CS和IB00505S组成,用于为电池管理单元BMU的其它模块供电。
所述的中央管理单元CMU包括:数据存储模块、电流检测模块、RS485通信模块、CAN通信模块和电源模块,功能为:进行电流检测、对电池组进行状态估计、进行数据存储以及通过RS485与上位机进行交互;进一步的,所述的数据存储模块由Micro SD卡和电平转换芯片ADG3308构成,用于运行过程中产生的关键数据存储;电流检测模块由霍尔电流传感器、运算放大器组成,用于实现电流采集;所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成,用于实现中央管理单元CMU与HMI触摸屏的通讯;所述的CAN通信模块由高速CAN收发器TJA1050,双通道数字隔离芯片IS07221A构成,用于实现CAN通讯;所述的电源模块由稳压芯片PWA2412MD、K7805、REG1117和IB00505S组成,用于为中央管理单元CMU的其它模块供电。
所述的上位机包括:HMI触摸屏,功能是实现电池参数配置,在线显示电池的状态信息。
***上电后,电池管理单元BMU首先进行自检,若***发现故障,则将故障信息显示在故障显示模块;若***正常,则对电池单体电压和温度进行采集,并通过CAN通信模块监测CAN总线,当发现有来自中央管理单元CMU的CAN请求报文后,开始向中央管理单元CMU发送电池单体信息报文。
中央管理单元CMU上电后,首先需要利用上位机对***进行参数配置,配置完成后,中央管理单元CMU会通过CAN总线循环向电池管理单元BMU发送请求报文,同时接收来自电池管理单元BMU的电池单体信息报文,中央管理单元CMU通过霍尔传感器检测回路电流并利用深度神经网络算法进行电池状态估计。中央管理单元CMU在运行的过程中还会进行过充、过放、过温等故障诊断并通过人机交互界面将电池的状态信息和故障信息反馈给用户,另一方面,中央管理单元CMU将电池的关键数据存储在Micro SD卡中,以便维护人员进行数据分析。
如图1所示,本发明电池的荷电状态SOC和健康状态(蓄电池SOH)估算是通过深度神经网络及其学习算法实现的;所述的深度神经网络组建步骤为:
1、确定输入层和输出层神经元:将电池总容量、电压、电流、温度和k-1时刻的SOC分别作为神经网络的输入层神经元;将电池的SOC和SOH作为神经网络的输出层神经元。
2、确定激活函数、神经网络隐含层层数和隐含层神经元数,从而建立神经网络。
3、调整网络参数,训练已创建的神经网络,估计SOC和SOH。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (2)
1.一种基于深度学***转换芯片ADG3308构成;电流检测模块由霍尔电流传感器、运算放大器组成;所述的RS485通信模块由差分数据收发器芯片SN65LBC184D构成;所述的CAN通信模块由高速CAN收发器TJA1050,双通道数字隔离芯片IS07221A构成;所述的电源模块由稳压芯片PWA2412MD、K7805、REG1117和IB00505S组成;所述的上位机包括:HMI触摸屏。
2.根据权利要求1所述的一种基于深度学习网络的储能电池管理***,其特征在于,本发明电池的荷电状态SOC和蓄电池健康状态SOH估算是通过深度神经网络及其学习算法实现的;所述的深度神经网络组建步骤为:第一步,确定输入层和输出层神经元:将电池总容量、电压、电流、温度和k-1时刻的SOC分别作为神经网络的输入层神经元,将电池的SOC和SOH作为神经网络的输出层神经元;第二步,确定激活函数、神经网络隐含层层数和隐含层神经元数,从而建立神经网络;第三步,调整网络参数,训练已创建的神经网络,估计SOC和SOH。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410169036.2A CN104881001A (zh) | 2014-04-25 | 2014-04-25 | 一种基于深度学习网络的储能电池管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410169036.2A CN104881001A (zh) | 2014-04-25 | 2014-04-25 | 一种基于深度学习网络的储能电池管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104881001A true CN104881001A (zh) | 2015-09-02 |
Family
ID=53948531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410169036.2A Withdrawn CN104881001A (zh) | 2014-04-25 | 2014-04-25 | 一种基于深度学习网络的储能电池管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881001A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN105634058A (zh) * | 2016-01-22 | 2016-06-01 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡*** |
CN107887658A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 蓄电池组件、机动车 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110531281A (zh) * | 2019-09-09 | 2019-12-03 | 合肥工业大学 | 用于估计动力蓄电池单元的健康状态的方法及*** |
CN110658460A (zh) * | 2019-09-29 | 2020-01-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的电池寿命预测方法及装置 |
CN112254815A (zh) * | 2020-08-28 | 2021-01-22 | 华电电力科学研究院有限公司 | 一种基于三维红外成像测温的电化学储能站温度监控*** |
CN112557908A (zh) * | 2020-12-17 | 2021-03-26 | 温州大学 | 一种锂离子动力电池soc和soh联合估计方法 |
US11171498B2 (en) | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
CN115377582A (zh) * | 2022-08-30 | 2022-11-22 | 华为数字能源技术有限公司 | 电池单体、电池模组、电池包、储能***及电动汽车 |
US11637331B2 (en) | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN117523940A (zh) * | 2024-01-08 | 2024-02-06 | 深圳风向标教育资源股份有限公司 | 动力电池管理***及实训教学平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2444511A (en) * | 2006-12-06 | 2008-06-11 | Iti Scotland Ltd | Neural network battery management |
CN102385660A (zh) * | 2010-09-03 | 2012-03-21 | 湘潭大学 | 一种充电站电池soc的估计方法 |
CN102738525A (zh) * | 2012-06-14 | 2012-10-17 | 沈阳中科正方新能源技术有限公司 | 一种车载锂动力电池的电池管理*** |
CN103501026A (zh) * | 2013-09-17 | 2014-01-08 | 武汉大学 | 一种基于Labview的锂电池管理*** |
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
-
2014
- 2014-04-25 CN CN201410169036.2A patent/CN104881001A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2444511A (en) * | 2006-12-06 | 2008-06-11 | Iti Scotland Ltd | Neural network battery management |
CN102385660A (zh) * | 2010-09-03 | 2012-03-21 | 湘潭大学 | 一种充电站电池soc的估计方法 |
CN102738525A (zh) * | 2012-06-14 | 2012-10-17 | 沈阳中科正方新能源技术有限公司 | 一种车载锂动力电池的电池管理*** |
CN103501026A (zh) * | 2013-09-17 | 2014-01-08 | 武汉大学 | 一种基于Labview的锂电池管理*** |
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137242B (zh) * | 2015-09-09 | 2018-04-13 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN105634058A (zh) * | 2016-01-22 | 2016-06-01 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡*** |
CN105634058B (zh) * | 2016-01-22 | 2018-05-25 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡*** |
CN107887658A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 蓄电池组件、机动车 |
US11171498B2 (en) | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
US11637331B2 (en) | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109784480B (zh) * | 2019-01-17 | 2022-11-18 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN110412470B (zh) * | 2019-04-22 | 2021-09-21 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110531281B (zh) * | 2019-09-09 | 2021-08-13 | 合肥工业大学 | 用于估计动力蓄电池单元的健康状态的方法及*** |
CN110531281A (zh) * | 2019-09-09 | 2019-12-03 | 合肥工业大学 | 用于估计动力蓄电池单元的健康状态的方法及*** |
CN110658460A (zh) * | 2019-09-29 | 2020-01-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的电池寿命预测方法及装置 |
CN112254815A (zh) * | 2020-08-28 | 2021-01-22 | 华电电力科学研究院有限公司 | 一种基于三维红外成像测温的电化学储能站温度监控*** |
CN112557908A (zh) * | 2020-12-17 | 2021-03-26 | 温州大学 | 一种锂离子动力电池soc和soh联合估计方法 |
CN115377582A (zh) * | 2022-08-30 | 2022-11-22 | 华为数字能源技术有限公司 | 电池单体、电池模组、电池包、储能***及电动汽车 |
CN117523940A (zh) * | 2024-01-08 | 2024-02-06 | 深圳风向标教育资源股份有限公司 | 动力电池管理***及实训教学平台 |
CN117523940B (zh) * | 2024-01-08 | 2024-04-19 | 深圳风向标教育资源股份有限公司 | 动力电池管理***及实训教学平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881001A (zh) | 一种基于深度学习网络的储能电池管理*** | |
CN103675686B (zh) | 电动车辆动力电池充放电工况模拟***和方法 | |
JP6111275B2 (ja) | 電池制御装置 | |
CN103208828B (zh) | 一种串联电池组管理*** | |
CN103563210B (zh) | 包括模块化bms连接结构的电力储存***及其控制方法 | |
CN201781037U (zh) | 电动汽车的电池管理*** | |
US20140111164A1 (en) | Battery control device and battery system | |
JP6101714B2 (ja) | 電池制御装置、電池システム | |
EP2720054A1 (en) | Battery control device and battery system | |
CN110190347A (zh) | 一种应用于通信基站的锂电池管理*** | |
JP6364127B2 (ja) | 蓄電池アレーの故障診断装置および故障診断方法 | |
CN104242393A (zh) | 基于动态soc估算***的电池管理*** | |
CN105471020A (zh) | 用于电池单元漏电检测的电路和方法 | |
CN106199450A (zh) | 一种电池健康状况评判***及方法 | |
CN115101840B (zh) | 电池***和电池包连接状态识别方法 | |
CN110290972A (zh) | 估计电池单体的充电状态的方法 | |
US8030894B2 (en) | System and method for rebalancing a vehicle battery | |
CN106505267A (zh) | 一种大型汽车燃料电池管理***及方法 | |
CN204030697U (zh) | 基于动态soc估算***的电池管理*** | |
Ma et al. | Fuzzy logic based power and thermal management system design for multi-cell lithium-ion battery bank protection and operation | |
US20180034113A1 (en) | Estimation of cell voltage excursion in the presence of battery pack sensing faults | |
CN107546433B (zh) | 电池信息处理方法及装置 | |
CN103296324B (zh) | 车用动力电池组充电方法 | |
CN104348206A (zh) | 一种分布式电池管理装置及双余度供电*** | |
CN205861804U (zh) | 开关网络检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20150902 |