CN111308364A - 一种锂离子电池荷电状态估计方法及装置 - Google Patents

一种锂离子电池荷电状态估计方法及装置 Download PDF

Info

Publication number
CN111308364A
CN111308364A CN202010124674.8A CN202010124674A CN111308364A CN 111308364 A CN111308364 A CN 111308364A CN 202010124674 A CN202010124674 A CN 202010124674A CN 111308364 A CN111308364 A CN 111308364A
Authority
CN
China
Prior art keywords
lithium ion
ion battery
stage
moment
charge
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
Application number
CN202010124674.8A
Other languages
English (en)
Inventor
蒋富
杨佳俊
刘伟荣
李恒
张晓勇
彭军
黄志武
杨迎泽
刘勇杰
武悦
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202010124674.8A priority Critical patent/CN111308364A/zh
Publication of CN111308364A publication Critical patent/CN111308364A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种锂离子电池荷电状态估计方法及装置，所述方法包括离线训练阶段和在线估计阶段：所述离线训练阶段，基于历史放电电压数据和温度数据提取锂离子电池在各个历史时刻的特征；将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；所述在线估计阶段，基于实时放电电压数据和温度数据提取锂离子电池在当前时刻的特征；将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。本发明基于锂离子电池单体在放电过程中的端电压和温度数据来实现荷电状态估计，相比于现有的荷电状态方法，本发明不仅无需初始荷电状态信息、不存在累积误差，且能适用于在线估计场景。

Description

一种锂离子电池荷电状态估计方法及装置
技术领域
本发明涉及能源领域，尤其涉及一种锂离子电池荷电状态估计方法及装置。
背景技术
在锂离子电池的应用中，准确的荷电状态估计必不可少。荷电状态通常用于表征锂离子电池的剩余容量，其值为剩余容量与额定容量的比值。准确的荷电状态估计有利于优化电池管理系统的控制策略，防止锂离子电池过充过放，延长电池的寿命，提高系统的整体安全性和可靠性。然而，锂离子电池的荷电状态通常无法直接测量。
目前，常用的电池荷电状态估计算法有：安时法和开路电压法。安时法，又称库仑计数法，该方法通过计算电流随时间的积分，累积电池在充电或放电时充入的电量或放出的电量来估计电池的荷电状态。该方法结构简单，易于实施，但缺点也十分明显。其主要缺点之一是，需要初始的荷电状态信息；缺点之二就是，该方法为开环方法，存在累积误差，需要定期校正，以防止产生过大偏差。开路电压法利用锂离子电池开路电压与荷电状态之间的对应关系，直接通过测量电池开路电压进而使用查表等方法直接估计电池的荷电状态。该方法结构简单，但由于开路电压通常需要较长停机时间方可测量，因此不适用于在线估计场景。
因此，有必要设计一种能适用于在线估计场景，且准确高效的锂离子电池荷电状态估计方法及装置。
发明内容
本发明针对现有方法存在的问题，提出了一种锂离子电池荷电状态估计方法及装置，能适用于在线估计场景，且能准确高效地估计锂离子电池荷电状态。
本发明所提供的技术方案为：
一方面，提供一种锂离子电池荷电状态估计方法，包括离线训练阶段和在线估计阶段：
所述离线训练阶段，基于历史放电电压数据和温度数据提取锂离子电池在各个历史时刻的特征；将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计阶段，基于实时放电电压数据和温度数据提取锂离子电池在当前时刻的特征；将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
进一步地，锂离子在任一时刻t的特征包括：该时刻锂离子电池的端电压V(t)、端电压变化率
Figure BDA0002394059290000021
表面温度变化率
Figure BDA0002394059290000022
和所处工作阶段Stage(t)。在整个放电过程中锂电池的电压曲线(放电曲线)可以分为3个阶段，根据t时刻锂离子电池的端电压V(t)和端电压变化率
Figure BDA0002394059290000023
判断该时刻锂离子电池的端电压处于放电曲线上的哪个阶段，即该时刻锂离子电池所处工作阶段。
进一步地，t时刻锂离子电池的端电压变化率
Figure BDA0002394059290000024
表面温度变化率
Figure BDA0002394059290000025
计算方法为：
Figure BDA0002394059290000026
Figure BDA0002394059290000027
其中，T(t)为t时刻锂离子电池的表面温度，△V为锂离子电池端电压变化量，△T为锂离子电池表面温度变化量，△t为时间间隔。
进一步地，t时刻锂离子电池所处工作阶段Stage(t)根据以下阶段划分算法确定：
若t时刻锂离子电池的端电压V(t)>Vd，则该时刻锂离子电池的端电压处于放曲线上的第一个阶段，即该时刻锂离子电池所处工作阶段为Stage1，即Stage(t)＝Stage1；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure BDA0002394059290000028
则该时刻锂离子电池的端电压处于放曲线上的第二个阶段，即该时刻锂离子电池所处工作阶段为Stage2，即Stage(t)＝Stage2；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure BDA0002394059290000029
则该时刻锂离子电池的端电压处于放曲线上的第三个阶段，即该时刻锂离子电池所处工作阶段为Stage3，即Stage(t)＝Stage3；
其中Vd和kc分别为锂离子电池的端电压阈值和端电压变化率阈值，为经验参数。
上述阶段划分算法以固定的参数Vd和kc来进行阶段划分，可将锂离子电池所处工作阶段(工作状态)划分为3个阶段。第一阶段为电池接通负载瞬间，电池内部阻抗造成的瞬间压降，因此端电压下降迅速。第二阶段电压变化率趋近平稳，电压稳定下降；第三阶段电池内部电量接近耗尽，端电压急剧下降。
将锂离子电池的端电压V(t)和端电压变化率
Figure BDA00023940592900000210
数据输入阶段划分算法，求解对应的锂离子电池所处工作阶段。
进一步地，在离线训练阶段，t时刻的锂离子电池荷电状态真实值(参考值)根据电池整个放电过程实际放出的电量并结合安时法逆向求得，计算公式为：
Figure BDA0002394059290000031
其中，i(τ)表示τ时刻的放电电流，
Figure BDA0002394059290000035
表示放电起始时刻(以该次放电过程的起始时刻为0时刻)至t时刻放电电流的积分；Qreleased为整个放电过程放出的电量。
进一步地，所述回归预测模型采用基于XGBoost(Extreme gradient boosting)算法的回归预测模型，表示如下：
Figure BDA0002394059290000033
其中，SoCe(t)是t时刻的锂离子电池荷电状态估计值(预测值)，fk是第k棵回归树，k＝1,2,…,K，K是回归树的棵数。
XGBoost是一种集成学习的方法，通过将特征V、
Figure BDA0002394059290000034
和Stage输入回归树进行训练，以获得足量的训练信息及经验知识。每次训练1棵回归树，将新训练的回归树的结果与前面训练的所有回归树的估计值(预测值)相加，以此不断修正训练结果，达到优化的目的。在计算损失函数时，将SoCr(t)作为t时刻的锂离子电池荷电状态真实值。最终训练得到K棵回归树，通过累加K棵回归树的估计值得到最终的估计值。训练后的回归预测模型可直接用于在线的锂离子电池荷电状态估计。实时采集锂离子电池端电压数据和表面温度数据，计算相应的特征，将计算的特征输入训练完备的回归器，可直接输出电池当前的荷电状态。
另一方面，提供一种锂离子电池荷电状态估计装置，包括：
所述离线训练模块，用于将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计模块，用于将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
进一步地，所述锂离子电池荷电状态估计装置，其特征在于，还包括特征提取模块，用于基于放电电压数据和温度数据提取锂离子电池在各个时刻的特征。
所述装置中各个模块的工作原理参见上述方法中相应步骤的实现过程。
另一方面，提供一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，使得处理器实现如权利要求1至6中任一项所述的方法。
进一步地，所述电子设备还包括电压采集模块和温度采集模块，用于在锂离子电池放电过程中，周期性地采集锂离子电池的端电压数据和表面温度数据。
进一步地，所述温度采集模块包括：
三线制PT100温度传感器子模块，用于采集锂离子电池表面温度数据；
信号转换子模块，用于将三线制PT100温度传感器子模块获取的电阻信号转换为电信号；
数据交换子模块，用于与所述控制模块进行数据交换；
进一步地，所述电压采集模块包括：
信号转换子模块，用于获取外部电压信号传感器获取到的锂离子电池端电压信号。
进一步地，所述电子设备还包括控制模块和通信模块，所述控制模块接收电压采集模块和温度采集模块采集的数据，并将数据经由通信模块传输至处理器(位于上位机中)。
进一步地，所述控制模块包括：
模拟量获取子模块，用于获取所述温度采集模块采集到的锂离子电池表面温度信号和电压采集模块采集到的锂离子电池端电压信号；
滤波处理子模块，用于对所述模拟量获取子模块获取到的信号进行滤波处理；
控制子模块，用于根据上位机设定的采集频率进行数据采集时间间隔进行设置；
输出子模块，用于将采集的温度数据和电压数据输出。
进一步地，所述电子设备还包括与处理器相连的数据采集与监控模块，用于接收和显示通信模块传输的电压数据和温度数据。
进一步地，所述电子设备还包括与处理器相连的存储模块(所述存储器和存储模块可以是同一存储器，也可以是不同的存储器)，用于实时存储接收到的电压数据和温度数据。
进一步地，所述电子设备还包括电源模块，用于为该电子设备中的各个模块提供电源。
另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的方法。
有益效果：
本发明上述技术方案提供的锂离子电池荷电状态估计方法及装置，基于锂离子电池的端电压数据和表面温度数据，经过计算特征值V、
Figure BDA0002394059290000041
及电池所处工作阶段，进而使用回归预测模型估算锂离子的荷电状态。本发明所述技术方案基于锂离子电池单体在放电过程中的端电压和温度数据来实现荷电状态估计方法，相比于现有的荷电状态方法(如安时法和开路电压法)，在未增加过多复杂子设备的前提下，能够实现准确的荷电状态估计。该方法简单高效，无需任何的初始荷电状态信息，不存在累积误差，而且估计精度不受电池老化影响能应用于在线估计场景。此外，该方法训练的回归器在无需进行参数调整或重新训练的情况下，可以直接应用于同类型的其它锂离子电池单体。
附图说明
图1是本发明实施例提供的一种锂离子电池荷电状态估计方法的流程图；
图2是本发明实施例提供的阶段划分方法示意图；
图3是本发明实施例提供的一种电子设备的结构示意图；
具体实施方式
为了方便更好地理解本发明的内容，下面结合具体实施例进行进一步阐述。
实施例1：
本实施例公开了一种锂离子电池荷电状态估计方法，包括离线训练阶段和在线估计阶段：
所述离线训练阶段，基于历史放电电压数据和温度数据提取锂离子电池在各个历史时刻的特征；将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计阶段，基于实时放电电压数据和温度数据提取锂离子电池在当前时刻的特征；将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
实施例2：
本实施例在实施例1的基础上，提取的锂离子在任一时刻t的特征包括：该时刻锂离子电池的端电压V(t)、端电压变化率
Figure BDA0002394059290000051
表面温度变化率
Figure BDA0002394059290000052
和所处工作阶段Stage(t)。
本实施例所述方法的流程如图1所示。
实施例3：
本实施例在实施例2的基础上，t时刻锂离子电池的端电压变化率
Figure BDA0002394059290000053
表面温度变化率
Figure BDA0002394059290000054
计算方法为：
Figure BDA0002394059290000055
Figure BDA0002394059290000056
其中，T(t)为t时刻锂离子电池的表面温度，△t为时间间隔。
实施例4：
本实施例在实施例2的基础上，t时刻锂离子电池所处工作阶段Stage(t)根据以下阶段划分算法确定：
若t时刻锂离子电池的端电压V(t)>Vd，则该时刻锂离子电池所处工作阶段为Stage1，即Stage(t)＝Stage1；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure BDA0002394059290000061
则该时刻锂离子电池所处工作阶段为Stage2，即Stage(t)＝Stage2；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure BDA0002394059290000062
则该时刻锂离子电池所处工作阶段为Stage3，即Stage(t)＝Stage3；
其中Vd和kc分别为锂离子电池的端电压阈值和端电压变化率阈值。
上述阶段划分算法以固定的参数Vd和kc来进行阶段划分，可将锂离子电池所处工作阶段(工作状态)划分为3类。将锂离子电池的端电压V(t)和端电压变化率
Figure BDA0002394059290000063
数据输入阶段划分算法，求解对应的锂离子电池所处工作阶段。
实施例5：
本实施例在实施例1的基础上，在离线训练阶段，t时刻的锂离子电池荷电状态真实值(参考值)根据电池整个放电过程实际放出的电量并结合安时法逆向求得，计算公式为：
Figure BDA0002394059290000064
其中，i(τ)表示τ时刻的放电电流，
Figure BDA0002394059290000065
表示放电起始时刻(以该次放电过程的起始时刻为0时刻)至t时刻放电电流的积分；Qreleased为整个放电过程放出的电量。
实施例6：
本实施例在实施例1的基础上，所述回归预测模型采用基于XGBoost(Extremegradient boosting)算法的回归预测模型，表示如下：
Figure BDA0002394059290000066
其中，SoCe(t)是t时刻的锂离子电池荷电状态估计值(预测值)，fk是第k棵回归树，k＝1,2,…,K，K是回归树的棵数。
上述锂离子电池荷电状态估计方法实施步骤分为离线训练部分与在线估计部分，在离线训练部分，进行锂离子电池的全生命周期循环充放电实验，并采集其端电压数据及表面温度数据，以获取足量的数据信息用于学习。根据锂离子电池的历史放电端电压数据和温度数据进行特征提取(V、
Figure BDA0002394059290000067
和
Figure BDA0002394059290000068
)；将所述特征值V、
Figure BDA00023940592900000612
和
Figure BDA00023940592900000610
数据输入阶段划分算法，求解数据对应离子电池所处工作阶段Stage。以固定的端电压Vd和一个预定的kc来进行阶段划分，最终将整个放电过程分为3个阶段。XGBoost是一种集成学习的方法，通过将所述特征值V、
Figure BDA00023940592900000611
及Stage输入回归树进行训练，以获得足量的训练信息及经验知识。每次训练1棵回归树，将新训练的回归树的结果与前面训练的所有回归树的估计值(预测值)相加，以此不断修正训练结果，达到优化的目的。在计算损失函数时，将SoCr(t)作为t时刻的锂离子电池荷电状态真实值。最终训练得到K棵回归树，通过累加K棵回归树的估计值得到最终的估计值。训练后的回归预测模型可直接用于在线的锂离子电池荷电状态估计。实时采集锂离子电池端电压数据和表面温度数据，计算相应的特征，将计算的特征输入训练完备的回归器，可直接输出电池当前的荷电状态。
实施例7：
本实施例公开了一种锂离子电池荷电状态估计装置，包括：
所述离线训练模块，用于将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计模块，用于将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
实施例8：
本实施例在实施例7的基础上，所述锂离子电池荷电状态估计装置还包括特征提取模块，用于基于放电电压数据和温度数据提取锂离子电池在各个时刻的特征。
所述装置实施例中各个模块的工作原理参见上述方法实施例1至6中相应步骤的实现过程。
实施例9：
本实施例公开了一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，使得处理器实现上述实施例1至6中任一项所述的方法。
进一步地，所述电子设备还包括电压采集模块和温度采集模块，用于在锂离子电池放电过程中，周期性地采集锂离子电池的端电压数据和表面温度数据。
进一步地，所述温度采集模块包括：
三线制PT100温度传感器子模块，用于采集锂离子电池表面温度数据；
信号转换子模块，用于将三线制PT100温度传感器子模块获取的电阻信号转换为电信号；
数据交换子模块，用于与所述控制模块进行数据交换；
进一步地，所述电压采集模块包括：
信号转换子模块，用于获取外部电压信号传感器获取到的锂离子电池端电压信号；
数据交换子模块，用于与控制模块进行数据交换。
进一步地，所述电子设备还包括控制模块和通信模块，所述控制模块接收电压采集模块和温度采集模块采集的数据，并将数据经由通信模块传输至处理器(位于上位机中)。
进一步地，所述控制模块包括：
模拟量获取子模块，用于获取所述温度采集模块采集到的锂离子电池表面温度信号和电压采集模块采集到的锂离子电池端电压信号；
滤波处理子模块，用于对所述模拟量获取子模块获取到的信号进行滤波处理；
控制子模块，用于根据上位机设定的采集频率进行数据采集时间间隔进行设置；
输出子模块，用于将采集的温度数据和电压数据输出。
进一步地，所述电子设备还包括与处理器相连的数据采集与监控模块，用于接收和显示通信模块传输的电压数据和温度数据。
进一步地，所述电子设备还包括与处理器相连的存储模块(所述存储器和存储模块可以是同一存储器，也可以是不同的存储器)，用于实时存储接收到的电压数据和温度数据。
进一步地，所述电子设备还包括电源模块，用于为该电子设备中的各个模块提供电源。
本实施例公开的电子设备的结构示意图参见图3，其中上位机荷电状态估计模块即上述处理器。
上述电子设备工作原理如下：
步骤1：在锂离子电池放电过程中，温度采集模块和电压采集模块周期性地采集电池的端电压数据和表面温度数据，并将数据传输至控制模块；
步骤2：数据经由通信模块，基于Modbus协议使用RS485接口将锂离子电池端电压数据V(t)和表面温度数据T(t)传输至上位机系统，上位机软件实时显示及存储电压数据和温度数据；
步骤3：上位机荷电状态估计模块，根据电压数据V(t)和表面温度数据T(t)实时计算
Figure BDA0002394059290000081
并据此辨识电池所处工作阶段Stage，进而在线估计荷电状态SoCe。
实施例10：
本实施例公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1至6中任一项所述的方法。
综上所述，本发明上述实施例提供的方法及装置，相较于比于之前的安时法和开路电压法，在未增加过多复杂子设备的前提下，能够实现准确的荷电状态估计。该方法简单高效，无需任何的初始荷电状态信息，能应用于在线估计场景。此外，该方法训练的回归器在无需进行参数调整或重新训练的情况下，可以直接应用于同类型的其它锂离子电池单体。
以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明精神和原则之内，所作任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种锂离子电池荷电状态估计方法，其特征在于，包括离线训练阶段和在线估计阶段：
所述离线训练阶段，基于历史放电电压数据和温度数据提取锂离子电池在各个历史时刻的特征；将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计阶段，基于实时放电电压数据和温度数据提取锂离子电池在当前时刻的特征；将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
2.根据权利要求1所述的锂离子电池荷电状态估计方法，其特征在于，锂离子在任一时刻t的特征包括：该时刻锂离子电池的端电压V(t)、端电压变化率
Figure FDA0002394059280000011
表面温度变化率
Figure FDA0002394059280000012
和所处工作阶段Stage(t)。
3.根据权利要求2所述的锂离子电池荷电状态估计方法，其特征在于，t时刻锂离子电池的端电压变化率
Figure FDA0002394059280000013
表面温度变化率
Figure FDA0002394059280000014
计算方法为：
Figure FDA0002394059280000015
Figure FDA0002394059280000016
其中，T(t)为t时刻锂离子电池的表面温度，△t为时间间隔。
4.根据权利要求2所述的锂离子电池荷电状态估计方法，其特征在于，t时刻锂离子电池所处工作阶段Stage(t0根据以下阶段划分算法确定：
若t时刻锂离子电池的端电压V(t)>Vd，则该时刻锂离子电池所处工作阶段为Stage1，即Stage(t)＝Stage1；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure FDA0002394059280000017
则该时刻锂离子电池所处工作阶段为Stage2，即Stage(t)＝Stage2；
若t时刻锂离子电池的端电压V(t)≤Vd且端电压变化率
Figure FDA0002394059280000018
则该时刻锂离子电池所处工作阶段为Stage3，即Stage(t)＝Stage3；
其中Vd和kc分别为锂离子电池的端电压阈值和端电压变化率阈值。
5.根据权利要求1所述的锂离子电池荷电状态估计方法，其特征在于，在离线训练阶段，t时刻的锂离子电池荷电状态真实值计算公式为：
Figure FDA0002394059280000019
其中，i(τ)表示τ时刻的放电电流，
Figure FDA00023940592800000110
表示放电起始时刻至t时刻放电电流的积分；Qreleased为整个放电过程放出的电量。
6.根据权利要求1所述的锂离子电池荷电状态估计方法，其特征在于，所述回归预测模型采用基于XGBoost算法的回归预测模型。
7.一种锂离子电池荷电状态估计装置，其特征在于，包括：
所述离线训练模块，用于将锂离子电池在一个历史时刻的特征作为一个样本，基于样本数据训练回归预测模型；
所述在线估计模块，用于将锂离子电池在当前时刻的特征输入回归预测模型，输出锂离子电池荷电状态估计值。
8.一种锂离子电池荷电状态估计装置，其特征在于，还包括特征提取模块，用于基于放电电压数据和温度数据提取锂离子电池在各个时刻的特征。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，使得处理器实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的方法。
CN202010124674.8A 2020-02-27 2020-02-27 一种锂离子电池荷电状态估计方法及装置 Pending CN111308364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010124674.8A CN111308364A (zh) 2020-02-27 2020-02-27 一种锂离子电池荷电状态估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010124674.8A CN111308364A (zh) 2020-02-27 2020-02-27 一种锂离子电池荷电状态估计方法及装置

Publications (1)

Publication Number Publication Date
CN111308364A true CN111308364A (zh) 2020-06-19

Family

ID=71149311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010124674.8A Pending CN111308364A (zh) 2020-02-27 2020-02-27 一种锂离子电池荷电状态估计方法及装置

Country Status (1)

Country Link
CN (1) CN111308364A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812515A (zh) * 2020-07-17 2020-10-23 广西师范大学 基于XGboost模型的锂离子电池荷电状态估算

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540096A (zh) * 2012-01-17 2012-07-04 浙江大学 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法
CN107247234A (zh) * 2017-05-10 2017-10-13 江苏大学 一种车用动力电池的soc实时在线估计方法及系统
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
US20190113581A1 (en) * 2017-10-12 2019-04-18 Honda Motor Co.,Ltd. Battery state estimation method and battery state estimation device
CN110214280A (zh) * 2016-11-17 2019-09-06 黄文罗基有限公司 确定电池的健康状态并提供警报

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540096A (zh) * 2012-01-17 2012-07-04 浙江大学 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法
CN110214280A (zh) * 2016-11-17 2019-09-06 黄文罗基有限公司 确定电池的健康状态并提供警报
CN107247234A (zh) * 2017-05-10 2017-10-13 江苏大学 一种车用动力电池的soc实时在线估计方法及系统
US20190113581A1 (en) * 2017-10-12 2019-04-18 Honda Motor Co.,Ltd. Battery state estimation method and battery state estimation device
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)

* Cited by examiner, † Cited by third party
Title
FU JIANG ETC.: "An Aging-Aware SOC Estimation Method for Lithium-Ion Batteries using XGBoost Algorithm", 《2019 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 *
WEI HE: "state of cnarge estimation for li-ion batteries using network modeling and unscented kalman filter-based error cancellation", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 *
姜琳: "锂离子电池荷电状态估计与寿命预测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
韦振汉: "锂离子电池荷电及健康状态预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812515A (zh) * 2020-07-17 2020-10-23 广西师范大学 基于XGboost模型的锂离子电池荷电状态估算

Similar Documents

Publication Publication Date Title
CN107991623B (zh) 一种考虑温度和老化程度的电池安时积分soc估计方法
CN107576918B (zh) 锂电池的剩余电量的估算方法及系统
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
US11292360B2 (en) Battery equalization method and system, vehicle, storage medium, and electronic device
CN104360285B (zh) 一种基于改进的安时积分法的电池容量修正方法
US10230248B2 (en) Maintenance method of power battery pack
CN103364736B (zh) 一种锂离子电池组剩余可用容量rac的计算方法
CN112331941A (zh) 云端辅助电池管理系统及方法
CN112035777B (zh) 电池充电剩余时间计算方法、装置及车辆
CN111679212B (zh) 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
CN112881930B (zh) 一种基于物联网的储能电池健康管理预测方法及系统
CN112305426B (zh) 一种多约束条件下的锂离子电池功率状态估计系统
CN113406523A (zh) 一种储能电池状态评价方法、装置、电子设备及存储系统
CN108693483A (zh) 一种电池包荷电状态的计算方法及系统
CN110380481A (zh) 一种无人机电池充电方法、装置、介质及设备
CN112701757A (zh) 电池组在线均衡方法及系统
CN110596604A (zh) 一种基于安时积分法的锂电池soc估计方法
CN113759258B (zh) 一种动力电池soc估计方法、装置及纯电动汽车
CN103744027A (zh) 一种基于卡尔曼滤波的自校正电池soc估算方法
CN111308364A (zh) 一种锂离子电池荷电状态估计方法及装置
CN104035039A (zh) 一种快速预估蓄电池容量的装置及方法
CN115932614A (zh) 一种锂电池储能系统充放电的电池荷电状态检测方法和系统
CN111965548A (zh) 一种基于状态估计法的电池系统传感器故障诊断方法
CN106646260A (zh) 一种基于遗传神经网络的bms系统的soc的估算方法
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200619

WD01 Invention patent application deemed withdrawn after publication