[go: up one dir, main page]

CN118336163B - 一种应用于储能电池的智能管理方法及相关设备 - Google Patents

一种应用于储能电池的智能管理方法及相关设备 Download PDF

Info

Publication number
CN118336163B
CN118336163B CN202410764268.6A CN202410764268A CN118336163B CN 118336163 B CN118336163 B CN 118336163B CN 202410764268 A CN202410764268 A CN 202410764268A CN 118336163 B CN118336163 B CN 118336163B
Authority
CN
China
Prior art keywords
energy storage
electric quantity
data
battery
cell
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
Application number
CN202410764268.6A
Other languages
English (en)
Other versions
CN118336163A (zh
Inventor
向超
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.)
Xiamen Beichenxing Energy Storage Development Co ltd
Original Assignee
Xiamen Beichenxing Energy Storage Development Co ltd
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 Xiamen Beichenxing Energy Storage Development Co ltd filed Critical Xiamen Beichenxing Energy Storage Development Co ltd
Priority to CN202410764268.6A priority Critical patent/CN118336163B/zh
Publication of CN118336163A publication Critical patent/CN118336163A/zh
Application granted granted Critical
Publication of CN118336163B publication Critical patent/CN118336163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • H01M10/44—Methods for charging or discharging
    • H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
    • 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
    • H02J7/005—Detection of state of health [SOH]
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/10—Batteries in stationary systems, e.g. emergency power source in plant

Landscapes

  • Engineering & Computer Science (AREA)
  • Electrochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Physics & Mathematics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请属于能源储存技术领域，涉及一种应用于储能电池的智能管理方法及相关设备，该方法包括：根据预设预测算法对历史放电数据进行电量预测处理，得到预测电量信息；根据健康度计算各个电芯的健康等级；根据健康等级以及循环次数对电芯进行排序操作，得到优先级序列；根据优先级序列以及预测电量信息对电芯进行充放电操作。本申请根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。

Description

一种应用于储能电池的智能管理方法及相关设备
技术领域
本申请涉及人能源储存技术领域，尤其涉及一种应用于储能电池的智能管理方法及相关设备。
背景技术
削峰填谷是指能源管理系统（Energy Management System，EMS）利用储能系统在电网高峰时段释放电能，以减轻电网压力；在电网低谷时段存储电能，从而将多余的电量存储起来。从而有效管理电能，避免电能的大量浪费。
然而，申请人发现，传统的储能电池管理方法普遍比较简单粗暴，通过定时去设置固定的时间进行充放电，没有考虑电池充电循环寿命的问题，会加快整个储能系统的使用寿命，由此可见，传统的储能电池管理方法存在管理方式不当导致使用寿命缩短的问题。
发明内容
本申请实施例的目的在于提出一种应用于储能电池的智能管理方法、装置、计算机设备及存储介质，以解决传统的储能电池管理方法存在管理方式不当导致使用寿命缩短的问题。
为了解决上述技术问题，本申请实施例提供一种应用于储能电池的智能管理方法，所述方法应用于储能系统，所述储能系统包括若干个储能电芯，所述方法采用了如下所述的技术方案：
接收携带有系统标识信息的储能管理指令；
读取历史数据库，在所述历史数据库中获取与所述系统标识信息相对应的所述储能系统的历史放电数据；
根据预设预测算法和所述历史放电数据进行电量预测处理，得到所述储能系统的当日预测电量信息；
获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数；
根据所述健康度计算所述各个电芯的健康等级；
根据所述健康等级以及所述循环次数对所述电芯进行排序操作，得到优先级序列；
获取与所述储能系统相对应的用电谷值时间；
若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作。
进一步的，所述根据所述健康度计算所述各个电芯的健康等级的步骤，具体包括下述步骤：
根据预设分割阈值以及电芯分类算法对所述电芯健康度进行分类操作，得到所述健康等级，其中，所述健康等级表示为：；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度。
进一步的，所述获取与所述储能系统相对应的用电谷值时间以及用电峰值时间的步骤，具体包括下述步骤：
采集所述储能系统的放电对象的历史用电数据，其中，所述历史用电数据包括周期最小电量以及与所述周期最小电量相关的第一影响因素数据；
根据所述历史用电数据以及预设的相关系数法对所述第一影响因素数据进行筛选操作，得到第一重点影响因素；
在所述历史用电数据中获取与所述第一重点影响因素相对应的电量值以及第一用电时间，得到第一模型训练集；
将所述第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型；
实时采集所述储能系统的当前影响因素数据；
将所述当前影响因素数据输入至所述谷值预测模型，得到所述用电谷值时间。
进一步的，所述第一模型训练集通过以下步骤得到：
依次获取所述第一重点影响因素中的元素作为目标因素；
从所述历史用电数据中获取与所述目标因素相对应的电量变化值以及电量变化时间，并根据所述电量变化值以及电量变化时间构建三元组数据，其中，所述三元组数据包括所述电量变化值的电量变化前数据、电量变化后数据以及所述电量变化时间；
获得所述目标因素在所述历史用电数据对应的所有三元组数据，得到三元数组，其中，每个所述三元组数据分别为所述三元数组中的一个元素；
将所述第一重点影响因素中所有元素的三元数组作为所述第一模型训练集。
进一步的，在所述将所述第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型的步骤之前，还包括下述步骤：
采用粒子群算法对预构建的回归预测模型的惩罚因子和核函数参数进行最优解搜索，获得最优解搜索结果；
将所述最优解搜索结果作为模型参数设置到所述预构建的回归预测模型内，获得基于粒子群算法改进的回归预测模型；
所述谷值预测模型通过以下步骤得到：
将所述第一重点影响因素中所有元素的三元数组输入到所述基于粒子算法改进的回归预测模型内；
对所述第一重点影响因素中所有元素的三元数组进行函数拟合，获得用于表征电量变化时间与所有第一重点影响因素的综合关系的拟合函数。
进一步的，所述若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作的步骤，具体包括下述步骤：
在所述优先级序列中调用优先级最高的电芯进行放电，并实时监测所述优先级最高的电芯的实时健康度数据；
根据所述实时健康度数据计算所述优先级最高的电芯的当前可用容量；
当所述优先级最高的电芯的当前可用容量与下一级别的电芯的当前可用容量保持一致时，则合并所述下一级别的电芯进行放电；
当所述储能系统中的所有电芯的当前可用容量大于所述预测电量信息且所有所述若干个电芯的当前可用容量与所述预测电量信息的差值满足预设剩余电量时，完成所述放电操作。
进一步的，在获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数的步骤之后，还包括下述步骤：
若需要对所述若干个储能电芯进行充电处理时，根据所述储能电芯的所述电芯数据计算各个储能电芯的实际电量值；
根据所述实际电量值按照电量值从小到大的顺序对所述储能电芯进行排序，得到待充电序列；
将所述待充电序列中实际电量值最小的储能电芯确定为第一待充电电芯并进行充电处理；
若充电中的第一待充电电芯的电量值与所述待充电序列中下一次序的其他储能电芯的实际电量值相等时，则将所述第一待充电电芯以及以及所述下一次序的储能电芯合并为第二待充电电芯，并对所述第二待充电电芯进行充电处理；
循环上述步骤，当所述储能电芯中各个电芯的实际电量值满足最大容量时完成充电操作。
为了解决上述技术问题，本申请实施例还提供一种应用于储能电池的智能管理装置，所述装置应用于储能系统，所述储能系统包括若干个储能电芯，所述装置采用了如下所述的技术方案：
指令接收模块，用于接收携带有系统标识信息的储能管理指令；
历史数据获取模块，用于读取历史数据库，在所述历史数据库中获取与所述系统标识信息相对应的所述储能系统的历史放电数据；
电量预测模块，用于根据预设预测算法和所述历史放电数据进行电量预测处理，得到所述储能系统的当日预测电量信息；
电芯数据获取模块，用于获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数；
健康级别计算模块，用于根据所述健康度计算所述各个电芯的健康等级；
优先级排序模块，用于根据所述健康等级以及所述循环次数对所述电芯进行排序操作，得到优先级序列；
峰谷时间获取模块，用于获取所述系统标识信息的用电谷值时间；
放电模块，用于若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作。
进一步的，所述健康级别计算模块包括：
健康级别计算子模块，用于根据预设分割阈值以及电芯分类算法对所述电芯健康度进行分类操作，得到所述健康等级，其中，所述健康等级表示为：
；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于储能电池的智能管理方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于储能电池的智能管理方法的步骤。
本申请提供了一种应用于储能电池的智能管理方法，所述方法应用于，储能系统，所述储能系统包括若干个储能电芯，包括：接收携带有系统标识信息的储能管理指令；读取历史数据库，在所述历史数据库中获取与所述系统标识信息相对应的所述储能系统的历史放电数据；根据预设预测算法和所述历史放电数据进行电量预测处理，得到所述储能系统的当日预测电量信息；获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数；根据所述健康度计算所述各个电芯的健康等级；根据所述健康等级以及所述循环次数对所述电芯进行排序操作，得到优先级序列；获取与所述储能系统相对应的用电谷值时间；若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作。与现有技术相比，本申请根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请实施例一提供的应用于储能电池的智能管理方法的实现流程图；
图3是图2中步骤S207的一种具体实施方式的流程图；
图4是本申请实施例一提供的获取第一模型训练集的一种具体实施方式的流程图；
图5是本申请实施例一提供的获取谷值预测模型的一种具体实施方式的流程图；
图6是图2中步骤S208的一种具体实施方式的流程图；
图7是图2中步骤S204之后的一种具体实施方式的流程图；
图8是本申请实施例二提供的应用于储能电池的智能管理装置的结构示意图；
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的应用于储能电池的智能管理方法一般由服务器/终端设备执行，相应地，应用于储能电池的智能管理装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的应用于储能电池的智能管理方法的一个实施例的流程图。所述的应用于储能电池的智能管理方法，包括：步骤S201、步骤S202、步骤S203、步骤S204、步骤S205、步骤S206以及步骤S207。
在步骤S201中，接收携带有系统标识信息的储能管理指令。
在本申请实施例中，本申请主要关注于电池单体层面的安全、性能和寿命管理，其中，本申请可用关注若干个由多个电池（电芯）组成的储能系统。
在本申请实施例中，系统标识信息主要用于对上述多个储能系统中需要进行定向智能管理的特定储能系统进行唯一标识，其中，该系统标识信息可以基于数字序号进行设置，例如：001、002、003等等；该系统标识信息还可以基于名称缩写进行设置，例如：汽车储能系统-QCCNXT、企业储能系统-QYCNXT等等；该系统标识信息还可以基于数字序号以及名称缩写进行设置，例如：QCCNXT001、QYCNXT002等等，应当理解，此处对系统标识信息的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，储能管理指令主要用于指示执行应用于储能电池的智能管理方法的服务器/终端设备开始对与该系统标识信息相对应的当前储能系统进行自动化能量管理，其中，该储能管理指令可以通过用户触发虚拟按键的形式进行发送，还可以通过http协议的形式进行数据交互，其中，该该储能管理指令携带有待管理的系统标识信息，应当理解，此处对储能管理指令的举例仅为方便理解，不用于限定本申请。
在步骤S202中，读取历史数据库，在历史数据库中获取与系统标识信息相对应的储能系统的历史放电数据。
在本申请实施例中，历史数据库主要用于存储储能系统历史过往的所有记录数据，其中，该记录数据均与各自的储能系统的系统标识信息建立关联关系，作为示例，历史 放电7天（可以更久）记录数据，比如当前储能系统的装机容量是1MWh(1000度电)，额定功率 是，近7天数据如下表所示：
第一天 第二天 第三天 第四天 第五天 第六天 第七天
400度 600度 300度 500度 400度 700度 400度
在步骤S203中，根据预设预测算法和历史放电数据进行电量预测处理，得到储能系统的当日预测电量信息。
在本申请实施例中，预设预测算法可以是电量预测法，该预设预测算法主要用于预测当前储能系统在当天的使用电量，该预设预测算法可以是移动平均法，即基于历史数据的平均值来预测未来的电量需求:该预设预测算法还可以是指数平滑法，即通过加权平均历史数据来预测未来的电量需求，具体的可以是指数平滑法、二次指数平滑法、三次指数平滑法等:该预设预测算法还可以是时间序列分析法，即通过分析电量数据的时间序列特征来预测未来的电量需求，具体的，可以是自回归移动平均模型(ARIMA)、季节性自回归移动平均模型(SARIMA)、指数平滑状态空间模型(ETS)等等，应当理解，此处对预设预测算法的举例仅为方便理解，不用于限定本申请。
在步骤S204中，获取若干个储能电芯中各个电芯的电芯数据，其中，电芯数据包括额定容量、健康度以及循环次数。
在本申请实施例中，储能系统是由若干个电芯组成的，本申请需要获取各个电芯的电芯数据，以对各个电芯进行分析，以获知各个电芯的健康信息，从而为各个电芯进行优先级排序，以便进行后续的充放电操作，其中，该电芯数据包括额定容量、容量、健康度（SOH）以及循环次数等信息。
在步骤S205中，根据健康度计算各个电芯的健康等级。
在本申请实施例中，健康等级用于表征当前储能系统中各个电芯的损耗程度，本申请实施例中，健康度可以为电池健康状态（State of health，SOH）；进而根据各电芯的损耗程度对其进行健康等级的确定，也就是说该电芯健康等级与电芯的健康度强相关，其中，由于各个电芯的健康度存在极小的差别，本申请通过健康等级将各个电芯进行分类，从而有效区分不同健康度的电芯，以便进行后续的电芯系统管理。
在步骤S206中，根据健康等级以及循环次数对电芯进行排序操作，得到优先级序列。
在本申请实施例中，为了让当前储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，本申请需要对各个电芯进行排序，具体的，在获取各个电芯的健康等级之后，还要结合各个电芯的循环次数（循环次数低，代表当前电池使用少、健康度好、使用率低）将健康级别更高、循环次数更低的电芯设置更高的优先级，使得当前储能系统在使用的过程中优先使用优先级更高的电芯，使得随着时间的推移，仍然能保证各个电芯之间的差距不会过大，进而能够充分高效发挥储能系统的功能。
在步骤S207中，获取与储能系统相对应的用电谷值时间。
在本申请实施例中，用电谷值时间指的是当前储能系统应用场景的用电低峰时段，反之，当前储能系统应用场景的用电高峰时段即用电峰值时段。
在步骤S208中，若当前时间满足用电谷值时间时，根据优先级序列以及预测电量信息依次对电芯进行放电操作。
在本申请实施例中，当需要进行放电时，首先需要在所有电芯中获取满足该预测电量信息的待放电电芯，然后再根据待放电电芯的优先级序列进行放电操作。
在本申请实施例中，放电操作可以是在优先级序列中调用优先级最高的电芯进行放电，并实时监测优先级最高的电芯的实时健康度数据；根据实时健康度数据计算优先级最高的电芯的可用容量；当优先级最高的电芯的可用容量与下一健康等级的电芯的健康度达到一致时，则合并下一健康等级的电芯进行放电；当储能系统中的所有电芯的可用容量满足预设剩余电量时，完成放电操作。
在本申请实施例中，通过对每个电芯的实际电量进行排序，并实时监控电量值，确保充电顺序和充电过程的安全性。同时，根据电芯的最大容量，避免过充电，以保护电芯的寿命和安全。
在本申请实施例中，提供了一种应用于储能电池的智能管理方法，包括：接收携带有系统标识信息的储能管理指令；读取历史数据库，在历史数据库中获取与系统标识信息相对应的储能系统的历史放电数据；根据预设预测算法和历史放电数据进行电量预测处理，得到储能系统的当日预测电量信息；获取若干个储能电芯中各个电芯的电芯数据，其中，电芯数据包括额定容量、健康度以及循环次数；根据健康度计算各个电芯的健康等级；根据健康等级以及循环次数对电芯进行排序操作，得到优先级序列；获取与储能系统相对应的用电谷值时间；若当前时间满足用电谷值时间时，根据优先级序列以及预测电量信息依次对电芯进行放电操作。与现有技术相比，本申请根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。
在本实施例的一些可选的实现方式中，上述步骤205包括以下步骤：
根据预设分割阈值以及电芯分类算法对电芯健康度进行分类操作，得到健康等级，其中，健康等级表示为：；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度。
在本申请实施例中，在获取各个电芯的健康度之后，依次将所有电芯的健康度信息输入至上述电芯分类算法进行健康等级计算，得到所有电芯的健康等级。
继续参阅图3，示出了图2中步骤S207的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，步骤S207具体包括：步骤S301、步骤S302、步骤S303、步骤S304、步骤S305以及步骤S306。
在步骤S301中，采集储能系统的放电对象的历史用电数据，其中，历史用电数据包括周期最小电量以及与周期最小电量相关的第一影响因素数据。
在本申请实施例中，影响因素数据包括经济维度数据和气象维度数据；经济维度数据，例如采购经理指数(PurchasingManagers'Index，PMI)和工业生产者出厂价格指数(ProducerPriceIndex，PPI)；采购经理指数PMI通过采购经理的对应阶数内的调查汇总出来的指数，由新订单指数、生产指数、从业人员指数、供应商配送指数和主要原材料库存指数加权而成，是监测宏观经济走势的先行性指数之一。由于制造业在用电量中具有规模大、能耗高的特性，其生产情况波动会在较大程度上影响全社会用电量走势，因而PMI可在一定程度上预示全社会用电增长情况的变动。工业生产者出厂价格指数PPI用于衡量生产领域价格变动走势，其侧面可以反映出生产需求及企业经营情况，工业生产活动的强弱直接关系到工业用电量增长情况，从而决定了全社会用电量增长水平。气象维度数据，例如气温、降水、相对湿度等气象要素；这些要素与生活用电量关系极为密切。
在步骤S302中，根据历史用电数据以及预设的相关系数法对第一影响因素数据进行筛选操作，得到第一重点影响因素。
在本申请实施例中，预设的相关系数法可以是，其中，表示当前储能系统在第次周期最小电量或者周期最大电量前后的电量变化值，表示当前储能系统在历史用电数据中对应的电量变化平均值，表示第次周期最小电量或者周期最大电量前后的变化时间间隔，表示当前储能系统在历史用电数据中对应的平均变化时间间隔，值越接近1或-1，则表示重点影响因素的影响力越大。
在本申请实施例中，通过上述相关系数法以及各个参数值的获取，筛选出第一重点影响因素，有效减少了训练数据的数据量，一定程度上提升了模型的训练速度。
在步骤S303中，在历史用电数据中获取与第一重点影响因素相对应的电量值以及第一用电时间，得到第一模型训练集。
在步骤S304中，将第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型。
在本申请实施例中，回归预测模型为预构建的回归预测模型，具体的，为基于支持向量回归（SVR）算法的预测模型。
在步骤S305中，实时采集储能系统的当前影响因素数据。
在步骤S306中，将当前影响因素数据输入至谷值预测模型，得到用电谷值时间。
在本申请实施例中，通过实时采集储能系统的当前影响因素数据，并根据训练好的回归预测模型分析当前影响因素数据，从而获得符合当前应用环境的用电谷值时间以及用电峰值时间，可以有效提高能源的利用率，避免能源浪费。
在本申请实施例的一些可选的实现方式中，上述历史用电数据还可以包括周期最大电量以及与周期最大电量相关的第二影响因素数据，具体的，本申请还可根据上述周期最大电量以及与周期最大电量相关的第二影响因素数据计算得到用电峰值时间，以便在该用电峰值时间段内容进行充电操作。
在本申请实施例的一些可选的实现方式中，若当前时间满足用电峰值时间时，可以根据优先级序列对电芯进行充电操作。
在本申请实施例中，充电操作可以是：
（1）获取每个电芯的额定容量、可用容量、健康度，比如某个电芯的额定容量314Ah,剩余电量40%。健康度95%；
（2）计算出实际电量，公式为：（额定容量*剩余电量）*健康度=实际电量,使用上述示例数据进行计算得到实际电量为（314Ah*40%）*95%=119.32Ah；
（3）对实际电量进行排序，充电过程先充电量低的电芯；
（4）实时监控电芯电量值；
（5）当有重叠的电量的时候，把未充电的加入到充电队列（比如某一批电芯电量是90Ah,下一批电芯是110Ah,先充90Ah的，当90Ah的到达110Ah的时候，则原本110Ah的开始充电）；
（6）根据额定容量*健康度计算出当前最大容量，电芯电量=最大容量的时候自动断电。
继续参阅图4，示出了本申请实施例一提供的获取第一模型训练集图3中步骤S303的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述第一模型训练集可以通过步骤S303具体包括：步骤S401、步骤S402、步骤S403以及步骤S404得到。
在步骤S401中，依次获取第一重点影响因素中的元素作为目标因素。
在步骤S402中，从历史用电数据中获取与目标因素相对应的电量变化值以及电量变化时间，并根据电量变化值以及电量变化时间构建三元组数据，其中，三元组数据包括电量变化值的电量变化前数据、电量变化后数据以及电量变化时间。
在步骤S403中，获得目标因素在历史用电数据对应的所有三元组数据，得到三元数组，其中，每个三元组数据分别为三元数组中的一个元素。
在步骤S404中，将第一重点影响因素中所有元素的三元数组作为第一模型训练集。
在本申请实施例中，本实施例中，假设所有重点影响因素的数量为10个，则会获取到10个三元数组，每个三元数组分别对应不同的重点影响因素。这种三元组构建和三元数组构建的好处在于，便于后续进行数据解析，同时也能获取到周期最小电量或者周期最大电量变化前后电量的变化值和变化时间间隔。
在本申请实施例中，步骤S401至步骤S404仅描述了第一模型训练集的获取方式，对于第二模型训练集而言，也是采取相同的方式进行构建，具体的，可以是：依次获取第二重点影响因素中的元素作为目标因素；从历史用电数据中获取与目标因素相对应的电量变化值以及电量变化时间，并根据电量变化值以及电量变化时间构建三元组数据，其中，三元组数据包括电量变化值的电量变化前数据、电量变化后数据以及电量变化时间；获得目标因素在历史用电数据对应的所有三元组数据，得到三元数组，其中，每个三元组数据分别为三元数组中的一个元素；将第二重点影响因素中所有元素的三元数组作为第二模型训练集。
继续参阅图5，示出了图3中步骤S304本申请实施例一提供的获取谷值预测模型的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S304之前还包括：步骤S501以及步骤S502，上述谷值预测模型可以通过步骤S304具体包括：步骤S503以及步骤S504得到。
在步骤S501中，采用粒子群算法对预构建的回归预测模型的惩罚因子和核函数参数进行最优解搜索，获得最优解搜索结果。
在本申请实施例中，通过粒子群算法优化SVR算法的主要思想是利用粒子群的搜索能力，通过寻优求得支持向量回归算法的惩罚因子和核函数参数，这两个参数直接决定着模型的预测精度和训练时间。其中，搜索最优解的目的，是为了提高了模型的预测精度，减少训练时间。
在步骤S502中，将最优解搜索结果作为模型参数设置到预构建的回归预测模型内，获得基于粒子群算法改进的回归预测模型。
在步骤S503中，将第一重点影响因素中所有元素的三元数组输入到基于粒子算法改进的回归预测模型内。
在步骤S504中，对第一重点影响因素中所有元素的三元数组进行函数拟合，获得用于表征电量变化时间与所有第一重点影响因素的综合关系的拟合函数。
在本申请实施例中，通过上述支持向量回归算法，结合所有重点影响因素对应的三元数组，进行函数拟合，获得用于表征变化时间间隔与所有重点影响因素的综合关系的拟合函数，便于后续在预测时，仅需获得所有重点影响因素的数据，即可根据拟合函数计算出相应的变化时间间隔。
继续参阅图6，示出了图2中步骤S208的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，步骤S208具体包括：步骤S601、步骤S602、步骤S603以及步骤S604。
在步骤S601中，在优先级序列中调用优先级最高的电芯进行放电，并实时监测优先级最高的电芯的实时健康度数据。
在步骤S602中，根据实时健康度数据计算优先级最高的电芯的当前可用容量。
在本申请实施例中，可用容量指的是当前储能系统当前电芯的可用容量数据，作为示例，假如当前储能系统的每个电芯额定容量为314Ah,健康度为90%，那么该电芯的实际可用容量为314*0.9=282.6Ah。
在步骤S603中，当优先级最高的电芯的当前可用容量与下一级别的电芯的当前可用容量保持一致时，则合并下一级别的电芯进行放电。
在本申请实施例中，可以获取当前正在使用的电芯的分类；计算下一类电芯的分类，如果当前电芯的分类为n，下一类电芯的分类为n+1；根据下一类电芯的分类，计算下一类电芯的健康度范围，假设上述预设的分割阈值为5，下一类电芯的健康度范围为（n+1）*5；检查当前电芯的可用容量是否在下一类电芯的健康度范围内；如果是，则自动切换到下一类电芯（新增下一类别电芯）；下一类电芯的可用容量作为当前使用的电芯的可用容量。
在步骤S604中，当储能系统中的所有电芯的当前可用容量大于预测电量信息且所有若干个电芯的当前可用容量与预测电量信息的差值满足预设剩余电量时，完成放电操作。
在本申请实施例中，通过上述放电操作可以确保储能系统电芯健康度达到平衡，这是放电过程的动态配置。
继续参阅图7，示出了图2中步骤S204之后的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S204之后，还包括：步骤S701、步骤S702、步骤S703、步骤S704以及步骤S705。
在步骤S701中，若需要对若干个储能电芯进行充电处理时，根据储能电芯的电芯数据计算各个储能电芯的实际电量值。
在本申请实施例中，实际电量值指的是电芯当前存储得电量，作为示例，例如某个电芯的数据为：额定容量314Ah,剩余电量40%。健康度95%，那么，该电芯得实际电量值为（314Ah*40%）*95%=119.32Ah。
在步骤S702中，根据实际电量值按照电量值从小到大的顺序对储能电芯进行排序，得到待充电序列。
在步骤S703中，将待充电序列中实际电量值最小的储能电芯确定为第一待充电电芯并进行充电处理。
在步骤S704中，若充电中的第一待充电电芯的电量值与待充电序列中下一次序的其他储能电芯的实际电量值相等时，则将第一待充电电芯以及以及下一次序的储能电芯合并为第二待充电电芯，并对第二待充电电芯进行充电处理。
在步骤S705中，循环上述步骤，当储能电芯中各个电芯的实际电量值满足最大容量时完成充电操作。
在本申请实施例中，根据优先级序列对电芯进行分批次充电，同时，当电芯得电量值与下一次序的储能电芯的实际电量值相等时进行合并充能，从而有效确保充电顺序和充电过程的安全性，另外，根据电芯的最大容量控制充电完成操作，避免过度充电得情况，有效延长电芯的寿命。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请可应用于智慧应用于储能电池的智能管理X领域中，从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例
进一步参考图7图8，作为对上述图2所示方法的实现，本申请提供了一种应用于储能电池的智能管理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7图8所示，本实施例的应用于储能电池的智能管理装置200包括：指令接收模块210、历史数据获取模块220、电量预测模块230、电芯数据获取模块240、健康级别计算模块250、优先级排序模块260、峰谷时间获取模块270以及放电模块280，其中：
指令接收模块201，用于接收携带有系统标识信息的储能管理指令；
历史数据获取模块202，用于读取历史数据库，在历史数据库中获取与系统标识信息相对应的储能系统的历史放电数据；
电量预测模块203，用于根据预设预测算法和历史放电数据进行电量预测处理，得到储能系统的当日预测电量信息；
电芯数据获取模块204，用于获取若干个储能电芯中各个电芯的电芯数据，其中，电芯数据包括额定容量、健康度以及循环次数；
健康级别计算模块205，用于根据健康度计算各个电芯的健康等级；
优先级排序模块206，用于根据健康等级以及循环次数对电芯进行排序操作，得到优先级序列；
峰谷时间获取模块207，用于获取系统标识信息的用电谷值时间；
放电模块208，用于若当前时间满足用电谷值时间时，根据优先级序列以及预测电量信息依次对电芯进行放电操作。
在本实施例中，提供了一种应用于储能电池的智能管理装置200，包括：指令接收模块201，用于接收携带有系统标识信息的储能管理指令；历史数据获取模块202，用于读取历史数据库，在历史数据库中获取与系统标识信息相对应的储能系统的历史放电数据；电量预测模块203，用于根据预设预测算法和历史放电数据进行电量预测处理，得到储能系统的当日预测电量信息；电芯数据获取模块204，用于获取若干个储能电芯中各个电芯的电芯数据，其中，电芯数据包括额定容量、健康度以及循环次数；健康级别计算模块205，用于根据健康度计算各个电芯的健康等级；优先级排序模块206，用于根据健康等级以及循环次数对电芯进行排序操作，得到优先级序列；峰谷时间获取模块207，用于获取系统标识信息的用电谷值时间；放电模块208，用于若当前时间满足用电谷值时间时，根据优先级序列以及预测电量信息依次对电芯进行放电操作。与现有技术相比，本申请根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。
在本实施例的一些可选的实现方式中，上述健康级别计算模块250包括：
健康级别计算子模块，用于根据预设分割阈值以及电芯分类算法对电芯健康度进行分类操作，得到健康等级，其中，健康等级表示为：
；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度。
在本实施例的一些可选的实现方式中，上述峰谷时间获取模块270包括：用电数据采集子模块、筛选子模块、训练集获取子模块、模型训练子模块、当前因素采集子模块以及时间预测子模块，其中：
用电数据采集子模块，用于采集储能系统的放电对象的历史用电数据，其中，历史用电数据包括周期最小电量以及与周期最小电量相关的第一影响因素数据；
筛选子模块，用于根据历史用电数据以及预设的相关系数法对第一影响因素数据进行筛选操作，得到第一重点影响因素；
训练集获取子模块，用于在历史用电数据中获取与第一重点影响因素相对应的电量值以及第一用电时间，得到第一模型训练集；
模型训练子模块，用于将第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型；
当前因素采集子模块，用于实时采集储能系统的当前影响因素数据；
时间预测子模块，用于将当前影响因素数据输入至谷值预测模型，得到用电谷值时间。
在本实施例的一些可选的实现方式中，上述训练集获取子模块包括：目标因素确定单元、三元组构建单元、三元数组获取单元以及第一训练集获取单元，其中：
目标因素确定单元，用于依次获取第一重点影响因素中的元素作为目标因素；
三元组构建单元，用于从历史用电数据中获取与目标因素相对应的电量变化值以及电量变化时间，并根据电量变化值以及电量变化时间构建三元组数据，其中，三元组数据包括电量变化值的电量变化前数据、电量变化后数据以及电量变化时间；
三元数组获取单元，用于获得目标因素在历史用电数据对应的所有三元组数据，得到三元数组，其中，每个三元组数据分别为三元数组中的一个元素；
第一训练集获取单元，用于将第一重点影响因素中所有元素的三元数组作为第一模型训练集。
在本实施例的一些可选的实现方式中，上述峰谷时间获取模块270包括：最优解搜索子模块以及模型获取子模块，上述模型训练子模块包括：数组输入单元以及函数拟合单元，其中：
最优解搜索子模块，用于采用粒子群算法对预构建的回归预测模型的惩罚因子和核函数参数进行最优解搜索，获得最优解搜索结果；
模型获取子模块，用于将最优解搜索结果作为模型参数设置到预构建的回归预测模型内，获得基于粒子群算法改进的回归预测模型；
数组输入单元，用于将第一重点影响因素中所有元素的三元数组输入到基于粒子算法改进的回归预测模型内；
函数拟合单元，用于对第一重点影响因素中所有元素的三元数组进行函数拟合，获得用于表征电量变化时间与所有第一重点影响因素的综合关系的拟合函数。
在本实施例的一些可选的实现方式中，上述放电模块280包括：放电子模块、可用容量计算子模块、放电合并子模块以及完成放电子模块，其中：
放电子模块，用于在优先级序列中调用优先级最高的电芯进行放电，并实时监测优先级最高的电芯的实时健康度数据；
可用容量计算子模块，用于根据实时健康度数据计算优先级最高的电芯的当前可用容量；
放电合并子模块，用于当优先级最高的电芯的当前可用容量与下一级别的电芯的当前可用容量保持一致时，则合并下一级别的电芯进行放电；
完成放电子模块，用于当储能系统中的所有电芯的当前可用容量大于预测电量信息且所有若干个电芯的当前可用容量与预测电量信息的差值满足预设剩余电量时，完成放电操作。
在本实施例的一些可选的实现方式中，上述装置200还包括：电芯调用模块、电量值计算模块、电量值排序模块、充电模块、充电合并模块、充电结束模块，其中：
电芯调用模块，用于若需要对若干个储能电芯进行充电处理时，在优先级序列中调用优先级最高的电芯作为储能电芯；
电量值计算模块，用于根据储能电芯的电芯数据计算各个储能电芯的实际电量值；
电量值排序模块，用于根据实际电量值按照电量值从小到大的顺序对储能电芯进行排序，得到待充电序列；
充电模块，用于将待充电序列中实际电量值最小的储能电芯确定为第一待充电电芯并进行充电处理；
充电合并模块，用于若充电中的第一待充电电芯的电量值与待充电序列中下一次序的其他储能电芯的实际电量值相等时，则将第一待充电电芯以及以及下一次序的储能电芯合并为第二待充电电芯，并对第二待充电电芯进行充电处理；
充电结束模块，用于循环上述步骤，当储能电芯中各个电芯的实际电量值满足最大容量时完成充电操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8图9，图8图9为本实施例计算机设备基本结构框图。
所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器310至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如应用于储能电池的智能管理方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器320在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述应用于储能电池的智能管理方法的计算机可读指令。
所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。
本申请提供的计算机设备，根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于储能电池的智能管理方法的步骤。
本申请提供的计算机可读存储介质，根据储能系统的电芯数据对各个电芯进行优先级排序，当需要进行充放电时，优先使用优先级较高的电芯，可以让储能系统中的电芯的参数趋于一致，以充分高效发挥储能系统的功能，另外，按照预测电量信息对电芯进行充电，可以有效避免过充电导致破坏电芯寿命和安全的风险。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (8)

1.一种应用于储能电池的智能管理方法，其特征在于，所述方法应用于储能系统，所述储能系统包括若干个储能电芯，包括下述步骤：
接收携带有系统标识信息的储能管理指令；
读取历史数据库，在所述历史数据库中获取与所述系统标识信息相对应的所述储能系统的历史放电数据；
根据预设预测算法和所述历史放电数据进行电量预测处理，得到所述储能系统的当日预测电量信息；
获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数；
根据所述健康度计算所述各个电芯的健康等级；
根据所述健康等级以及所述循环次数对所述电芯进行排序操作，得到优先级序列；
获取与所述储能系统相对应的用电谷值时间；
若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作；
所述根据所述健康度计算所述各个电芯的健康等级的步骤，具体包括下述步骤：
根据预设分割阈值以及电芯分类算法对所述电芯健康度进行分类操作，得到所述健康等级，其中，所述健康等级表示为：；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度；
所述若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作的步骤，具体包括下述步骤：
在所述优先级序列中调用优先级最高的电芯进行放电，并实时监测所述优先级最高的电芯的实时健康度数据；
根据所述实时健康度数据计算所述优先级最高的电芯的当前可用容量；
当所述优先级最高的电芯的当前可用容量与下一级别的电芯的当前可用容量保持一致时，则合并所述下一级别的电芯进行放电；
当所述储能系统中的所有电芯的当前可用容量大于所述预测电量信息且所有所述若干个储能电芯的当前可用容量与所述预测电量信息的差值满足预设剩余电量时，完成所述放电操作。
2.据权利要求1所述的应用于储能电池的智能管理方法，其特征在于，所述获取与所述储能系统相对应的用电谷值时间的步骤，具体包括下述步骤：
采集所述储能系统的放电对象的历史用电数据，其中，所述历史用电数据包括周期最小电量以及与所述周期最小电量相关的第一影响因素数据；
根据所述历史用电数据以及预设的相关系数法对所述第一影响因素数据进行筛选操作，得到第一重点影响因素；
在所述历史用电数据中获取与所述第一重点影响因素相对应的电量值以及第一用电时间，得到第一模型训练集；
将所述第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型；
实时采集所述储能系统的当前影响因素数据；
将所述当前影响因素数据输入至所述谷值预测模型，得到所述用电谷值时间。
3.根据权利要求2所述的应用于储能电池的智能管理方法，其特征在于，所述第一模型训练集通过以下步骤得到：
依次获取所述第一重点影响因素中的元素作为目标因素；
从所述历史用电数据中获取与所述目标因素相对应的电量变化值以及电量变化时间，并根据所述电量变化值以及电量变化时间构建三元组数据，其中，所述三元组数据包括所述电量变化值的电量变化前数据、电量变化后数据以及所述电量变化时间；
获得所述目标因素在所述历史用电数据对应的所有三元组数据，得到三元数组，其中，每个所述三元组数据分别为所述三元数组中的一个元素；
将所述第一重点影响因素中所有元素的三元数组作为所述第一模型训练集。
4.根据权利要求3所述的应用于储能电池的智能管理方法，其特征在于，在所述将所述第一模型训练集输入至第一回归预测模型进行模型训练，得到谷值预测模型的步骤之前，还包括下述步骤：
采用粒子群算法对预构建的回归预测模型的惩罚因子和核函数参数进行最优解搜索，获得最优解搜索结果；
将所述最优解搜索结果作为模型参数设置到所述预构建的回归预测模型内，获得基于粒子群算法改进的回归预测模型；
所述谷值预测模型通过以下步骤得到：
将所述第一重点影响因素中所有元素的三元数组输入到所述基于粒子群算法改进的回归预测模型内；
对所述第一重点影响因素中所有元素的三元数组进行函数拟合，获得用于表征电量变化时间与所有第一重点影响因素的综合关系的拟合函数。
5.根据权利要求1所述的应用于储能电池的智能管理方法，其特征在于，在获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数的步骤之后，还包括下述步骤：
若需要对所述若干个储能电芯进行充电处理时，根据所述储能电芯的所述电芯数据计算各个储能电芯的实际电量值；
根据所述实际电量值按照电量值从小到大的顺序对所述储能电芯进行排序，得到待充电序列；
将所述待充电序列中实际电量值最小的储能电芯确定为第一待充电电芯并进行充电处理；
若充电中的第一待充电电芯的电量值与所述待充电序列中下一次序的其他储能电芯的实际电量值相等时，则将所述第一待充电电芯以及所述下一次序的储能电芯合并为第二待充电电芯，并对所述第二待充电电芯进行充电处理；
循环上述步骤，当所述储能电芯中各个电芯的实际电量值满足最大容量时完成充电操作。
6.一种应用于储能电池的智能管理装置，其特征在于，所述装置应用于储能系统，所述储能系统包括若干个储能电芯，包括：
指令接收模块，用于接收携带有系统标识信息的储能管理指令；
历史数据获取模块，用于读取历史数据库，在所述历史数据库中获取与所述系统标识信息相对应的所述储能系统的历史放电数据；
电量预测模块，用于根据预设预测算法和所述历史放电数据进行电量预测处理，得到所述储能系统的当日预测电量信息；
电芯数据获取模块，用于获取所述若干个储能电芯中各个电芯的电芯数据，其中，所述电芯数据包括额定容量、健康度以及循环次数；
健康级别计算模块，用于根据所述健康度计算所述各个电芯的健康等级；
优先级排序模块，用于根据所述健康等级以及所述循环次数对所述电芯进行排序操作，得到优先级序列；
峰谷时间获取模块，用于获取所述系统标识信息的用电谷值时间；
放电模块，用于若当前时间满足所述用电谷值时间时，根据所述优先级序列以及所述预测电量信息依次对所述电芯进行放电操作；
所述健康级别计算模块包括：健康级别计算子模块，其中：
所述健康级别计算子模块，用于根据预设分割阈值以及电芯分类算法对所述电芯健康度进行分类操作，得到所述健康等级，其中，所述健康等级表示为：
；
其中，表示所述预设分割阈值；表示第n个电芯的电芯健康度；
所述放电模块包括：放电子模块、可用容量计算子模块、放电合并子模块以及完成放电子模块，其中：
所述放电子模块，用于在所述优先级序列中调用优先级最高的电芯进行放电，并实时监测所述优先级最高的电芯的实时健康度数据；
所述可用容量计算子模块，用于根据所述实时健康度数据计算所述优先级最高的电芯的当前可用容量；
所述放电合并子模块，用于当所述优先级最高的电芯的当前可用容量与下一级别的电芯的当前可用容量保持一致时，则合并所述下一级别的电芯进行放电；
所述完成放电子模块，用于当所述储能系统中的所有电芯的当前可用容量大于所述预测电量信息且所有所述若干个储能电芯的当前可用容量与所述预测电量信息的差值满足预设剩余电量时，完成所述放电操作。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的应用于储能电池的智能管理方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的应用于储能电池的智能管理方法的步骤。
CN202410764268.6A 2024-06-14 2024-06-14 一种应用于储能电池的智能管理方法及相关设备 Active CN118336163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410764268.6A CN118336163B (zh) 2024-06-14 2024-06-14 一种应用于储能电池的智能管理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410764268.6A CN118336163B (zh) 2024-06-14 2024-06-14 一种应用于储能电池的智能管理方法及相关设备

Publications (2)

Publication Number Publication Date
CN118336163A CN118336163A (zh) 2024-07-12
CN118336163B true CN118336163B (zh) 2024-10-11

Family

ID=91768643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410764268.6A Active CN118336163B (zh) 2024-06-14 2024-06-14 一种应用于储能电池的智能管理方法及相关设备

Country Status (1)

Country Link
CN (1) CN118336163B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118944243B (zh) * 2024-08-01 2025-03-11 中广核新能源襄阳有限公司 一种储能设备智能充放电控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109802188A (zh) * 2019-02-25 2019-05-24 北京长城华冠汽车科技股份有限公司 一种对多个电池单元进行负载均衡控制的方法及系统
CN114019400A (zh) * 2021-11-03 2022-02-08 广东产品质量监督检验研究院 锂电池生命周期监控管理方法、系统及存储介质
CN115808922A (zh) * 2022-01-07 2023-03-17 宁德时代新能源科技股份有限公司 商用电动车辆能耗预测方法、装置和计算机设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108819747B (zh) * 2018-06-13 2021-11-02 蔚来(安徽)控股有限公司 多支路储能系统的多支路功率分配管理
CN114050633B (zh) * 2021-06-11 2023-11-10 上海玫克生储能科技有限公司 一种锂电池储能系统的动态管控方法、装置和电子设备
CN113746138B (zh) * 2021-10-13 2023-10-31 国能日新科技股份有限公司 应用于风储电站的储能智慧能量管理系统
CN115733168A (zh) * 2022-11-24 2023-03-03 佳源科技股份有限公司 储能充放电管理方法、系统、控制终端及存储介质
CN117791786A (zh) * 2023-12-23 2024-03-29 东莞市腾威动力新能源有限公司 一种储能锂电池智能快速充电方法及系统
CN117656847B (zh) * 2024-01-31 2024-05-10 深圳市超思维电子股份有限公司 一种动力电池电量智能优化管理方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109802188A (zh) * 2019-02-25 2019-05-24 北京长城华冠汽车科技股份有限公司 一种对多个电池单元进行负载均衡控制的方法及系统
CN114019400A (zh) * 2021-11-03 2022-02-08 广东产品质量监督检验研究院 锂电池生命周期监控管理方法、系统及存储介质
CN115808922A (zh) * 2022-01-07 2023-03-17 宁德时代新能源科技股份有限公司 商用电动车辆能耗预测方法、装置和计算机设备

Also Published As

Publication number Publication date
CN118336163A (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN118336163B (zh) 一种应用于储能电池的智能管理方法及相关设备
CN113111578B (zh) 电力负荷预测方法、装置、计算机设备及存储介质
CN117353306B (zh) 一种光储充放电调度方法、系统、电子设备、存储介质
CN117691583B (zh) 一种用于虚拟电厂的电力调度系统及方法
CN115713204A (zh) 排产方法、装置、计算机设备及计算机可读存储介质
CN117977695A (zh) 一种基于数据协同计算的电网分析方法、系统及存储介质
CN115395621A (zh) 一种应急储能电池电能管理方法、装置、设备及介质
CN118944238B (zh) 一种新能源储能锂电池控制系统及控制方法
CN119151266A (zh) 户用光伏储能系统能源调度方法及相关设备
CN112330017B (zh) 电力负荷预测方法、装置、电子设备和存储介质
CN117829891A (zh) 电力负荷数据的预测方法、装置、设备、存储介质和产品
CN117806951A (zh) 应用于测试用例分布式运行的智能调度方法及相关设备
CN116646923A (zh) 电力负荷中长期预测方法、装置、终端及存储介质
CN116485071A (zh) 一种基于概率基线负荷的电力用户需求响应潜力评估方法
CN118625155B (zh) 储能电池弱监督学习模型训练方法、装置及相关设备
CN118075123B (zh) 面向电力全场景的海量数据统一处理平台的管理方法
CN119651708B (zh) 一种新型储能辅助决策调度方法及系统
CN119294769B (zh) 全钒液流电池储能系统的部署方法、装置和计算机设备
CN117994084B (zh) 一种分布式电源的选址方法、装置、计算机设备及介质
US20240291303A1 (en) Load collectives for energy storage systems
CN119962928B (zh) 资源分配方法、装置、电子设备及存储介质
CN118917598B (zh) 一种用于优化区域电力资源供给的数据分析方法及系统
CN119849879B (zh) 电网源荷可调资源综合评价方法、系统、设备及介质
CN119231729B (zh) 一种基于应急响应时间的应急电池组电能动态供应方法及系统
CN120087571B (zh) 一种虚拟电厂的电力优化调度方法及系统

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
GR01 Patent grant
GR01 Patent grant