CN111474487A - 一种电池荷电状态-内部温度联合在线估计方法 - Google Patents
一种电池荷电状态-内部温度联合在线估计方法 Download PDFInfo
- Publication number
- CN111474487A CN111474487A CN202010286583.4A CN202010286583A CN111474487A CN 111474487 A CN111474487 A CN 111474487A CN 202010286583 A CN202010286583 A CN 202010286583A CN 111474487 A CN111474487 A CN 111474487A
- Authority
- CN
- China
- Prior art keywords
- battery
- time
- internal temperature
- matrix
- temperature
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Abstract
本发明涉及一种电池荷电状态‑内部温度联合在线估计方法,属于电池管理技术领域。该方法为:S1选定待测试的动力电池,划分电池区域,将不同电池区域分别简化为一个物理节点,将三维模型简化为一维模型;S2确定节点电阻与总内阻的关系;S3运用参数辨识方法辨识电池动态内阻以及电容;S4基于已经辨识的电池参数,利用卡尔曼滤波实时估计电池SOC;S5基于辨识的内阻以及估计的SOC,利用卡尔曼滤波原理预测当前时间步的电池内部温度;S6在S5完成电池内部温度修正的基础上计算该时刻的产热,并重复S3‑S5的步骤,直至电池工况结束。本发明具有精度高,鲁棒性好,针对不同种类电池的普适性强的特点。
Description
技术领域
本发明属于电池管理技术领域,涉及一种电池荷电状态-内部温度联合在线估计方法。
背景技术
电动汽车进入快速发展阶段但同时也面临着一系列的挑战,其中热问题是较为关键也亟待解决的部分,因此需要开发高效的电池热管理系统。电池温度的在线估计是电池热管理最为重要的环节之一,对于保证电池系统在适宜工况下工作乃至提前预警热失控的可能性都具有至关重要的作用。因此有必要开发更高效精确的电池温度在线估计方法。
目前电池的在线预测方法主要有以下几类:
1)利用单卡尔曼滤波进行电池温度预测,这种方法在实时预测的过程中只对其中一个变量进行卡尔曼修正,该方法鲁棒性较差,精度较低。
2)利用经验内部温度分布公式进行电池温度预测的方法,该方法需要提前确定电池内部的温度分布的解析表达式,对于不同电池类型以及不同工况下的适用性较差,需要大量的提前建模工作。
3)利用开路电势作为观测变量的方法,但是温度对开路电势的影响不明显,响应性较差。
基于上述方法的缺陷,亟需一种响应迅速,精度较高同时应对不同工况和电池种类都具有良好鲁棒性的新型电池温度预测方法。
4)使用单节点或者双节点模型来简化电池,这种模型会忽略大量内部温度场的细节,不足以满足实时估计的精度要求。
发明内容
有鉴于此,本发明的目的在于提供一种基于电池温度估计的SOC(state ofcharge,荷电状态)-SOT(state of temperature,电池温度),将在只采集到电池某一循环工况初始部分容量衰减数据集的情况下,也能对电池在该循环工况条件下的未来容量衰减轨迹进行有效预测。
为达到上述目的,本发明提供如下技术方案:
一种电池荷电状态-内部温度联合在线估计方法,该方法具体包括以下步骤:
S1:选定待测试的动力电池,划分电池区域,将不同电池区域分别简化为一个物理节点,将三维模型简化为一维模型;
S2:根据划分的区域将需要考虑各向异性的三维物性参数简化到一维模型中,确定节点电阻与总内阻的关系;
S3:在实时预测阶段,运用参数辨识方法辨识电池动态内阻以及电容;
S4:基于已经辨识的电池参数,利用卡尔曼滤波实时估计电池SOC;
S5:基于辨识的内阻以及估计的SOC,利用卡尔曼滤波原理预测当前时间步的电池内部温度;
S6:在S5完成电池内部温度修正的基础上计算该时刻的产热,并重复S3-S5的步骤,直至电池工况结束。
可选的,在所述S1中,电池的区域划分是人为选定的标准,为便于计算,直接按电池内部卷绕或叠放的层数来划分;所有区域的并集必须保证是完整的电池,且不同区域不得相交;最外层电池区域的温度代表电池的表面温度,需要划分得相对较薄,即取电池内部卷绕或叠放的最外一层作为划分的区域。
可选的,所述S2具体包括以下步骤:
S21:根据搜集或测量的电池内部每一层的物性参数,确定电池在主要传热方向的热导率,其中,电池内部每一层包括正负极、正负极集流体和隔膜;对于圆柱型锂电池为径向热导率 kr和轴向热导率kz,对于方形锂电池为x,y,z三个方向的热导率kx,ky和kz;
S22:将不同方向的热导率等效转化为只沿某些个方向的热导率,为保证从三维简化至一维的过程是等效转化的过程,其中,圆柱形锂电池,转化过程需满足
T1,T2为不同节点处的温度也是在S21中划分好的区域1和区域2的平均温度,A是区域1和区域2的接触面的总面积,Ar和Az则是A在r和z方向的投影值;
S23:确定一维模型中的节点等效间距,假设S22中的k是kr和kz的加权值,且权值之和记为1,则等效间距为
S24:确定电池总电阻和各节点分电阻之间的比例关系,各区域在电学上为比例关系,以圆柱形锂电池为例,比例关系为:
可选的,所述步骤S3具体包括以下步骤
S33:更新t+1时刻的增益矩阵P(t+1),将其用于下一个时间步的待测目标参数矩阵。
可选的,所述步骤S4具体包括以下步骤:
S41:确定系数矩阵并利用安时积分法对电池SOC进行初验估计,系数矩阵中包括S3 中辨识出的电池内阻以及电容;
可选的,所述步骤S5具体包括以下步骤:
S51:确定系数矩阵并利用离散能量方程对电池内部温度进行初验估计,并提取广义温度 F(T);
S53:利用S51中的广义温度以及建立好的电池温度-内阻模型,通过S24给出的表达式计算电池总内阻倒数的计算值;
本发明的有益效果在于:
本发明通过将电池的三维模型等效简化至多节点的一维模型,在保证了减少模型计算量的同时充分考虑了具有各向异的物性参数的等效转化,利用离散能量方程以及双卡尔曼滤波的方法,使得温度估计在先验估计和后验校正上具有了更广泛的普适性,鲁棒性已经更高的精度。具体优点有:
本发明通过针对电池容量衰减较快的循环工况建立基模型以捕获该电池的容量衰减信息,在此基础上,利用神经网络来进行基模型的非线性迁移,从而开发出针对电池容量衰减较慢循环工况下的迁移神经网络模型,以实现对该循环工况条件下的未来电池容量衰减轨迹的有效预测。具体优点有:
(1)本发明通过将电池的三维模型等效简化至多节点的一维模型,可以有效减少计算量,保证实时估计算法的计算速度,同时在一定程度上提升模型所包含的信息量,有助于提升模型的精度。
(2)本发明利用三维模型至一维模型的等效转化的方法,保证了一维模型中各节点之间的能量物质交换过程可以等效替代三维模型中对应区域间的实际的物质能量交换过程。
(3)本发明所开发的利用离散能量方程实时估计电池内部温度场的方法,不需要针对不同类型的电池给出不同的内部温度场的解析式,保证了该方法的普适性。
(4)本发明利用双卡尔曼滤波的方法估计电池内部温度,提升了实时估计过程中的电池内部参数的耦合程度,也提升了实时估计算法的鲁棒性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述的电池内部温度预测的方法流程图;
图2为本发明实施例步骤S1和S2中三维热模型至一维热模型转化的示意图;
图3为本发明实施例步骤S1和S2中电模型的简化过程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,如图1所示,图1为一种改进的锂电池内部温度在线预测的方法,以圆柱型锂电池为例,该方法包括以下步骤:
S1:选定待测试的动力电池,划分电池区域,将不同电池区域分别简化为一个物理节点,将三维模型简化为一维模型。电池的区域划分是人为选定的标准,以便于计算为准则,多数情况下可直接按电池内部卷绕的层数来划分;所有区域的并集必须保证是完整的电池,且不同区域不得相交;最外层电池区域的温度代表了电池的表面温度,故需要划分的相对较薄,一般只取电池内部卷绕的最外一层作为划分的区域。
S2:根据划分的区域将需要考虑各向异性的三维物性参数简化到一维模型中,确定节点电阻与总内阻的关系。热模型的简化和电模型的简化如图2和图3所示,图2代表了圆柱形锂电池的热模型的简化,图3代表了其电模型的简化。以一维模型简化至三个关键节点为例,具体包括以下步骤
S21:根据搜集或测量的电池内部每一层(正负极,正负极集流体,隔膜)的物性参数,确定电池在主要传热方向的热导率,对于圆柱型锂电池为径向热导率kr和轴向热导率kz。
S22:将不同方向的热导率等效转化为只沿某些个方向的热导率,为保证从三维简化至一维的过程是等效转化的过程,转化过程需满足
T1,T2为不同节点处的温度也是在S21中划分好的区域1和区域2的平均温度,A是区域1和区域2的接触面的总面积,Ar和Az则是A在r和z方向的投影值。各个物理参数的具体实际意义参见图2。
S23:确定一维模型中的节点等效间距,假设S22中的k是kr和kz的加权值,且权值之和记为1,则等效间距为
S24:确定电池总电阻和各节点分电阻之间的比例关系,各区域在电学上为比例关系,以圆柱形锂电池为例,该比例关系为:
对于圆柱形锂电池,总内阻和分内阻的关系可以利用纯电阻和导体长度与通流截面积的关系进一步写为:
其中,比例系数α1,α2以及α3为:
各个符号代表的具体物理意义参见图3。
S3:在实时预测阶段,运用参数辨识方法辨识电池动态内阻以及电容。具体步骤为:
S33:更新t+1时刻的增益矩阵P(t+1),将其用于下一个时间步的待测目标参数矩阵。
S4:基于已经辨识的电池参数,利用卡尔曼滤波实时估计电池SOC,具体步骤为:
S41:确定系数矩阵并利用安时积分法对电池SOC进行初验估计,系数矩阵中包括S3 中辨识出的电池内阻以及电容;
S5:基于辨识的内阻以及估计的SOC,利用卡尔曼滤波原理预测当前时间步的电池内部温度,具体步骤为:
S51:确定系数矩阵并利用离散能量方程对电池内部温度进行初验估计,并提取广义温度F(T);
S53:利用S51中的广义温度以及建立好的电池温度-内阻模型,通过S24给出的表达式计算电池总内阻倒数的计算值;
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种电池荷电状态-内部温度联合在线估计方法,其特征在于:该方法具体包括以下步骤:
S1:选定待测试的动力电池,划分电池区域,将不同电池区域分别简化为一个物理节点,将三维模型简化为一维模型;
S2:根据划分的区域将需要考虑各向异性的三维物性参数简化到一维模型中,确定节点电阻与总内阻的关系;
S3:在实时预测阶段,运用参数辨识方法辨识电池动态内阻以及电容;
S4:基于已经辨识的电池参数,利用卡尔曼滤波实时估计电池SOC;
S5:基于辨识的内阻以及估计的SOC,利用卡尔曼滤波原理预测当前时间步的电池内部温度;
S6:在S5完成电池内部温度修正的基础上计算该时刻的产热,并重复S3-S5的步骤,直至电池工况结束。
2.根据权利要求1所述的一种电池荷电状态-内部温度联合在线估计方法,其特征在于:在所述S1中,电池的区域划分是人为选定的标准,为便于计算,直接按电池内部卷绕或叠放的层数来划分;所有区域的并集必须保证是完整的电池,且不同区域不得相交;最外层电池区域的温度代表电池的表面温度,需要划分得相对较薄,即取电池内部卷绕或叠放的最外一层作为划分的区域。
3.根据权利要求1所述的一种电池荷电状态-内部温度联合在线估计方法,其特征在于:所述S2具体包括以下步骤:
S21:根据搜集或测量的电池内部每一层的物性参数,确定电池在主要传热方向的热导率,其中,电池内部每一层包括正负极、正负极集流体和隔膜;对于圆柱型锂电池为径向热导率kr和轴向热导率kz,对于方形锂电池为x,y,z三个方向的热导率kx,ky和kz;
S22:将不同方向的热导率等效转化为只沿某些个方向的热导率,为保证从三维简化至一维的过程是等效转化的过程,其中,圆柱形锂电池,转化过程需满足
T1,T2为不同节点处的温度也是在S21中划分好的区域1和区域2的平均温度,A是区域1和区域2的接触面的总面积,Ar和Az则是A在r和z方向的投影值;
S23:确定一维模型中的节点等效间距,假设S22中的k是kr和kz的加权值,且权值之和记为1,则等效间距为
S24:确定电池总电阻和各节点分电阻之间的比例关系,各区域在电学上为比例关系,以圆柱形锂电池为例,比例关系为:
5.根据权利要求1所述的一种电池荷电状态-内部温度联合在线估计方法,其特征在于:所述步骤S4具体包括以下步骤:
S41:确定系数矩阵并利用安时积分法对电池SOC进行初验估计,系数矩阵中包括S3中辨识出的电池内阻以及电容;
S42:计算t时刻的协方差矩阵Pt (1)以及卡尔曼增益矩阵Kt;
S43:利用S42中的Pt (1)以及Kt,后验修正电池的SOC,并且更新协方差矩阵Pt (2),用于t+1时刻的SOC估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286583.4A CN111474487A (zh) | 2020-04-13 | 2020-04-13 | 一种电池荷电状态-内部温度联合在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286583.4A CN111474487A (zh) | 2020-04-13 | 2020-04-13 | 一种电池荷电状态-内部温度联合在线估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111474487A true CN111474487A (zh) | 2020-07-31 |
Family
ID=71751727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010286583.4A Pending CN111474487A (zh) | 2020-04-13 | 2020-04-13 | 一种电池荷电状态-内部温度联合在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474487A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710955A (zh) * | 2020-12-16 | 2021-04-27 | 上海理工大学 | 一种用于提高电池容量估计精度的算法 |
CN112883638A (zh) * | 2021-02-02 | 2021-06-01 | 同济大学 | 一种超级电容器模组温度分布的在线估计方法 |
CN113139338A (zh) * | 2021-04-15 | 2021-07-20 | 广州小鹏汽车科技有限公司 | 温度预测方法、温度预测装置和车辆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020445A (zh) * | 2012-12-10 | 2013-04-03 | 西南交通大学 | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
CN110231567A (zh) * | 2019-07-16 | 2019-09-13 | 奇瑞新能源汽车股份有限公司 | 一种电动汽车soc估算算法 |
CN110703114A (zh) * | 2019-10-28 | 2020-01-17 | 重庆大学 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
-
2020
- 2020-04-13 CN CN202010286583.4A patent/CN111474487A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020445A (zh) * | 2012-12-10 | 2013-04-03 | 西南交通大学 | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
CN110231567A (zh) * | 2019-07-16 | 2019-09-13 | 奇瑞新能源汽车股份有限公司 | 一种电动汽车soc估算算法 |
CN110703114A (zh) * | 2019-10-28 | 2020-01-17 | 重庆大学 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
Non-Patent Citations (1)
Title |
---|
Y. XIE: "An enhanced online temperature estimation for lithium-ion", 《IEEE TRANS.TRANSPORT.ELECTRIFIC.》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710955A (zh) * | 2020-12-16 | 2021-04-27 | 上海理工大学 | 一种用于提高电池容量估计精度的算法 |
CN112883638A (zh) * | 2021-02-02 | 2021-06-01 | 同济大学 | 一种超级电容器模组温度分布的在线估计方法 |
CN112883638B (zh) * | 2021-02-02 | 2022-08-09 | 同济大学 | 一种超级电容器模组温度分布的在线估计方法 |
CN113139338A (zh) * | 2021-04-15 | 2021-07-20 | 广州小鹏汽车科技有限公司 | 温度预测方法、温度预测装置和车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
CN107145628B (zh) | 基于电化学-热耦合模型的预测锂电池循环寿命的方法 | |
CN111474487A (zh) | 一种电池荷电状态-内部温度联合在线估计方法 | |
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
Meng et al. | Lithium-ion battery state-of-health estimation in electric vehicle using optimized partial charging voltage profiles | |
CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN111220912B (zh) | 一种基于移植神经网络的电池容量衰减轨迹预测方法 | |
CN115453377B (zh) | 基于电化学-热-老化与三维降阶的电池组寿命预测方法 | |
CN109507598A (zh) | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 | |
CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
CN107045104A (zh) | 一种钛酸锂电池容量的在线估计方法 | |
CN115267539A (zh) | 面向车载应用的锂电池荷电状态和温度联合估计方法 | |
CN113255205B (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
CN114497818A (zh) | 一种低温环境下锂离子电池的内部快速加热方法 | |
CN114547903A (zh) | 一种基于电化学-热耦合模型预测锂电池循环寿命的方法 | |
CN116109146B (zh) | 一种大型电池储能电站安全性分析评价方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 | |
CN116540105A (zh) | 基于神经网络与热网络模型的锂电池内部温度在线估计方法 | |
CN107402356B (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN114609525A (zh) | 基于分数阶容积卡尔曼滤波的动力电池soc估计方法 | |
Wang et al. | Online maximum discharge power prediction for lithium-ion batteries with thermal safety constraints |
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: 20200731 |