CN111723454A - 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 - Google Patents
一种二阶pngv模型参数的在线生成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111723454A CN111723454A CN202010361945.1A CN202010361945A CN111723454A CN 111723454 A CN111723454 A CN 111723454A CN 202010361945 A CN202010361945 A CN 202010361945A CN 111723454 A CN111723454 A CN 111723454A
- Authority
- CN
- China
- Prior art keywords
- matrix
- current
- equivalent
- initial
- parameters
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 361
- 238000005070 sampling Methods 0.000 claims description 70
- 230000010287 polarization Effects 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000003990 capacitor Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明实施例提供了一种二阶PNGV模型参数的在线生成方法、装置和计算机设备,二阶PNGV模型为待测电池的等效电路模型,通过获取待测电池的多个端电压以及多个环路电流,构建初始协方差矩阵和初始等效参数矩阵,根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,利用多个等效参数计算二阶PNGV模型的多个模型参数,从而能够快速计算得到二阶PNGV模型的多个模型参数。
Description
【技术领域】
本发明涉及数据处理技术领域,尤其涉及一种二阶PNGV模型参数的在线生成方法、装置和计算机设备。
【背景技术】
截至目前为止,我国新能源汽车总量已达380万辆,新能源汽车保有量位列世界第一。新能源汽车为了达到理想的续航里程,往往配备了大量的电池装置。而这些电池装置的能量密度很高,若不加以合理的使用,极易发生危险事故。为了保证电池运行于安全的区间之内,需要根据电池的模型进行电池的状态估计,一般电池状态估计的首选采用二阶PNGV模型,因为其相比二阶RC等效电路模型来说,模型并不复杂,但精度更高。但是,现阶段缺少一种能够快速辨识二阶PNGV模型的参数的算法。
【发明内容】
有鉴于此,本发明实施例提供了一种二阶PNGV模型参数的在线生成方法、装置和计算机设备,能够快速计算得到二阶PNGV模型的多个模型参数。
一方面,本发明实施例提供了一种二阶PNGV模型参数的在线生成方法,所述二阶PNGV模型为待测电池的等效电路模型,所述方法包括:
获取所述待测电池的多个端电压以及多个环路电流;
构建初始协方差矩阵和初始等效参数矩阵;
根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数;
其中,所述多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
可选地,所述根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数,包括:
对所述待测电池的电压和电流按照采样周期进行采样生成当前端电压和当前环路电流,并根据预先获取的初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵;
根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵;
根据所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数;
根据所述多个等效参数,生成所述二阶PNGV模型的多个模型参数;
根据所述初始协方差矩阵、所述当前增益矩阵和所述当前状态矩阵,生成当前协方差矩阵;
根据所述当前端电压、所述当前状态矩阵和所述当前等效参数矩阵,生成当前误差;
对采样次数进行加1处理;
判断加1处理后的采样次数是否大于预设阈值;
若判断出所述采样次数小于或等于采样阈值,对所述待测电池的电压和电流按照采样周期进行采样,生成下一个端电压和下一个环路电流;将所述下一个端电压作为所述当前端电压,将所述下一个环路电流作为所述当前环路电流,将所述当前误差作为初始误差,并根据所述初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵;将所述当前协方差矩阵作为所述初始协方差矩阵;将所述当前等效参数矩阵作为初始等效参数矩阵,并继续执行所述根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵的步骤。
可选地,所述根据所述多个等效参数,生成所述二阶PNGV模型的多个模型参数,包括:
通过联立方程组(一)和方程组(二)以及获取的等效参数α对所述多个等效参数进行计算,生成二阶PNGV模型的多个模型参数,所述方程组(一)包括:
所述方程组(二)包括:
其中,α为获取的等效参数,Cpi为极化电容值,Rpi为极化内阻值,Cb为等效电容值,Uocv为开路电压的值,Ts为采样周期。
可选地,所述根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵,包括:
通过公式(一)对所述初始协方差矩阵以及所述当前状态矩阵进行计算,生成当前增益矩阵,其中所述公式(一)包括:
可选地,所述根据所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数,包括:
通过公式(二)对所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数,其中,所述公式(二)包括:
其中,θj为当前等效参数矩阵,且,α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ和ν为所述当前等效参数矩阵中的多个等效参数,θj-1为初始等效参数矩阵,yj为当前端电压,Gj为当前增益矩阵,为当前状态矩阵。
可选地,所述根据所述初始协方差矩阵、所述当前增益矩阵和所述当前状态矩阵,生成当前协方差矩阵,包括:
通过公式(三)对所述初始协方差矩阵、所述当前增益矩阵、所述当前状态矩阵进行计算,生成当前协方差矩阵,其中,所述公式(三)为:
可选地,所述构建初始协方差矩阵和初始等效参数矩阵,包括:
根据预先获取的初始误差、多个所述端电压和多个所述环路电流,构造第一矩阵和第二矩阵;
根据第一矩阵和第二矩阵,对公式θ=(ΦT(n)Φ(n))-1ΦT(n)Y进行计算,生成初始等效参数矩阵,其中,θ(n)为初始等效参数矩阵,Φ为第一矩阵,Y为第二矩阵;
根据第一矩阵,对公式P(n)=(ΦT(n)Φ(n))-1进行计算,生成初始协方差矩阵,其中,P(n)为初始协方差矩阵,Φ为第一矩阵;或者,
将初始等效参数矩阵设置为0;
通过公式Pj=σ2II对设置的单位矩阵和指定系数进行计算,生成初始协方差矩阵,其中,Pj为初始协方差矩阵,σ2为指定系数,II为单位矩阵。
第二方面,本发明实施例提供了一种二阶PNGV模型参数的在线生成装置,所述二阶PNGV模型为待测电池的等效电路模型,所述装置包括:
获取模块,用于获取所述待测电池的多个端电压以及多个环路电流;
矩阵构建模块,构建初始协方差矩阵和初始等效参数矩阵;
参数计算模块,根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数;
其中,所述多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
第三方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行第一方面任意一项所述的二阶PNGV模型参数的在线生成方法。
第四方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现第一方面任一项所述的二阶PNGV模型参数的在线生成方法的步骤。
本发明实施例中,二阶PNGV模型为待测电池的等效电路模型,通过获取待测电池的多个端电压以及多个环路电流,构建初始协方差矩阵和初始等效参数矩阵,根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,利用多个等效参数计算二阶PNGV模型的多个模型参数,从而能够快速计算得到二阶PNGV模型的多个模型参数。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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它的附图。
图1为本发明实施例所提供的一种二阶PNGV模型参数的在线生成方法的流程图;
图2为本发明实施例所提供的一种二阶PNGV模型参数的在线生成方法的流程图;
图3为本发明实施例所提供的一种二阶PNGV模型的电路示意图;
图4为本发明实施例所提供的一种二阶PNGV模型参数的在线生成装置的结构示意图;
图5为本发明实施例所提供的一种计算机设备的结构示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在实际应用中,为了保证电池运行于安全的区间之内,需要根据电池的模型进行电池的状态估计,一般电池状态估计的首选采用二阶PNGV模型,相对于二阶RC等效电路模型而言,二阶PNGV模型具有结构简单,精度高的特点。然而现阶段缺少一种能够快速辨识二阶PNGV模型的参数的算法,基于此,本发明实施例提供了一种二阶PNGV模型参数的在线生成方法。
图1为本发明实施例提供了一种二阶PNGV模型参数的在线生成方法的流程图,所述二阶PNGV模型为待测电池的等效电路模型,如图1所示,该方法包括:
步骤101、获取待测电池的多个端电压以及多个环路电流。
步骤102、构建初始协方差矩阵和初始等效参数矩阵。
步骤103、根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,并根据多个等效参数计算二阶PNGV模型的多个模型参数。其中,多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
本发明实施例中,二阶PNGV模型为待测电池的等效电路模型,通过获取待测电池的多个端电压以及多个环路电流,构建初始协方差矩阵和初始等效参数矩阵,根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,利用多个等效参数计算二阶PNGV模型的多个模型参数,从而能够快速计算得到二阶PNGV模型的多个模型参数。
图2为本发明实施例提供了一种二阶PNGV模型参数的在线生成方法的流程图,所述二阶PNGV模型为待测电池的等效电路模型,如图2所示,该方法包括:
步骤201、建立待测电池对应的二阶PNVG模型。
本实施例中,该二阶PNGV模型为待测电池的等效电路模型。通过步骤201建立待测电池对应的二阶PNVG模型的目的在于由于二阶PNGV模型的精度较高,可以较为准确地反映出电池的静态和动态的特性,可以作为估计电池状态的理想模型,且该模型适用于任意类型的电池、任意连接形式的电池组和/或单体电池、任意类型电池的任意串联和/或并联和/或串并联形式的电池组和/或单体电池的仿真,电池类型包括但不限于一次电池、二次电池,例如:待测电池可包括锂金属电池或锂离子聚合物电池。
本发明实施例中,可根据待测电池的电路结构,建立待测电池对应的二阶PNVG模型。图3为本发明实施例提供的一种二阶PNGV模型的结构示意图,如图3所示,二阶PNGV模型包括串联连接的电压源U1、等效电容C1、并联结构1、并联结构2和电池欧姆内阻R1。其中,并联结构1包括并联连接的第一极化电阻R2和第一极化电容C2,并联结构2包括并联连接的第二极化电阻R3和第二极化电容C3。二阶PNGV模型还包括环路电流I,规定充电为正。
如图3所示,二阶PNGV模型还包括并联结构1的第二端与并联结构2的第一端连接,并联结构2的第二端与电压源U1的正极连接,电压源U1的负极与等效电容C1的第一端连接,等效电容C1的第二端与电池欧姆内阻R1的第一端连接。其中,并联结构1的第一端与电池欧姆内阻R0的第二端之间的端电压为U2。
如图3所示,二阶PNGV模型为电池等效模型,可以作为电池外部特性仿真的对象,利用二阶PNGV模型可以精准估算出电池的端电压,根据该二阶PNGV模型构建以下状态方程:
其中,UL表示为端电压U2的电压值,Cp1表示为第一极化电容C2的电容值,Cp2表示为第二极化电容C3的电容值,RP1表示为第一极化电阻R2的电阻值,RP2表示为第二极化电阻R3的电阻值,Cb表示为等效电容C1的电容值,Uocv表示为电压源U1的开路电压的值,R0表示为欧姆内阻R1的电阻值,I表示为环路电流。
由上述状态方程可知,若要分析电池的特性和估计电池的状态参数,需要先计算出二阶PNGV模型的模型参数,该模型参数包括开路电压的值Uocv、等效电容值Cb、第一极化电阻值RP1、第二极化电阻值Rp2、第一极化电容值Cp1、第二极化电容值Cp2和电池欧姆内阻值R0。
作为一种可选方案,为了便于模型参数的计算,可将上述状态方程离散化,生成下述差分方程:
其中,UL(j)为j时刻的端电压,UL(j+2)为j+2时刻的端电压,UL(j+1)为j+1时刻的端电压,UL(j-1)为j-1时刻的端电压,UL(j-2)为j-2时刻的端电压,UL(j-3)为j-3时刻的端电压,UL(j-4)为j-4时刻的端电压,I(j+2)为j+2时刻的环路电流值,I(j+1)为j+1时刻的环路电流值,I(j)为j时刻的环路电流值,I(j-1)为j-1时刻的环路电流值,I(j-2)为j-2时刻的环路电流值,I(j-3)为j-3时刻的环路电流值,I(j-4)为j-4时刻的环路电流值,α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ和ν为等效参数。后续为了通过模型参数计算公式计算出开路电压的值Uocv、等效电容值Cb、第一极化电阻值Rp1、第一极化电容值Cp1、第二极化电阻值Rp2、第二极化电容值Cp2和电池欧姆内阻值R0,首先需要计算出等效参数α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ和ν。
步骤202、获取待测电池的多个端电压以及多个环路电流。
本发明实施例中,一个端电压对应一个环路电流。对待测电池的电压和电流进行j次采样,其中,j大于指定次数。作为一种可选方案,指定次数为7次,即:j大于7。
本发明实施例中,可按照预设的采样周期,周期性的获取待测电池的多个端电压以及多个环路电流,其中,获取多个端电压以及多个环路电流的方式可通过电压表或者电流表获取,或者通过仿真的方式获取,具体地获取方式可以根据实际情况而定,本发明实施例对此不作具体限定。
步骤203、构建初始协方差矩阵和初始等效参数矩阵。
本发明实施例中,将初始误差设置为0。
本实施例中,步骤203具体包括:
步骤2031、根据预先获取的初始误差、多个端电压和多个环路电流,构造第一矩阵和第二矩阵。
本发明实施例中,根据多个端电压和多个环路电流,构建初始状态矩阵其中,为第n次采样时获取的初始状态矩阵,yn+2为第n+2次采样时获取的端电压,yn+1为第n+1次采样时获取的端电压,yn-1为第n-1次采样时获取的端电压,yn-2为第n-2次采样时获取的端电压,yn-3为第n-3次采样时获取的端电压,yn-4为第n-4次采样时获取的端电压,In+2为第n+2次采样时获取的环路电流值,In+1为第n+1次采样时获取的环路电流值,In为第n次采样时获取的环路电流值,In-1为第n-1次采样时获取的环路电流值,In-2为第n-2次采样时获取的环路电流值,In-3为第n-3次采样时获取的环路电流值,In-4为第n-4次采样时获取的环路电流值,εn-1为第n-1次采样时获取的误差,εn-2为第n-2次采样时获取的误差。再根据初始状态矩阵构造第一矩阵其中,Φ为第一矩阵,为第n次采样的初始状态矩阵的转置,为第n+1次采样的初始状态矩阵的转置,为第N次采样的初始状态矩阵的转置。
本发明实施例中,根据多个端电压构造第二矩阵Y=[Y(n) Y(n+1) ... Y(N)]T,其中,Y(n)为第n次采样的端电压,Y(n+1)为第n+1次采样的端电压,Y(N)为第N次采样的端电压。
步骤2032、根据第一矩阵和第二矩阵,对公式θ=(ΦT(n)Φ(n))-1ΦT(n)Y进行计算,生成初始等效参数矩阵,其中,θ(n)为初始等效参数矩阵,Φ为第一矩阵,Y为第二矩阵。
步骤2033、根据第一矩阵,对公式P(n)=(ΦT(n)Φ(n))-1进行计算,生成初始协方差矩阵,其中,P(n)为初始协方差矩阵,Φ为第一矩阵。
本发明实施例中,作为另一种可选方案,步骤203可具体包括:将初始等效参数矩阵设置为0;通过公式Pj=σ2II对设置的单位矩阵和指定系数进行计算,生成初始协方差矩阵,其中,Pj为初始协方差矩阵,σ2为指定系数,II为单位矩阵。
本发明实施例中,将初始等效参数矩阵设置为0的具体执行过程:通过上述的差分方程,能够获取到等效参数矩阵θ=[α β γ λ η μ σ υ ω ξ ζ κ ν]T,其中,等效参数矩阵中包含16个等效参数。因此将初始等效参数矩阵设置为0,即将等效参数矩阵设为θj=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]T。
步骤204、根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,并根据多个等效参数计算二阶PNGV模型的多个模型参数。
本发明实施例中,多个模型参数包括第一极化电容值Cp1、第一极化电阻值Rp1、第二极化电容值Cp2、第二极化电阻值Rp2、等效电容值Cb、开路电压的值Uocv以及欧姆内阻值R0。
在本发明实施例中,开路电压的值Uocv为二阶PNGV模型中开路电源U1产生的开路电压的值,其中,一个极化电容值Cp和极化内阻值Rp用于模拟电池内部浓差极化的第一RC并联结构1中的电阻R2和电容C2,另一个极化电容值Cp和极化内阻值Rp用于模拟电池内部浓差极化的第二RC并联结构2中的电阻R3和电容C3。
本发明实施例中,步骤204可具体包括:
步骤2041、对待测电池的电压和电流按照采样周期进行采样生成当前端电压和当前环路电流,并根据预先获取的初始误差、当前端电压和当前环路电流生成当前状态矩阵。
本发明实施例中,采样周期可根据实际情况进行设置。
本发明实施例中,对待测电池的电压进行采样生成当前端电压,对待测电池的电流进行采样生成当前环路电流值。
本发明实施例中,将初始误差设置为0。
本发明实施例中,根据初始误差、当前端电压和当前环路电流构造当前状态矩阵其中,为第n次采样时获取的初始状态矩阵,yn+2为第n+2次采样时获取的端电压,yn+1为第n+1次采样时获取的端电压,yn-1为第n-1次采样时获取的端电压,yn-2为第n-2次采样时获取的端电压,yn-3为第n-3次采样时获取的端电压,yn-4为第n-4次采样时获取的端电压,In+2为第n+2次采样时获取的环路电流值,In+1为第n+1次采样时获取的环路电流值,In为第n次采样时获取的环路电流值,In-1为第n-1次采样时获取的环路电流值,In-2为第n-2次采样时获取的环路电流值,In-3为第n-3次采样时获取的环路电流值,In-4为第n-4次采样时获取的环路电流值,εn-1为第n-1次采样时获取的误差,εn-2为第n-2次采样时获取的误差。
步骤2042、根据初始协方差矩阵以及当前状态矩阵,计算当前增益矩阵。
本发明实施例中,步骤2042可具体包括:通过公式(一)对初始协方差矩阵以及当前状态矩阵进行计算,生成当前增益矩阵,其中公式(一)包括:
步骤2043、根据当前增益矩阵、初始等效参数矩阵、当前端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数。
本发明实施例中,步骤2043可具体包括:通过公式(二)对当前增益矩阵、初始等效参数矩阵、当前端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数,其中,公式(二)包括:
其中,θj为当前等效参数矩阵,且,α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ和ν为当前等效参数矩阵中的多个等效参数,θj-1为初始等效参数矩阵,yj为当前端电压,Gj为当前增益矩阵,为当前状态矩阵。在本发明实施例中,根据上述当前等效参数矩阵,可获取到等效参数个数为14个,具体地,α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ、ν表示为多个等效参数,具体地,二阶PNGV模型的多个等效参数的表示如下:
其中,R0为欧姆内阻值,a1、a2、b1、b2、c1、c2、h为过渡参数。
步骤2044、根据多个等效参数计算二阶PNGV模型的多个模型参数.
本发明实施例中,步骤2044可具体包括:通过联立方程组(一)和方程组(二)以及获取的等效参数α对多个等效参数进行计算,生成二阶PNGV模型的多个模型参数,方程组(一)包括:
方程组(二)包括:
其中,α为获取的等效参数,Cpi为极化电容值,Rpi为极化内阻值,Cb为等效电容值,Uocv为开路电压的值,Ts为采样周期。
步骤2045、根据初始协方差矩阵、当前增益矩阵以及当前状态矩阵,生成当前协方差矩阵。
本发明实施例中,步骤2045可具体包括:通过公式(三)对初始协方差矩阵、当前增益矩阵、当前状态矩阵进行计算,生成当前协方差矩阵,其中,公式(三)为:
在本发明实施例中,以递推增广最小二乘(RELS)算法对二阶PNGV模型参数进行求解,但还可采用其他参数辨识算法对θ进行估计,其中,参数辨识算法包含但不仅限于神经网络算法、蚁群算法、最小二乘一类的算法等。
步骤2046、根据当前端电压、当前状态矩阵和当前等效参数矩阵生成当前误差。
步骤2047、对采样次数进行加1处理。
本实施例中,每对待测电池的电压和电流进行一次采样,对采样次数进行相应的加1处理,可以为后续判断是否已采集足够多的端电压和环路电流提供依据。
步骤2048、判断加1处理后的采样次数是否大于预设阈值,若否,执行步骤2049,若是,流程结束。
本发明实施例中,若判断出采样次数大于采样阈值,表明已经采集到足够多的端电压和环路电流,因此计算出的模型参数是准确的,流程结束;若判断出采样次数小于或等于采样阈值,表明目前采集的端电压和环路电流数不足,需要继续进行下一次采集,继续执行步骤2049。
步骤2049、对待测电池的电压和电流按照采样周期进行采样,生成下一个端电压和下一个环路电流;将下一个端电压作为当前端电压,将下一个环路电流作为当前环路电流,将当前误差作为初始误差,并根据初始误差、当前端电压和当前环路电流生成当前状态矩阵;将当前协方差矩阵作为初始协方差矩阵;将当前等效参数矩阵作为初始等效参数矩阵,并继续执行步骤2042。
本发明实施例中,通过获取待测电池的多个端电压以及多个环路电流,构建初始协方差矩阵和初始等效参数矩阵,根据多个端电压以及多个环路电流,更新初始协方差矩阵和初始等效参数矩阵,生成二阶PNGV模型的多个等效参数,利用多个等效参数计算二阶PNGV模型的多个模型参数,从而能够提高二阶PNGV模型多个模型参数的计算效率。
图4是本发明一实施例所提供的一种二阶PNGV模型参数的在线生成装置的结构示意图,所述二阶PNGV模型为待测电池的等效电路模型,如图4所示,该装置包括:获取模块11、矩阵构建模块12、参数计算模块13。
获取模块11用于获取所述待测电池的多个端电压以及多个环路电流;
矩阵构建模块12构建初始协方差矩阵和初始等效参数矩阵;
参数计算模块13根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数;
其中,所述多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
本发明实施例中,参数计算模块13具体包括:生成子模块131、计算子模块132,迭代处理子模块133。
生成子模块131用于对所述待测电池的电压和电流按照采样周期进行采样生成当前端电压和当前环路电流,并根据预先获取的初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵。
计算在模块132用于根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵。
生成子模块131还用于根据所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数。
生成子模块131还用于根据所述多个等效参数,生成所述二阶PNGV模型的多个模型参数。
生成子模块131还用于根据所述初始协方差矩阵、所述当前增益矩阵和所述当前状态矩阵,生成当前协方差矩阵。
生成子模块131还用于根据所述当前端电压、所述当前状态矩阵和所述当前等效参数矩阵,生成当前误差。
迭代处理子模块133用于对采样次数进行加1处理;若判断出所述采样次数小于或等于采样阈值,对所述待测电池的电压和电流按照采样周期进行采样,生成下一个端电压和下一个环路电流;将所述下一个端电压作为所述当前端电压,将所述下一个环路电流作为所述当前环路电流,将所述当前误差作为初始误差,并根据所述初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵;将所述当前协方差矩阵作为所述初始协方差矩阵;将所述当前等效参数矩阵作为初始等效参数矩阵,并继续执行所述根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵的步骤。
本发明实施例中,生成子模块131具体用于通过联立方程组(一)和方程组(二)以及获取的等效参数α对所述多个等效参数进行计算,生成二阶PNGV模型的多个模型参数,所述方程组(一)包括:
所述方程组(二)包括:
其中,α为获取的等效参数,Cpi为极化电容值,Rpi为极化内阻值,Cb为等效电容值,Uocv为开路电压的值,Ts为采样周期。
本发明实施例中,计算在模块132具体用于通过公式(一)对所述初始协方差矩阵以及所述当前状态矩阵进行计算,生成当前增益矩阵,其中所述公式(一)包括:
本发明实施例中,计算在模块132具体用于通过公式(二)对所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数,其中,所述公式(二)包括:
其中,θj为当前等效参数矩阵,且,α、β、γ、λ、η、μ、σ、υ、ω、ξ、ζ、κ和ν为所述当前等效参数矩阵中的多个等效参数,θj-1为初始等效参数矩阵,yj为当前端电压,Gj为当前增益矩阵,为当前状态矩阵。本发明实施例中,计算在模块132具体用于通过公式(三)对所述初始协方差矩阵、所述当前增益矩阵、所述当前状态矩阵进行计算,生成当前协方差矩阵,其中,所述公式(三)为:
本发明实施例中,矩阵构建模块12具体用于根据预先获取的初始误差、多个所述端电压和多个所述环路电流,构造第一矩阵和第二矩阵;根据第一矩阵和第二矩阵,对公式θ=(ΦT(n)Φ(n))-1ΦT(n)Y进行计算,生成初始等效参数矩阵,其中,θ(n)为初始等效参数矩阵,Φ为第一矩阵,Y为第二矩阵;根据第一矩阵,对公式P(n)=(ΦT(n)Φ(n))-1进行计算,生成初始协方差矩阵,其中,P(n)为初始协方差矩阵,Φ为第一矩阵。
本发明实施例中,矩阵构建模块12具体用于将初始等效参数矩阵设置为0;通过公式Pj=σ2II对设置的单位矩阵和指定系数进行计算,生成初始协方差矩阵,其中,其中,Pj为初始协方差矩阵,σ2为指定系数,II为单位矩阵。
本发明实施例中,通过获取所述待测电池的多个端电压以及多个环路电流,构建初始协方差矩阵和初始等效参数矩阵,根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,利用多个等效参数计算所述二阶PNGV模型的多个模型参数,从而能够快速计算得到二阶PNGV模型的多个模型参数。。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述二阶PNGV模型参数的在线生成方法的实施例的各步骤,具体描述可参见上述二阶PNGV模型参数的在线生成方法的实施例。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述二阶PNGV模型参数的在线生成方法的步骤。具体描述可参见上述二阶PNGV模型参数的在线生成方法的实施例。
图5为本发明实施例提供的一种计算机设备的示意图。如图5所示,该实施例的计算机设备4包括:处理器41、存储器42以及存储在存储42中并可在处理器41上运行的计算机程序43,该计算机程序43被处理器41执行时实现实施例中的应用于二阶PNGV模型参数的在线生成方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器41执行时实现实施例中应用于二阶PNGV模型参数的在线生成装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备4包括,但不仅限于,处理器41、存储器42。本领域技术人员可以理解,图5仅仅是计算机设备4的示例,并不构成对计算机设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是计算机设备4的内部存储单元,例如计算机设备4的硬盘或内存。存储器42也可以是计算机设备4的外部存储设备,例如计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器42还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及计算机设备4所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种二阶PNGV模型参数的在线生成方法,所述二阶PNGV模型为待测电池的等效电路模型,其特征在于,所述方法包括:
获取所述待测电池的多个端电压以及多个环路电流;
构建初始协方差矩阵和初始等效参数矩阵;
根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数;
其中,所述多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
2.根据权利要求1所述的在线生成方法,其特征在于,所述根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数,包括:
对所述待测电池的电压和电流按照采样周期进行采样生成当前端电压和当前环路电流,并根据预先获取的初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵;
根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵;
根据所述当前增益矩阵、所述初始等效参数矩阵、所述当前端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数;
根据所述多个等效参数,生成所述二阶PNGV模型的多个模型参数;
根据所述初始协方差矩阵、所述当前增益矩阵和所述当前状态矩阵,生成当前协方差矩阵;
根据所述当前端电压、所述当前状态矩阵和所述当前等效参数矩阵,生成当前误差;
对采样次数进行加1处理;
判断加1处理后的采样次数是否大于预设阈值;
若判断出所述采样次数小于或等于采样阈值,对所述待测电池的电压和电流按照采样周期进行采样,生成下一个端电压和下一个环路电流;将所述下一个端电压作为所述当前端电压,将所述下一个环路电流作为所述当前环路电流,将所述当前误差作为初始误差,并根据所述初始误差、所述当前端电压和所述当前环路电流生成当前状态矩阵;将所述当前协方差矩阵作为所述初始协方差矩阵;将所述当前等效参数矩阵作为初始等效参数矩阵,并继续执行所述根据初始协方差矩阵以及所述当前状态矩阵,计算当前增益矩阵的步骤。
7.根据权利要求1所述的在线生成方法,其特征在于,所述构建初始协方差矩阵和初始等效参数矩阵,包括:
根据预先获取的初始误差、多个所述端电压和多个所述环路电流,构造第一矩阵和第二矩阵;
根据第一矩阵和第二矩阵,对公式θ=(ΦT(n)Φ(n))-1ΦT(n)Y进行计算,生成初始等效参数矩阵,其中,θ(n)为初始等效参数矩阵,Φ为第一矩阵,Y为第二矩阵;
根据第一矩阵,对公式P(n)=(ΦT(n)Φ(n))-1进行计算,生成初始协方差矩阵,其中,P(n)为初始协方差矩阵,Φ为第一矩阵;或者,
将初始等效参数矩阵设置为0;
通过公式Pj=σ2II对设置的单位矩阵和指定系数进行计算,生成初始协方差矩阵,其中,Pj为初始协方差矩阵,σ2为指定系数,II为单位矩阵。
8.一种二阶PNGV模型参数的在线生成装置,所述二阶PNGV模型为待测电池的等效电路模型,其特征在于,包括:
获取模块,用于获取所述待测电池的多个端电压以及多个环路电流;
矩阵构建模块,构建初始协方差矩阵和初始等效参数矩阵;
参数计算模块,根据所述多个端电压以及所述多个环路电流,更新所述初始协方差矩阵和所述初始等效参数矩阵,生成所述二阶PNGV模型的多个等效参数,并根据所述多个等效参数计算所述二阶PNGV模型的多个模型参数;
其中,所述多个模型参数包括开路电压的值、电池欧姆内阻值、第一极化电容值、第一极化电阻值、第二极化电容值、第二极化电阻值和等效电容值。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的二阶PNGV模型参数的在线生成方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的二阶PNGV模型参数的在线生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361945.1A CN111723454A (zh) | 2020-04-30 | 2020-04-30 | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361945.1A CN111723454A (zh) | 2020-04-30 | 2020-04-30 | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723454A true CN111723454A (zh) | 2020-09-29 |
Family
ID=72563693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361945.1A Withdrawn CN111723454A (zh) | 2020-04-30 | 2020-04-30 | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723454A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447818A (zh) * | 2021-06-03 | 2021-09-28 | 北方工业大学 | 电池等效电路模型的辨识方法及系统 |
-
2020
- 2020-04-30 CN CN202010361945.1A patent/CN111723454A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447818A (zh) * | 2021-06-03 | 2021-09-28 | 北方工业大学 | 电池等效电路模型的辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
Gholizade‐Narm et al. | Lithium‐ion battery state of charge estimation based on square‐root unscented Kalman filter | |
CN110261778B (zh) | 一种锂离子电池soc估测算法 | |
CN110609232B (zh) | 一种锂离子电池soc估计方法、装置及终端设备 | |
CN109633453A (zh) | 电池参数在线辨识方法、装置及计算机可读存储介质 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
Li et al. | Bandwidth based electrical-analogue battery modeling for battery modules | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
CN107462836B (zh) | 一种基于randls模型的电池参数在线辨识方法 | |
CN117129874A (zh) | 电池等效电路模型的参数辨识方法及装置 | |
CN115902643A (zh) | 一种电池阻抗谱分数阶等效电路模型参数的分步辨识方法 | |
CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN114818371A (zh) | 一种基于双记忆长度的限定记忆法的锂电池参数辨识方法 | |
CN111709111A (zh) | 一种二阶pngv模型参数的在线计算方法、装置和计算机设备 | |
CN114236415A (zh) | 一种动力电池健康状态检测方法、装置、设备及存储介质 | |
CN111679196A (zh) | 一种pngv模型参数的在线辨识方法、装置、计算机设备 | |
CN114861413A (zh) | 基于交互式多模型的锂离子电池全生命周期soc的估计方法及装置 | |
CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN113447818B (zh) | 电池等效电路模型的辨识方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200929 |
|
WW01 | Invention patent application withdrawn after publication |