CN106680722A - 一种实时在线预测ocv‑soc曲线的方法和装置 - Google Patents
一种实时在线预测ocv‑soc曲线的方法和装置 Download PDFInfo
- Publication number
- CN106680722A CN106680722A CN201611091031.8A CN201611091031A CN106680722A CN 106680722 A CN106680722 A CN 106680722A CN 201611091031 A CN201611091031 A CN 201611091031A CN 106680722 A CN106680722 A CN 106680722A
- Authority
- CN
- China
- Prior art keywords
- factor
- influence
- value
- soc
- ocv
- 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
本发明提出了一种实时在线预测OCV‑SOC曲线的方法,包括获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV‑SOC曲线,并将所得的曲线作为基准OCV‑SOC曲线,曲线中的影响因子值设定为基准影响因子值;获取电池当前状态下的所有影响因子值;根据获取到的当前影响因子值,将基准OCV‑SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。所述实时在线预测OCV‑SOC曲线的方法,能提高预测OCV‑SOC曲线与实际测试的OCV‑SOC曲线的相近度。
Description
技术领域
本发明涉及电子技术领域,特别涉及一种实时在线预测OCV-SOC曲线的方法和装置。
背景技术
随着电子信息技术的发展,移动电话、笔记本等便携式的终端大量出现,电动车也逐渐普及。人们更需要对终端的电池电量、电动车的电池电量进行监测,以便合理的管理电源能量。
电池管理是电动汽车及储能系统的心脏,而电池荷电状态估算(SOC)是电池管理系统的重中之重。在实际应用中,国内主流的SOC估算方法多为简单有效地开路电压法和安时积分法。开路电压法利用电池的开路电压与电池的荷电状态之间的对应关系,通过测量电池的开路电压来估算SOC。安时积分法通过累积电池在充电或者放电期间的电量来估算电池的SOC。开路电压法在电池充放电过程中无法使用,且需要静置足够长的时间,而安时积分法对电流采样精度要求较高,且随着积累误差会有所增加,精度会变得越来越差。因此,实际应用中常常将开路电压法与安时积分法相结合使用从而得到更好的估算精度。然而,无论使用哪种方法,都必须得到不同参数条件下电池剩余电量与电池开路电压的关系曲线(OCV-SOC曲线)。
已公布的专利技术中,针对OCV-SOC曲线的问题提出了解决方案。例如专利CN20130630382提出了一种利用OCV-SOC曲线修正SOC的方法,在OCV-SOC曲线中设置特征点并将当前电池最低单体电压与特征点对应的SOC值进行比较,从而输出SOC或将SOC修正为特征点的SOC。该专利通过特征点的设置修正了SOC,得到修正后的OCV-SOC曲线,但仍需基于已有的OCV-SOC曲线;又如专利CN20150997073提出了根据实际的测试数据,预设OCV-SOC数据关系,基于该预设数据关系,逐步建立当前影响因子值与电动车电池的剩余电量之间的数据关系,进而获取当前剩余电量,该专利提出了一种快速便捷获取OCV-SOC的方法,但该专利采用线性拟合方法获取新的OCV-SOC曲线,大大降低了SOC估算的精度。
发明内容
本发明要解决的技术问题是:提供一种实时在线预测OCV-SOC曲线的方法和装置,其能提高预测OCV-SOC曲线与实际测试的OCV-SOC曲线的相近度。
本发明的解决方案是这样实现的:一种实时在线预测OCV-SOC曲线的方法,包括以下步骤:
S1、获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
S2、获取电池当前状态下的所有影响因子值;
S3、根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
本发明的另一技术方案在于在上述基础之上,所述影响因子至少包括第一影响因子、第二影响因子和第三影响因子。
本发明的另一技术方案在于在上述基础之上,所述影响因子至少包括温度、电流和电压。
本发明的另一技术方案在于在上述基础之上,在所述步骤S3中,电池在当前状态下的SOC值的获取步骤具体为:
S31、在第一基准影响因子为第一基准值Y11,第二基准影响因子分别为第一基准值Y21、第二基准值Y22条件、第三基准值Y23条件下,在相应基准OCV-SOC曲线中分别确定当前OCV所对应的SOC值;
S32、将上述得到的数据通过非线性算法进行拟合,得到第二影响因子与电池剩余电量SOC之间的关系曲线;
S33、将获取到的电池当前第二影响因子值Y20带入通过非线性算法进行拟合得到的曲线,得到参数为第一影响因子值为第一基准值Y11、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC1;
S34、重复上述步骤,将第一基准影响因子分别换成第二基准值Y12、第三基准值Y13,得到参数为第一影响因子值为第二基准值Y12、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC2以及参数为第一影响因子值为第三基准值Y13、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC3;
S35、将步骤S33及步骤S34中求得的点通过非线性算法进行拟合,得到第一影响因子与电池剩余电量SOC之间的关系曲线;
S36、将第一影响因子的当前值Y10代入上述曲线,预测出电池在当前参数条件下的SOC值。
本发明的另一技术方案在于在上述基础之上,还提供了一种实时在线预测OCV-SOC曲线的装置,其包括:
第一获取单元,用于获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
第二获取单元,用于获取电池当前状态下的所有影响因子值;
第三获取单元,用于根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
本发明的另一技术方案在于在上述基础之上,所述影响因子至少包括第一影响因子、第二影响因子和第三影响因子。
本发明的另一技术方案在于在上述基础之上,所述影响因子至少包括温度、电流和电压。
本发明的另一技术方案在于在上述基础之上,在所述第三获取单元中,电池在当前状态下的SOC值的获取步骤具体为:
S31、在第一基准影响因子为第一基准值Y11,第二基准影响因子分别为第一基准值Y21、第二基准值Y22、第三基准值Y23条件下,在相应基准OCV-SOC曲线中分别确定当前OCV所对应的SOC值;
S32、将上述得到的数据通过非线性算法进行拟合,得到第二影响因子与电池剩余电量SOC之间的关系曲线;
S33、将获取到的电池当前第二影响因子值Y20带入通过非线性算法进行拟合得到的曲线,得到参数为第一影响因子值为第一基准值Y11、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC1;
S34、重复上述步骤,将第一基准影响因子分别换成第二基准值Y12、第三基准值Y13,得到参数为第一影响因子值为第二基准值Y12、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC2以及参数为第一影响因子值为第三基准值Y13、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC3;
S35、将步骤S33及步骤S34中求得的点通过非线性算法进行拟合,得到第一影响因子与电池剩余电量SOC之间的关系曲线;
S36、将第一影响因子的当前值Y10代入上述曲线,预测出电池在当前参数条件下的SOC值。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明提供的实施例中,只需要提前通过实际试验测试得到每个参数下的三组曲线。在实际应用中,根据实时采集到的参数值,通过非线性算法进行拟合的方式即可实时在线计算出相应参数值条件下的OCV对应的SOC值。本发明一方面大量减少了开发过程中的测试工作,缩短了开发周期;另一方面,需要保存的OCV-SOC曲线大量减少,节约了CPU的资源,同时摒弃传统的查表法,采用通过非线性算法进行拟合的方式实时计算SOC,进一步提高了预测OCV-SOC曲线与实际测试的OCV-SOC曲线的相近度,提高了SOC估算的精度,同时也提升了SOC估算的速度。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一种实施方式中实时在线预测OCV-SOC曲线的方法的流程图;
图2为温度为-10℃时,电池电压与电池剩余电量之间的基准OCV-SOC曲线关系;
图3为电压为3.2V时,电池电流值与剩余电量之间的关系曲线a;
图4为温度为0℃时,电池电压与电池剩余电量之间的基准OCV-SOC曲线关系;
图5为电压为3.2V时,电池电流值与剩余电量之间的关系曲线b;
图6为温度为40℃时,电池电压与电池剩余电量之间的基准OCV-SOC曲线关系;
图7为电压为3.2V时,电池电流值与剩余电量之间的关系曲线c;
图8为温度值T与剩余电量SOC的关系曲线d。
具体实施方式
下面结合附图对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。此外,本领域技术人员根据本文件的描述,可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例如下,一种实时在线预测OCV-SOC曲线的方法,包括以下步骤:
S1、获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
S2、获取电池当前状态下的所有影响因子值;
S3、根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
在上述实施例的基础上,本发明另一实施例中,所述影响因子至少包括温度、电流和电压。
在上述实施例的基础上,本发明另一实施例中,在所述步骤S3中,电池在当前状态下的SOC值的获取步骤具体为:
S31、在第一基准影响因子为第一基准值Y11,第二基准影响因子分别为第一基准值Y21、第二基准值Y22、第三基准值Y23条件下,在相应基准OCV-SOC曲线中分别确定当前OCV所对应的SOC值;
S32、将上述得到的数据通过非线性算法进行拟合,得到第二影响因子与电池剩余电量SOC之间的关系曲线;
S33、将获取到的电池当前第二影响因子值Y20带入通过非线性算法进行拟合得到的曲线,得到参数为第一影响因子值为第一基准值Y11、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC1;
S34、重复上述步骤,将第一基准影响因子分别换成第二基准值Y12、第三基准值Y13,得到参数为第一影响因子值为第二基准值Y12、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC2以及参数为第一影响因子值为第三基准值Y13、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC3;
S35、将步骤S33及步骤S34中求得的点通过非线性算法进行拟合,得到第一影响因子与电池剩余电量SOC之间的关系曲线;
S36、将第一影响因子的当前值Y10代入上述曲线,预测出电池在当前参数条件下的SOC值。
在上述实施例的基础上,本发明另一实施例中,还提供了一种实时在线预测OCV-SOC曲线的装置,其包括:
第一获取单元,用于获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
第二获取单元,用于获取电池当前状态下的所有影响因子值;
第三获取单元,用于根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
在上述实施例的基础上,本发明另一实施例中,所述影响因子至少包括温度、电流和电压。
本发明所述实时在线预测OCV-SOC曲线的方法,摒弃传统的存储大量OCV-SOC曲线,并通过查表法查找不同条件下OCV对应的SOC值的算法,大大减少了电池测试工作,节省了人力的同时缩短了开发周期,并节约了CPU内存资源,简化了SOC算法,提高了CPU运算速度。另外,该方法迭代采用通过非线性算法进行拟合算法,不同于传统的简单的线性拟合方式,通过参数的迭代及通过非线性算法进行拟合,将直接求取OCV与SOC的对应关系转换为求取影响因子与SOC的对应关系,从而进一步得到OCV对应的SOC值,提高了SOC估算的准确度。
具体地,请参见图1至图8,预设电池剩余电量的第一影响因子为温度T,对应基准影响因子值分别为-10℃、0℃、40℃;第二影响因子为电流I,对应基准影响因子值分别为25A、50A、100A;第三影响因子为电压V,对应OCV-SOC曲线中的OCV;欲实时在线估算出(25℃,55A,3.2V)对应的SOC值,具体方法如下:
①通过实验获取第一影响因子温度T为第一基准值-10℃,第二影响因子电流I分别为第一基准值25A、第二基准值50A、第三基准值100A,即参数值为(-10℃,25A)、(-10℃,50A)、(-10℃,100A)时,电池电压与电池剩余电量之间的基准OCV-SOC曲线关系。
②将当前第三影响因子值电压3.2V带入上述曲线,如图2所示,图示中A、B、C三点分别为电压为3.2V时参数值为(-10℃,25A)、(-10℃,50A)、(-10℃,100A)对应的SOC值,通过非线性算法进行拟合,例如,通过y=ax2+bx+c进行拟合,得到电池电流值与剩余电量之间的关系曲线a,如图3所示,其中,当电池电流值为100A时,电池剩余电量为3%;当电池电流值为50A时,电池剩余电量为11%;当电池电流值为25A时,电池剩余电量为14%。
③将当前采集到的第二影响因子电流值55A带入曲线a,得到(-10℃,3.2V,55A)对应的SOC值SOC1为9%;
④通过实验获取第一影响因子温度T为第二基准值0℃,第二影响因子电流I分别为第一基准值25A、第二基准值50A、第三基准值100A,即(0℃,25A)、(0℃,50A)、(0℃,100A)时,电池电压与电池剩余电量之间的OCV-SOC曲线关系。
⑤将当前第三影响因子值电压3.2V带入上述曲线,如图4所示,图示中A、B、C三点分别为电压为3.2V时参数值为(0℃,25A)、(0℃,50A)、(0℃,100A)对应的SOC值,通过非线性算法进行拟合,例如,通过y=ax2+bx+c进行拟合,得到电池第二影响因子电流值I与剩余电量SOC之间的关系曲线b;如图5所示,其中,当电池电流值为100A时,电池剩余电量为9%;当电池电流值为50A时,电池剩余电量为26%;当电池电流值为25A时,电池剩余电量为30%。
⑥将当前采集到的第二影响因子电流值55A带入曲线b,得到(0℃,3.2V,55A)对应的SOC值SOC2为23%;
⑦通过实验获取第一影响因子温度T为第三基准值40℃,第二影响因子电流I分别为第一基准值25A、第二基准值50A、第三基准值100A,即参数值为(40℃,25A)、(40℃,50A)、(40℃,100A)时,电池电压与电池剩余电量之间的OCV-SOC曲线关系。
⑧将当前第三影响因子值电压3.2V带入上述曲线,如图6所示,图中A、B、C三点分别为电压为3.2V时参数值为(40℃,25A)、(40℃,50A)、(40℃,100A)对应的SOC值,通过非线性算法进行拟合,例如,通过y=ax2+bx+c进行拟合,得到电池第二影响因子电流值I与剩余电量SOC之间的关系曲线c;如图7所示,其中,当电池电流值为100A时,电池剩余电量为19%;当电池电流值为50A时,电池剩余电量为28%;当电池电流值为25A时,电池剩余电量为32%。
⑨将当前采集到的第二影响因子电流值55A带入曲线c,得到(40℃,3.2V,55A)对应的SOC值SOC3为27%;
⑩将(-10℃,3.2V,55A)、(0℃,3.2V,55A)、(40℃,3.2V,55A)对应的SOC值,通过非线性算法进行拟合,例如,通过y=ax2+bx+c进行拟合,得到电池第一影响因子温度值T与剩余电量SOC的关系曲线d,如图8所示;
将当前采集到的第一影响因子温度值25℃带入曲线d,得到(25℃,3.2V,55A)时对应的SOC值为26%。
综上所述,本发明所述的实时在线预测OCV-SOC曲线的方法和装置,具有以下优点:
1.简洁性。本发明只需测得预设的OCV-SOC曲线作为基准曲线,无需测得各种条件下的OCV-SOC曲线,减少了曲线的数量,减轻了测试工作的负担,释放了更多的内存空间。同时不采用冗余的查表法,使程序轻便快捷。
2.实时性。本发明根据采集到的参数值,实时在线进行OCV-SOC估算,提高了系统的实时性和鲁棒性。
3.准确性。本发明采用迭代的通过非线性算法进行拟合方法,进一步提高了拟合精度,从而提高了SOC的准确度。
4.兼容性。本发明的方法不受影响因子个数及数值的影响,适用于各种情况下的在线估算。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种实时在线预测OCV-SOC曲线的方法,其特征在于,包括以下步骤:
S1、获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
S2、获取电池当前状态下的所有影响因子值;
S3、根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
2.根据权利要求1所述的实时在线预测OCV-SOC曲线的方法,其特征在于,所述影响因子至少包括第一影响因子、第二影响因子和第三影响因子。
3.根据权利要求1所述的实时在线预测OCV-SOC曲线的方法,其特征在于,所述影响因子至少包括温度、电流和电压。
4.根据权利要求1至3中任一项所述的实时在线预测OCV-SOC曲线的方法,其特征在于,在所述步骤S3中,电池在当前状态下的SOC值的获取步骤具体为:
S31、在第一基准影响因子为第一基准值Y11,第二基准影响因子分别为第一基准值Y21、第二基准值Y22、第三基准值Y23条件下,在相应基准OCV-SOC曲线中分别确定当前OCV所对应的SOC值;
S32、将上述得到的数据通过非线性算法进行拟合,得到第二影响因子与电池剩余电量SOC之间的关系曲线;
S33、将获取到的电池当前第二影响因子值Y20带入通过非线性算法进行拟合得到的曲线,得到参数为第一影响因子值为第一基准值Y11、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC1;
S34、重复上述步骤,将第一基准影响因子分别换成第二基准值Y12、第三基准值Y13,得到参数为第一影响因子值为第二基准值Y12、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC2以及参数为第一影响因子值为第三基准值Y13、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC3;
S35、将步骤S33及步骤S34中求得的点通过非线性算法进行拟合,得到第一影响因子与电池剩余电量SOC之间的关系曲线;
S36、将第一影响因子的当前值Y10代入上述曲线,预测出电池在当前参数条件下的SOC值。
5.一种实时在线预测OCV-SOC曲线的装置,其特征在于,包括:
第一获取单元,用于获取电池在某个影响因子固定时,其他影响因子变化条件下的OCV-SOC曲线,并将所得的曲线作为基准OCV-SOC曲线,曲线中的影响因子值设定为基准影响因子值;
第二获取单元,用于获取电池当前状态下的所有影响因子值;
第三获取单元,用于根据获取到的当前影响因子值,将基准OCV-SOC曲线在相应影响因子下通过非线性算法进行拟合,从而获取电池在当前状态下的SOC值。
6.根据权利要求5所述的实时在线预测OCV-SOC曲线的装置,其特征在于,所述影响因子至少包括第一影响因子、第二影响因子和第三影响因子。
7.根据权利要求5所述的实时在线预测OCV-SOC曲线的装置,其特征在于,所述影响因子至少包括温度、电流和电压。
8.根据权利要求5至7中任一项所述的实时在线预测OCV-SOC曲线的装置,其特征在于,在所述第三获取单元中,电池在当前状态下的SOC值的获取步骤具体为:
S31、在第一基准影响因子为第一基准值Y11,第二基准影响因子分别为第一基准值Y21、第二基准值Y22、第三基准值Y23条件下,在相应基准OCV-SOC曲线中分别确定当前OCV所对应的SOC值;
S32、将上述得到的数据通过非线性算法进行拟合,得到第二影响因子与电池剩余电量SOC之间的关系曲线;
S33、将获取到的电池当前第二影响因子值Y20带入通过非线性算法进行拟合得到的曲线,得到参数为第一影响因子值为第一基准值Y11、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC1;
S34、重复上述步骤,将第一基准影响因子分别换成第二基准值Y12、第三基准值Y13,得到参数为第一影响因子值为第二基准值Y12、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC2以及参数为第一影响因子值为第三基准值Y13、第二影响因子值为当前值Y20、第三影响因子值为当前值Y30时的SOC3;
S35、将步骤S33及步骤S34中求得的点通过非线性算法进行拟合,得到第一影响因子与电池剩余电量SOC之间的关系曲线;
S36、将第一影响因子的当前值Y10代入上述曲线,预测出电池在当前参数条件下的SOC值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611091031.8A CN106680722B (zh) | 2016-12-01 | 2016-12-01 | 一种实时在线预测ocv-soc曲线的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611091031.8A CN106680722B (zh) | 2016-12-01 | 2016-12-01 | 一种实时在线预测ocv-soc曲线的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106680722A true CN106680722A (zh) | 2017-05-17 |
CN106680722B CN106680722B (zh) | 2020-08-04 |
Family
ID=58866070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611091031.8A Active CN106680722B (zh) | 2016-12-01 | 2016-12-01 | 一种实时在线预测ocv-soc曲线的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106680722B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590617A (zh) * | 2017-09-27 | 2018-01-16 | 合肥工业大学 | 一种基于可信度推理模型的电池组均衡方法 |
CN108717164A (zh) * | 2018-04-11 | 2018-10-30 | 中国电力科学研究院有限公司 | 电池的荷电状态soc标定方法及系统 |
CN109901082A (zh) * | 2017-12-08 | 2019-06-18 | 南京德朔实业有限公司 | 便携式电能系统及其测量方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053410A2 (en) * | 2006-10-30 | 2008-05-08 | Koninklijke Philips Electronics N.V. | Apparatus and method for determination of the state-of-charge of a battery when the battery is not in equilibrium |
CN103278760A (zh) * | 2013-05-14 | 2013-09-04 | 国家电网公司 | 不同温度环境下的功率型锂离子电池剩余电量估计方法 |
CN103308865A (zh) * | 2013-07-09 | 2013-09-18 | 福州瑞芯微电子有限公司 | 测算二次电池soc及自学习ocv-soc曲线的方法与电子设备 |
CN103884990A (zh) * | 2012-12-20 | 2014-06-25 | 东莞钜威新能源有限公司 | 一种电池soc估计系统 |
CN103901354A (zh) * | 2014-04-23 | 2014-07-02 | 武汉市欧力普能源与自动化技术有限公司 | 一种电动汽车车载动力电池soc预测方法 |
JP2015094726A (ja) * | 2013-11-13 | 2015-05-18 | 学校法人東海大学 | 電池状態判定装置及び電池状態判定方法 |
CN106054081A (zh) * | 2016-06-17 | 2016-10-26 | 合肥工业大学智能制造技术研究院 | 一种用于电动汽车动力电池soc估计的锂电池建模方法 |
CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
-
2016
- 2016-12-01 CN CN201611091031.8A patent/CN106680722B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053410A2 (en) * | 2006-10-30 | 2008-05-08 | Koninklijke Philips Electronics N.V. | Apparatus and method for determination of the state-of-charge of a battery when the battery is not in equilibrium |
CN103884990A (zh) * | 2012-12-20 | 2014-06-25 | 东莞钜威新能源有限公司 | 一种电池soc估计系统 |
CN103278760A (zh) * | 2013-05-14 | 2013-09-04 | 国家电网公司 | 不同温度环境下的功率型锂离子电池剩余电量估计方法 |
CN103308865A (zh) * | 2013-07-09 | 2013-09-18 | 福州瑞芯微电子有限公司 | 测算二次电池soc及自学习ocv-soc曲线的方法与电子设备 |
JP2015094726A (ja) * | 2013-11-13 | 2015-05-18 | 学校法人東海大学 | 電池状態判定装置及び電池状態判定方法 |
CN103901354A (zh) * | 2014-04-23 | 2014-07-02 | 武汉市欧力普能源与自动化技术有限公司 | 一种电动汽车车载动力电池soc预测方法 |
CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
CN106054081A (zh) * | 2016-06-17 | 2016-10-26 | 合肥工业大学智能制造技术研究院 | 一种用于电动汽车动力电池soc估计的锂电池建模方法 |
Non-Patent Citations (1)
Title |
---|
刘莉等: "基于锂电池SOC估算方法", 《电源技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590617A (zh) * | 2017-09-27 | 2018-01-16 | 合肥工业大学 | 一种基于可信度推理模型的电池组均衡方法 |
CN109901082A (zh) * | 2017-12-08 | 2019-06-18 | 南京德朔实业有限公司 | 便携式电能系统及其测量方法 |
CN108717164A (zh) * | 2018-04-11 | 2018-10-30 | 中国电力科学研究院有限公司 | 电池的荷电状态soc标定方法及系统 |
CN108717164B (zh) * | 2018-04-11 | 2022-07-01 | 中国电力科学研究院有限公司 | 电池的荷电状态soc标定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106680722B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106329021B (zh) | 估算动力电池的剩余可用能量的方法和装置 | |
Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
CN106249171B (zh) | 一种用于宽采样间隔的动力电池系统辨识和状态估计方法 | |
CN102183730B (zh) | 电池诊断装置和方法 | |
CN105676138B (zh) | 一种预测电池的剩余电量的方法和系统 | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN107167743B (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
US20140302355A1 (en) | Method for Ascertaining Operating Parameters of a Battery, Battery Management System, and Battery | |
TWI597510B (zh) | Battery Life Cycle Prediction System and Method | |
CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
CN104242393A (zh) | 基于动态soc估算系统的电池管理系统 | |
CN111142032B (zh) | 电池电量的确定方法、装置、设备和存储介质 | |
CN108535662A (zh) | 电池健康状态检测方法及电池管理系统 | |
CN106680722A (zh) | 一种实时在线预测ocv‑soc曲线的方法和装置 | |
CN108051756A (zh) | 蓄电池soc的估算方法、系统及存储介质 | |
CN110888065A (zh) | 电池包荷电状态修正方法和装置 | |
CN113109729A (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 | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
CN108414944A (zh) | 衰减检测方法及装置 | |
CN106599333B (zh) | 一种电源soh的估算方法 | |
CN104931893A (zh) | 适于参数不一致性明显的大规模电池组建模方法 | |
KR101759532B1 (ko) | 배터리의 내부 임피던스를 추정하는 방법 | |
CN104977534A (zh) | 电池健康状态的估算方法及其装置 | |
CN109061498A (zh) | 一种电池剩余电量计量芯片及计量方法 | |
CN106896273A (zh) | 电池单体的内阻检测方法、检测装置及具有其的车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |