CN103529397B - 一种估算电池电量的方法及电池电量管理系统 - Google Patents

一种估算电池电量的方法及电池电量管理系统 Download PDF

Info

Publication number
CN103529397B
CN103529397B CN201310513808.5A CN201310513808A CN103529397B CN 103529397 B CN103529397 B CN 103529397B CN 201310513808 A CN201310513808 A CN 201310513808A CN 103529397 B CN103529397 B CN 103529397B
Authority
CN
China
Prior art keywords
battery
electric quantity
weights
training
mean square
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
CN201310513808.5A
Other languages
English (en)
Other versions
CN103529397A (zh
Inventor
李小平
胡佳娜
胡俊杰
李伟善
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN201310513808.5A priority Critical patent/CN103529397B/zh
Publication of CN103529397A publication Critical patent/CN103529397A/zh
Application granted granted Critical
Publication of CN103529397B publication Critical patent/CN103529397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明公开了一种估算电池电量的方法,包含以下步骤:收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(Best C,Best G),得到运用(Best C,Best G)最优化估算SOC的SVM估算函数;输入采集的各个电池的数据,即可估算出各个电池的荷电状态估算值。本发明的方法和系统,其精度高、实时监控、适用范围广,且实现起来并不复杂。

Description

一种估算电池电量的方法及电池电量管理系统
技术领域
本发明涉电池管理技术领域,特别涉及一种估算电池电量的方法及电池电量管理系统。
背景技术
能源短缺和环境污染是当今世界汽车工业发展面临的两大挑战,因此开展动力电池新能源汽车刻不容缓。作为混合动力汽车和纯电力汽车的关键部件,动力电池对整车动力性、经济性和安全性具有重大影响。动力电池需要具备能量密度高、输出功率高、寿命长、充放电效率高、适用温度范围宽、自放电低、负载特性好、温度存储性能好、低内阻、无记忆效应、可实现快速充电、安全性高、可靠性高、成本低以及可重复使用等特征。当今动力汽车可使用的电池包括铅酸电池、镍镉电池、镍氢电池和锂电池等。为了满足混合动力汽车和纯电力汽车的能源需求,动力电池通常是有几十个单体电池串联为整车提供能量。在电池生产过程,单体电池之间的性能在生产时不可避免地存在着一定的差异性。而在实际使用中,由于连续的充放电循环中,单体电池的差异性会导致电池组的电量加速衰减。电池组的实际用电量是由单体电池的最小剩余电量决定的,因此这些差异性导致电池剩余电量减少,甚至缩短电池使用寿命。为了解决这种不均衡对动力电池组的影响,电池组无疑需要外加一个电池管理系统对其进行优化管理。
在汽车行驶中需要向司机提示汽车的可续驶里程,在燃油汽车中通过油表来表示,在电动汽车视通过提示剩余电量来完成。电池剩余电量是电池状态的一个重要参数,是用来诊断电池性能状态和判断电池是否过充、过放等的重要依据之一。由于电池本身是一个封闭的复杂的电化学反应体系,且影响电量估算的因数很多,所以对于电池剩余电量准确估算难度很大。国外关于电池荷电状态SOC(Stateofcharge)的研究大多是通过测量电池的电流电压等外界参数找出SOC与这些参数的关系,以间接地估算出电池的剩余电量。
电池荷电状态SOC描述电池状态的重要参数,通常把一定温度下电池充放电到不能再吸收能量的状态定义为荷电状态为100%,而将电池再不能放出能量的状态定义为荷电状态为0%。美国先进电池联合会(USABC)在《电动汽车电池实验手册》中定义SOC为:电池在一定放电倍率下,剩余电量与相同条件下额定容量的比值。如下式表示:
SOC=Cr/Cn*100%
式中,Cr是电池的剩余电量,Cn指电池的额定容量。
电池管理系统主要是对电池运行参数进行检测和优化。其中电池的电压,电流,温度是电池管理系统的主要测量参数。只有精确检测到以上三个数据,才能结合合理有效的数学算法和策略估算出电池的剩余电量SOC。目前常用的是开路电压法,安时计量法,电池内阻法,一些复杂的算法如卡尔曼滤波法和神经网络法等,但是,这些SOC估算方法都具有一定的不足:
(1)开路电压法
对于某些电化学体系,如锂电池和铅酸电池,电池的荷电状态与开路电压之间具有一定的线性关系,因此开路电压法也常用于估算电池的荷电状态。但是,开路电压法主要的缺点是需要电池长时间静置,以达到电压稳定,则造成测量的困难。开路电压法仅在于电动汽车驻车的状态,且动力电池为铅酸电池的情况下,SOC估算较好。
(2)电池内阻法
电池内阻有交流内阻和直流内阻之分,但是实际应用中,电池内阻很复杂,准确测量电池单体内阻比较困难。内阻法仅在动力电池放电后期SOC估计效果较好,内阻法只适用于铅酸电池。
(3)安时计量法
安时计量法是最常用的适用于所有动力电池的SOC的简单估计方法。安时计量法在SOC初值准确和电流测量准确的情况下可以适用于各种电动汽车电池电量估算。由于只需要计量电流在时间上的积分,方法简单易行,而被广泛使用。但是安时计量法在应用中若电流测量不准,将造成SOC积分的误差,长期积累,误差则会逐步扩大;在不稳定或较差的环境下,如不同充放电倍率下、高温状态、低温状态或电流波动大等情况,误差将会更大。
(4)卡尔曼滤波法
卡尔曼滤波理论的核心思想,是对动力系统的状态做出最小方差意义上的最优估计。虽然卡尔曼滤波法适用于各类电池,但是,由于其理论难度高,在单片机中实现比较复杂,现阶段应用不广泛。
(5)神经网络法
人工智能是以计算机为工具,通过模拟人脑的推理、设计、思考、学习等智能行为,解决和处理复杂问题的一种方法。神经网络法具有非线性的基本特性,能够非常精准地模拟电池的动态特性。但是神经网络法需要兼顾硬件及软件,程序设计中,为了达到较好的SOC拟合效果,不可避免需要增加神经元和神经层,这就导致了整个程序设计上的复杂性,难以掌握。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种估算电池电量的方法,其精度高、实时监控、适用范围广,且实现起来并不复杂。
本发明的另一目的在于提供一种电池电量管理系统。
本发明的目的通过以下的技术方案实现:
一种估算电池电量的方法,包含以下顺序的步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值。
步骤1)中,所述的不同的实验条件,是通过与要电池组相连的直流稳流稳压开关电源、电子负载来实现,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化。
所述的电池数据是指电池的电流、电压、温度、电量数据。
本发明的另一目的通过以下的技术方案实现:
一种电池电量管理系统,包括电池数据监控模块、电池电量估算模块、电量均衡模块和控制单元,控制单元分别与各个部件相连,电池数据监控模块将采集到的各个电池的数据反馈给控制单元,控制单元通过电池电量估算单元估算出电量,若单个电池的最大电量和最小电量之差超过预设安全范围,则通过控制单元启动电量均衡模块,电量均衡模块控制该单个电池进行放电,使其电位差恢复到安全范围,其中
电池电量估算模块对电池电量的估算经过以下步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值。
所述的电池电量管理系统还包含均与电池组相连的直流稳流稳压开关电源、电子负载,在收集不同实验条件下的电池数据时,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化。
所述的电池电量管理系统还包含与控制单元相连的电路保护模块,当电池数据监控模块反馈的数据超出控制单元所设检测安全范围,则控制单元控制电路保护模块启动电路保护功能,强制停止电路的充放电工作,静止一定时间后,再次启动检测相关数据,若仍然超出安全范围,则停止工作并报警。
本发明与现有技术相比,具有如下优点和有益效果:
1、精度高、实现起来不复杂,且所需时间较短:
本发明运用一种新型的双精度支持向量机方法和系统将采集的非线性的电池电量问题转化成为某个高维空间中的线性问题,寻找最优分类超平面,拟合出平均平方差最小且误差总和最小的荷电状态估算函数。该核函数采用双精度搜索权值,大范围粗略搜索,再小范围精细搜索,大大缩短搜索时间,从而得到电池荷电状态估算函数。
通过采用双精度的支持向量机的经典数学算法,运用所述电路板采集的电池数据进行计算拟合电池电量,拟合的电池电量效果良好,平均平方差值以及误差总值极小。
本发明所采用的双精度的支持向量机的经典数学算法,仅搜索两个最佳权值。由于权值少,大大缩减了程序设计的复杂性,提高了程序运行的速度,有利于应用化生产。
2、实时动态监控、适用范围:本发明对绝大多数情形均适用,且适用于不同的电池,如锂电池、铅酸电池、燃料电池、混合动力电池,适用范围广,且对电池状态动态监控,更能满足人们的需求。
附图说明
图1为本发明所述一种估算电池电量的方法的流程图;
图2为本发明所述的一种电池电量管理系统的结构示意图;
图3为图2所述系统的工作流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1,一种估算电池电量的方法,包含以下顺序的步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
其中不同的实验条件,是指是通过与要电池组相连的直流稳流稳压开关电源、电子负载来实现,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化;
电池数据是指电池的电流、电压、温度、电量数据;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G),其中SVM即SupportVectorMachine,支持向量机;
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值。
如图2、3,一种电池电量管理系统,包括电池数据监控模块、电池电量估算模块、电量均衡模块和控制单元,控制单元分别与各个部件相连,电池数据监控模块将采集到的各个电池的数据反馈给控制单元,控制单元通过电池电量估算单元估算出电量,若单个电池的最大电量和最小电量之差超过预设安全范围,则通过控制单元启动电量均衡模块,电量均衡模块控制该单个电池进行放电,使其电位差恢复到安全范围,该系统还包括直流稳流稳压开关电源、电子负载、电路保护模块,其中
电池电量估算模块对电池电量的估算经过以下步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值;
直流稳流稳压开关电源和电子负载,均与电池组相连,在收集不同实验条件下的电池数据时,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化;
电路保护模块,与控制单元相连,当电池数据监控模块反馈的数据超出控制单元所设检测安全范围,则控制单元控制电路保护模块启动电路保护功能,强制停止电路的充放电工作,静止一定时间后,再次启动检测相关数据,若仍然超出安全范围,则停止工作并报警。
另外,控制单元可以与计算机相连,将估算的电池电量显示在计算机屏幕上,方便人们对数据进行下一步地处理。控制单元为C8051F系列单片机芯片,满足功能需求,且成本适中。
如图3,电池电量管理系统的工作流程如下所示:
在运行之前,安装并检查所有设备;
运行后,首先,采集电池组所有开路电压,若电池组各个单体电池开路电压不在安全范围之内,或者一致性不佳,则不可进行下步操作,则需检查是否所述电路板是否存在一定的技术问题或安全连接问题;
若所述电路板检查良好,则需要更换电池组;若电池组各个单体电池开路电压在正常安全范围之内,且一致性良好,则可进行下步操作;
其次,设置电池组各个校准数据;
然后,设置所需充放电条件,进行电池组的正常充放电,并且采集电池组在正常充放电过程中的电池数据(电流、电压及温度);通过采集的电池数据,通过电池电量估算模块处理可得出电池组的电量;
最后,通过本发明计算得出的电池组电量(包括电池组总电量以及各个单体电池电量),若各个单体电池电量的最大差值超过安全范围,则需进行电量平衡;若各个单体电池电量的最大差值不超过安全范围,则不需要进行电量平衡。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (4)

1.一种估算电池电量的方法,包含以下顺序的步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
所述的不同的实验条件,是通过与要电池组相连的直流稳流稳压开关电源、电子负载来实现,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值。
2.根据权利要求1所述的估算电池电量的方法,其特征在于,所述的电池数据是指电池的电流、电压、温度、电量数据。
3.一种电池电量管理系统,其特征在于,该系统包括电池数据监控模块、电池电量估算模块、电量均衡模块和控制单元,控制单元分别与各个部件相连,电池数据监控模块将采集到的各个电池的数据反馈给控制单元,控制单元通过电池电量估算单元估算出电量,若单个电池的最大电量和最小电量之差超过预设安全范围,则通过控制单元启动电量均衡模块,电量均衡模块控制该单个电池进行放电,使其电位差恢复到安全范围,其中
电池电量估算模块对电池电量的估算经过以下步骤:
1)收集已有的不同实验条件下的电池数据,并且规范化所有训练样本并形成具有代表性的训练集T;
2)运用训练集T以及大范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个较优权值(C,G);
3)再次运用训练集T和围绕较优权值(C,G)缩小范围搜索的所有可能性的权值(c,g)训练SVM,并且计算每个训练样本的平均平方差,选择平均平方差最小的所对应的两个最优化权值(BestC,BestG),得到运用(BestC,BestG)最优化估算SOC的SVM估算函数;
4)输入采集的各个电池的数据,根据最优化估算SOC的SVM估算函数即可估算出各个电池的荷电状态估算值;
该系统还包含均与电池组相连的直流稳流稳压开关电源、电子负载,在收集不同实验条件下的电池数据时,通过调节直流稳流稳压开关电源,可以改变电池组在充电过程中的电流,从而可采集到充电时在不同电流下电池组的电压、温度及电量的变化,通过调节电子负载,可以改变电池组在放电过程中的电流,从而可采集到放电时在不同电流下电池组的电压、温度及电量的变化。
4.根据权利要求3所述的电池电量管理系统,其特征在于,该系统还包含与控制单元相连的电路保护模块,当电池数据监控模块反馈的数据超出控制单元所设检测安全范围,则控制单元控制电路保护模块启动电路保护功能,强制停止电路的充放电工作,静止一定时间后,再次启动检测相关数据,若仍然超出安全范围,则停止工作并报警。
CN201310513808.5A 2013-10-24 2013-10-24 一种估算电池电量的方法及电池电量管理系统 Active CN103529397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310513808.5A CN103529397B (zh) 2013-10-24 2013-10-24 一种估算电池电量的方法及电池电量管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310513808.5A CN103529397B (zh) 2013-10-24 2013-10-24 一种估算电池电量的方法及电池电量管理系统

Publications (2)

Publication Number Publication Date
CN103529397A CN103529397A (zh) 2014-01-22
CN103529397B true CN103529397B (zh) 2016-06-22

Family

ID=49931557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310513808.5A Active CN103529397B (zh) 2013-10-24 2013-10-24 一种估算电池电量的方法及电池电量管理系统

Country Status (1)

Country Link
CN (1) CN103529397B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104391252B (zh) * 2014-12-04 2017-02-22 上海理工大学 一种汽车铅酸蓄电池健康状态检测方法
CN105893650A (zh) * 2015-12-30 2016-08-24 丹东思诚科技有限公司 一种串联电池组均衡保护模拟仿真软件
CN106786836A (zh) * 2016-11-22 2017-05-31 天津梦琪科技有限公司 一种电动汽车电池电量管理显示系统
CN107656210B (zh) * 2017-09-14 2020-01-21 广州市香港科大霍英东研究院 一种估算电池电量状态的方法
CN111746352B (zh) * 2019-03-29 2022-01-28 北京新能源汽车股份有限公司 一种确定功率混合型电动汽车的电池的方法、装置及上位机
CN111524326B (zh) * 2020-04-03 2022-03-08 国网江苏省电力有限公司常州供电分公司 一种基于历史用电数据的居民温敏负荷用电超额告警方法
CN111505423B (zh) * 2020-04-30 2022-05-03 武汉拓宝科技股份有限公司 一种低功耗设备电量测试方法及系统
CN113030757B (zh) * 2021-03-09 2023-08-29 傲普(上海)新能源有限公司 一种soc的估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334366A (zh) * 2008-07-18 2008-12-31 中南大学 一种基于图像特征分析的浮选回收率预测方法
CN102082453A (zh) * 2009-11-30 2011-06-01 三洋电机株式会社 均衡装置、有它的蓄电池系统、电动车辆及均衡处理程序
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4495116B2 (ja) * 2005-06-30 2010-06-30 エルジー・ケム・リミテッド バッテリーの残存容量の推定方法及びそれによるバッテリー管理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334366A (zh) * 2008-07-18 2008-12-31 中南大学 一种基于图像特征分析的浮选回收率预测方法
CN102082453A (zh) * 2009-11-30 2011-06-01 三洋电机株式会社 均衡装置、有它的蓄电池系统、电动车辆及均衡处理程序
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LS-SVM的混合动力镍氢电池组SOC预测;陈健美等;《中南大学学报(自然科学版)》;20130131;第44卷(第1期);第135-139页 *

Also Published As

Publication number Publication date
CN103529397A (zh) 2014-01-22

Similar Documents

Publication Publication Date Title
CN103529397B (zh) 一种估算电池电量的方法及电池电量管理系统
Chiang et al. Online estimation of internal resistance and open-circuit voltage of lithium-ion batteries in electric vehicles
CN101359036B (zh) 电池荷电状态的测定方法
CN102231546B (zh) 具有均衡充放电功能的电池管理系统及其控制方法
Sun et al. Overview of the types of battery models
Cittanti et al. Modeling Li-ion batteries for automotive application: A trade-off between accuracy and complexity
Zhang et al. Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules
CN107576919A (zh) 基于armax模型的动力电池荷电状态估算系统及方法
Xia et al. Adaptive and fast state of health estimation method for lithium-ion batteries using online complex impedance and artificial neural network
CN103744026A (zh) 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
CN107367698A (zh) 电动汽车锂电池组的健康状态预测方法
CN102565710A (zh) 用于估计蓄电池健康状态的方法和装置
Mishra et al. A Review on Battery Management system and its Application in Electric vehicle
CN106872899A (zh) 一种基于降维观测器的动力电池soc估计方法
CN103259055A (zh) 一种方便操作的电动车用电池组ocv-soc曲线的修正电路及方法
CN203405557U (zh) 一种动力电池荷电状态估计系统
CN113740739A (zh) 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法
Chen et al. An approach for state of charge estimation of Li-ion battery based on Thevenin equivalent circuit model
CN102221678A (zh) 一种电池系统在线寿命计算方法
Chen et al. The application of UKF algorithm for 18650-type lithium battery SOH estimation
Tang et al. State of health estimation based on inconsistent evolution for lithium-ion battery module
Wang et al. Research on multi-parameter evaluation of electric vehicle power battery consistency based on principal component analysis
Wang et al. Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery
CN104678303B (zh) 电池组健康状态估测的方法与系统
Li et al. Joint estimation of SOC and SOH for lithium-ion batteries based on EKF multiple time scales

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant