CN107436409A - 一种电动汽车动力电池soc智能预测装置 - Google Patents
一种电动汽车动力电池soc智能预测装置 Download PDFInfo
- Publication number
- CN107436409A CN107436409A CN201710548650.3A CN201710548650A CN107436409A CN 107436409 A CN107436409 A CN 107436409A CN 201710548650 A CN201710548650 A CN 201710548650A CN 107436409 A CN107436409 A CN 107436409A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- output valve
- prediction
- temperature
- 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
- 238000013528 artificial neural network Methods 0.000 claims description 66
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 25
- 210000004027 cell Anatomy 0.000 description 20
- 230000007935 neutral effect Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 230000001373 regressive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 239000005955 Ferric phosphate Substances 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229940032958 ferric phosphate Drugs 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001583 randomness test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电动汽车动力电池SOC智能预测装置，其特征在于：所述智智能预测装置包括电池参数采集平台和电池SOC预测系统，电池参数采集平台用于采集汽车动力电池组电压、电流、温度和环境温度的实时参数，电池SOC预测系统通过采集的实时参数来预测电池SOC值；电池SOC是一个非线性的、延时的、多变量耦合和复杂的实时系统，实时性要求非常高，本发明有效解决了常规的预测装置难以取得电池SOC预测精度理想效果的问题。
Description
技术领域
本发明涉及电池检测设备技术领域，具体涉及一种电动汽车动力电池SOC智能预测装置。
背景技术
实现电动汽车电池的荷电状态(State of Charge，SOC)准确估计是保证电动汽车可靠运行的前提，也是电池组使用和维护的重要依据，对电动汽车的推广和发展具有至关重要的意义。目前，常用的SOC的估测方法主要有：安时积分法、开路电压法、卡尔曼滤波法、神经网络法等。安时积分法通过计算电流对时间的积分得到电池组的消耗电量，进而求得剩余电量，但其本质上是一种开环预测，纯积分环节的存在使得误差随时间的推移而增大。开路电压法通过检测电池的开路电压得到其剩余电量，要求电池在不对外供电的状态下长时间静置，不适合在线的实时测量。卡尔曼滤波法需要建立电池的内部模型得到状态方程，对电池模型的精度要求较高，在实际应用中具有一定的局限性。神经网络法根据建立的网络模型利用大量的样本数据进行训练学习可以获得较好的精度，但网络对初始权值的选择较为灵敏，一般收敛到初始值附近的局部最小值，初始值的改变将影响网络的收敛速度和精度。国内时玮等研究磷酸铁锂电池SOC估算方法，刘浩等研究纯电动汽车用锂离子电池SOC估算方案。电动汽车电池SOC是一个非线性的、延时的、多变量耦合的和复杂的实时系统，实时性要求非常高，常规的控制方法难以取得理想效果，根据传统汽车电池SOC估算方法的缺点，本发明专利设计一种电动汽车动力电池SOC智能预测装置，实现对电动汽车电池参数的电压、电流和温度等参数的采集和对电动汽车电池SOC精确预测。
发明内容
本发明提供了一种电动汽车动力电池SOC智能预测装置，本发明有效解决了电池SOC是一个非线性的、延时的、多变量耦合和复杂的实时系统,，实时性要求非常高，常规的控制方法难以取得理想效果的问题。
本发明通过以下技术方案实现：
一种电动汽车动力电池SOC智能预测装置，其特征在于：所述智能预测装置包括电池参数采集平台和电池SOC预测系统，电池参数采集平台用于采集汽车动力电池组电压、电流、温度和环境温度的实时参数，电池SOC预测系统通过采集的实时参数来预测电池SOC值；
所述电池参数采集平台由电流传感器、电压检测电路、电池组温度传感器、环境温度传感器、负载和测控单元组成，其中测控单元包括单体电池数据采集模块、CPU处理器、触摸屏、RS232接口、CAN接口、A/D转换单元和均衡器，该电池参数采集平台采集电池组电压与电流、电池温度和环境温度，并通过CAN总线接口与电动汽车控制系统进行信息交互；
所述电池SOC预测系统包括GM(1,1)电压预测模型、GM(1,1)电流预测模型、GM(1,1)温度预测模型、SOM神经网络分类器、多个RBF模糊神经网络估计模型和GM(1,1)内阻变化预测模型、GM(1,1)温度变化预测模型、ANFIS补偿估计模型和ARIMA动态预测模型组成，利用SOM神经网络分类器对影响电池SOC值的GM(1,1)电压预测模型输出值、GM(1,1)电流预测模型输出值、GM(1,1)温度预测模型输出值的电池预测电压、预测电流和预测温度样本参数进行分类，每类样本特征参数输入对应RBF模糊神经网络估计模型，RBF模糊神经网络估计模型输出、GM(1,1)环境温度变化预测模型输出值和GM(1,1)电池内阻变化预测模型输出值作为ANFIS补偿估计模型的输入，一个时间段内RBF模糊神经网络估计模型输出值减去ANFIS补偿估计模型输出值的k个差作为ARIMA动态预测模型的输入，ARIMA动态预测模型输出作为电池SOC预测值。
本发明进一步技术改进方案是：
所述SOM神经网络分类器对电动汽车电池GM(1,1)电压预测模型输出值、GM(1,1)电流预测模型输出值、GM(1,1)温度预测模型输出值的预测电压、预测电流和预测温度的特征参数进行合理的样本子集划分，不同子集特征参数输入对应RBF模糊神经网络估计模型，实现对电动汽车电池SOC值精确预测。
本发明进一步技术改进方案是：
所述ANFIS估计补偿模型的输出值是根据电动汽车电池GM(1,1)环境温度变化预测模型输出值、GM(1,1)电池内阻变化预测模型输出值和RBF模糊神经网络估计模型输出值的大小对多个RBF模糊神经网络估计模型输出值进行补偿，提高电动汽车动力电池SOC智能预测装置对电动汽车电池SOC值预测的精确度。
本发明进一步技术改进方案是：
所述一个时间段内RBF模糊神经网络估计模型输出减去ANFIS补偿估计模型输出值的k个差作为ARIMA动态预测模型的输入，ARIMA动态预测模型输出作为电池SOC预测值，提高电池SOC值的预测精确度。
本发明与现有技术相比，具有以下明显优点：
一、本发明所采用的SOM神经网络分类器是一种数据分类方法。其目的在于将电动汽车电池特征参数电压、电流和温度等预测数据空间中一组数据集合按相似性准则划分到若干个子集中，使得汽车电池特征参数每个子集代表整个预测数据样本集的某个特征，建立SOM神经网络分类器对电动汽车电池特征预测参数进行分类是找到合理的样本子集划分，根根预测参数不同子集的特点输入RBF模糊神经网络估计模型预测电池SOC值，提高检测SOC值的预测精度。
二、本发明根据检测样本参数比较多的特点，在RBF模糊神经网络估计模型前利用SOM神经网络分类器进行电动汽车电池特征预测参数样本子集划分，每个子集采用一个对应的RBF模糊神经网络估计模型，这种方法可以根据各个子参数子集的特点采用对应的估计子模型，提高RBF模糊神经网络估计模型的预测精度和运算速度，该预测方法具有较好的拟合精度和泛化能力。
三、本发明利用ANFIS补偿估计模型可精确地预测环境温度变化灰色预测量、电池内阻变化灰色预测量和RBF模糊神经网络估计模型输出对影响电池SOC值的输入、输出特性，具有良好的非线性逼近能力，ANFIS既具有模糊推理系统的推理功能，又具有神经网络的训练学习功能。将两者的优势结合，克服了单纯神经网络黑匣子特性，具有一定的透明度。通过大量实验验证了ANFIS补偿估计模型比一般BP神经网络训练快，训练次数也大大减少，克服了局部最优的问题。因此，利用AN FIS补偿估计模型建立精确的影响电池SOC值的输入、输出关系。
四、本发明采用的ANFIS补偿估计模型是一种基于Takagi-Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。ANFIS补偿估计模型作为一种很有特色的神经网络，同样具有以任意精度逼近电池SOC任意线性和非线性函数的功能，并且收敛速度快，样本需要量少。ANFIS补偿估计模型运算速度快，结果可靠，取得好效果。
五、本发明将ANFIS补偿估计模型将人工神经网络与模糊理论有机地结合起来，用神经网络来构造模糊系统，利用神经网络的学习方法，根据影响电池SOC值的输入输出样本来自动设计和调整模糊系统的参数，实现模糊系统的自学习和自适应功能，能够拟合逼近影响电池SOC值的输入输出之间的线性和非线性映射关系，特别适用于复杂的非线性电池SOC系统，补偿电池的预测值更高。
六、本发明所采用的RBF模糊神经网络估计模型利用径向基(RBF)神经网络具有较快的学习速度，具有良好的泛化能力，能以任意精度逼近非线性函数。且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。而模糊逻辑系统对任意复杂性系统具有较强的推理自适应性能。RBF模糊神经网络将二者优势相结合，实现功能和结构上的互补，RBF模糊神经网络估计模型对预测电池SOC值具有高度的自适应性和较高的学习精度。
七、本发明预测准确度高，将电池特征参数电压、电流和温度3个GM模型与RBF模糊神经网络估计模型和SOM神经网络分类器结合起来建立电池SOC值估计预测模型，对影响电池SOC值的温度、电流、电压特征参数的历史数据作不同取舍，作为初始数据输入3个参数的GM模型，3个GM模型的输出作为SOM神经网络分类器的输入对它们进行分类，每一类预测值输入RBF模糊神经网络估计模型。该电池SOC值估计方法综合了灰色预测的GM模型所需原始数据少与方法简单的优点和RBF模糊神经网络非线性拟合能力强的特点，通过灰色预测理论对原始数据进行累加生成，突出趋势的影响，使得RBF模糊神经网络估计模型的非线性激励函数更易于逼近，减小不确定成分对灰色理论预测值的影响；克服了灰色GM预测模型精度低和RBF模糊神经网络所需训练数据多的缺点，有效避免了单一模型丢失信息的缺憾，从而提高预测结果的精度；同时采用SOM神经网络分类器对每一类型的电池特征预测参数进行分类，每类参数输入一类RBF模糊神经网络估计模型，残差较小，网络的泛化能力较好RBF模糊神经网络估计模型的学习时间和收敛速度更快，更稳定，预测精度更高。电池环境温度变化的GM预测模型和电池内阻变化的GM预测模型和RBF模糊神经网络估计模型的输出值作为ANFIS补偿估计模型的输入，提高了ANFIS补偿估计模型补偿RBF模糊神经网络估计模型输出值的精确度，从而大大提高了电池SOC值预测的准确性和精度。
八、本发明鲁棒性强，建立了灰色模糊神经优化组合的电动汽车电池SOC预测模型，体现了电池SOC值的灰色系统行为，又能动态的进行预测，具有较高精度和稳定性，而灰色理论、神经网络和模糊逻辑相结合能够较好地利用各单项算法的优点，充分发挥灰色预测、神经网络和模糊逻辑三者优势，从本质上提高预测精度、稳定性和快速性；灰色系统是通过对样本数据进行累加或累减处理得到新数据，在一定程度上弱化了原始样本的随机性，且具有对样本容量需求较少；该专利组合预测能够对样本数据中的内在规律进行自主学习，具有较强的鲁棒性和容错能力，对电池SOC值作出比较准确的模拟和预测，弱化原始数据随机性、提高预测模型鲁棒性和容错能力，适合作为各种复杂状况的电池SOC值的预测，电池SOC值预测有比较强的鲁棒性。
九、本发明预测电池SOC值的时间跨度长，利用GM模型可以根据前面时刻影响电池SOC值的温度、电压、电流、环境温度变化量和电池内阻变化量数值预测未来时刻电池的温度、电压、电流、环境温度变化量和电池内阻变化量，输入电池SOC预测系统可以预测未来时刻电池SOC值，用上述方法预测出的电池SOC值后，把此电池温度、电压、电流、环境温度变化量和电池内阻变化量参数值再加进原始数列中，相应地去掉数列开头的一个数据建模，预测出电池SOC值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。用户户可以更加准确地掌握电池SOC值的变化趋势，为电动汽车安全可靠运行或者维护作好充分准备。
十、本发明采用ARIMA动态预测模型预测电池SOC值整合了电池SOC值变化的趋势因素、周期因素和随机误差等因素的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行电池SOC值数据拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种对电池SOC值进行短期预测效果较好的模型，提高了电池SOC值预测精确度、时间跨度和鲁棒性。
附图说明
图1为本发明电池参数采集平台；
图2为本发明电池SOC预测系统；
图3为本发明测控单元软件功能示意图；
图4为本发明电池管理系统平面布置图。
具体实施方式
一、电池SOC智能预测装置总体设计
电池SOC智能预测装置应具有如下功能:1)参数检测。实时采集电池充放电状态，采集电池的数据包括电压、电池电流、电池温度以及单体模块电池电压等；2)剩余电量(SOC)预测。系统应即时采集充放电电流和电压等参数，通过相应的算法进行SOC的估计，电池剩余能量相当于传统车的油量；3)热管理。实时采集电池的温度，通过对散热装置的控制防止电池温度过高；4)均衡控制。由于每块电池个体的差异以及不同使用状态等原因，因此电池在使用过程中不一致性会越来越严重，系统应能判断并自动进行均衡处理；5)信息监控。电池的主要信息通过RS232接口在触摸屏显示终端进行实时显示；6)CAN接口。根据电动汽车CAN通信协议，电池测控单元通过CAN接口与整车其他系统进行信息共享。
二、测控单元硬件设计
为了获得电动汽车电池的放电过程特性以及电池SOC预测系统建模所需数据，本发明专利一种电动汽车动力电池SOC智能预测装置中设计电池参数采集平台。电池参数采集平台由电流传感器、电压检测电路、电池组温度传感器、环境温度传感器、负载和测控单元组成，其中测控单元包括单体电池数据采集模块、CPU处理器、触摸屏、RSS32接口、CAN接口、A/D转换单元和均衡器，该电池参数采集平台采集电池组电压、电流、电池温度和环境温度，并通过CAN总线接口与电动汽车控制系统进行信息交互；电动汽车动力电池SOC智能预测装置如图1所示。电池管理系统CPU处理器是整个系统的核心，CPU处理器选用集成了CAN控制器模块的DSP56F807芯片实现CAN接口，CAN接口收发器选用PCA82C250做收发器，电池均衡器采用集散式动态均衡控制，主要包括DC/DC斩波电路、隔离驱动、PWM控制器和矩阵开关型通道选择电路；采用AV100-150霍尔电压传感器和CHB-200SF霍尔电流传感器分别对电池组进行总电压和电流检测。单体电池数据采集模块实时监测取得每个单体电池的电压和温度数据，由均衡器对通道选择电路发出选通信号，实现对每个电池模块中单体电池的动态均衡充放电；通过RS232实现与触摸屏的通信以及系统的标定等。电池测控模块微控制器选用集成了2路12bit精度A/D的转换单元，电池组温度传感器和环境温度传感器选用数字温度传感器DS18B20采集电池测试点温度和电池组工作环境温度。
三、测控单元软件设计
测控单元软件采用模块化程序设计，CPU处理器程序采用C语言编写，根据系统具有的功能分为若干子程序，其中包括：程序参数和控制参数初始化模块、参数与控制模块和显示模块，实现电池电压、电流、温度和环境温度的采集、电池的均衡控制、SOC估计、曲线显示和数据显示等功能。软件功能见图3。
四、电池SOC预测系统
在测控单元的CPU处理器中设计电池SOC预测系统预测电池SOC值，电池SOC预测系统包括灰色预测GM(1,1)模型、SOM神经网络分类器、多个RBF模糊神经网络估计模型、ANFIS估计补偿模型和ARIMA动态预测模型组成，电池SOC预测系统如图2所示，分别作如下设计：
1、SOM神经网络分类器
SOM神经网络分类器称为自组织特征映射网络，该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特性。本发明专利利用SOM神经网络分类器对影响电池电量的预测特征参数电压、电流和温度的样本进行分类，各类样本参数输入对应的RBF模糊神经网络估计模型来预测电池SOC，SOM神经网络学习算法如下：
(1)、连接权值的初始化。对N个输入神经元到输出神经元的连接权值赋予较小的权值，该网络的N＝3，它们分别是电池的预测特征参数电压、电流和温度。
(2)、计算欧氏距离dj，即输入样本X与每个输出神经元j之间的距离:
并计算出一个具有最小距离的神经元j*，即确定出某个单元k，使得对于任意的j，都有
(3)、按照式(2)修正输出神经元j*及其“邻接神经元”的权值:
wij(t+1)＝wij(t)+η[xi(t)-wij(t)] (2)
(4)、根据下公式计算输出实现对电池预测特征参数样本分类。
(5)、提供新的学习样本来重复上述学习过程。
2、RBF模糊神经网络估计模型
模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达与神经网络的强大自学习能力于一体的智能技术。本专利采用结构简单、逼近能力较好并具有函数等价性的RBF模糊神经网络，该RBF模糊神经网络为4层结构，它们分别为输入层、模糊化层、模糊规则层和解模糊层。第1层为输入层。该层有3节点，其输入量为分别为电池的预测特征参数电压、电流和温度，它们的输入向量为X＝[x1,x2,x3]。第2层为模糊化层。对输入参量进行模糊化，这里将3个输入各自划分为3个模糊子集{正大、正小、零}，因此该层共有9个节点。每个节点对所对应的第i个输入变量的第j个模糊子集的隶属度μij(i＝1,2,3；j＝1,2,3)进行计算，隶属度函数选用高斯函数。第三层为模糊规则层，用来匹配模糊规则前件并计算出每条规则的适用度。该层每个节点代表一个模糊规则，由于输入模糊子集的全排列组合可得到3×3×3＝27条规则，所以该层有27个节点。每个节点的规则适应度采用式极小运算得到。第四层为解模糊层，采用加权平均法计算模糊神经网络的输出。本专利所提的RBF神经网络(RBF-FNN)算法中，对RBF模糊神经网络参数的隶属度函数中心、隶属度函数宽度和规则层与解模糊层之间的连接权值cij、σij、wmn的强化学习调整主要分为以下2个阶段。①在实际应用中对模糊神经网络的参数进行初始训练调整，通过对参数的训练直至均方误差小于预设的阈值后，才认为利用当前参数下的模糊神经网络对电池SOC进行预测；②利用初始训练好的模糊神经网络对模糊神经网络的参数进行在线训练调整，以动态适应网络电池特征参数的变化，达到较好的电池负荷预测效果。
3、ANFIS补偿估计模型
由于模糊推理本身不具备自学习功能，其应用受到了很大限制，而人工神经网络又不能表达模糊语言，实际上类似一个黑箱，缺少透明度，所以不能很好地表达人脑的推理功能。基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)，将二者有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，ANFIS最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS补偿估计模型的输入分别为RBF模糊神经网络估计模型的输出、电池内阻变化量预测值和环境温度变化量预测值，输出为电池SOC补偿预测量，ANFIS补偿估计模型的主要运算步骤如下:
第1层:将输入的数据模糊化，每个节点对应输出可表示为:
本发明专利为3个节点，分别是RBF模糊神经网络估计模型的输出、电池内阻变化预测值和环境温度变化预测值。式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS补偿估计模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS补偿估计模型的补偿预测值总输出为:
ANFIS补偿估计模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS补偿估计模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS补偿估计模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS补偿估计模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS补偿估计模型参数的收敛速度。
4、灰色预测GM(1,1)模型
灰色预测GM(1,1)模型的建模过程是将无规律的电压、电流、温度、温度变化量、内阻变化量等要预测变量的原始数据进行累加，得到规律性比较强的生成序列后进行建模，由生成模型得到的数据再进行累减得到原始数据的预测值，然后进行预测。假设要预测参数的原始数列为：
x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (9)
一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (10)
其中：
则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的预测值为：
通过下公式的累减还原，得到原始序列x(0)的灰色预测模型为：
通过构建灰色预测GM(1,1)模型，可以实现对本专利电源的电压、电流、温度和内阻变化量和环境温度变化量的预测，构建对应电池特征参数的灰色预测GM(1,1)模型。
5、构建ARIMA动态预测模型
ARIMA模型是由Box等提出的一种根据时间序列预测建模对象方法,它可延伸到对被预测对象的时间序列进行分析。本专利对ARIMA动态预测模型的时间序列特征的研究，采用3个参数用来分析电池SOC值变化的时间序列，即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。ARIMA动态预测模型被写作为：ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测电池SOC模型方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列，εt是时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量σ2的正态分布，φi(i＝1,2,…,p)和θj(j＝1,2,…,q)为ARIMA动态预测模型的待估计参数，p和q为ARIMA动态预测电池SOC模型的阶。ARIMA动态预测电池SOC模型本质上属于线性模型，建模与预测包含4个步骤:(1)、序列平稳化处理。如果电池SOC数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则电池SOC时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对电池SOC数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对电池SOC数据进行对数转换。(2)、模型识别。主要通过自相关系数和偏自相关系数来确定ARIMA动态预测电池SOC模型的阶数p，d和q。(3)、估计模型的参数和和模型诊断。用极大似然估计得到ARIMA动态预测电池SOC模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建电池SOC模型是否可取，利用选取合适参数的ARIMA动态预测电池SOC模型进行电池SOC预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)、利用具有合适参数电池SOC模型进行电池SOC预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现整个建模过程。
五、电动汽车电池管理系统的设计举例
电动汽车电池管理系统根据电池管理系统组成部件，系统布置了电流传感器、电压检测电路、负载、环境温度传感器、电池温度传感器、电池组和测控单元的平面布置安装图，其中环境温度传感器布置在被检测电池组工作环境中，电池温度传感器布置在电池组的外壳，整个系统平面布置见图4，通过该系统实现对电动汽车电池管理参数的采集与预测电池SOC值。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。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，这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种电动汽车动力电池SOC智能预测装置，其特征在于：所述智能预测装置包括电池参数采集平台和电池SOC预测系统，电池参数采集平台用于采集汽车动力电池组电压、电流、温度和环境温度的实时参数，电池SOC预测系统通过采集的实时参数来预测电池SOC值；
所述电池参数采集平台由电流传感器、电压检测电路、电池组温度传感器、环境温度传感器、负载和测控单元组成，其中测控单元包括单体电池数据采集模块、 CPU处理器、触摸屏、RS232接口、CAN接口、A/D转换单元和均衡器，该电池参数采集平台采集电池组电压与电流、电池温度和环境温度，并通过CAN总线接口与电动汽车控制系统进行信息交互；
所述电池SOC预测系统包括GM（1,1）电压预测模型、GM（1,1）电流预测模型、GM（1,1）温度预测模型、SOM神经网络分类器、多个RBF模糊神经网络估计模型和GM（1,1）内阻变化预测模型、GM（1,1）温度变化预测模型、ANFIS补偿估计模型和ARIMA动态预测模型组成，利用SOM神经网络分类器对影响电池SOC值的GM（1,1）电压预测模型输出值、GM（1,1）电流预测模型输出值、GM（1,1）温度预测模型输出值的电池预测电压、预测电流和预测温度样本参数进行分类，每类样本特征参数输入对应RBF模糊神经网络估计模型，RBF模糊神经网络估计模型输出、GM（1,1）环境温度变化预测模型输出值和GM（1,1）电池内阻变化预测模型输出值作为ANFIS补偿估计模型的输入，一个时间段内RBF模糊神经网络估计模型输出值减去ANFIS补偿估计模型输出值的k个差作为ARIMA动态预测模型的输入，ARIMA动态预测模型输出作为电池SOC预测值。
2.根据权利要求1所述的一种电动汽车动力电池SOC智能预测装置，其特征在于：所述SOM神经网络分类器对电动汽车电池GM（1,1）电压预测模型输出值、GM（1,1）电流预测模型输出值、GM（1,1）温度预测模型输出值的预测电压、预测电流和预测温度的特征参数进行合理的样本子集划分，不同子集特征参数输入对应RBF模糊神经网络估计模型，实现对电动汽车电池SOC值精确预测。
3.根据权利要求1或2所述的一种电动汽车动力电池SOC智能预测装置，其特征在于：所述ANFIS估计补偿模型的输出值是根据电动汽车电池GM（1,1）环境温度变化预测模型输出值、GM（1,1）电池内阻变化预测模型输出值和RBF模糊神经网络估计模型输出值的大小对多个RBF模糊神经网络估计模型输出值进行补偿。
4.根据权利要求3所述的一种电动汽车动力电池SOC智能预测装置，其特征在于：所述一个时间段内RBF模糊神经网络估计模型输出减去ANFIS补偿估计模型输出值的k个差作为ARIMA动态预测模型的输入，ARIMA动态预测模型输出作为电池SOC预测值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710548650.3A CN107436409B (zh) | 2017-07-07 | 2017-07-07 | 一种电动汽车动力电池soc智能预测装置 |
| PCT/CN2017/116819 WO2019006995A1 (zh) | 2017-07-07 | 2017-12-18 | 一种电动汽车动力电池soc智能化预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710548650.3A CN107436409B (zh) | 2017-07-07 | 2017-07-07 | 一种电动汽车动力电池soc智能预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107436409A true CN107436409A (zh) | 2017-12-05 |
| CN107436409B CN107436409B (zh) | 2019-12-31 |
Family
ID=60459809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710548650.3A Active CN107436409B (zh) | 2017-07-07 | 2017-07-07 | 一种电动汽车动力电池soc智能预测装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107436409B (zh) |
| WO (1) | WO2019006995A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
| CN108445410A (zh) * | 2018-04-02 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
| WO2019006995A1 (zh) * | 2017-07-07 | 2019-01-10 | 淮阴工学院 | 一种电动汽车动力电池soc智能化预测系统 |
| CN111301222A (zh) * | 2020-02-17 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
| CN112083346A (zh) * | 2020-08-03 | 2020-12-15 | 山东大学 | 基于lstm的并联电池组内部电流分布估计方法及系统 |
| CN114692494A (zh) * | 2022-03-17 | 2022-07-01 | 广东工业大学 | 一种锂电池温度场在线建模方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201907140D0 (en) * | 2019-05-21 | 2019-07-03 | Rolls Royce Plc | Forecast of electric vehicles state of charge and energy storage capacity |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198922A (zh) * | 2005-06-13 | 2008-06-11 | Lg化学株式会社 | 用于测试电池充电状态的装置和方法 |
| CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
| CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
| CN105929340A (zh) * | 2016-06-30 | 2016-09-07 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
| CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10393813B2 (en) * | 2013-08-27 | 2019-08-27 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
| CN103744030B (zh) * | 2014-01-12 | 2016-06-01 | 中国科学院电工研究所 | 电池组健康状态和荷电状态在线估算装置及估算方法 |
| CN107436409B (zh) * | 2017-07-07 | 2019-12-31 | 淮阴工学院 | 一种电动汽车动力电池soc智能预测装置 |
-
2017
- 2017-07-07 CN CN201710548650.3A patent/CN107436409B/zh active Active
- 2017-12-18 WO PCT/CN2017/116819 patent/WO2019006995A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198922A (zh) * | 2005-06-13 | 2008-06-11 | Lg化学株式会社 | 用于测试电池充电状态的装置和方法 |
| CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
| CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
| CN105929340A (zh) * | 2016-06-30 | 2016-09-07 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
| CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李绍梅: "Plug-In混合动力汽车动力电池SOC估计研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019006995A1 (zh) * | 2017-07-07 | 2019-01-10 | 淮阴工学院 | 一种电动汽车动力电池soc智能化预测系统 |
| CN108445410A (zh) * | 2018-04-02 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
| CN108445410B (zh) * | 2018-04-02 | 2021-02-26 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
| CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
| CN111301222A (zh) * | 2020-02-17 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111301222B (zh) * | 2020-02-17 | 2021-07-16 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
| CN112083346A (zh) * | 2020-08-03 | 2020-12-15 | 山东大学 | 基于lstm的并联电池组内部电流分布估计方法及系统 |
| CN112083346B (zh) * | 2020-08-03 | 2021-11-09 | 山东大学 | 基于lstm的并联电池组内部电流分布估计方法及系统 |
| CN114692494A (zh) * | 2022-03-17 | 2022-07-01 | 广东工业大学 | 一种锂电池温度场在线建模方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107436409B (zh) | 2019-12-31 |
| WO2019006995A1 (zh) | 2019-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107436409A (zh) | 一种电动汽车动力电池soc智能预测装置 | |
| CN107422272A (zh) | 一种电动汽车动力电池soc智能化检测装置 | |
| CN107367693B (zh) | 一种电动汽车动力电池soc检测系统 | |
| Qu et al. | A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery | |
| CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
| Vanem et al. | Data-driven state of health modelling—A review of state of the art and reflections on applications for maritime battery systems | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
| CN108226809A (zh) | 一种多模型并用的电池soc估算方法 | |
| Kheirandish et al. | Dynamic fuzzy cognitive network approach for modelling and control of PEM fuel cell for power electric bicycle system | |
| Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
| Bai et al. | A self-cognizant dynamic system approach for prognostics and health management | |
| CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
| Ghaeminezhad et al. | Review on state of charge estimation techniques of lithium-ion batteries: A control-oriented approach | |
| Zafar et al. | Hybrid deep learning model for efficient state of charge estimation of Li-ion batteries in electric vehicles | |
| Li et al. | A modular neural network-based population prediction strategy for evolutionary dynamic multi-objective optimization | |
| Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| Sulaiman et al. | Using the evolutionary mating algorithm for optimizing deep learning parameters for battery state of charge estimation of electric vehicle | |
| Shen et al. | Transfer Learning-based State of Charge and State of Health Estimation for Li-ion Batteries: A Review | |
| CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
| CN113743008A (zh) | 一种燃料电池健康预测方法及系统 | |
| CN111525548B (zh) | 一种对电网静态电压稳定裕度进行评估的方法及系统 | |
| CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
| CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
| Wei et al. | Research on group behavior model based on neural network computing |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230109 Address after: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd. Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231019 Address after: 710000 Jianzhang Road Sub district Office, Fengdong New City, Xi'an City, Shaanxi Province, No. 66 Fengchan Road Sub district Office, Jianzhang Road Sub district Office, Nihe Village Patentee after: Xi'an Duoying Automotive Technology Co.,Ltd. Address before: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee before: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd. |