CN113655385B - 锂电池soc估计方法、装置及计算机可读存储介质 - Google Patents

锂电池soc估计方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113655385B
CN113655385B CN202111215850.XA CN202111215850A CN113655385B CN 113655385 B CN113655385 B CN 113655385B CN 202111215850 A CN202111215850 A CN 202111215850A CN 113655385 B CN113655385 B CN 113655385B
Authority
CN
China
Prior art keywords
sample
model
sub
state data
submodel
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
Application number
CN202111215850.XA
Other languages
English (en)
Other versions
CN113655385A (zh
Inventor
马辉
仓文涛
雷健华
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.)
Shenzhen Delian Minghai New Energy Co ltd
Original Assignee
Shenzhen Poweroak Newener Co Ltd
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 Shenzhen Poweroak Newener Co Ltd filed Critical Shenzhen Poweroak Newener Co Ltd
Priority to CN202111215850.XA priority Critical patent/CN113655385B/zh
Publication of CN113655385A publication Critical patent/CN113655385A/zh
Application granted granted Critical
Publication of CN113655385B publication Critical patent/CN113655385B/zh
Priority to PCT/CN2022/081476 priority patent/WO2022213789A1/zh
Priority to EP22773375.5A priority patent/EP4113139A4/en
Priority to JP2022549542A priority patent/JP7450741B2/ja
Priority to US17/893,416 priority patent/US20230118702A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/443—Methods for charging or discharging in response to temperature
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及锂电池SOC估计技术领域，公开了一种锂电池SOC估计方法、装置及计算机可读存储介质，通过采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集，然后针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数，接着将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型，最后为所述所选子模型分配权重，并计算获得待测试样本的SOC值。通过上述方式获得锂电池SOC估计值可以提高锂电池SOC估计值的精度和可靠性。

Description

锂电池SOC估计方法、装置及计算机可读存储介质
技术领域
本发明涉及锂电池SOC估计技术领域，特别涉及一种锂电池SOC估计方法、装置及计算机可读存储介质。
背景技术
随着锂电池制造和集成技术发展，锂离子电池具有的高能量密度、高单体电压和较长循环寿命等优势被不断挖掘，已成为新能源汽车、储能电源等系统的主流选择。对于储能电源，如何对锂电池的SOC(荷电状态)进行准确、实时估计是储能电源的核心技术之一。准确的SOC估计可以避免电池过充、过放等非正常工作方式，延长电池的使用寿命，降低安全事故发生率。
然而，现有技术通常利用机器学习算法离线训练得到电池电压、电流、温度等与SOC之间的映射关系，然后将实测数据代入模型计算得到SOC估计值。但该方法通常构造单一全局模型，不利于表征多工况下SOC的局部过程特征，并且使得SOC估计精度不足、可靠性差。
发明内容
本发明要解决的技术问题是提供一种锂电池SOC估计方法、装置及计算机可读存储介质，以提高锂电池SOC估计值的精度和可靠性。
为解决上述技术问题，本发明实施方式采用的一个技术方案是：提供一种锂电池SOC估计方法，所述方法包括：
采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集；
针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数；
将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型；
为所述所选子模型分配权重，并计算获得待测试样本的SOC值。
可选的，所述锂电池的状态数据包括：锂电池充放电电流、端电压、温度中的至少一种。
可选的，所述对所述样本集进行聚类分析，获得多个样本子集包括：
利用K-means算法对所述样本集进行聚类分析，获得多个样本子集，步骤包括如下：
初始化样本子集个数N和最大迭代次数Ninter；,
从所述样本集中随机选取N个样本的状态数据作为N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)中心μ1,μ2,…,μj,…,μN，其中，X表示状态数据，Y表示SOC值，μ表示聚类中心，1≤j≤N；
设定k=1,2,…,Ninter；
将N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)各初始化为空集(Xj,Yj)=φ，j=1,2,…,N；
计算每一个样本(xi,yi)的状态数据xi和各聚类中心μj之间的距离，其中，xi表示某一个样本的状态数据，yi表示某一个样本的SOC值；计算公式为：
Figure 214456DEST_PATH_IMAGE001
；
将样本(xi,yi)归属为最小的di,j所对应的样本子集(Xj,Yj)，并更新样本子集(Xj,Yj) =(Xj,Yj)∪(xi,yi)；
计算更新后各样本子集的聚类中心
Figure 543807DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE003
为第j个样本子集的样本个数；
若
Figure 601761DEST_PATH_IMAGE004
，则输出样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)，其中，k=1,2,…,Ninter；
否则，令k←k﹢1，直到迭代次数到达所述最大迭代次数Ninter。
可选的，所述针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数包括：
利用偏最小二乘回归法针对每一个样本子集建立相应的PLS子模型，获得多个样本子集的PLS子模型函数；
所述PLS子模型表达如下：
Figure DEST_PATH_IMAGE005
其中，Tj、Uj为第j个PLS子模型的得分矩阵，Pj、Qj为第j个PLS子模型的载荷矩阵，EXj、EYj为第j个PLS子模型的残差矩阵；
所述得分矩阵通过线性回归建立联系：
Figure 801799DEST_PATH_IMAGE006
其中，Bj、Ej分别为第j个PLS子模型的对角矩阵和回归残差矩阵；
所述多个样本子集的PLS子模型函数表达如下：
Figure DEST_PATH_IMAGE007
其中，f表示子模型函数。
可选的，所述将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，包括：
将所述待测试样本的状态数据xtext分别加入到各样本子集的状态数据 x1,…,xj,…, xN中，以获取新的状态数据(X1, xtext),…, (Xj, xtext),…, (XN, xtext)；
计算Xj与(Xj, xtext)之间的第一散度信息值Kj，其中所述第一散度信息值Kj的公式为：
Figure 919796DEST_PATH_IMAGE008
其中，Σ1, σ1分别为Xj的协方差矩阵和均值，Σ2, σ2分别为(Xj, xtext)的协方差矩阵和均值，trace为矩阵求迹运算符；
对所述第一散度信息值Kj进行归一化处理，获取第二散度信息值
Figure DEST_PATH_IMAGE009
，其中所述归一化的公式为：
Figure 736442DEST_PATH_IMAGE010
。
可选的，所述根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型包括：
将
Figure 741963DEST_PATH_IMAGE009
与预设散度信息值ε进行比较，将不小于预设散度信息值ε的
Figure 796507DEST_PATH_IMAGE009
所对应的子模型作为相近的所选子模型，所述所选子模型的集合的表达公式为：
Figure DEST_PATH_IMAGE011
，
Figure 288668DEST_PATH_IMAGE012
，
其中，Nc为所选子模型的总个数。
可选的，所述为所述所选子模型分配权重包括：
令所选子模型中每一个所选子模型的权重为
Figure DEST_PATH_IMAGE013
，s=q1,q2,…,qc；
所述权重表达公式如下：
Figure 123769DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
Figure 726789DEST_PATH_IMAGE016
。
可选的，所述计算获得待测试样本的SOC值通过如下公式计算获得：
Figure DEST_PATH_IMAGE017
。
为解决上述技术问题，本发明实施方式采用的另一个技术方案是：提供一种锂电池SOC估计装置，所述装置包括：
获取模块，用于采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集；
模型建立模块，用于针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数；
选择模块，用于将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型；
SOC计算模块，用于为所述所选子模型分配权重，并计算获得待测试样本的SOC值。
为解决上述技术问题，本发明实施方式采用的又一个技术方案是：提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述所述的方法。
区别于相关技术的情况，本发明实施例提供一种锂电池SOC估计方法、装置及计算机可读存储介质，所述锂电池SOC估计方法、装置及计算机可读存储介质通过采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集，然后针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数。以聚类分析的方式将非线性锂电池系统进行分段近似线性化得到多段局部线性子模型，避免了单一全局模型泛化性能低的缺陷。将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型，最后为所述所选子模型分配权重，并计算获得待测试样本的SOC值。相关子模型挑选时从样本的概率密度分布角度出发，充分考虑了样本集间的概率密度分布差异并以此为相关子模型分配权重，进行最终SOC估计输出，使得SOC估计结果具有更高的精度和可靠性。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的一种锂电池SOC估计方法的流程图；
图2是本发明实施例提供的一种锂电池SOC估计方法的估计结果图；
图3是本发明实施例提供的一种锂电池SOC估计装置结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互组合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块的划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置示意图中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1，图1是本发明实施例提供的一种锂电池SOC估计方法的流程图，如图1所示，所述方法的步骤包括：
S1、采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集。
所述样本子集包括(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)，其中，1≤j≤N，N表示样本子集的总个数，X表示样本子集的状态数据，Y表示样本子集的SOC值，其中，(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)分别为多个样本的集合，即：(X1,Y1)={ (x11,y11), (x12,y12),…, (x1a,y1a)}, (X2,Y2)= { (x21,y21), (x22,y22),…, (x2b,y2b)},…,(Xj,Yj) ={(xj1,yj1), (xj2,yj2),…, (xjc,yjc)},…,(XN,YN)= { (xN1,yN1), (xN2,yN2),…, (xNn,yNn)}；x表示某一个样本的状态数据，y表示某一个样本的SOC值，
Figure 166997DEST_PATH_IMAGE018
，A表示样本集内的样本总个数。
具体的，所述状态数据包括锂电池充放电电流、端电压、温度中的至少一种，某一个样本的状态数据x的表达式为x=[I,U,T]，I,U,T分别为锂电池充放电电流、端电压、温度的采样值。
所述SOC值指的是所述锂电池的剩余容量与所述锂电池满电状态下容量的比值，所述SOC的取值范围为0%~100%，当所述SOC的值等于0%时，代表所述锂电池放电完全，当所述SOC的值为100%时，表示所述锂电池处于满电情况，通过得知所述SOC的取值，可以控制所述锂电池的运行。
每一工况下每一组状态数据x会对应一个SOC值y，状态数据x为自变量，其对应的SOC值y为因变量，将所述自变量x作为输入模型，所述因变量y作为输出模型，通过计算得到所述自变量x和所述因变量y之间的关系，以获取所述锂电池SOC估计模型。
上述的步骤过程中采集获得的样本集均作为训练集以获得SOC估计模型，在具体应用过程中，为了对建立的SOC估计模型进行准确度测试，可以将不同工况下的样本集分为训练集和测试集，例如，将样本集的75%作为训练集Dtrain={Xtrain,Ytrain}，另25%作为测试集Dtest={Xtest,Ytest}。
具体的，所述聚类分析是为了将非线性锂电池系统进行分段以进行近似线性化。
具体的，所述聚类分析可以采用现有的任何一种聚类分析算法。在一种实现方式中，采用K-means聚类算法对样本集进行聚类分析，具体步骤包括如下：
S11. 初始化样本子集个数N和最大迭代次数Ninter；
S12. 从所述样本集中随机选取N个样本的状态数据作为N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)的初始聚类中心μ1,μ2,…,μj,…,μN，μ表示聚类中心，1≤j≤N；
S13. 设定k=1,2,…,Ninter；
（a）将N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)各初始化为空集(Xj,Yj)=φ，j=1,2,…,N；
（b）计算每一个样本(xi,yi)的状态数据xi和各聚类中心μj之间的距离，其中，xi表示某一个样本的状态数据，yi表示某一个样本的SOC值；计算公式为：
Figure DEST_PATH_IMAGE019
；
（c）将样本(xi,yi)归属为最小的di,j所对应的样本子集(Xj,Yj)，并更新样本子集(Xj,Yj) =(Xj,Yj)∪(xi,yi)；
（d）计算更新后各样本子集的聚类中心
Figure 361218DEST_PATH_IMAGE002
，其中，
Figure 824560DEST_PATH_IMAGE003
为第j个样本子集的样本个数；
（e）若
Figure 231271DEST_PATH_IMAGE004
，则输出样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)，其中，k=1,2,…,Ninter；
（f）否则，令k←k﹢1，直到迭代次数到达所述最大迭代次数Ninter。
S2、针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数。
对步骤S1中聚类分析之后的样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)进行线性回归运算，以获取所述锂电池SOC回归分类模型，具体地，利用偏最小二乘回归法（PLS）针对每一个样本子集建立相应的PLS子模型，获得多个样本子集的PLS子模型函数。PLS是一种统计学方法，主要是利用主成分分析的特点，分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。
PLS子模型表达如下：
Figure 463669DEST_PATH_IMAGE005
；
其中，Tj、Uj为第j个PLS子模型的得分矩阵，Pj、Qj为第j个PLS子模型的载荷矩阵，EXj、EYj为第j个PLS子模型的残差矩阵。
得分矩阵Tj、Uj、是表示各项指标变量与提取的公因子之间的关系，若在某一公因子上的得分高，则表明所述指标变量与所述公因子之间的关系越密切；载荷矩阵Pj、Qj指的是各原始变量的因子表达式的系数，主要是表达提取的公因子对原始变量的影响程度；残差矩阵EXj、EYj指的是利用样本的观测值减去样本的估计值。
所述得分矩阵通过线性回归建立联系：
Figure 503825DEST_PATH_IMAGE006
其中，Bj、Ej分别为第j个PLS子模型的对角矩阵和回归残差矩阵；对角矩阵指的是主对角线之外的元素皆为0的矩阵。
最后多个样本子集的PLS子模型函数表达如下：
Figure 251201DEST_PATH_IMAGE007
。
S3、将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型。
所述计算加入前后各样本子集的状态数据变化值可以通过KL散度
Figure 664865DEST_PATH_IMAGE020
来计算，其衡量的是状态数据变化前后之间概率密度分布的差异大小。
具体的，获取待测试样本的数据状态xtext，并将所述待测试样本的数据状态xtext加入到各样本子集的状态数据x1,…,xj,…, xN中，以获取新的状态数据(X1, xtext),…, (Xj,xtext),…, (XN, xtext)，计算Xj与(Xj, xtext)之间的第一散度信息值Kj (KL散度)，其中，所述第一散度信息值Kj的公式为：
Figure 345245DEST_PATH_IMAGE008
其中，Σ1, σ1分别为Xj的协方差矩阵和均值，Σ2, σ2分别为(Xj, xtext)的协方差矩阵和均值，trace为矩阵求迹运算符。
对所述第一散度信息值Kj进行归一化处理，获取第二散度信息值
Figure 818952DEST_PATH_IMAGE009
，其中所述归一化的公式为：
Figure 788045DEST_PATH_IMAGE010
，
Figure 739820DEST_PATH_IMAGE009
越大，表明xtext和Xj的相似度越高，即xtext和Xj表征的锂电池工况越接近。因此，从样本概率密度分布选择Nc个较大
Figure 946811DEST_PATH_IMAGE009
所对应的子模型。
具体地，将第二散度信息值
Figure 325839DEST_PATH_IMAGE009
与预设散度信息值ε进行比较，将不小于预设散度信息值ε的
Figure 782229DEST_PATH_IMAGE009
所对应的子模型作为相近的所选子模型。所选子模型的集合的表达公式为：
Figure 537695DEST_PATH_IMAGE011
，Qc由如下公式确定：
Figure 395930DEST_PATH_IMAGE012
，
其中，Nc为所选子模型的总个数。
S4、为所述所选子模型分配权重，并计算获得待测试样本的SOC值。
每一个所选子模型的权重与第二散度信息值
Figure 211439DEST_PATH_IMAGE009
相关，令所选子模型中每一个所选子模型的权重为
Figure 155124DEST_PATH_IMAGE021
，s=q1,q2,…,qc；
由贝叶斯全概率公式，其权重可进一步表示为：
Figure 448702DEST_PATH_IMAGE022
其中，
Figure 161443DEST_PATH_IMAGE015
，
其中，
Figure 162502DEST_PATH_IMAGE021
为测试样本xtext属于Xs的后验概率，P(Xs)为Xs能描述当前锂电池工况的先验概率，
Figure 593484DEST_PATH_IMAGE023
表示xtext可由Xs生成的概率。
假设每个子模型被选中参与集成的概率均相等，则：
Figure 487490DEST_PATH_IMAGE016
。
根据每一个所选子模型所分配的权重，再结合其子模型函数，则测试样本xtext对应的SOC集成估计输出结果为：
Figure 54738DEST_PATH_IMAGE017
。
在一些实施例中，所述锂电池SOC估计方法还包括在获取所述锂电池SOC估计模型后对所述模型进行验证。在获取所述锂电池SOC估计模型后，可以通过均方根误差和平均相对误差对所述锂电池SOC估计模型得到的SOC值进行验证，以判断根据所述锂电池SOC估计模型得到的SOC值是否准确。
具体的，所述误差项公式为：
Figure 415312DEST_PATH_IMAGE024
Figure 130327DEST_PATH_IMAGE025
其中，l为测试样本个数，
Figure 765708DEST_PATH_IMAGE026
为SOC的真实值，
Figure 453041DEST_PATH_IMAGE027
为SOC的估计值。
所述锂电池SOC估计模型的验证结果如下表所示。
误差项 RMSE ARE/%
结果 0.767 2.63
请参阅图2，图2是本发明实施例提供的一种锂电池SOC估计方法的估计结果图，直线代表的是所述锂电池SOC的真实值，虚线代表的是根据所述锂电池SOC估计模型得到的估计值，如图2所示，所述锂电池SOC的真实值和所述锂电池SOC的估计值近似同一条直线。
在实际测量中，通过实时获取所述锂电池的端电压、充放电电流和温度中的至少一个，输入到所述锂电池SOC估计模型中，以获取得到所述端电压、所述充放电电流和所述温度相对应的所述锂电池SOC对应的值。
区别于相关技术的情况，本发明实施例提供一种锂电池SOC估计方法，所述锂电池SOC估计方法通过采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集，然后针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数，接着将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型，最后为所述所选子模型分配权重，并计算获得待测试样本的SOC值。通过上述方式获得锂电池SOC估计值，提高锂电池SOC估计值的精度和可靠性。
请参阅图3，图3是本发明实施例提供的一种锂电池SOC估计装置结构框图，如图3所示，所述锂电池SOC估计装置1包括获取模块11、模型建立模块12、选择模块13和SOC计算模块14。
所述获取模块11用于采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集；
所述模型建立模块12用于针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数；
所述选择模块13用于将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型；
所述SOC计算模块14用于为所述所选子模型分配权重，并计算获得待测试样本的SOC值。
需要说明的是，上述锂电池SOC估计装置可执行本发明实施例所提供的锂电池SOC估计方法，具备执行方法相应的功能模块和有益效果。未在锂电池SOC估计装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的锂电池SOC估计方法。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1的方法步骤，实现图3中的各模块的功能。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (8)

1.一种锂电池SOC估计方法，其特征在于，包括：
采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集；
利用线性回归运算针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数；
将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型；
为所述所选子模型分配权重，并计算获得待测试样本的SOC值，其中，所述为所述所选子模型分配权重包括：
令所选子模型中每一个所选子模型的权重为
Figure 518905DEST_PATH_IMAGE001
，s=q1,q2,…,qc；
所述权重表达公式如下：
Figure 366775DEST_PATH_IMAGE002
其中，
Figure 26426DEST_PATH_IMAGE003
Figure 109789DEST_PATH_IMAGE004
；
其中，P(Xs)为Xs能描述当前锂电池工况的先验概率，
Figure 905707DEST_PATH_IMAGE005
表示xtext可由Xs生成的概率；
其中，所述计算获得待测试样本的SOC值的计算公式为：
Figure 924478DEST_PATH_IMAGE006
；
其中，
Figure 71426DEST_PATH_IMAGE007
表示待测样本的SOC估计值，xtext表示待测试样本的状态数据，q1表示所选择的第1个子模型，qNc表示所选择第Nc个子模型，s表示所选择的第s个子模型，
Figure 958479DEST_PATH_IMAGE001
表示所选择的第s个子模型的权重，fs(xtext)表示第s个子模型所对应的子模型函数，
Figure 140062DEST_PATH_IMAGE008
表示散度信息值。
2.根据权利要求1所述的方法，其特征在于，所述锂电池的状态数据包括：锂电池充放电电流、端电压、温度中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述对所述样本集进行聚类分析，获得多个样本子集包括：利用K-means算法对所述样本集进行聚类分析，获得多个样本子集，步骤包括如下：
初始化样本子集个数N和最大迭代次数Ninter；
从所述样本集中随机选取N个样本的状态数据作为N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)中心μ1,μ2,…,μj,…,μN，其中，X表示状态数据，Y表示SOC值，μ表示聚类中心，1≤j≤N；
设定k=1,2,…,Ninter；
将N个样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)各初始化为空集(Xj,Yj)=φ，j=1,2,…,N；
计算每一个样本(xi,yi)的状态数据xi和各聚类中心μj之间的距离，其中，xi表示某一个样本的状态数据，yi表示某一个样本的SOC值；计算公式为：
Figure 64155DEST_PATH_IMAGE009
；
将样本(xi,yi)归属为最小的di,j所对应的样本子集(Xj,Yj)，并更新样本子集(Xj,Yj) =(Xj,Yj)∪(xi,yi)；
计算更新后各样本子集的聚类中心
Figure 698399DEST_PATH_IMAGE010
，其中，
Figure 998930DEST_PATH_IMAGE011
为第j个样本子集的样本个数；
若
Figure 159653DEST_PATH_IMAGE012
，则输出样本子集(X1,Y1),(X2,Y2),…,(Xj,Yj),…,(XN,YN)，其中，k=1,2,…,Ninter；
否则，令k←k﹢1，直到迭代次数到达所述最大迭代次数Ninter。
4.根据权利要求1所述的方法，其特征在于，所述针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数包括：利用偏最小二乘回归法针对每一个样本子集建立相应的PLS子模型，获得多个样本子集的PLS子模型函数；
所述PLS子模型表达如下：
Figure 254648DEST_PATH_IMAGE013
其中，Tj、Uj为第j个PLS子模型的得分矩阵，Pj、Qj为第j个PLS子模型的载荷矩阵，EXj、EYj为第j个PLS子模型的残差矩阵；
所述得分矩阵通过线性回归建立联系：
Figure 376188DEST_PATH_IMAGE014
其中，Bj、Ej分别为第j个PLS子模型的对角矩阵和回归残差矩阵；
所述多个样本子集的PLS子模型函数表达如下：
Figure 745990DEST_PATH_IMAGE015
其中，f表示子模型函数。
5.根据权利要求1所述的方法，其特征在于，所述将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，包括：
将所述待测试样本的状态数据xtext分别加入到各样本子集的状态数据 x1,…,xj,…,xN中，以获取新的状态数据(X1, xtext),…, (Xj, xtext),…, (XN, xtext)；
计算Xj与(Xj, xtext)之间的第一散度信息值Kj，其中所述第一散度信息值Kj的公式为：
Figure 371006DEST_PATH_IMAGE016
其中，Σ1, σ1分别为Xj的协方差矩阵和均值，Σ2, σ2分别为(Xj, xtext)的协方差矩阵和均值，trace为矩阵求迹运算符；
对所述第一散度信息值Kj进行归一化处理，获取第二散度信息值
Figure 27115DEST_PATH_IMAGE017
，其中所述归一化的公式为：
Figure 370372DEST_PATH_IMAGE018
。
6.根据权利要求5所述的方法，其特征在于，所述根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型包括：
将
Figure 278285DEST_PATH_IMAGE017
与预设散度信息值ε进行比较，将不小于预设散度信息值ε的
Figure 288966DEST_PATH_IMAGE017
所对应的子模型作为相近的所选子模型，所述所选子模型的集合的表达公式为：
Figure 991343DEST_PATH_IMAGE019
，
Figure 946530DEST_PATH_IMAGE020
，
其中，Nc为所选子模型的总个数；q1,q2,…,qNc表示所选的第一个，第二个，...第Nc个子模型。
7.一种锂电池SOC估计装置，其特征在于，包括：
获取模块，用于采集不同工况下锂电池的状态数据及对应的SOC值并建立样本集，对所述样本集进行聚类分析，获得多个样本子集；
模型建立模块，用于利用线性回归运算针对每一个样本子集建立相应的子模型，获得多个样本子集的子模型函数；
选择模块，用于将待测试样本的状态数据分别加入到各样本子集的状态数据中，并计算加入前后各样本子集的状态数据的变化值，根据所述变化值选择与待测试样本相近的至少一个子模型作为所选子模型；
SOC计算模块，用于为所述所选子模型分配权重，并计算获得待测试样本的SOC值，其中，所述为所述所选子模型分配权重包括：
令所选子模型中每一个所选子模型的权重为
Figure 392555DEST_PATH_IMAGE001
，s=q1,q2,…,qc；
所述权重表达公式如下：
Figure 992163DEST_PATH_IMAGE002
其中，
Figure 131020DEST_PATH_IMAGE003
Figure 448869DEST_PATH_IMAGE004
；
其中，P(Xs)为Xs能描述当前锂电池工况的先验概率，
Figure 557640DEST_PATH_IMAGE005
表示xtext可由Xs生成的概率；
其中，所述计算获得待测试样本的SOC值的计算公式为：
Figure 542913DEST_PATH_IMAGE006
；
其中，
Figure 587093DEST_PATH_IMAGE007
表示待测样本的SOC估计值，xtext表示待测试样本的状态数据，q1表示所选择的第1个子模型，qNc表示所选择第Nc个子模型，s表示所选择的第s个子模型，
Figure 392237DEST_PATH_IMAGE001
表示所选择的第s个子模型的权重，fs(xtext)表示第s个子模型所对应的子模型函数，
Figure 180065DEST_PATH_IMAGE008
表示散度信息值。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的方法。
CN202111215850.XA 2021-10-19 2021-10-19 锂电池soc估计方法、装置及计算机可读存储介质 Active CN113655385B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202111215850.XA CN113655385B (zh) 2021-10-19 2021-10-19 锂电池soc估计方法、装置及计算机可读存储介质
PCT/CN2022/081476 WO2022213789A1 (zh) 2021-10-19 2022-03-17 锂电池soc估计方法、装置及计算机可读存储介质
EP22773375.5A EP4113139A4 (en) 2021-10-19 2022-03-17 LITHIUM BATTERY STATE OF CHARGE ESTIMATION METHOD AND APPARATUS, AND COMPUTER READABLE STORAGE MEDIUM
JP2022549542A JP7450741B2 (ja) 2021-10-19 2022-03-17 リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
US17/893,416 US20230118702A1 (en) 2021-10-19 2022-08-23 Method, device and computer readable storage medium for estimating SOC of lithium battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111215850.XA CN113655385B (zh) 2021-10-19 2021-10-19 锂电池soc估计方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113655385A CN113655385A (zh) 2021-11-16
CN113655385B true CN113655385B (zh) 2022-02-08

Family

ID=78494656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111215850.XA Active CN113655385B (zh) 2021-10-19 2021-10-19 锂电池soc估计方法、装置及计算机可读存储介质

Country Status (5)

Country Link
US (1) US20230118702A1 (zh)
EP (1) EP4113139A4 (zh)
JP (1) JP7450741B2 (zh)
CN (1) CN113655385B (zh)
WO (1) WO2022213789A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655385B (zh) * 2021-10-19 2022-02-08 深圳市德兰明海科技有限公司 锂电池soc估计方法、装置及计算机可读存储介质
CN114264957B (zh) * 2021-12-02 2024-05-07 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
CN114047452B (zh) * 2022-01-13 2022-05-13 浙江玥视科技有限公司 一种确定电池循环寿命的方法及装置
CN115524615A (zh) * 2022-10-08 2022-12-27 深圳先进技术研究院 基于电池制浆工艺的材料参数组合预测电池性能的方法
CN116298933B (zh) * 2023-05-18 2023-08-08 西南交通大学 一种串联电池组的soc估计方法
CN116449221B (zh) * 2023-06-14 2023-09-29 浙江天能新材料有限公司 锂电池荷电状态预测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103640569A (zh) * 2013-11-28 2014-03-19 江苏大学 基于多智能体技术的混合动力汽车能量管理系统与方法
CN105807231A (zh) * 2016-03-14 2016-07-27 深圳供电局有限公司 一种用于蓄电池剩余容量检测的方法及系统
KR20170020072A (ko) * 2015-08-13 2017-02-22 삼성전자주식회사 배터리의 soc 추정 장치 및 방법
CN107688343A (zh) * 2017-08-01 2018-02-13 北京理工大学 一种混合动力车辆的能量控制方法
CN109615014A (zh) * 2018-12-17 2019-04-12 清华大学 一种基于kl散度优化的数据分类系统与方法
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法
CN113206307A (zh) * 2021-05-06 2021-08-03 福建工程学院 结合K-means聚类的遗传算法的冗余均衡锂电池管理电路和方法

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6377028B1 (en) * 1990-10-23 2002-04-23 Texas Instruments Incorporated System for charging monitoring batteries for a microprocessor based method
US6060864A (en) * 1994-08-08 2000-05-09 Kabushiki Kaisha Toshiba Battery set structure and charge/discharge control apparatus for lithium-ion battery
US5761072A (en) * 1995-11-08 1998-06-02 Ford Global Technologies, Inc. Battery state of charge sensing system
US5729116A (en) * 1996-12-20 1998-03-17 Total Battery Management, Inc. Shunt recognition in lithium batteries
TW530429B (en) * 2001-12-24 2003-05-01 Avid Electronics Corp Intelligent secondary battery management method and device
US7567057B2 (en) * 2003-08-11 2009-07-28 Reserve Power Cell, Llc Multiple battery management system, auxiliary battery attachment system, and network controlled multiple battery system
JP4275078B2 (ja) * 2005-01-13 2009-06-10 三洋電機株式会社 電池の制限電流制御方法
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
JP4866187B2 (ja) * 2006-09-05 2012-02-01 プライムアースＥｖエナジー株式会社 電池制御装置、電動車両、及び二次電池の充電状態を推定するための処理をコンピュータに実行させるためのプログラム
TW200933181A (en) * 2008-01-30 2009-08-01 Inventec Appliances Corp A method for estimating lithium battery lifetime of portable electronic products
