CN112083333A - 一种基于机器学习模型的动力电池组荷电状态估计方法 - Google Patents
一种基于机器学习模型的动力电池组荷电状态估计方法 Download PDFInfo
- Publication number
- CN112083333A CN112083333A CN202010801275.0A CN202010801275A CN112083333A CN 112083333 A CN112083333 A CN 112083333A CN 202010801275 A CN202010801275 A CN 202010801275A CN 112083333 A CN112083333 A CN 112083333A
- Authority
- CN
- China
- Prior art keywords
- charge
- battery
- state
- battery pack
- pack
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000032683 aging Effects 0.000 abstract description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 abstract 1
- 229910001416 lithium ion Inorganic materials 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
Abstract
本发明适用于锂离子电池技术领域,提供了一种基于机器学习模型的动力电池组荷电状态估计方法,方法包括:根据测试得到的动力单体电池温度、电流、荷电状态为输入,以端电压为输出,利用长短期记忆神经网络算法训练电池模型;采用平方根容积卡尔曼滤波算法,实时计算得到所述动力电池组中电压最大单体电池和电压最小单体电池的荷电状态;利用滚动学习方法重新训练电池模型;根据已获取的动力电池组中电压最大单体电池和电压最小单体电池的荷电状态,利用权重方法计算电池组荷电状态。本发明能够在环境温度变化和电池老化之后对动力电池组的荷电状态进行精确估计,提高了动力电池组荷电状态估计的效率和准确率,抗干扰能力强。
Description
技术领域
本发明属于动力电池技术领域,尤其涉及一种动力电池组荷电状态估计方法。
背景技术
目前,电池的剩余电量估计方法通常是采用安时积分法和开路电压法进行计算,这种方法会受到初始荷电状态和电流采集误差的影响导致估计不准确,并且随着电池老化和电池温度变化,估计误差会逐渐增大,精度难以保证。
为减小电流采样误差带来的荷电状态估计误差,研究人员开发出基于电池模型的估计算法,这种算法能够有效降低电流噪声带来的影响,但是需要依赖模型参数的辨识精度,当温度变化和电池老化后,模型参数变化较大,无法得到理想的估计精度。并且在表示电池包的剩余电量的时候通常是以电池包中各个单体电芯的剩余电量求平均值,因此需要求取每个单体电芯的剩余电量,计算量大。
发明内容
有鉴于此,本发明提供了一种基于机器学习模型的动力电池组荷电状态估计方法,以解决现有技术中存在的问题。
本发明实施例的第一方面提供了一种基于机器学习模型的动力电池组荷电状态估计方法,包括:
步骤1:根据测试得到的动力单体电池温度、电流、荷电状态为输入,以端电压为输出,利用长短期记忆神经网络算法训练电池模型;
步骤2:筛选电池组中电压最大单体电池和电压最小单体电池,根据步骤1中已获取的电池模型,采用平方根容积卡尔曼滤波算法,实时计算得到所述动力电池组中电压最大单体电池和电压最小单体电池的荷电状态;
步骤3:根据步骤2中已获取的荷电状态,利用滚动学习方法重新训练电池模型;
步骤4:根据步骤2中已获取的动力电池组中电压最大单体电池和电压最小单体电池的荷电状态,利用权重方法计算电池组荷电状态;
作为优选,步骤1中,根据测试得到的动力单体电池温度、电流、荷电状态为输入,以端电压为输出,利用长短期记忆神经网络算法训练电池模型,包括:
读取所述动力单体电池的温度、充放电电流、荷电状态、端电压;
选取部分数据作为长短期记忆神经网络算法训练集,其余数据作为测试集;
基于所述动力单体电池实时采集得到的温度、电流、荷电状态值,根据长短期记忆神经网络算法,建立电池机器学习模型。
作为优选,步骤2中,采用平方根容积卡尔曼滤波算法,实时计算得到所述动力电池组中电压最大单体电池和电压最小单体电池的荷电状态,包括:
筛选电池组中电压最大单体电池和电压最小单体电池;
根据筛选电池组中电压最大单体电池和电压最小单体电池电压值,利用改进平方根容积卡尔曼滤波算法对所述单体电池的电流、端电压和电池机器学习模型进行计算,实时获取所述单体电池的荷电状态,其中改进平方根容积卡尔曼滤波算法的历史信息为:
对应的卡尔曼增益矩阵为:
Kp,k=[Kk,Kk-1,L,Kk-p+1];
状态更新为:
作为优选,步骤3中,所述利用滚动学习方法重新训练电池模型,包括:
累积历史动力单体电池的温度、充放电电流、端电压、步骤2计算得到的荷电状态;
当累积历史时间超过预设值M时,根据累积数据,利用长短期记忆神经网络算法重新训练电池模型,更新模型参数;
作为优选,步骤4中,根据已获取的动力电池组中电压最大单体电池和电压最小单体电池的荷电状态,利用权重方法计算电池组荷电状态,包括:
电池组荷电状态计算公式:
sPack(t)=ω1·sMax(t)+ω2·sMin(t)+b;
其中sPack为电池组荷电状态,sMax为电池组中电压最大单体荷电状态,sMin为电池组中电压最小单体荷电状态,ω1和ω2分别为电池组中电压最大和最小单体荷电状态权重,b为偏差;
电池处于放电,sPack<sMax-sMin的权重和偏差更新公式为:
电池处于放电,sPack≥sMax-sMin的权重和偏差更新公式为:
电池处于充电,sPack≥1-(sMax-sMin)的权重和偏差更新公式为:
电池处于充电,sPack<1-(sMax-sMin)的权重和偏差更新公式为:
与现有技术相比,本发明具有以下优点:
1、本发明开发了长短期记忆神经网络学习算法,根据电流、温度、荷电状态和端电压对电池的电特性进行有效建模,并通过滚动学习方法在线更新模型参数,提高了模型精度。
2、本发明提出了一种改进的平方根容积卡尔曼滤波算法来估计单体电池荷电状态。利用多创新更新技术,根据当前和历史的信息对单体电池荷电状态进行校正,提高了单体电池荷电状态的估计精度。
3、本发明考虑了单体电池的不一致性,提出了一种估计动力电池组荷电状态的平滑方法。以单体电池荷电状态值的最大值和最小值为特征,设计了权值和偏差的迭代规则,提高了电池组不一致性下的荷电状态估计精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简要介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施的流程示意图;
图2是动力电池组中任一单体电池的机器学习模型示意图;
图3是本发明实施例二提供的对应实施例1建立电池模型的实施结果图;
图4是本发明实施例三提供的对应实施例1实时计算单体电池荷电状态的实施结果图;
图5是本发明实施例五提供的对应实施例1计算电池组荷电状态的实施结果图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例1
如图1所示,本实施例提供一种基于机器学习模型的动力电池组荷电状态估计方法,该方法可以应用于如电动汽车电池管理系统等终端设备。本实施例所提供的动力电池组荷电状态估计方法,包括:
建立电池模型:根据第一预设算法,以动力单体电池温度、电流、荷电状态为输入,端电压为输出,建立电池模型。
在具体应用中,实时获取单体动力电池的温度、电流、荷电状态、端电压,通过第一预设算法对单体动力电池的温度、电流、荷电状态和端电压进行计算,获取电池的模型参数,其中,第一预设算法为基于长短期记忆神经网络的机器学习算法;
实时计算单体电池的荷电状态:根据第二预设算法,实时计算动力电池组中电压最大单体和电压最小单体电池的荷电状态。
在具体应用中,根据第二预设算法对单体动力电池的充放电电流、端电压、模型参数进行计算,实时获取单体动力电池荷电状态,其中,第二预设算法包括但不限于基于改进的平方根容积卡尔曼滤波算法;
重新训练电池模型:根据第三预设算法重新训练模型,得到模型参数。
在具体应用中,根据第三预设算法对电池模型进行重新训练,提高模型对温度、工况以及电池老化的适应能力,用于下一次单体电池荷电状态估算,其中,第三预设算法包括但不限于滚动学习算法;
计算电池组荷电状态:根据第四预设算法及电池组中电压最大单体和电压最小单体电池的荷电状态,计算电池组荷电状态。
在具体应用中,根据第四预设算法对电池组中电压最大单体和电压最小单体电池的荷电状态进行计算,实时获取动力电池组荷电状态,其中,第四预设算法包括但不限于权重迭代更新方法;
本实施例通过实验获取单体动力电池在不同温度和工况下的温度、电流、荷电状态和电压变化,并通过长短期记忆神经网络算法训练电池模型,然后通过改进的平方根荣及卡尔曼滤波算法实时计算单体动力电池荷电状态,同时利用滚动学习算法更新电池模型参数,最后利用权重迭代方法计算动力电池组荷电状态,提高动力电池组荷电状态的估计精度,保证了电池使用安全。
实施例2
本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,建立电池模型包括:
读取数据:读取所述单体动力电池的温度、电流、荷电状态和端电压;
建立机器学习模型:建立单体动力电池的机器学习模型。
在具体应用中,动力电池组中任一单体电池的机器学习模型如图2所示。其中,tanh为双曲函数,σ为sigmoid激活函数,InPt和OutPt-1分别表示当前状态的输入数据和前一状态的输出值。其中单体电池温度、电流、荷电状态和模型输入,电压为模型输出值;
长短期记忆神经网络算法遗忘门可以表示为:
ft=σ(bf+InPtIWf+OutPt-1OWf);
然后,判断哪些信息应该存储在记忆细胞中。这个步骤有两个部分,一个部分称为“输入门”,判断哪些值要更新;另一部分称为“输入节点”,它创建一个新的候选向量,
对应计算当前单元状态为:
ct=ct-1ft+gi;
最终,输出门通过更新单元状态、输入门和输入节点的信息来决定最终输出什么信息。即:
根据上述步骤得到如图3所示的电池模型输出电压曲线。
实施例3
本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,实时计算单体电池的荷电状态包括:
读取数据:读取所述单体动力电池的温度、电流、荷电状态和端电压;
计算荷电单体电池荷电状态:基于所述单体动力电池机器学习模型,根据第一预设算法训练得到模型参数,利用第三预设算法获取k时刻单体电池荷电状态;其中,所述第三预设算法为基于改进的平方根容积卡尔曼滤波算法。
在具体应用中,基于所述单体动力电池机器学习模型,根据第一预设算法训练得到模型参数,利用第三预设算法获取k时刻单体电池荷电状态;其中,所述第三预设算法为基于改进的平方根容积卡尔曼滤波算法。
基于改进的平方根容积卡尔曼滤波荷电状态估计,如下所示:
其中:
yk=LSTM(Ik,sk,Tk,vk-1);
设定滤波相关初始值:
计算k-1容积点:
生成传播容积点:
估计预测状态:
然后,将预测误差协方差矩阵的平方根推导为:
其中:
重新计算容积点:
更新传播的测量容积点:
yg,k∣k-1=LSTM(uk,xg,k∣k-1,Tk,vk-1);
估计预测的测量结果:
得到创新度协方差矩阵的平方根
Syy,k∣k-1=Tria[ζk∣k-1,SR,k];
其中ζk∣k-1为:
计算观测和预测状态,为:
最优值为:
其中:
Kp,k=[Kk,Kk-1,L,Kk-p+1];
误差协方差矩阵对应的平方根为:
Sk∣k=Tria[χk∣k-1-Kkζk∣k-1,KkSR,k];
通过上述步骤可动态估计每一时刻单体动力电池荷电状态。
本实施例通过对当前时刻动力电池的电流、电压和模型参数进行计算,利用改进平方根容积卡尔曼滤波算法估计电池荷电状态,得到如图4所示的单体电池荷电状态变化曲线。提高了在电池温度变化及电池老化后对动力电池荷电状态进行估计的准确率。
实施例4
本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,重新训练电池模型包括:
累积历史数据:累积历史动力单体电池的温度、充放电电流、端电压和计算得到的单体电池荷电状态;
更新模型参数:当累积时间大于预设值M时,根据累积数据,利用长短期记忆神经网络算法重新训练电池模型,更新模型参数。
本实施例利用累积数据对模型参数进行重新计算,应用于下一时刻单体电池荷电状态估计中,提高了模型的适应能力。
实施例5
本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,计算电池组荷电状态包括:
读取数据:读取动力电池组中单体荷电状态最大值和最小值;
计算初始权重和偏差:
计算动力电池组初始荷电状态:
sPack(0)=ω1·sMax(0)+ω2·sMin(0)+b;
更新权重和偏差:电池处于放电,sPack<sMax-sMin的权重和偏差更新公式为:
电池处于放电,sPack≥sMax-sMin的权重和偏差更新公式为:
电池处于充电,sPack≥1-(sMax-sMin)的权重和偏差更新公式为:
电池处于充电,sPack<1-(sMax-sMin)的权重和偏差更新公式为:
重新计算电池组荷电状态:
sPack(t)=ω1·sMax(t)+ω2·sMin(t)+b;
通过上述步骤可动态估计每一时刻动力电池组荷电状态。
本实施例利用权重更新迭代方法对当前时刻单体最大荷电状态和最小荷电状态进行计算,估计动力电池组荷电状态,提高了电池组不一致性下的荷电状态估计精度,避免了电池过充和过放。得到如图5所示的动力电池组荷电状态变化曲线。
Claims (5)
1.一种基于机器学习模型的动力电池组荷电状态估计方法,其特征在于,包括以下步骤:
步骤1:实时获取单体动力电池的温度、电流、荷电状态、端电压,以得到的动力单体电池温度、电流、荷电状态为输入,以端电压为输出,利用长短期记忆神经网络算法训练电池模型;
步骤2:筛选电池组中电压最大单体电池和电压最小单体电池,根据步骤1中已获取的电池模型,采用平方根容积卡尔曼滤波算法,实时计算得到所述动力电池组中电压最大单体电池和电压最小单体电池的荷电状态;
步骤3:根据步骤2中已获取的荷电状态,利用滚动学习方法重新训练电池模型;
步骤4:根据步骤2中已获取的动力电池组中电压最大单体电池和电压最小单体电池的荷电状态,利用权重方法计算电池组荷电状态。
2.如权利要求1所述的一种基于机器学习模型的动力电池组荷电状态估计方法,其特征在于,步骤1中,所述训练电池模型的步骤为:
读取所述动力单体电池的温度、充放电电流、荷电状态、端电压;
选取60%数据作为长短期记忆神经网络算法训练集,剩下40%数据作为测试集;
基于所述动力单体电池实时采集得到的温度、电流、荷电状态、端电压值,根据长短期记忆神经网络算法,建立电池机器学习模型。
4.如权利要求1所述的一种基于机器学习模型的动力电池组荷电状态估计方法,其特征在于,步骤3中,所述利用滚动学习方法重新训练电池模型,包括:
累积历史动力单体电池的温度、充放电电流、端电压及步骤2计算得到的荷电状态;
当累积历史时间超过预设值M时,根据累积数据,利用长短期记忆神经网络算法重新训练电池模型,更新模型参数。
5.如权利要求1所述的一种基于机器学习模型的动力电池组荷电状态估计方法,其特征在于,所述的电池组荷电状态的计算公式为:
sPack(t)=ω1·sMax(t)+ω2·sMin(t)+b;
其中sPack为电池组荷电状态,sMax为电池组中电压最大单体荷电状态,sMin为电池组中电压最小单体荷电状态,ω1和ω2分别为电池组中电压最大和最小单体荷电状态权重,b为偏差;
电池处于放电,sPack<sMax-sMin的权重和偏差更新公式为:
电池处于放电,sPack≥sMax-sMin的权重和偏差更新公式为:
电池处于充电,sPack≥1-(sMax-sMin)的权重和偏差更新公式为:
电池处于充电,sPack<1-(sMax-sMin)的权重和偏差更新公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801275.0A CN112083333A (zh) | 2020-08-11 | 2020-08-11 | 一种基于机器学习模型的动力电池组荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801275.0A CN112083333A (zh) | 2020-08-11 | 2020-08-11 | 一种基于机器学习模型的动力电池组荷电状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112083333A true CN112083333A (zh) | 2020-12-15 |
Family
ID=73734868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010801275.0A Pending CN112083333A (zh) | 2020-08-11 | 2020-08-11 | 一种基于机器学习模型的动力电池组荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083333A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009258A (zh) * | 2021-03-01 | 2021-06-22 | 上海电气集团数字科技有限公司 | 一种设备工作状态监测方法 |
CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118610A (zh) * | 2007-09-10 | 2008-02-06 | 东北大学 | 稀疏数据过程建模方法 |
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和系统 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
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 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109991543A (zh) * | 2019-03-29 | 2019-07-09 | 深圳猛犸电动科技有限公司 | 一种电池包剩余电量的获取方法、装置及终端设备 |
CN110361642A (zh) * | 2019-07-11 | 2019-10-22 | 中国科学院电工研究所 | 一种电容器荷电状态的预测方法、装置及电子设备 |
-
2020
- 2020-08-11 CN CN202010801275.0A patent/CN112083333A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118610A (zh) * | 2007-09-10 | 2008-02-06 | 东北大学 | 稀疏数据过程建模方法 |
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和系统 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
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 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109991543A (zh) * | 2019-03-29 | 2019-07-09 | 深圳猛犸电动科技有限公司 | 一种电池包剩余电量的获取方法、装置及终端设备 |
CN110361642A (zh) * | 2019-07-11 | 2019-10-22 | 中国科学院电工研究所 | 一种电容器荷电状态的预测方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
刘嘉林等: "基于扩展卡尔曼滤波的锂离子电池 SOC 估计", 《农业装备与车辆工程》 * |
朱晓栋: "锂离子电池剩余使用寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李超然等: "一种基于LSTM-RNN的脉冲大倍率工况下锂离子电池仿真建模方法", 《中国电机工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009258A (zh) * | 2021-03-01 | 2021-06-22 | 上海电气集团数字科技有限公司 | 一种设备工作状态监测方法 |
CN113009258B (zh) * | 2021-03-01 | 2023-10-10 | 上海电气集团数字科技有限公司 | 一种设备工作状态监测方法 |
CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
CN113884905B (zh) * | 2021-11-02 | 2022-06-14 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN107402353B (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN110187282B (zh) | 电池荷电状态估算方法和估算装置 | |
CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
US6534954B1 (en) | Method and apparatus for a battery state of charge estimator | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN111679199A (zh) | 一种锂离子电池soc估计方法及装置 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN114740357A (zh) | 一种并联电池组支路电流、荷电状态和功率状态的联合估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
KR100878123B1 (ko) | 배터리 상태 및 파라미터 추정 시스템 및 방법 | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 | |
CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
RJ01 | Rejection of invention patent application after publication |