一种梯次利用电池快速筛选方法

    公开(公告)号:CN111474490B

    公开(公告)日:2022-06-24

    申请号:CN202010274157.9

    申请日:2020-04-09

    Abstract: 本发明提供了一种梯次利用电池快速筛选方法,方法包括:基于BP神经网络构建电池健康状态预测模型;基于电池健康状态预测模型构建全局信息矩阵;将全局信息矩阵进行区域划分,获得多个子区和各子区对应的分区信息矩阵;采用粒子群优化算法进行寻优,确定各子区对应的最优位置;将各子区对应的最优位置作为各子区对应的初始聚类中心,采用K‑means聚类方法对全局信息矩阵进行聚类,获得各子单元对应的聚类中心;基于各子单元对应的聚类中心输出电池筛选结果。本发明通过构建电池健康状态预测模型,通过粒子群优化算法寻优,进而对K‑means聚类算法进行改进,既能够对退役动力电池梯次利用进行快速筛选,还避免陷入局部最优解的弊端,提高聚类算法的准确性。

    电力系统典型日负荷曲线生成方法

    公开(公告)号:CN114037006A

    公开(公告)日:2022-02-11

    申请号:CN202111281768.7

    申请日:2021-11-01

    Abstract: 本发明涉及一种电力系统典型日负荷曲线生成方法。方法包括以下步骤:首先,以固定采样周期获取本地多年的日负荷功率曲线为样本构成数据集合;然后,设定生成典型日负荷曲线的种类数量以及长度等于日负荷采样点数、各编码位为类别数内正整数的编码串,提取编码位值相同的日负荷样本为同类;接着,计算同一时刻样本值服从此概率分布的概率乘积,并加和所有时刻的乘积值,表征此类样本聚合的优劣;第四步,利用交叉、变异等遗传操作过程,优化编码串使其达到对历史样本的最优聚类;最后,根据最优聚类结果下,同类样本在各时刻的概率分布的均值表征出此类典型日负荷曲线。为本地新能源+储能系统的选址定容以及电力系统的调度规划奠定了坚实的基础。

    一种退役电池重构方法及系统

    公开(公告)号:CN111584951B

    公开(公告)日:2021-09-21

    申请号:CN202010269522.7

    申请日:2020-04-08

    Abstract: 本发明涉及一种退役电池重构方法及系统。该方法包括:获取参与重构的所有退役电池组成的待重构电池阵列,所有退役电池符合热稳定性要求;待重构电池阵列包括固定结构和自由结构,固定结构为m行n列电池组成的固定电池阵列,自由结构为m行1列电池组成的自由电池阵列;固定电池阵列中位于同一行的电池之间相互并联形成行电池组,相邻的行电池组之间串联;获取参与重构的所有退役电池的运行参数;获取待重构电池阵列的开关矩阵模型;确定待重构电池阵列对应的多个开关矩阵;基于最小均衡差,确定每个开关矩阵对应的电池重构阵列的适应度值;将适应度值最低的电池重构阵列按照对应的开关矩阵进行重构。本发明可以提高退役电池组利用时的热稳定性。

Patent Agency Ranking