CN114084026B - 电动汽车最优充电路径的动态规划方法及系统 - Google Patents

电动汽车最优充电路径的动态规划方法及系统 Download PDF

Info

Publication number
CN114084026B
CN114084026B CN202111432570.4A CN202111432570A CN114084026B CN 114084026 B CN114084026 B CN 114084026B CN 202111432570 A CN202111432570 A CN 202111432570A CN 114084026 B CN114084026 B CN 114084026B
Authority
CN
China
Prior art keywords
charging
time
soc
optimal
battery
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
CN202111432570.4A
Other languages
English (en)
Other versions
CN114084026A (zh
Inventor
向顺
邓承浩
牟丽莎
朱骞
郑英
张绍虹
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.)
Deep Blue Automotive Technology Co ltd
Original Assignee
Chongqing Changan New Energy Automobile Technology 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 Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical Chongqing Changan New Energy Automobile Technology Co Ltd
Priority to CN202111432570.4A priority Critical patent/CN114084026B/zh
Publication of CN114084026A publication Critical patent/CN114084026A/zh
Application granted granted Critical
Publication of CN114084026B publication Critical patent/CN114084026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Abstract

本发明公开的一种电动汽车最优充电路径的动态规划方法及系统，包括以下步骤：首先基于电池的电模型、热模型、SOC及充电时间计算模型、n次多项式充电策略以及充电边界建立充电成本函数，然后确定电动汽车电池的当前状态以及目标状态并输入到充电成本函数，其次利用优化算法求解出使得充电成本函数最小的n次多项式充电策略并使电动汽车按最优充电路径充电，最后每间隔预设时间重新根据电池的状态以及目标状态计算并更新n次多项式充电策略，从而实现电动汽车的最优充电路径的动态规划。本发明能够针对不同的充电场景规划出最优充电路径，并根据充电过程的实际状态反馈修正最优充电路径，从而达到缩短充电时间的目的。

Description

电动汽车最优充电路径的动态规划方法及系统
技术领域
本发明涉及电动汽车充电技术领域，具体涉及一种电动汽车最优充电路径的动态规划方法及系统。
背景技术
汽车极大地提升了人们的出行效率，货物的运输效率，从而促进了经济的繁荣，加速了社会的发展进步。然而随着汽车的增多，其对化石等不可再生能源的消耗，产生的尾气对环境的污染以及温室效应的加剧，都促使着汽车行业现阶段从传统燃油汽车向新能源汽车转型升级。
电动汽车是新能源汽车的主要分支，然而目前电动汽车还面临着充电慢，续航短，安全，残值低等一系列问题。其中充电慢是限制消费者购买电动汽车的主要因素之一。
电动汽车的充电能力受三方面的影响，分别是电池本身的充电边界，热管理能力以及充电策略。提升充电边界和热管理能力需要对硬件进行升级，而实施充电策略优化是最经济最快捷的提升电动汽车充电能力的方式。
目前的电动汽车最优充电路径获取方法是，首先将充电过程划分为N个恒流充电阶段，然后建立成本函数并确定充电边界条件，最后求解出使得成本最小的N阶恒流充电策略。然而N阶恒流充电策略有两个问题：1、最优充电路径是一条平滑的曲线，用简单的N阶恒流充电路径替代会导致效果变差；2、在实际充电过程中，电动汽车由于充电桩能力限制等因素，会偏离最初规划的最优充电路径，从而导致充电时间变长。
因此，有必要开发一种电动汽车最优充电路径的动态规划方法及系统。
发明内容
本发明的目的是提供一种电动汽车最优充电路径的动态规划方法及系统，以达到缩短充电时间的目的。
本发明所述的一种电动汽车最优充电路径的动态规划方法，包括以下步骤：
步骤1、基于电池的电模型、热模型、SOC及充电时间计算模型、n次多项式充电策略以及充电边界建立充电成本函数；
步骤2、确定电动汽车电池的当前状态以及目标状态并输入到充电成本函数，其中，所述电动汽车电池的当前状态包括当前电池的SOC、温度、扩散电压，所述目标状态为用户设定的目标SOC；
步骤3、利用优化算法(比如：遗传算法、蚁群算法等)求解出使得充电成本函数最小的n次多项式充电策略，即最优充电路径；
步骤4、电动汽车按照最优充电路径充电；
步骤5、电动汽车实时判断当前电池的SOC、电压、温度是否达到充电截止条件，若达到，则充电结束，若未达到，则进入步骤6；
步骤6、判断步骤4后的充电时间是否大于预设时间；若大于，则返回到步骤2，重新根据电池包状态以及目标状态进行最优充电路径求解，更新最优充电路径并继续充电，以实现电动汽车的最优充电路径的动态规划，否则继续执行步骤6。
可选地，所述步骤1中，所述电模型采用一阶RC等效电路模型表示，其动态电压特性由式(1)与(2)表示：
Ud,k+1＝AkUd,k+BkIk (1)
Uk＝Uoc,k+Ud,k+IkRo,k (2)
其中，Ud,k+1表示k+1时刻的RC环节两端的电压；Ud,k表示k时刻的RC环节两端的电压；Ik表示k时刻的干路电流；Uk表示k时刻的端电压；Uoc,k表示k时刻的开路电压；Ro,k表示k时刻的欧姆内阻；
Figure BDA0003380596330000021
Δt表示采样周期；Rd,k表示k时刻的扩散内阻，Cd,k表示k时刻的扩散电容。
可选地，所述步骤1中，所述热模型：
将电池包看作一个整体，根据傅里叶热力学公式，电池的热模型如下：
Figure BDA0003380596330000022
其中，Tk+1表示k+1时刻的电池包的温度，Tk表示k时刻的电池包的温度；h表示对流系数，S表示电池包表面积，Tenv表示环境温度，m表示电池包质量，cp表示比热容。
可选地，所述步骤1中，所述SOC及充电时间计算模型：
SOC及充电时间计算模型分别由式(4)与式(5)表示：
Figure BDA0003380596330000023
tk+1＝tk+Δt (5)
其中，SOCk+1表示k+1时刻的SOC；SOCk表示k时刻的SOC；cj表示电池容量；tk+1表示在k+1时刻的已充电时间；tn表示在k时刻的已充电时间。
可选地，所述步骤1中，所述n次多项式充电策略：
n次多项式充电策略是充电电流关于SOC的n次多项式函数，具体为：
Figure BDA0003380596330000031
其中，an，an-1，…,a0表示多项式的各个参数；
将SOCk+1代入式(6)计算得到In,k+1，In,k+1表示k+1时刻的充电电流。
可选地，所述步骤1中，所述充电边界：
充电边界是电流关于温度和电压的二维表格，利用电池包的温度Tk+1、端电压Uk+1进行查表，获取Tk+1温度下的充电边界Ib,k+1。
可选地，所述步骤1中，所述充电成本函数：
F＝λtk+1+(1-λ)(SOCtarget-SOCk+1) (7)
其中，F表示充电成本，λ表示权重系数，SOCtarget表示用户设定的目标SOC。
第二方面，本发明所述的一种电动汽车最优充电路径的动态规划系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本发明所述的电动汽车最优充电路径的动态规划方法的步骤。
