CN108089135B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108089135B CN108089135B CN201711400113.0A CN201711400113A CN108089135B CN 108089135 B CN108089135 B CN 108089135B CN 201711400113 A CN201711400113 A CN 201711400113A CN 108089135 B CN108089135 B CN 108089135B
- Authority
- CN
- China
- Prior art keywords
- battery
- submodels
- state
- submodel
- model
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了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,系统包括多个电池子模型、权重计算器和电池子模型参数生成器;方法包括:通过电池子模型参数生成器获取多个电池子模型的模型参数;根据获取的模型参数,利用多个电池子模型计算电池状态的数据;将计算得到的多个电池子模型的电池状态数据进行带权累加;根据带权累加的结果,对电池的实际状态进行预测。本发明通过多个电池子模型来获得描述电池状态的数据,提高了预测效率并减小了计算量;再者,本发明通过权重计算器对电池子模型的输出结果进行带权累加,提高了预测的准确率;另外,本发明能够适用于不同老化程度的电池,更加实用。本发明可广泛应用于电池状态监测领域。
Description
技术领域
本发明涉及电池状态监测领域,尤其是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。
背景技术
目前,对电池状态进行预测的方法主要是通过一个精密的电池模型来实现的,但这种方法对于电池模型的参数依赖性很高,当电池的参数随着电池老化而发生变化时,电池状态的预测准确率就会大大降低,因此,这种方法只能适用于老化程度较低的电池。另外,现有基于精密电池模型的电池状态预测方法,对参数的辨识计算量较大,从而导致预测效率较低。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种适用于不同老化程度、准确率高、计算量小且效率高的,基于极限学习模型的电池状态预测系统及其实现方法。
本发明所采取的第一技术方案是:
一种基于极限学习模型的电池状态预测系统,包括:
电池子模型参数生成器,用于为电池子模型定义模型参数,并定义电池的初始状态;
多个电池子模型,用于根据输入的模型参数和电池的初始状态,输出描述电池状态的数据;
权重计算器,用于计算各个电池子模型对应的权重,并将多个电池子模型的输出结果进行带权累加,预测电池的实际状态。
进一步,所述多个电池子模型包括戴维南模型、高阶RC模型、偏微分方程模型中任意一种或多种的组合模型。
进一步,所述权重计算器计算各个电池子模型对应的权重的计算方法包括最小二乘法、梯度校正法以及神经网络法。
本发明所采取的第二技术方案是:
一种基于极限学习模型的电池状态预测系统的实现方法,包括以下步骤:
通过电池子模型参数生成器获取多个电池子模型的模型参数;
根据获取的模型参数,利用多个电池子模型计算电池状态的数据;
将计算得到的多个电池子模型的电池状态数据进行带权累加;
根据带权累加的结果,对电池的实际状态进行预测。
进一步,所述通过电池子模型参数生成器获取多个电池子模型的模型参数这一步骤,具体为:
从数据库中获取电池子模型的参数;
或,从电池数据手册中读取电池子模型的参数。
进一步,所述根据获取的模型参数,利用多个电池子模型计算电池状态的数据这一步骤,包括以下步骤:
对电池的剩余电量进行定义,所述电池的剩余电量SOC的表达式为:
其中,SOC0是获取到的初始SOC,η是库伦效率,i是电流,Cn是电池容量,τ是采样时间,t是积分时间;
根据设定的条件,推导电池子模型中各个参数之间的关系式,所述关系式具体为:
Ut=Uoc-U0-Up,
U0=IdischargeR0,
其中,Ut是电池端电压,Uoc是电池开路电压,U0是欧姆压降,Up是极化电压,Idischarge是负载电流,下标discharge的含义是电池放电时电流值取负值,R0是电池欧姆内阻,Cp是等效极化电容,Rp是等效极化电阻;
对推导得到的关系式进行线性化,得到对应的矩阵表达式,所述矩阵表达式具体为:
其中,xk+1和xk分别代表k+1时刻和k时刻的电池状态,yk代表电池子模型在k时刻的输出,wk和vk是独立的零均值的高斯噪声,wk和vk对应的方差矩阵分别是有理数集和实数集,A、B、C和D分别代表相应的电池模型的状态空间转移矩阵,u代表电池子模型的输入;
根据矩阵表达式,对电池子模型的输入、电池子模型的输出、电池的状态以及电池子模型的参数矩阵进行定义。
进一步,所述将计算得到的多个电池子模型的电池状态数据进行带权累加这一步骤,包括以下步骤:
对多个电池子模型对应的权重进行初始化;
根据初始化的结果,对多个电池子模型的权重进行增益计算;
根据增益计算的结果,对多个电池子模型的权重进行更新;
根据更新的结果,将多个电池子模型输出的电池状态数据进行带权累加。
进一步,所述根据带权累加的结果,对电池的实际状态进行预测这一步骤,包括以下步骤:
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,计算电池的实际状态;
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,对电池的未来状态进行预测。
进一步,所述电池的实际状态包括电池的剩余电量、电池的容量、电池的直流内阻、电池的极化内阻和电池的极化电容。
进一步,所述电池包括蓄电池、启动电源、后备电源以及IC电源。
本发明的系统的有益效果是:本发明的系统包括多个电池子模型、权重计算器和电池子模型参数生成器,通过多个电池子模型来获得描述电池状态的数据,相较于传统的依赖一个精密的电池模型来获取电池状态的方法,大大提高了预测效率并减小了计算量;再者,本系统通过权重计算器对电池子模型的输出结果进行带权累加,提高了预测的准确率;另外,本系统还包括电池子模型参数生成器,用于为多个电池子模型定义模型参数,并定义电池的初始状态,能够适用于不同老化程度的电池,更加实用。
本发明的方法的有益效果是:本发明的方法利用多个电池子模型计算电池状态的数据,相较于传统的依赖一个精密的电池模型来获取电池状态的方法,大大提高了预测效率并减小了计算量;再者,本方法将计算得到的多个电池子模型的电池状态数据进行带权累加,提高了预测的准确率;另外,本方法通过电池子模型参数生成器为电池子模型定义模型参数,能够适用于不同老化程度的电池,更加实用。
附图说明
图1为本发明一种基于极限学习模型的电池状态预测系统的实现方法的步骤流程图;
图2为本发明预测的电池电压与实测的电池电压的对比结果示意图;
图3为本发明预测的电池剩余电量与实测的电池剩余电量的对比结果示意图;
图4为本发明预测的电池容量与实测的电池容量的对比结果示意图;
图5为本发明预测的电池欧姆内阻与实测的电池欧姆内阻的对比结果示意图;
图6为本发明预测的电池极化内阻与实测的电池极化内阻的对比结果示意图;
图7为本发明预测的电池极化电容与实测的电池极化电容的对比结果示意图;
图8为本发明预测的电池未来温度与采用传统RLS方法预测电池未来温度的对比结果示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
一种基于极限学习模型的电池状态预测系统,包括:
电池子模型参数生成器,用于为电池子模型定义模型参数,并定义电池的初始状态;
多个电池子模型,用于根据输入的模型参数和电池的初始状态,输出描述电池状态的数据;
权重计算器,用于计算各个电池子模型对应的权重,并将多个电池子模型的输出结果进行带权累加,预测电池的实际状态。
本发明通过多个不精密的电池子模型,经权重计算器的处理后使它们逼近真实电池模型,进而获取了真实电池模型的全部参数,实现了以分布式结构对电池模型进行描述,无需在线辨识模型参数,能够实时预测真实电池模型的参数以及电池的状态。
进一步作为优选的实施方式,所述多个电池子模型包括戴维南模型、高阶RC模型、偏微分方程模型中任意一种或多种的组合模型。
进一步作为优选的实施方式,所述权重计算器计算各个电池子模型对应的权重的计算方法包括最小二乘法、梯度校正法以及神经网络法。
参照图1,一种基于极限学习模型的电池状态预测系统的实现方法,包括以下步骤:
通过电池子模型参数生成器获取多个电池子模型的模型参数;
根据获取的模型参数,利用多个电池子模型计算电池状态的数据;
将计算得到的多个电池子模型的电池状态数据进行带权累加;
根据带权累加的结果,对电池的实际状态进行预测。
进一步作为优选的实施方式,所述通过电池子模型参数生成器获取多个电池子模型的模型参数这一步骤,具体为:
从数据库中获取电池子模型的参数;
或,从电池数据手册中读取电池子模型的参数。
进一步作为优选的实施方式,所述根据获取的模型参数,利用多个电池子模型计算电池状态的数据这一步骤,包括以下步骤:
对电池的剩余电量进行定义,所述电池的剩余电量SOC的表达式为:
其中,SOC0是获取到的初始SOC;η是库伦效率,电池放电时该值为1;i是电流;Cn是电池容量,τ是采样时间,t是积分时间;
根据设定的条件,推导电池子模型中各个参数之间的关系式,所述关系式具体为:
Ut=Uoc-U0-Up,
U0=IdischargeR0,
其中,Ut是电池端电压,Uoc是电池开路电压,U0是欧姆压降,Up是极化电压,Idischarge是负载电流,下标discharge的含义是电池放电时电流值取负值,R0是电池欧姆内阻,Cp是等效极化电容,Rp是等效极化电阻;
对推导得到的关系式进行线性化,得到对应的矩阵表达式,所述矩阵表达式具体为:
其中,xk+1和xk分别代表k+1时刻和k时刻的电池状态,yk代表电池子模型在k时刻的输出,wk和vk是独立的零均值的高斯噪声,wk和vk对应的方差矩阵分别是有理数集和实数集,k表示时刻,A、B、C和D分别代表相应的电池模型的状态空间转移矩阵,u代表电池子模型的输入;
根据矩阵表达式,对电池子模型的输入、电池子模型的输出、电池的状态以及电池子模型的参数矩阵进行定义。
进一步作为优选的实施方式,所述将计算得到的多个电池子模型的电池状态数据进行带权累加这一步骤,包括以下步骤:
对多个电池子模型对应的权重进行初始化;
根据初始化的结果,对多个电池子模型的权重进行增益计算;
根据增益计算的结果,对多个电池子模型的权重进行更新;
根据更新的结果,将多个电池子模型输出的电池状态数据进行带权累加。
进一步作为优选的实施方式,所述根据带权累加的结果,对电池的实际状态进行预测这一步骤,包括以下步骤:
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,计算电池的实际状态;
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,对电池的未来状态进行预测。
进一步作为优选的实施方式,所述电池的实际状态包括电池的剩余电量、电池的容量、电池的直流内阻、电池的极化内阻和电池的极化电容。
进一步作为优选的实施方式,所述电池包括蓄电池、启动电源、后备电源以及IC电源。
本发明一种基于极限学习模型的电池状态预测系统的实现方法的一个具体实施例的步骤流程具体如下:
S1、通过电池子模型参数生成器获取多个电池子模型的模型参数;
其中,步骤S1具体包括以下获取方式:
1)、从数据库中获取电池子模型的参数;
2)、从电池数据手册中读取电池子模型的参数。
本实施例采用从电池数据手册中读取电池子模型的参数的方法,由于本方法中的模型参数均为从电池数据手册中读取,然后随机生成,所以每一个电池子模型的参数都是不准确的,但是,本方法却可以高精度的逼近真实电池模型,因此它属于一类特殊的极限学习模型,采用该方法的好处是可以无需在线辨识模型参数,并将真实电池模型表示为精度更高的分布式电池子模型。
S2、根据获取的模型参数,利用多个电池子模型计算电池状态的数据;
其中,步骤S2具体包括以下步骤:
S21、对电池的剩余电量进行定义,所述电池的剩余电量SOC的表达式为:
其中,SOC0是获取到的初始SOC;η是库伦效率,放电时通常视为1;i是电流;Cn是电池容量,τ是采样时间,t是积分时间;
S22、根据设定的条件,推导电池子模型中各个参数之间的关系式,所述关系式具体为:
Ut=Uoc-U0-Up,
U0=IdischargeR0,
其中,Ut是电池端电压,Uoc是电池开路电压,U0是欧姆压降,Up是极化电压,Idischarge是负载电流,下标discharge的含义是电池放电时电流值取负值,R0是电池欧姆内阻,Cp是等效极化电容,Rp是等效极化电阻,这些参数可根据系统的精度需求,表示成时不变或时变状态(时变是指参数的数值随时刻k变化);
S23、对推导得到的关系式进行线性化,得到对应的矩阵表达式,所述矩阵表达式具体为:
其中,x代表电池状态,y代表电池子模型的输出,wk和vk是独立的零均值的高斯噪声,wk和vk对应的方差矩阵分别是有理数集和实数集,k表示时刻,A、B、C和D分别代表相应的电池模型的状态空间转移矩阵,u代表电池子模型的输入;
S24、根据矩阵表达式,对电池子模型的输入、电池子模型的输出、电池的状态以及电池子模型的参数矩阵进行定义,定义的结果如下:
电池子模型的输入:u=Idischarge(k),
电池子模型的输出:y=Ut(k),
电池子模型的状态空间转移矩阵D:D(k)=R0(k),
其中,τ是采样时间,k表示时刻,OCV代表电池的开路电压。
另外,OCV和SOC关系可以被描述成:
OCV(SOC,T)=lookup(SOC,T)+HY,
其中,lookup()表示查找表,SOC和T的对应关系已经存储在关系表中;T表示电池表面温度;HY表示不确定的电池滞后或者初始状态估计误差,在精确建模的条件下,该项为0。
至此,一旦给定所有电池子模型的全部参数,只需要输入u,然后根据上述公式,就可以求得对应的输出y。
S3、将计算得到的多个电池子模型的电池状态数据进行带权累加;
其中,步骤S3所述对电池状态数据进行带权累加的方法包括最小二乘法、梯度校正法和神经网络法等,本实施例采用的是梯度校正法。
步骤S3具体包括以下步骤:
S31、对多个电池子模型对应的权重进行初始化,该步骤具体包括:
电池子模型的输出:y=Ut(k),
φ(k)=[y1(k),y2(k),y3(k),...,yN(k)]T,
各个电池子模型的权重:W(1)=[1,1,1,...,1]T/N,
其中,yx(k)表示第x个电池子模型在k时刻的输出,Ut(k)表示在k时刻测量得到的电池的真实端电压,T表示矩阵转置,k的初始值为1,。
S32、根据初始化的结果,对多个电池子模型的权重进行增益计算,所述增益计算的公式为:
其中,c代表学习速率,c的值为0.002,I代表单位矩阵,||φ(k)||2代表对φ(k)进行二范数求解。
S33、根据增益计算的结果,对多个电池子模型的权重进行更新,所述权重更新的公式为:
将k的值加1,循环执行步骤S31、S32以及S33,直至k值等于预设的值。
S34、根据更新的结果,将多个电池子模型输出的电池状态数据进行带权累加。
S4、根据带权累加的结果,对电池的实际状态进行预测。
所述步骤S4包括以下步骤:
S41:根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,计算电池的实际状态。
参照图2至图7的各个参数预测结果的对比图:
以电池的剩余电量为例,本发明计算电池的实际剩余电量的公式为:
SOC(k)=[soc1(k),soc2(k),…,socx(k)]*W(k),
其中,socx(k)表示第x个电池子模型在k时刻的剩余电量;与剩余电量的计算方法相同,本发明计算电池的实际直流内阻R0(k)、极化内阻Rp(k)、极化电容Cp(k)以及容量Cn(k)的公式分别为:
R0(k)=[r01(k),r02(k),…,r0N(k)]*W(k),
Rp(k)=[rp1(k),rp2(k),…,rpN(k)]*W(k),
Cp(k)=[cp1(k),cp2(k),…,cpN(k)]*W(k),
Cn(k)=[cn1(k),cn2(k),…,cnN(k)]*W(k);
S42:根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,对电池的未来状态进行预测。
所述步骤S42具体为:在任意时刻K,为了预测K+1,K+2,…K+M时刻的电池状态,需要将这M个时刻的输入代入N个电池子模型,从而得到N个输出序列和N个状态序列。系统未来M个时刻的状态预测,由上述N个状态序列带权累加得到,权重为W;本实施例用1阶延时模型预测电池的未来温度,并与传统RLS方法形成对比,对比结果如图8所示,本实施例中,N=50;K=2000,M=7000。
本发明的电池状态预测系统可以用于电池的SOC估计、老化估计、剩余寿命预测、峰值功率预测等,其具体应用场合包括但不限于汽车电池、启动电源、后备电源、IC电源等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,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作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 (8)
1.一种基于极限学习模型的电池状态预测系统,其特征在于:包括:
电池子模型参数生成器,用于为电池子模型定义模型参数,并定义电池的初始状态;
多个电池子模型,用于根据输入的模型参数和电池的初始状态,输出描述电池状态的数据;
权重计算器,用于计算各个电池子模型对应的权重,并将多个电池子模型的输出结果进行带权累加,同时用于根据预设的学习速度和所述电池子模型的输出,通过二范数求解进行增益计算更新权重,预测电池的实际状态;
所述电池的实际状态包括电池的剩余电量、电池的容量、电池的直流内阻、电池的极化内阻和电池的极化电容;
所述多个电池子模型根据输入的模型参数和电池的初始状态,输出描述电池状态的数据矩阵表达式为:
其中,xk+1和xk分别代表k+1时刻和k时刻的电池状态,yk代表电池子模型在k时刻的输出,wk和vk是独立的零均值的高斯噪声,wk和vk对应的方差矩阵分别是有理数集和实数集,A、B、C和D分别代表相应的电池模型的状态空间转移矩阵,u代表电池子模型的输入;
所述根据预设的学习速度和所述电池子模型的输出,通过二范数求解进行增益计算更新权重这一步骤包括S31-S34:
S31、对多个电池子模型对应的权重进行初始化,所述电池子模型的输出为:
y=Ut(k)
电池子模型对应的权重为:
W(1)=[1,1,1,...,1]T/N
其中,yx(k)表示第x个电池子模型在k时刻的输出,x=1,2,3,...,N,N表示所述电池子模型的数目,Ut(k)表示在k时刻测量得到的电池的真实端电压,T表示矩阵转置,k的初始值为1;
S32、根据初始化的结果,对多个电池子模型的权重进行增益计算,所述增益计算的公式为:
S33、根据增益计算的结果,对多个电池子模型的权重进行更新;
S34、根据更新的结果,将多个电池子模型输出的电池状态数据进行带权累加。
2.根据权利要求1所述的一种基于极限学习模型的电池状态预测系统,其特征在于:所述多个电池子模型包括戴维南模型、高阶RC模型、偏微分方程模型中任意一种或多种的组合模型。
3.根据权利要求1所述的一种基于极限学习模型的电池状态预测系统,其特征在于:所述权重计算器计算各个电池子模型对应的权重的计算方法包括最小二乘法、梯度校正法以及神经网络法。
4.一种基于极限学习模型的电池状态预测系统的实现方法,其特征在于:包括以下步骤:
通过电池子模型参数生成器获取多个电池子模型的模型参数;
根据获取的模型参数,利用多个电池子模型计算电池状态的数据;
将计算得到的多个电池子模型的电池状态数据进行带权累加;根据带权累加的结果和预设的学习速度,通过二范数求解进行增益计算更新权重,对电池的实际状态进行预测;
所述电池的实际状态包括电池的剩余电量、电池的容量、电池的直流内阻、电池的极化内阻和电池的极化电容;由所述根据获取的模型参数,利用多个电池子模型计算电池状态的数据这一步骤所得到的矩阵表达式为:
其中,xk+1和xk分别代表k+1时刻和k时刻的电池状态,yk代表电池子模型在k时刻的输出,wk和vk是独立的零均值的高斯噪声,wk和vk对应的方差矩阵分别是有理数集和实数集,A、B、C和D分别代表相应的电池模型的状态空间转移矩阵,u代表电池子模型的输入;
所述根据带权累加的结果和预设的学习速度,通过二范数求解进行增益计算更新权重这一步骤包括S31-S34:
S31、对多个电池子模型对应的权重进行初始化,所述电池子模型的输出为:
y=Ut(k)
电池子模型对应的权重为:
W(1)=[1,1,1,...,1]T/N
其中,yx(k)表示第x个电池子模型在k时刻的输出,x=1,2,3,...,N,N表示所述电池子模型的数目,Ut(k)表示在k时刻测量得到的电池的真实端电压,T表示矩阵转置,k的初始值为1;
S32、根据初始化的结果,对多个电池子模型的权重进行增益计算,所述增益计算的公式为:
S33、根据增益计算的结果,对多个电池子模型的权重进行更新;
S34、根据更新的结果,将多个电池子模型输出的电池状态数据进行带权累加。
5.根据权利要求4所述的一种基于极限学习模型的电池状态预测系统的实现方法,其特征在于:所述通过电池子模型参数生成器获取多个电池子模型的模型参数这一步骤,具体为:
从数据库中获取电池子模型的参数;
或,从电池数据手册中读取电池子模型的参数。
6.根据权利要求4所述的一种基于极限学习模型的电池状态预测系统的实现方法,其特征在于:所述根据获取的模型参数,利用多个电池子模型计算电池状态的数据这一步骤,包括以下步骤:
对电池的剩余电量进行定义,所述电池的剩余电量SOC的表达式为:
其中,SOC0是获取到的初始SOC,η是库伦效率,i是电流,Cn是电池容量,τ是采样时间,t是积分时间;
根据设定的条件,推导电池子模型中各个参数之间的关系式,所述关系式具体为:
Ut=Uoc-U0-Up,
U0=IdischargeR0,
其中,Ut是电池端电压,Uoc是电池开路电压,U0是欧姆压降,Up是极化电压,Idischarge是负载电流,下标discharge的含义是电池放电时电流值取负值,R0是电池欧姆内阻,Cp是等效极化电容,Rp是等效极化电阻;
对推导得到的关系式进行线性化,得到对应的矩阵表达式;
根据矩阵表达式,对电池子模型的输入、电池子模型的输出、电池的状态以及电池子模型的参数矩阵进行定义。
7.根据权利要求4所述的一种基于极限学习模型的电池状态预测系统的实现方法,其特征在于:所述根据带权累加的结果,对电池的实际状态进行预测这一步骤,包括以下步骤:
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,计算电池的实际状态;
根据多个电池子模型输出的电池状态数据以及对应每个电池子模型的权重,对电池的未来状态进行预测。
8.根据权利要求4-7任一项所述的一种基于极限学习模型的电池状态预测系统的实现方法,其特征在于:所述电池包括蓄电池、启动电源、后备电源以及IC电源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711400113.0A CN108089135B (zh) | 2017-12-22 | 2017-12-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711400113.0A CN108089135B (zh) | 2017-12-22 | 2017-12-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108089135A CN108089135A (zh) | 2018-05-29 |
CN108089135B true CN108089135B (zh) | 2021-03-30 |
Family
ID=62178384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711400113.0A Active CN108089135B (zh) | 2017-12-22 | 2017-12-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089135B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188290A (zh) * | 2018-05-31 | 2019-01-11 | 东北电力大学 | 基于脉冲放电压差的储能电池模型参数辨识方法 |
CN109146115A (zh) * | 2018-06-11 | 2019-01-04 | 广州市香港科大霍英东研究院 | 基于模型迁移的电池寿命预测方法、系统及装置 |
CN109047040A (zh) * | 2018-06-12 | 2018-12-21 | 东莞市德尔能新能源股份有限公司 | 一种基于大数据的锂电池筛选系统 |
CN111091632B (zh) * | 2018-10-24 | 2021-11-23 | 上海汽车集团股份有限公司 | 一种汽车蓄电池寿命预测方法和装置 |
CN110646737B (zh) * | 2019-09-20 | 2022-04-22 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN111086414A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学宁波理工学院 | 一种基于极限神经网络的快速充电设备及其方法 |
CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动的锂离子电池荷电状态估计方法 |
CN114047452B (zh) * | 2022-01-13 | 2022-05-13 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN115276762B (zh) * | 2022-06-24 | 2023-05-05 | 广州爱浦路网络技术有限公司 | 卫星网络的连接方法、系统、电子设备及存储介质 |
CN115524615A (zh) * | 2022-10-08 | 2022-12-27 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7170924B2 (en) * | 2001-05-17 | 2007-01-30 | Qualcomm, Inc. | System and method for adjusting combiner weights using an adaptive algorithm in wireless communications system |
CN102938562B (zh) * | 2012-07-19 | 2015-07-08 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
CN102981125B (zh) * | 2012-11-30 | 2015-11-18 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
CN103218660B (zh) * | 2013-03-11 | 2015-08-19 | 北京航空航天大学 | 一种基于泛化模糊竞争神经网的航路选择方法 |
CN104698382A (zh) * | 2013-12-04 | 2015-06-10 | 东莞钜威新能源有限公司 | 一种电池组的soc与soh的预测方法 |
CN106324625B (zh) * | 2016-08-30 | 2019-02-19 | 北京航空航天大学 | 一种基于二范数多目标优化的卫星导航系统自适应抗干扰方法 |
CN106446546B (zh) * | 2016-09-23 | 2019-02-22 | 西安电子科技大学 | 基于卷积自动编解码算法的气象数据填补方法 |
CN106842045B (zh) * | 2017-01-20 | 2023-04-28 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
CN107392352B (zh) * | 2017-06-21 | 2020-10-23 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
-
2017
- 2017-12-22 CN CN201711400113.0A patent/CN108089135B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108089135A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089135B (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 | |
CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN107957562A (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN114705990B (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN114779107A (zh) | 一种考虑温度影响的锂离子电池soc估计方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
CN114091282B (zh) | 基于分数阶模型的锂离子电池状态估计方法及系统 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN108318823B (zh) | 一种基于噪声跟踪的锂电池荷电状态估算方法 | |
CN113125969A (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
CN107817451B (zh) | 动力电池模型在线参数的辨识方法、系统及存储介质 | |
CN114910796A (zh) | 基于miaukf算法的锂离子电池荷电状态估计方法 | |
CN113030741B (zh) | 基于aukf的电池模型参数和soc估算方法、设备和介质 | |
CN114239463A (zh) | 基于大数据的电池簇荷电状态修正方法 | |
CN112180259A (zh) | 一种基于遗传算法的锂离子电池参数拟合方法 | |
Zhang et al. | Joint estimation of state-of-charge and state-of-power for hybrid supercapacitors using fractional-order adaptive unscented Kalman filter | |
CN113447818B (zh) | 电池等效电路模型的辨识方法及系统 | |
CN114295987B (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 |
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 |