CN111525197B - 一种蓄电池soh实时估算***及方法 - Google Patents
一种蓄电池soh实时估算***及方法 Download PDFInfo
- Publication number
- CN111525197B CN111525197B CN202010362072.6A CN202010362072A CN111525197B CN 111525197 B CN111525197 B CN 111525197B CN 202010362072 A CN202010362072 A CN 202010362072A CN 111525197 B CN111525197 B CN 111525197B
- Authority
- CN
- China
- Prior art keywords
- battery
- storage battery
- real
- time
- internal resistance
- 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
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及蓄电池SOH实时估算***及方法,其特征在于:包括铅酸蓄电池、蓄电池监测传感器组件和监控***组件;本发明中可实时预测铅蓄电池动态内阻阻值,不需进行完全充放电实验,延长电池寿命;采用电池动态内阻,温度,电解液密度构建RBF神经网络,相较传统BP神经网络,RBF神经网络具有较强的输入和输出映射功能,输出结果更为准确,并且可以实时估算,无需停电检修。
Description
技术领域
本发明涉及铅酸蓄电池健康状态监测领域,尤其涉及一种蓄电池SOH实时估算***及方法。
背景技术
电力***直流电源设备大量选用了阀控铅酸蓄电池(VRLA)。由于这种阀控铅酸蓄电池可靠性高、维护工作量小,使得蓄电池组在很多场合,特别是在无人值守的变电站等场合,实际上处于一种长期完全不维护的状态,严重偏离了蓄电池运行维护管理的基本要求,蓄电池组大大提前于其标称寿命损坏。
目前国内供配电站普遍采用蓄电池端电压监测方式,实际上电压对蓄电池的状态表征能力是很弱的;传统规程要求的蓄电池监测维护方式又过于繁琐,必须在停电检修时才能进行;而站用蓄电池,长期处于浮充状态,无法采用常用方法通过充放电数据监测,计算电池的动态内阻Ri和估算蓄电池SOH。
因此,采用GM(1,1)灰色模型对动态内阻Ri进行预测,结合RBF神经网络对电池SOH进行估算;选取动态内阻Ri、实时温度Ti、电池液密度Di作为输入,电池实际容量Q作为输出,构建输入层节点为3,隐含层节点为8,输出层节点为1的RBF神经网络对电池SOH进行实时估算。
发明内容
本发明要解决的技术问题是提供一种蓄电池SOH实时估算***,能够解决传统规程要求的蓄电池监测维护方式又过于繁琐,必须在停电检修时才能进行导致十分不方便的问题。
为解决上述技术问题,本发明的技术方案为:一种蓄电池SOH实时估算***,其创新点在于:包括铅酸蓄电池、蓄电池监测传感器组件和监控***组件;
所述蓄电池监测传感器组件包括电压检测单元、电流检测单元、电解液密度测量单元和温度传感器单元;所述电压检测单元、电流检测单元、电解液密度测量单元和温度传感器单元一端均连接在铅酸蓄电池上,另一端输出信号汇总,通过CAN总线传输至中央数据处理中心;
所述监控***组件包括中央控制单元、中央数据处理中心、电池参数数据库和显示终端;所述中央控制单元通过CAN总线控制电解液密度测量单元,并接收蓄电池监测传感器组件反馈的信号;所述中央数据处理中心包括采用灰色模型的铅蓄电池动态内阻预测模块和采用神经网络的电池实际容量估计模块;所述中央数据处理中心连接在中央控制单元上,所述电池参数数据库和显示终端均连接在中央数据处理中心上。
进一步的,所述电解液密度测量单元包括谐振采样管和抽样排液单元;所述抽样排液单元通过中央控制单元控制,驱动谐振采样管接收蓄电池监测传感器组件反馈信号。
进一步的,所述电池参数数据库中记录有铅酸蓄电池GM(1,1)灰色模型,液体谐振频率与液体密度的对应值以及铅酸蓄电池历史监测数据。
一种蓄电池SOH实时估算方法,其创新点于:具体估算方法如下:电压检测单元、电流检测单元、温度检测单元和电解液密度测量单元与铅酸蓄电池相连,检测信号传输至中央控制单元,中央控制单元接收传感器信息并负责驱动电解液密度测量单元,中央数据处理中心接收中央控制单元输出信号并根据电池参数数据库中谐振频率与液体密度的对应值,对比得出电池电解液实时密度,并将实时电压信号、实时电流信号输入电池参数数据库中;电池参数数据库中记录有GM(1,1)灰色模型,并根据检测的电压信号和电流信号对灰色模型进行在线更新,预测蓄电池实时内阻;中央数据处理中心将实时电压、动态内阻预测值、实时温度和电池液密度输入训练完成的神经网络模型,输出估计的电池实际容量,计算电池SOH。
进一步的,所述预测蓄电池实时内阻是基于灰色模型预测,预测方法如下:根据传感器组输出电压信号和电流信号,计算可得蓄电池动态内阻,生成原始数据组r(0)(t);根据原始数据组进行GM(1,1)灰色模型建模;建模方法如下:
A.将蓄电池的内阻值按等间隔时间顺序编码,形成时间序列r(0)(t)(t=1,2,...n),设预测时刻为t,每次用于建模的原始数据的个数为N;
B.首先从原始时间数列中读取,r(0)(t-N+1),...,r(0)(t)一共N个数据,将其值赋给建模数列R(0)(i)(i=1,2,...N);
C.按照GM(1,1)模型的建模方法对R(0)(i)进行建模,得到t+l,t+2,...时刻的蓄电池内阻预测值;
D.当中央数据处理中心DPC计算到了t+1时刻的蓄电池电阻值r(0)(t+1)时,重新读取r(0)(t-N+1),...,r(0)(t)一共N个数据赋给建模数列R(0)(i)(i=1,2,...N);
E.重新建立GM(1,1)预测模型,可预测t+2,t+3,...时刻的预测值;
如此往复下去,便可建立一组动态信息GM(1,1)预测模型,实现对蓄电池动态内阻的在线预测。
进一步的,所述计算电池SOH是基于灰色模型和神经网络;控***输出实时电压,电池温度,电解液密度数据,中央数据处理中心基于灰色模型,预测电池实时动态内阻作为输入向量,估算蓄电池实时容量Q;根据公式:计算可得蓄电池实时SOH。
进一步的,所述训练完成的神经网络模型,其训练流程如下:步骤(1)充放电阶段:在实验环境恒温情况下,对全新状态下同型号蓄电池恒流充电至截止电压,再恒压充电至输入电流低于额定值,此时可认定为满电状态;对充满电的电池以恒定放电速率进行放电,直至达到截止电压,计算得出电池放电总容量Q;
步骤(2)老化循环阶段:对电池进行n次的满充和放电,使电池容量退化为原有总容量Q的60%以下;以不同环境温度进行分类,分为n组矩阵空间,分别训练为n组神经网络;每种环境温度下,进行k次实验,使得电池容量退化为原有总容量Q的60%以下,分别检测电压,电池温度,电解液密度,计算动态内阻,电池实际总容量Q一共5类数据,每次充放电进行m次数据测量,构成k*5*m的矩阵空间;
步骤(3)RBF神经网络训练阶段:
a、输入向量和输出向量选取以电压Ui,电池温度Ti,电解液密度Di,计算所得动态内阻Ri组成输入向量X={Ui Ti Di Ri},总容量Q作为输出向量Y={Q};
b、隐含层神经元的构建
神经网络模型重要的部分在于隐含层神经元的构建,其神经元的数量是RBF神经网络在学习过程中通过网络自我调整来确定;隐含层的神经元状态向量定义为z={z1,z2,z3,...,zH},则隐含层第j个神经元对应输入向量x的状态为:
上式中的ω={ω1,ω2,…,ωH}为隐含层神经元映射到输出层上的权值,||.||表示欧式范数,即多维向量的空间长度;神经网络采用高斯函数作为径向基函数;即:其中vj是隐含层第j个神经元节点的中心矢量,维数与输入向量x相同;σj为第j个神经元节点的基本宽度。
c、神经网络的学习方法设计
采取在线构建法,并在此基础上运用正交最小二乘(OLS)法进行修正。
本发明的优点在于:
1)本发明中可实时预测铅蓄电池动态内阻阻值,不需进行完全充放电实验,延长电池寿命;采用电池动态内阻,温度,电解液密度构建RBF神经网络,相较传统BP神经网络,RBF神经网络具有较强的输入和输出映射功能,输出结果更为准确,并且可以实时估算,无需停电检修。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的铅酸蓄电池SOH实时估算***整体结构图。
图2为本发明的电解液密度测量单元原理图。
图3为本发明的基于灰色模型的蓄电池动态内阻预测原理图。
图4为本发明的基于灰色模型和RBF神经网络蓄电池SOH估算***原理图。
图5为本发明的蓄电池容量估算***RBF神经网络训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1至图5所示的一种蓄电池SOH实时估算***,包括铅酸蓄电池1、蓄电池监测传感器组件2和监控***组件3;
蓄电池监测传感器组件2包括电压检测单元21、电流检测单元22、电解液密度测量单元23和温度传感器单元24;电压检测单元21、电流检测单元22、电解液密度测量单元23和温度传感器单元24一端均连接在铅酸蓄电池1上,另一端输出信号汇总,通过CAN总线4传输至中央数据处理中心32;
监控***组件3包括中央控制单元31、中央数据处理中心32、电池参数数据库33和显示终端34;中央控制单元31通过CAN总线4控制电解液密度测量单元,并接收蓄电池监测传感器组件2反馈的信号;中央数据处理中心32包括采用灰色模型的铅蓄电池动态内阻预测模块和采用神经网络的电池实际容量估计模块;中央数据处理中心32连接在中央控制单元31上,电池参数数据库33和显示终端34均连接在中央数据处理中心上。
电解液密度测量单元23包括谐振采样管231和抽样排液单元232;抽样排液单元231通过中央控制单元31控制,驱动谐振采样管231接收蓄电池监测传感器组件2反馈信号。
电池参数数据库33中记录有铅酸蓄电池GM(1,1)灰色模型,液体谐振频率与液体密度的对应值以及铅酸蓄电池历史监测数据。
一种蓄电池SOH实时估算方法,具体估算方法如下:电压检测单元、电流检测单元、温度检测单元和电解液密度测量单元与铅酸蓄电池相连,检测信号传输至中央控制单元,中央控制单元接收传感器信息并负责驱动电解液密度测量单元,中央数据处理中心接收中央控制单元输出信号并根据电池参数数据库中谐振频率与液体密度的对应值,对比得出电池电解液实时密度,并将实时电压信号、实时电流信号输入电池参数数据库中;电池参数数据库中记录有GM(1,1)灰色模型,并根据检测的电压信号和电流信号对灰色模型进行在线更新,预测蓄电池实时内阻;中央数据处理中心将实时电压、动态内阻预测值、实时温度和电池液密度输入训练完成的神经网络模型,输出估计的电池实际容量,计算电池SOH。
预测蓄电池实时内阻是基于灰色模型预测,预测方法如下:根据传感器组输出电压信号和电流信号,计算可得蓄电池动态内阻,生成原始数据组r(0)(t);根据原始数据组进行GM(1,1)灰色模型建模;建模方法如下:
A.将蓄电池的内阻值按等间隔时间顺序编码,形成时间序列r(0)(t)(t=1,2,...n),设预测时刻为t,每次用于建模的原始数据的个数为N;
B.首先从原始时间数列中读取,r(0)(t-N+1),...,r(0)(t)一共N个数据,将其值赋给建模数列R(0)(i)(i=1,2,...N);
C.按照GM(1,1)模型的建模方法对R(0)(i)进行建模,得到t+l,t+2,...时刻的蓄电池内阻预测值;
D.当中央数据处理中心DPC计算到了t+1时刻的蓄电池电阻值r(0)(t+1)时,重新读取r(0)(t-N+1),...,r(0)(t)一共N个数据赋给建模数列R(0)(i)(i=1,2,...N);
E.重新建立GM(1,1)预测模型,可预测t+2,t+3,...时刻的预测值;
如此往复下去,便可建立一组动态信息GM(1,1)预测模型,实现对蓄电池动态内阻的在线预测。
计算电池SOH是基于灰色模型和神经网络;控***输出实时电压,电池温度,电解液密度数据,中央数据处理中心基于灰色模型,预测电池实时动态内阻作为输入向量,估算蓄电池实时容量Q;根据公式:计算可得蓄电池实时SOH。
训练完成的神经网络模型,其训练流程如下:
步骤(1)充放电阶段:在实验环境恒温情况下,对全新状态下同型号蓄电池恒流充电至截止电压,再恒压充电至输入电流低于额定值,此时可认定为满电状态;对充满电的电池以恒定放电速率进行放电,直至达到截止电压,计算得出电池放电总容量Q;
步骤(2)老化循环阶段:对电池进行n次的满充和放电,使电池容量退化为原有总容量Q的60%以下;以不同环境温度进行分类,分为n组矩阵空间,分别训练为n组神经网络;每种环境温度下,进行k次实验,使得电池容量退化为原有总容量Q的60%以下,分别检测电压,电池温度,电解液密度,计算动态内阻,电池实际总容量Q一共5类数据,每次充放电进行m次数据测量,构成k*5*m的矩阵空间;
步骤(3)RBF神经网络训练阶段:
a、输入向量和输出向量选取
以电压Ui,电池温度Ti,电解液密度Di,计算所得动态内阻Ri组成输入向量X={UiTi Di Ri},总容量Q作为输出向量Y={Q};
b、隐含层神经元的构建
神经网络模型重要的部分在于隐含层神经元的构建,其神经元的数量是RBF神经网络在学习过程中通过网络自我调整来确定;隐含层的神经元状态向量定义为z={z1,z2,z3,...,zH},则隐含层第j个神经元对应输入向量x的状态为:
上式中的ω={ω1,ω2,…,ωH}为隐含层神经元映射到输出层上的权值,||.||表示欧式范数,即多维向量的空间长度;神经网络采用高斯函数作为径向基函数;即:其中vj是隐含层第j个神经元节点的中心矢量,维数与输入向量x相同;σj为第j个神经元节点的基本宽度。
c、神经网络的学习方法设计
采取在线构建法,并在此基础上运用正交最小二乘(OLS)法进行修正。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种蓄电池SOH实时估算***,其特征在于:包括铅酸蓄电池、蓄电池监测传感器组件和监控***组件;
所述蓄电池监测传感器组件包括电压检测单元、电流检测单元、电解液密度测量单元和温度传感器单元;所述电压检测单元、电流检测单元、电解液密度测量单元和温度传感器单元一端均连接在铅酸蓄电池上,另一端输出信号汇总,通过CAN总线传输至中央数据处理中心;
所述监控***组件包括中央控制单元、中央数据处理中心、电池参数数据库和显示终端;所述中央控制单元通过CAN总线控制电解液密度测量单元,并接收蓄电池监测传感器组件反馈的信号;所述中央数据处理中心包括采用灰色模型的铅蓄电池动态内阻预测模块和采用神经网络的电池实际容量估计模块;所述中央数据处理中心连接在中央控制单元上,所述电池参数数据库和显示终端均连接在中央数据处理中心上;
该估算***采用电池动态内阻,温度,电解液密度构建RBF神经网络;
所述电池实时内阻是基于灰色模型预测。
2.根据权利要求1所述的一种蓄电池SOH实时估算***,其特征在于:所述电解液密度测量单元包括谐振采样管和抽样排液单元;所述抽样排液单元通过中央控制单元控制,驱动谐振采样管接收蓄电池监测传感器组件反馈信号。
3.根据权利要求1所述的一种蓄电池SOH实时估算***,其特征在于:所述电池参数数据库中记录有铅酸蓄电池GM(1,1)灰色模型,液体谐振频率与液体密度的对应值以及铅酸蓄电池历史监测数据。
4.一种蓄电池SOH实时估算方法,其特征在于:具体估算方法如下:电压检测单元、电流检测单元、温度检测单元和电解液密度测量单元与铅酸蓄电池相连,检测信号传输至中央控制单元,中央控制单元接收传感器信息并负责驱动电解液密度测量单元,中央数据处理中心接收中央控制单元输出信号并根据电池参数数据库中谐振频率与液体密度的对应值,对比得出电池电解液实时密度,并将实时电压信号、实时电流信号输入电池参数数据库中;电池参数数据库中记录有GM(1,1)灰色模型,并根据检测的电压信号和电流信号对灰色模型进行在线更新,预测蓄电池实时内阻;中央数据处理中心将实时电压、动态内阻预测值、实时温度和电池液密度输入训练完成的神经网络模型,输出估计的电池实际容量,计算电池SOH。
5.根据权利要求4所述的一种蓄电池SOH实时估算方法,其特征在于:所述预测蓄电池实时内阻是基于灰色模型预测,预测方法如下:根据传感器组输出电压信号和电流信号,计算可得蓄电池动态内阻,生成原始数据组r(0)(t);根据原始数据组进行GM(1,1)灰色模型建模;建模方法如下:
A.将蓄电池的内阻值按等间隔时间顺序编码,形成时间序列r(0)(t)(t=1,2,...n),设预测时刻为t,每次用于建模的原始数据的个数为N;
B.首先从原始时间数列中读取,r(0)(t-N+1),...,r(0)(t)一共N个数据,将其值赋给建模数列R(0)(i)(i=1,2,...N);
C.按照GM(1,1)模型的建模方法对R(0)(i)进行建模,得到t+l,t+2,...时刻的蓄电池内阻预测值;
D.当中央数据处理中心DPC计算到了t+1时刻的蓄电池电阻值r(0)(t+1)时,重新读取r(0)(t-N+1),...,r(0)(t)一共N个数据赋给建模数列R(0)(i)(i=1,2,...N);
E.重新建立GM(1,1)预测模型,可预测t+2,t+3,...时刻的预测值;
如此往复下去,便可建立一组动态信息GM(1,1)预测模型,实现对蓄电池动态内阻的在线预测。
7.根据权利要求4所述的一种蓄电池SOH实时估算方法,其特征在于:所述训练完成的神经网络模型,其训练流程如下:
步骤(1)充放电阶段:在实验环境恒温情况下,对全新状态下同型号蓄电池恒流充电至截止电压,再恒压充电至输入电流低于额定值,此时可认定为满电状态;对充满电的电池以恒定放电速率进行放电,直至达到截止电压,计算得出电池放电总容量Q;
步骤(2)老化循环阶段:对电池进行n次的满充和放电,使电池容量退化为原有总容量Q的60%以下;以不同环境温度进行分类,分为n组矩阵空间,分别训练为n组神经网络;每种环境温度下,进行k次实验,使得电池容量退化为原有总容量Q的60%以下,分别检测电压,电池温度,电解液密度,计算动态内阻,电池实际总容量Q一共5类数据,每次充放电进行m次数据测量,构成k*5*m的矩阵空间;
步骤(3)RBF神经网络训练阶段:
a、输入向量和输出向量选取
以电压Ui,电池温度Ti,电解液密度Di,计算所得动态内阻Ri组成输入向量X={Ui TiDi Ri},总容量Q作为输出向量Y={Q};
b、隐含层神经元的构建
神经网络模型重要的部分在于隐含层神经元的构建,其神经元的数量是RBF神经网络在学习过程中通过网络自我调整来确定;隐含层的神经元状态向量定义为z={z1,z2,z3,...,zH},则隐含层第j个神经元对应输入向量x的状态为:
上式中的ω={ω1,ω2,...ωH}为隐含层神经元映射到输出层上的权值,||.||表示欧式范数,即多维向量的空间长度;神经网络采用高斯函数作为径向基函数;即:其中vj是隐含层第j个神经元节点的中心矢量,维数与输入向量x相同;σj为第j个神经元节点的基本宽度;
c、神经网络的学习方法设计
采取在线构建法,并在此基础上运用正交最小二乘(OLS)法进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362072.6A CN111525197B (zh) | 2020-04-30 | 2020-04-30 | 一种蓄电池soh实时估算***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362072.6A CN111525197B (zh) | 2020-04-30 | 2020-04-30 | 一种蓄电池soh实时估算***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111525197A CN111525197A (zh) | 2020-08-11 |
CN111525197B true CN111525197B (zh) | 2021-07-30 |
Family
ID=71912129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010362072.6A Active CN111525197B (zh) | 2020-04-30 | 2020-04-30 | 一种蓄电池soh实时估算***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111525197B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113296009B (zh) * | 2021-04-23 | 2023-03-14 | 重庆大学 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
CN114186756A (zh) * | 2022-01-11 | 2022-03-15 | 国网湖北省电力有限公司孝感供电公司 | 一种配电网终端蓄电池储能容量预测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3935099B2 (ja) * | 2003-04-15 | 2007-06-20 | 株式会社デンソー | 車両用蓄電装置の内部状態検出システム |
CN102680903B (zh) * | 2012-05-11 | 2015-01-28 | 齐鲁工业大学 | 便携式蓄电池状态检测***的检测方法 |
CN202693771U (zh) * | 2012-05-11 | 2013-01-23 | 山东轻工业学院 | 便携式蓄电池状态检测*** |
CN103728569B (zh) * | 2014-01-09 | 2016-03-09 | 中国计量学院 | 一种基于多因素灰色关联模型的蓄电池容量预测方法 |
CN103983919B (zh) * | 2014-05-28 | 2016-10-05 | 山东大学 | 一种基于gm(1,n)灰色模型的电池寿命预测方法 |
CN106033113B (zh) * | 2015-03-19 | 2019-03-08 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
CN105807230B (zh) * | 2016-03-11 | 2019-03-26 | 郑贵林 | 蓄电池剩余容量及健康状态快速检测方法和装置 |
