CN106021923A - 纯电动汽车动力电池荷电状态预测方法及预测系统 - Google Patents
纯电动汽车动力电池荷电状态预测方法及预测系统 Download PDFInfo
- Publication number
- CN106021923A CN106021923A CN201610335346.6A CN201610335346A CN106021923A CN 106021923 A CN106021923 A CN 106021923A CN 201610335346 A CN201610335346 A CN 201610335346A CN 106021923 A CN106021923 A CN 106021923A
- Authority
- CN
- China
- Prior art keywords
- combination
- state
- charge
- voltage
- internal resistance
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种纯电动汽车动力电池荷电状态预测方法及预测系统,其中,本荷电状态预测方法,包括如下步骤:步骤S1,对动力电池的各外部特性参数进行采集;步骤S2,对各外部特性参数进行数据挖掘;以及步骤S3,建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值;本发明的电池荷电状态预测方法及预测系统采用多重动态决策树模型实现外部特性参数进行挖掘,以获得有效数据,剔除无用数据,避免数据冗余,同时加快预测时间;尤其是在考虑到电池馈能以及工况不断变化的情况下,依然能够实时准确地预测出电池荷电状态值,实用性强,有效性高。
Description
技术领域
本发明涉及一种纯电动汽车动力电池荷电状态预测方法及预测系统。
背景技术
动力电池作为纯电动汽车动力系统的关键部件,对整车系统的动力性、安全性以及经济性至关重。为保证电池性能良好,延长其使用寿命,需要对电池进行合理的管理与控制,但是前提必须是准确而又可靠地获得电池的荷电状态。正如普通车辆必须监视油箱内燃油的容量一样,纯电动汽车也需要知道其动力电池能量,而荷电状态是反映电池能量的重要参数,所以,如何正确获得动力电池荷电状态成为纯电动汽车应用的重要环节。荷电状态作为电池的内部特性不可以直接对其进行测量,只能通过对电池电压、电流、温度等一些直接测量的外部特性参数预测而得。
常用的动力电池荷电状态预测方法可以分为以下六类:(1)基于经验方程和数学模型,或者等效电路的估计方法。这些数学模型的参数主要通过恒流充放电特性获得,这种稳态模型不能完全正确地反映电池的动态特性;(2)基于安时计量的预测方法。安时计量法结构简单,操作方便,但是在应用中存在精度不高的缺陷;(3)基于开路电压的预测方法。开路电压法是目前最常用的SOC预测方法之一,将稳定的开路电压直接表示蓄电池当前的容量,操作简单,但是在测量开路电压时,需考虑电池的电化学和热力学平衡,同时开路电压的稳定需要很长的时间;(4)基于蓄电池内阻特性的预测方法。内阻法是将交流电注入到蓄电池,然后通过内阻和容量的关系来判断蓄电池当前容量,预测SOC极值时精度较高,但是内阻受蓄电池温度、静置时间和充放电初始状态等因素的影响,与SOC的关系不稳定,而且蓄电池内阻测量仪价格高,体积大;(5)基于卡尔曼滤波器递推算法的预测方法。卡尔曼滤波法将蓄电池看作动态系统,SOC作为系统内部的一个状态量,该方法需要选择动态系统的描述方程,递推过程也涉及到复杂的矩阵求逆运算。同时,卡尔曼滤波器作为递推算法,对初值的选择十分敏感,错误的初值导致估计的不断恶化,初始SOC0可以使用开路电压进行给定,但用于递推的其他初值并没有较好的方式确定;(6)基于神经网络的预测方法。利用神经网络较强的非线性映射能力来实现蓄电池SOC的预测。该方法避免了传统方法对模型和参数的依赖,不需要外加电流和信号处理,提高了系统鲁棒性和抗干扰能力。但神经网络目前还存在过拟合、易陷入局部极值、结构设计依赖于经验等缺陷。
从上述内容可知,国内外学者提出了大量的动力电池荷电状态预测方法,通过比较方法来判别荷电状态预测精度的高与低。这种过度依赖算法,试图从算法上对荷电状态的精确预测求得突破,往往忽略了电池数据本身固有的特性。然而在实践中,动力电池的外部特性参数种类较多,数据量较大,大数据下各类算法并不能凸显其优势,因此有必要采用数据挖掘技术对电池数据进行深入挖掘,找到真正适合进行荷电状态预测的那部分数据。在数据挖掘的基础上,在利用切合实际的算法对动力电池荷电状态进行精确预测。
此外,动力电池外部特性参数包括电压、电流、温度和内阻等,在实际预测中并不是将所有参数都用于预测,就能获得较好的预测结果,预测输入会出现多种组合,如(电压,电流)、(电压,电流,温度)、(电压,电流,内阻)等等,不同的组合可能得出的分类效果也有所不同,精度也必然不同,因此最优输入组合有待确定。
汽车在行驶过程中,其运行状态有可能会发生变化,比如路上车辆较多,出现拥堵情况,直接导致汽车由巡航状态变为减速或者制动状态,此时汽车并没有按照循序工况的路径行驶,这都将对动力电池荷电状态的精确预测产生很大的影响。
发明内容
本发明的目的是提供一种荷电状态预测方法及预测系统,其通过构建多重动态决策树模型,以获得荷电状态的精确预测值。
为了解决上述技术问题,本发明提供了一种荷电状态预测方法,包括如下步骤:
步骤S1,对动力电池的各外部特性参数进行采集;
步骤S2,对各外部特性参数进行数据挖掘;以及
步骤S3,建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值。
进一步,所述步骤S1中对动力电池的各外部特性参数进行采集的方法包括:通过建立的纯电动汽车模型,采集动力电池的各外部特性参数;其中各外部特性参数包括:电压、电流、温度和内阻。
进一步,所述步骤S2中对各外部特性参数进行数据挖掘的步骤,即采用决策树数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
进一步,所述步骤S3中建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值,即建立多输入参数组合的多重动态决策树模型,以确定预测方法的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
进一步,所述确定预测方法的最优输入参数组合的方法包括:
步骤S31,建立若干参数组合;
步骤S32,通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中
若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
又一方面,为了解决同样的技术问题,本发明还提供了一种荷电状态预测系统。
所述荷电状态预测系统包括:用于获得荷电状态预测值的多重动态决策树模型。
进一步,所述荷电状态预测系统还包括:纯电动汽车模型,且通过该纯电动汽车模型采集动力电池的各外部特性参数;其中各外部特性参数包括:电压、电流、温度和内阻。
进一步,采用数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
进一步,所述多重动态决策树模型适于通过多输入参数组合,确定多重动态决策树模型的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
进一步,所述确定多重动态决策树模型的最优输入参数组合,即
建立若干参数组合;以及通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
本发明的有益效果是,本发明的电池荷电状态预测方法及预测系统采用多重动态决策树模型实现外部特性参数进行挖掘,以获得有效数据,剔除无用数据,避免数据冗余,同时加快预测时间;尤其是在考虑到电池馈能以及工况不断变化的情况下,依然能够实时准确地预测出电池荷电状态值,实用性强,有效性高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是纯电动汽车整车系统开发图;
图2是本发明中动力电池的数据样本采集图;
图3是基于多重动态决策树模型的纯电动汽车动力电池荷电状态预测原理图;
图4是建立的多输入组合的多重动态决策树模型;
图5是多重动态决策树模型在线预测框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
电池荷电状态预测方法及预测系统可以广泛用于纯电动汽车、或者电驱动的吊臂等依靠电池(动力电池)作为能源供给的装置。
以下实施例以纯电动汽车为例。
本发明的原理是:在循环工况条件下,实时采集动力电池各项外部特性参数,例如但不限于电压、电流、内阻、温度;具体的,荷电状态真实值是通过计算电池放电到截止电压时所释放的总电量,然后用此总电量作为基准计算得到的;采用决策树数据挖掘技术,对所采集的数据进行数据挖掘,尝试找出动力电池外部特性参数与荷电状态之间的对应关系,凸显出电池数据本身的固有特性;在数据深入挖掘的基础上,建立多输入组合的多重动态决策树模型,确定最优输入组合。同时,根据车辆的实际运行情况有针对性地对多重动态决策树模型进行动态修正;通过再生制动能量回收过程的相关参数,结合本发明多重动态决策树模型对动力电池荷电状态进行精确预测。
实施例1
如图1所示,本发明的一种荷电状态预测方法,包括如下步骤:
步骤S1,对动力电池的各外部特性参数进行采集;
步骤S2,对各外部特性参数进行数据挖掘;以及
步骤S3,建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值。
所述步骤S1中对动力电池的各外部特性参数进行采集的方法包括:通过建立的纯电动汽车模型,采集动力电池的各外部特性参数(作为相应样本数据);其中各外部特性参数包括:电压、电流、温度和内阻。
图1为纯电动汽车整车系统开发图,图1中包括发动机、车轮、油箱、电池等等零部件;具体的,在车辆仿真软件ADVISOR 2002下,对纯电动汽车整车系统进行开发,建模和仿真,实时采集动力电池荷电状态预测的输入、输出样本数据。
图2(a)至图2(f)为在美国城市动态驱动工况下,纯电动汽车车速、电池电压、电流、温度以及对应的荷电状态值,在MATLAB环境下通过编程提取出动力电池的输入输出样本数据,作为多重动态决策树预测模型的原始数据。
所述步骤S2中对各外部特性参数进行数据挖掘的步骤,即采用决策树数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
所述步骤S3中建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值,即建立多输入参数组合的多重动态决策树模型,以确定预测方法的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
如图3所示,图3为基于多重动态决策树模型的纯电动汽车动力电池荷电状态预测原理图。首先,对动力电池的外部特性参数进行采集,包括电压、电流和内阻等参数。然后,采用数据挖掘技术对采集好的外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。最后,通过预测方法对电池荷电状态进行预测,建立多输入组合的多重动态决策树模型,并确定预测方法的最优输入组合,根据车辆的实际运行情况有针对性地对多重动态决策树模型进行动态修正,从而得到荷电状态精确预测值。
具体的动态修正过程为:汽车在行驶过程中,其运行状态会根据路况随时发生变化,比如路上车辆较多,出现拥堵情况,直接导致汽车由巡航状态变为减速或者制动状态,此时汽车并没有按照循环工况的路径行驶,动力电池外部特性参数中的电压、电流参数会发生变化,这会影响动力电池荷电状态的精确预测。
另外,在减速或者制动过程中,纯电动汽车会产生再生制动能量,为了充分利用能源,通常这部分再生制动能量将会回收,再生制动能量的回收意味着给动力电池充电。动力电池在充电过程中,其外部特性参数中的电压由下降趋势变成呈上升趋势,电流极性由正变为负。为了实现动力电池的精确预测,在动力电池外部特性参数采集过程中,需要根据汽车的实际运行状态,对变化了的参数进行动态修正,因此采用多重动态决策树模型。
所述确定预测方法的最优输入参数组合的方法包括:
步骤S31,建立若干参数组合;
步骤S32,通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中
若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
具体实现过程如图4所示,图4为多输入组合的多重动态决策树模型,图4中共建立了10重决策树,分别为(电压、电流),(电压、内阻),(电压、温度),(电流、内阻),(电流、温度),(内阻、温度),(电压、电流、内阻),(电压、电流、温度),(电压、内阻、温度),(电压、电流、内阻、温度)。
图5为多重动态决策树的在线预测框图,首先将建立的纯电动汽车模型进行在线仿真研究,采集动力电池的样本数据,包括电压、电流、内阻和温度;其次,建立如图4所示的10重决策树,再利用决策树方法的数据挖掘功能,对样本数据进行处理,挖掘出动力电池荷电状态的有效数据,剔除无用数据,避免数据冗余,同时加快预测时间。根据车辆的实际运行情况有针对性地对10重决策树进行动态修正,并将再生制动能量回收过程考虑在内;再其次,利用10重动态决策树进行动力电池荷电状态预测,得到预测精度;最后,对这10个不同的预测精度值进行决策分析,得到精度最高值,从而确定最优预测组合,给出预测结果。
实施例2
在实施例1基础上,本实施例2还提供了一种荷电状态预测系统,包括:用于获得荷电状态预测值的多重动态决策树模型。
具体的,关于多重动态决策树模型的建立过程参见实施例1的相关论述。
所述荷电状态预测系统还包括:纯电动汽车模型,且通过该纯电动汽车模型采集动力电池的各外部特性参数;其中各外部特性参数包括:电压、电流、温度和内阻。
采用数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
所述多重动态决策树模型适于通过多输入参数组合,确定多重动态决策树模型的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
具体的,所述确定多重动态决策树模型的最优输入参数组合,即
建立若干参数组合;以及通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种荷电状态预测方法,其特征在于,包括如下步骤:
步骤S1,对动力电池的各外部特性参数进行采集;
步骤S2,对各外部特性参数进行数据挖掘;以及
步骤S3,建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值。
2.根据权利要求1所述的荷电状态预测方法,其特征在于,
所述步骤S1中对动力电池的各外部特性参数进行采集的方法包括:通过建立的纯电动汽车模型,采集动力电池的各外部特性参数;其中
各外部特性参数包括:电压、电流、温度和内阻。
3.根据权利要求2所述的荷电状态预测方法,其特征在于,
所述步骤S2中对各外部特性参数进行数据挖掘的步骤,即
采用决策树数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
4.根据权利要求3所述的荷电状态预测方法,其特征在于,所述步骤S3中建立多输入参数组合的多重动态决策树模型,以获得荷电状态的预测值,即
建立多输入参数组合的多重动态决策树模型,以确定预测方法的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
5.根据权利要求4所述的荷电状态预测方法,其特征在于,所述确定预测方法的最优输入参数组合的方法包括:
步骤S31,建立若干参数组合;
步骤S32,通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中
若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
6.一种荷电状态预测系统,其特征在于,包括:用于获得荷电状态预测值的多重动态决策树模型。
7.根据权利要求6所述的荷电状态预测系统,其特征在于,所述荷电状态预测系统还包括:纯电动汽车模型,且通过该纯电动汽车模型采集动力电池的各外部特性参数;其中
各外部特性参数包括:电压、电流、温度和内阻。
8.根据权利要求7所述的荷电状态预测系统,其特征在于,
采用数据挖掘技术对采集好的各外部特性参数进行挖掘,找出其与电池荷电状态存在的对应关系,再对数据进行处理,使其成为符合荷电状态精确预测的有效数据。
9.根据权利要求8所述的荷电状态预测系统,其特征在于,
所述多重动态决策树模型适于通过多输入参数组合,确定多重动态决策树模型的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正,以得到荷电状态精确预测值。
10.根据权利要求9所述的荷电状态预测系统,其特征在于,
所述确定多重动态决策树模型的最优输入参数组合,即
建立若干参数组合;以及
通过多重动态决策树模型,选出预测精度最高的参数组合,以作为最优输入参数组合;其中
若干参数组合包括:电压和电流组合,电压和内阻组合,电压和温度组合,电流和内阻组合,电流和温度组合,内阻和温度组合,电压、电流和内阻组合,电压、电流和温度组合,电压、内阻和温度组合,电压、电流、内阻和温度组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335346.6A CN106021923A (zh) | 2016-05-19 | 2016-05-19 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335346.6A CN106021923A (zh) | 2016-05-19 | 2016-05-19 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106021923A true CN106021923A (zh) | 2016-10-12 |
Family
ID=57095376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610335346.6A Pending CN106021923A (zh) | 2016-05-19 | 2016-05-19 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021923A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN108608876A (zh) * | 2018-04-09 | 2018-10-02 | 江苏理工学院 | 增程式混合动力电动汽车复合电源能量管理系统控制策略 |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理系统及方法 |
CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
CN112925209A (zh) * | 2021-02-04 | 2021-06-08 | 福州大学 | 燃料电池汽车模型-干扰双预测控制能量管理方法及系统 |
CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
EP3832583A4 (en) * | 2018-07-31 | 2021-12-08 | Honda Motor Co., Ltd. | ENERGY PREDICTION SYSTEM, ENERGY PREDICTION DEVICE, ENERGY PREDICTION METHOD, STORAGE PROGRAM AND MEDIA |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN105137358A (zh) * | 2015-08-27 | 2015-12-09 | 张家港莫特普数据科技有限公司 | 基于大数据自学习机制的动力电池的soc/soh预测方法 |
-
2016
- 2016-05-19 CN CN201610335346.6A patent/CN106021923A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN105137358A (zh) * | 2015-08-27 | 2015-12-09 | 张家港莫特普数据科技有限公司 | 基于大数据自学习机制的动力电池的soc/soh预测方法 |
Non-Patent Citations (2)
Title |
---|
张又伟: ""基于学习算法的公交电动汽车故障诊断模型及应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
顾伟等: ""在线电压安全评估的多重动态决策树方法"", 《中国电机工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107290679B (zh) * | 2017-07-03 | 2019-11-12 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN108608876A (zh) * | 2018-04-09 | 2018-10-02 | 江苏理工学院 | 增程式混合动力电动汽车复合电源能量管理系统控制策略 |
EP3832583A4 (en) * | 2018-07-31 | 2021-12-08 | Honda Motor Co., Ltd. | ENERGY PREDICTION SYSTEM, ENERGY PREDICTION DEVICE, ENERGY PREDICTION METHOD, STORAGE PROGRAM AND MEDIA |
US11545829B2 (en) | 2018-07-31 | 2023-01-03 | Honda Motor Co., Ltd. | Power prediction system, power prediction device, power prediction method, program, and storage medium |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理系统及方法 |
CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
CN112098869B (zh) * | 2020-09-15 | 2021-09-14 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
CN112925209A (zh) * | 2021-02-04 | 2021-06-08 | 福州大学 | 燃料电池汽车模型-干扰双预测控制能量管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021923A (zh) | 纯电动汽车动力电池荷电状态预测方法及预测系统 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
Mesbahi et al. | Dynamical modeling of Li-ion batteries for electric vehicle applications based on hybrid Particle Swarm–Nelder–Mead (PSO–NM) optimization algorithm | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
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 | |
CN107843843A (zh) | 一种基于大数据和极限学习机的车载电池soc在线预测方法 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN112711892A (zh) | 一种基于数字孪生和区块链技术的云电池管理系统及方法 | |
CN105866695A (zh) | 充电电池析锂的检测方法、电池管理系统及电池系统 | |
CN106291378A (zh) | 一种电动汽车动力电池soh的测算方法 | |
CN107037370A (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
CN103576096A (zh) | 电动汽车动力电池剩余电量的实时评估方法及装置 | |
CN110324383B (zh) | 云服务器、电动汽车及其中动力电池的管理系统、方法 | |
CN103487759A (zh) | 一种混合动力汽车电池soc预测方法 | |
Rui-hao et al. | Battery state of charge estimation for electric vehicle based on neural network | |
Mishra et al. | A Review on Battery Management system and its Application in Electric vehicle | |
Feng et al. | Intelligent battery management for electric and hybrid electric vehicles: A survey | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
CN102221678A (zh) | 一种电池系统在线寿命计算方法 | |
Wen et al. | Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model | |
CN104898065A (zh) | 一种电动汽车动力电池已使用循环次数的估算方法及装置 | |
CN106526494A (zh) | 动力电池使用寿命的预测方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |