CN105676138A - 一种预测电池的剩余电量的方法和系统 - Google Patents
一种预测电池的剩余电量的方法和系统 Download PDFInfo
- Publication number
- CN105676138A CN105676138A CN201610044076.3A CN201610044076A CN105676138A CN 105676138 A CN105676138 A CN 105676138A CN 201610044076 A CN201610044076 A CN 201610044076A CN 105676138 A CN105676138 A CN 105676138A
- Authority
- CN
- China
- Prior art keywords
- battery
- neural network
- residue electricity
- relation curve
- prediction
- 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
Classifications
-
- 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
Abstract
本发明涉及一种预测电池的剩余电量的方法和系统,包括:用于建立训练样本组的建立单元;用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图的获得单元;用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列的排列单元;用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测的输出单元。可见,该预测电池的剩余电量的方法和系统,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
Description
技术领域
本发明涉及锂电池管理系统技术领域,尤其涉及一种预测电池的剩余电量的方法和系统。
背景技术
锂电池主用应用于新能源电动汽车行业以及储能系统产品。目前新能源电动汽车和电池储能行业发展迅猛。对于电动车用锂电池以及大中型电池储能系统,设计良好的BMS(BatteryManagementSystem、电池管理系统)显得极为重要。其中BMS需要获得的最重要的参数之一就是电池SOC(StateofCharge、剩余电量)值,该参数能够反映当前电池的荷电状态,有效防止电池过放、过充,从而延长电池使用寿命,保证电池使用安全。不过因为电池在使用过程中SOC值呈现非线性变化,所以准确估计SOC值是有很大难度的。目前主要的SOC值预测方法有以下几种:
1)Ah(安时)累积法:通过对电流的累积和已知的SOC初值获得剩余SOC值。该方法简单,应用方便,实现成本低,但是存在如下缺点:电流测量误差导致累积误差不断增大;需要知道初始SOC值;电池充放电效率随温度、充放电率变化。
2)OCV(opencircuitvoltage、开路电压)法:根据SOC随OCV的变化而估测SOC值。该方法使用简单,低成本,在SOC值两端估计效果好,但存在如下缺点:不能在线测量SOC值,需长时间静置,部分锂电池存在电压平台期,在该电压平台期的范围内,SOC剧烈变化,而OCV变化很小。
3)内阻法:依据电池内阻与SOC值之间的关系获得SOC值,分为直流内阻法和交流内阻法。本方法利用内阻与电池SOC值存在的一一对应关系估测SOC值。但由于两者之间数据关系复杂,受电流、温度等不确定因素的影响大,并测量内阻需要使用专用仪器及激励源,费用成本高,且测量内阻需断开负载故而不适合于在线测量,因此该方法只适用于实验室。
4)传统神经网络法:通过建立人工神经网络,使用样本训练网络,从而计算出SOC值。传统神经网络法的特点是在采集足够多样本的前提下无需知道模型内部关系,通过训练能对非线性关系有良好的拟合。目前对SOC值预测常用的传统神经网络为BP神经网络和径向基函数神经网络,这两种神经网络结构相同,但径向基函数神经网络隐含层传递函数为高斯函数,因此在学习过程中径向基函数神经网络除了需要调整神经元之间权值、各神经元阀值之外,还需调整隐含层高斯函数的均值和方差,故而相较之BP神经网络训练时间更长,计算量更庞大,但逼近能力和收敛性更好。对于人工神经网络算法而言,网络训练的结果受到样本极大的影响,而在实际使用过程中电池的使用工况受使用环境的影响而不断变化,比如电动车,给出的动力大小根据实际路况和驾驶员习惯等复杂因素,电池放电实际情况差别很大,故而并不能保证预测精度,因此传统人工神经网络算法只适用于工况固定的场合。
发明内容
本发明的目的在于提出一种预测电池的剩余电量的方法和系统,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
为达此目的,本发明采用以下技术方案:
第一方面,提供一种预测电池的剩余电量的方法,包括:
建立训练样本组,针对所述训练样本组中的每个电池进行以下操作:
获得电池的放电电流和放电时间的关系曲线图;
对所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
将重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
其中,所述预设的顺序为所述放电电流的数值从高到低的顺序。
其中,所述输出所述特征至人工神经网络或径向基函数神经网络之后,所述以便对电池的剩余电量进行预测之前,还包括:
将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
其中,所述以便对电池的剩余电量进行预测之后,还包括:
根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
其中,所述电池为锂电池。
第二方面,提供一种预测电池的剩余电量的系统,包括:
建立单元,用于建立训练样本组;
获得单元,用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图;
排列单元,用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
输出单元,用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
其中,所述预设的顺序为所述放电电流的数值从高到低的顺序。
其中,所述系统还包括调整单元,所述调整单元,用于将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
其中,所述系统还包括设计单元,所述设计单元,用于根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
其中,所述电池为锂电池。
本发明的有益效果在于:一种预测电池的剩余电量的方法和系统,包括建立单元、获得单元、排列单元和输出单元,所述建立单元,用于建立训练样本组;所述获得单元,用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图;所述排列单元,用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;所述输出单元,用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。可见,该预测电池的剩余电量的方法和系统,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本发明提供的预测电池的剩余电量的方法第一个实施例的方法流程图。
图2是本发明提供的原始的关系曲线图。
图3是本发明提供的重构的关系曲线图。
图4是本发明提供的预测电池的剩余电量的方法第一个实施例的方法原理图。
图5是本发明提供的预测电池的剩余电量的方法第二个实施例的方法流程图。
图6是本发明提供的预测电池的剩余电量的方法第二个实施例的方法原理图。
图7是本发明提供的预测电池的剩余电量的系统第一个实施例的结构方框图。
图8是本发明提供的预测电池的剩余电量的系统第二个实施例的结构方框图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参考图1,其是本发明提供的预测电池的剩余电量的方法第一个实施例的方法流程图。本发明实施例提供的预测电池的剩余电量的方法,可应用于各类电动车用锂电池以及大中型电池储能系统等。
该预测电池的剩余电量的方法,包括:
步骤S101、建立训练样本组。
需要说明的是,本发明实施例提供的预测电池的剩余电量的方法,是基于卷积神经网络算法实现电池SOC的预测。卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法,属于深度学习这一前沿技术领域,其在图像识别领域的应用尤其成熟,通过局部感知和权值共享两大技术,使之具备很强的图像识别能力。本技术采用重构后的电池得放电关系曲线图作为卷积神经网络的输入,SOC值作为输出,通过不断学习训练,让传统神经网络具备对SOC的高效预测能力。
优选地,将大量实际的新能源电动汽车使用的锂电池组作为训练样本组,将该大量实际的新能源电动汽车使用的锂电池组的放电关系曲线图作为卷积神经网络的输入,通过不断训练神经网络,使之达到能有效预测电池SOC值的目的。
步骤S102、获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图。
请参考图2,其是本发明提供的原始的关系曲线图。
需要说明的是,获得所述关系曲线图,利用和手写输入识别一样的原理,通过识别该关系曲线图的匹配性,进而预测电池的SOC值。
所述关系曲线图也称电池的放电图谱,该放电图谱是指电池放电电流—放电时间曲线,对于数字化系统,该曲线实际是由一个个像素组成的图形,每个象素的大小取决于系统设计者自身的选择,每个像素(大小为Δi,Δt)越小,则精度越高,放电图谱越精确,但是计算量也更大。请参考图2,其是本发明提供的原始的关系曲线图。
如图2所示,如果直接识别电池使用过程的实际放电图谱,由于电池实际使用过程中的工况的复杂性,放电图谱区别大,导致采用神经网络预测SOC几乎不可能(或者训练神经网络需要的样本量过大,计算量过大)。
步骤S103、对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列。
请参考图3,其是本发明提供的重构的关系曲线图。
具体地,通过对放电图谱进行标准化重构可以实现影响SOC的关键共性指标的提取和标准化,使得通过对放电图谱的模糊匹配识别成为可能。
所谓的放电图谱的标准化重构是指将放电电流相同的放电时间组合在一起,并按一定的标准顺序排列(比如,采用电流从高到低的顺序),从而达到在不影响放电图谱有效性的前提下降低实际放电图谱的复杂性。
步骤S104、将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
请参考图4,其是本发明提供的预测电池的剩余电量的方法第一个实施例的方法原理图。
本发明实施例提供的预测电池的剩余电量的方法,采用卷积神经网络在图形识别方面的强大能力,进行电池标准化后的放电图谱匹配,实现对放电图谱的快速有效识别,通过不断训练神经网络使之形成对放电特性与SOC的丰富经验,具备越来越强的预测能力。
如图4所示。通过n层卷积操作完成对图像的有效提取,最后将第n层子采样层作为输入,输入到经典的神经网络((neuralnetwork、NN)中。最后通过大量实际的新能源电动汽车使用锂电池组的放电图谱的输入不断训练神经网络,使之达到能有效预测新能源电动汽车的锂电池组的SOC值的目的。
本发明实施例提供的预测电池的剩余电量的方法,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
实施例2
请参考图5,其是本发明提供的预测电池的剩余电量的方法第二个实施例的方法流程图。本发明实施例的预测电池的剩余电量的方法在第一个实施例的基础上,对重构关系曲线图和预测电池的剩余电量的步骤进行了具体说明。
该预测电池的剩余电量的方法,包括:
步骤S201、建立训练样本组。
步骤S202、获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图。
步骤S203、对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的所述放电电流的数值从高到低的顺序依次排列。
优选地,所述电池为锂电池。
由于电池在实际使用过程中的工况十分复杂,单纯的采用传统的神经网络系统,很难训练出一个能够良好预测电池SOC的神经网络。影响锂电池组放电性能的主要因素是放电倍率,本发明实施例提供的预测电池的剩余电量的方法,通过对电池组使用过程的放电电流-放电时间曲线进行重构,让其统一形成从大电流到小电流(或其他标准形式)的放电电流-放电时间曲线图,对此曲线图通过卷积神经网络不断训练学习形成对各种图谱的形状匹配,进而根据匹配的情况来进行对放电容量的预测。
步骤S204、将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,再将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
在实际使用中,电池的放电性能是随着累计放电次数、累计放电时长和累计循环次数等因素而逐渐降低,因此为了更进一步的提高本发明实施例提供的预测电池的剩余电量的方法的可靠性和精确性。可将电池的累计放电次数、累计放电时长和累计循环次数等影响电池储能性能的因素作为权值一并考虑,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
请参考图6,其是本发明提供的预测电池的剩余电量的方法第二个实施例的方法原理图。
如图6所示,本发明提供的预测电池的剩余电量的方法,考虑了电池的累计放电次数、累计放电时长和累计循环次数对电池性能的影响,使其预测的电池SOC更加准确。
步骤S205、根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
基于本发明提供的预测电池的剩余电量的方法预测的电池的剩余电量,对于电动车用锂电池以及大中型电池储能系统,能够设计出性能更加优良的电池管理系统。
本发明实施例提供的预测电池的剩余电量的方法,采用对电池的放电图谱的识别匹配来预测电池的SOC,即利用了图像识别的方式来预测电池的SOC,此方法可提高电池的SOC的预测精度。
本发明实施例提供的预测电池的剩余电量的方法,应用在图像识别领域十分成功的卷积神经网络来进行放电图谱的识别,使得放电图谱的匹配识别具备可行性。
本发明实施例提供的预测电池的剩余电量的方法,对电池的放电图谱进行标准化重构,这一技术使得新能源电动汽车在使用过程中的电池的放电图谱的复杂结构可以标准化,降低了图谱识别的工作量和难度,使得神经网络的训练更加可靠。
本发明实施例提供的预测电池的剩余电量的方法,将电池的累计放电次数、累计放电时长和累计循环次数等对电池储能性能产生影响的参数也作为输入层与放电图谱卷积之后的采样输入层一起输入到神经网络中,使本发明实施例提供的预测电池的剩余电量的方法更加可靠,预测电池SOC的能力更强。
本发明提供的预测电池的剩余电量的方法,用卷积神经网络算法对电池的放电图谱进行图谱重构和匹配,并不断自我学习优化,实现有效的电池SOC预测。
以下为本发明实施例提供的预测电池的剩余电量的系统的实施例。预测电池的剩余电量的系统的实施例与上述的预测电池的剩余电量的方法的实施例属于同一构思,预测电池的剩余电量的系统的实施例中未详尽描述的细节内容,可以参考上述预测电池的剩余电量的方法的实施例。该系统是用计算机程序来实现的,该系统是用计算机程序实现的功能软件架构。
实施例3
请参考图7,其是本发明提供的预测电池的剩余电量的系统第一个实施例的结构方框图。本发明提供的预测电池的剩余电量的系统,可应用于各类电动车用锂电池以及大中型电池储能系统等。
该预测电池的剩余电量的系统,包括:
建立单元,用于建立训练样本组;
获得单元,用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图;
排列单元,用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
输出单元,用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
本发明实施例提供的预测电池的剩余电量的系统,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
实施例4
请参考图8,其是本发明提供的预测电池的剩余电量的系统第二个实施例的结构方框图。本发明实施例提供的预测电池的剩余电量的系统在第一个实施例的基础上,增加了调整单元和设计单元。
该预测电池的剩余电量的系统,其特征在于,包括:
建立单元,用于建立训练样本组;
获得单元,用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图;
排列单元,用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
输出单元,用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
其中,所述预设的顺序为所述放电电流的数值从高到低的顺序。
其中,所述系统还包括调整单元,所述调整单元,用于将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
其中,所述系统还包括设计单元,所述设计单元,用于根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
其中,所述电池为锂电池。
本发明提供的预测电池的剩余电量的系统,用卷积神经网络算法对电池的放电图谱进行图谱重构和匹配,并不断自我学习优化,实现有效的电池SOC预测。
一种预测电池的剩余电量的方法和系统,能够基于卷积神经网络算法实现电池SOC的预测,适用于各种复杂电池工况,可实施性强。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括存储器、磁盘或光盘等。
以上内容仅为本发明的较佳实施例,对于本领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种预测电池的剩余电量的方法,其特征在于,包括:
建立训练样本组,针对所述训练样本组中的每个电池进行以下操作:
获得电池的放电电流和放电时间的关系曲线图;
对所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
将重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
2.根据权利要求1所述的预测电池的剩余电量的方法,其特征在于,所述预设的顺序为所述放电电流的数值从高到低的顺序。
3.根据权利要求1所述的预测电池的剩余电量的方法,其特征在于,所述输出所述特征至人工神经网络或径向基函数神经网络之后,所述以便对电池的剩余电量进行预测之前,还包括:
将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
4.根据权利要求1所述的预测电池的剩余电量的方法,其特征在于,所述以便对电池的剩余电量进行预测之后,还包括:
根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
5.根据权利要求1所述的预测电池的剩余电量的方法,其特征在于,所述电池为锂电池。
6.一种预测电池的剩余电量的系统,其特征在于,包括:
建立单元,用于建立训练样本组;
获得单元,用于获得所述训练样本组中的每个电池的放电电流和放电时间的关系曲线图;
排列单元,用于对每一个所述关系曲线图进行重构,以便所述关系曲线图的放电电流按照预设的顺序依次排列;
输出单元,用于将每一个重构后的关系曲线图作为卷积神经网络的输入信息,通过“输入层-卷积层-输出层”结构的卷积神经网络提取所述关系曲线图的特征,输出所述特征至人工神经网络或径向基函数神经网络,以便对电池的剩余电量进行预测。
7.根据权利要求6所述的预测电池的剩余电量的系统,其特征在于,所述预设的顺序为所述放电电流的数值从高到低的顺序。
8.根据权利要求6所述的预测电池的剩余电量的系统,其特征在于,所述系统还包括调整单元,所述调整单元,用于将所述电池的累计放电次数、累计放电时长和累计循环次数中的至少一项作为权值,对所述人工神经网络或径向基函数神经网络的算法进行调整,以便对电池的剩余电量进行预测。
9.根据权利要求6所述的预测电池的剩余电量的系统,其特征在于,所述系统还包括设计单元,所述设计单元,用于根据预测的所述剩余电量,对所述电池的电池管理系统进行设计。
10.根据权利要求6所述的预测电池的剩余电量的系统,其特征在于,所述电池为锂电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044076.3A CN105676138B (zh) | 2016-01-22 | 2016-01-22 | 一种预测电池的剩余电量的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044076.3A CN105676138B (zh) | 2016-01-22 | 2016-01-22 | 一种预测电池的剩余电量的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105676138A true CN105676138A (zh) | 2016-06-15 |
CN105676138B CN105676138B (zh) | 2018-09-14 |
Family
ID=56302169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610044076.3A Active CN105676138B (zh) | 2016-01-22 | 2016-01-22 | 一种预测电池的剩余电量的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105676138B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107271913A (zh) * | 2017-06-28 | 2017-10-20 | 北京工业大学 | 一种应用于动力电池剩余容量预测的方法 |
CN107380004A (zh) * | 2017-09-07 | 2017-11-24 | 苏州易信安工业技术有限公司 | 一种电动车辆电池管理方法、装置及系统 |
CN107757408A (zh) * | 2017-10-31 | 2018-03-06 | 苏州易信安工业技术有限公司 | 一种电动车辆电池充电间管理方法、装置及系统 |
CN107843850A (zh) * | 2017-12-07 | 2018-03-27 | 智灵飞(北京)科技有限公司 | 多旋翼无人机通用锂电池剩余电量的预测系统及方法 |
CN109557475A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种电池可用容量soc的确定方法及装置 |
CN110298467A (zh) * | 2018-03-23 | 2019-10-01 | 中国科学院微电子研究所 | 一种剩余电量的估计方法及系统 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN112345956A (zh) * | 2020-11-24 | 2021-02-09 | 广州橙行智动汽车科技有限公司 | 一种电池组荷电状态检测方法和装置 |
CN112825167A (zh) * | 2019-11-05 | 2021-05-21 | 丰田自动车株式会社 | 电池管理系统、电池管理方法以及电池组的制造方法 |
CN113552490A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN115114983A (zh) * | 2022-06-30 | 2022-09-27 | 吉林师范大学 | 基于大数据设备电量数据采集分析方法、计算机系统 |
CN115499315A (zh) * | 2022-09-14 | 2022-12-20 | 北京百度网讯科技有限公司 | Ota升级任务的执行方法、装置和电子设备 |
CN115542173A (zh) * | 2022-12-05 | 2022-12-30 | 江苏欧力特能源科技有限公司 | 电池电量估计方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995030962A1 (en) * | 1994-05-05 | 1995-11-16 | Ward Calvin B | Computational circuit based on capacitor arrays |
CN101477176A (zh) * | 2007-12-03 | 2009-07-08 | 加百裕工业股份有限公司 | 电池组的残余电容量的测量校正装置与方法 |
CN102608540A (zh) * | 2012-04-05 | 2012-07-25 | 哈尔滨工业大学 | 一种用于动力电池soc估计的库伦效率测定方法 |
CN203101597U (zh) * | 2012-11-20 | 2013-07-31 | 无锡中星微电子有限公司 | 电池电量检测系统 |
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
-
2016
- 2016-01-22 CN CN201610044076.3A patent/CN105676138B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995030962A1 (en) * | 1994-05-05 | 1995-11-16 | Ward Calvin B | Computational circuit based on capacitor arrays |
CN101477176A (zh) * | 2007-12-03 | 2009-07-08 | 加百裕工业股份有限公司 | 电池组的残余电容量的测量校正装置与方法 |
CN102608540A (zh) * | 2012-04-05 | 2012-07-25 | 哈尔滨工业大学 | 一种用于动力电池soc估计的库伦效率测定方法 |
CN203101597U (zh) * | 2012-11-20 | 2013-07-31 | 无锡中星微电子有限公司 | 电池电量检测系统 |
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107271913A (zh) * | 2017-06-28 | 2017-10-20 | 北京工业大学 | 一种应用于动力电池剩余容量预测的方法 |
CN107271913B (zh) * | 2017-06-28 | 2019-03-22 | 北京工业大学 | 一种应用于动力电池剩余容量预测的方法 |
CN107380004A (zh) * | 2017-09-07 | 2017-11-24 | 苏州易信安工业技术有限公司 | 一种电动车辆电池管理方法、装置及系统 |
CN107757408A (zh) * | 2017-10-31 | 2018-03-06 | 苏州易信安工业技术有限公司 | 一种电动车辆电池充电间管理方法、装置及系统 |
CN107757408B (zh) * | 2017-10-31 | 2020-07-31 | 苏州易信安工业技术有限公司 | 一种电动车辆电池充电间管理方法、装置及系统 |
CN107843850A (zh) * | 2017-12-07 | 2018-03-27 | 智灵飞(北京)科技有限公司 | 多旋翼无人机通用锂电池剩余电量的预测系统及方法 |
CN110298467A (zh) * | 2018-03-23 | 2019-10-01 | 中国科学院微电子研究所 | 一种剩余电量的估计方法及系统 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN109557475A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种电池可用容量soc的确定方法及装置 |
CN112825167A (zh) * | 2019-11-05 | 2021-05-21 | 丰田自动车株式会社 | 电池管理系统、电池管理方法以及电池组的制造方法 |
CN112345956A (zh) * | 2020-11-24 | 2021-02-09 | 广州橙行智动汽车科技有限公司 | 一种电池组荷电状态检测方法和装置 |
CN113552490A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN113552490B (zh) * | 2021-06-29 | 2022-04-01 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN115114983A (zh) * | 2022-06-30 | 2022-09-27 | 吉林师范大学 | 基于大数据设备电量数据采集分析方法、计算机系统 |
CN115499315A (zh) * | 2022-09-14 | 2022-12-20 | 北京百度网讯科技有限公司 | Ota升级任务的执行方法、装置和电子设备 |
CN115542173A (zh) * | 2022-12-05 | 2022-12-30 | 江苏欧力特能源科技有限公司 | 电池电量估计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105676138B (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105676138A (zh) | 一种预测电池的剩余电量的方法和系统 | |
Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
Zhang et al. | A novel model of the initial state of charge estimation for LiFePO4 batteries | |
CN103197251B (zh) | 一种动力锂电池二阶rc等效模型的辨识方法 | |
US10353008B2 (en) | Hybrid battery state sensor | |
CN108919129A (zh) | 一种时变工况下动力电池的寿命预测方法 | |
CN102662148B (zh) | 在线反馈式蓄电池soc预测方法 | |
Li et al. | Data-driven battery state of health estimation based on interval capacity for real-world electric vehicles | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
CN103439666B (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
CN103033761A (zh) | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 | |
CN104965179A (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
Xu et al. | State of charge estimation of supercapacitors based on multi‐innovation unscented Kalman filter under a wide temperature range | |
Xiong et al. | Research on an online identification algorithm for a thevenin battery model by an experimental approach | |
von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
CN107831442A (zh) | 远程估算soc的方法、装置、存储介质及计算机设备 | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN105183994A (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
CN107918103A (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
Hong et al. | Thermal fault prognosis of lithium-ion batteries in real-world electric vehicles using self-attention mechanism networks | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN114879046B (zh) | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |