CN116231803B - 一种电容笔快速充电方法、装置及存储介质 - Google Patents
一种电容笔快速充电方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116231803B CN116231803B CN202310191064.3A CN202310191064A CN116231803B CN 116231803 B CN116231803 B CN 116231803B CN 202310191064 A CN202310191064 A CN 202310191064A CN 116231803 B CN116231803 B CN 116231803B
- Authority
- CN
- China
- Prior art keywords
- current
- charging
- pen
- battery
- capacitance pen
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002787 reinforcement Effects 0.000 claims abstract description 49
- 238000013499 data model Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0354—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of 2D relative movements between the device, or an operating part thereof, and a plane or surface, e.g. 2D mice, trackballs, pens or pucks
- G06F3/03545—Pens or stylus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明的目的是提供一种电容笔快速充电方法、装置及存储介质,属于电容笔技术领域,该方法包括:建立电容笔快速充电的强化学习模型;将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;根据最佳电流控制电容笔快速充电。本发明能够实现快速充电和电池寿命的平衡。
Description
技术领域
本发明涉及电容笔技术领域,具体涉及一种电容笔快速充电方法、装置及存储介质。
背景技术
电容笔是利用导体材料制作的具有的导电特性、用来触控电容式屏幕完成人机对话操作用的笔。电容笔是利用导体材料模仿人体(通常是手指)完成人机对话一种辅助装置。
随着电容触摸技术的广泛使用,电容笔的需求也越来越多,有电池的电容笔的性能是要优于无电池的,且有电池的还可以做一些其他的控制,比如激光笔等等。因此,有源电容笔被越来越多地使用在触控平板上。
目前,有源电容笔的充电装置均是对市电进行降压并直接连接电容笔充电脚,而在电容笔快速充电的过程中,往往只是考虑了充电的时间,并不会考虑电容笔快速充电时对电池寿命的影响。
发明内容
本发明的目的是提供一种电容笔快速充电方法电容笔快速充电方法,该方法能够实现快速充电和电池寿命的平衡。
本发明提出一种电容笔快速充电方法电容笔快速充电方法,包括:
建立电容笔快速充电的强化学习模型;
将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;
根据最佳电流控制电容笔快速充电。
优选地,所述建立电容笔快速充电的强化学习模型,包括:
根据真实电容笔快速充电的数据建立电容笔快速充电的模拟数据模型;
检测电容笔快速充电的模拟数据模型的电容笔电池充满所需要的剩余时间、电池的寿命以及充电电流建立模拟数据集;
根据模拟数据集训练强化学习模型。
优选地,所述控制电流具体为:
Mi为在i时刻电容笔的充电电流矩阵,假设共计有K组数据,则,mx1 i为在i时刻电流的周期,my1 i为在i时刻电流的幅度,定义在i-1时刻电流矩阵为Mi-1,由强化学习模型预测的电流增量为ΔMi-1,则i时刻电容笔最佳的电流Mi=Mi-1+ΔMi-1。
优选地,所述训练所述强化学习模型,具体为:
根据电容笔电池充满所需要的剩余时间和当前充电电流设置第一数据曲线;
建立不同电流范围对电池充电寿命的影响等级;
根据影响等级和第一数据曲线获取最佳充电电流。
优选地,在影响等级小于第一预设值时,则影响等级对应的的电流范围作为预设电流范围,
将预设电流范围下和第一数据曲线获取最佳充电电流。
优选地,将预设电流范围下和第一数据曲线获取最佳充电电流,包括:
将预设电流范围下,使得电容笔充电时间最短的充电电流作为最佳充电电流;
设置最佳充电电流的幅度和周期。
一种电容笔快速充电方法系统,所述系统包括:
模型建立单元,用于建立电容笔快速充电的强化学习模型;
预测单元,用于将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;
控制单元,用于根据最佳电流控制电容笔快速充电。
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的一种电容笔快速充电方法电容笔快速充电方法。
一种储存介质,该储存介质为计算机可读存储介质,其存储有计算机程序,所述程序被处理器执行时,处理器执行存储器存储的计算机程序时,实现上述的一种电容笔快速充电方法电容笔快速充电方法。
本发明通过建立电容笔快速充电的强化学习模型;将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;根据最佳电流控制电容笔快速充电。可以在充电电流不影响电容笔的寿命的情况下,实现最佳的充电时间,从而达到快速充电和电池寿命的平衡。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,标示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还根据这些附图获得其他的附图。
图1为本发明提出的一种电容笔快速充电方法电容笔快速充电方法的流程图;
图2为本发明提出的一种电容笔快速充电方法电容笔快速充电方法的模型流程图。
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的一部分实施例,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作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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例1
本发明提出一种电容笔快速充电方法电容笔快速充电方法,包括:
步骤100,建立电容笔快速充电的强化学习模型;
步骤200,将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;
步骤300,根据最佳电流控制电容笔快速充电。
本发明通过建立电容笔快速充电的强化学习模型;将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;根据最佳电流控制电容笔快速充电。可以在充电电流不影响电容笔的寿命的情况下,实现最佳的充电时间,从而达到快速充电和电池寿命的平衡。
优选地,步骤100建立电容笔快速充电的强化学习模型,包括:
步骤110,根据真实电容笔快速充电的数据建立电容笔快速充电的模拟数据模型;
步骤120,检测电容笔快速充电的模拟数据模型的电容笔电池充满所需要的剩余时间、电池的寿命以及充电电流建立模拟数据集;
步骤130,根据模拟数据集训练强化学习模型。
可以在数据不足的情况,同样可以建立强化学习模型,通过模拟软件就可以实现。由于模拟电容笔快速充电模型与真实电容笔快速充电模型存在不可知差异以及模拟电容笔快速充电模型调试成本高的问题,本发明通过根据真实电容笔建立模拟电容笔模型;在模拟加速器中观测电流值和充电百分率;电流值和充电百分率输入强化学习模型,强化模型输出电流变化值,电流变化值与当前的真实的电流变化值相加得到矫正电流值。以实现大幅节省在线调试时间及成本、提升充电效率。本方法可以跨越模拟电容笔到真实电容笔沟壑,在模拟电容笔上训练模型并直接应用到真实电容笔上,可以大幅节省模型训练成本。
强化学习模型设置奖励函数,将奖励函数设置为:变化奖励和剩余充电百分比奖励;
根据变化奖励、数值奖励、任务完成奖励以及剩余步骤奖励训练强化学习模型。
变化奖励:设置为两次充电电流的绝对值之差,对于两次充电电流的绝对值之差小于0.5毫安,说明电流稳定,可以确保提高寿命,此时给予的奖励为-0.01,而两次充电电流的绝对值之差大于0.5毫安,有损充电寿命,给予的奖励为-0.5;
剩余充电百分比奖励:对于在30个时间步内完成任务的情况给予30减去当前花费时间步的奖励;
假设从当前时间步开始完成一次校轨花费的时间步为P步,则累计奖励的设置为:,其中t为当前时刻,p为从当前时刻开始完成充电1%的时间步,/>为强化学习中的衰减因子,rt为t时刻所获得的奖励。
优选地,控制电流具体为:
Mi为在i时刻电容笔的充电电流矩阵,假设共计有K组数据,则,mx1 i为在i时刻电流的周期,my1 i为在i时刻电流的幅度,定义在i-1时刻电流矩阵为Mi-1,由强化学习模型预测的电流增量为ΔMi-1,则i时刻电容笔最佳的电流Mi=Mi-1+ΔMi-1。
优选地,训练所述强化学习模型,具体为:
步骤400,根据电容笔电池充满所需要的剩余时间和当前充电电流设置第一数据曲线;
步骤500,建立不同电流范围对电池充电寿命的影响等级;
步骤600,根据影响等级和第一数据曲线获取最佳充电电流。
具体地, 可以通过模糊预测和神经网络法预测电池的寿命,健康状况该类方法属于无模型推理预测方法,可以从输入输出样本中获得系统输入输出关系。但是,一方面该方法需要电池历史数据的支持,而且精度受学习样本影响较大;另一方面,由于算法较复杂,一般需要上位机支持。
另一方面,电池健康状况为电池当前预测总容量与标称容量的比值。电池实际总容量是电池性能的重要指标,根据国家关于铅酸蓄电池的相关标准,电池实际总容量下降至电池标称容量的80%时,电池寿命即终止。
因此,可以通过将电池充电寿命的影响等级设置成5个等级,在安全等级下电流范围作为快速充电的电流范围。
优选地,在影响等级小于第一预设值时,则影响等级对应的的电流范围作为预设电流范围,
将预设电流范围下和第一数据曲线获取最佳充电电流。
具体地,根据待测电池的满充截止电压、预设基准电压以及在待测电池当前充电状态下的充电电压曲线进入近似线性上升阶段时的当前充电电压,确定能够将当前充电电压与预设基准电压之间的电压差转换为当前剩余电量与基准剩余电量的之间的剩余电量差的补偿系数,利用补偿系数和基准剩余电量,计算得到待测电池的当前剩余电量,由于获取的待测电池的当前充电电压和预设基准电压均为待测电池的充电曲线进入近似线性上升阶段中的电压,因此当前充电电压和预设基准电压不会发生跳变,均很稳定,根据稳定的当前充电电压和预设基准电压,能够得到准确的补偿系数,利用补偿系数和基准剩余电量在进行计算待测电池当前充电状态下的当前剩余电量的过程中进行补偿,从而使得经过补偿后计算得到的当前剩余电量更加准确,提高了计算得到的电池充电时的剩余电量的准确性。
优选地,将预设电流范围下和第一数据曲线获取最佳充电电流,包括:
将预设电流范围下,使得电容笔充电时间最短的充电电流作为最佳充电电流;
设置最佳充电电流的幅度和周期。
实施例2
一种电容笔快速充电方法系统,所述系统包括:
模型建立单元,用于建立电容笔快速充电的强化学习模型;
预测单元,用于将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;
控制单元,用于根据最佳电流控制电容笔快速充电。
本发明通过建立电容笔快速充电的强化学习模型;将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型第二强化学习模型输出电容笔充电的最佳电流;根据最佳电流控制电容笔快速充电。可以在充电电流不影响电容笔的寿命的情况下,实现最佳的充电时间,从而达到快速充电和电池寿命的平衡。
实施例3
本实施例提供了一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的一种电容笔快速充电方法电容笔快速充电方法。
实施例4
本实施例提供了一种储存介质,该储存介质为计算机可读存储介质,其存储有计算机程序,所述程序被处理器执行时,处理器执行存储器存储的计算机程序时,实现上述的一种电容笔快速充电方法电容笔快速充电方法。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种电容笔快速充电方法,其特征在于,包括:
建立电容笔快速充电的强化学习模型;
将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型输出电容笔充电的最佳电流;
根据最佳电流控制电容笔快速充电;
所述建立电容笔快速充电的强化学习模型,包括:
根据真实电容笔快速充电的数据建立电容笔快速充电的模拟数据模型;
检测电容笔快速充电的模拟数据模型的电容笔电池充满所需要的剩余时间、电池的寿命以及充电电流建立模拟数据集;
根据模拟数据集训练强化学习模型;
所述训练强化学习模型,具体为:
根据电容笔电池充满所需要的剩余时间和当前充电电流设置第一数据曲线;
建立不同电流范围对电池充电寿命的影响等级;
根据影响等级和第一数据曲线获取最佳充电电流。
2.根据权利要求1所述的一种电容笔快速充电方法,其特征在于,所述最佳电流具体为:Mi,
Mi为在i时刻电容笔的充电电流矩阵,假设共计有K组数据,则
Mi=[mx1 i,my1 i,mx2 i,my2 i,...,mxK i,myK i],mx1 i为在i时刻电流的周期,my1 i为在i时刻电流的幅度,定义在i-1时刻矫正铁电流矩阵为Mi-1,由强化学习模型预测的电流增量为ΔMi-1,则i时刻电容笔最佳的电流Mi=Mi-1+ΔMi-1。
3.根据权利要求1所述的一种电容笔快速充电方法,其特征在于,在影响等级小于第一预设值时,则影响等级对应的的电流范围作为预设电流范围,
将预设电流范围下和第一数据曲线获取最佳充电电流。
4.根据权利要求3所述的一种电容笔快速充电方法,其特征在于,将预设电流范围下和第一数据曲线获取最佳充电电流,包括:
将预设电流范围下,使得电容笔充电时间最短的充电电流作为最佳充电电流;
设置最佳充电电流的幅度和周期。
5.一种电容笔快速充电方法系统,其特征在于,所述系统包括:
模型建立单元,用于建立电容笔快速充电的强化学习模型;
预测单元,用于将电容笔电池充满所需要的剩余时间、电池的寿命输入至强化学习模型输出电容笔充电的最佳电流;
控制单元,用于根据最佳电流控制电容笔快速充电;
所述建立电容笔快速充电的强化学习模型,包括:
根据真实电容笔快速充电的数据建立电容笔快速充电的模拟数据模型;
检测电容笔快速充电的模拟数据模型的电容笔电池充满所需要的剩余时间、电池的寿命以及充电电流建立模拟数据集;
根据模拟数据集训练强化学习模型;
所述训练强化学习模型,具体为:
根据电容笔电池充满所需要的剩余时间和当前充电电流设置第一数据曲线;
建立不同电流范围对电池充电寿命的影响等级;
根据影响等级和第一数据曲线获取最佳充电电流。
6.一种计算机设备,其特征在于,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,所述计算机设备执行如权利要求1至4中任一项所述的方法。
7.一种存储介质,其特征在于,存储程序,所述程序被处理器执行时,所述处理器执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191064.3A CN116231803B (zh) | 2023-03-02 | 2023-03-02 | 一种电容笔快速充电方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191064.3A CN116231803B (zh) | 2023-03-02 | 2023-03-02 | 一种电容笔快速充电方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116231803A CN116231803A (zh) | 2023-06-06 |
CN116231803B true CN116231803B (zh) | 2024-01-23 |
Family
ID=86572788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310191064.3A Active CN116231803B (zh) | 2023-03-02 | 2023-03-02 | 一种电容笔快速充电方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116231803B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110380481A (zh) * | 2019-07-25 | 2019-10-25 | 中国电子科技集团公司第四十八研究所 | 一种无人机电池充电方法、装置、介质及设备 |
CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
CN113511082A (zh) * | 2021-05-31 | 2021-10-19 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
CN114243136A (zh) * | 2021-12-27 | 2022-03-25 | 厦门金龙汽车新能源科技有限公司 | 一种锂电池的充电优化方法 |
-
2023
- 2023-03-02 CN CN202310191064.3A patent/CN116231803B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110380481A (zh) * | 2019-07-25 | 2019-10-25 | 中国电子科技集团公司第四十八研究所 | 一种无人机电池充电方法、装置、介质及设备 |
CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
CN113511082A (zh) * | 2021-05-31 | 2021-10-19 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
CN114243136A (zh) * | 2021-12-27 | 2022-03-25 | 厦门金龙汽车新能源科技有限公司 | 一种锂电池的充电优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116231803A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Co-estimation of state of charge and capacity for lithium-ion batteries with multi-stage model fusion method | |
CN102119338B (zh) | 基于电池电压变化模式估计电池健康状态的方法及装置 | |
US8185332B2 (en) | Apparatus and method for estimating resistance characteristics of battery based on open circuit voltage estimated by battery voltage variation pattern | |
CN103760493B (zh) | 增程式电动车动力电池健康状态的检测方法及系统 | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN110386029A (zh) | 一种根据动态电压修正锂电池soc方法 | |
CN101142732A (zh) | 用于估算电池充电状态的系统和方法 | |
EP4123322A1 (en) | Information processing device, information processing method, computer program and information processing system | |
US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
CN104956233A (zh) | 电池状态推断装置 | |
CN105334463A (zh) | 电池电量检测方法、系统及电池 | |
JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
CN114609530A (zh) | 修正电池荷电状态的方法、装置、设备及介质 | |
Fang et al. | Estimation of lithium-ion battery soc model based on aga-foukf algorithm | |
CN116231803B (zh) | 一种电容笔快速充电方法、装置及存储介质 | |
TW202132800A (zh) | 一種基於模型預測控制之電池充電方法 | |
CN108802628B (zh) | 电池电量计量方法、装置及设备 | |
KR102549374B1 (ko) | SOC(State Of Charge)의 정확도를 보완하기 위한 방법 | |
CN106526494A (zh) | 动力电池使用寿命的预测方法与装置 | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN116125314A (zh) | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 | |
CN113936823B (zh) | 获取堆外探测器刻度系数的方法、系统、装置及存储介质 | |
WO2014038555A1 (ja) | 電池残量検出装置、電池システム、電池残量検出方法およびプログラム | |
CN116736962B (zh) | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |