CN110133510B - 一种锂离子电池荷电状态soc混合估计方法 - Google Patents
一种锂离子电池荷电状态soc混合估计方法 Download PDFInfo
- Publication number
- CN110133510B CN110133510B CN201910460801.9A CN201910460801A CN110133510B CN 110133510 B CN110133510 B CN 110133510B CN 201910460801 A CN201910460801 A CN 201910460801A CN 110133510 B CN110133510 B CN 110133510B
- Authority
- CN
- China
- Prior art keywords
- soc
- estimation
- battery
- time
- value
- 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
-
- 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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池荷电状态SOC混合估计方法,包括以下步骤:步骤一、根据电池放置时间T与电池的静置时间T2的比较结果,判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值,或者直接采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;步骤二、当SOC估计时间T0不超过电池出现长漂移时间T1时,估算结束;当SOC估计时间T0大于电池出现长漂移时间T1时,开始校准SOC初始值,根据校准后的SOC初始值采用库伦计数法再次进行SOC估计,得到新的SOC估计值。将库伦计数法、基于OCV的方法及基于模型的方法三者结合,能够快速准确对于SOC进行估计,适合锂离子电池的在线SOC检测,提高了在不同条件下SOC估计的准确性,延长了电池的使用寿命。
Description
技术领域
本发明属于电池荷电状态的估计领域,特别涉及一种锂离子电池荷电状态SOC混合估计方法。
背景技术
随着智能电网和电动汽车的发展,电池储能系统的管理扮演着越来越重要的角色。锂电池具有循环寿命长、充电效率高、安全性能好等优点,被广泛的用于电动汽车和智能电网行业,其中荷电状态(SOC)的估计,对于延长电池寿命,保证智能电网和电动汽车正常、安全工作具有重大意义。
目前对于SOC估算方法的研究已经取得了一定成果,主要有开路电压法(OCV)、安时积分法、负载电压法、内阻法、卡尔曼滤波法、库伦计数法(CC)和神经网络法等,其中基于CC的方法、基于OCV的方法以及基于模型的方法是近几十年来研究的重点,但每种方法都有各自的优点和缺点。
CC法是通过对负载电流积分得到SOC的估计值,方法简单易于实现,在一定时间段内具有较好的精度,但是每次估计时必须要知道充放电起始状态,并且库伦效率受工作状态影响较大,电流测量不准确,会造成SOC估计误差,存在长期漂移的问题;基于OCV的方法是一种较为精确相对简单的SOC估计法,可以削弱电池充放电估算不准确所引发的干扰,但它依赖于OCV-SOV的函数,而这种函数关系也会随着电池的老化而改变,并且基于OCV的方法估计SOC时,需要将电池静置很长时间,通常超过两个小时,不适合在线应用;基于模型的方法精度较高,需要准确识别等效电路模型(ECM)的参数,而这些参数会受到电池老化、温度以及SOC的变化的影响,这一类方法常用的有基于卡尔曼滤波、滑模观测器等。目前已经有研究将几种方法混合,以提高电池SOC估计的准确性,但是运算相对复杂,计算量较大,不适合在线应用。
发明内容
本发明的目的在于提供一种锂离子电池荷电状态SOC混合估计方法,适合于在线应用,提高了在不同条件下SOC估计的准确性,延长了电池的使用寿命。
本发明是通过以下技术方案来实现:
一种锂离子电池荷电状态SOC混合估计方法,包括以下步骤:
步骤一、根据电池放置时间T与电池的静置时间T2的比较结果,判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值,或者直接采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
步骤二、当SOC估计时间T0不超过电池出现长漂移时间T1时,估算结束;
当SOC估计时间T0大于电池出现长漂移时间T1时,开始校准SOC初始值,根据校准后的SOC初始值采用库伦计数法再次进行SOC估计,得到新的SOC估计值。
进一步,步骤一具体为:
当电池放置时间T不超过电池的静置时间T2时,采用基于模型的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
当电池放置时间T大于电池的静置时间T2,且出现高度非线性区域时,采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
当电池放置时间T大于电池的静置时间T2,且没有出现高度非线性区域时,采用基于OCV的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0。
进一步,步骤二中,校准SOC初始值是基于步骤一中判断的电池放置时间T与电池的静置时间T2的结果进行的,具体为:
当电池放置时间T大于电池的静置时间T2时,采用基于OCV的方法对SOC初始值进行重新校准,得到校准后的SOC初始值;
当电池放置时间T不超过电池的静置时间T2时,采用基于模型的方法对SOC初始值进行重新校准,得到校准后的SOC初始值。
进一步,基于模型的方法采用线性卡尔曼滤波器LKF。
进一步,基于模型的方法包括参数识别、SOC递归估计和容量估计。
进一步,参数识别采用快速上三角和对角递归最小二乘算法,即FUDRLS算法。
进一步,容量估计采用近似加权总最小二乘算法,即AWTLS算法。
进一步,容量估计的过程具体为:
使用移动平均滤波器MA计算特定时间窗口内数据平均值,每采样一次新值滑动一次窗口,计算一次平均值,对AWTLS算法得到的估计容量进行更新,对库伦计数法中使用到的容量值进行校正。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的锂离子电池荷电状态混合估计方法,根据电池放置时间与电池的静置时间的比较结果,来选择采用基于模型的方法、库伦计数法或基于OCV的方法,在长时间内,当出现高度非线性区域时,用CC法进行SOC估计,否则采用基于OCV的方法和库伦计数法,基于OCV的方法适用于大于静置时间的SOC估计,用此方法能够准确估计出它的初始值,短时间采用LKF的方法进行SOC初始值的估计。当SOC估计时间大于电池出现长漂移时间时,长漂移出现会影响SOC的估计值,使估计值不准确,进而影响下一个时间的SOC的估计,从而使得估计误差越来越大,那么就需要校准SOC初始值,根据校准后的SOC初始值采用库伦计数法再次进行SOC估计,得到新的SOC估计值。本发明主要应用库伦计数法进行SOC的估计,结合基于OCV的方法和基于模型的方法弥补库伦计数法的不足,减少了运算量,适合在线应用,并且估算精度较高。能够快速准确对SOC进行估计,适合锂离子电池的在线SOC检测,为锂离子电池提供了准确的检测结果,同时降低了短期SOC估计和长期SOC估计的计算量,使该方法更适合于在线应用,提高了在不同条件下SOC估计的准确性,延长了电池的使用寿命。
进一步,再次根据电池放置时间与电池的静置时间的比较结果,对SOC初始值进行重新估计,也就是校准,提高SOC估计值的准确性,减小估计误差。
进一步,基于模型的方法采用线性卡尔曼滤波器LKF,降低了计算的复杂程度。
进一步,参数识别采用FUDRLS算法,容量估计AWTLS算法。AWTLS算法是一种准确的容量估计法,误差较小,只需要简单的数学运算,对不同的工作条件具有鲁棒性,因此具有一定的优越性;FUDRLS算法对于在线参数的识别具有一定的优越性。
进一步,CC法在估算时和容量是有关系的,当电池容量由于退化而衰减,这可能会导致额外的SOC估计误差,因此需要校准。
附图说明
图1为本发明的锂离子电池荷电状态SOC混合估计方法的流程图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
如图1所示,本发明的锂离子电池荷电状态SOC混合估计方法,包括以下步骤:当电池放置时间T不超过电池的静置时间T2时,采用基于模型的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0。当电池放置时间T大于电池的静置时间T2时,需要判断是否出现高度非线性区域,当出现高度非线性区域时,采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;当没有出现高度非线性区域时,采用基于OCV的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0。
由于库伦计数法存在长漂移现象,当SOC估计时间T0大于T1时,这里的T1是指电池从开始估计到出现长漂移的时间,需要校准更新SOC的初始值,根据校准后的SOC初始值采用库伦计数法再次进行SOC估计,得到新的SOC估计值。当SOC估计时间T0不超过电池出现长漂移时间T1时,估算结束。
当电池长时间静置时,在电池放置时间T不超过电池的静置时间T2的时间内,使用基于模型的方法进行SOC初始值校准,得到校准后的SOC初始值;但电池放置时间T在超过电池的静置时间T2的时间后,基于OCV的方法对于SOC的重新校准非常精确,这时使用基于OCV的方法对SOC初始值进行校准,用于更新CC法的SOC初始状态,以便使得CC法的估计更加精确。
基于模型的方法包括参数识别、SOC递归估计和容量估计,因为基于模型的方法在估计SOC时,和参数有关,而参数是时变的,因此需要进行参数识别,然后进行SOC的估计,而容量的估计也就是针对于CC法的容量校准,LKF法是独立于容量退化,也就是说用此方法进行SOC估计和容量退化没有关系。
对于SOC的估计主要包括SOC初始值估计,SOC初始值的重新校准,以及参数识别和容量估计。参数识别和容量估计是将影响电池SOC估计的因素(如充放电率,电池运行的温度),而这些因素是时变的,电池会随着时间和使用次数老化,这些对于SOC的估计都有很大的影响,所以参数识别和容量估计显得尤为重要。快速上三角和对角递归最小二乘(FUDRLS)和近似加权总最小二乘(AWTLS)在参数识别和容量估计中具有优越性,此处选用这两种方法。
对于基于模型的SOC估计,可使用线性卡尔曼滤波器LKF或其他混合方法,但是为了降低计算的复杂程度,在此使用LKF,并且LKF可以在电池弛豫后使SOC估计收敛于SOC的实际值。由于CC法存在长漂移问题,LKF也可以在每个T1上使用,以解决长漂移的问题,这里的T1是指从开始估计到出现长漂移的时间,每隔一个T1就启用一次LKF用于更新SOC初始值。但在长漂移出现之前使用LKF算法过于复杂,这里使用CC法可以有效降低计算的复杂度且精度较高。
由于LKF可以在2.5分钟内收敛到SOC初始值,可以使基于模型的方法和无负载运行3分钟的电池相结合。有效的利用基于模型的方法更新SOC的初始状态值,使得CC法在估计SOC时更加准确,但电池模型的复杂性、增益等会影响收敛时间,为了能使SOC估计更为快速,应仔细选择无负载运行的时间。
由于OCV和SOC之间的函数关系存在高度非线性区域,在此区域内使用LKF进行SOC估计较为复杂,可直接用CC法进行SOC估计。在用OCV方法进行SOC初始值估计时,是根据OCV和SOC的函数关系确定SOC的值的,而这个函数关系存在高度非线性区域,在此区域内就可直接用CC法估计,不用管静置时间问题。
通过FUDRLS算法进行参数的估计更新,容量估计中使用AWTLS算法,但由于基于模型的方法和容量退化无关,所以AWTLS算法中使用的SOC初始值由LKF估计的SOC初始值提供。
在AWTLS的在线使用过程中会引起较大波动,从而导致SOC估计的误差,需要消除这个波动。此处使用移动平均滤波器(MA)计算特定时间窗口内数据平均值,每采样一次新值滑动一次窗口,计算一次平均值,对AWTLS算的估计容量进行更新,以此来对CC算法中使用到的容量值进行校正。
本文提出的混合方法能有效结合三种方法的优点,能够快速准确对于SOC进行估计,适合锂离子电池的在线SOC检测,为锂离子电池提供了准确的检测结果,同时降低了短期SOC估计和长期SOC估计的计算量,能有效延长电池的寿命。
Claims (6)
1.一种锂离子电池荷电状态SOC混合估计方法,其特征在于,包括以下步骤:
步骤一、根据电池放置时间T与电池的静置时间T2的比较结果,判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值,或者直接采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
步骤一具体为:
当电池放置时间T不超过电池的静置时间T2时,采用基于模型的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
当电池放置时间T大于电池的静置时间T2,且OCV和SOC之间的函数关系出现高度非线性区域时,采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
当电池放置时间T大于电池的静置时间T2,且OCV和SOC之间的函数关系没有出现高度非线性区域时,采用基于OCV的方法估计出SOC初始值,然后采用库伦计数法进行SOC估计,得到SOC估计值,同时得到SOC估计时间T0;
步骤二、当SOC估计时间T0不超过电池出现长漂移时间T1时,估算结束;
当SOC估计时间T0大于电池出现长漂移时间T1时,开始校准SOC初始值,根据校准后的SOC初始值采用库伦计数法再次进行SOC估计,得到新的SOC估计值;
步骤二中,校准SOC初始值是基于步骤一中判断的电池放置时间T与电池的静置时间T2的结果进行的,具体为:
当电池放置时间T大于电池的静置时间T2时,采用基于OCV的方法对SOC初始值进行重新校准,得到校准后的SOC初始值;
当电池放置时间T不超过电池的静置时间T2时,采用基于模型的方法对SOC初始值进行重新校准,得到校准后的SOC初始值。
2.根据权利要求1所述的锂离子电池荷电状态SOC混合估计方法,其特征在于,基于模型的方法采用线性卡尔曼滤波器LKF。
3.根据权利要求2所述的锂离子电池荷电状态SOC混合估计方法,其特征在于,基于模型的方法包括参数识别、SOC递归估计和容量估计。
4.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法,其特征在于,参数识别采用快速上三角和对角递归最小二乘算法,即FUDRLS算法。
5.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法,其特征在于,容量估计采用近似加权总最小二乘算法,即AWTLS算法。
6.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法,其特征在于,容量估计的过程具体为:
使用移动平均滤波器MA计算特定时间窗口内数据平均值,每采样一次新值滑动一次窗口,计算一次平均值,对AWTLS算法得到的估计容量进行更新,对库伦计数法中使用到的容量值进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460801.9A CN110133510B (zh) | 2019-05-30 | 2019-05-30 | 一种锂离子电池荷电状态soc混合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460801.9A CN110133510B (zh) | 2019-05-30 | 2019-05-30 | 一种锂离子电池荷电状态soc混合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133510A CN110133510A (zh) | 2019-08-16 |
CN110133510B true CN110133510B (zh) | 2021-08-13 |
Family
ID=67583003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910460801.9A Active CN110133510B (zh) | 2019-05-30 | 2019-05-30 | 一种锂离子电池荷电状态soc混合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133510B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487537B (zh) * | 2020-05-29 | 2022-05-27 | 重庆金康新能源汽车有限公司 | 修改荷电状态估计的方法和系统 |
CN113341330B (zh) * | 2021-05-25 | 2022-11-08 | 西南大学 | 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102545758A (zh) * | 2012-01-16 | 2012-07-04 | 北京启明精华新技术有限公司 | 汽车电源控制器 |
CN102788957A (zh) * | 2011-05-20 | 2012-11-21 | 镇江恒驰科技有限公司 | 一种动力电池荷电状态估算方法 |
CN103199589A (zh) * | 2013-04-12 | 2013-07-10 | 哈尔滨工业大学 | 一种锂离子电池组模块化快速均衡电路及均衡方法 |
CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
CN103675706A (zh) * | 2013-12-13 | 2014-03-26 | 桂林电子科技大学 | 一种动力电池电荷量估算方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN105807168A (zh) * | 2016-05-11 | 2016-07-27 | 大连理工大学 | 一种用于修正超级电容器soc估算的方法 |
CN107045108A (zh) * | 2016-12-26 | 2017-08-15 | 安徽广通汽车制造股份有限公司 | 一种充电过程中校准锂电池组soc的方法 |
CN109085505A (zh) * | 2018-07-25 | 2018-12-25 | 深圳华中科技大学研究院 | 一种动力电池充放电状态估算方法 |
CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
-
2019
- 2019-05-30 CN CN201910460801.9A patent/CN110133510B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788957A (zh) * | 2011-05-20 | 2012-11-21 | 镇江恒驰科技有限公司 | 一种动力电池荷电状态估算方法 |
CN102545758A (zh) * | 2012-01-16 | 2012-07-04 | 北京启明精华新技术有限公司 | 汽车电源控制器 |
CN103199589A (zh) * | 2013-04-12 | 2013-07-10 | 哈尔滨工业大学 | 一种锂离子电池组模块化快速均衡电路及均衡方法 |
CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
CN103675706A (zh) * | 2013-12-13 | 2014-03-26 | 桂林电子科技大学 | 一种动力电池电荷量估算方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN105807168A (zh) * | 2016-05-11 | 2016-07-27 | 大连理工大学 | 一种用于修正超级电容器soc估算的方法 |
CN107045108A (zh) * | 2016-12-26 | 2017-08-15 | 安徽广通汽车制造股份有限公司 | 一种充电过程中校准锂电池组soc的方法 |
CN109085505A (zh) * | 2018-07-25 | 2018-12-25 | 深圳华中科技大学研究院 | 一种动力电池充放电状态估算方法 |
CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110133510A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN107576918B (zh) | 锂电池的剩余电量的估算方法及系统 | |
CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
WO2015106691A1 (zh) | 一种混合动力车用动力电池soc估算方法 | |
CN108802625B (zh) | 一种二次利用电池的soc自适应修正方法 | |
CN105301509A (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN107817448B (zh) | 一种适用于复杂工况的在线实时监测电池电量的方法 | |
CN111537895B (zh) | 一种多参数联合估算soc的方法 | |
CN104730468A (zh) | 一种电池soc估算方法、装置以及电池管理系统 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
CN108287316B (zh) | 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法 | |
CN114355211A (zh) | 一种锂离子动力电池剩余电量估计方法 | |
CN107861074B (zh) | 一种锂电池soc估算方法 | |
CN105699910A (zh) | 一种锂电池剩余电量在线估计方法 | |
CN110133510B (zh) | 一种锂离子电池荷电状态soc混合估计方法 | |
CN112649747A (zh) | 一种分数阶扩展卡尔曼的锂电池soc估算方法 | |
CN112305426A (zh) | 一种多约束条件下的锂离子电池功率状态估计系统 | |
CN113484762B (zh) | 电池健康状态估算方法、装置、设备及存储介质 | |
CN112816873B (zh) | 一种基于改进电池模型的iekf锂电池soc估算方法 | |
CN112986828A (zh) | 预估电池健康度的方法 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN112379280A (zh) | 基于恒压恒流充电曲线的电池模型参数与ocv-soc关系确定方法 | |
CN110927585A (zh) | 一种基于自循环校正的锂电池soh估算系统及方法 |
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 |