CN110188376A - 一种混合动力汽车动力电池初始电量算法 - Google Patents
一种混合动力汽车动力电池初始电量算法 Download PDFInfo
- Publication number
- CN110188376A CN110188376A CN201910292141.8A CN201910292141A CN110188376A CN 110188376 A CN110188376 A CN 110188376A CN 201910292141 A CN201910292141 A CN 201910292141A CN 110188376 A CN110188376 A CN 110188376A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- battery
- anfis
- electricity
- function
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 239000011149 active material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000003792 electrolyte Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000001566 impedance spectroscopy Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种混合动力汽车动力电池初始电量算法,包括ANFIS构造、确定ANFIS网络结构、选择高斯隶属函数作为输入和输出的隶属函数、划分输入变量空间、利用BP神经网络与ANFIS模型计算电池初始电量Q1。本方案,此算法能够实时监控动力电池电量,防止动力电池出现过充或者过放而影响动力电池寿命,通过分析电池的充放电过程,确定SOC的关键参数,并在MatLab平台上对试验模型进行了修正,通过试验仿真比较,表明ANFIS具有较强的自适应能力和泛化能力,该方法将电池初始电量估计误差降低到3%以下,可用于混合动力汽车智能监控系统,加入温度补偿系数,通过温度补偿系数对温度影响进行纠正,可以更好地提高估算精度。
Description
技术领域
本发明涉及电量算法技术领域,尤其涉及一种混合动力汽车动力电池初始电量算法。
背景技术
电池管理系统是一种混合动力汽车或者纯电动汽车上使用的动力电池控制系统,根据整车需求对动力电池各方面的参数、性能进行控制。电池管理系统是电池与用户之间的桥梁,主要的控制对象是二次电池,其最终的目标就是为了能够提高电池的使用效率,防止电池发生过度充放电,尽可能地保护动力电池,让其发挥最大的使用性能。
SOC作为剩余电量,表示初始容量中剩余容量所占的百分比,范围为0%100%,传统SOC评估方法主要有电流积分法、开路电压法、OCV和SOC对应关系法等。对于这些方法,可以从温度改变率、充放电速率、充放电效率等方面加以改进,也可以利用模糊控制算法、神经网络算法、卡尔曼滤波算法、阻抗谱法和C.Ehret线性模型等方法进行改进。由于电池的高度非线性特性,使得传统的SOC评估方法不能有效地反映出评估的准确性,如电流积分法有误差累积,开路电压法不适用于脉动电流过程中的频繁波动;模糊控制依赖于工程经验,神经网络依赖于样本的选择,卡尔曼滤波取决于精确的计算复杂度,阻抗谱法需要构造附加额外的函数且增加了计算机复杂度;线性模型方法仅适用于低电流情况。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种混合动力汽车动力电池初始电量算法。
为了实现上述目的,本发明采用了如下技术方案:
一种混合动力汽车动力电池初始电量算法,具体包括以下步骤:
S1、ANFIS构造:假设模糊神经网络具有2个输入变量x和y,1个输出量z,根据一阶T-S模糊模型,计算公式如下:
公式1:对于x∈A1,y∈B1,则:
f1=p1x+q1y+r1;
公式2:对于x∈A2,y∈B2,则:
f2=p2x+q2y+r2;
S2、A1和B1为输入变量模糊集,该层的节点激活函数代表模糊变量的隶属函数,输出表示模糊结果即隶属度,其中,节点传递函数可表示为:
O1,i=fx,i(X),i=1,2
O1,j=fy(j-2)(y),j=3,4
通常使用高斯函数作为激活函数;
S3、乘以模糊得到2个任意隶属度,因此输出表示模糊规则或自适应函数,即:
O2,i=Wi=fx,i(X)fy,i(X),i=1,2
Wi为隶属度权重;
S4、规范每个规则的应用程度,即:
S5、计算每个规则的结论,即:
Zi;=Pix+qiy+ri,i=1,2;
S6、计算所有输出,则系统输出为:
式中:Pi,qi和ri为对应的参数,通过算法训练,ANFIS可以使它们在指定的目标上达到模糊建模的目的;
S7、确定ANFIS网络结构:
为了利用MatLab模糊工具箱对采集到的数据进行仿真,在此选择ANFIS自带的genfisl函数进行计算,通过网格划分的方式给定数据集并生成模糊推理系统通过genfisl函数生成的模糊推理系统输出隶属函数曲线,可以确保覆盖整个输入和输出空间的均匀划分,并且定义其输入和输出隶属函数的类型和数量,将不同的电压、电流、SOC和关于时间序列的放电率作为试验所用的训练数据和测试数据、并且将序列中的奇数项目作为训练数据,偶数项目作为测试数据;
S8、选择高斯隶属函数作为输入和输出的隶属函数,由于ANFIS是Sugeno型模糊系统,因此具有2个输出变量隶属函数,即常数项和线性函数;
S9、划分输入变量空间:对收集的数据进行排序,以获得最小和最大输入变量,最后为每个输入变量建立3个模糊集,对应生成高、中、低隶属函数结果,输入空间对应于隶属乘积的输出变量,对应的输出值在0和1之间;
S10、利用BP神经网络与ANFIS模型计算电池初始电量Q1。
优选的,电池的电荷容量随着环境温度的变换而变化,电池上标明的容量是按照标准环境温度25℃计算的。温度低时,容量降低,因为电解液的黏度增加,扩散困难,浓差极化增大,活性物质内部的化学反应难以进行,温度高时,容量增大,温度补偿系数可用以下经验公式表示;
htem=1+K(T-25);
K根据电池的具体类型由实验确定,为T实际环境温度;
则实际电池初始电量Q=Q1*htem。
优选的,由于单一神经网络对电池SOC预测是启发式学习;因此,根据传统规则表达启发式学习并不利于训练非线性数据集,且不可避免地增加网络的训练时间;而单一模糊预测可以简单地实现启发式学习,但无法获得准确的结果;由于其自学习能力和适应能力的较弱,则难以自动形成隶属函数局部模糊的规则;因此,模糊逻辑与神经网络的组合形式可以在任何条件下获得精确值,同时也可以优化估计过程,并可以利用神经网络和模糊系统的优势。
本发明提供的一种混合动力汽车动力电池初始电量算法,与现有技术相比:
1.本方案,提出了一种通用性强、适应性强和精度高的混合动力汽车动力电池初始电量算法。通过分析电池的充放电过程,确定SOC的关键参数,并在MatLab平台上对试验模型进行了修正。通过试验仿真比较,表明ANFIS具有较强的自适应能力和泛化能力,该方法将电池初始电量估计误差降低到3%以下,可用于混合动力汽车智能监控系统,此算法能够实时监控动力电池电量,防止动力电池出现过充或者过放而影响动力电池寿命;
2.加入温度补偿系数,通过温度补偿系数对温度影响进行纠正,可以更好地提高估算精度。
附图说明:
图1为本发明的等效ANFIS结构图;
图2为不同的放电条件下的电流鄄电压测量;
图3为本发明的自适应模糊神经网络预测框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例和说明书附图1-3,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
一种混合动力汽车动力电池初始电量算法,具体包括以下步骤:
S1、ANFIS构造:假设模糊神经网络具有2个输入变量x和y,1个输出量z,根据一阶T-S模糊模型,计算公式如下:
公式1:对于x∈A1,y∈B1,则:
f1=p1x+q1y+r1;
公式2:对于x∈A2,y∈B2,则:
f2=p2x+q2y+r2;
S2、A1和B1为输入变量模糊集,该层的节点激活函数代表模糊变量的隶属函数,输出表示模糊结果即隶属度,其中,节点传递函数可表示为:
O1,i=fx,i(X),i=1,2
O1,j=fy(j-2)(y),j=3,4
通常使用高斯函数作为激活函数;
S3、乘以模糊得到2个任意隶属度,因此输出表示模糊规则或自适应函数,即:
O2,i=Wi=fx,i(X)fy,i(X),i=1,2
Wi为隶属度权重;
S4、规范每个规则的应用程度,即:
S5、计算每个规则的结论,即:
Zi;=Pix+qiy+ri,i=1,2;
S6、计算所有输出,则系统输出为:
式中:Pi,qi和ri为对应的参数,通过算法训练,ANFIS可以使它们在指定的目标上达到模糊建模的目的;
S7、确定ANFIS网络结构:
为了利用MatLab模糊工具箱对采集到的数据进行仿真,在此选择ANFIS自带的genfisl函数进行计算,通过网格划分的方式给定数据集并生成模糊推理系统通过genfisl函数生成的模糊推理系统输出隶属函数曲线,可以确保覆盖整个输入和输出空间的均匀划分,并且定义其输入和输出隶属函数的类型和数量,将不同的电压、电流、SOC和关于时间序列的放电率作为试验所用的训练数据和测试数据、并且将序列中的奇数项目作为训练数据,偶数项目作为测试数据;
S8、选择高斯隶属函数作为输入和输出的隶属函数,由于ANFIS是Sugeno型模糊系统,因此具有2个输出变量隶属函数,即常数项和线性函数;
S9、划分输入变量空间:对收集的数据进行排序,以获得最小和最大输入变量,最后为每个输入变量建立3个模糊集,对应生成高、中、低隶属函数结果,输入空间对应于隶属乘积的输出变量,对应的输出值在0和1之间;
S10、利用BP神经网络与ANFIS模型计算电池初始电量Q1。
进一步地,电池的电荷容量随着环境温度的变换而变化,电池上标明的容量是按照标准环境温度25℃计算的。温度低时,容量降低,因为电解液的黏度增加,扩散困难,浓差极化增大,活性物质内部的化学反应难以进行,温度高时,容量增大,温度补偿系数可用以下经验公式表示;