US7957921B2 (en) * 2008-02-19 2011-06-07 GM Global Technology Operations LLC Model-based estimation of battery hysteresis
JP4469000B2 (ja) * 2008-04-18 2010-05-26 トヨタ自動車株式会社 電源システムおよびそれを備えた車両、ならびに電源システムの制御方法
JP5431842B2 (ja) * 2008-10-21 2014-03-05 セイコーインスツル株式会社 バッテリ状態監視回路及びバッテリ装置
CN102859381A (zh) * 2010-04-22 2013-01-02 埃纳德尔公司 电池充电状态的监视
WO2012043134A1 (ja) * 2010-09-30 2012-04-05 三洋電機株式会社 蓄電池充放電制御装置および蓄電池充放電制御方法
JP2012189373A (ja) 2011-03-09 2012-10-04 Furukawa Electric Co Ltd:The 二次電池状態検出装置および二次電池状態検出方法
US9157966B2 (en) * 2011-11-25 2015-10-13 Honeywell International Inc. Method and apparatus for online determination of battery state of charge and state of health
JP2014059206A (ja) * 2012-09-18 2014-04-03 Toyota Industries Corp 充電状態推定装置及び充電状態推定方法
US9658291B1 (en) * 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
KR101547005B1 (ko) * 2012-10-26 2015-08-24 주식회사 엘지화학 배터리 잔존 용량 추정 장치 및 방법
JP5388078B1 (ja) * 2012-11-14 2014-01-15 レーザーテック株式会社 解析装置及び解析方法
AT512003A3 (de) * 2013-01-23 2014-05-15 Avl List Gmbh Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
US9077182B2 (en) * 2013-01-29 2015-07-07 Mitsubishi Electric Research Laboratories, Inc. Method for estimating state of charge for lithium-ion batteries
US9244129B2 (en) * 2013-01-29 2016-01-26 Mitsubishi Electronic Research Laboratories, Inc. Method for estimating a state of charge of batteries
US20140244193A1 (en) * 2013-02-24 2014-08-28 Fairchild Semiconductor Corporation Battery state of charge tracking, equivalent circuit selection and benchmarking
US8972091B2 (en) * 2013-03-12 2015-03-03 Ford Global Technologies, Llc Reduced central processing unit load and memory usage battery state of charge calculation
CN105556323B (zh) * 2013-10-29 2019-01-04 松下知识产权经营株式会社 电池状态估计装置
US9989595B1 (en) * 2013-12-31 2018-06-05 Hrl Laboratories, Llc Methods for on-line, high-accuracy estimation of battery state of power
US10074996B2 (en) * 2014-08-29 2018-09-11 The Regents Of The University Of Michigan Bulk force in a battery pack and its application to state of charge estimation
KR102468895B1 (ko) * 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US10324135B2 (en) * 2016-06-06 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for data-driven battery state of charge (SoC) estimation
CN107367693B (zh) * 2017-07-07 2018-05-29 淮阴工学院 一种电动汽车动力电池soc检测系统
CN107656210B (zh) * 2017-09-14 2020-01-21 广州市香港科大霍英东研究院 一种估算电池电量状态的方法
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
CN107741568B (zh) * 2017-11-08 2019-12-31 中南大学 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
KR102296993B1 (ko) * 2017-11-17 2021-09-01 주식회사 엘지에너지솔루션 배터리 저항 추정 장치 및 방법
CN109586373B (zh) * 2018-12-27 2024-05-17 华为技术有限公司 一种电池充电方法和装置
CN111693868A (zh) * 2019-03-12 2020-09-22 天津工业大学 基于密度特征聚类集成的锂电池荷电状态估算方法
US20220065935A1 (en) * 2019-05-08 2022-03-03 Hewlett-Packard Development Company, L.P. Predicting future battery safety threat events with causal models
CN110646737B (zh) 2019-09-20 2022-04-22 广州市香港科大霍英东研究院 基于多模型的电池soc动态估算方法、系统及存储介质
JP2021071321A (ja) * 2019-10-29 2021-05-06 株式会社Ｇｓユアサ Ｓｏｃ推定装置、蓄電装置及びｓｏｃ推定方法
CN110687462B (zh) 2019-11-04 2020-09-04 北京理工大学 一种动力电池soc与容量全生命周期联合估计方法
WO2021171333A1 (ja) * 2020-02-25 2021-09-02 三菱電機株式会社 蓄電池状態推定装置および蓄電池状態推定方法
US11385292B2 (en) * 2020-09-10 2022-07-12 Volkswagen Aktiengesellschaft Battery materials screening
WO2022157802A1 (en) * 2021-01-21 2022-07-28 Kpit Technologies Limited A system and method for estimating a state of charge (soc) of a battery
CN113655385B (zh) * 2021-10-19 2022-02-08 深圳市德兰明海科技有限公司 锂电池soc估计方法、装置及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103640569A (zh) * 2013-11-28 2014-03-19 江苏大学 基于多智能体技术的混合动力汽车能量管理系统与方法
KR20170020072A (ko) * 2015-08-13 2017-02-22 삼성전자주식회사 배터리의 soc 추정 장치 및 방법
CN105807231A (zh) * 2016-03-14 2016-07-27 深圳供电局有限公司 一种用于蓄电池剩余容量检测的方法及系统
CN107688343A (zh) * 2017-08-01 2018-02-13 北京理工大学 一种混合动力车辆的能量控制方法
CN109615014A (zh) * 2018-12-17 2019-04-12 清华大学 一种基于kl散度优化的数据分类系统与方法
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法
CN113206307A (zh) * 2021-05-06 2021-08-03 福建工程学院 结合K-means聚类的遗传算法的冗余均衡锂电池管理电路和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
不同工况对锂离子电池SOC预估精度的影响;马俊 等;《电源技术》;20161231;第40卷(第12期);2335-2338 *

Also Published As

Publication number Publication date
WO2022213789A1 (zh) 2022-10-13
JP2023520970A (ja) 2023-05-23
JP7450741B2 (ja) 2024-03-15
CN113655385A (zh) 2021-11-16
US20230118702A1 (en) 2023-04-20
EP4113139A4 (en) 2023-11-08
EP4113139A1 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
CN113655385B (zh) 锂电池soc估计方法、装置及计算机可读存储介质
CN113030764B (zh) 一种电池组健康状态估计方法及系统
Kim et al. Complementary cooperation algorithm based on DEKF combined with pattern recognition for SOC/capacity estimation and SOH prediction
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN109725266A (zh) 一种电池健康状态soh的计算方法及装置
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
Zhang et al. Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network
Tian et al. Feature fusion-based inconsistency evaluation for battery pack: Improved Gaussian mixture model
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN111983457A (zh) 一种基于lstm神经网络的电池组soh估算方法
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN113504483B (zh) 考虑不确定性的锂离子电池剩余寿命集成预测方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN104090238B (zh) 基于ar集成学习模型的锂离子电池剩余寿命预测方法
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
Zhou et al. A study of online state-of-health estimation method for in-use electric vehicles based on charge data
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN113866655A (zh) 融合车联网运行数据与测试数据的动力电池容量评估方法
Hu et al. Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
Lyu et al. A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 518000 19th floor, building 1, kaidar group center building, No. 168, Tongsha Road, Xinwei community, Xili street, Nanshan District, Shenzhen, Guangdong

Patentee after: Shenzhen Delian Minghai New Energy Co.,Ltd.

Address before: 701-3, building 2, kaidar group center building, 168 Tongsha Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Poweroak Newener Co.,Ltd.

CP03 Change of name, title or address