CN106291376A - 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 - Google Patents

基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 Download PDF

Info

Publication number
CN106291376A
CN106291376A CN201610615512.8A CN201610615512A CN106291376A CN 106291376 A CN106291376 A CN 106291376A CN 201610615512 A CN201610615512 A CN 201610615512A CN 106291376 A CN106291376 A CN 106291376A
Authority
CN
China
Prior art keywords
model
soc
lithium battery
vector machine
supporting vector
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
Application number
CN201610615512.8A
Other languages
English (en)
Inventor
张增棵
卜凡涛
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.)
Brilliance Auto Group Holding Co Ltd
Original Assignee
Brilliance Auto Group Holding Co Ltd
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 Brilliance Auto Group Holding Co Ltd filed Critical Brilliance Auto Group Holding Co Ltd
Priority to CN201610615512.8A priority Critical patent/CN106291376A/zh
Publication of CN106291376A publication Critical patent/CN106291376A/zh
Pending legal-status Critical Current

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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：获取锂电池充放电历史数据；电池电压、将电流、工作温度作为支持向量机模型的输入，将SOC作为模型输出，利用支持向量机模型对锂电池SOC进行估计；确定模型参数，将估计误差控制在预设范围内；当估计值在预设范围内时，将该模型的输出SOC、经过卡尔曼滤波器进行滤波，得到精度高、动态适应性强的SOC估计值。本发明的数据处理方法和预测模型可以有效地对锂电池SOC进行估计，估计精度较高，可广泛应用于动力电池SOC估计领域中。

Description

基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法
技术领域
本发明涉及电动汽车电池SOC估计技术领域，具体涉及基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法。
背景技术
近些年来人们对电动汽车(Electric Vehicles,EVs)快速发展日益关注。锂电池是EV的动力核心，电荷状态(State of Charge,SOC)是锂离子电池的重要参数之一；合理地进行SOC估计是电池管理系统的重要功能之一。
SOC估计方法有开路电压法、安时积分法、内阻法、神经网络法、卡尔曼滤波算法等，传统单一的估计方法有一定的局限性,普遍存在着建模难、精度低的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，该方法可以有效地解决锂电池SOC估计中建模难、精度低的问题。
本发明解决其技术问题所采用的技术方案是：
基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：
S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；
S2、确定支持向量机锂电池模型的输入和输出数据；并确定影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ，从而建立支持向量机锂电池模型；
S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波器(Kalman Filter,KF)算法进行滤波；
S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；
所述样本数据分为训练样本数据和测试样本数据，训练时所采用的锂电池样本数据包括几个完整周期充放电历史数据。
进一步，当支持向量机锂电池模型的SOC估计误差的预设范围是5％～8％。
进一步，所述步骤S2，包括：
S21、统计获取数据，将电压U、电流I、温度T作为支持向量机模型的输入数据；SOC作为该模型的输出数据，从而建立基于支持向量机的锂电池模型。
进一步，所述步骤S3，将该模型输出的SOC用卡尔曼滤波(Kalman Filter,KF)算法进行滤波，包括以下步骤：
S31、计算先验状态估计值：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
其中，k是现在状态，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优结果，U(k)为现在状态控制量。
S32、计算先验状态估计值的协方差：
P(k|k-1)＝AP(k-1|k-1)AT+Q
其中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，AT表示A的转置矩阵。
S33、对预测值进行修正：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))
其中，现在状态k的最优化估算值为X(k|k)。
S34、更新修正值的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)
其中，P(k|k)为更新k状态下X(k|k)的协方差，I为1的矩阵，I＝1。当系统进入k+1状态时，P(k|k)就是步骤S32中的的P(k-1|k-1)。
S35、卡尔曼增益(Kalman Gain)为：
Kg(k)＝P(k|k-1)HT/(HP(k|k-1)HT+R)
S36、返回步骤S31，循环执行步骤S31至S35，以实时更新卡尔曼滤波状态向量估计值X(k|k)。
S37、为了增强模型的动态适应性，以支持向量机模型输出的SOC作为KF的测量方程：
f(k+1)＝SOC(k)+v
S38、将对电流安时积分所获得SOC作为KF的状态方程：
SOC ( k + 1 ) = SOC ( k ) - I * d t Q max + w
其中，I是电流，Qmax是最大容量，f(k+1)是支持向量机模型在时刻k+1输出的SOC值，v是测量噪声，w是状态噪声。
进一步，所述步骤S4，包括：
S41、用样本数据中的训练样本中的电压、电流、温度作为支持向量机模型的输入，SOC作为输出；
S42、用测试样本中的电压、电流、温度作为模型的输入，采用训练后的模型对该输入进行预测。为了进一步提高预测精度、增强模型的动态适应性，将支持向量机锂电池模型输出经KF滤波处理。
本发明的有益效果是：与现有技术相比，本发明通过基于支持向量机模型和卡尔曼滤波算法对锂电池SOC估计，结合电动汽车在实际工况下的锂电池数据估计SOC值，能够以任意的精度逼近任意非线性映射，可适用于多种不同的动力电池，建模简单；同时本方法考虑外部噪声的影响，利用KF算法，可以有效的提高SOC估计精度和预测的稳定性。
附图说明
图1是本发明所采用锂电池的支持向量机模型结构示意图。
图2是本发明所采用的基于支持向量机模型和卡尔曼滤波算法的锂电池SOC估计结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步说明。
参照图1、图2，基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：
S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；
S2、确定支持向量机锂电池模型的输入和输出数据；并确定影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ，从而建立基于支持向量机锂电池模型；
S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波(Kalman Filter,KF)算法进行滤波；
S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；
所述样本数据分为训练样本数据和测试样本数据。训练时所采用的锂电池样本数据包括几个完整周期充放电历史数据。
具体地，步骤S2包括S21～S22；
S21、统计获取的数据，将电压U、电流I、温度T作为支持向量机模型的输入数据；将SOC作为该模型的输出数据，从而建立支持向量机的锂电池模型。所述支持向量机模型被归结为一类非线性回归问题，用来拟合训练样本输入xi和输出yi之间的关系表达式为：
其中，训练样本集为X＝{(xi,yi)}，i＝1，2，…，n，xi∈Rd，yi∈R，通过一个映射将非线性问空间问题转化为高维中的线性问题。当拟合精度为ε时，满足|f(xi)-yi|≤ε，优化目标为：
S22、将回归问题就转化为一个可求得全局最优解得凸二次规划问题。引入松弛变量ξi、后可得：
其中约束条件为由拉格朗日乘子法可解得：
其中，xi为支持向量，K(xi,x)为核函数，常采用径向基函数K(xi,x)＝exp(-||x-xi||/σ2)。规则化参数C和核函数的宽度参数σ是决定支持向量机回归精度的重要参数，可用粒子群算法进行优化。
具体地，所述步骤S3，包括步骤S31～S38：
S31、计算先验状态估计值：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
其中，k是现在状态，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量。
S32、计算先验状态估计值的协方差：
P(k|k-1)＝AP(k-1|k-1)AT+Q
其中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，AT表示A的转置矩阵。
S33、对预测值进行修正：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))
其中，现在状态k的最优化估算值为X(k|k)。
S34、更新修正值的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)
其中，P(k|k)为更新k状态下X(k|k)的协方差，I为1的矩阵，I＝1。当系统进入k+1状态时，P(k|k)就是步骤S42中的的P(k-1|k-1)。
S35、卡尔曼增益为：
Kg(k)＝P(k|k-1)HT/(HP(k|k-1)HT+R)
S36、返回步骤S31，循环执行步骤S31至S35，以实时更新卡尔曼滤波状态向量估计值X(k|k)。
S37、为了增强模型的动态适应性，以支持向量机模型输出的SOC作为KF的测量方程：
f(k+1)＝SOC(k)+v
S38、将对电流安时积分所获得SOC作为KF的状态方程：
SOC ( k + 1 ) = SOC ( k ) - I * d t Q max + w
其中，I是电流，Qmax是最大容量，f(k+1)是支持向量机模型在时刻k+1输出的SOC值，v是测量噪声，w是状态噪声。
进一步，所述步骤S4，包括S41～S43：
S41、用样本数据中的训练样本作为中的电压、电流、温度作为支持向量机模型的输入，SOC作为模型的输出。
S42、用测试样本中的电压、电流、温度作为模型的输入，采用训练后的模型对该输入进行预测。为了进一步提高预测精度、增强模型的动态适应性，将支持向量机模型的输出经KF滤波处理。
本发明的锂电池SOC估计方法，通过建立锂电池的支持向量机模型，降低了训练样本数量，能够以任意精度逼近任意非线性函数，同时考虑到外部噪声的影响，模型输出经过KF滤波处理，能直接反映SOC的动态特性，可以有效提高估计数据的精度和稳定性。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，包括如下步骤：
S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；
S2、确定支持向量机锂电池模型的输入、输出数据和模型主要参数，从而建立基于支持向量机锂电池模型；
S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波(Kalman Filter,KF)算法进行滤波；
S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；
所述样本数据分为训练样本数据和测试样本数据。训练时所采用的锂电池样本数据包括若干个完整周期充放电历史数据。
2.根据权利要求1所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S3中所述预设范围为5％～8％。
3.根据权利要求1所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述锂电池充放电历史样本数据包括每秒的数据，所述每秒的数据包括电压、电流、环境温度和SOC。
4.根据权利要求3所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S2中所述的支持向量机锂电池模型的输入数据为电压、电流和温度，输出数据为SOC、，数据主要参数为影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ。
5.根据权利要求1所述基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S3中卡尔曼滤波(KF)算法包括：
S31、计算先验状态估计值：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
其中，k是现在的系统状态，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
S32、计算先验状态估计值的协方差：
P(k|k-1)＝AP(k-1|k-1)AT+Q
其中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，AT表示A的转置矩阵，Q是系统过程的协方差。
S33、对预测值进行修正：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))
其中，现在状态k的最优化估算值为X(k|k)。
S34、更新修正值的协方差：
P(k|k)＝(I-Kg(k)H)P(k|k-1)
其中，P(k|k)为更新k状态下X(k|k)的协方差，I为1的矩阵，I＝1。当系统进入k+1状态时，P(k|k)就是步骤S32中的的P(k-1|k-1)。
S35、卡尔曼增益(Kalman Gain)为Kg：
Kg(k)＝P(k|k-1)HT/(HP(k|k-1)HT+R)
S36、返回步骤S41，循环执行步骤S31至S35，以实时更新卡尔曼滤波状态向量估计值X(k|k)。
S37、为了增强模型的动态适应性，以支持向量机模型输出的SOC、作为KF的测量方程：
f(k+1)＝SOC(k)、+v
S38、将对电流安时积分所获得的SOC作为KF的状态方程：
SOC ( k + 1 ) = SOC ( k ) - I * d t Q m a x + w
其中，I是电流，Qmax是最大容量，f(k+1)是支持向量机模型在时刻k+1输出的SOC值，v是测量噪声，w是状态噪声。
6.根据权利要求1所述基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S4包括：
S41、用样本数据中的训练样本作为中的电压、电流、温度作为支持向量机模型的输入，当模型输出的精度达到预期值时用粒子群算法优化模型；
S42、用测试样本中的电压、电流、温度作为模型的输入，采用训练后的模型对该输入进行预测。为了进一步提高预测精度、增强模型的动态适应性，将支持向量机模型的输出用KF滤波处理。
CN201610615512.8A 2016-07-29 2016-07-29 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 Pending CN106291376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610615512.8A CN106291376A (zh) 2016-07-29 2016-07-29 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610615512.8A CN106291376A (zh) 2016-07-29 2016-07-29 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法

Publications (1)

Publication Number Publication Date
CN106291376A true CN106291376A (zh) 2017-01-04

Family

ID=57663592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610615512.8A Pending CN106291376A (zh) 2016-07-29 2016-07-29 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法

Country Status (1)

Country Link
CN (1) CN106291376A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132490A (zh) * 2017-07-05 2017-09-05 福州大学 一种实现锂电池组荷电状态估计的方法
CN108983103A (zh) * 2018-06-29 2018-12-11 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN109884548A (zh) * 2019-03-04 2019-06-14 武汉科技大学 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
CN110135527A (zh) * 2019-06-12 2019-08-16 哈尔滨工业大学 一种高效能的无人机锂离子电池荷电状态估计系统及方法
CN111157899A (zh) * 2020-01-20 2020-05-15 南京邮电大学 一种基于模型融合思想对电池soc的估计方法
CN112379268A (zh) * 2020-09-29 2021-02-19 合肥工业大学 基于svm_ekf算法的锂电池soc估计方法、装置及存储介质
CN112462267A (zh) * 2020-11-25 2021-03-09 珠海格力电器股份有限公司 锂电池soc估算方法、锂电池模块及用电设备
CN113472042A (zh) * 2021-07-02 2021-10-01 深圳市普渡科技有限公司 电池电量映射、电池充电控制系统、方法、机器人及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014014031A1 (de) * 2014-09-26 2016-03-31 Audi Ag Vorrichtung und Verfahren zur Ladezustandserkennung einer Kraftfahrzeugbatterie
CN105467382A (zh) * 2015-12-31 2016-04-06 南京信息工程大学 基于svm的多传感器的目标跟踪数据融合算法及其系统
CN105738817A (zh) * 2016-01-29 2016-07-06 深圳市沃特玛电池有限公司 一种基于aekf的电池荷电状态估计方法及估计系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014014031A1 (de) * 2014-09-26 2016-03-31 Audi Ag Vorrichtung und Verfahren zur Ladezustandserkennung einer Kraftfahrzeugbatterie
CN105467382A (zh) * 2015-12-31 2016-04-06 南京信息工程大学 基于svm的多传感器的目标跟踪数据融合算法及其系统
CN105738817A (zh) * 2016-01-29 2016-07-06 深圳市沃特玛电池有限公司 一种基于aekf的电池荷电状态估计方法及估计系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵天意等: "改进卡尔曼滤波的融合型锂离子电池SOC估计方法", 《仪器仪表学报》 *
骆秀江等: "基于SVM的锂电池SOC估算", 《电源技术研究与设计》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132490A (zh) * 2017-07-05 2017-09-05 福州大学 一种实现锂电池组荷电状态估计的方法
CN108983103A (zh) * 2018-06-29 2018-12-11 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN109884548A (zh) * 2019-03-04 2019-06-14 武汉科技大学 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
CN110135527A (zh) * 2019-06-12 2019-08-16 哈尔滨工业大学 一种高效能的无人机锂离子电池荷电状态估计系统及方法
CN111157899A (zh) * 2020-01-20 2020-05-15 南京邮电大学 一种基于模型融合思想对电池soc的估计方法
CN111157899B (zh) * 2020-01-20 2022-09-13 南京邮电大学 一种基于模型融合思想对电池soc的估计方法
CN112379268A (zh) * 2020-09-29 2021-02-19 合肥工业大学 基于svm_ekf算法的锂电池soc估计方法、装置及存储介质
CN112462267A (zh) * 2020-11-25 2021-03-09 珠海格力电器股份有限公司 锂电池soc估算方法、锂电池模块及用电设备
CN113472042A (zh) * 2021-07-02 2021-10-01 深圳市普渡科技有限公司 电池电量映射、电池充电控制系统、方法、机器人及介质

Similar Documents

Publication Publication Date Title
CN106291376A (zh) 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法
CN110568361B (zh) 一种动力电池健康状态的预测方法
Wang et al. Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression
Lai et al. Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model
Ouyang et al. Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
CN110488204B (zh) 一种储能元件soh-soc联合在线估计方法
CN105116343B (zh) 最小二乘支持向量机的动力电池电荷状态估计方法及系统
JP7095110B2 (ja) バッテリ状態推定方法
Tang et al. Joint estimation of state-of-charge and state-of-health for all cells in the battery pack using “leader-follower” strategy
CN106405433A (zh) 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统
CN109633477A (zh) 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法
CN108089135A (zh) 一种基于极限学习模型的电池状态预测系统及其实现方法
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
Shi et al. Estimation of battery state-of-charge using ν-support vector regression algorithm
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
CN106896324A (zh) 一种soc估计方法
CN105807231A (zh) 一种用于蓄电池剩余容量检测的方法及系统
CN109633470A (zh) 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
Deng et al. Maximum available capacity and energy estimation based on support vector machine regression for lithium-ion battery
CN115201686A (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN115343624A (zh) 一种全温度下基于极简电化学模型的锂电池soc估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170104

WD01 Invention patent application deemed withdrawn after publication