CN110687460A - 一种soc预估方法 - Google Patents

一种soc预估方法 Download PDF

Info

Publication number
CN110687460A
CN110687460A CN201910966434.XA CN201910966434A CN110687460A CN 110687460 A CN110687460 A CN 110687460A CN 201910966434 A CN201910966434 A CN 201910966434A CN 110687460 A CN110687460 A CN 110687460A
Authority
CN
China
Prior art keywords
battery
soc
lstm
estimation method
socn
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
Application number
CN201910966434.XA
Other languages
English (en)
Other versions
CN110687460B (zh
Inventor
杨文伟
许霞
李宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Industrial Utechnology Research Institute
Original Assignee
Shanghai Industrial Utechnology Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Industrial Utechnology Research Institute filed Critical Shanghai Industrial Utechnology Research Institute
Priority to CN201910966434.XA priority Critical patent/CN110687460B/zh
Publication of CN110687460A publication Critical patent/CN110687460A/zh
Application granted granted Critical
Publication of CN110687460B publication Critical patent/CN110687460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种soc预估方法，包括步骤100：收集电池历史参数；步骤200：向LSTM输入所述电池历史参数；步骤300：所述LSTM输出预估SOC；其特征在于，所述电池历史参数包括，充电次数F，是每次电池耗尽、再次充电唤醒计数一次；所述充电次数F对应的满电SOC；所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；所述电池用时ΔT内的开路电压U和/或电流I。利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域，如新能源汽车、车联网、物联网等领域。

Description

一种soc预估方法
技术领域
本发明涉及总宽带一种soc预估方法，尤其涉及一种适用各种储能电池的SOC预估方法。
背景技术
当下原油价格上涨和全球环境问题引导新型电池储能系统快速发展。铅酸电池，镍氢电池，镍镉电池和锂离子电池等是目前工业上最常使用的几种电池。电池具有工作电池电压高，污染小，自放电率低，功率密度高的优点。电池由于其便携性，广泛应用于纯电动汽车或者混合动力电动汽车。
估计SOC(STATE OF CHARGE)电能是使用电池的基本要求，SOC是控制策略非常重要的参数，因而准确估计SOC不仅可以保护电池，防止过放电，提高电池寿命，还可以使应用制定合理的控制策略以节省能源。然而，电池是化学能存储源，没有手段可直接获得这种化学能的能量值，并且电池模型是有限的并且存在参数的不确定性，导致准确估计SOC非常复杂并且难以实施。现有SOC预估技术主要有(i)直接测量：该方法使用物理电池特性，例如电池的电压和阻抗。(ii)簿记估算：该方法使用放电电流作为输入，并将放电电流随时间积分以计算SOC。(iii)自适应系统：自适应系统是自我设计的，可以根据不同的放电条件自动调整SOC，现有技术中已有多种SOC估计的自适应系统。(iv)混合方法：混合模型综合上述三种SOC估算方法，各取其优点。
但是，由于各种储能电池的化学能特性并不一致，如锂电池铅酸电池的SOC与其开路电压(OCV，OPEN CIRCUIT VOLTAGE)之间近似线性关系，而锂电池的SOC与OCV之间并非线性关系，导致上述各种估算方法需要时时调整，耗时耗力，且现有SOC估算技术中没有考虑电池使用次数以及其他因素对SOC估算的影响，造成估算方法结构性缺陷。
发明内容
本发明提供一种soc预估方法，将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY)，利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力且估算精确的有益效果。
本发明提供一种soc预估方法，包括：步骤100：收集电池历史参数；步骤200：向LSTM输入所述电池历史参数；步骤300：所述LSTM输出预估SOC；其特征在于，所述电池历史参数包括，充电次数F，是每次电池耗尽、再次充电唤醒计数一次；所述充电次数F对应的满电SOC；所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；所述电池用时ΔT内的开路电压U和/或电流I。
优选地，所述预估SOC由以下公式之一得出，
Figure BDA0002230644050000021
Figure BDA0002230644050000022
Figure BDA0002230644050000023
Figure BDA0002230644050000024
其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，
K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U
或电流I的关系。
优选地，步骤100中包括，所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
优选地，所述电池用时ΔT与负载运作记录模块相关联。
优选地，所述电池历史参数还包括非运作参数，所述非运作参数是指负载未运作功能时，电池参数发生的变化。
优选地，所述非运作参数包括电池耗时ΔT’，以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
优选地，所述非运作参数输出非运作损耗ΔSOC’。
本发明还提供一种soc预估装置，包括历史数据收集模块、LSTM模块和显示模块，其特征在于，所述历史数据收集模块包括：充电次数F收集模块，以记录电池充电次数F，所述充电次数F是每次电池耗尽、再次充电唤醒计数一次；满电SOC收集模块，以记录满电SOC，所述充电次数F与所述满电SOC对应；电池用时ΔT收集模块，以记录电池用时ΔT，所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；开路电压U收集模块和/或电流I收集模块，以记录所述电池用时ΔT内的开路电压U和/或电流I。
优选地，所述充电次数F收集模块为计数电路，所述计数电路记录所述充电次数F。
优选地，所述电池用时ΔT收集模块为计时电路，所述计时电路记录所述电池用时ΔT。
优选地，所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
优选地，所述满电SOC由所述电池用时ΔT与所述电压U计算得出。
优选地，所述历史数据收集模块还收集非运作参数，所述非运作参数是指负载未运作功能时、电池参数发生的变化。
优选地，所述历史数据收集模块与负载运作记录模块相关联。
优选地，在所述开路电压U收集模块记录活跃或所述电流I收集模块记录活跃时、所述负载运作记录模块记录不活跃状态时，所述电池用时ΔT收集模块还记录电池耗时ΔT’；
在所述电池耗时ΔT’内，
所述开路电压U收集模块记录所述电压变化ΔU’，和/或
所述电流I收集模块记录所述电流变化ΔI’。
优选地，所述满电SOC收集模块收集所述电压变化ΔU’和/或所述电流变化ΔI’、所述电池耗时ΔT’，计算得出非运作损耗ΔSOC’。
优选地，所述负载运作记录模块是车辆里程记录模块。
本发明提供一种soc预估方法，将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY)，利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域，如新能源汽车、车联网、物联网等领域。
附图说明
附图1是本发明SOC预估方法的示意图；
附图2是本发明SOC预估装置示意图；
附图3是本发明SOC预估方法的流程图。
具体实施方式
下面结合附图对本发明提供的soc预估方法的具体实施方式做详细说明。
在附图中，为了描述方便，层和区域的尺寸比例并非实际比例。当层(或膜)被称为在另一层或衬底“上”时，它可以直接在另一层或衬底上，或者也可以存在中间层。此外，当一层被称为在另一层“下”时，它可以直接在下面，并且也可以存在一个或多个中间层。另外，当层被称为在两个层之间时，它可以是两个层之间的唯一层，或者也可以存在一个或多个中间层。相同的附图标记始终表示相同的元件。另外，当两个部件之间称为“连接”时，包括物理连接，除非说明书明确限定，此种物理连接包括但不限于电连接、接触连接、无线信号连接。
便携电池广泛应用于新能源汽车、车联网和物联网等领域，在使用中，基于满电SOC的电池使用策略尤为重要，满电SOC是指电池耗尽、再次充电达到一次满电状态的电量，而如何估算下一次满电SOC(预估SOCi+1)的电量成为制定电池使用策略的重要依据。
本发明提供一种soc预估方法，如图1所示，包括步骤：
步骤100：收集电池历史参数；
步骤200：向LSTM输入所述电池历史参数；
步骤300：所述LSTM输出预估SOC；
自适应系统包括反向传播(BP)神经网络，径向基函数(RBF)神经网络，模糊逻辑方法，支持向量机，模糊神经网络，以及卡尔曼，他们可以在不断变化的系统中自动调整。由于电池受到许多化学因素的影响并且具有非线性SOC，自适应系统为SOC估计提供了良好的解决方案。而作为自适应系统的集大成者长短期记忆模型LSTM(LONG AND SHORT TERMMEMORY)神经网络，具有良好的非线性映射，自组织、自学习能力以及时间递归性，应用于复杂SOC估算可以确定SOC估算中各参数存在的联系及问题，其中输入和目标之间的关系是非线性的，基于LSTM神经网络使用电池各参数预测SOC。因而利用LSTM时间递归神经网络，具有精确估算SOC、省时省力、且估算精确的有益效果。
所述电池历史参数包括充电次数F，是每次电池耗尽、再次充电唤醒计数一次，众所周知，随着电池充电次数以及使用时间正常，电池内的储能化学物质会发生物理性能方面的变化，soc估算技术中未见考虑充电次数的预估方法，造成预估结果的结构性缺陷，本发明将充电次数F纳入soc估算中，避免预估方法结构性缺陷，具有精确估算SOC的技术效果。
所述电池历史参数还包括所述充电次数F对应的满电SOC；
所述电池历史参数还包括所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；
所述电池历史参数还包括所述电池用时ΔT内的开路电压U和/或电流I。
在本实施例中，如图1所示LSTM中有g个神经元，分别与上述各电池历史参数关联，输入层为上述各电池历史参数，输出层为预估SOCi+1。
在本实施例中，所述预估SOC由以下公式(1)得出，
Figure BDA0002230644050000061
其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
在本实施例中，所述预估SOC还可以由以下公式(2)得出，
其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，
K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
对于公式(1)(2)而言，随着电池充电次数的增多，充电次数F成为影响满电SOC的最主要因素，因而采取充电次数F与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1；f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系，根据现有电池维护及储能材料更换可能性而已，结合数据而言，电池理化性能的损耗是一个不可逆的过程，即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g，K是LSTM所遴选中的最符合估算预估SOCi+1的因子开路电压U或电流I之间与各神经元的权重W之间的函数关系，将共同决定预估SOCi+1大小的浮动。其中公式(1)中最符合估算预估SOCi+1的因子是开路电压U，公式(2)中最符合估算预估SOCi+1的因子电流I。
在另一个实施例中，所述预估SOC由以下公式(3)得出，
Figure BDA0002230644050000063
其中f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
在另一个实施例中，所述预估SOC还可以由以下公式(4)得出，
Figure BDA0002230644050000071
其中f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
对于公式(3)(4)而言，随着电池充电次数的增多，电池用时ΔT成为影响满电SOC的最主要因素，因而电池用时ΔT与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1；f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系，根据现有电池维护及储能材料更换可能性而已，结合数据而言，电池理化性能的损耗是一个不可逆的过程，即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g，K是LSTM所遴选中的最符合估算预估SOCi+1的因子开路电压U或电流I之间与各神经元的权重W纸件的函数关系，将共同决定预估SOCi+1大小的浮动。其中公式(3)中最符合估算预估SOCi+1的因子是开路电压U，公式(4)中最符合估算预估SOCi+1的因子电流I。
需要说明的是，预估SOCi+1可以由上述公式(1)(2)(3)或(4)中的一个单独估算，或由公式(1)(2)(3)(4)中的至少两个共同估算，发明人在此不做限制。
在本实施例中，步骤100中包括，所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
在其他实施例中，尤其是新能源汽车领域，所述电池用时ΔT与负载运作记录模块相关联。
在新能源汽车领域，所述电池历史参数还包括非运作参数，所述非运作参数是指负载未运作功能时，电池参数发生的变化。即在车辆未处于运行中时，电池非正常漏电中，电池参数的变化。
优选地，所述非运作参数包括电池耗时ΔT’，以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
由此，由电池耗时ΔT’，以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’，所述非运作参数输出非运作损耗ΔSOC’。
如图2所示，本发明还提供一种soc预估装置，包括历史数据收集模块、LSTM模块20和显示模块30。
所述历史数据收集模块包括充电次数F收集模块11，以记录电池充电次数F，所述充电次数F是每次电池耗尽、再次充电唤醒计数一次，众所周知，随着电池充电次数以及使用时间正常，电池内的储能化学物质会发生物理性能方面的变化，soc估算技术中未见考虑充电次数的预估方法，造成预估结果的结构性缺陷，本发明将充电次数F纳入soc估算中，避免预估方法结构性缺陷，具有精确估算SOC的技术效果。
所述历史数据收集模块还包括满电SOC收集模块12，以记录满电SOC，所述充电次数F与所述满电SOC对应。
所述历史数据收集模块还包括电池用时ΔT收集模块13，以记录电池用时ΔT，所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间。
所述历史数据收集模块还包括开路电压U收集模块14和/或电流I收集模块14，以记录所述电池用时ΔT内的开路电压U和/或电流I。
在本实施例中，所述充电次数F收集模块11为计数电路，所述计数电路记录所述充电次数F。
在本实施例中，所述电池用时ΔT收集模块13为计时电路，所述计时电路记录所述电池用时ΔT。
在本实施例中，所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
在另外一个实施例中，所述满电SOC由所述电池用时ΔT与所述电压U计算得出。
在其他实施例中，尤其是新能源汽车领域，所述历史数据收集模块还收集非运作参数，所述非运作参数是指负载未运作功能时、电池参数发生的变化。
优选地，所述历史数据收集模块与负载运作记录模块相关联。
优选地，在所述开路电压U收集模块14记录活跃或所述电流I收集模块14记录活跃时、所述负载运作记录模块记录不活跃状态时，所述电池用时ΔT收集模块还记录电池耗时ΔT’；
优选地，在所述电池耗时ΔT’内，所述开路电压U收集模块14还记录所述电压变化ΔU’，和/或所述电流I收集模块14记录所述电流变化ΔI’。
优选地，所述满电SOC收集模块收集所述电压变化ΔU’和/或所述电流变化ΔI’、所述电池耗时ΔT’，计算得出非运作损耗ΔSOC’。
优选地，所述负载运作记录模块是车辆里程记录模块。
本发明提供一种soc预估方法，将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY)，利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域，如新能源汽车、车联网、物联网等领域。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种soc预估方法，包括：
步骤100：收集电池历史参数；
步骤200：向LSTM输入所述电池历史参数；
步骤300：所述LSTM输出预估SOC；
其特征在于，所述电池历史参数包括，
充电次数F，是每次电池耗尽、再次充电唤醒计数一次；
所述充电次数F对应的满电SOC；
所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次
所述满电SOC后、电池运作至所述满电SOC耗尽的时间；
所述电池用时ΔT内的开路电压U和/或电流I。
2.根据权利要求1所述的soc预估方法，其特征在于，所述预估SOC由以下公式得出，
Figure FDA0002230644040000011
其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
3.根据权利要求1所述的soc预估方法，其特征在于，所述预估SOC由以下公式得出，
Figure FDA0002230644040000012
其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
4.根据权利要求1所述的soc预估方法，其特征在于，所述预估SOC由以下公式得出，
Figure FDA0002230644040000021
其中f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
5.根据权利要求1所述的soc预估方法，其特征在于，所述预估SOC由以下公式得出，
Figure FDA0002230644040000022
其中f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
6.根据权利要求1所述的soc预估方法，其特征在于，步骤100中包括，所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
7.根据权利要求1所述的soc预估方法，其特征在于，所述电池用时ΔT与负载运作记录模块相关联。
8.根据权利要求1所述的soc预估方法，其特征在于，所述电池历史参数还包括非运作参数，所述非运作参数是指负载未运作功能时，电池相关参数发生的变化。
9.根据权利要求9所述的soc预估方法，其特征在于，所述非运作参数包括电池耗时ΔT’，以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
10.根据权利要求10所述的soc预估方法，其特征在于，所述非运作参数输出非运作损耗ΔSOC’。
CN201910966434.XA 2019-10-12 2019-10-12 一种soc预估方法 Active CN110687460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910966434.XA CN110687460B (zh) 2019-10-12 2019-10-12 一种soc预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910966434.XA CN110687460B (zh) 2019-10-12 2019-10-12 一种soc预估方法

Publications (2)

Publication Number Publication Date
CN110687460A true CN110687460A (zh) 2020-01-14
CN110687460B CN110687460B (zh) 2023-02-24

Family

ID=69112544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910966434.XA Active CN110687460B (zh) 2019-10-12 2019-10-12 一种soc预估方法

Country Status (1)

Country Link
CN (1) CN110687460B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426957A (zh) * 2020-05-19 2020-07-17 华南理工大学 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN111948563A (zh) * 2020-06-19 2020-11-17 浙江大学 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法
CN112578282A (zh) * 2020-12-02 2021-03-30 重庆峘能电动车科技有限公司 估算电池soc的方法、用电设备以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103010046A (zh) * 2012-12-27 2013-04-03 惠州市亿能电子有限公司 一种动态中估算soc的方法
CN106918787A (zh) * 2017-03-20 2017-07-04 国网重庆市电力公司电力科学研究院 一种电动汽车锂电池剩余电荷估算方法及装置
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103010046A (zh) * 2012-12-27 2013-04-03 惠州市亿能电子有限公司 一种动态中估算soc的方法
CN106918787A (zh) * 2017-03-20 2017-07-04 国网重庆市电力公司电力科学研究院 一种电动汽车锂电池剩余电荷估算方法及装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈德海等: ""优化安时积分法实时预测电动自行车电池SOC"", 《电池》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426957A (zh) * 2020-05-19 2020-07-17 华南理工大学 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN111948563A (zh) * 2020-06-19 2020-11-17 浙江大学 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法
CN112578282A (zh) * 2020-12-02 2021-03-30 重庆峘能电动车科技有限公司 估算电池soc的方法、用电设备以及存储介质

Also Published As

Publication number Publication date
CN110687460B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
KR101903225B1 (ko) 이차 전지의 퇴화도 추정 장치 및 방법
US10345385B2 (en) Battery state estimation systems and methods using a nonlinear resistance element
KR102200550B1 (ko) 이차 전지의 충전 상태를 추정하기 위한 장치
CN110542866B (zh) 一种预估电池剩余电量参数的方法
He et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles
Shahriari et al. Online state-of-health estimation of VRLA batteries using state of charge
Xiong et al. A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter
US11105861B2 (en) Device and method for estimating battery resistance
EP3056918B1 (en) Apparatus for estimating state of hybrid secondary battery and method therefor
KR101419130B1 (ko) 배터리 관리 시스템 및 배터리 관리 방법
CN110687460B (zh) 一种soc预估方法
KR101500547B1 (ko) 배터리 셀의 충전량 밸런싱 장치 및 방법
KR101837453B1 (ko) 2차 전지의 잔존용량 연산 방법 및 장치
Chaoui et al. Adaptive state of charge estimation of lithium-ion batteries with parameter and thermal uncertainties
US20220176845A1 (en) Battery management system, battery pack, electric vehicle, and battery management method
CN113557439A (zh) 用于估计电池的健康状态的方法
JP2020153881A (ja) 充電可能電池劣化推定装置および充電可能電池劣化推定方法
CN111426960A (zh) 储能锂电池荷电状态监控方法与装置
Jossen et al. Battery management systems (BMS) for increasing battery life time
CN110687459B (zh) 一种soc预估方法
Nyamathulla et al. A review of battery energy storage systems and advanced battery management system for different applications: Challenges and recommendations
CN110579710A (zh) 一种soc预估装置
CN110618385A (zh) 一种soc预估装置
JP7168336B2 (ja) 二次電池制御装置
Han et al. State of Charge estimation of Li-ion battery in EVs based on second-order sliding mode observer

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