CN109299552A - 一种电池能量状态的评估方法及其评估*** - Google Patents
一种电池能量状态的评估方法及其评估*** Download PDFInfo
- Publication number
- CN109299552A CN109299552A CN201811155381.5A CN201811155381A CN109299552A CN 109299552 A CN109299552 A CN 109299552A CN 201811155381 A CN201811155381 A CN 201811155381A CN 109299552 A CN109299552 A CN 109299552A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- battery
- power status
- valid data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004445 quantitative analysis Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000011158 quantitative evaluation Methods 0.000 abstract description 7
- 238000004146 energy storage Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000010291 electrical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电池能量状态的评估方法及其评估***，电池能量状态的评估方法具体包括以下步骤：采集电池的原始数据，对原始数据进行预处理得到有效数据；将有效数据进行存储，同时将有效数据发送给Spark大数据平台；对有效数据进行分析和运算形成五元素集合，构建和/或更新知识库；根据五元素集合中的输出评估电池的能量状态并进行显示。本申请提供的电池能量状态评估方法及其评估***能够采集电池的多种数据，并通过多影响因子量化评估电池的能量状态。
Description
技术领域
本申请涉及电池技术领域，具体地，涉及一种电池能量状态的评估方法及其评估***。
背景技术
电池储能是当今储能技术发展的一个重要分支，电池储能应用技术正向着分布式、移动式、异构化、智能化、信息化的方向发展，电池储能***的能量状态(SOE)量化评估在移动/异构电池储能***多场景安全生产工作中起着重要作用。电池的能量状态(SOE)表示电池当前条件下可释放的能量与电池最大可用能量的比值，是反映电池能量使用情况的重要指标，在分布式/大规模电池储能***中起着重要作用。
电池SOE的估计方法不同于电池的荷点状态(SOC)，不仅受到电池负载电流的影响，还和电压端电压相关。在锂电池的使用过程中，当电池温度和电池充放电倍率变化时，电池的放电效率会随之改变并影响电池的SOE。为了估计电池的SOE，常见的方式是对电池的特定外部电特性状态进行估计，建立电池SOC与SOE之间的关系模型，一种常见的电池利用潜力的估计方法是充放电法：首先，对电池进行充放电，获得电池的初始SOE；然后，对于使用中的电池进行充放电，获得电池的实际剩余SOE；用电池的剩余SOE除以初始SOE得到归一化的电池SOE估计值，但是现存的技术方案只能从单一因素下揭示电池的SOE估算规律，无法***全面的准确揭示电池SOE状态，并且大多数的研究是基于电池SOC状态衡量电池的SOE，以同一电池材料体系的单一电池的外部特性SOC作为衡量指标为例，特定电池材料的外部电特性评估方法无法对异构电池或电池组的外部电特性参数精确衡量，也无法确定。加之，电池成组后，由于电池之间的不一致性差异造成电池组寿命明显降低，电池组的特性与电池单体特性差异较大时将会导致局部过热发生非线性变化，而传统的电池储能***无法做到电池组与电池单体相结合的电池SOE量化和评估，因此对电池单体与电池组的SOE量化评估同样带来重要的挑战。综上所述，现有的电池储能SOE的量化评估技术缺陷，成为限制分布式、移动式、异构式电池储能***推广利用的重要障碍。
发明内容
本申请提供了一种电池能量状态的评估方法，具体包括以下步骤：采集电池的原始数据，对原始数据进行预处理得到有效数据；将有效数据进行存储，同时将有效数据发送给Spark大数据平台；对有效数据进行分析和运算形成五元素集合，构建和/或更新知识库；根据五元素集合中的输出评估电池的能量状态并进行显示。
如上的，其中，构建和更新知识库包括以下步骤：选取关系模型S(t)；根据关系模型形成五元素集合，构建和/或更新知识库；其中关系模型S(t)＝{(ω，ρ)：Ω，ω，ρ}，其中ω为有效数据，Ω为输入的轨迹集合，ρ为关系模型的输出。
如上的，其中，关系模型的选取包括以下步骤：建立评估***模型R(t)，确定***的输入X，获取充实评估***先验知识和***的输入X以及根据***输入得到理想状态下的输出Y1；选定***的评估方案，确定评估模型R(t)是否能够满足***结构的评估条件，并得出可用于评估的评估模型的真实输出Y2；将输出Y2以及有效数据ω作为输入，根据输入确定或校准关系模型S(t)。
如上的，其中，将***的输入X和有效数据ω放入关系模型中，通过在线或离线分析，进行分类、回归、聚类算法得到***的输出Y，通过输出Y得到五元素集合，五元素集合表示为P＝(T,X,Ω,Y,S)，其中T表示状态轨迹集合，X表示评估***的输入，Ω表示输入的轨迹集合，Y表示***的输出，S表示关系模型，通过五元素集合的更新完成知识库的更新。
如上的，其中，若采集到第一有效数据ω，根据ω和***第一输入X选取第一关系模型，将ω和X放入第一关系模型中，得到第一输出Y，形成五元素集合P1＝(T,X,Ω,Y1,S)；若采集到第二有效数据ω’，根据ω’和***第二输入X’选取第二关系模型，得到将ω’和X’放入第二关系模型中，得到第二输出Y’，形成五元素集合P2＝(T’,X’,Ω’,Y’,S’)；将***的第二输入X’和第二有效数据ω’放入第一关系模型中，得到了第三输出Y”，形成了五元素集合P3＝(T”,X”,Ω”,Y”,S”)，将P3与P2进行对比，若P3与P2的差值在阈值内，则不进行更新知识库。
如上的，其中，若五元素集合P3与五元素结合P2的差值超过阈值，则五元素集合P3将五元素集合P1替换，将P3添加到知识库中进行知识库的更新。
如上的，其中，通过最小二乘法或KNN算法进行五元素集合P2与五元素集合P3的差值计算。
如上的，其中，原始数据包括电池***的运行状态信息、环境数据以及电池信息。
一种评估***，包括采集模块、数据存储模块以及量化分析模块；采集模块用于采集电池内部的原始数据，并将原始数据经过一系列预处理传输给数据采集数据存储模块；数据存储模块与采集模块连接，用于接收采集模块处理后的原始数据，经过预处理将原始数据变为有效数据，通过弹性分布式数据集或分布式文件***的形式将有效数据存储起来，并发送给量化分析模块；量化分析模块与数据存储模块连接，用于接收处理后的有效数据，对数据进行分析以及运算，进行构建/更新知识库。
如上的，其中，量化分析模块包括系模型选取模块、知识库构建/更新模块，电池能量状态计算模块以及显示模块；其中知识库更新模块中包括Spark实时数据处理核心API模块和Spark机器学习库模块；关系模型选取模块用于根据接收的有效数据进行关系模型的选取；知识库构建/更新模块与关系模块连接，用于将有效数据导入关系模型中，并通过Spark实时数据处理核心API模块进行在线或离线分析，通过Spark机器学习库模块进行分类、回归、聚类算法，最终得到五元素的集合构建/更新知识库；电池能量状态计算模块与知识库构建/更新模块连接，用于根据得到的五元素集合计算电池的能量状态，并发送给显示模块；显示模块与电池能量状态计算模块连接，用于接收计算出的电池能量状态并进行显示。
本申请具有以下有益效果：
(1)本申请提供的电池能量状态评估方法及其评估***能够采集电池的多种数据，并通过多影响因子(温度、负荷、工况)量化评估电池的能量状态。
(2)本申请提供的电池能量状态评估方法及其评估***通过在线或离线分析以及各种运算不断丰富或更新知识库，能够充分挖掘移动/异构电池***数据中的价值，进行实时的评估电池的能量状态。
(3)本申请提供的电池能量状态评估方法及其评估***是基于spark大数据平台进行评估，大数据平台的分布式架构，易于扩展和缩减，可以应对分布式储能规模的改变来达到资源的有效利用，也解决了现有技术难以处理海量日志的弊端。
(4)本申请提供的电池能量状态评估方法及其评估***能够采集有效的数据，准确地去除信息的误报，并提供详细的量化评估结果，用于指导分布式/移动式/异构储能***的优化配置和联合优化运行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的电池能量状态的评估方法流程图；
图2是根据本申请实施例提供的电池能量状态的评估***内部结构示意图；
图3是本申请实施例提供的电池能量状态的量化分析模块的内部结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供一种电池能量状态的评估方法及其评估***，能够根据多种电池外部特征参数作为衡量指标，实现多影响因子、多应用场景关联分析，最终对电池能量状态进行潜力评估。
如图1所示，为本申请提供的电池能量状态评估方法，其中具体包括以下步骤：
步骤S110：采集电池的原始数据，对原始数据进行预处理得到有效数据。
示例性地，采集的是不同电池材料、不同工况以及不同场景下的电池原始数据，电池原始数据包括电池***的运行状态信息(例如输出电流、输出电压、电池容量等)、环境数据(例如温度、湿度以及负载功率等)以及电池信息(例如电池材料、生产日期、循环次数等)。有效数据为衡量电池能量状态的多影响因子。
具体地，预处理包括对采集的数据进行过滤、合并以及格式标准化，进一步地，通过日志传输***(Flume)，将原始数据集成到分布式消息***(Kafka)中，实现原始数据中的日志采集、日志预处理和日志的实时传输。
