CN110412470A - 电动汽车动力电池soc估计方法 - Google Patents
电动汽车动力电池soc估计方法 Download PDFInfo
- Publication number
- CN110412470A CN110412470A CN201910323530.2A CN201910323530A CN110412470A CN 110412470 A CN110412470 A CN 110412470A CN 201910323530 A CN201910323530 A CN 201910323530A CN 110412470 A CN110412470 A CN 110412470A
- Authority
- CN
- China
- Prior art keywords
- soc
- electric automobile
- soc estimation
- power battery
- automobile power
- 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
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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种电动汽车动力电池SOC估计方法,包括s1、自BMS中提取可以表征SOC的关联特征;s2、利用关联特征训练深度神经网络模型;s3、基于训练后的深度神经网络模型在线SOC估计。本发明方法从数据出发,避免了对各类SOC估计对近似模型的依赖,同时,与其他数据驱动方法相比,更适合于处理大量BMS样本数据,可获得更高的估计精度。
Description
技术领域
本申请涉及新能源汽车技术领域,特别是涉及一种电动汽车动力电池 SOC估计方法。
背景技术
正确估计锂电池的SOC(State of Charge,电池荷电状态)是整车能量管理中提高电池的利用率,延长电池组的使用寿命的基础。SOC在温度不同、倍率不同、充放电效率不同等条件下存在明显差异;电池工作的温度对SOC 影响显著,过高或过低会导致电池的可用容量降低;电池的老化和自放电等因素导致SOC的准确估计更加困难。另外,电池组内单体容量衰减存在很大的不一致性,在电动汽车实际运行过程中,SOC的估计精度很难保证,单纯依赖各类近似模型的电池容量估计难以准确得到。
电动汽车实际运行中,无法获得实验室条件下的电池组完整充放电过程,其充放电曲线则是不完整的。在这种情况下,基于安时法计算得到的SOC电池组容量是不准确的,误差较大。电动车辆的动力电池SOC估计的难点在于:
1)锂电池SOC估计过程是在电动车辆的实际操作中。因此,需要实时在线估计,在存在误差的情形下,通过改进估算方法,使其结果仍然具有良好的收敛性和鲁棒性。
2)锂电池的运行状态复杂,关闭或打开锂电池的时间具有随机性,这给估计工作带来了相当程度的困难。
3)电动汽车电流不稳定,工作环境复杂,环境温度和电池自放电等复杂因素给估算增加了许多困难。
现有技术中,SOC估计的方法主要是安时积分法、开路电压法、人工神经网络和卡尔曼滤波(KF)等,其中:
(1)安时积分法需要初始SOC值,才能给出准确的估算结果,同时,在电动汽车实际运行中,由于BMS(BATTERY MANAGEMENT SYSTEM,电池管理系统)系统采样的离散性,以及数据传输过程中不可避免的错误和数据丢失,使得安时法往往误差过大,最终会使估算SOC出现偏差。
(2)开路电压法通过放电实验记录电压与SOC数据,根据电压数据大小来预测SOC的值,但是这种方法不支持动态在线检测
(3)卡尔曼滤波算法需要获得准确的模型,通过算法更新模型中的参数预测SOC的值。而实际中准确的SOC模型往往难以获得,现有的SOC模型多为数据拟合得到的多项式模型或指数模型,偏差较大。
发明内容
本发明的目的在于提供一种电动汽车动力电池SOC估计方法,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本申请实施例公开一种电动汽车动力电池SOC估计方法,包括
s1、自BMS中提取可以表征SOC的关联特征;
s2、利用关联特征训练深度神经网络模型;
s3、基于训练后的深度神经网络模型在线SOC估计。
优选的,在上述的电动汽车动力电池SOC估计方法中,所述关联特征包 括电池电流Ik、电池总电压Vk、电池包最低温度Tmink、电池包最高温度Tmaxk。
优选的,在上述的电动汽车动力电池SOC估计方法中,深度神经网络模型采用BLSTM-RNN神经网络。
优选的,在上述的电动汽车动力电池SOC估计方法中,步骤s2中,采用 Tanh函数作为激活函数:
优选的,在上述的电动汽车动力电池SOC估计方法中,步骤s2中,全连接层将隐藏层的状态hk线性映射成SOC估计值SOCk:
SOCk=νouthk+bk
其中,vout是全连接层的权值矩阵,bk是偏移量。
优选的,在上述的电动汽车动力电池SOC估计方法中,步骤s2中,回归模型的训练样本集k=1,...,N,其中,为已有的SOC真实值,作为训练样本的标签。
优选的,在上述的电动汽车动力电池SOC估计方法中,步骤s2中,将训练样本集输入到BLSTM-RNN神经网络中,采用梯度下降法对网络参数进行学习,当损失函数值小于给定阈值时,停止训练。
优选的,在上述的电动汽车动力电池SOC估计方法中,步骤s3中,自 BMS中提取实时的关联特征,并输入训练好的BLSTM-RNN神经网络,得到实时的SOC估计结果。
与现有技术相比,本发明的优点至少包括:
本发明SOC估计方法,利用BMS历史数据,提取出与SOC相关的状态量,构建基于双向长短期记忆网络的深度神经网络,对该模型进行训练,得到训练好的离线SOC估计模型;在线阶段,以BMS系统的实时数据为输入,构造状态量,输入SOC估计模型,得到SOC的实时估计结果。这一方法从数据出发,避免了对各类SOC估计的近似模型的依赖,同时,与其他数据驱动方法相比,更适合于处理大量BMS样本数据,可获得更高的估计精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明具体实施例中SOC估计方法的原理方框图;
图2所示为本发明具体实施例中BLSTM-RNN模型结构;
图3所示为本发明具体实施例中LSTM单元结构;
图4所示为本发明具体实施例中基于BLSTM神经网络的SOC估计算法流程图。
具体实施方式
在以下描述中,出于解释目的,阐明具体细节以便提供对本发明的理解。然而,将对本领域的技术人员显而易见的是,可在没有这些细节的情况下实践本发明。此外,本领域的技术人员将认识到,下文描述的本发明的实施方式可以以各种方式(例如过程、装置、系统、设备或方法)在非瞬时计算机可读介质上实施。
附图中示出的组件或是模块是本发明实施方式的示例性说明,并且意图避免使本发明不清楚。还应理解,在本论述的全文中,组件可描述为单独的功能单元(可包括子单元),但是本领域的技术人员将认识到,各种组件或其部分可划分成单独组件,或者可整合在一起(包括整合在单个的系统或组件内)。应当关注,本文论述的功能或操作可实施为组件。组件可以以软件、硬件、或它们的组合实施。
此外,附图内的组件或系统之间的连接并不旨在限于直接连接。相反,在这些组件之间的数据可由中间组件修改、重格式化、或以其他方式改变。另外,可以使用另外或更少的连接。还应关注,术语“联接”、“连接”、或“通信地联接”应理解为包括直接连接、通过一个或多个中间设备来进行的间接连接、和无线连接。
在本说明书中对“一个实施方式”、“优选实施方式”、“实施方式”、“多个实施方式”的提及表示结合实施方式所描述的具体特征、结构、特性或功能包括在本发明的至少一个实施方式中。另外,在本说明书的各个地方出现以上所提到的短语并不一定全都是指相同的实施方式或多个相同实施方式。
在本说明书的各个地方使用某些术语目的在于说明,并且不应被理解为限制。服务、功能或资源并不限于单个服务、单个功能或单个资源;这些术语的使用可指代相关服务、功能或资源的可分布或聚合的分组。术语“包括”、“包括有”、“包含”、“包含有”应理解为开放性的术语,并且其后任何列出内容都是实例,而不旨在限于所列项目。术语“图像”应理解为包括静态图像或视频图像。本文所使用的任何标题仅是为了组织目的,并且不应被用于限制说明书或权利要求的范围。本专利文献中提到的每个参考文献以其全文通过引用并入本文。
此外,本领域的技术人员应认识到,(1)某些步骤可以可选地执行;(2)步骤可不限于本文所阐述的特定次序;(3)某些步骤可以以不同次序执行;以及 (4)某些步骤可同时地进行。
本实施例以准确实时估计锂电池SOC为目标,将人工智能技术与电化学机理相结合,提出一套完整的基于实时和历史BMS数据的实时SOC估计技术方案,提高整车能量管理能力。
结合图1所示,本实施例以BMS系统中监测到的各种信号为输入,通过与SOC相关的特征分析与提取,建立基于数据驱动的估计模型来在线实时估计动力电池的SOC,实现基于BMS历史和实时监控数据的动力电池准确SOC 估计。
SOC可以表示为温度和充放电电流、电压的非线性函数,如何准确挖掘和表达这种非线性关系是进行SOC估计的关键。本实施例采用深度学习来对电动汽车运行和充电状态中每一时刻的SOC进行估计。具体步骤包括:
1)从BMS系统中提取可以表征SOC的关联特征;
2)构建深度神经网络模型;
3)深度神经网络的参数训练;
4)基于训练好的深度神经网络的在线SOC估计。
一、关联特征提取
本实施例结合电池电化学原理和相关性分析,从BMS系统提供的数据源中提取与SOC关联最强的特征向量。依据国标BMS系统提供的数据类型如表1所示。
表1 BMS系统数据结构
经过数据相关性分析和电化学机理分析,得出高压电池电流Ik、电池总电压Vk、电池包最高温度Tk、显示电池容量Sk构成每个时刻电池状态的特征向量。
二、构建深度神经网络模型
神经网络模型采用BLSTM-RNN(双向长短时记忆网络与条件随机场相结合)。在其他实施例中,也可以采用其他深度神经网络模型。
图2所示为BLSTM-RNN模型结构,图3所示为LSTM单元结构。
关于代价函数与隐藏单元,本实施例采用极大似然估计来训练模型,损失函数的定义如公式(1)所示。
隐藏单元是在神经网络内部对训练集当中输入的数据进行各种线性和非线性的变换,可以描述为接受输入向量X,计算仿射变换z=WTX+b,然后对向量z中的每一个值输入非线性函数g(z),获取最终隐藏单元的输出。本实施例采用Tanh函数作为激活函数。
Tanh函数作为激活函数时,具体的形式如公式(2)所示:
在上述的结构中,第一层的输出由下式给出:
h(1)=g(1)(W(1)TX+b(1)) (3)
第二层由
h(2)=g(2)(W(2)Th(1)+b(2)) (4)
其中a表示汇集计算的值,b表示经过激活函数计算的值,w是不同神经元之间连接的参数,带下标k的是输出层,带下标h的是隐藏层相关的内容,L则是模型当中最后使用的损失函数。
关于反向传播(Backward Pass),公式(9)中括号里包含两个部分,第一项是当前时间输出层传回的残差,第二项是下一时间隐藏层传回的残差。
关于全连接层,将隐藏层的状态hk线性映射成SOC估计值SOCk,计算公式如下:
SOCk=νouthk+bk (12)
其中,νout是全连接层的权值矩阵,bk是偏移量。
三、BLSTM-RNN训练
1)样本集构造
回归模型的训练样本集k=1,...,N,其中,为已有的SOC真实值,作为训练样本的标签。
2)回归模型训练
将训练样本集输入到搭建好的BLSTM-RNN网络中,设定训练步长度、衰减率等参数,采用梯度下降法对网络参数进行学习,当损失函数值小于给定阈值时,停止训练。
四、SOC估计
提取当前待估计SOC的汽车BMS系统中当前时刻之前的数据,构造测试样本,将任意时刻k的(Ik,Vk,Tmaxk,Tmink)输入训练好的BLSTM-RNN网络,得到k时刻的SOC估计值SOCk。算法的整体流程如图4所示。
综上所述,本发明首次提出了基于深度学习的电动汽车动力电池在线 SOC估计方法,利用BMS历史数据,提取出与SOC相关的状态量,构建基于双向长短期记忆网络的深度神经网络,对该模型进行训练,得到训练好的离线SOC估计模型;在线阶段,以BMS系统的实时数据为输入,构造状态量,输入SOC估计模型,得到SOC的实时估计结果。这一方法从数据出发,避免了对各类SOC估计的近似模型的依赖,同时,与其他数据驱动方法相比,更适合于处理大量BMS样本数据,可获得更高的估计精度。
本发明的实施方式可以利用用于一个或多个处理器或处理单元以使步骤执行的指令在一个或多个非暂态计算机可读介质上编码。应注意,一个或多个非暂态计算机可读介质应当包括易失性存储器和非易失性存储器。应注意,替代实现方式是可能的,其包括硬件实现方式或软件/硬件实现方式。硬件实施的功能可使用ASIC、可编程的阵列、数字信号处理电路等来实现。因此,任何权利要求中的术语“手段”旨在涵盖软件实现方式和硬件实现方式两者。类似地,如本文使用的术语“计算机可读媒介或介质”包括具有实施在其上的指令程序的软件和/或硬件或它们的组合。利用所构想的这些替代实现方式,应当理解,附图以及随附描述提供本领域的技术人员编写程序代码(即,软件) 和/或制造电路(即,硬件)以执行所需处理所要求的功能信息。
应当注意,本发明的实施方式还可涉及具有其上具有用于执行各种计算机实施的操作的计算机代码的非暂态有形计算机可读介质的计算机产品。介质和计算机代码可为出于本发明的目的而专门设计和构造的介质和计算机代码,或者它们可为相关领域中的技术人员已知或可用的。有形计算机可读介质的示例包括但不限于:诸如硬盘、软盘和磁带的磁性介质;诸如CD-ROM 和全息设备的光学介质;磁光介质;以及专门配置成存储或存储并执行程序代码的硬件设备,例如,专用集成电路(ASIC)、可编程逻辑器件(PLD)、闪存设备、以及ROM和RAM设备。计算机代码的示例包括机器代码(例如,编译器产生的代码)以及包含可由计算机使用解释器来执行的更高级代码的文件。本发明的实施方式可整体地或部分地实施为可在由处理设备执行的程序模块中的机器可执行指令。程序模块的示例包括库、程序、例程、对象、组件和数据结构。在分布的计算环境中,程序模块可物理上定位在本地、远程或两者的设定中。
本领域的技术人员将认识到,计算系统或编程语言对本发明的实践来说均不重要。本领域的技术人员将还将认识到,多个上述元件可物理地和/或在功能上划分成子模块或组合在一起。
将理解,前文的示例、实施方式和实验是示例性的,并且出于清楚和理解的目的,而不限制本发明的范围。旨在说明的是,在本领域的技术人员阅读本说明书并研究附图后将对本领域的技术人员显而易见的本发明的所有替代、置换、增强、等同、组合或改进包括在本发明的范围内。因此,旨在说明的是,权利要求书包括落在本发明的真实精神和范围内的所有此类替代、置换、增强、等同、组合或改进,除非随附权利要求书以其语言来另外明确说明。应注意,随附权利要求书的元素可不同地布置,包括具有多个从属、配置和组合。例如,在实施方式中,各权利要求的主题可与其他权利要求组合。
Claims (8)
1.一种电动汽车动力电池SOC估计方法,其特征在于,包括
s1、自BMS中提取可以表征SOC的关联特征;
s2、利用关联特征训练深度神经网络模型;
s3、基于训练后的深度神经网络模型在线SOC估计。
2.根据权利要求1所述的电动汽车动力电池SOC估计方法,其特征在于,所述关联特征包括电池电流Ik、电池总电压Vk、电池包最低温度Tmink、电池包最高温度Tmaxk。
3.根据权利要求2所述的电动汽车动力电池SOC估计方法,其特征在于,深度神经网络模型采用BLSTM-RNN神经网络。
4.根据权利要求3所述的电动汽车动力电池SOC估计方法,其特征在于,步骤s2中,采用Tanh函数作为激活函数:
5.根据权利要求3所述的电动汽车动力电池SOC估计方法,其特征在于,步骤s2中,全连接层将隐藏层的状态hk线性映射成SOC估计值SOCk:
SOCk=vouthk+bk
其中,vout是全连接层的权值矩阵,bk是偏移量。
6.根据权利要求3所述的电动汽车动力电池SOC估计方法,其特征在于,步骤s2中,回归模型的训练样本集k=1,…,N,其中,为已有的SOC真实值,作为训练样本的标签。
7.根据权利要求3所述的电动汽车动力电池SOC估计方法,其特征在于,步骤s2中,将训练样本集输入到BLSTM-RNN神经网络中,采用梯度下降法对网络参数进行学习,当损失函数值小于给定阈值时,停止训练。
8.根据权利要求3所述的电动汽车动力电池SOC估计方法,其特征在于,步骤s3中,自BMS中提取实时的关联特征,并输入训练好的BLSTM-RNN神经网络,得到实时的SOC估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323530.2A CN110412470B (zh) | 2019-04-22 | 2019-04-22 | 电动汽车动力电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323530.2A CN110412470B (zh) | 2019-04-22 | 2019-04-22 | 电动汽车动力电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412470A true CN110412470A (zh) | 2019-11-05 |
CN110412470B CN110412470B (zh) | 2021-09-21 |
Family
ID=68357624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323530.2A Active CN110412470B (zh) | 2019-04-22 | 2019-04-22 | 电动汽车动力电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412470B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523226A (zh) * | 2020-04-21 | 2020-08-11 | 南京工程学院 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
CN112415400A (zh) * | 2020-10-21 | 2021-02-26 | 欣旺达电子股份有限公司 | 电池容量估计方法及系统 |
CN112415408A (zh) * | 2020-11-10 | 2021-02-26 | 南昌济铃新能源科技有限责任公司 | 一种动力电池soc估算方法 |
CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电芯一致性的评估方法、装置及服务器 |
CN113673176A (zh) * | 2021-10-22 | 2021-11-19 | 杭州宇谷科技有限公司 | 基于Transformer的深度学习电池荷电状态预估系统及方法 |
CN113743661A (zh) * | 2021-08-30 | 2021-12-03 | 西安交通大学 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016059126A1 (en) * | 2014-10-17 | 2016-04-21 | Jaguar Land Rover Limited | Battery condition monitoring |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
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 |
US20180086222A1 (en) * | 2016-09-23 | 2018-03-29 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN107992937A (zh) * | 2016-10-26 | 2018-05-04 | 北京大学深圳研究生院 | 基于深度学习的非结构化数据判决方法和装置 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108932500A (zh) * | 2018-07-09 | 2018-12-04 | 广州智能装备研究院有限公司 | 一种基于深度神经网络的动态手势识别方法及系统 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
-
2019
- 2019-04-22 CN CN201910323530.2A patent/CN110412470B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016059126A1 (en) * | 2014-10-17 | 2016-04-21 | Jaguar Land Rover Limited | Battery condition monitoring |
US20180086222A1 (en) * | 2016-09-23 | 2018-03-29 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
CN107992937A (zh) * | 2016-10-26 | 2018-05-04 | 北京大学深圳研究生院 | 基于深度学习的非结构化数据判决方法和装置 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
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 |
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108932500A (zh) * | 2018-07-09 | 2018-12-04 | 广州智能装备研究院有限公司 | 一种基于深度神经网络的动态手势识别方法及系统 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
Non-Patent Citations (4)
Title |
---|
NIPHAT JANTHARAMIN: "Battery Modeling Based on Artificial Neural Network for Battery Control and Management", 《 2018 21ST INTERNATIONAL CONFERENCE ON ELECTRICAL MACHINES AND SYSTEMS (ICEMS)》 * |
SHUXIANG SONG等: "State-of-charge (SOC) estimation using T-S Fuzzy Neural Network for Lithium Iron Phosphate Battery", 《2018 26TH INTERNATIONAL CONFERENCE ON SYSTEMS ENGINEERING (ICSENG)》 * |
曾求勇等: "电动汽车动力电池荷电状态估计方法探讨", 《电测与仪表》 * |
陈息坤等: "锂离子电池建模及其荷电状态鲁棒估计", 《电工技术学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523226A (zh) * | 2020-04-21 | 2020-08-11 | 南京工程学院 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
CN112415400A (zh) * | 2020-10-21 | 2021-02-26 | 欣旺达电子股份有限公司 | 电池容量估计方法及系统 |
CN112415400B (zh) * | 2020-10-21 | 2023-09-12 | 欣旺达电动汽车电池有限公司 | 电池容量估计方法及系统 |
CN112415408A (zh) * | 2020-11-10 | 2021-02-26 | 南昌济铃新能源科技有限责任公司 | 一种动力电池soc估算方法 |
CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电芯一致性的评估方法、装置及服务器 |
CN113743661A (zh) * | 2021-08-30 | 2021-12-03 | 西安交通大学 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
CN113673176A (zh) * | 2021-10-22 | 2021-11-19 | 杭州宇谷科技有限公司 | 基于Transformer的深度学习电池荷电状态预估系统及方法 |
CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
CN113884905B (zh) * | 2021-11-02 | 2022-06-14 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110412470B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412470A (zh) | 电动汽车动力电池soc估计方法 | |
Yang et al. | State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network | |
Liu et al. | Towards long lifetime battery: AI-based manufacturing and management | |
Wang et al. | A critical review of improved deep learning methods for the remaining useful life prediction of lithium-ion batteries | |
Vidal et al. | Machine learning applied to electrified vehicle battery state of charge and state of health estimation: State-of-the-art | |
Hong et al. | Online accurate state of health estimation for battery systems on real-world electric vehicles with variable driving conditions considered | |
Huang et al. | Convolutional gated recurrent unit–recurrent neural network for state-of-charge estimation of lithium-ion batteries | |
Li et al. | A hybrid machine learning framework for joint SOC and SOH estimation of lithium-ion batteries assisted with fiber sensor measurements | |
Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
Liu et al. | An extended Kalman filter based data-driven method for state of charge estimation of Li-ion batteries | |
Kleiner et al. | Real-time core temperature prediction of prismatic automotive lithium-ion battery cells based on artificial neural networks | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
Cao et al. | A deep belief network approach to remaining capacity estimation for lithium-ion batteries based on charging process features | |
Jiang et al. | State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism | |
CN109283469A (zh) | 电池管理系统故障预测方法、装置及可读存储介质 | |
Wang et al. | A comprehensive working state monitoring method for power battery packs considering state of balance and aging correction | |
CN110146817A (zh) | 锂电池故障的诊断方法 | |
CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN103399280A (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Fei et al. | Early-stage lifetime prediction for lithium-ion batteries: A deep learning framework jointly considering machine-learned and handcrafted data features | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Zhou et al. | Remaining useful life prediction with probability distribution for lithium-ion batteries based on edge and cloud collaborative computation |
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 |