CN205941261U (zh) * | 2016-08-28 | 2017-02-08 | 常州市鑫祥科尔威船舶设备制造有限公司 | 液体密度测量仪 |
CN207938741U (zh) * | 2018-03-26 | 2018-10-02 | 厦门忻德信息技术有限公司 | 一种铅酸动力电池监测装置 |
CN109782176A (zh) * | 2018-12-20 | 2019-05-21 | 上海交通大学 | 基于narx模型的电池剩余容量在线估计方法 |
CN110058159A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于灰色神经网络的锂电池健康状态估计方法 |
CN110556597B (zh) * | 2019-09-03 | 2020-11-24 | 浙江大学 | 阀控式密封铅酸蓄电池的运维***和方法 |
CN110632528B (zh) * | 2019-11-04 | 2021-08-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
CN110703121A (zh) * | 2019-11-08 | 2020-01-17 | 北京化工大学 | 一种锂离子电池健康状态预测方法 |
-
2020
- 2020-04-30 CN CN202010362072.6A patent/CN111525197B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111525197A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102324582B (zh) | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 | |
CN113253140B (zh) | 电池健康状态在线估算方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN205693405U (zh) | 电池组或电容器组管理*** | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
CN111525197B (zh) | 一种蓄电池soh实时估算***及方法 | |
CN110658459A (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN111579993A (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN117498555B (zh) | 一种基于云边融合的储能电站智能运维*** | |
CN112881914A (zh) | 一种锂电池健康状态预测方法 | |
CN115469229A (zh) | 一种不间断电源锂电池荷电状态估算方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN115621573A (zh) | 一种储能电站锂电池健康状态预测***及方法 | |
CN117828408B (zh) | 一种储能容量数据处理方法及*** | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN117406092A (zh) | 分散式模块化电池储能***状态估计方法、装置及*** | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
Li et al. | Research on state-of-charge Estimation of Lithium-ion Batteries Based on Improved Sparrow Search Algorithm-BP Neural Network | |
CN115656837A (zh) | 一种串联型电池故障预测方法 | |
CN115389939A (zh) | 基于最小二乘法的储能电池荷电和健康状态在线估计方法 | |
CN115101836A (zh) | 一种云-端融合的电池***管理方法及装置 | |
Yan et al. | SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM |
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 |