htem=1+K(T-25);
K根据电池的具体类型由实验确定,为T实际环境温度;
则实际电池初始电量Q=Q1*htem。
进一步地,由于单一神经网络对电池SOC预测是启发式学习;因此,根据传统规则表达启发式学习并不利于训练非线性数据集,且不可避免地增加网络的训练时间;而单一模糊预测可以简单地实现启发式学习,但无法获得准确的结果;由于其自学习能力和适应能力的较弱,则难以自动形成隶属函数局部模糊的规则;因此,模糊逻辑与神经网络的组合形式可以在任何条件下获得精确值,同时也可以优化估计过程,并可以利用神经网络和模糊系统的优势。
综上所述:本方案,提出了一种通用性强、适应性强和精度高的混合动力汽车动力电池初始电量算法。通过分析电池的充放电过程,确定SOC的关键参数,并在MatLab平台上对试验模型进行了修正。通过试验仿真比较,表明ANFIS具有较强的自适应能力和泛化能力,该方法将电池初始电量估计误差降低到3%以下,可用于混合动力汽车智能监控系统,此算法能够实时监控动力电池电量,防止动力电池出现过充或者过放而影响动力电池寿命;
加入温度补偿系数,通过温度补偿系数对温度影响进行纠正,可以更好地提高估算精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种混合动力汽车动力电池初始电量算法,其特征在于,具体包括以下步骤:
S1、ANFIS构造:假设模糊神经网络具有2个输入变量x和y,1个输出量z,根据一阶T-S模糊模型,计算公式如下:
公式1:对于x∈A1,y∈B1,则:
f1=p1x+q1y+r1;
公式2:对于x∈A2,y∈B2,则:
f2=p2x+q2y+r2;
S2、A1和B1为输入变量模糊集,该层的节点激活函数代表模糊变量的隶属函数,输出表示模糊结果即隶属度,其中,节点传递函数可表示为:
O1,i=fx,i(X),i=1,2
O1,j=fy(j-2)(y),j=3,4
通常使用高斯函数作为激活函数;
S3、乘以模糊得到2个任意隶属度,因此输出表示模糊规则或自适应函数,即:
O2,i=Wi=fx,i(X)fy,i(X),i=1,2
Wi为隶属度权重;
S4、规范每个规则的应用程度,即:
S5、计算每个规则的结论,即:
Zi;=Pix+qiy+ri,i=1,2;
S6、计算所有输出,则系统输出为:
式中:Pi,qi和ri为对应的参数,通过算法训练,ANFIS可以使它们在指定的目标上达到模糊建模的目的;
S7、确定ANFIS网络结构:
为了利用MatLab模糊工具箱对采集到的数据进行仿真,在此选择ANFIS自带的genfisl函数进行计算,通过网格划分的方式给定数据集并生成模糊推理系统通过genfisl函数生成的模糊推理系统输出隶属函数曲线,可以确保覆盖整个输入和输出空间的均匀划分,并且定义其输入和输出隶属函数的类型和数量,将不同的电压、电流、SOC和关于时间序列的放电率作为试验所用的训练数据和测试数据、并且将序列中的奇数项目作为训练数据,偶数项目作为测试数据;
S8、选择高斯隶属函数作为输入和输出的隶属函数,由于ANFIS是Sugeno型模糊系统,因此具有2个输出变量隶属函数,即常数项和线性函数;
S9、划分输入变量空间:对收集的数据进行排序,以获得最小和最大输入变量,最后为每个输入变量建立3个模糊集,对应生成高、中、低隶属函数结果,输入空间对应于隶属乘积的输出变量,对应的输出值在0和1之间;
S10、利用BP神经网络与ANFIS模型计算电池初始电量Q1。
2.根据权利要求1所述一种混合动力汽车动力电池初始电量算法,其特征在于:电池的电荷容量随着环境温度的变换而变化,电池上标明的容量是按照标准环境温度25℃计算的。温度低时,容量降低,因为电解液的黏度增加,扩散困难,浓差极化增大,活性物质内部的化学反应难以进行,温度高时,容量增大,温度补偿系数可用以下经验公式表示;
htem=1+K(T-25);
K根据电池的具体类型由实验确定,为T实际环境温度;
则实际电池初始电量Q=Q1*htem。
3.根据权利要求1所述一种混合动力汽车动力电池初始电量算法,其特征在于:由于单一神经网络对电池SOC预测是启发式学习;因此,根据传统规则表达启发式学习并不利于训练非线性数据集,且不可避免地增加网络的训练时间;而单一模糊预测可以简单地实现启发式学习,但无法获得准确的结果;由于其自学习能力和适应能力的较弱,则难以自动形成隶属函数局部模糊的规则;因此,模糊逻辑与神经网络的组合形式可以在任何条件下获得精确值,同时也可以优化估计过程,并可以利用神经网络和模糊系统的优势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292141.8A CN110188376A (zh) | 2019-04-12 | 2019-04-12 | 一种混合动力汽车动力电池初始电量算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292141.8A CN110188376A (zh) | 2019-04-12 | 2019-04-12 | 一种混合动力汽车动力电池初始电量算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188376A true CN110188376A (zh) | 2019-08-30 |