本发明具有以下优点：本发明能够针对不同的充电场景规划出最优充电路径，并根据充电过程的实际状态反馈修正最优充电路径，从而达到缩短充电时间的目的。
附图说明
图1为本实施例中电动汽车最优充电路径的动态规划方法流程图；
图2为本实施例中充电成本函数图；
图3为本实施例中一阶RC等效电路模型图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本实施例中，一种电动汽车最优充电路径的动态规划方法，包括以下步骤：
步骤1、基于电池的电模型、热模型、SOC及充电时间计算模型、n次多项式充电策略以及充电边界建立充电成本函数。
步骤2、确定电动汽车电池的当前状态以及目标状态并输入到充电成本函数，其中，所述电动汽车电池的当前状态包括当前电池的SOC、温度、扩散电压，所述目标状态为用户设定的目标SOC。其中，电池包的SOC、温度、扩散电压通过车载BMS实时计算，目标SOC通过用户自主设定。
步骤3、利用优化算法求解出使得充电成本函数最小的n次多项式充电策略，即最优充电路径。
步骤4、电动汽车按照最优充电路径充电。
步骤5、电动汽车实时判断当前电池的SOC、电压、温度是否达到充电截止条件，若达到，则充电结束，若未达到，则进入步骤6；。
步骤6、判断步骤4后的充电时间是否大于预设时间(5min)；若大于，则返回到步骤2，重新根据电池包状态(包括当前电池的SOC、温度、扩散电压Ud)以及目标状态(用户设定的目标SOC)进行最优充电路径求解，更新最优充电路径并继续充电，从而实现电动汽车的最优充电路径的动态规划，否则继续执行步骤6。
如图3所示，本实施例中，所述步骤1中，所述电模型采用一阶RC等效电路模型表示，其动态电压特性由式(1)与(2)表示：
Ud,k+1＝AkUd,k+BkIk (1)
Uk＝Uoc,k+Ud,k+IkRo,k (2)
其中，Ud,k+1表示k+1时刻的RC环节两端的电压；Ud,k表示k时刻的RC环节两端的电压；Ik表示k时刻的干路电流；Uk表示k时刻的端电压；Uoc,k表示k时刻的开路电压；Ro,k表示k时刻的欧姆内阻；
Figure BDA0003380596330000041
Δt表示采样周期；Rd,k表示k时刻的扩散内阻，Cd,k表示k时刻的扩散电容。
本实施例中，所述步骤1中，所述热模型：
将电池包看作一个整体，根据傅里叶热力学公式，电池的热模型如下：
Figure BDA0003380596330000042
/>
其中，Tk+1表示k+1时刻的电池包的温度，Tk表示k时刻的电池包的温度；h表示对流系数，S表示电池包表面积，Tenv表示环境温度，m表示电池包质量，cp表示比热容。
本实施例中，所述步骤1中，所述SOC及充电时间计算模型：
SOC及充电时间计算模型分别由式(4)与式(5)表示：
Figure BDA0003380596330000043
tk+1＝tk+Δt (5)
其中，SOCk+1表示k+1时刻的SOC；SOCk表示k时刻的SOC；cj表示电池容量；tk+1表示在k+1时刻的已充电时间；tk表示在k时刻的已充电时间。
本实施例中，所述步骤1中，所述n次多项式充电策略：
n次多项式充电策略是充电电流关于SOC的n次多项式函数，具体为：
Figure BDA0003380596330000051
其中，an，an-1，…,a0表示多项式的各个参数；
将SOCk+1代入式(6)计算得到In,k+1，In,k+1表示k+1时刻的充电电流。
本实施例中，所述步骤1中，所述充电边界：
充电边界是电流关于温度和电压的二维表格，利用电池包的温度Tk+1、端电压Uk+1进行查表，获取Tk+1温度下的充电边界Ib,k+1。
本实施例中，所述步骤1中，所述充电成本函数：
F＝λtk+1+(1-λ)(SOCtarget-SOCk+1) (7)
其中，F表示充电成本，λ表示权重系数，SOCtarget表示用户设定的目标SOC。
如图2所示，以下具体说明整个充电成本函数的计算方式：
a、将k时刻的干路电流Ik，电池包的温度Tk，SOCk输入电模型、热模型、SOC与充电时间计算模型中，计算出k+1时刻的端电压Uk+1，电池包的温度Tk+1，SOCk+1，已充电时间tk+1。
b、通过SOCk+1≥SOCtarget，Uk+1≥Umax，Tk+1≥Tmax三个式子判断充电是否结束。
c、若充电未结束，根据电池SOCk+1及n次多项式充电策略确定充电电流In,k+1，根据电池包的温度Tk+1、端电压Uk+1及充电边界确定充电边界Ib,k+1，两者取小得到k+1时刻的电池充电电流In,k+1；并回到步骤a循环执行。
d、若充电结束，则通过式(7)完成本次模拟充电的充电成本计算。
本实施例中，一种电动汽车最优充电路径的动态规划系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本实施例中所述的电动汽车最优充电路径的动态规划方法的步骤。

Claims (8)

1.一种电动汽车最优充电路径的动态规划方法，其特征在于，包括以下步骤：
步骤1、基于电池的电模型、热模型、SOC及充电时间计算模型、n次多项式充电策略以及充电边界建立充电成本函数；
步骤2、确定电动汽车电池的当前状态以及目标状态并输入到充电成本函数，其中，所述电动汽车电池的当前状态包括当前电池的SOC、温度、扩散电压，所述目标状态为用户设定的目标SOC；
步骤3、利用优化算法求解出使得充电成本函数最小的n次多项式充电策略，即最优充电路径；
步骤4、电动汽车按照最优充电路径充电；
步骤5、电动汽车实时判断当前电池的SOC、电压、温度是否达到充电截止条件，若达到，则充电结束，若未达到，则进入步骤6；
步骤6、判断步骤4后的充电时间是否大于预设时间；若大于，则返回到步骤2，否则继续执行步骤6。
2.根据权利要求1所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述电模型采用一阶RC等效电路模型表示，其动态电压特性由式(1)与(2)表示：
Ud，k+1＝AkUd，k+BkIk (1)
Uk＝Uoc，k+Ud，k+IkRo，k (2)
其中，Ud，k+1表示k+1时刻的RC环节两端的电压；Ud，k表示k时刻的RC环节两端的电压；Ik表示k时刻的干路电流；Uk表示k时刻的端电压；Uoc，k表示k时刻的开路电压；Ro，k表示k时刻的欧姆内阻；
Figure FDA0003380596320000011
Δt表示采样周期；Rd，k表示k时刻的扩散内阻，Cd，k表示k时刻的扩散电容。
3.根据权利要求2所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述热模型：
将电池包看作一个整体，根据傅里叶热力学公式，电池的热模型如下：
Figure FDA0003380596320000012
其中，Tk+1表示k+1时刻的电池包的温度，Tk表示k时刻的电池包的温度；h表示对流系数，S表示电池包表面积，Tenv表示环境温度，m表示电池包质量，cp表示比热容。
4.根据权利要求3所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述SOC及充电时间计算模型：
SOC及充电时间计算模型分别由式(4)与式(5)表示：
Figure FDA0003380596320000021
tk+1＝tk+Δt (5)
其中，SOCk+1表示k+1时刻的SOC；SOCk表示k时刻的SOC；Cj表示电池容量；tk+1表示在k+1时刻的已充电时间；tk表示在k时刻的已充电时间。
5.根据权利要求4所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述n次多项式充电策略：
n次多项式充电策略是充电电流关于SOC的n次多项式函数，具体为：
Figure FDA0003380596320000022
其中，an，an-1，…，a0表示多项式的各个参数；
将SOCk+1代入式(6)计算得到In，k+1，In，k+1表示k+1时刻的充电电流。
6.根据权利要求5所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述充电边界：
充电边界是电流关于温度和电压的二维表格，利用电池包的温度Tk+1、端电压Uk+1进行查表，获取Tk+1温度下的充电边界Ib，k+1。
7.根据权利要求6所述的电动汽车最优充电路径的动态规划方法，其特征在于：所述步骤1中，所述充电成本函数：
F＝λtk+1+(1-λ)(SOCtarget-SOCk+1) (7)
其中，F表示充电成本，λ表示权重系数，SOCtarget表示用户设定的目标SOC。
8.一种电动汽车最优充电路径的动态规划系统，其特征在于：包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如权利要求1至7任一所述的电动汽车最优充电路径的动态规划方法的步骤。
CN202111432570.4A 2021-11-29 2021-11-29 电动汽车最优充电路径的动态规划方法及系统 Active CN114084026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111432570.4A CN114084026B (zh) 2021-11-29 2021-11-29 电动汽车最优充电路径的动态规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111432570.4A CN114084026B (zh) 2021-11-29 2021-11-29 电动汽车最优充电路径的动态规划方法及系统

Publications (2)

Publication Number Publication Date
CN114084026A CN114084026A (zh) 2022-02-25
CN114084026B true CN114084026B (zh) 2023-06-02

Family

ID=80305470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111432570.4A Active CN114084026B (zh) 2021-11-29 2021-11-29 电动汽车最优充电路径的动态规划方法及系统

Country Status (1)

Country Link
CN (1) CN114084026B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061766B (zh) * 2023-04-06 2023-06-27 成都赛力斯科技有限公司 汽车电池内部加热方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2709202A1 (en) * 2012-09-18 2014-03-19 Calbatt S.r.l. System and method for the measurement and prediction of the charging efficiency of accumulators
TWI527338B (zh) * 2014-11-21 2016-03-21 Battery charging method with temperature control
CN110633847A (zh) * 2019-09-02 2019-12-31 华南理工大学 一种基于模块分割式电池换电站的充电策略控制方法
CN111934335A (zh) * 2020-08-18 2020-11-13 华北电力大学 一种基于深度强化学习的集群电动汽车充电行为优化方法
CN112018465A (zh) * 2020-10-13 2020-12-01 北京理工大学 一种多物理场约束的锂离子电池智能快速充电方法
CN113036846A (zh) * 2021-03-08 2021-06-25 山东大学 基于阻抗检测的锂离子电池智能优化快速充电方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9197089B2 (en) * 2011-11-14 2015-11-24 Auburn University Rapid battery charging method and system
US10312699B2 (en) * 2017-07-31 2019-06-04 Robert Bosch Gmbh Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2709202A1 (en) * 2012-09-18 2014-03-19 Calbatt S.r.l. System and method for the measurement and prediction of the charging efficiency of accumulators
TWI527338B (zh) * 2014-11-21 2016-03-21 Battery charging method with temperature control
CN110633847A (zh) * 2019-09-02 2019-12-31 华南理工大学 一种基于模块分割式电池换电站的充电策略控制方法
CN111934335A (zh) * 2020-08-18 2020-11-13 华北电力大学 一种基于深度强化学习的集群电动汽车充电行为优化方法
CN112018465A (zh) * 2020-10-13 2020-12-01 北京理工大学 一种多物理场约束的锂离子电池智能快速充电方法
CN113036846A (zh) * 2021-03-08 2021-06-25 山东大学 基于阻抗检测的锂离子电池智能优化快速充电方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
动力电池状态观测及管理系统研究;刘毅;中国博士学位论文全文数据库工程科技Ⅱ辑(第01期);全文 *
电动汽车锂离子动力电池优化充电策略研究;龚浩然;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第01期);全文 *
航天器锂离子蓄电池充电系统建模及仿真分析;焦宇晟等;国外电子测量技术;第38卷(第01期);76-79 *

Also Published As

Publication number Publication date
CN114084026A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Xie et al. Pontryagin’s minimum principle based model predictive control of energy management for a plug-in hybrid electric bus
Zhu et al. A real-time battery thermal management strategy for connected and automated hybrid electric vehicles (CAHEVs) based on iterative dynamic programming
Fernández et al. Fuel optimization strategy for hydrogen fuel cell range extender vehicles applying genetic algorithms
Wang et al. On-line remaining energy prediction: A case study in embedded battery management system
Sun et al. Investigating adaptive-ECMS with velocity forecast ability for hybrid electric vehicles
Suri et al. A control-oriented cycle-life model for hybrid electric vehicle lithium-ion batteries
US9321368B2 (en) Multi-step model predictive iterative techniques for battery system peak power estimation
Bernard et al. Fuel efficient power management strategy for fuel cell hybrid powertrains
Meng et al. Low-complexity online estimation for LiFePO4 battery state of charge in electric vehicles
Han et al. A real-time energy management strategy based on energy prediction for parallel hybrid electric vehicles
CN114084026B (zh) 电动汽车最优充电路径的动态规划方法及系统
JP2021519436A (ja) バッテリ選択のためのシステム及び方法、長寿命性予測器、車両、バッテリ選択器
Martel et al. Hybrid electric vehicle power management strategy including battery lifecycle and degradation model
CN105678077A (zh) 一种混合动力车用锂离子电池功率性能的在线预测方法
Khayyer et al. Analysis of impact factors for plug-in hybrid electric vehicles energy management
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
Merhy et al. A multi-objective optimization of electric vehicles energy flows: the charging process
Panday et al. Hybrid electric vehicle performance analysis under various temperature conditions
CN115817183A (zh) 一种纯电动汽车续驶里程预测方法及预测装置
Zhou et al. Enhanced battery power constraint handling in MPC-based HEV energy management: A two-phase dual-model approach
Ou Estimate long-term impact on battery degradation by considering electric vehicle real-world end-use factors
Kim et al. Control analysis and thermal model development for plug-in hybrid electric vehicles
Naxin et al. Optimization of HEV energy management strategy based on driving cycle modeling
Shankar et al. Design of an optimized charge-blended energy management strategy for a plugin hybrid vehicle
Dong et al. Maximizing driving range for fuel cell range extender vehicles with fixed energy storage costs

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
CP01 Change in the name or title of a patent holder

Address after: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing

Patentee after: Deep Blue Automotive Technology Co.,Ltd.

Address before: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing

Patentee before: CHONGQING CHANGAN NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder