CN111679202B - 一种蓄电池容量预测方法及其预测装置 - Google Patents
一种蓄电池容量预测方法及其预测装置 Download PDFInfo
- Publication number
- CN111679202B CN111679202B CN202010725888.0A CN202010725888A CN111679202B CN 111679202 B CN111679202 B CN 111679202B CN 202010725888 A CN202010725888 A CN 202010725888A CN 111679202 B CN111679202 B CN 111679202B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- test
- sample data
- subset
- 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.)
- Active
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]
- G01R31/367—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种蓄电池容量预测方法及其预测装置,预测方法包括:接收样本数据,将样本数据进行分类,形成若干组样本数据集,将每组样本数据集中的样本数据划分为第一数据子集和第二数据子集;根据第一数据子集建立第一模型,根据第二数据子集建立第二模型;接收测试数据,根据测试数据生成测试模型,其中测数据的个数与第一数据子集中样本数据的个数相同;计算测试模型与第一模型的相关度,若测试模型与第一模型的相关度大于设定值,则通过与第一模型对应的第二模型预测蓄电池的容量。
Description
技术领域
本发明实施例涉及电池管理技术,尤其涉及一种蓄电池容量预测方法及其预测装置。
背景技术
蓄电池组作为变电站站用交直流重要负荷的后备电源支撑,其运行状况对电力系统的稳定性有重要的意义。蓄电池组由多节蓄电池串联后供电,蓄电池容量下降到80%以后性能会有急剧的衰退,容易失效,若单个蓄电池失效则整组失效,故需定期的对每节蓄电池进行容量核定。
现有技术中,一般采用高斯过程回归或者神经网络用于蓄电池容量的预测采用上述方法对蓄电池进行容量预测时,对计算硬件要求高,计算耗时长。
发明内容
本发明提供一种蓄电池容量预测方法及其预测装置,以达到快速预测蓄电池容量的目的。
第一方面,本发明实施例提供了一种蓄电池容量预测方法,包括:
接收样本数据,将所述样本数据进行分类,形成若干组样本数据集,将每组所述样本数据集中的样本数据划分为第一数据子集和第二数据子集;
根据所述第一数据子集建立第一模型,根据所述第二数据子集建立第二模型;
接收测试数据,根据所述测试数据生成测试模型,其中所述测数据的个数与所述第一数据子集中样本数据的个数相同;
计算所述测试模型与所述第一模型的相关度,若所述测试模型与所述第一模型的相关度大于设定值,则通过与所述第一模型对应的第二模型预测蓄电池的容量。
进一步的,接收样本数据,将所述样本数据进行分类,形成若干组样本数据集包括:
根据蓄电池的型号对所述样本数据进行一次分类,针对每种型号蓄电池对应的样本数据,按照使用年限进行二次分类,以形成所述样本数据集。
进一步的,所述样本数据集中的样本数据为,按照设定的时间间隔,依次采集的一组电压值。
进一步的,根据所述第一数据子集建立第一模型包括:
根据所述第一数据子集,通过三次样条法建立第一模型。
进一步的,根据所述第二数据子集建立第二模型包括:
根据所述第二数据子集,通过三次样条法建立第二模型。
进一步的,接收测试数据,根据所述测试数据生成测试模型包括:
根据所述测试数据,通过所述三次样条法生成测试模型。
进一步的,计算所述测试模型与所述第一模型的相关度包括:
提取所述测试模型以及所述第一模型的模型系数,根据所述模型系数计算所述测试模型与所述第一模型的相关度。
进一步的,所述第一模型以及第二模型为放电时间与电压的函数。
进一步的,通过与所述第一模型对应的第二模型预测蓄电池的容量包括:
确定放电下限值,通过所述第二模型,确定与所述放电下限值对应的放电时间,根据所述放电时间预测蓄电池的容量。
第二方面,本发明实施例还提供了一种蓄电池容量预测装置,预测装置用于执行本发明实施例记载的蓄电池容量预测方法。
与现有技术相比,本发明的有益效果在于:利用本发明提出的预测方法,在需预测蓄电池的容量时,仅需对蓄电池进行短时间的放电,通过少量的放电电压值,结合通过样本数据计算出的第一模型和第二模型即可进行蓄电池容量的预测,容量预测试验整体所需时间短,测试效率高。
附图说明
图1是实施例中的蓄电池容量预测方法流程图;
图2是实施例中的蓄电池容量预测装置结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是实施例中的蓄电池容量预测方法流程图,本实施例可适用于蓄电池容量快速预测的情况,该方法可以由蓄电池容量预测装置执行,该装置可以采用软件方式实现,该装置可配置于电子设备中,例如服务器或终端设备,典型的终端设备包括移动终端,具体包括手机、电脑或平板电脑等,参考图1,蓄电池容量预测方法,包括:
S1.接收样本数据,将样本数据进行分类,形成若干组样本数据集,将每组样本数据集中的样本数据划分为第一数据子集和第二数据子集。
示例性的,本实施例中,收集一组额定电压相同,型号不同,使用年限不同的蓄电池,以恒定放电电流使每个电池放电,每经过一段时间后,记录电池的电压值,进而形成样本数据集。示例性的,额定电压为2V,使用年限为3至10年,每60×(n+1),n=0,1,2…分钟记录一次电池的电压值,每个电池记录10次。
示例性的,本步骤中,根据电池的放电时间将样本数据集划分为第一数据子集和第二数据子集,例如将样本数据集中,前三次电压值作为第一数据子集,将其余电压值作为第二数据子集。
S2.根据第一数据子集建立第一模型,根据第二数据子集建立第二模型。
示例性的,本步骤中,可以通过数据拟合的方式建立模型,例如基于最小二乘法、ARMA、二次样条或者三次样条法构建第一模型和第二模型。示例性的,构建第一模型时采用的方法可以与构建第二模型时采用的方法不同。
S3.接收测试数据,根据测试数据生成测试模型。
具体的,在步骤S1的基础上,本步骤中,所需测试数据的个数与第一数据子集中样本数据的个数相同,例如第一数据子集中包含三个电压值,则所需测试数据的个数为三个,即采集测试数据时,待测电池的放电时长为3小时。
示例性的,本实施例中,生成测试模型时采用的方法与生成第一模型时采用的方法相同,例如构成第一模型时采用最小二乘法,则构建测试模型时同样采用最小二乘法。
S4.计算测试模型与第一模型的相关度,若测试模型与第一模型的相关度大于设定值,则通过与第一模型对应的第二模型预测蓄电池的容量。
示例性的,由于样本数据中包含不同型号,不同使用年限的蓄电池放电电压,因此通过不同样本数据集计算出的模型有所差异,本步骤中,通过计算测试模型与第一模型的相关度,找出所有第一模型中与测试模型构型最接近的一个第一模型,再通过与该第一模型对应的第二模型预测蓄电池的容量。
示例性的,本步骤中,可以提取测试模型以及第一模型的模型系数,根据模型系数计算测试模型与第一模型的相关度。例如,若第一模型的函数式为:
f(x)=a1x2+b1x+c1
测试模型的函数式为:
g(x)=acx2+bcx+cc
则提取第一模型的中模型系数a1、b1和c1,提取测试模型的模型系数ac、bc和cc,分别计算a1与ac、b1与bc、c1与cc的比值,若三组比值均处于设定的阈值范围内,则判定第一模型与测试模型相同。
示例性的,确定采用的第一模型后,可以进一步确定与该第一模型对应的第二模型,此时通过设定的蓄电池容量判定条件预测蓄电池的容量。
本实施例中,需预测蓄电池的容量时,仅需对蓄电池进行短时间的放电,通过少量的放电电压值,结合通过样本数据计算出的第一模型和第二模型即可进行蓄电池容量的预测,容量预测试验整体所需时间短,测试效率高。
实施例二
作为一种可实施方案,在实施例一的基础上,本实施例中,蓄电池容量预测方法为:
步骤1.接收样本数据,将样本数据进行分类,形成若干组样本数据集,将每组样本数据集中的样本数据划分为第一数据子集和第二数据子集。
示例性的,本实施例中,收集一组额定电压相同,型号不同,使用年限不同的蓄电池,以恒定放电电流使每个电池放电,每经过一段时间后,记录电池的电压值,具体的,每60×(n+1),n=0,1,2…分钟记录一次电池的电压值,每个电池记录10次。完成所有蓄电池的放电电压数据采集后,根据蓄电池的型号对样本数据进行一次分类,针对每种型号蓄电池对应的样本数据,按照使用年限进行二次分类,以形成样本数据集。
通过上述分类过程后,可以得到同一型号蓄电池下,不同使用年限蓄电池的放电电压数据,便于进行数据库存储,通过蓄电池型号可以查询到与待测蓄电池型号相同的一组模型,排除不相关的模型,进而提高蓄电池容量预测的计算速率。
进一步的,得到分类好的样本数据集后,根据电池的放电时间将样本数据集划分为第一数据子集和第二数据子集,例如将样本数据集中,前三次电压值作为第一数据子集,将其余电压值作为第二数据子集。
步骤2.根据第一数据子集建立第一模型,根据第二数据子集建立第二模型。
具体的,本步骤中,通过三次样条法建立第一模型,通过三次样条法建立第二模型。三次样条插值法即用n段可变样条(n个三次多项式)表示出通过n+1个离散数据点的光滑曲线的数学方法,在任意相邻两点间有一个样条,这个样条就是一个函数,当样条用三次多项式函数表示时,称为三次样条。任意两个相邻的样条(三次多项式)及其导数在连接点处都是连续的,根据连续即可估计出曲线上其他点的近似值,三次样条的函数式为:
V(t)=ait3+bit2+cit+di
其中,V(t)为阶段函数,共n段;i为1~n之间的整数;ai、bi、ci、di为第i段三次样条的待求系数。
n+1个离散数据点共产生n条曲线,每段曲线都有4个待求系数,故需4n个方程进行求解:具体的,n+1个离散数据点除去两个端点后,剩余n-1个内部离散点,每个离散点两侧曲线在该点处有相同的一阶导数值和二阶导数值,据此可以构建4(n-1)个方程;第1条曲线和第n条曲线分别通过第1个离散点和第n+1个离散点,据此可构建2个方程;设第1个离散点和第n+1个离散点二阶导数等于0,据此构建2个方程,将上述方程的系数组成三角矩阵,通过求解三角矩阵可得三次样条函数的系数。本实施例中,构建求解三次样条函数系数的方程、构建三角矩阵,求解三角矩阵的方法与现有技术相同,其具体的计算过程不再赘述。
示例性的,本实施例中,第一数据子集包含三个电压值,在起始时刻,将蓄电池的额定电压作为采样数据补入第一数据子集中,可以求出第一数据子集对应的三次样条函数式;第二数据子集包含七个电压值,将第一数据子集中的最后一个电压值补入第二数据子集中,作为起始端点,可以求出第二数据子集对应的三次样条函数式。
示例性的,本步骤中,第一模型以及第二模型为放电时间与电压的函数,即通过一个电压值对应一个放电时长。
步骤3.接收测试数据,根据测试数据生成测试模型。
具体的,在步骤1的基础上,本步骤中,所需测试数据的个数与第一数据子集中样本数据的个数相同,本步骤中通过三次样条法生成测试模型。
示例性的,第一数据包含三个电压值,则测试时,对待测蓄电池进行三小时的放电,得到该待测蓄电池的三个放电电压值,形成测试数据,将该待测蓄电池的额定电压补入测试数据中,进而通过三次样条法生成该待测蓄电池的测试模型。
步骤4.计算测试模型与第一模型的相关度,若测试模型与第一模型的相关度大于设定值,则通过与第一模型对应的第二模型预测蓄电池的容量。
示例性的,设第一模型、测试模型的函数式分别为:
V1(t)=a1it3+b1it2+c1it+d1i
Vc(t)=acit3+bcit2+ccit+dci
本步骤中,提取第一模型的中模型系数a1i、b1i、c1i和d1i,提取测试模型的模型系数aci、bci、cci和dci,分别计算a1i与aci、b1i与bci、c1i与cci、d1i与dci的比值,若四组比值均处于设定的阈值范围内,则判定第一模型与测试模型相同。
示例性的,确定采用的第一模型后,可以进一步确定与该第一模型对应的第二模型,此时通过设定的蓄电池容量判定条件预测蓄电池的容量。示例性的,判定条件可以为当电池放出容量大于80%额定容量时,放电时长大于设定阈值,该电池容量满足运行要求,否则该电池容量不合格。
具体的,进行蓄电池容量预测时确定与放电下限值对应的放电时间,根据放电时间预测蓄电池的容量。示例性的,设定待测蓄电池放出容量大于80%额定容量时,对应的放电电压为1.8V,则将1.8V带入上述步骤中确定的第二模型中,以求取该放电电压对应的放电时长,若对应的放电时大于8小时,则判定待测蓄电池合格。
本实施例中,采用三次样条法构建第一模型、第二模型以及测试模型,易于软件实现,计算量小,对计算硬件要求低。需预测蓄电池的容量时,仅需对蓄电池进行短时间的放电,通过少量的放电电压值,结合通过样本数据计算出的第一模型和第二模型即可进行蓄电池容量的预测,容量预测试验整体所需时间短,测试效率高。
实施例三
图2是实施例中的蓄电池容量预测装置结构框图,参考图2,蓄电池容量预测装置包括:样本数据模块100、模型构建模块200、测试数据模块300和预测模块400。
样本数据模块100用于接收样本数据,将样本数据进行分类,形成若干组样本数据集,将每组样本数据集中的样本数据划分为第一数据子集和第二数据子集。
模型构建模块200用于根据第一数据子集建立第一模型,根据第二数据子集建立第二模型。
测试数据模块300用于接收测试数据,其中测数据的个数与第一数据子集中样本数据的个数相同。
模型构建模块200还用于根据测试数据生成测试模型。
预测模块400用于计算测试模型与第一模型的相关度,若测试模型与第一模型的相关度大于设定值,则通过与第一模型对应的第二模型预测蓄电池的容量。
本实施例中,预测装置可以执行实施例一或者实施例二中记载的任意预测方法,且起到的有益效果相同,其具体的实现方法在此不再赘述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种蓄电池容量预测方法,其特征在于,包括:
接收样本数据,将所述样本数据进行分类,形成若干组样本数据集,将每组所述样本数据集中的样本数据划分为第一数据子集和第二数据子集;
根据所述第一数据子集建立第一模型,根据所述第二数据子集建立第二模型;
接收测试数据,根据所述测试数据生成测试模型,其中所述测试数据的个数与所述第一数据子集中样本数据的个数相同;
计算所述测试模型与所述第一模型的相关度,若所述测试模型与所述第一模型的相关度大于设定值,则通过与所述第一模型对应的第二模型预测蓄电池的容量;
通过与所述第一模型对应的第二模型预测蓄电池的容量包括:通过与所述第一模型对应的第一数据子集所位于的同一组样本数据集中的第二数据子集对应的第二模型预测蓄电池的容量;
接收样本数据,将所述样本数据进行分类,形成若干组样本数据集包括:
根据蓄电池的型号对所述样本数据进行一次分类,针对每种型号蓄电池对应的样本数据,按照使用年限进行二次分类,以形成所述样本数据集。
2.如权利要求1所述的蓄电池容量预测方法,其特征在于,所述样本数据集中的样本数据为,按照设定的时间间隔,依次采集的一组电压值。
3.如权利要求1所述的蓄电池容量预测方法,其特征在于,根据所述第一数据子集建立第一模型包括:
根据所述第一数据子集,通过三次样条法建立第一模型。
4.如权利要求1所述的蓄电池容量预测方法,其特征在于,根据所述第二数据子集建立第二模型包括:
根据所述第二数据子集,通过三次样条法建立第二模型。
5.如权利要求3所述的蓄电池容量预测方法,其特征在于,接收测试数据,根据所述测试数据生成测试模型包括:
根据所述测试数据,通过所述三次样条法生成测试模型。
6.如权利要求5所述的蓄电池容量预测方法,其特征在于,计算所述测试模型与所述第一模型的相关度包括:
提取所述测试模型以及所述第一模型的模型系数,根据所述模型系数计算所述测试模型与所述第一模型的相关度。
7.如权利要求2所述的蓄电池容量预测方法,其特征在于,所述第一模型以及第二模型为放电时间与电压的函数。
8.如权利要求7所述的蓄电池容量预测方法,其特征在于,通过与所述第一模型对应的第二模型预测蓄电池的容量包括:
确定放电下限值,通过所述第二模型,确定与所述放电下限值对应的放电时间,根据所述放电时间预测蓄电池的容量。
9.一种蓄电池容量预测装置,其特征在于,用于执行权利要求1至8所述任一的蓄电池容量预测方法;
所述蓄电池容量预测装置包括:样本数据模块、模型构建模块、测试数据模块和预测模块;
所述样本数据模块用于接收样本数据,将所述样本数据进行分类,形成若干组样本数据集,将每组样本数据集中的样本数据划分为第一数据子集和第二数据子集;
所述模型构建模块用于根据所述第一数据子集建立第一模型,根据所述第二数据子集建立第二模型;
所述测试数据模块用于接收测试数据,其中测数据的个数与第一数据子集中样本数据的个数相同;
所述模型构建模块还用于根据所述测试数据生成测试模型;
所述预测模块用于计算所述测试模型与所述第一模型的相关度,若所述测试模型与所述第一模型的相关度大于设定值,则通过与所述第一模型对应的所述第二模型预测蓄电池的容量;
通过与所述第一模型对应的第二模型预测蓄电池的容量包括:通过与所述第一模型对应的第一数据子集所位于的同一组样本数据集中的第二数据子集对应的第二模型预测蓄电池的容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725888.0A CN111679202B (zh) | 2020-07-24 | 2020-07-24 | 一种蓄电池容量预测方法及其预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725888.0A CN111679202B (zh) | 2020-07-24 | 2020-07-24 | 一种蓄电池容量预测方法及其预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111679202A CN111679202A (zh) | 2020-09-18 |
CN111679202B true CN111679202B (zh) | 2023-04-18 |
Family
ID=72457987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010725888.0A Active CN111679202B (zh) | 2020-07-24 | 2020-07-24 | 一种蓄电池容量预测方法及其预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679202B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738585A (zh) * | 2009-09-28 | 2010-06-16 | 中国移动通信集团浙江有限公司 | 一种判定蓄电池容量与健康度的方法及系统 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10191116B2 (en) * | 2015-10-15 | 2019-01-29 | Johnson Controls Technology Company | Battery test system for predicting battery test results |
-
2020
- 2020-07-24 CN CN202010725888.0A patent/CN111679202B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738585A (zh) * | 2009-09-28 | 2010-06-16 | 中国移动通信集团浙江有限公司 | 一种判定蓄电池容量与健康度的方法及系统 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
"非线性回归在电池剩余放电时间预测的应用";张芳 等;《计算机产品与流通》;20180115;第102-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111679202A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Sauer et al. | Comparison of different approaches for lifetime prediction of electrochemical systems—Using lead-acid batteries as example | |
US11221367B2 (en) | Evaluation device, energy storage system, evaluation method and non-transitory computer readable medium | |
Wenzl et al. | Life prediction of batteries for selecting the technically most suitable and cost effective battery | |
AU2020200279A1 (en) | Storage battery evaluating device, power storage system and storage battery evaluating method | |
Diao et al. | Management of imbalances in parallel-connected lithium-ion battery packs | |
CN108072848B (zh) | 预估蓄电池放电时长的分析方法 | |
CN107340476B (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
US11360151B2 (en) | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus | |
CN111766524B (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN114236393B (zh) | 基于大数据的在线检测电池异常的方法及系统 | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
JPWO2017158706A1 (ja) | 蓄電池評価装置、蓄電システムおよび蓄電池評価方法 | |
CN110689186A (zh) | 基于风电出力随机性的配电网供电可靠性评估方法及系统 | |
GB2600129A (en) | Pro-active battery management system (BMS) with lossless active buck balancing and method thereof | |
CN111679202B (zh) | 一种蓄电池容量预测方法及其预测装置 | |
Wang et al. | Effects of rest time on equivalent circuit model for a li-ion battery | |
Lamprecht et al. | Random forest regression of charge balancing data: A state of health estimation method for electric vehicle batteries | |
CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
CN116777202A (zh) | 配电网线路风险评估方法、装置、设备及可读存储介质 | |
Freitas et al. | Lifetime estimation technique for lead-acid batteries | |
CN109557469A (zh) | 蓄电池核容数据分析方法及装置 | |
US20230184838A1 (en) | Device and method for diagnosing battery | |
CN115395613A (zh) | 电池充电管理方法、装置、电子设备及存储介质 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 |
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 |