Family
ID=67714156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292141.8A Pending CN110188376A (zh) | 2019-04-12 | 2019-04-12 | 一种混合动力汽车动力电池初始电量算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188376A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN111806296A (zh) * | 2020-06-15 | 2020-10-23 | 汉腾汽车有限公司 | 一种电动汽车充电剩余时间估算方法 |
CN112304436A (zh) * | 2020-10-23 | 2021-02-02 | 北京百度网讯科技有限公司 | 用于创建温度校正模型的方法、装置、电子设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1349106A (zh) * | 2001-11-14 | 2002-05-15 | 深圳安圣电气有限公司 | 不间断电源电池后备时间的计算方法 |
CN103675707A (zh) * | 2013-12-13 | 2014-03-26 | 国家电网公司 | 锂离子电池峰值功率在线评估方法 |
CN104635165A (zh) * | 2015-01-27 | 2015-05-20 | 合肥工业大学 | 一种光电互补供电系统蓄电池剩余电量的准确估算方法 |
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 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
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 |
CN107367693A (zh) * | 2017-07-07 | 2017-11-21 | 淮阴工学院 | 一种电动汽车动力电池soc检测系统 |
CN107422272A (zh) * | 2017-07-07 | 2017-12-01 | 淮阴工学院 | 一种电动汽车动力电池soc智能化检测装置 |
-
2019
- 2019-04-12 CN CN201910292141.8A patent/CN110188376A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1349106A (zh) * | 2001-11-14 | 2002-05-15 | 深圳安圣电气有限公司 | 不间断电源电池后备时间的计算方法 |
CN103675707A (zh) * | 2013-12-13 | 2014-03-26 | 国家电网公司 | 锂离子电池峰值功率在线评估方法 |
CN104635165A (zh) * | 2015-01-27 | 2015-05-20 | 合肥工业大学 | 一种光电互补供电系统蓄电池剩余电量的准确估算方法 |
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 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
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 |
CN107367693A (zh) * | 2017-07-07 | 2017-11-21 | 淮阴工学院 | 一种电动汽车动力电池soc检测系统 |
CN107422272A (zh) * | 2017-07-07 | 2017-12-01 | 淮阴工学院 | 一种电动汽车动力电池soc智能化检测装置 |
Non-Patent Citations (5)
Title |
---|
杨慧婕;刘微;黄先莉;刘守印;: "基于模糊C均值改进算法和ANFIS的蓄电池SOC预测" * |
蔡文皓;林芳;齐乐;: "电动汽车电池剩余量的估测方法" * |
赵忠杰;师虹;: "基于ANFIS模型隧道交通量预测研究" * |
鲁照权 等: "基于健康因子的锂电池电量估算" * |
黄彬 等: "基于ANFIS模型的蓄电池放电剩余电量估计" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN111806296A (zh) * | 2020-06-15 | 2020-10-23 | 汉腾汽车有限公司 | 一种电动汽车充电剩余时间估算方法 |
CN112304436A (zh) * | 2020-10-23 | 2021-02-02 | 北京百度网讯科技有限公司 | 用于创建温度校正模型的方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gou et al. | State-of-health estimation and remaining-useful-life prediction for lithium-ion battery using a hybrid data-driven method | |
Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
Ye et al. | A model-based adaptive state of charge estimator for a lithium-ion battery using an improved adaptive particle filter | |
Zhang et al. | A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm | |
Qays et al. | Recent progress and future trends on the state of charge estimation methods to improve battery-storage efficiency: A review | |
Zhang et al. | An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
CN107367693B (zh) | 一种电动汽车动力电池soc检测系统 | |
CN105203963B (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN110188376A (zh) | 一种混合动力汽车动力电池初始电量算法 | |
CN103020445A (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Hao et al. | An improved forgetting factor recursive least square and unscented particle filtering algorithm for accurate lithium-ion battery state of charge estimation | |
CN106291376A (zh) | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 | |
Tang et al. | A novel lithium-ion battery state of charge estimation method based on the fusion of neural network and equivalent circuit models | |
CN102959791B (zh) | 用于确定多个蓄电池单元的至少一个状态的方法、蓄电池和机动车 | |
Zhao et al. | Digital twin-driven estimation of state of charge for Li-ion battery | |
Murawwat et al. | State of charge estimation and error analysis of lithium-ion batteries for electric vehicles using Kalman filter and deep neural network | |
Jian et al. | Comparison of SOC estimation performance with different training functions using neural network | |
Eleftheriadis et al. | Bayesian hyperparameter optimization of stacked long short-term memory neural network for the state of charge estimation | |
CN111337833A (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
Nefraoui et al. | Optimal battery state of charge parameter estimation and forecasting using non-linear autoregressive exogenous | |
Heinrich | Battery State Estimation of Electric Vehicles using Neural Networks | |
CN115436810A (zh) | 一种基于双自适应卡尔曼滤波算法的混合动力汽车锂电池soc与soh联合估算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |