CN115469229A - 一种不间断电源锂电池荷电状态估算方法 - Google Patents

一种不间断电源锂电池荷电状态估算方法 Download PDF

Info

Publication number
CN115469229A
CN115469229A CN202211165413.6A CN202211165413A CN115469229A CN 115469229 A CN115469229 A CN 115469229A CN 202211165413 A CN202211165413 A CN 202211165413A CN 115469229 A CN115469229 A CN 115469229A
Authority
CN
China
Prior art keywords
battery
charge
neural network
lithium battery
power supply
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
Application number
CN202211165413.6A
Other languages
English (en)
Inventor
李硕
赵海峰
张凯亮
吴江
郭颖
崔平
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.)
Xuzhou University of Technology
Original Assignee
Xuzhou University of Technology
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 Xuzhou University of Technology filed Critical Xuzhou University of Technology
Priority to CN202211165413.6A priority Critical patent/CN115469229A/zh
Publication of CN115469229A publication Critical patent/CN115469229A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种不间断电源锂电池荷电状态估算方法，包括以下步骤：(1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；(2)对锂电池组进行充放电实验，将充放电数据作为样本训练BP神经网络模型；(3)将不间断电源系统采集的电池电压、温度、充放电电流传输到上位机；(4)通过训练完成的BP神经网络模型预测电池SOC；(5)通过安时计量法估算电池SOC；(6)当上位机通信正常时，显示步骤(4)预测的电池SOC，当上位机通信异常时，显示步骤(5)估算的电池SOC，本发明能够减少预估计算量，提高电池SOC估算的精确度，增强不间断电源工作时的稳定性。

Description

一种不间断电源锂电池荷电状态估算方法
技术领域
本发明涉及不间断电源的荷电状态估算领域，具体涉及一种不间断电源锂电池荷电状态估算方法。
背景技术
不间断电源是通过储能器件实现对负载的不间断连续供电的设备，在工业生产、学校、医院得到广泛应用。过去的不间断电源常使用镍氢电池或铅酸电池，随着电池技术的发展，锂离子电池由于其循环寿命长、放电电压稳定、自放电率低、体积小质量轻、无污染等众多优势，已经被广泛应用于不间断电源中。虽然锂电池具有众多优势，但是锂电池在充放电过程中，电化学变化比较复杂，过充过放对电池的性能和寿命影响很大，甚至会引发爆炸的危险，所以需要适当的管理保护。电池荷电状态(State of Charge，SOC)用来描述电池剩余电量，可以作为电池使用过程中的一个重要参考数据用于保护锂电池的正常运行，避免出现过充、过放等异常状态。
SOC是电池的内部状态参数，无法直接测量，只可以通过电池电压、充放电电流等数据间接估算。由于电池SOC受到电流、温度、自放电率、电池内阻、循环次数等因素的影响，所以精确估算电池SOC的难度较大。
虽然现有的估算电池SOC的方法较多，但是在不间断电源的嵌入式硬件中难以实现复杂的运算，无法精确的估算不间断电池SOC，不能很好的保证不间断电池的稳定运行。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种不间断电源锂电池荷电状态估算方法。
为解决上述技术问题，本发明采用如下技术方案：
本发明提供一种不间断电源锂电池荷电状态估算方法，包括以下步骤：
(1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；
(2)对锂电池组进行充放电实验，并记录充放电数据，将充放电数据作为样本训练步骤(1)的BP神经网络模型；
(3)将不间断电源系统通过电池管理系统采集的电池电压、温度、充放电电流传输到上位机；
(4)将上位机接收的电池管理系统发送的数据通过步骤(2)训练完成的BP神经网络模型预测电池SOC；
(5)利用电池管理系统通过安时计量法估算电池SOC；
(6)当上位机通信正常时，不间断电源通过电池管理系统显示步骤(4)预测的电池SOC，当上位机通信异常时，不间断电源通过电池管理系统显示步骤(5)估算的电池SOC。
优选地，所述不间断电源系统包括相互连接的锂电池组、电池管理系统、变压模块、上位机，所述电池管理系统与上位机通过以太网或串口进行远程实时通信。
优选地，步骤(1)在建立三层BP神经网络模型时，根据黄金分割优选方法确定隐含层神经元的最佳范围，若输入层的神经元数量为M，输出层的神经元数量为N，隐含层最佳神的经元数L在如下范围中选取：
Figure BDA0003861151510000021
优选地，所述步骤(2)具体包括以下步骤：
(21)使用锂电池容量测试仪，在不同的温度环境下，以不同的电流对锂电池组进行充放电实验；
(22)将步骤(21)获得的充放电数据作为样本，采用S型tansign函数作为激励函数训练步骤(1)的BP神经网络模型，再使用Levenherg-Marquardt算法与梯度下降法对神经网络进行优化；具体包括以下步骤：
(221)以锂电池组的电压、温度、充放电电流作为神经网络输入向量表示为：X＝(x1，x2，x3)T，将隐含层输出向量表示为Y＝(y1，y2，...，y8)T，定义输出层的输出值为z、期望输出值定义为Ο、输入层到隐含层各个神经元之间的权值为wml、隐含层各个神经元的阈值表示为θl、隐含层到输出层各个神经元之间的权值为ul、输出层神经元的阈值表示为δ，定义tansign函数为：
Figure BDA0003861151510000031
(222)将样本数据电压、温度、电流归一化到[-1,1]之间，设置SOC误差要求ε与最大训练次数T，然后初始化权值wml、ul与阈值θl、δ，权值与阈值可以在(-1,1)区间内随机选取；令当前训练次数t＝1与当前样本数i＝1；
(223)将归一化后的电池样本数据输入到神经网络中，得出隐含层中第l个神经元的输出数据：
Figure BDA0003861151510000032
(224)获得隐含层神经元的输出数据后，求得输出层输出数据为：
Figure BDA0003861151510000033
(225)计算第i样本得到的实际输出与期望输出之间的误差：
Figure BDA0003861151510000034
(226)将步骤(225)得到的误差反向传播，通过梯度下降法更新网络的权值与阈值，沿着误差曲面的负梯度方向调整权值与阈值；直到E<ε或t>T，完成BP神经网络的训练。
优选地，步骤(21)在进行充放电实验时，使用锂电池容量测试仪，在-20℃、25℃、55℃温度环境中，每个温度分别以0.5C、1C、3C倍率对60AH的锂电池进行充放电实验，并记录电池容量与电压值。
优选地，所述步骤(5)具体包含以下步骤：
(51)通过电流传感器检测锂电池组的充放电电流；
(52)在电池管理系统中计算电流在一段时间内的积分确定该时间内电池容量的变化；
(53)采用如下公式估算出当前时刻的电池容量：
Figure BDA0003861151510000041
其中，SOC0表示电池初始电量，Q表示电池额定容量，η表示电池的充放电倍率。
本发明的有益效果在于：
本发明采用三层BP神经网络模型进行预估，能够减少预估计算量，且本方法采用BP神经网络法与安时计量法结合的方法，能够提高估算的稳定性；当通信正常时，通过BP神经网络法可以较为精确的估算电池SOC；当通信异常时，通过安时计量法估算电池SOC也可以实现相应功能，虽然存在误差的累积，但前期误差较小，当通信重新恢复正常时，即可通过BP神经网络估算电池SOC，并传输到电池管理系统中消除累积误差，提高电池SOC估算的精确度，增强不间断电源工作时的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明的不间断电源结构图。
图2为本发明的整体结构流程框图。
图3为本发明中的基于BP神经网络的SOC估算模型。
图4为本发明中的电池电压与电池SOC关系曲线。
图5为本发明中的放电电量实测值与BP神经网络估算值比较。
图6为本发明中的SOC估算测试数据
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。
如图1为本实施例的不间断电源系统组成，具体包括锂电池组、电池管理系统、变压模块、上位机，电池管理系统与上位机通过以太网或串口进行远程实时的通信。
本实施例的不间断电源系统采用本领域技术人员所熟知的现有组成结构，在此不作详细描述。
如图2为本实施例提供的一种不间断电源锂电池荷电状态估算方法，包括以下步骤：
S1：建立BP神经网络模型，将锂电池电压、温度、充放电电流作为输入参数，将电池荷电状态即State of Charge,SOC作为输出参数；
S2：对锂电池进行充放电实验，并记录充放电数据，将记录的充放电数据作为样本训练BP神经网络；
S3：不间断电源通过电池管理系统采集电池电压、温度、充放电电流，并传输到上位机；
S4：上位机软件接收电池管理系统发送的数据，通过训练完成的BP神经网络预测电池SOC；
S5：利用电池管理系统通过安时计量法估算电池SOC；
S6：当上位机通信正常时，不间断电源通过电池管理系统显示步骤(4)预测的电池SOC，当上位机通信异常时，不间断电源通过电池管理系统显示步骤(5)估算的电池SOC。
所述的S1中，具体包含以下步骤：
S11：根据锂电池的电化学性质即电池容量与电池电压、温度、充放电电流的具有一定的关系，电压与电池容量成正比；温度越高，相同容量的锂电池可放出的电量越多；放电电流越小，相同容量的锂电池可放出的电量越多；将电池电压、温度、充放电电流作为BP神经网络的输入参数，将电池SOC作为输出参数，如图3所示；
S12：在保证预测精度的前提下，为减少计算量，本实施例建立三层BP神经网络，根据黄金分割优选方法确定隐含层神经元的最佳范围，若输入层的神经元数量为M，输出层的神经元数量为N，隐含层最佳神的经元数L在如下范围中选取：
Figure BDA0003861151510000061
该神经网络有3个输入、1个输出，根据上式求得隐含层神经元的最佳取值范围为[2,14]；经过训练实验，将隐含层的神经元数L设为8。
所述的S2中，具体包含以下步骤：
S21：使用锂电池容量测试仪，在-20℃、25℃、55℃温度环境中，每个温度分别以0.5C、1C、3C倍率对60AH的锂电池进行充放电实验，并记录电池容量与电压值，如图4，电池电压与电池SOC成正比关系；
S22：将实验数据作为样本数据，在MATLAB中采用S型tansign函数作为激励函数训练神经网络，再使用Levenherg-Marquardt算法与梯度下降法对神经网络进行优化，如图5所示，将锂电池在室温20℃环境中以0.5C的放电倍率放电，实测结果与估算结果的均方误差为0.6824，拟合程度较高。
所述的S3中，具体包含以下步骤：
S31：不间断电源中电池管理系统通过LTC6803电池管理芯片采集电池电压，通过热敏电阻采集电池温度，通过霍尔电流传感器采集充放电电流；
本实施例的热敏电阻、霍尔电流传感器均采用本领域技术人员所熟知的现有产品其与电池管理系统、LTC6803电池管理芯片相互之间的连接均采用本领域技术人员所熟知的现有连接方式，在此不再作详细描述。
S32：不间断电源通过以太网连接到上位机中，然后将电池电压、温度、充放电电流等信息发送到上位机。
所述的S4中，具体包含以下步骤：
S41：在MATLAB中提取训练完成的神经网络的权值与阈值，然后将权值与阈值存入上位机软件中，上位机软件在Visual Studio中编写，并使用Math类建立S型tansign激励函数；
本实施例的上位机及上位机软件以及编写的相关程序均采用本领域技术人员所熟知的产品、软件或程序，在此不再作详细描述。
S42：上位机软件接收不间断电源发送的锂电池电压、温度、充放电电流等信息，将电池信息代入到神经网络中预测电池SOC。
所述的S5中，具体包含以下步骤：
S51：通过霍尔电流传感器检测锂电池充放电电流；
S52：在电池管理系统中计算电流在t时间内的积分确定该时间内电池容量的变化；
S53：电池容量初始值加上电池容量变化值，即可以估算出当前时刻的电池容量；计算公式如下：
Figure BDA0003861151510000071
其中，SOC0表示电池初始电量，Q表示电池额定容量，η表示电池的充放电倍率；充电时η＝1，放电时η＝-1。
所述的S6中，具体包含以下步骤：
S61：电池管理系统检测是否可以与上位机正常通信；
S62：若通信正常，则不间断电源通过电池管理系统显示上位机软件使用神经网络估算的电池SOC；若通信异常，则显示电池管理系统使用安时计量法估算的电池SOC。
电池SOC估算测试结果如图6所示，安时计量法前期估算的电池SOC与实测数据较为接近，但是随着使用时间的增加，误差也逐渐增大；而神经网络法估算电池SOC，在部分时间内存在轻微波动，但整体与实测数据较为接近，且不存在误差的累积。因此，当通信正常时，通过BP神经网络法可以较为精确的估算电池SOC；当通信异常时，通过安时计量法估算电池SOC也可以实现相应功能，但存在误差的累积，当通信重新恢复正常时，即可通过BP神经网络估算电池SOC，并传输到电池管理系统中消除累积误差，提高电池SOC估算的精确度，增强不间断电源工作时的稳定性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种不间断电源锂电池荷电状态估算方法，其特征在于，包括以下步骤：
(1)利用不间断电源系统建立三层BP神经网络模型，将锂电池组的电压、温度、充放电电流作为输入参数，将电池荷电状态作为输出参数；
(2)对锂电池组进行充放电实验，并记录充放电数据，将充放电数据作为样本训练步骤(1)的BP神经网络模型；
(3)将不间断电源系统通过电池管理系统采集的电池电压、温度、充放电电流传输到上位机；
(4)将上位机接收的电池管理系统发送的数据通过步骤(2)训练完成的BP神经网络模型预测电池SOC；
(5)利用电池管理系统通过安时计量法估算电池SOC；
(6)当上位机通信正常时，不间断电源通过电池管理系统显示步骤(4)预测的电池SOC，当上位机通信异常时，不间断电源通过电池管理系统显示步骤(5)估算的电池SOC。
2.如权利要求1所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，所述不间断电源系统包括相互连接的锂电池组、电池管理系统、变压模块、上位机，所述电池管理系统与上位机通过以太网或串口进行远程实时通信。
3.如权利要求1所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，步骤(1)在建立三层BP神经网络模型时，根据黄金分割优选方法确定隐含层神经元的最佳范围，若输入层的神经元数量为M，输出层的神经元数量为N，隐含层最佳神的经元数L在如下范围中选取：
Figure FDA0003861151500000021
4.如权利要求3所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，所述步骤(2)具体包括以下步骤：
(21)使用锂电池容量测试仪，在不同的温度环境下，以不同的电流对锂电池组进行充放电实验；
(22)将步骤(21)获得的充放电数据作为样本，采用S型tansign函数作为激励函数训练步骤(1)的BP神经网络模型，再使用Levenherg-Marquardt算法与梯度下降法对神经网络进行优化；具体包括以下步骤：
(221)以锂电池组的电压、温度、充放电电流作为神经网络输入向量表示为：X＝(x1，x2，x3)T，将隐含层输出向量表示为Y＝(y1，y2，...，y8)T，定义输出层的输出值为z、期望输出值定义为Ο、输入层到隐含层各个神经元之间的权值为wml、隐含层各个神经元的阈值表示为θl、隐含层到输出层各个神经元之间的权值为ul、输出层神经元的阈值表示为δ，定义tansign函数为：
Figure FDA0003861151500000022
(222)将样本数据电压、温度、电流归一化到[-1,1]之间，设置SOC误差要求ε与最大训练次数T，然后初始化权值wml、ul与阈值θl、δ，权值与阈值可以在(-1,1)区间内随机选取；令当前训练次数t＝1与当前样本数i＝1；
(223)将归一化后的电池样本数据输入到神经网络中，得出隐含层中第l个神经元的输出数据：
Figure FDA0003861151500000023
(224)获得隐含层神经元的输出数据后，求得输出层输出数据为：
Figure FDA0003861151500000024
(225)计算第i样本得到的实际输出与期望输出之间的误差：
Figure FDA0003861151500000025
(226)将步骤(225)得到的误差反向传播，通过梯度下降法更新网络的权值与阈值，沿着误差曲面的负梯度方向调整权值与阈值；直到E<ε或t>T，完成BP神经网络的训练。
5.如权利要求4所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，步骤(21)在进行充放电实验时，使用锂电池容量测试仪，在-20℃、25℃、55℃温度环境中，每个温度分别以0.5C、1C、3C倍率对60AH的锂电池进行充放电实验，并记录电池容量与电压值。
6.如权利要求1所述的一种不间断电源锂电池荷电状态估算方法，其特征在于，所述步骤(5)具体包含以下步骤：
(51)通过电流传感器检测锂电池组的充放电电流；
(52)在电池管理系统中计算电流在一段时间内的积分确定该时间内电池容量的变化；
(53)采用如下公式估算出当前时刻的电池容量：
Figure FDA0003861151500000031
其中，SOC0表示电池初始电量，Q表示电池额定容量，η表示电池的充放电倍率。
CN202211165413.6A 2022-09-23 2022-09-23 一种不间断电源锂电池荷电状态估算方法 Pending CN115469229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211165413.6A CN115469229A (zh) 2022-09-23 2022-09-23 一种不间断电源锂电池荷电状态估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211165413.6A CN115469229A (zh) 2022-09-23 2022-09-23 一种不间断电源锂电池荷电状态估算方法

Publications (1)

Publication Number Publication Date
CN115469229A true CN115469229A (zh) 2022-12-13

Family

ID=84335793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211165413.6A Pending CN115469229A (zh) 2022-09-23 2022-09-23 一种不间断电源锂电池荷电状态估算方法

Country Status (1)

Country Link
CN (1) CN115469229A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110936A (zh) * 2023-10-25 2023-11-24 深圳市强晟电子科技有限公司 基于时序分析的ups运行状态预测维护系统
CN117310546A (zh) * 2023-11-03 2023-12-29 北京迪赛奇正科技有限公司 一种ups电源健康管理监测系统
CN117686915A (zh) * 2023-12-04 2024-03-12 广东天汇储能科技有限公司 一种嵌入式电池能量状态的确定方法、装置及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110936A (zh) * 2023-10-25 2023-11-24 深圳市强晟电子科技有限公司 基于时序分析的ups运行状态预测维护系统
CN117110936B (zh) * 2023-10-25 2023-12-26 深圳市强晟电子科技有限公司 基于时序分析的ups运行状态预测维护系统
CN117310546A (zh) * 2023-11-03 2023-12-29 北京迪赛奇正科技有限公司 一种ups电源健康管理监测系统
CN117686915A (zh) * 2023-12-04 2024-03-12 广东天汇储能科技有限公司 一种嵌入式电池能量状态的确定方法、装置及设备

Similar Documents

Publication Publication Date Title
CN115469229A (zh) 一种不间断电源锂电池荷电状态估算方法
Pop et al. Battery management systems: Accurate state-of-charge indication for battery-powered applications
CN106716158B (zh) 电池荷电状态估算方法和装置
JP5818878B2 (ja) リチウムイオン電池充電状態の算出方法
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN105140981B (zh) 锂电池主动均衡控制方法
CN105759213A (zh) 一种测量蓄电池剩余容量soc的方法
CN110275113A (zh) 一种锂电池荷电状态估计方法
CN110061531A (zh) 储能电池的均衡方法
CN110474400A (zh) 一种电池组均衡方法和装置
Lu et al. Modeling discharge characteristics for predicting battery remaining life
CN109752660B (zh) 一种无电流传感器的电池荷电状态估计方法
WO2023159708A1 (zh) 一种电池常带电自保养的控制方法及常带电自保养的电池
CN110462412A (zh) 用于估计电池的soc的装置和方法
CN107942261A (zh) 电池荷电状态的估计方法及系统
CN111257770B (zh) 一种电池包功率估算方法
CN110687460B (zh) 一种soc预估方法
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法
Pop et al. State-of-the-art of battery state-of-charge determination
CN116047339A (zh) 基于热电耦合模型的锂离子电池组soc估计方法及装置
CN113805061B (zh) 一种锂亚硫酰氯体系锂原电池的soc预测方法
CN115792625A (zh) 基于神经网络的锂电池soc估计方法、系统、设备及介质
CN111983467B (zh) 基于二阶rc等效电路模型的电池安全度估算方法及估算装置
CN113608130A (zh) 电池簇荷电状态在线估算方法
CN110687459B (zh) 一种soc预估方法

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