CN115343625A - 一种基于误差矫正的动力电池soc估算方法 - Google Patents
一种基于误差矫正的动力电池soc估算方法 Download PDFInfo
- Publication number
- CN115343625A CN115343625A CN202211264038.0A CN202211264038A CN115343625A CN 115343625 A CN115343625 A CN 115343625A CN 202211264038 A CN202211264038 A CN 202211264038A CN 115343625 A CN115343625 A CN 115343625A
- Authority
- CN
- China
- Prior art keywords
- soc
- full
- power battery
- sequence
- fitting
- 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 85
- 238000012937 correction Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 29
- 238000007599 discharging Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012549 training 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
- G01R31/36—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
-
- 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
- H01M10/4285—Testing apparatus
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
Abstract
本发明公开了一种基于误差矫正的动力电池SOC估算方法,涉及动力电池技术领域,获取动力电池历史的满充电/满放电数据构建样本集;根据样本数据拟合得到SOC值关于电压、电流、累计时间的关系函数;利用SOC拟合函数对样本数据进行拟合计算,得到每个样本的SOC拟合序列和SOC误差序列;根据样本数据以及每个样本的SOC误差序列,拟合得到SOC误差值关于电压、电流、累计时间的关系函数;获取目标动力电池的电压、电流、累计时间,利用SOC拟合函数和SOC误差函数计算目标动力的SOC拟合值和SOC误差值,从而估算得到目标动力电池的SOC值。本发明提高了动力电池SOC的估算精度。
Description
技术领域
本发明涉及动力电池技术领域,尤其是一种基于误差矫正的动力电池SOC估算方法。
背景技术
动力电池作为新能源汽车的核心部件,直接关系到车辆的安全稳定行驶。为确保电池性能良好,延长使用寿命,需要对电池的各项参数进行有效的管理,荷电状态SOC便是其中最重要的参数之一,目前国内外动力电池SOC估算还处在发展阶段,大多采用安时积分的方式估算,众所周知,安时积分的估算方式在车辆长时间不处于充分静置、满充或满放状态时,由电流传感器所带来的累计误差是不可忽视的。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种基于误差矫正的动力电池SOC估算方法,提高动力电池SOC的估算精度。
为实现上述目的,本发明采用以下技术方案,包括:
一种基于误差矫正的动力电池SOC估算方法,包括以下步骤:
S1,根据动力电池的历史满充电/满放电过程,获取动力电池历史的满充电/满放电数据,包括每次历史满充电/满放电过程中的电压序列、电流序列,时间序列,SOC序列;
所述电压序列是由历史满充电/满放电过程中各个采样点的电压值构成的序列;所述电流序列是由历史满充电/满放电过程中各个采样点的电流值构成的序列;所述时间序列是由历史满充电/满放电过程中各个采样点的满充电/满放电累计时间构成的序列;所述SOC序列是由历史满充电/满放电过程中各个采样点的SOC值构成的序列;
根据动力电池历史的满充电/满放电数据构建样本集,单次历史满充电/满放电过程中单个采样点的电压值、电流值、累计时间、SOC值即构成一个样本;
S2,根据步骤S1的样本数据,拟合得到SOC值关于电压、电流、累计时间的关系函数:
sf=F(v,i,t);其中,F(.)为SOC拟合函数,sf表示SOC拟合值,v表示电压,i表示电流,t表示累计时间即满充电/满放电累计时间;
S3,利用步骤S2得到的SOC拟合函数,对步骤S1的样本数据进行拟合计算,得到每个样本的SOC拟合序列和SOC误差序列;
所述SOC拟合序列是由历史满充电/满放电过程中各个采样点的SOC拟合值构成的序列,采样点的SOC拟合值通过SOC拟合函数以及该采样点下的电压、电流、累计时间计算得到;
所述SOC误差序列是由历史满充电/满放电过程中各个采样点的SOC误差值构成的序列,采样点的SOC误差值等于该采样点的SOC拟合值减去该采样点的SOC值;
S4,根据步骤S1的样本数据,以及步骤S3得到每个样本的SOC误差序列,拟合得到SOC误差值关于电压、电流、累计时间的关系函数:
E=Fe(v,i,t);其中,Fe(.)为SOC误差函数,E表示SOC误差值;
S5,针对待估算SOC的目标动力电池,获取目标动力电池在充/放电过程中当前时刻的电压v_new、电流i_new、充/放电累计时间t_new;
利用步骤S2得到的SOC拟合函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC拟合值,即sf_new=F(v_new,i_new,t_new);
利用步骤S4得到的SOC误差函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC误差值,即E_new=Fe(v_new,i_new,t_new);
S6,根据目标动力电池在充/放电过程中当前时刻的SOC拟合值sf_new和SOC误差值E_new,估算得到目标动力电池在充/放电过程中当前时刻的SOC值等于sf_new-E_new。
优选的,步骤S1中,满充电过程是指充电过程末端即充电结束时的单体最高电压达到满充电压;满放电过程是指放电过程末端即放电结束时的单体最低电压达到满放电压。
优选的,步骤S1中,满充电/满放电过程中各个采样点的SOC值的计算方式为:根据历史满充电/满放电过程中的电压序列、电流序列,时间序列,通过安时积分的方式计算得到历史满充电/满放电过程中各个采样点的SOC值。
优选的,步骤S2和步骤S4中,均采用机器学习的方式分别得到SOC拟合函数以及SOC误差函数。
优选的,机器学习采用支持向量机、传统机器学习、深度学习的方式。
优选的,在步骤S1中,分别获取动力电池历史的满充电数据和满放电数据,并将动力电池历史的满充电数据和满放电数据合并构建样本集;在步骤S5中,对目标动力电池当前时刻的SOC值进行估算时,不考虑目标动力电池的充放电状态,直接获取目标动力电池当前时刻的电压v_new、电流i_new、累计时间t_new,估算当前时刻的SOC值。
本发明的优点在于:
(1)本发明通过拟合SOC值关于电压、电流、累计时间的关系函数,把难以获取又极其重要的电池性能参数SOC,用拟合的方式直观地表征出来,并且本发明还考虑到了SOC拟合值所带来的误差,还对SOC误差值关于电压、电流、累计时间的关系函数进行拟合,最后在目标动力电池估算SOC时,在计算得到的SOC拟合值中扣除了SOC误差,从而提高了动力电池SOC的估算精度。
(2)本发明对SOC值以及SOC误差值关于电压、电流、累计时间的关系函数进行拟合,在后续计算SOC拟合值和SOC误差值的过程中,仅根据当前时刻的电压、电流、累计时间即可进行计算,单点计算,不受其他时刻的数据影响,估算精度更高,且方法实现简单,易于推广。
附图说明
图1为一种基于误差矫正的动力电池SOC估算方法流程图。
图2为实施例的结果对比示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
由图1所示,一种基于误差矫正的动力电池SOC估算方法,包括以下步骤:
S1,根据动力电池的历史满充电/满放电过程,获取动力电池历史的满充电/满放电数据,包括每次历史满充电/满放电过程中的电压序列、电流序列,时间序列,SOC序列;根据动力电池历史的满充电/满放电数据构建样本集,单次历史满充电/满放电过程中单个采样点的电压值、电流值、累计时间、SOC值即构成一个样本;
其中,电压序列表示为(v1,v2,...vk,...),vk为满充电/满放电过程中第k个采样点的电压值;电流序列表示为(i1,i2,...ik,...),ik为满充电/满放电过程中第k个采样点的电流值;时间序列表示为(t1,t2,...tk,...),tk为充满充电/满放电过程中第k个采样点的满充电/满放电累计时间,tk等于第k个采样点所对应的时间点减去满充电/满放电的开始时间点;SOC序列表示为(s1,s2,...sk,...),sk为满充电/满放电过程中第k个采样点的SOC值;
步骤S1中,满充电过程是指充电过程末端即充电结束时的单体最高电压达到满充电压,动力电池在满充时刻的SOC值为1;满放电过程是指放电过程末端即放电结束时的单体最低电压达到满放电压动力,电池在满放时刻的SOC值为0;
步骤S1中,满充电/满放电过程中各个采样点的SOC值的计算方式为:根据历史满充电/满放电过程中的电压序列、电流序列,时间序列,通过安时积分的方式计算得到历史满充电/满放电过程中各个采样点的SOC值。
步骤S1中,所述样本集D=(Vj,Ij,Tj,Sj),j=1,2...;
其中,j表示样本编号,动力电池在单次历史满充电/满放电过程中单个采样点的电压值、电流值、累计时间、SOC值即构成一个样本;
Vj表示第j个样本中的电压序列,Vj=(vj1,vj2,...vjk,...),vjk为第j个样本对应的满充电/满放电过程中第k个采样点的电压值;
Ij表示第j个样本中的电流序列,Ij=(ij1,ij2,...ijk,...),ijk为第j个样本对应的满充电/满放电过程中第k个采样点的电流值;
Tj表示第j个样本中的时间序列,Tj=(tj1,tj2,...tjk,...),tjk为第j个样本对应的满充电/满放电过程中第k个采样点的满充电/满放电累计时间,tjk等于第k个采样点所对应的时间减去充/放电的开始时间;
Sj表示第j个样本中的SOC序列,Sj=(sj1,sj2,...sjk,...),sjk为第j个样本对应的满充电/满放电过程中第k个采样点的SOC值。
S2,根据步骤S1的样本数据,采用机器学习的方式拟合SOC值关于电压、电流及累计时间的线性或非线性关系,得到SOC拟合的表达式为sf=F(v,i,t),其中,F(.)为SOC拟合函数,sf表示SOC拟合值,v表示电压,i表示电流,t表示累计时间即满充电/满放电累计时间;
S3,利用步骤S2得到的SOC拟合函数,对步骤S1的样本数据进行拟合计算,得到每个样本的SOC拟合序列和SOC误差序列;
S31,根据第j个样本中第k个采样点下的电压vjk、电流ijk、累计时间tjk,计算得到第j个样本中第k个采样点下的SOC拟合值即sfjk=F(vjk,ijk,tjk);
各个采样点的SOC拟合值即构成SOC拟合序列。
S32,根据第j个样本中第k个采样点下的SOC值和SOC拟合值,计算得到第j个样本中第k个采样点下的SOC误差值即Ejk=sfjk-sjk;
各个采样点的SOC误差值即构成SOC误差序列。
S4,根据步骤S1的样本数据,以及步骤S3得到的每个样本的SOC误差序列,采用机器学习的方式拟合SOC误差值关于电压、电流及累计时间的线性或非线性关系,得到SOC误差的表达式为E=Fe(v,i,t),其中,Fe(.)为SOC误差函数,E表示SOC误差值,v表示电压,i表示电流,t表示累计时间;
S5,针对待估算SOC的目标动力电池,获取目标动力电池在充/放电过程中当前时刻的电压v_new、电流i_new、充/放电累计时间t_new;
利用步骤S2得到的SOC拟合函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC拟合值,即sf_new=F(v_new,i_new,t_new);
利用步骤S4得到的SOC误差函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC误差值,即E_new=Fe(v_new,i_new,t_new);
S6,根据目标动力电池在充/放电过程中当前时刻的SOC拟合值sf_new和SOC误差值E_new,估算得到目标动力电池在充/放电过程中当前时刻的SOC值等于sf_new-E_new。
步骤S4和S7中的机器学习可采用支持向量机、随机森林等传统机器学习、Transformer等深度学习的方式。
本发明中,在步骤S1中,将动力电池历史的满充电数据和满放电数据合并构建样本集;步骤S2中,根据步骤S1的样本数据拟合得到SOC值关于电压、电流、累计时间的关系函数;在步骤S5中,对目标动力电池当前时刻的SOC值进行估算时,不考虑目标动力电池的充放电状态,直接获取目标动力电池当前时刻的电压v_new、电流i_new、累计时间t_new,估算当前时刻的SOC值。
本实施例中,对磷酸铁锂电池做满充电和满放电实验,获取相应数据进行模型训练,如图2所示,图2中的三条数据线分别为:满充电和满放电实验中安时积分算出来的各个采样点的SOC计算值,机器学习模型拟合得到的SOC拟合值,本发明误差矫正后的SOC估算值;其中,SOC估算值和SOC计算值更为接近,可见本发明方法达到了预期的效果。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (6)
1.一种基于误差矫正的动力电池SOC估算方法,其特征在于,包括以下步骤:
S1,根据动力电池的历史满充电/满放电过程,获取动力电池历史的满充电/满放电数据,包括每次历史满充电/满放电过程中的电压序列、电流序列,时间序列,SOC序列;
所述电压序列是由历史满充电/满放电过程中各个采样点的电压值构成的序列;所述电流序列是由历史满充电/满放电过程中各个采样点的电流值构成的序列;所述时间序列是由历史满充电/满放电过程中各个采样点的满充电/满放电累计时间构成的序列;所述SOC序列是由历史满充电/满放电过程中各个采样点的SOC值构成的序列;
根据动力电池历史的满充电/满放电数据构建样本集,单次历史满充电/满放电过程中单个采样点的电压值、电流值、累计时间、SOC值即构成一个样本;
S2,根据步骤S1的样本数据,拟合得到SOC值关于电压、电流、累计时间的关系函数:
sf=F(v,i,t);其中,F(.)为SOC拟合函数,sf表示SOC拟合值,v表示电压,i表示电流,t表示累计时间即满充电/满放电累计时间;
S3,利用步骤S2得到的SOC拟合函数,对步骤S1的样本数据进行拟合计算,得到每个样本的SOC拟合序列和SOC误差序列;
所述SOC拟合序列是由历史满充电/满放电过程中各个采样点的SOC拟合值构成的序列,采样点的SOC拟合值通过SOC拟合函数以及该采样点下的电压、电流、累计时间计算得到;
所述SOC误差序列是由历史满充电/满放电过程中各个采样点的SOC误差值构成的序列,采样点的SOC误差值等于该采样点的SOC拟合值减去该采样点的SOC值;
S4,根据步骤S1的样本数据,以及步骤S3得到每个样本的SOC误差序列,拟合得到SOC误差值关于电压、电流、累计时间的关系函数:
E=Fe(v,i,t);其中,Fe(.)为SOC误差函数,E表示SOC误差值;
S5,针对待估算SOC的目标动力电池,获取目标动力电池在充/放电过程中当前时刻的电压v_new、电流i_new、充/放电累计时间t_new;
利用步骤S2得到的SOC拟合函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC拟合值,即sf_new=F(v_new,i_new,t_new);
利用步骤S4得到的SOC误差函数,计算得到目标动力电池在充/放电过程中当前时刻的SOC误差值,即E_new=Fe(v_new,i_new,t_new);
S6,根据目标动力电池在充/放电过程中当前时刻的SOC拟合值sf_new和SOC误差值E_new,估算得到目标动力电池在充/放电过程中当前时刻的SOC值等于sf_new-E_new。
2.根据权利要求1所述的一种基于误差矫正的动力电池SOC估算方法,其特征在于,步骤S1中,满充电过程是指充电过程末端即充电结束时的单体最高电压达到满充电压;满放电过程是指放电过程末端即放电结束时的单体最低电压达到满放电压。
3.根据权利要求1所述的一种基于误差矫正的动力电池SOC估算方法,其特征在于,步骤S1中,满充电/满放电过程中各个采样点的SOC值的计算方式为:根据历史满充电/满放电过程中的电压序列、电流序列,时间序列,通过安时积分的方式计算得到历史满充电/满放电过程中各个采样点的SOC值。
4.根据权利要求1所述的一种基于误差矫正的动力电池SOC估算方法,其特征在于,步骤S2和步骤S4中,均采用机器学习的方式分别得到SOC拟合函数以及SOC误差函数。
5.根据权利要求4所述的一种基于误差矫正的动力电池SOC估算方法,其特征在于,机器学习采用支持向量机、传统机器学习、深度学习的方式。
6.根据权利要求1所述的一种基于误差矫正的动力电池SOC估算方法,其特征在于,在步骤S1中,分别获取动力电池历史的满充电数据和满放电数据,并将动力电池历史的满充电数据和满放电数据合并构建样本集;在步骤S5中,对目标动力电池当前时刻的SOC值进行估算时,不考虑目标动力电池的充放电状态,直接获取目标动力电池当前时刻的电压v_new、电流i_new、累计时间t_new,估算当前时刻的SOC值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264038.0A CN115343625A (zh) | 2022-10-17 | 2022-10-17 | 一种基于误差矫正的动力电池soc估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264038.0A CN115343625A (zh) | 2022-10-17 | 2022-10-17 | 一种基于误差矫正的动力电池soc估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115343625A true CN115343625A (zh) | 2022-11-15 |
Family
ID=83956923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211264038.0A Pending CN115343625A (zh) | 2022-10-17 | 2022-10-17 | 一种基于误差矫正的动力电池soc估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343625A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359036A (zh) * | 2007-07-31 | 2009-02-04 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN111722114A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
CN112816877A (zh) * | 2021-01-04 | 2021-05-18 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
CN113109726A (zh) * | 2021-03-25 | 2021-07-13 | 广西大学 | 一种基于误差补偿的多因素动态内阻模型估算锂离子电池内阻方法 |
CN114152887A (zh) * | 2020-09-07 | 2022-03-08 | 桂林电子科技大学 | 一种基于fer融合算法的锂电池soc估算方法 |
CN114779103A (zh) * | 2022-04-24 | 2022-07-22 | 南通大学 | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 |
-
2022
- 2022-10-17 CN CN202211264038.0A patent/CN115343625A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359036A (zh) * | 2007-07-31 | 2009-02-04 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN111722114A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
CN114152887A (zh) * | 2020-09-07 | 2022-03-08 | 桂林电子科技大学 | 一种基于fer融合算法的锂电池soc估算方法 |
CN112816877A (zh) * | 2021-01-04 | 2021-05-18 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
CN113109726A (zh) * | 2021-03-25 | 2021-07-13 | 广西大学 | 一种基于误差补偿的多因素动态内阻模型估算锂离子电池内阻方法 |
CN114779103A (zh) * | 2022-04-24 | 2022-07-22 | 南通大学 | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675702B (zh) | 一种实时评估电池健康状态的方法 | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN103344917B (zh) | 一种锂电池循环寿命快速测试方法 | |
CN105929336B (zh) | 一种动力锂离子电池健康状态估算方法 | |
CN111308356A (zh) | 一种带加权的安时积分的soc估算方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN104360286A (zh) | 一种锂离子电池荷电状态估算修正方法 | |
CN110895310A (zh) | 一种磷酸铁锂电池soc估算系统 | |
CN114355211A (zh) | 一种锂离子动力电池剩余电量估计方法 | |
CN110598300A (zh) | 一种电池soh预测方法及装置 | |
CN110988709A (zh) | 一种用于电池管理系统的soe和sop联合估计方法 | |
CN105425154A (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
CN108169680A (zh) | 动力电池健康状态评估方法、系统及电动车辆 | |
CN109581243A (zh) | 估算电池的soc的方法和装置 | |
CN108732499A (zh) | 一种检测锂离子电池循环寿命的方法和系统 | |
CN112180274A (zh) | 一种动力电池组快速检测测评方法 | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN112816891A (zh) | 一种基于电池组内单体充电曲线差异的电池容量和soc估计方法 | |
CN109085509A (zh) | 锂离子电池开路电压与soc关系的参数辨识方法及系统 | |
CN109143096A (zh) | 电动自行车电池参数检测装置及检测方法 | |
CN110311181B (zh) | 一种铅蓄电池低温充电工艺 | |
CN110031772A (zh) | 一种锂离子电池等效内阻的实时估算方法 | |
CN115343625A (zh) | 一种基于误差矫正的动力电池soc估算方法 | |
CN103235266B (zh) | 动力电池的荷电状态估算方法及装置 |
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: 20221115 |
|
RJ01 | Rejection of invention patent application after publication |