CN114660496A - 一种锂离子电池健康状态的估计方法及装置 - Google Patents
一种锂离子电池健康状态的估计方法及装置 Download PDFInfo
- Publication number
- CN114660496A CN114660496A CN202210170124.9A CN202210170124A CN114660496A CN 114660496 A CN114660496 A CN 114660496A CN 202210170124 A CN202210170124 A CN 202210170124A CN 114660496 A CN114660496 A CN 114660496A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- state
- battery
- health
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及电池参数研究技术领域,公开了一种锂离子电池健康状态的估计方法及装置,在该方法中,根据卡尔曼滤波算法迭代公式,首先确定系统状态初值,然后建立先验状态的线性方程,并确定误差协方差,进一步获取锂离子电池当前循环后的欧姆电阻,确定卡尔曼增益,并构建系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差,最后基于系统状态更新公式对锂离子电池下一次循环后的电池健康状态进行估计。本申请基于卡尔曼滤波算法,对测量的欧姆电阻进行降噪滤波,消除测量过程中的随机干扰,有效提高估计精度。
Description
技术领域
本申请涉及电池参数研究技术领域,尤其涉及一种锂离子电池健康状态的估计方法及装置。
背景技术
锂离子电池在循环使用过程中伴随着内部电解质的溶解、活性材料的消耗、电池内部副反应等因素,导致电池性能不断衰退,大大降低电池供电系统的可靠性。锂离子电池健康状态的准确估计对电池系统均衡控制和诊断维护有着重要作用。
目前电池管理系统(Battery Management System,BMS)充放电保护、均衡管理、荷电状态(State of Charge,SOC)估计等功能逐渐完善,而对电池健康状态(State OfHealth,SOH)估计起步较晚,研究相对滞后,因此亟需一种可以准确估计锂离子电池健康状态的方法。
发明内容
本申请公开了一种锂离子电池健康状态的估计方法及装置,用于解决现有技术中,缺少可以准确估计锂离子电池健康状态方法的技术问题。
本申请第一方面公开了一种锂离子电池健康状态的估计方法,包括:
根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量;
获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值;
根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差;
获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益;
根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式;
根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差;
根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
可选的,所述根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式,包括:
通过如下公式构建所述系统状态更新公式:
其中,表示锂离子电池当前循环后的电池健康状态估计值,表示锂离子电池当前循环后的电池健康状态先验估计值,Kk表示卡尔曼增益,REOL表示锂离子电池寿命终结时电池内阻,Rnew表示锂离子电池出厂时内阻,Rk表示锂离子电池当前循环后的欧姆电阻。
可选的,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。
可选的,所述根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益,包括:
根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值;
根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
可选的,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
本申请第二方面公开了一种锂离子电池健康状态的估计装置,所述锂离子电池健康状态的估计装置应用于本申请第一方面公开的锂离子电池健康状态的估计方法,所述锂离子电池健康状态的估计装置包括:
预处理模块,用于根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量;
先验估计模块,用于获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值;
误差协方差确定模块,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差;
卡尔曼增益确定模块,用于获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益;
系统状态更新公式构建模块,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式;
循环更新模块,用于根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差;
健康状态估计模块,用于根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
可选的,所述系统状态更新公式构建模块用于通过如下公式构建所述系统状态更新公式:
其中,表示锂离子电池当前循环后的电池健康状态估计值,表示锂离子电池当前循环后的电池健康状态先验估计值,Kk表示卡尔曼增益,REOL表示锂离子电池寿命终结时电池内阻,Rnew表示锂离子电池出厂时内阻,Rk表示锂离子电池当前循环后的欧姆电阻。
可选的,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。
可选的,所述卡尔曼增益确定模块包括:
观测值确定单元,用于根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值;
卡尔曼增益确定单元,用于根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
可选的,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
本申请涉及电池参数研究技术领域,公开了一种锂离子电池健康状态的估计方法及装置,在该方法中,根据卡尔曼滤波算法迭代公式,首先确定系统状态初值,然后建立先验状态的线性方程,并确定误差协方差,进一步获取锂离子电池当前循环后的欧姆电阻,确定卡尔曼增益,并构建系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差,最后基于系统状态更新公式对锂离子电池下一次循环后的电池健康状态进行估计。本申请基于卡尔曼滤波算法,对测量的欧姆电阻进行降噪滤波,消除测量过程中的随机干扰,有效提高估计精度。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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他的附图。
图1为本申请实施例公开的一种锂离子电池健康状态的估计方法的工作流程示意图;
图2为本申请实施例公开的一种锂离子电池健康状态的估计装置的结构示意图。
具体实施方式
为了解决现有技术中,缺少可以准确估计锂离子电池健康状态方法的技术问题,本申请通过以下实施例公开了一种锂离子电池健康状态的估计方法及装置。
本申请第一实施例公开了一种锂离子电池健康状态的估计方法,参见图1所示的工作流程示意图,所述锂离子电池健康状态的估计方法包括:
步骤S1,根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量。
进一步的,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。其中,根据卡尔曼滤波算法迭代公式,首先确定系统状态初值,选取电池SOH作为状态变量由于是新电池其初始健康状态约为100%,初始误差协方差约为0。系统状态噪声和量测噪声方差R、Q预先根据实际应用场景进行设置。
具体来说,锂离子电池内阻与电池荷电状态、健康状态都有着一定联系,是目前锂电池状态检测的重要参数。电池的内阻主要包括欧姆电阻和极化电阻。在温度一定的条件下,欧姆电阻基本稳定不变且受电池荷电状态影响较小,而极化电阻会随着影响极化水平的因素变动。欧姆电阻主要由电极材料、电解液、隔膜电阻及集流体、各部分零件的接触电阻组成。在锂电池不断连续循环使用过程中,电池电阻也会逐渐增加,可将欧姆电阻与电池健康状态建立联系,进而实现锂离子电池健康状态估计。欧姆电阻的变化是电池老化的一个重要标志,因此本实施例通过卡尔曼滤波器跟踪辨识欧姆电阻实现对当前锂离子电池的健康状态估计。
步骤S2,获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值。
步骤S3,根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差。
步骤S4,获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益。
进一步的,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
在本申请的部分实施例中,所述根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益,包括:
根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值。
根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
具体来说,建立基于内阻和电池健康状态关系如下:
其中,SOH表示锂离子电池健康状态,REOL表示锂离子电池寿命终结时电池内阻,Rnew表示锂离子电池出厂时内阻,Rnew表示锂离子电池当前测量内阻。
本实施例将电池第k次循环后EIS阻抗测试设备测量的欧姆电阻Rk代入上述基于内阻和电池健康状态关系,计算得出的SOH作为观测值zk,则ck=Ak=1。代入协方差和噪声方差计算卡尔曼增益Kk。本实施例直接将EIS阻抗测试设备测量的欧姆电阻直接带入基于内阻和电池健康状态关系,并引入卡尔曼滤波算法对测量的欧姆电阻进行降噪滤波,消除测量过程的随机干扰,提高估计精度。
步骤S5,根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式。
在本申请的部分实施例中,所述根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式,包括:
通过如下公式构建所述系统状态更新公式:
其中,表示锂离子电池当前循环后的电池健康状态估计值,表示锂离子电池当前循环后的电池健康状态先验估计值,Kk表示卡尔曼增益,REOL表示锂离子电池寿命终结时电池内阻,Rnew表示锂离子电池出厂时内阻,Rk表示锂离子电池当前循环后的欧姆电阻。
步骤S6,根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差。
步骤S7,根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
具体来说,完成对第k次循环电池SOH估计后根据公式更新协方差,当电池进行下一次循环(即k+1次循环)后将上一次估计值代入先验估计方程重复卡尔曼滤波算法迭代公式,最后结合最新观测值计算当前锂离子电池下一次循环后的健康状态
本申请上述实施例公开的一种锂离子电池健康状态的估计方法,根据卡尔曼滤波算法迭代公式,首先确定系统状态初值,然后建立先验状态的线性方程,并确定误差协方差,进一步获取锂离子电池当前循环后的欧姆电阻,确定卡尔曼增益,并构建系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差,最后基于系统状态更新公式对锂离子电池下一次循环后的电池健康状态进行估计。本申请基于卡尔曼滤波算法,对测量的欧姆电阻进行降噪滤波,消除测量过程中的随机干扰,有效提高估计精度。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
本申请第二实施例公开了一种锂离子电池健康状态的估计装置,所述锂离子电池健康状态的估计装置应用于本申请第一实施例公开的锂离子电池健康状态的估计方法,参见图2所示的结构示意图,所述锂离子电池健康状态的估计装置包括:
预处理模块10,用于根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量。
先验估计模块20,用于获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值。
误差协方差确定模块30,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差。
卡尔曼增益确定模块40,用于获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益。
系统状态更新公式构建模块50,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式。
循环更新模块60,用于根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差。
健康状态估计模块70,用于根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
进一步的,所述系统状态更新公式构建模块用于通过如下公式构建所述系统状态更新公式:
其中,表示锂离子电池当前循环后的电池健康状态估计值,表示锂离子电池当前循环后的电池健康状态先验估计值,Kk表示卡尔曼增益,REOL表示锂离子电池寿命终结时电池内阻,Rnew表示锂离子电池出厂时内阻,Rk表示锂离子电池当前循环后的欧姆电阻。
进一步的,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。
进一步的,所述卡尔曼增益确定模块包括:
观测值确定单元,用于根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值。
卡尔曼增益确定单元,用于根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
进一步的,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种锂离子电池健康状态的估计方法,其特征在于,包括:
根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量;
获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值;
根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差;
获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益;
根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式;
根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差;
根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
3.根据权利要求1所述的锂离子电池健康状态的估计方法,其特征在于,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。
4.根据权利要求3所述的锂离子电池健康状态的估计方法,其特征在于,所述根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益,包括:
根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值;
根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
5.根据权利要求1所述的锂离子电池健康状态的估计方法,其特征在于,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
6.一种锂离子电池健康状态的估计装置,其特征在于,所述锂离子电池健康状态的估计装置应用于权利要求1-5任一项所述的锂离子电池健康状态的估计方法,所述锂离子电池健康状态的估计装置包括:
预处理模块,用于根据卡尔曼滤波算法迭代公式,确定系统状态初值,并将锂离子电池健康状态确定为状态变量;
先验估计模块,用于获取锂离子电池上一次循环后的电池健康状态估计值,并通过建立先验状态的线性方程,确定锂离子电池当前循环后的电池健康状态先验估计值;
误差协方差确定模块,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值,确定误差协方差;
卡尔曼增益确定模块,用于获取锂离子电池当前循环后的欧姆电阻,并根据所述锂离子电池当前循环后的欧姆电阻和所述误差协方差,确定卡尔曼增益;
系统状态更新公式构建模块,用于根据所述锂离子电池当前循环后的电池健康状态先验估计值、所述卡尔曼增益、预设的锂离子电池寿命终结时电池内阻、预设的锂离子电池出厂时内阻和所述锂离子电池当前循环后的欧姆电阻,构建系统状态更新公式;
循环更新模块,用于根据所述系统状态更新公式,确定锂离子电池当前循环后的电池健康状态估计值,并更新误差协方差;
健康状态估计模块,用于根据所述锂离子电池当前循环后的电池健康状态估计值和更新后的误差协方差,利用所述系统状态更新公式,对锂离子电池下一次循环后的电池健康状态进行估计。
8.根据权利要求6所述的锂离子电池健康状态的估计装置,其特征在于,所述系统状态初值包括初始健康状态、初始误差协方差和噪声方差,其中噪声方差包括系统状态噪声方差和量测噪声方差。
9.根据权利要求8所述的锂离子电池健康状态的估计装置,其特征在于,所述卡尔曼增益确定模块包括:
观测值确定单元,用于根据所述锂离子电池当前循环后的欧姆电阻、所述锂离子电池寿命终结时电池内阻和所述锂离子电池出厂时内阻,确定观测值;
卡尔曼增益确定单元,用于根据所述观测值、所述误差协方差和所述噪声方差,确定卡尔曼增益。
10.根据权利要求6所述的锂离子电池健康状态的估计装置,其特征在于,所述锂离子电池当前循环后的欧姆电阻通过EIS阻抗测试设备获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170124.9A CN114660496A (zh) | 2022-02-23 | 2022-02-23 | 一种锂离子电池健康状态的估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170124.9A CN114660496A (zh) | 2022-02-23 | 2022-02-23 | 一种锂离子电池健康状态的估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114660496A true CN114660496A (zh) | 2022-06-24 |
Family
ID=82028196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210170124.9A Pending CN114660496A (zh) | 2022-02-23 | 2022-02-23 | 一种锂离子电池健康状态的估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660496A (zh) |
-
2022
- 2022-02-23 CN CN202210170124.9A patent/CN114660496A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
JP5818878B2 (ja) | リチウムイオン電池充電状態の算出方法 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
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 | |
CN108369258B (zh) | 状态估计装置、状态估计方法 | |
CN105277898B (zh) | 一种电池荷电状态的检测方法 | |
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 | |
CN105548898B (zh) | 一种离线数据分段矫正的锂电池soc估计方法 | |
JP5088081B2 (ja) | 電池の測定方法及び電池の製造方法 | |
JP4511600B2 (ja) | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 | |
CN107167743B (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
JP6509725B2 (ja) | バッテリの充電状態の推定 | |
CN108279382A (zh) | 电池健康状态检测方法及装置 | |
CN109444762B (zh) | 一种基于数据融合的锂离子电池健康状态估计方法 | |
CN103797374A (zh) | 用于电池监控的系统和方法 | |
CN108693472A (zh) | 电池等效模型参数在线辨识方法 | |
CN107064847A (zh) | 一种电动汽车电池荷电状态校正方法及装置 | |
CN112904218B (zh) | 基于标准样本及双重-嵌入解耦的电池健康状态估计方法 | |
CN109828215A (zh) | 一种提升电池单体soc估算精度的方法和系统 | |
KR20170034191A (ko) | 리튬이차전지 건강상태 진단방법 | |
CN106997026A (zh) | 用于确定铅酸蓄电池的剩余电容量的方法和装置 | |
KR100878123B1 (ko) | 배터리 상태 및 파라미터 추정 시스템 및 방법 | |
JP5259190B2 (ja) | ジョイントバッテリー状態とパラメーター推定システム及び方法 | |
CN117214728B (zh) | 电池的劣化程度确定方法、装置、电子设备及存储介质 |
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 |