CN115524655A - 一种储能电池的剩余电量预测校准方法 - Google Patents
一种储能电池的剩余电量预测校准方法 Download PDFInfo
- Publication number
- CN115524655A CN115524655A CN202211262390.0A CN202211262390A CN115524655A CN 115524655 A CN115524655 A CN 115524655A CN 202211262390 A CN202211262390 A CN 202211262390A CN 115524655 A CN115524655 A CN 115524655A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage battery
- temperature
- neural network
- electric quantity
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种储能电池的剩余电量预测校准方法,包括以下步骤:S1.采集储能电池的多组状态数据;S2.构建神经网络预测模型,并训练得到成熟的神经网络预测模型;S3.获得标准温度下的剩余电量预测值;S4.得到N个不同温度的剩余电量预测值;S5.生成温度比值表,对N个不同温度及其对应的比值进行保存;S6.在储能电池剩余电量未知时,对其剩余电量的预测值,并基于测得的环境温度与剩余电量的预测值进行校准。本发明考虑了温度的影响,对预测得到的剩余电量进行了校准,使得剩余电量能够更加接近与标准温度下的真实值,从而提高了剩余电量的预测准确性。
Description
技术领域
本发明涉及储能电池,特别是涉及一种储能电池的剩余电量预测校准方法。
背景技术
储能电池的剩余电量SOC(State Of Charge,荷电状态)是整个电池***的核心参数,确定电池剩余电量可以实现对电池组合理的使用,防止电池组过充电和过放电,降低电池故障发生概率,提高电池组使用寿命,延长电池续航能力具有重要的作用;
一般而言,储能电池的剩余电量虽然可以直接测试,但是储能电池分布式的应用于各个领域,如新能源汽车、通信基站等,在每个应用场景均利用专业的测试设备进行测试,是很难实现的,因此,一般情况下是通过对储能电池进行参数的采集后,根据采集到的数据进行估算,但是,在进行储能电池参数采集时,由于温度的影响,会导致采集到的参数误差较大,从而使得预测出的剩余电量与实际电量存在较大误差,不利于储能电池的准确估算。
发明内容
本发明的目的在于克服现有技术的不足,提供一种储能电池的剩余电量预测校准方法,考虑了温度的影响,对预测得到的剩余电量进行了校准,使得剩余电量能够更加接近与标准温度下的真实值,从而提高了剩余电量的预测准确性。
本发明的目的是通过以下技术方案来实现的:一种储能电池的剩余电量预测校准方法,包括以下步骤:
S1.采集储能电池的多组状态数据,每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力;
S2.构建神经网络预测模型,利用采集得到的数据对神经网络预测模型进行训练,得到成熟的神经网络预测模型;
S3.设定标准温度T,将储能电池设置于一密闭的测试空间内,并将测试空间内的温度调节为测试温度,然后采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到标准温度下的剩余电量预测值;
S4.调节测试控制内的温度值,并使得储能电池的实际剩余电量与标准温度测试时一致,在N个不同的温度下,采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到N个不同温度的剩余电量预测值,其中N为偶数;
S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算,得到N个不同温度下的比值,并生成温度比值表,对N个不同温度及其对应的比值进行保存;
S6.在储能电池剩余电量未知时,测试该储能电池的电流、电压和该储能电池的表面压力,并测试该储能电池所在环境的温度,将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中,得到剩余电量的预测值,并基于测得的环境温度与剩余电量的预测值进行校准。
本发明的有益效果是:本发明通过采集储能电池的多组状态数据,进行神经网络模型的构建和训练,并基于训练得到的神经网络进行储能电池剩余电量的预测,并且考虑了温度的影响,对预测得到的剩余电量进行了校准,使得剩余电量能够更加接近与标准温度下的真实值,从而提高了剩余电量的预测准确性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种储能电池的剩余电量预测校准方法,包括以下步骤:
S1.采集储能电池的多组状态数据,每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力;
S2.构建神经网络预测模型,利用采集得到的数据对神经网络预测模型进行训练,得到成熟的神经网络预测模型;
S3.设定标准温度T,将储能电池设置于一密闭的测试空间内,并将测试空间内的温度调节为测试温度,然后采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到标准温度下的剩余电量预测值;
S4.调节测试控制内的温度值,并使得储能电池的实际剩余电量与标准温度测试时一致,在N个不同的温度下,采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到N个不同温度的剩余电量预测值,其中N为偶数;
S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算,得到N个不同温度下的比值,并生成温度比值表,对N个不同温度及其对应的比值进行保存;
S6.在储能电池剩余电量未知时,测试该储能电池的电流、电压和该储能电池的表面压力,并测试该储能电池所在环境的温度,将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中,得到剩余电量的预测值,并基于测得的环境温度与剩余电量的预测值进行校准。
在本申请的实施例中,所述步骤S2中的神经网络预测模型为CNN神经网络模型、RNN神经网络模型或RBF神经网络模型中的一种。
其中,所述步骤S2包括:
S101.在利用任一组状态数据对神经网络预测模型进行训练时,以该组状态数据的电流、电量和储能电池的表面压力作为神经网络预测模型的输入,以该组数据的储能电池剩余电量作为神经网络预测模型的期望输出,以实现神经网络预测模型的训练;
S102.对于各组状态数据,重复执行步骤S101,当每组数据均训练结束后,将此时神经网络预测模型记为成熟的神经网络预测模型。
在本申请的实施例中,所述N个不同温度以温度T为中心均匀分布:设标准温度为T,给定温度间隔为t,则N个不同的温度分别为:T-Nt/2,…,T-2t,T-t,T+t,T+2t,…,T+ Nt/2。
在本申请的实施例中,所述步骤S6中剩余电量的预测值校准方式如下:
从温度比值表的N个温度中,查找出与测得的环境温度相差最小的温度值作为校准温度;
从温度比值表中查找校准温度对应的比值,然后利用该比值对剩余电量的预测值进行校准:即将剩余电量的预测值乘以查找到的比值,作为校准后的剩余电量预测值。
由于将剩余电量预测值转换到了标准温度下的预测值来完成校准,能够避免温度变化时,由于测得的储能电池参数的变化所带来的误差,故能够提高预测的准确性,同时后续还可以直接将校准后的剩余电量预测值作为充放电控制、切换的依据。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种储能电池的剩余电量预测校准方法,其特征在于:包括以下步骤:
S1.采集储能电池的多组状态数据,每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力;
S2.构建神经网络预测模型,利用采集得到的数据对神经网络预测模型进行训练,得到成熟的神经网络预测模型;
S3.设定标准温度T,将储能电池设置于一密闭的测试空间内,并将测试空间内的温度调节为测试温度,然后采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到标准温度下的剩余电量预测值;
S4.调节测试控制内的温度值,并使得储能电池的实际剩余电量与标准温度测试时一致,在N个不同的温度下,采集储能电池的电流、电压和储能电池表面的表面压力,输入成熟的神经网络模型中,得到N个不同温度的剩余电量预测值,其中N为偶数;
S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算,得到N个不同温度下的比值,并生成温度比值表,对N个不同温度及其对应的比值进行保存;
S6.在储能电池剩余电量未知时,测试该储能电池的电流、电压和该储能电池的表面压力,并测试该储能电池所在环境的温度,将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中,得到剩余电量的预测值,并基于测得的环境温度与剩余电量的预测值进行校准。
2.根据权利要求1所述的一种储能电池的剩余电量预测校准方法,其特征在于:所述步骤S2中的神经网络预测模型为CNN神经网络模型、RNN神经网络模型或RBF神经网络模型中的一种。
3.根据权利要求2所述的一种储能电池的剩余电量预测校准方法,其特征在于:所述步骤S2包括:
S101.在利用任一组状态数据对神经网络预测模型进行训练时,以该组状态数据的电流、电量和储能电池的表面压力作为神经网络预测模型的输入,以该组数据的储能电池剩余电量作为神经网络预测模型的期望输出,以实现神经网络预测模型的训练;
S102.对于各组状态数据,重复执行步骤S101,当每组数据均训练结束后,将此时神经网络预测模型记为成熟的神经网络预测模型。
4. 根据权利要求1所述的一种储能电池的剩余电量预测校准方法,其特征在于:所述N个不同温度以温度T为中心均匀分布:设标准温度为T,给定温度间隔为t,则N个不同的温度分别为:T-Nt/2,…,T-2t,T-t,T+t,T+2t,…,T+ Nt/2。
5.根据权利要求1所述的一种储能电池的剩余电量预测校准方法,其特征在于:所述步骤S6中剩余电量的预测值校准方式如下:
从温度比值表的N个温度中,查找出与测得的环境温度相差最小的温度值作为校准温度;
从温度比值表中查找校准温度对应的比值,然后利用该比值对剩余电量的预测值进行校准:即将剩余电量的预测值乘以查找到的比值,作为校准后的剩余电量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211262390.0A CN115524655B (zh) | 2022-10-14 | 2022-10-14 | 一种储能电池的剩余电量预测校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211262390.0A CN115524655B (zh) | 2022-10-14 | 2022-10-14 | 一种储能电池的剩余电量预测校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115524655A true CN115524655A (zh) | 2022-12-27 |
CN115524655B CN115524655B (zh) | 2023-11-07 |
Family
ID=84702364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211262390.0A Active CN115524655B (zh) | 2022-10-14 | 2022-10-14 | 一种储能电池的剩余电量预测校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115524655B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102230953A (zh) * | 2011-06-20 | 2011-11-02 | 江南大学 | 蓄电池剩余容量及健康状况预测方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理***的电池剩余电量估计方法 |
CN105759216A (zh) * | 2016-02-26 | 2016-07-13 | 同济大学 | 一种软包锂离子电池荷电状态估算方法 |
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大***研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
CN111624491A (zh) * | 2019-02-27 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种确定电池剩余电量的方法、装置及电池管理*** |
DE102019218591A1 (de) * | 2019-11-29 | 2021-06-02 | Robert Bosch Gmbh | Verfahren zur Abschätzung des Zustands eines Energiespeichers |
CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能***的soc计算方法及*** |
-
2022
- 2022-10-14 CN CN202211262390.0A patent/CN115524655B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102230953A (zh) * | 2011-06-20 | 2011-11-02 | 江南大学 | 蓄电池剩余容量及健康状况预测方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理***的电池剩余电量估计方法 |
CN105759216A (zh) * | 2016-02-26 | 2016-07-13 | 同济大学 | 一种软包锂离子电池荷电状态估算方法 |
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大***研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
CN111624491A (zh) * | 2019-02-27 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种确定电池剩余电量的方法、装置及电池管理*** |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
DE102019218591A1 (de) * | 2019-11-29 | 2021-06-02 | Robert Bosch Gmbh | Verfahren zur Abschätzung des Zustands eines Energiespeichers |
CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能***的soc计算方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115524655B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112305432B (zh) | 一种大型储能***电池的soc校准方法 | |
CN109856559B (zh) | 一种锂电池循环寿命的预测方法 | |
CN110703121A (zh) | 一种锂离子电池健康状态预测方法 | |
CN107632272B (zh) | 一种基于电芯温度预测的电池放电荷电状态精确估计方法 | |
CN109782190B (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
CN111562501A (zh) | 一种锂离子电池soc-ocv关系曲线标定方法 | |
CN110221210B (zh) | 一种锂离子电池循环寿命快速预测方法 | |
Thingvad et al. | Characterization of nmc lithium-ion battery degradation for improved online state estimation | |
Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN113777501A (zh) | 一种电池模组的soh的估算方法 | |
CN113884932A (zh) | 电池使用寿命的评估方法及装置 | |
CN111965557A (zh) | 一种后备电源可靠性的评估方法和装置 | |
CN114675196A (zh) | 一种电芯的状态检测方法、装置和电子设备 | |
Wu et al. | State-of-charge and state-of-health estimating method for lithium-ion batteries | |
CN106680722B (zh) | 一种实时在线预测ocv-soc曲线的方法和装置 | |
CN104849670A (zh) | 锂离子电池寿命预测的测试方法 | |
CN115663980B (zh) | 一种航空器电池管理***、方法、计算机设备及存储介质 | |
CN114152890A (zh) | 预测电池寿命的方法 | |
CN115524655B (zh) | 一种储能电池的剩余电量预测校准方法 | |
Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
CN108303657B (zh) | 电池开路电压与soc曲线获取方法 | |
CN113761716B (zh) | 一种锂离子电池循环寿命预测方法及其应用 | |
CN116381535A (zh) | 用于在设备外部的中央单元中借助数字孪生高效监控设备电池组的电池组电池的方法和*** | |
CN114137414A (zh) | 一种标定锂离子电池sop的方法 |
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 |