【技术实现步骤摘要】
本专利技术涉及新能源，特别是涉及一种基于曲线拟合的ocv估值方法、系统及电子设备。
技术介绍
1、锂电池的开路电压(open circuit voltage，简称ocv)是指在电池没有任何负载或电流流经时，电池的电压水平。ocv是一个重要的电池性能参数，在现有技术中，获得准确的锂电池开路电压(ocv)通常需要电池处于离线静置状态，这是为了确保准确性。ocv是电池在没有负载或电流流经时的电压，因此在以下情况下进行测量通常更准确：
2、1.离线状态：电池应该不处于充电或放电状态，以确保测量不受电流的影响。这通常需要将电池从电池组或设备中断开。
3、2.静置时间：电池需要在离线状态下静置一段时间(通常为2小时)，以确保其内部化学反应趋于稳定。这段时间的长度取决于电池类型和状态，通常为数小时至数天。
4、近几十年来，电能存储技术的研究和发展一直受到各国能源、交通、电力、通讯等部门的重视。在新能源技术快速发展的大背景下，如果能在燃料电池发电、风能发电等新能源发电设备中配备有储能装置，一方面可以通过储能元件对机组的出力曲线进行调整，解决新能源发电自身出力随机性、不可控的问题，减小新能源出力变化对电网的冲击；另一方面可以在电力充沛时储存电能，在负荷高峰时释放电能，达到移峰填谷、减少系统备用需求的作用。其中电池储能技术，特别是锂离子电池由于兼具高比能量和高比功率的显著优势，在大规模储能领域有着良好的应用前景。
5、电池管理系统(battery management system，bms)通过对电池
技术实现思路
1、本专利技术的目的是提供一种基于曲线拟合的ocv估值方法、系统及电子设备，能够在线获得锂电池的开路电压。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于曲线拟合的ocv估值方法，所述估值方法包括：
4、获取动态可重构电池模组在静置预设时间段后的数据集；所述数据集包括离线电压值样本和对应的开路电压值样本；
5、应用所述数据集对机器学习模型进行训练，得到ocv估值预测模型；
6、获取动态可重构电池模组的实时离线电压值；
7、将所述实时离线电压值输入所述ocv估值预测模型，得到在线开路电压值。
8、可选地，应用所述数据集对机器学习模型进行训练，得到ocv估值预测模型，具体包括：
9、将所述数据集中离线电压值样本输入至所述机器学习模型，得到开路电压预测值；
10、判断所述开路电压预测值与所述数据集中对应的开路电压值样本之间的差值是否小于预设阈值；
11、当所述开路电压预测值与所述训练样本集中对应的开路电压值样本之间的差值不小于预设阈值时，调整所述机器学习模型的参数，并应用所述数据集对调整参数后的机器学习模型进行训练；
12、当所述开路电压预测值与所述训练样本集中对应的开路电压值样本之间的差值小于预设阈值时，得到ocv估值预测模型。
13、可选地，所述机器学习模型为gradientboosting模型。
14、可选地，在步骤“应用所述数据集对机器学习模型进行训练”之前，所述估值方法还包括：
15、应用卡尔曼滤波对所述数据集进行降噪。
16、可选地，在步骤“将所述实时离线电压值输入所述ocv估值预测模型”之前，所述估值方法还包括：
17、应用卡尔曼滤波对所述实时离线电压值进行降噪。
18、一种基于曲线拟合的ocv估值系统，应用上述的基于曲线拟合的ocv估值方法，所述估值系统包括：
19、第一获取模块，用于获取动态可重构电池模组在静置预设时间段后的数据集；所述数据集包括离线电压值样本和对应的开路电压值样本；
20、训练模块，用于应用所述数据集对机器学习模型进行训练，得到ocv估值预测模型；
21、第二获取模块，用于获取动态可重构电池模组的实时离线电压值；
22、预测模块，用于将所述实时离线电压值输入所述ocv估值预测模型，得到在线开路电压值。
23、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于曲线拟合的ocv估值方法。
24、可选地，所述存储器为可读存储介质。
25、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
26、本专利技术通过获取动态可重构电池模组在静置预设时间段后的数据集，并应用该数据集对机器学习模型进行训练，得到ocv估值预测模型；再通过获取动态可重构电池模组的实时离线电压值，将实时离线电压值输入ocv估值预测模型，得到在线开路电压值。本专利技术能够在线获得锂电池的开路电压。
本文档来自技高网...【技术保护点】
1.一种基于曲线拟合的ocv估值方法，其特征在于，所述估值方法包括：
2.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，应用所述数据集对机器学习模型进行训练，得到ocv估值预测模型，具体包括：
3.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，所述机器学习模型为GradientBoosting模型。
4.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，在步骤“应用所述数据集对机器学习模型进行训练”之前，所述估值方法还包括：
5.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，在步骤“将所述实时离线电压值输入所述ocv估值预测模型”之前，所述估值方法还包括：
6.一种基于曲线拟合的ocv估值系统，其特征在于，所述估值系统包括：
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的基于曲线拟合的ocv估值方法。
8.根据权利要求7所述的
...【技术特征摘要】
1.一种基于曲线拟合的ocv估值方法，其特征在于，所述估值方法包括：
2.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，应用所述数据集对机器学习模型进行训练，得到ocv估值预测模型，具体包括：
3.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，所述机器学习模型为gradientboosting模型。
4.根据权利要求1所述的基于曲线拟合的ocv估值方法，其特征在于，在步骤“应用所述数据集对机器学习模型进行训练”之前，所述估值方法还包括：
5...
【专利技术属性】
技术研发人员：李超凡，杨峰，李学峰，柏绪恒，张明，慈松，刘智全，高红，
申请(专利权)人：云储新能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。