CN114563716A - 一种基于电化学阻抗谱的退役电池soc估计方法及装置 - Google Patents
一种基于电化学阻抗谱的退役电池soc估计方法及装置 Download PDFInfo
- Publication number
- CN114563716A CN114563716A CN202210317477.7A CN202210317477A CN114563716A CN 114563716 A CN114563716 A CN 114563716A CN 202210317477 A CN202210317477 A CN 202210317477A CN 114563716 A CN114563716 A CN 114563716A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- electrochemical impedance
- estimation
- soc
- retired
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于电化学阻抗谱的退役电池SOC估计方法及装置,所述方法包括:获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。本发明公开的基于电化学阻抗谱的退役电池SOC估计方法,保证了退役电池SOC估计的准确性。
Description
技术领域
本发明涉及退役电池技术领域,尤其涉及一种基于电化学阻抗谱的退役电池SOC估计方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展,锂离子电池以体积小、能量密度高、工作电压高、寿命周期长等综合优势,在很多行业逐渐成为重要的储能供能载体,而针对锂离子电池SOC(State ofCharge)的估计作为退役锂离子电池故障诊断及健康管理的前沿技术,被越来越多的研究人员所重视,并逐渐成为电子系统健康管理和故障诊断的研究热点。
已应用于退役锂电池SOC估计的常用方法有卡尔曼滤波器递推算法等,卡尔曼滤波法是将蓄电池看作动态系统,SOC作为系统内部的一个状态量,该方法需要选择动态系统的描述方程,递推过程也涉及到复杂的矩阵求逆运算,同时卡尔曼滤波器作为递推算法,对初值的选择十分敏感,错误的初值导致估计的不断恶化,因此该方法具有局限性,不能保证SOC估计的准确性。
发明内容
有鉴于此,有必要提供一种基于电化学阻抗谱的退役电池SOC估计方法、装置、电子设备及计算机可读存储介质,用以解决现有技术中无法对退役电池SOC进行准确估计的问题。
为了解决上述问题,本发明提供一种基于电化学阻抗谱的退役电池SOC估计方法,包括:
获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
进一步地,根据所述电化学阻抗谱得到特征参数,包括:
利用所述电化学阻抗谱获取所述若干退役电池在不同频率下对应的实部值、虚部值及开路电压作为特征参数。
进一步地,对所述特征参数进行筛选,包括:
利用相关系数计算公式计算所述特征参数和对应的退役电池SOC值的相关性值,若所述相关性值的绝对值小于设定阈值,则对所述特征参数进行剔除。
进一步地,所述相关系数计算公式为
其中,X为特征参数,Y为对应的退役电池SOC值,ρX,Y为相关性值。
进一步地,构建估计模型,包括:
构建支持向量机回归预测估计模型。
进一步地,根据所述筛选后的特征参数对所述估计模型进行训练,包括:
以所述筛选后的特征参数作为输入值输入,以对应的退役电池SOC值作为输出值输出对所述估计模型进行训练。
进一步地,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值,包括:
利用所述实时特征参数和所述训练完备的估计模型得到初始SOC估计值,对所述初始SOC估计值进行反归一化处理得到所述待估计退役电池的SOC估计值。
本发明还提供了一种基于电化学阻抗谱的退役电池SOC估计装置,包括参数获取模块、模型训练模块及估计值获取模块;
所述参数获取模块,用于获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
所述模型训练模块,用于构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
所述估计值获取模块,用于获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
本发明还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的基于电化学阻抗谱的退役电池SOC估计方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如上述任一技术方案所述的基于电化学阻抗谱的退役电池SOC估计方法。
采用上述实施例的有益效果是:本发明提供的基于电化学阻抗谱的退役电池SOC估计方法,通过若干退役电池在不同SOC值下的电化学阻抗谱获取特征参数,对特征参数进行筛选,筛选出更加合适的特征参数,能够提高退役电池SOC估计的准确性,并构建估计模型,利用筛选后的特征参数进行模型训练,得到训练完备的估计模型,利用训练完备的估计模型进行退役电池SOC估计,保证了退役电池SOC估计的准确性。
附图说明
图1为本发明提供的基于电化学阻抗谱的退役电池SOC估计方法一实施例的流程示意图;
图2为本发明提供的基于电化学阻抗谱的退役电池SOC估计装置一实施例的结构框图;
图3为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明提供了一种基于电化学阻抗谱的退役电池SOC估计方法、装置、电子设备及计算机可读存储介质,以下分别进行详细说明。
本发明实施例提供了一种基于电化学阻抗谱的退役电池SOC估计方法,其流程示意图,如图1所示,所述基于电化学阻抗谱的退役电池SOC估计方法包括:
步骤S101、获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
步骤S102、构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
步骤S103、获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
一个具体的实施例中,获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数的步骤包括在0.05C~1C下将退役电池调整至不同SOC(ΔSOC=5%)下,静置足够长的时间得到电池开路电压U,用阻抗谱测试仪在温度为(25±2)℃,频率为0.05~100KHz的条件下设置不同的频率点数对电池进行交流阻抗测试,得到电化学阻抗谱。
作为一个优选的实施例,根据所述电化学阻抗谱得到特征参数,包括:
利用所述电化学阻抗谱获取所述若干退役电池在不同频率下对应的实部值、虚部值及开路电压作为特征参数。
作为一个优选的实施例,对所述特征参数进行筛选,包括:
利用相关系数计算公式计算所述特征参数和对应的退役电池SOC值的相关性值,若所述相关性值的绝对值小于设定阈值,则对所述特征参数进行剔除。
需要说明的是,设定阈值的设定根据具体情况设定,一般设定为95%。
作为一个优选的实施例,所述相关系数计算公式为
其中,X为特征参数,Y为对应的退役电池SOC值,ρX,Y为相关性值。
作为一个优选的实施例,构建估计模型,包括:
构建支持向量机回归预测估计模型。
一个具体的实施例中,创建SVM回归预测估计模型,所述SVM的损失函数度量如下所示:
其中,ε为常量,ω为权重,b为偏差,φ(xi)为从输入空间到某个特征空间的映射,对于某一样本点(xi,yi),如果|yi-ω·φ(xi)-b|≤ε,则完全没有损失,如果|yi-ω·φ(xi)-b|>ε,则对应的损失为|yi-ω·φ(xi)-b|-ε。
作为一个优选的实施例,根据所述筛选后的特征参数对所述估计模型进行训练,包括:
以所述筛选后的特征参数作为输入值输入,以对应的退役电池SOC值作为输出值输出对所述估计模型进行训练。
作为一个优选的实施例,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值,包括:
利用所述实时特征参数和所述训练完备的估计模型得到初始SOC估计值,对所述初始SOC估计值进行反归一化处理得到所述待估计退役电池的SOC估计值。
需要说明的是,利用训练完备的估计模型进行退役电池SOC估计,能够保证退役电池SOC估计的准确性。
本发明实施例还提供了一种基于电化学阻抗谱的退役电池SOC估计装置,其结构框图,如图2所示,所述基于电化学阻抗谱的退役电池SOC估计装置包括参数获取模块201、模型训练模块202及估计值获取模块203;
所述参数获取模块201,用于获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
所述模型训练模块202,用于构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
所述估计值获取模块203,用于获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
如图3所示,上述基于电化学阻抗谱的退役电池SOC估计方法,本发明还相应提供了一种电子设备,该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器303、显示器302及存储器301。
存储器301在一些实施例中可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器301在另一些实施例中也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器301还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器301用于存储安装于计算机设备的应用软件及各类数据,例如安装计算机设备的程序代码等。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器301上存储有基于电化学阻抗谱的退役电池SOC估计程序304,该基于电化学阻抗谱的退役电池SOC估计程序304可被处理器303所执行,从而实现本发明各实施例的基于电化学阻抗谱的退役电池SOC估计方法。
处理器303在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器301中存储的程序代码或处理数据,例如执行基于电化学阻抗谱的退役电池SOC估计程序等。
显示器302在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器302用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件301-303通过系统总线相互通信。
在一实施例中,当处理器303执行存储器301中基于电化学阻抗谱的退役电池SOC估计程序304时实现以下步骤:
获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
本实施例还提供了一种计算机可读存储介质,其上存储有基于电化学阻抗谱的退役电池SOC估计程序,该基于电化学阻抗谱的退役电池SOC估计程序被处理器执行时实现以下步骤:
获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
本发明提供的一种基于电化学阻抗谱的退役电池SOC估计方法、装置、电子设备及计算机可读存储介质,通过若干退役电池在不同SOC值下的电化学阻抗谱获取特征参数,对特征参数进行筛选,筛选出更加合适的特征参数,能够提高退役电池SOC估计的准确性,并构建估计模型,利用筛选后的特征参数进行模型训练,得到训练完备的估计模型,利用训练完备的估计模型进行退役电池SOC估计,保证了退役电池SOC估计的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,包括:
获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
2.根据权利要求1所述的基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,根据所述电化学阻抗谱得到特征参数,包括:
利用所述电化学阻抗谱获取所述若干退役电池在不同频率下对应的实部值、虚部值及开路电压作为特征参数。
3.根据权利要求1所述的基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,对所述特征参数进行筛选,包括:
利用相关系数计算公式计算所述特征参数和对应的退役电池SOC值的相关性值,若所述相关性值的绝对值小于设定阈值,则对所述特征参数进行剔除。
5.根据权利要求1所述的基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,构建估计模型,包括:
构建支持向量机回归预测估计模型。
6.根据权利要求1所述的基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,根据所述筛选后的特征参数对所述估计模型进行训练,包括:
以所述筛选后的特征参数作为输入值输入,以对应的退役电池SOC值作为输出值输出对所述估计模型进行训练。
7.根据权利要求1所述的基于电化学阻抗谱的退役电池SOC估计方法,其特征在于,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值,包括:
利用所述实时特征参数和所述训练完备的估计模型得到初始SOC估计值,对所述初始SOC估计值进行反归一化处理得到所述待估计退役电池的SOC估计值。
8.一种基于电化学阻抗谱的退役电池SOC估计装置,其特征在于,包括参数获取模块、模型训练模块及估计值获取模块;
所述参数获取模块,用于获取若干退役电池在不同SOC值下的电化学阻抗谱,根据所述电化学阻抗谱得到特征参数,对所述特征参数进行筛选,得到筛选后的特征参数;
所述模型训练模块,用于构建估计模型,根据所述筛选后的特征参数对所述估计模型进行训练,得到训练完备的估计模型;
所述估计值获取模块,用于获取待估计退役电池的实时特征参数,根据所述实时特征参数和所述训练完备的估计模型得到所述待估计退役电池的SOC估计值。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-7任一所述的基于电化学阻抗谱的退役电池SOC估计方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如权利要求1-7任一所述的基于电化学阻抗谱的退役电池SOC估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317477.7A CN114563716A (zh) | 2022-03-29 | 2022-03-29 | 一种基于电化学阻抗谱的退役电池soc估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317477.7A CN114563716A (zh) | 2022-03-29 | 2022-03-29 | 一种基于电化学阻抗谱的退役电池soc估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114563716A true CN114563716A (zh) | 2022-05-31 |
Family
ID=81719013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317477.7A Pending CN114563716A (zh) | 2022-03-29 | 2022-03-29 | 一种基于电化学阻抗谱的退役电池soc估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563716A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267557A (zh) * | 2022-08-26 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 |
CN115469236A (zh) * | 2022-10-28 | 2022-12-13 | 北京航空航天大学 | 电池soc估计方法、装置及电子设备 |
-
2022
- 2022-03-29 CN CN202210317477.7A patent/CN114563716A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267557A (zh) * | 2022-08-26 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 |
CN115267557B (zh) * | 2022-08-26 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 |
CN115469236A (zh) * | 2022-10-28 | 2022-12-13 | 北京航空航天大学 | 电池soc估计方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
CN114563716A (zh) | 一种基于电化学阻抗谱的退役电池soc估计方法及装置 | |
CN112150311B (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
US20180375130A1 (en) | Apparatus and method for predicting life span of fuel cell, and vehicle system having the same | |
CN108255774A (zh) | 应用处理器、包括该处理器的计算系统及其操作方法 | |
WO2023184824A1 (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
CN113671381A (zh) | 一种基于时间卷积网络的锂离子动力电池估算方法 | |
WO2021223686A1 (zh) | 模型训练任务处理方法、装置、电子设备和存储介质 | |
Bian et al. | Robust state-of-charge estimation of Li-ion batteries based on multichannel convolutional and bidirectional recurrent neural networks | |
CN112949721A (zh) | 一种电力设备静态数据质量评估方法及系统 | |
CN109542962B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN111914101A (zh) | 档案关联关系的异常识别方法、装置和计算机设备 | |
CN114660468A (zh) | 一种退役电池荷电状态预测方法、装置及电子设备 | |
McLachlan et al. | Robust cluster analysis via mixture models | |
Gronsbell et al. | Efficient estimation and evaluation of prediction rules in semi-supervised settings under stratified sampling | |
CN115827877A (zh) | 一种提案辅助并案的方法、装置、计算机设备和存储介质 | |
CN112782584A (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
CN112133447A (zh) | 胶体筛选模型的构建方法和胶体筛选方法 | |
CN111652741A (zh) | 用户偏好分析方法、装置及可读存储介质 | |
CN114563717A (zh) | 一种电池容量分选方法、装置、电子设备及存储介质 | |
CN114895196B (zh) | 一种基于人工智能的新能源电池故障诊断方法 | |
Wang et al. | Lithium battery remaining useful life prediction using VMD fusion with attention mechanism and TCN | |
CN117471328B (zh) | 铅酸电池容量的确定方法、系统和终端设备 | |
CN116466249A (zh) | 锂离子电池容量预测方法、装置和电子设备 |
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 |