CN109407007A - 一种电池荷电状态检测方法及装置 - Google Patents
一种电池荷电状态检测方法及装置 Download PDFInfo
- Publication number
- CN109407007A CN109407007A CN201811581013.7A CN201811581013A CN109407007A CN 109407007 A CN109407007 A CN 109407007A CN 201811581013 A CN201811581013 A CN 201811581013A CN 109407007 A CN109407007 A CN 109407007A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- soc
- deep learning
- current
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000011897 real-time detection Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 239000003607 modifier Substances 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池荷电状态检测方法及装置,属于电力信息技术领域,所述方法在于通过电流时间积分计算充放电AH值,从而初步计算出SOC1;通过充放电效率,结合电流和电压实时检测值,建立深度学习模型,得到预测SOC2值;最后,采用加权算法融合初步计算SOC1和SOC2,获得精确的SOC值。所述装置包括电池系统、采样系统、控制系统和数据处理系统。与现有技术比较,本发明所述电池荷电状态检测装置和方法具有自我学习,自我修正能力,检测精度高;具有鲁棒性,通过训练,能适应同款式电池,具有通用性。
Description
技术领域
本发明涉及电力信息技术领域,具体涉及一种电池荷电状态检测方法及装置。
背景技术
SOC(State of Charge)为电池荷电状态,用来反映电池剩余电量。在数值上定义为剩余电量占电池的百分比值。
准确估算电池的SOC,对于电池的使用非常有意义,可以充分发挥电池的能力,提高使用的安全性,同时还可以延长电池的使用寿命。但是由于电池SOC 同电池其他参数,如电压、电流、内阻等的关系表现出高度的非线性,使得SOC 的准确估算难度很大。目前用于SOC估算的方法有:开路电压法、阻抗分析法、安时计量法、神经网络法和卡尔曼滤波法等。但在估算过程中普遍存在估算精度不足的情况,且复杂工况下SOC估算精度变差,不具有通用性。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷,本发明采用的技术方案在于提供一种电池荷电状态检测方法,其包括以下步骤:
步骤S1:结合电池额定容量和健康度获得电池当前状态的满容量数值,采用电流时间积分计算电池的电量AH值,并根据所述AH值,预测第一剩余电量占电池的百分比值SOC1;
步骤S2:建立深度学习参数优化模型,并以充放电效率值和实时检测到的电流值和电压值为输入,得到第二剩余电量占电池的百分比值SOC2;
步骤S3:采用加权算法融合步骤S1中所述SOC1和步骤S2中所述SOC2,获得精确的剩余电量占电池的百分比值SOC。
较佳的,步骤S1中所述AH和SOC1的计算公式为 AH满为根据电池额定容量和健康度获得电池当前状其中态的满容量时电流时间积分值,AH剩余为电池当前工作状态下实时检测到的电流与时间的积分值。
较佳的,步骤S2所述深度学习参数优化模型建立方法在于,搭建深度学习框架,且将所述充放电效率值、所述电流值和所述电压值传输到搭建的所述深度学习框架中;通过搭建的所述深度学习框架对所述充放电效率值、所述电流值和所述电压值进行深度学习训练,得到深度学习参数优化模型。
较佳的,所述深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层。
较佳的,步骤S2中所述充放电效率值通过实时检测电池工作时的电池阻抗、电池电流和电池电压,并经过计算后获得。
较佳的,所述充放电效率值η的计算公式为其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
较佳的,步骤S3中所述精确的剩余电量占电池的百分比值SOC的计算公式为SOC=SOC1*W1+SOC2*W2,其中W1为所述SOC1的权重值,W2为所述SOC2的权重值。
较佳的,根据电池的实际工作情况,利用预测误差对所述W1和所述W2进行反馈修正。
较佳的,根据电池实际工作的充放电能量检测值,采用误差反向传播算法对步骤S2中所述深度学习参数优化模型进行在线调整。
与现有技术比较本发明的有益效果在于:
(1)本发明所述电池荷电状态检测方法具有自我学习,自我修正能力,检测精度高;
(2)本发明所述电池荷电状态检测方法具有鲁棒性,通过训练,能适应同款式电池,具有通用性;
(3)本发明所述电池荷电状态检测方法中能在线学习优化,提高方案的环境适应性能。
本发明的另一目的在于提供一种电池荷电状态检测装置,其包括电池系统、采样系统、数据处理系统和控制系统,所述电池系统与所述采样系统相连接,所述采样系统用于对电池的电流、电压和阻抗进行实时检测;所述数据处理系统用于数据储存、传递和更新,通过通信从所述控制系统中获取数据进行优化,并将优化后的参数结果发送到所述控制系统;所述控制系统与所述采样系统和所述数据处理系统通信连接。
与现有技术比较,所述电池荷电状态检测装置的有益效果与所述电池荷电状态检测方法的有益效果相同,在此不再赘述。
附图说明
图1是本发明中所述电池荷电状态检测方法方案图;
图2是本发明中基于第二剩余电量占电池的百分比值与充放电极化效率建立的深度学习参数优化模型图;
图3是本发明中所述电池荷电状态检测装置结构简图。
图中数字表示:
1-电池系统;2-采样系统;3-控制系统;4-数据处理系统。
具体实施方式
实施例1
结合附图1-2,本发明提供了一种电池荷电状态检测方法,其特征在于,其包括以下步骤:
步骤S1:结合电池额定容量和健康度获得电池当前状态的满容量数值,采用电流时间积分计算电池的电量AH值,并根据所述AH值,预测第一剩余电量占电池的百分比值SOC1;
步骤S2:建立深度学习参数优化模型,并以充放电效率值和实时检测到的电流值和电压值为输入,得到第二剩余电量占电池的百分比值SOC2;
步骤S3:采用加权算法融合步骤S1中所述SOC1和步骤S2中所述SOC2,获得精确的剩余电量占电池的百分比值SOC。
本发明所述电池荷电状态检测方法具有自我学习,自我修正能力,检测精度高;具有鲁棒性,通过训练,能适应同款式电池,具有通用性。
其中,步骤S1中所述AH和SOC1的计算公式为 AH为安时数,电流时间积分值,用来表示电池电量,AH 满为根据电池额定容量和健康度获得电池当前状态的满容量时电流时间积分值, AH剩余为电池当前工作状态下实时检测到的电流与时间的积分值。
步骤S2中所述深度学习参数优化模型建立方法在于,搭建深度学习框架,且将所述充放电效率值、所述电流值和所述电压值传输到搭建的所述深度学习框架中;通过搭建的所述深度学习框架对所述充放电效率值、所述电流值和所述电压值进行深度学习训练,得到深度学习参数优化模型,如图2。且所述充放电效率是通过实时检测所述电池工作时的阻抗并结合所述电流和所述电压实时检测值计算后获得的,即电池工作时,实时检测电池的阻抗,通过实时阻抗情况,估算电池充放电效率η:其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
图2中,所述深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层,电池电压特征变量以电池最大电压值为标准进行转换,得到[0,1]范围的数字;电池电流特征变量以电池额定电流为标准进行转换,得到标幺值表示;电池充放电效率特征变量为[0,1]范围的数字;节点之间通过权重值连接。通过采用反向传播算法学习优化权重值,训练以达到损失最低;非线性转换层采用ReLU激活函数处理,即激活函数为:f(x)=max(0,1)。
所述深度学习参数优化模型可根据电池实际工作的充放电能量检测值采用误差反向传播算法,实现在线调整。其中,所述充放电能量检测值利用充放电电流和电压实际测量值,通过计算获得。所述误差反向传播算法也称BP算法,其基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。
第一过程正向传播:输入样本->输入层->隐层->输出层,若输出层实际输出与期望输出不符,则转入第二过程;
第二过程误差反向传播:输出误差->隐层->输入层,其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值,权值调整的过程,也就是网络的学习训练过程。
因此,所述深度学习模块能够进行自我优化,提高了电池荷电状态检测的精度。
步骤S3中所述精确的剩余电量占电池的百分比值SOC的计算公式为 SOC=SOC1*W1+SOC2*W2,其中W1为所述SOC1的权重值,W2为所述SOC2的权重值。所述W1和所述W2可根据电池的实际工作情况,利用预测误差进行反馈修正。即利用实际工作中检测得到的AH值分别与SOC1预测的AH值和SOC2预测的AH值比较,得到他们的预测误差,根据误差情况调整所述W1和所述W2的数值。本实施例中优选W1权重值为0.5,W2权重值为0.5。
实施例2
结合图3,本实施例提供一种电池荷电状态检测装置,包括电池系统1、采样系统2、数据处理系统4和控制系统3,所述电池系统1与所述采样系统2相连接,所述采样系统2用于对电池的电流、电压和阻抗进行实时检测;所述数据处理系统4用于数据储存、传递和更新;所述控制系统3一端与所述采样系统2通信连接,另一端与所述数据处理系统4通信连接,所述控制系统3用于管理所述采样系统2,并把收集到的采样数据进行加工处理,同时通过所述数据处理系统4建立深度学习参数优化模型,实现电池荷电状态的检测。本装置能够实现电池荷电状态的检测,且本装置具有自我学习,自我修正能力,检测精度高;建立深度学习参数优化模型,适应复杂工况,能够解决复杂工况下SOC 估算精度变差问题;且能适应同款式电池的荷电状态检测,具有通用性。
其中,所述采样系统2包括电压传感器和电流传感器,所述电压传感器为霍尔电压传感器,型号为CHV-25P/100,额定输入电压为100V,额定输出电压为5V,所述电流传感器为霍尔电流传感器,型号为CHB-25NP/12,额定输入电流为12A,额定输出电流为24mA。
所述控制系统3是中位机,所述中位机是操作控制界面,通过通信管理所述采样系统2,并把收集到的采样数据进行加工处理,得到电池的实时状态,所述加工处理包括过压、过流、欠压、过放、过充或过温等。
所述数据处理系统4为后台计算机,是数据处理、在线深度学习优化等智能计算的处理平台。所述数据处理系统4包括深度学习模块,用于建立深度学习参数优化模型,所述后台计算机通过通信从所述中位机中获取数据,并把深度学习参数优化模型的参数结果发送到所述中位机。同时,所述中位机收集到的电池实际工作数据通过通信上传到所述后台计算机,所述后台计算机可以利用这些数据,每隔一段时间对深度学习参数优化模型进行在线优化。
所述电池荷电状态检测装置的工作原理如下:
第一步:将电池放入电池系统1,同时启动所述采样系统2,此时所述采样系统2、所述控制系统3和所述数据处理系统4均为工作状态;
第二步:通过所述采样系统2获得电池当前工作状态下实时检测到的电流值,并经过计算获得AH剩余;同时结合电池额定容量和健康度获得电池当前状态的满容量电流值,并经过计算,获得AH满;
第三步:根据所述AH剩余和所述AH满,经过计算得到第一剩余电量占电池的百分比值SOC1;
第四步:通过所述采样系统2实时检测电池工作电池的阻抗,并通过实时阻抗情况,根据公式估算电池充放电效率;
第五步:根据第四步所述充放电效率,结合所述采样系统2获得的电流和电压实时检测值,所述数据处理系统4建立深度学习参数优化模型,并以充放电效率值和实时检测到的电流值和电压值为输入,得到第二剩余电量占电池的百分比值SOC2;
第六步:采用加权算法融合步骤S1中所述SOC1和步骤S2中所述SOC2,获得精确的剩余电量占电池的百分比值SOC。
实施例3
本实施例是对实施例2做出的进一步优化,本发明提供的一种电池荷电状态检测装置,还包括:
警示模块,所述警示模块与所述数据处理系统4相连接,用于对所述电池荷电状态不足时进行声光警示。
所述警示模块包括数值比较器、光调制器和扬声器,所述数值比较器用于比较精确的剩余电量占电池的百分比值SOC与标准剩余电量占电池的百分比值 SOC0;
所述数值比较器当中会输入标准剩余电量占电池的百分比值SOC0范围值 (a-b),所述数值比较器接收到所述数据处理系统4的所述精确的剩余电量占电池的百分比值SOC,所述数值比较器对数值SOC和所述电池健康度范围值(a-b) 进行比较,当SOC<a或者SOC>b时判定电池荷电状态不足;当a<SOC<b时,判定电池荷电状态充足;
所述光调制器与所述数值比较器电连接,用于将电信号转化为可见光;
当所述光调制器接收到所述数值比较器传来的信号为不足时,所述光调制器将会发出红色亮光;
当所述光调制器接收到所述数值比较器传来的信号为充足时,所述光调制器将会发出绿色亮光;
所述扬声器与所述数值比较器电连接,用于将电信号转化为声波。
当所述扬声器接收到所述数值比较器传来的信号为充足时,所诉扬声器将不发出声音;
当所述扬声器接收到所述数值比较器传来的信号为不足时,所述扬声器将发出滴滴的警示声。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (10)
1.一种电池荷电状态检测方法,其特征在于,其包括以下步骤:
步骤S1:结合电池额定容量和健康度获得电池当前状态的满容量数值,采用电流时间积分计算电池的电量AH值,并根据所述AH值,预测第一剩余电量占电池的百分比值SOC1;
步骤S2:建立深度学习参数优化模型,并以充放电效率值和实时检测到的电流值和电压值为输入,得到第二剩余电量占电池的百分比值SOC2;
步骤S3:采用加权算法融合步骤S1中所述SOC1和步骤S2中所述SOC2,获得精确的剩余电量占电池的百分比值SOC。
2.根据权利要求1所述的电池荷电状态检测方法,其特征在于,步骤S1中所述AH和SOC1的计算公式为AH满其中为根据电池额定容量和健康度获得电池当前状态的满容量时电流时间积分值,AH剩余为电池当前工作状态下实时检测到的电流与时间的积分值。
3.根据权利要求2所述的电池荷电状态检测方法,其特征在于,步骤S2所述深度学习参数优化模型建立方法在于,搭建深度学习框架,且将所述充放电效率值、所述电流值和所述电压值传输到搭建的所述深度学习框架中;通过搭建的所述深度学习框架对所述充放电效率值、所述电流值和所述电压值进行深度学习训练,得到深度学习参数优化模型。
4.根据权利要求3所述的电池快速充电方法,其特征在于,所述深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层。
5.根据权利要求1所述的电池荷电状态检测方法,其特征在于,步骤S2中所述充放电效率值通过实时检测电池工作时的电池阻抗、电池电流和电池电压,并经过计算后获得。
6.根据权利要求5所述的电池荷电状态检测方法,其特征在于,所述充放电效率值η的计算公式为其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
7.根据权利要求1所述的电池荷电状态检测方法,其特征在于,步骤S3中所述精确的剩余电量占电池的百分比值SOC的计算公式为SOC=SOC1*W1+SOC2*W2,其中W1为所述SOC1的权重值,W2为所述SOC2的权重值。
8.根据权利要求7所述的电池荷电状态检测方法,其特征在于,根据电池的实际工作情况,利用预测误差对所述W1和所述W2进行反馈修正。
9.根据权利要求6所述的电池荷电状态检测方法,其特征在于,根据电池实际工作的充放电能量检测值,采用误差反向传播算法对步骤S2中所述深度学习参数优化模型进行在线调整。
10.一种电池荷电状态检测装置,其特征在于,其包括电池系统、采样系统、数据处理系统和控制系统,所述电池系统与所述采样系统相连接,所述采样系统用于对电池的电流、电压和阻抗进行实时检测;所述数据处理系统用于数据储存、传递和更新,通过通信从所述控制系统中获取数据进行优化,并将优化后的参数结果发送到所述控制系统;所述控制系统与所述采样系统和所述数据处理系统通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581013.7A CN109407007A (zh) | 2018-12-24 | 2018-12-24 | 一种电池荷电状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581013.7A CN109407007A (zh) | 2018-12-24 | 2018-12-24 | 一种电池荷电状态检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109407007A true CN109407007A (zh) | 2019-03-01 |
Family
ID=65461135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811581013.7A Pending CN109407007A (zh) | 2018-12-24 | 2018-12-24 | 一种电池荷电状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407007A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110116625A (zh) * | 2019-05-16 | 2019-08-13 | 辽宁工业大学 | 一种用于电控车辆的汽车蓄电池故障监测方法 |
CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及系统和装置 |
CN111948539A (zh) * | 2019-05-17 | 2020-11-17 | 天津科技大学 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
CN112034351A (zh) * | 2020-08-28 | 2020-12-04 | 厦门科灿信息技术有限公司 | 电池剩余容量确定方法及终端设备 |
CN112180258A (zh) * | 2019-07-01 | 2021-01-05 | 电计贸易(上海)有限公司 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
CN112530049A (zh) * | 2020-11-20 | 2021-03-19 | 清华四川能源互联网研究院 | 电池状态监测方法和装置、电子设备及存储介质 |
CN112649744A (zh) * | 2020-12-15 | 2021-04-13 | 西安奇点能源技术有限公司 | 一种pcs、bms同步协调soc计算方法及系统 |
CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能系统的soc计算方法及系统 |
CN113687237A (zh) * | 2021-08-20 | 2021-11-23 | 浙江科技学院 | 一种保障电气安全的锂电池剩余充电时间预测方法 |
CN116643178A (zh) * | 2023-07-27 | 2023-08-25 | 深圳凌奈智控有限公司 | 一种电池管理系统的soc估算方法及相关装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
CN104881001A (zh) * | 2014-04-25 | 2015-09-02 | 安徽贵博新能科技有限公司 | 一种基于深度学习网络的储能电池管理系统 |
CN105774574A (zh) * | 2016-02-26 | 2016-07-20 | 北京长城华冠汽车科技股份有限公司 | 一种新能源汽车电池荷电状态的校准方法和装置 |
CN105891729A (zh) * | 2016-06-23 | 2016-08-24 | 矽力杰半导体技术(杭州)有限公司 | 电池及电池组的状态检测方法及装置 |
CN106354991A (zh) * | 2016-07-29 | 2017-01-25 | 宁波飞拓电器有限公司 | 一种基于深度学习ckf的应急灯电池soc估计方法 |
CN106782511A (zh) * | 2016-12-22 | 2017-05-31 | 太原理工大学 | 修正线性深度自编码网络语音识别方法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108663620A (zh) * | 2017-03-29 | 2018-10-16 | 比亚迪股份有限公司 | 一种动力电池组荷电状态估算方法及系统 |
CN108767341A (zh) * | 2018-05-31 | 2018-11-06 | 研奥电气股份有限公司深圳研发中心 | 轨道车辆电池容量管理系统及方法 |
CN108959728A (zh) * | 2018-06-12 | 2018-12-07 | 杭州法动科技有限公司 | 基于深度学习的射频器件参数优化方法 |
-
2018
- 2018-12-24 CN CN201811581013.7A patent/CN109407007A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
CN104881001A (zh) * | 2014-04-25 | 2015-09-02 | 安徽贵博新能科技有限公司 | 一种基于深度学习网络的储能电池管理系统 |
CN105774574A (zh) * | 2016-02-26 | 2016-07-20 | 北京长城华冠汽车科技股份有限公司 | 一种新能源汽车电池荷电状态的校准方法和装置 |
CN105891729A (zh) * | 2016-06-23 | 2016-08-24 | 矽力杰半导体技术(杭州)有限公司 | 电池及电池组的状态检测方法及装置 |
CN106354991A (zh) * | 2016-07-29 | 2017-01-25 | 宁波飞拓电器有限公司 | 一种基于深度学习ckf的应急灯电池soc估计方法 |
CN106782511A (zh) * | 2016-12-22 | 2017-05-31 | 太原理工大学 | 修正线性深度自编码网络语音识别方法 |
CN108663620A (zh) * | 2017-03-29 | 2018-10-16 | 比亚迪股份有限公司 | 一种动力电池组荷电状态估算方法及系统 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108767341A (zh) * | 2018-05-31 | 2018-11-06 | 研奥电气股份有限公司深圳研发中心 | 轨道车辆电池容量管理系统及方法 |
CN108959728A (zh) * | 2018-06-12 | 2018-12-07 | 杭州法动科技有限公司 | 基于深度学习的射频器件参数优化方法 |
Non-Patent Citations (1)
Title |
---|
孙豪豪;潘庭龙;吴定会;: "基于自适应电池模型的SOC加权在线估计", 系统仿真学报, no. 08 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110116625B (zh) * | 2019-05-16 | 2020-07-28 | 辽宁工业大学 | 一种用于电控车辆的汽车蓄电池故障监测方法 |
CN110116625A (zh) * | 2019-05-16 | 2019-08-13 | 辽宁工业大学 | 一种用于电控车辆的汽车蓄电池故障监测方法 |
CN111948539A (zh) * | 2019-05-17 | 2020-11-17 | 天津科技大学 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
CN112180258B (zh) * | 2019-07-01 | 2024-03-22 | 电计贸易(上海)有限公司 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
CN112180258A (zh) * | 2019-07-01 | 2021-01-05 | 电计贸易(上海)有限公司 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及系统和装置 |
CN112034351A (zh) * | 2020-08-28 | 2020-12-04 | 厦门科灿信息技术有限公司 | 电池剩余容量确定方法及终端设备 |
CN112530049A (zh) * | 2020-11-20 | 2021-03-19 | 清华四川能源互联网研究院 | 电池状态监测方法和装置、电子设备及存储介质 |
CN112649744A (zh) * | 2020-12-15 | 2021-04-13 | 西安奇点能源技术有限公司 | 一种pcs、bms同步协调soc计算方法及系统 |
CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能系统的soc计算方法及系统 |
CN113687237A (zh) * | 2021-08-20 | 2021-11-23 | 浙江科技学院 | 一种保障电气安全的锂电池剩余充电时间预测方法 |
CN113687237B (zh) * | 2021-08-20 | 2024-04-05 | 浙江科技学院 | 一种保障电气安全的锂电池剩余充电时间预测方法 |
CN116643178A (zh) * | 2023-07-27 | 2023-08-25 | 深圳凌奈智控有限公司 | 一种电池管理系统的soc估算方法及相关装置 |
CN116643178B (zh) * | 2023-07-27 | 2023-09-22 | 深圳凌奈智控有限公司 | 一种电池管理系统的soc估算方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407007A (zh) | 一种电池荷电状态检测方法及装置 | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
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 | |
CN104122447B (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
CN108445406A (zh) | 一种动力电池健康状态估计方法 | |
CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN109061520A (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
CN108872866A (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
CN109633452A (zh) | 一种电池健康度检测方法及检测装置 | |
CN109143085A (zh) | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 | |
CN105429230B (zh) | 基于人工神经网络算法的电池管理系统及方法 | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN109856545B (zh) | 太阳能汽车的蓄电池组剩余容量检测方法及系统 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN101713818B (zh) | 一种卫星电源分系统工作状态自动判读系统 | |
CN102967831B (zh) | 一种铅酸蓄电池性能在线检测系统及检测方法 | |
CN107769335A (zh) | 一种多模式锂电池智能充电管理方法及装置 | |
CN108365281A (zh) | 一种bms电池管理系统的容量均衡健康管理方法 | |
CN104502849A (zh) | 一种变电站阀控式密封铅酸蓄电池剩余容量在线实时测量方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
CN115469229A (zh) | 一种不间断电源锂电池荷电状态估算方法 | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
CN116449242A (zh) | 一种面向用户的电池健康状态监测系统 | |
CN107748329A (zh) | 锂离子电池荷电状态监测方法、监测装置和监测模块 |
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 |