示例性地，日志采集可以采集到***日志、监控文件夹日志和TCP(TransmissionControl Protocol，传输控制协议)/UDP(User Datagram Protoco，用户数据报协议)接口日志等。
步骤S120：将有效数据进行存储，同时发送给Spark大数据平台。
具体地，Spark是专为大规模数据处理而设计的快速通用的计算引擎。
具体地，将原始数据经过数据过滤操作和映射操作将原始数据变为有效数据，通过弹性分布式数据集(RDD)或分布式文件***(HDFS)的形式存储起来。
示例性地，与原始数据不同，有效数据为评估***进行评估时所需要的数据，例如输出电流、负载功率以及循环次数等原始数据中的一部分数据。
步骤S130：Spark大数据平台对有效数据进行分析和运算，通过分析运算后的结果构建和/或更新知识库。
具体地，构建和更新知识库包括以下子步骤：
步骤D1：选取评估***的关系模型S(t)。具体包括以下步骤：
步骤F1：建立评估***模型R(t)，确定***的输入X(***常数、***特性、噪声大小、变量时延以及***状态分量等)，获取充实评估***先验知识和***的输入X以及根据***输入得到理想状态下的输出Y1。
步骤F2：选定***的评估方案，确定评估模型R(t)是否能够满足***结构的评估条件，并得出可用于评估的评估模型的输出Y2。
示例性地，Y1为理想状态下预想的输出，Y2为根据输入X得到的真实向量。
具体地，评估方案的选定需考虑以下问题：1、开环与闭环特性；2、离线与在线评估；3、评估的精度、复杂性和周期；4、信号类型的选取；5、***测量的误差等。
示例性地，常用的***评估方案算法有：粒子群算法、遗传算法、线性回归算法、贝叶斯算法、K近邻算法、分类决策树算法、支持向量机算法等。
步骤F3：将输出Y2以及有效数据ω作为评估***模型的输入，根据输入确定关系模型S(t)，利用实验数据测试完善校准关系模型S(t)。
具体地，关系模型S(t)＝{(ω，ρ)：Ω，ω，ρ}，其中ω为有效数据，Ω为输入的轨迹集合，ρ为关系模型的输出。
作为另一个实施例，将评估***分解为无数个子***，每个子***中存在一个关系模型，每个子***的输入为有效数据中的一个或多个参数，示例性地，若有效数据包括运行状态数据、环境数据、电池信息，则将运行状态数据作为子***1的输入，环境数据作为子***2的输入，电池信息作为子***3的输入，根据子***1的输入得到子***1的关系模型S1(t)，根据子***2的输入得到子***2的关系模型S2(t)，根据子***3的输入得到子***3的关系模型S3(t)，由子***1、2、3的关系模型S1(t)、S2(t)、S3(t)能够得到***的关系模型S(t)。
每个子***的关系模型的选取与***的关系模型的选取原理相同。
本申请是对电池的能量状态(SOE)进行评估的，但是电池的能量状态在不同的工况或环境下是不断变化的，因此需要对电池的参数信息进行实时采集，并将采集到的电池的原始数据转化为有效数据，评估***根据有效数据的不同选取不同的关系模型，也就是说，每采集一次原始数据，都重新选取一次关系模型。
步骤D2：根据关系模型构建/更新知识库；
由于关系模型存在公式S(t)＝{(ω，ρ)：Ω，ω，ρ}，将***的输入X与有效数据ω放入关系模型中，通过在线或离线分析，进行分类、回归、聚类算法能够得到输出ρ，此时ρ为***的输出Y，通过输出Y能够得到五元素的集合，表示为P＝(T,X,Ω,Y,S)，其中T表示状态轨迹集合，X表示评估***的输入，Ω表示输入的轨迹集合，Y表示评估***的输出，S表示关系模型。五元素集合的不断丰富和或更新就是知识库的构建和/或更新。
作为另一个实施例，若ω、ρ之间存在函数关系(ρ＝f(ω))上式可以表示为：S＝(T,X,Ω,Y,F)，其中F为关系函数。
具体地，五元素的集合表示能够表达评估***的外部特性。
示例性地，若对一个场景下的电池进行评估，首先根据***的输入X(第一输入X)与有效数据ω(第一有效数据ω)选取第一关系模型S1(t)，将第一输入X和第一有效数据ω放入第一关系模型S1(t)中，通过分析和运算最终则得到第一输出Y，形成了五元素集合P1＝(T,X,Ω,Y,S)，放入知识库中进行存储；若对一个场景下的另一个工况状态下的电池再次进行评估，则有效数据ω发生变化变为ω’，***输入变为X’，并重新选取第二关系模型S2(t)，将***的第二输入X’和第二有效数据ω’放入第二关系模型S2(t)中，最终得到第二输出Y’，形成了五元素集合P2＝(T’,X’,Ω’,Y’,S’)，同时，将***的第二输入X’和第二有效数据ω’放入第一关系模型S1(t)中，得到了第三输出Y”，形成了五元素集合P3＝(T”,X”,Ω”,Y”,S”)，将五元素集合P3与五元素集合P2进行对比，若P3与P2的差值较小，在阈值内，则不对五元素集合进行更新，也就是不进行更新知识库。
具体地，通过最小二乘法或KNN算法对P3与第P2进行计算，若P3与P2的相差在指定的阈值内，则不进行知识库的更新，若P3与P2的差值超过了指定的阈值范围，则P3替代P2集合，将P3添加到知识库中进行知识库的更新。
优选地，指定阈值可以是技术人员根据实际情况进行设置，在此不进行限定。
若有效数据再次进行变化，则再次执行步骤D1，再次进行关系模型S(t)的选取，经过关系模型的不断选取，输出Y也不断进行变化，五元素集合也不断发生改变，对五元素集合进行不断的比较，当评估***停止评估或五元素集合在持续时间内不发生更新时，则得到一个确定的输出，关系模型的输出ρ作为***的输出Y，也就是在当前状态下电池的可释放的能量。
作为另一个实施例，根据***的输入X确定***的评估模型，将有效数据ω放入关系模型中，通过在线或离线分析，进行分类、回归、聚类算法能够得到第一输出Y，最终形成五元素集合P＝(T,X,Ω,Y,S)。
作为另一个实施例，还包括衡量五元素集合的准确性，通过将评估***分解为无数个子***，每个子***中都包含一个关系模型，示例性地，若子***之间的逻辑关系为串联，则子***1的输出ρ1结合子***2原本的有效数据ω2作为子***2的整体输入，子***2的输出ρ2结合子***3的有效数据ω3作为子***3的整体输入，子***3的输出ρ3为***的输出Y。
进一步地，每个子***的关系模型同样存在公式S’(t)＝{(ω，ρ)：Ω，ω，ρ}，同时子***的关系模型又存在公式S’(t)＝{Q,λ,σ},将***的第一输入X和第一有效数据ω放入子***1的关系模型S1(t)中，经过在线/连线分析，分类、回归、聚合算法最终则得到输出ρ1，通过输出ρ1形成七元素集合P’＝(T,X,Ω,ρ1,Q,λ,σ),其中T,X,Ω与五元素集合中的T,X,Ω含义相同，Q表示***的状态变量，λ表示输出函数，σ表示***的状态分量。若***为静态，则七元素可以表示为P’＝(X,Y,Q,λ)，七元素集合能够反映***的外部特性和内部特性。
七元素集合能够衡量五元素集合的准确性，示例性地，若最终得到了五元素集合P3，则可以将***分解为无数个子***，通过最终得到的七元素集合与五元素集合通过最小二乘法/KNN算法进行运算，得到五元素集合与七元素集合的差值是否过大，若差值较小则五元素集合的结果是准确的，若差值较大则进行五元素集合的再次运算。
步骤S140：评估电池的能量状态并进行显示。
将由步骤S130得到了电池的可释放的能量与电池最大可用能量进行比值计算，得到的百分比就是电池的能量状态。
如图2所示为本申请提供的电池能量状态的评估***的内部结构示意图。
评估***包括采集模块210、数据存储模块220、量化分析模块230。
采集模块210用于采集电池内部的原始数据，并将原始数据经过一系列预处理传输给数据采集数据存储模块220。
具体地，原始数据包括电池储能***的运行状态数据(例如输出电流、输出电压、电池容量等)、环境数据(例如温度、湿度以及负载功率等)以及电池信息(例如电池材料、生产日期、循环次数等)。
进一步地，采集模块110通过日志传输***(Flume)，将采集的原始数据集成到分布式消息***(Kafka)中，实现原始数据中的日志采集、日志预处理和日志的实时传输。
数据存储模块220与采集模块210连接，用于接收采集模块处理后的原始数据，经过数据过滤操作和映射操作将原始数据变为有效数据，一方面通过弹性分布式数据集(RDD)或分布式文件***(HDFS)的形式存储起来，另一方面发送给量化分析模块230。
量化分析模块230与数据存储模块220连接，用于接收处理后的有效数据，对数据进行分析以及运算，进行构建/更新知识库。
具体地，量化分析模块230中包含Spark大数据平台，基于Spark大数据平台进行数据的分析和运算，如图3所示，其中量化分析模块230具体包括关系模型选取模块310、知识库构建/更新模块320，电池能量状态计算模块330以及显示模块340，其中知识库构建/更新模块320中包括Spark实时数据处理核心API模块350和Spark机器学习库模块360。
具体地，关系模型选取模块310用于根据接收的有效数据进行关系模型的选取。
知识库构建/更新模块320与关系模块310连接，用于将有效数据导入关系模型中，并通过Spark实时数据处理核心API模块350进行在线或离线分析，通过Spark机器学习库模块360进行分类、回归、聚类算法，最终得到五元素的集合构建/更新知识库。
电池能量状态计算模块330与知识库构建/更新模块320连接，用于根据得到的五元素集合计算电池的能量状态，并发送给显示模块340。
显示模块340与电池能量状态计算模块330连接，用于接收计算出的电池能量状态并进行显示。
本申请具有以下有益效果：
(1)本申请提供的电池能量状态评估方法及其评估***能够采集电池的多种数据，并通过多影响因子(温度、负荷、工况)量化评估电池的能量状态。
(2)本申请提供的电池能量状态评估方法及其评估***通过在线或离线分析以及各种运算不断丰富或更新知识库，能够充分挖掘移动/异构电池***数据中的价值，进行实时的评估电池的能量状态。
(3)本申请提供的电池能量状态评估方法及其评估***是基于spark大数据平台进行评估，大数据平台的分布式架构，易于扩展和缩减，可以应对分布式储能规模的改变来达到资源的有效利用，也解决了现有技术难以处理海量日志的弊端。
(4)本申请提供的电池能量状态评估方法及其评估***能够采集有效的数据，准确地去除信息的误报，并提供详细的量化评估结果，用于指导分布式/移动式/异构储能***的优化配置和联合优化运行。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电池能量状态的评估方法，其特征在于，具体包括以下步骤：
采集电池的原始数据，对原始数据进行预处理得到有效数据；
将有效数据进行存储，同时将有效数据发送给Spark大数据平台；
对有效数据进行分析和运算形成五元素集合，构建和/或更新知识库；
根据五元素集合中的输出评估电池的能量状态并进行显示。
2.如权利要求1所述的电池能量状态的评估方法，其特征在于，构建和更新知识库包括以下步骤：
选取关系模型S(t)；
根据关系模型形成五元素集合，构建和/或更新知识库；
其中关系模型S(t)＝{(ω，ρ)：Ω，ω，ρ}，其中ω为有效数据，Ω为输入的轨迹集合，ρ为关系模型的输出。
3.如权利要求2所述的电池能量状态的评估方法，其特征在于，关系模型的选取包括以下步骤：
建立评估***模型R(t)，确定***的输入X，获取充实评估***先验知识和***的输入X以及根据***输入得到理想状态下的输出Y1；
选定***的评估方案，确定评估模型R(t)是否能够满足***结构的评估条件，并得出可用于评估的评估模型的真实输出Y2；
将输出Y2以及有效数据ω作为输入，根据输入确定或校准关系模型S(t)。
4.如权利要求2所述的电池能量状态的评估方法，其特征在于，将***的输入X和有效数据ω放入关系模型中，通过在线或离线分析，进行分类、回归、聚类算法得到***的输出Y，通过输出Y得到五元素集合，五元素集合表示为P＝(T,X,Ω,Y,S)，其中T表示状态轨迹集合，X表示评估***的输入，Ω表示输入的轨迹集合，Y表示***的输出，S表示关系模型，通过五元素集合的更新完成知识库的更新。
5.如权利要求4所述的电池能量状态的评估方法，其特征在于，若采集到第一有效数据ω，根据ω和***第一输入X选取第一关系模型，将ω和X放入第一关系模型中，得到第一输出Y，形成五元素集合P1＝(T,X,Ω,Y1,S)；若采集到第二有效数据ω’，根据ω’和***第二输入X’选取第二关系模型，得到将ω’和X’放入第二关系模型中，得到第二输出Y’，形成五元素集合P2＝(T’,X’,Ω’,Y’,S’)；将***的第二输入X’和第二有效数据ω’放入第一关系模型中，得到了第三输出Y”，形成了五元素集合P3＝(T”,X”,Ω”,Y”,S”)，将P3与P2进行对比，若P3与P2的差值在阈值内，则不进行更新知识库。
6.如权利要求4所述的电池能量状态的评估方法，其特征在于，若五元素集合P3与五元素结合P2的差值超过阈值，则五元素集合P3将五元素集合P1替换，将P3添加到知识库中进行知识库的更新。
7.如权利要求5或6所述的电池能量状态的评估方法，其特征在于，通过最小二乘法或KNN算法进行五元素集合P2与五元素集合P3的差值计算。
8.如权利要求1所述的电池能量状态的评估方法，其特征在于，原始数据包括电池***的运行状态信息、环境数据以及电池信息。
9.一种评估***，其特征在于，包括采集模块、数据存储模块以及量化分析模块；
采集模块用于采集电池内部的原始数据，并将原始数据经过一系列预处理传输给数据采集数据存储模块；
数据存储模块与采集模块连接，用于接收采集模块处理后的原始数据，经过预处理将原始数据变为有效数据，通过弹性分布式数据集或分布式文件***的形式将有效数据存储起来，并发送给量化分析模块；
量化分析模块与数据存储模块连接，用于接收处理后的有效数据，对数据进行分析以及运算，进行构建/更新知识库。
10.如权利要求9所述的评估***，其特征在于，量化分析模块包括系模型选取模块、知识库构建/更新模块，电池能量状态计算模块以及显示模块；其中知识库更新模块中包括Spark实时数据处理核心API模块和Spark机器学习库模块；
关系模型选取模块用于根据接收的有效数据进行关系模型的选取；
知识库构建/更新模块与关系模块连接，用于将有效数据导入关系模型中，并通过Spark实时数据处理核心API模块进行在线或离线分析，通过Spark机器学习库模块进行分类、回归、聚类算法，最终得到五元素的集合构建/更新知识库；
电池能量状态计算模块与知识库构建/更新模块连接，用于根据得到的五元素集合计算电池的能量状态，并发送给显示模块；
显示模块与电池能量状态计算模块连接，用于接收计算出的电池能量状态并进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811155381.5A CN109299552A (zh) | 2018-09-29 | 2018-09-29 | 一种电池能量状态的评估方法及其评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811155381.5A CN109299552A (zh) | 2018-09-29 | 2018-09-29 | 一种电池能量状态的评估方法及其评估*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109299552A true CN109299552A (zh) | 2019-02-01 |
Family
ID=65161270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811155381.5A Pending CN109299552A (zh) | 2018-09-29 | 2018-09-29 | 一种电池能量状态的评估方法及其评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109299552A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理***及方法 |
| CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
| CN114139706A (zh) * | 2021-08-31 | 2022-03-04 | 国网北京市电力公司 | 储能资源的评价*** |
| CN114579659A (zh) * | 2022-03-07 | 2022-06-03 | 山东云储新能源科技有限公司 | 一种梯次利用动力电池利用潜力评估及分选***和方法 |
| CN115098737A (zh) * | 2022-06-14 | 2022-09-23 | 上海玫克生储能科技有限公司 | 储能电站数据处理方法及***、存储介质及终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6271648B1 (en) * | 2000-09-27 | 2001-08-07 | Ford Global Tech., Inc. | Method of preconditioning a battery to improve cold temperature starting of a vehicle |
| CN103257323A (zh) * | 2013-06-03 | 2013-08-21 | 清华大学 | 一种锂离子电池剩余可用能量的估计方法 |
| CN104951662A (zh) * | 2015-07-16 | 2015-09-30 | 中国科学院广州能源研究所 | 一种磷酸铁锂电池能量状态soe的估算方法 |
| CN105068007A (zh) * | 2015-07-01 | 2015-11-18 | 清华大学 | 锂离子电池模型参数变化的预测方法及*** |
| CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
| CN107092733A (zh) * | 2017-04-06 | 2017-08-25 | 汕头大学 | 基于自动神经网络搜索的锂离子电池机械强度预测方法 |
| CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警***及性能评估方法 |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
-
2018
- 2018-09-29 CN CN201811155381.5A patent/CN109299552A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6271648B1 (en) * | 2000-09-27 | 2001-08-07 | Ford Global Tech., Inc. | Method of preconditioning a battery to improve cold temperature starting of a vehicle |
| CN103257323A (zh) * | 2013-06-03 | 2013-08-21 | 清华大学 | 一种锂离子电池剩余可用能量的估计方法 |
| CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
| CN105068007A (zh) * | 2015-07-01 | 2015-11-18 | 清华大学 | 锂离子电池模型参数变化的预测方法及*** |
| CN104951662A (zh) * | 2015-07-16 | 2015-09-30 | 中国科学院广州能源研究所 | 一种磷酸铁锂电池能量状态soe的估算方法 |
| CN107092733A (zh) * | 2017-04-06 | 2017-08-25 | 汕头大学 | 基于自动神经网络搜索的锂离子电池机械强度预测方法 |
| CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警***及性能评估方法 |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理***及方法 |
| CN111222584A (zh) * | 2020-01-15 | 2020-06-02 | 北京辉腾格勒石墨烯科技有限公司 | 基于大数据和深度神经网络的锂电池实时评估方法 |
| CN114139706A (zh) * | 2021-08-31 | 2022-03-04 | 国网北京市电力公司 | 储能资源的评价*** |
| CN114579659A (zh) * | 2022-03-07 | 2022-06-03 | 山东云储新能源科技有限公司 | 一种梯次利用动力电池利用潜力评估及分选***和方法 |
| CN115098737A (zh) * | 2022-06-14 | 2022-09-23 | 上海玫克生储能科技有限公司 | 储能电站数据处理方法及***、存储介质及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299552A (zh) | 一种电池能量状态的评估方法及其评估*** | |
| Zhao et al. | Lithium-ion batteries state of charge prediction of electric vehicles using RNNs-CNNs neural networks | |
| Liu et al. | Future ageing trajectory prediction for lithium-ion battery considering the knee point effect | |
| CN112731159A (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN111812536A (zh) | 一种退役动力电池残值快速评估方法 | |
| Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
| AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
| CN115267555A (zh) | 基于电池多点温度测量的储能***电池soh评估*** | |
| Zheng et al. | Real-time estimation of battery state of charge with metabolic grey model and LabVIEW platform | |
| Zou et al. | Advancements in Artificial Neural Networks for health management of energy storage lithium-ion batteries: A comprehensive review | |
| Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
| CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
| Liu et al. | Data science-based full-lifespan management of lithium-ion battery: manufacturing, operation and reutilization | |
| Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
| Jafari et al. | Optimizing battery RUL prediction of lithium-ion batteries based on Harris hawk optimization approach using random forest and LightGBM | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| Pozzato et al. | Combining physics-based and machine learning methods to accelerate innovation in sustainable transportation and beyond: a control perspective | |
| Mehta et al. | A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery | |
| Huang et al. | SOC prediction of Lithium battery based on fuzzy information granulation and support vector regression |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |