CN104849671A - 一种基于组合神经网络的电池组容量检测系统 - Google Patents
一种基于组合神经网络的电池组容量检测系统 Download PDFInfo
- Publication number
- CN104849671A CN104849671A CN201510266546.6A CN201510266546A CN104849671A CN 104849671 A CN104849671 A CN 104849671A CN 201510266546 A CN201510266546 A CN 201510266546A CN 104849671 A CN104849671 A CN 104849671A
- Authority
- CN
- China
- Prior art keywords
- detection
- training
- capacity
- battery
- neural net
- 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
Abstract
一种基于组合神经网络的电池组容量检测系统,其特征是由电池组容量检测训练系统和电池组容量检测工作系统组成。电池组容量检测工作系统中的组合神经网络由1个BP网络检测单元和3个ELM网络检测单元构成,各个神经网络检测单元均是由电池组容量检测训练系统通过利用样本数据进行训练获得的,分别适用于不同范围的容量检测,应用时根据中间结果进行适当组合,能够起到取长补短、优化最终检测结果的作用:对一个待测电池组进行容量检测时,首先用其中的BP网络检测单元进行初级检测,确定出待测电池组的容量所处范围;然后选用其中适于该范围的ELM网络检测单元进行第二级检测,从而可得到更为准确的检测结果。
Description
技术领域
本发明属于电池容量检测技术领域,涉及到一种采用组合神经网络实现电池组容量检测系统。
背景技术
通信电台中的电池组是保证通信设备正常工作的关键部件之一,电池组的性能和剩余容量直接影响到电台性能的发挥,关系到设备的正常运行和通信的畅通。
通信电台电池组在使用过程中存在以下问题:将剩余荷电多或未达到维护周期的电池组进行维护;荷电性能变差或失效的电池组继续使用。上述问题会影响电池组的循环寿命和设备的正常使用。现有技术手段检测电池组的荷电状态存在用时长、准确度低等问题,不能满足检测电池组荷电性能的实际要求。因此,需要一种能够快速准确检测电池组荷电状态的技术和设备,为电池组在工作中发挥效能和优化使用提供必要的技术手段。为实现这一目的,必须有一种较为有效的检测方法实现对通信电台电池组的剩余容量进行快速准确的检测。由此可见,针对通信电台电池组,研究一种快速容量检测方法,具有重要的实用价值。因此本发明的成果具有很好的应用前景。
一般用荷电状态(State of Charge:SOC)来反映电池剩余容量大小。SOC在数值上定义为电池的剩余容量占电池的额定容量的比值。在目前的技术条件下尚没有实现对电池的SOC值直接进行测量的仪器设备,而是通过对特性参数如电压、电流、温度、内阻等进行测量后,通过一定的技术方法和算法估算得到电池的SOC值。现有对SOC进行估算或检测的方法包括:开路电压法、安时积分法、放电法、内阻法、电池数学模型法、神经网络法等。基于神经网络的检测方法是利用神经网络的自适应、自学习和高维非线性映射能力来实现对电池SOC的估算。该种方法已在动力电池SOC估算中得到应用。2013年《电子测量与仪器学报》上发表的论文(刘征宇,杨俊斌,张庆等.基于QPSO-BP神经网络的锂电池SOC预测[J].电子测量与仪器学报,2013,3(27):224-228.),2007年《中南大学学报》上发表的论文(赵克刚,罗玉涛,裴锋.基于神经网络的电池荷电状态估计方法[J].中南大学学报,2007,8(38):931-936.),2012年的硕士论文(段玲玲.电动汽车锂电池组SOC预测研究[D].沈阳:沈阳理工大学,2012.),2010年申请的中国发明专利(邓庆勇,段斌,谭云强,等.一种电动车电池SOC估算方法[P].申请公布号:101964018,2011-02-02.)。上述文献或专利均针对电动车中动力电池的SOC估算进行研究,采用一种神经网络算法或其改进算法建立一个神经网络检测模型来实现。而对于容量相对较小的通信电台电池组,受其使用场合的限制不能直接进行应用。通过对上述文献以及其它现有的神经网络SOC检测方法进行研究,我们发现目前已有的方法均通过训练单一的神经网络模型来实现电池组SOC的估算,而且采用单一的神经网络模型则普遍存在当被测电池组的SOC值比较小时估算误差明显变大的问题。例如,当SOC值处于70%以上时估算平均相对误差在3%以内、SOC值处于(35%,70%)区间时估算平均相对误差为5%左右、SOC值处于(0%,35%)区间时则估算平均相对误差达8%以上。如果能针对该问题,对不同区间分别采用不同的神经网络模型采取有针对性的学习训练,并对不同的神经网络模型进行适当有效的组合,则可以取长补短、克服单一模型的不足,在不同的区间均可提供较为准确和稳定的检测结果。
发明内容
本发明提出一种基于组合神经网络的电池组容量检测系统,用于解决通信电台电池组剩余容量的检测问题,从而得到更为准确的检测结果,为电池组在工作中发挥效能和优化使用提供一种可靠的检测技术。
本发明的技术方案是:
一种基于组合神经网络的电池组容量检测系统,由电池组容量检测训练系统和电池组容量检测工作系统两部分组成。
电池组容量检测训练系统的结构如图1所示,包括电池组充放电和电压检测器、训练样本集构造器、组合神经网络训练系统。其中,组合神经网络训练系统的结构如图3所示,由训练样本集划分器、一个BP(Back Propagation:反向传播)网络单元训练器和三个ELM(Extreme Learning Machine:极限学习机)网络单元训练器构成。
电池组容量检测工作系统的结构如图2所示,包括电池组充放电和电压检测器、检测矢量构造器、组合神经网络工作系统。其中,组合神经网络工作系统的结构如图4所示,由一个BP网络检测单元和三个ELM网络检测单元构成,这些神经网络检测单元均是由电池组容量检测训练系统通过利用由训练样本集构造器构造出来的样本数据进行训练获得的,分别适用于不同范围的容量检测,应用时根据中间结果进行适当组合,能够起到取长补短、优化最终结果的作用。
在本发明中,采用优化组合的两级检测方法,即先用图4中的BP网络检测单元对待测电池组的SOC值进行初级检测,确定出待测电池组的容量所处范围,根据初级检测结果再选用适合该范围的ELM网络检测单元进行第二级检测。初级检测的误差相对较大,经过第二级检测则会得到更为准确的SOC值检测结果。
该技术方案由两个系统来实现,即电池组容量检测训练系统和电池组容量检测工作系统,这两个系统分别用于实现两个操作阶段:阶段1—训练阶段,阶段2—工作阶段。
在阶段1,首先按照图1和图3所示构造电池组容量检测训练系统和组合神经网络训练系统,然后通过一个学习训练过程得到组合神经网络中的各个神经网络检测单元。在该学习训练过程中,首先选出若干个满电样本电池组按照图5所示的样本电池组电压数据循环采集流程来获得训练样本数据,然后经过图3中的训练样本集划分器对这些采集到的训练样本数据进行划分和构造,得到4个训练样本子集SV、S1、S2和S3,其中S1是由SOC值处于(0,35%)区间的测试样本数据构成的、S2是由SOC值处于(31%,69%)区间的测试样本数据构成的、S3是由SOC值处于(65%,100%)区间的测试样本数据构成、SV是由全部测试样本数据构成。再按图3所示,由BP网络单元训练器采用BP学习算法以SV作为训练样本训练一个三层BP神经网络,训练结束后,得到一个收敛的BP网络检测单元;由三个ELM网络单元训练器采用ELM学习算法分别以Si(i=1,2,3)作为训练样本训练三个ELM神经网络,训练结束后,得到三个收敛的ELM网络检测单元i(i=1,2,3)。
在阶段2中,用在阶段1中训练好的BP网络检测单元和三个ELM网络检测单元按照图2和图4所示构造出电池组容量检测工作系统和组合神经网络工作系统,实现对被测电池组的容量检测。其运行思路是:按图2所示,首先对待测电池组进行电压测量得到一组测量结果构造出检测矢量XV,将XV输入到组合神经网络工作系统,由该工作系统对电池组进行两级检测,得到最后的检测结果Yd。两级检测过程为:先将XV送到BP网络检测单元进行初级检测,得到检测结果Y0;根据Y0值所处的取值范围选择适合该范围的ELM网络检测单元,将XV输入到该检测单元实现对电池组的第二级检测,得到检测结果Yd。当Y0同时适合两个ELM网络检测单元时(即Y0值落入两个ELM网络检测单元的重叠范围内),则用两个ELM网络检测单元进行检测,再将二者的检测结果取平均,得到最后的检测结果Yd。
本发明的基于组合神经网络的电池组容量检测系统,应用到通信电台电池组容量的检测,能够克服现有的单一神经网络检测方法存在的在SOC的中、低区间检测误差较大的问题,在SOC的全区间上均实现较高精度的快速检测,并且具有稳定性好、泛化能力强的优点。通过应用该检测方法对通信电台电池组实现更为精确和稳定的SOC检测,从而达到提高电池组的使用效能,实现电池组的优化使用的目的。
附图说明
图1是本发明的电池组容量检测训练系统。
图2是本发明的电池组容量检测工作系统。
图3是组合神经网络训练系统。
图4是组合神经网络工作系统。
图5是样本电池组电压数据循环采集流程。
具体实施方式
下面结合技术方案和附图详细叙述本发明的具体实施例。
以一种通信电台使用的24V7Ah镍氢电池组为例,实现基于组合神经网络的电池组容量检测方法。对于锂电池,该套实施方式同样适用。具体实施步骤如下:
步骤1:获取和构造用于训练组合神经网络电池组容量检测系统的训练样本集。
(1.1)按图1所示构造基于组合神经网络的电池组容量检测训练系统,选出一个处于满电状态的24V 7Ah镍氢电池组作为待测样本,采用图1中的电池组充放电和电压检测器按照图5所示的样本电池组电压数据循环采集流程对该电池组进行电压数据样本采集。设此次采集从开始至放电结束共循环N1次,按图5所示每次循环采集得到1个开路电压值、3个前3分钟的放电电压值、3个充电电压值。每次循环所采集到的电压值所对应的是该电池组的不同的SOC状态。对该电池组样本共采集到N1组电压值;
(1.2)选出另一个处于满电状态的24V7Ah镍氢电池组作为待测样本,按与步骤(1.1)相同的采集方法对该电池组进行电压数据样本采集,对该电池组样本共采集到N2组电压值。按照此方法共选出M个处于满电状态的24V7Ah镍氢电池组,进行电压数据样本采集,对每个电池组循环采集Nj次(j=1,2,...,M),每次循环获得7个电压测量值;
(1.3)完成对M个24V7Ah镍氢电池组的电压数据样本采集后,将采集到的电压数据样本输入到图1中的训练样本集构造模块中,按下述步骤构造训练样本集:
(1.3.1)对所有的电压测量值以这种镍氢电池组的额定电压(24V)为标准值进行归一化,得到归一化后的电压测量值;
(1.3.2)对每次循环中获得7个经过归一化处理后的电压测量值,用其中1个充电过程得到的最高电压值与放电过程中的最低电压值相减得到其差值,将该差值作为第8个电压测量值,与上述7个经归一化电压测量值一起构成一个8维矢量XV作为一个输入训练矢量;
(1.3.3)构造训练样本集的理想输出值:设dk为对某个电池组在循环采集电压样本中第k次循环采集开始时刻所对应的该电池组的SOC值,该次循环采集所测得的电压测量值按照步骤(1.3.2)构成的输入训练矢量为XV(k),则dk即为该XV(k)所对应的理想输出值。注意,dk本身并不能直接通过一次循环采集的测量结果得到,在本发明中采取下述结合图5所示的样本电池组电压数据整个循环采集过程的方法来计算dk。
设对第j个样本电池组从满电状态开始放电直到放电结束共循环Nj次,根据测试设备电路特点和SOC原理,经推导可得第k次循环采集放电开始时该电池组所具有的SOC值dk的计算公式为:
其中,T1为一个测量周期中总的放电时间,T2为一个测量周期中总的充电时间,V(ti)为ti时刻电池组放电时两端的电压,IC为充电电流(本发明中的电池组充放电和电压检测器采用恒流充电),Qo为电池组额定容量,μ为放电脉冲占空比,R为放电的负载电阻值。V(ti)和IC均可以通过在放电过程对该电池组进行测试得到,μ和R由电池组充放电和电压检测器的电路参数来决定,可以事先得到。
当获得了整个循环采集过程中的放电电压值V(ti),通过利用式(1)进行计算,可以得到该电池组所对应的各个dk,k=1,2,...,Nj。将dk与XV(k)构成一个训练样本对(XV(k),dk),并对全部电池组数据采集样本按此方法处理,于是可构造出训练样本集SV={(XV(k),dk)}。
步骤2:用训练样本集SV={(XV(k),dk)}按图3所示的组合神经网络训练系统对各个神经网络检测单元进行训练。训练步骤如下:
(2.1)确定组合神经网络的组成和神经网络单元的输入、输出节点数:组合神经网络由一个BP网络单元和三个ELM网络单元组成,均为三层网络结构,输入层节点数为8个,对应输入矢量XV(k);输出层节点数为1个,输出值为对dk所做的估算。隐层节点数将通过整个训练和实验过程加以确定,将在步骤(2.3)和(2.4)中加以阐述;
(2.2)将SV送入图3中的训练样本集划分器,经过划分器划分后产生四个训练样本集:SV、S1、S2、S3,其中SV是原训练样本集,用于训练BP网络检测单元;S1为SOC值dk处于(0,35%)区间的所有训练样本构成,即S1={(XV(k),dk)|dk∈(0,35%)},用于训练ELM网络检测单元1;S2是由dk处于(31%,69%)区间的所有训练样本构成,即S2={(XV(k),dk)|dk∈(31%,69%)},用于训练ELM网络检测单元2;S3是由SOC值处于(65%,100%)区间的所有训练样本构成,即S3={(XV k(dk),dk∈(65%,100%)},用于训练ELM网络检测单元3;
(2.3)由图3中的BP网络单元训练器以SV为训练样本集采用BP学习算法来训练BP网络检测单元。在训练过程中,取不同的隐层节点数进行训练实验,以训练误差最小的优化准则来确定隐层节数,训练结束后得到BP网络检测单元;
(2.4)由图3中的ELM网络单元i训练器(i=1,2,3)以Si为训练样本集采用ELM学习算法来训练ELM网络检测单元i。在训练过程中,取不同的隐层节点数进行训练,以训练误差最小的优化准则来确定隐层节数,训练结束后得到ELM网络检测单元i;
步骤3:采用步骤2中已经训练好的BP网络检测单元和ELM网络检测单元i(i=1,2,3),按图4所示构造组合神经网络工作系统,用于实现对某一待测电池组SOC值的检测。具体实施步骤如下:
(3.1)对待测的电池组按图2所示,用电池组充放电和电压检测器对该电池组进行电压检测,测量得到1个开路电压值、3个放电电压值、3个充电电压值,然后经过图2中的检测矢量构造器按照步骤(1.3.1)和(1.3.2)构造出检测矢量XV,作为组合神经网络工作系统的输入;
(3.2)首先将XV输入到图4所示的组合神经网络工作系统中的BP网络检测单元,得到输出Y0作为待测电池组SOC值的初级检测结果,然后根据Y0所处的范围,将XV输入到相应的ELM网络检测单元中对SOC值进行第二级检测。具体操作步骤如下:
(3.2.1)如果Y0处于(0,35%)区间,则将XV输入到ELM网络检测单元1进行第二级检测获得Y1;
(3.2.1)如果Y0处于(31%,69%)区间,则将XV输入到ELM网络检测单元2进行第二级检测获得Y2;
(3.2.3)如果Y0处于(65%,100%)区间,则将XV输入到ELM网络检测单元3进行第二级检测获得Y3;
(3.2.4)如果Y0处于这三个区间中相邻两个区间的重叠区域内,则将XV同时输入到这两个ELM网络检测单元中进行第二级检测,并将两个ELM网络检测单元的输出结果进行平均作为第二级检测结果YM;
(3.2.5)上述的第二级检测结果Y1、Y2、Y3或YM既作为该组合神经网络工作系统对待测电池组的SOC值所做的最终估算结果Yd。
Claims (2)
1.一种基于组合神经网络的电池组容量检测系统,由电池组容量检测训练系统和电池组容量检测工作系统两部分组成,其特征在于:
电池组容量检测训练系统包括电池组充放电和电压检测器、训练样本集构造器、组合神经网络训练系统;其中,组合神经网络训练系统由训练样本集划分器、1个BP网络单元训练器和3个ELM网络单元训练器构成,用于训练出4个神经网络检测单元,包括1个BP网络检测单元和3个ELM网络检测单元;
电池组容量检测工作系统包括电池组充放电和电压检测器、检测矢量构造器、组合神经网络工作系统;其中,组合神经网络工作系统由1个BP网络检测单元和3个ELM网络检测单元构成,各个神经网络检测单元均是由电池组容量检测训练系统通过利用由训练样本集构造器构造出来的样本数据进行训练获得的,分别适用于不同范围的容量检测,用于在实际工作状态下对新的待测电池组的容量进行检测。
2.使用权利要求1所述的一种基于组合神经网络的电池组容量检测系统的检测方法,其特征在于对新的待测电池组采用如下优化组合的两级检测方案:
(1)首先用组合神经网络工作系统中的BP网络检测单元进行初级检测,确定出待测电池组的容量所处范围;
(2)根据初级检测得到的容量所处范围,选用适合该范围的ELM网络检测单元进行第二级检测,从而得到更为准确的容量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266546.6A CN104849671B (zh) | 2015-05-22 | 2015-05-22 | 一种基于组合神经网络的电池组容量检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266546.6A CN104849671B (zh) | 2015-05-22 | 2015-05-22 | 一种基于组合神经网络的电池组容量检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104849671A true CN104849671A (zh) | 2015-08-19 |
CN104849671B CN104849671B (zh) | 2017-07-11 |
Family
ID=53849455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510266546.6A Active CN104849671B (zh) | 2015-05-22 | 2015-05-22 | 一种基于组合神经网络的电池组容量检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104849671B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108520986A (zh) * | 2018-05-10 | 2018-09-11 | 杭州电子科技大学 | 一种基于生成对抗网络的动力电池配组方法 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN111086414A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学宁波理工学院 | 一种基于极限神经网络的快速充电设备及其方法 |
CN111948563A (zh) * | 2020-06-19 | 2020-11-17 | 浙江大学 | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 |
CN112698207A (zh) * | 2020-12-03 | 2021-04-23 | 天津小鲨鱼智能科技有限公司 | 一种电池容量检测方法及装置 |
CN114076900A (zh) * | 2020-08-21 | 2022-02-22 | 丰田自动车株式会社 | 电池诊断装置、电池诊断方法、计算机可读非暂时性存储介质和车辆 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
JP2003249271A (ja) * | 2002-02-22 | 2003-09-05 | Akuson Data Machine Kk | バッテリの残存容量判定方法と、その装置 |
US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
WO2008068446A1 (en) * | 2006-12-06 | 2008-06-12 | Iti Scotland Limited | Battery management system |
CN102478636A (zh) * | 2010-11-26 | 2012-05-30 | 比亚迪股份有限公司 | 电池电量的检测方法及装置 |
CN103033762A (zh) * | 2012-12-18 | 2013-04-10 | 上海樟村电子有限公司 | 基于差值微分的动力磷酸铁锂电池荷电量动态预测方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103135066A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 一种分段磷酸铁锂电池电量的测量方法 |
-
2015
- 2015-05-22 CN CN201510266546.6A patent/CN104849671B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
JP2003249271A (ja) * | 2002-02-22 | 2003-09-05 | Akuson Data Machine Kk | バッテリの残存容量判定方法と、その装置 |
US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
WO2008068446A1 (en) * | 2006-12-06 | 2008-06-12 | Iti Scotland Limited | Battery management system |
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
CN102478636A (zh) * | 2010-11-26 | 2012-05-30 | 比亚迪股份有限公司 | 电池电量的检测方法及装置 |
CN103033762A (zh) * | 2012-12-18 | 2013-04-10 | 上海樟村电子有限公司 | 基于差值微分的动力磷酸铁锂电池荷电量动态预测方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103135066A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 一种分段磷酸铁锂电池电量的测量方法 |
Non-Patent Citations (2)
Title |
---|
黄妙华等: "改进BP神经网络的磷酸铁锂电池SOC估算", 《武汉理工大学学报》 * |
齐智等: "利用人工神经网络预测电池SOC的研究", 《电源技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994B (zh) * | 2015-09-10 | 2018-04-24 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN105548832B (zh) * | 2015-12-10 | 2018-09-21 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108520986A (zh) * | 2018-05-10 | 2018-09-11 | 杭州电子科技大学 | 一种基于生成对抗网络的动力电池配组方法 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN111086414A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学宁波理工学院 | 一种基于极限神经网络的快速充电设备及其方法 |
CN111948563A (zh) * | 2020-06-19 | 2020-11-17 | 浙江大学 | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 |
CN114076900A (zh) * | 2020-08-21 | 2022-02-22 | 丰田自动车株式会社 | 电池诊断装置、电池诊断方法、计算机可读非暂时性存储介质和车辆 |
CN114076900B (zh) * | 2020-08-21 | 2023-09-19 | 丰田自动车株式会社 | 电池诊断装置、电池诊断方法、计算机可读非暂时性存储介质和车辆 |
CN112698207A (zh) * | 2020-12-03 | 2021-04-23 | 天津小鲨鱼智能科技有限公司 | 一种电池容量检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104849671B (zh) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104849671A (zh) | 一种基于组合神经网络的电池组容量检测系统 | |
CN102540084B (zh) | 实时确定可充电蓄电池设备状态的方法 | |
Tian et al. | A modified model based state of charge estimation of power lithium-ion batteries using unscented Kalman filter | |
CN103091642B (zh) | 一种锂电池容量快速估计方法 | |
CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
CN102608540B (zh) | 一种用于动力电池soc估计的库伦效率测定方法 | |
CN102590751B (zh) | 动力电池包一致性评估方法和装置 | |
CN101359036B (zh) | 电池荷电状态的测定方法 | |
CN100495060C (zh) | 用于测量电池容量的方法 | |
CN103323781B (zh) | 动力电池组在线参数检测系统及soc估计方法 | |
CN106772104B (zh) | 一种动力电池soc值估算方法 | |
Xia et al. | State of charge estimation of lithium-ion batteries based on an improved parameter identification method | |
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 | |
CN102062841A (zh) | 动力电池荷电状态的估测方法及系统 | |
Juang et al. | Implementation of online battery state-of-power and state-of-function estimation in electric vehicle applications | |
CN103744028A (zh) | 一种基于ukf的蓄电池荷电状态soc估算方法 | |
CN110133505A (zh) | 一种基于变参数模型的动力电池充放电状态观测方法 | |
CN104577242A (zh) | 一种电池组管理系统和方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
Howey et al. | Impedance measurement for advanced battery management systems | |
CN103760495A (zh) | 一种用于bms检测的soc源产生方法及soc估计精度测试方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN110554321A (zh) | 一种实时检测退役动力电池soc的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |