CN116718921A - 基于多模型的电池荷电状态预测方法及装置 - Google Patents
基于多模型的电池荷电状态预测方法及装置 Download PDFInfo
- Publication number
- CN116718921A CN116718921A CN202310610824.XA CN202310610824A CN116718921A CN 116718921 A CN116718921 A CN 116718921A CN 202310610824 A CN202310610824 A CN 202310610824A CN 116718921 A CN116718921 A CN 116718921A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- current
- standardized
- modeling
- 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 76
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 4
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 28
- 238000007599 discharging Methods 0.000 description 21
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 14
- 229910052744 lithium Inorganic materials 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- 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
本发明提供一种基于多模型的电池荷电状态预测方法及装置,方法包括:采集多组建模数据;对每组建模数据进行标准化处理,并基于每组标准化建模数据对神经网络进行训练,以得到多个预测模型;采集待测电池的充放电数据,并作为预测数据;从多个预测模型中选择一个预测模型,并获取相应的建模数据及其在标准化处理过程中对应的第一标准化参数;对预测数据进行标准化处理;将标准化预测数据输入选择的预测模型,以得到SOC预测结果。由此,在多种对应不同工况的预测模型中选择最优的预测模型实现SOC预测,并基于建模数据及其标准化参数实现预测数据的标准化,可以避免数据漂移现象,能够提高电池在任何工况下的预测精度和预测可信度。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种基于多模型的电池荷电状态预测方法和一种基于多模型的电池荷电状态预测装置。
背景技术
随着电池使用数量越来越多,电池的荷电状态(SOC,State ofCharge)的预测具有重要意义,因此对荷电状态SOC的预测极其重要。
相关技术中,采用神经网络预测锂电池SOC,然而,该技术具有以下缺陷:①锂电池对低温极其敏感,电池容量受温度影响极大,仅依靠单一预测模型无法精确预测低温环境下的电池SOC;②锂电池在充放电功率变化时,传统的数据归一化方法会导致数据漂移,影响模型的预测精度;③单纯依靠一个模型进行锂电池所有运行状态的预测,预测结果的可信度不够。
发明内容
本发明为解决上述技术问题之一,提出了如下技术方案。
本发明第一方面实施例提出了一种基于多模型的电池荷电状态预测方法,包括以下步骤:采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组所述建模数据与多种所述工况一一对应;对每组所述建模数据进行标准化处理以得到标准化建模数据,并基于每组所述标准化建模数据对神经网络进行训练,以得到多个预测模型;采集待测电池在运行过程中的充放电数据,并作为预测数据;基于所述预测数据从多个所述预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数;根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据;将所述标准化预测数据输入所述选择的预测模型,以得到所述待测电池的SOC预测结果。
另外,根据本发明上述实施例的基于多模型的电池荷电状态预测方法还可以具有如下附加的技术特征。
根据本发明的一个实施例,所述工况包括所述样本电池所在的环境温度和所述样本电池的预设功率,其中,所述预设功率包括充电功率和放电功率。
根据本发明的一个实施例,每组所述建模数据包括所述样本电池的电压数据、电流数据、温度数据和SOC数据,对每组所述建模数据进行标准化处理以得到标准化建模数据,包括:通过均值方差标准化方法对所述样本电池的电压数据、电流数据和温度数据进行标准化处理,以得到标准化建模电压、标准化建模电流和标准化建模温度。
根据本发明的一个实施例,所述预测数据包括所述待测电池的当前电压数据、当前电流数据、当前温度数据和上一时刻SOC数据,基于所述预测数据从多个所述预测模型中选择一个预测模型,包括:根据所述当前电压数据和所述当前电流数据计算所述待测电池的当前功率;基于所述当前温度数据、所述当前电流数据和所述上一时刻SOC数据计算起点温度;基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型。
根据本发明的一个实施例,基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型,包括:根据多个所述预测模型对应的环境温度和预设功率,确定每个所述预测模型对应的温度区间和功率区间;根据所述当前功率、所述起点温度、多个所述预测模型对应的温度区间和功率区间,从多个所述预测模型中选择一个预测模型,其中,通过以下公式计算所述起点温度:
T0=T-λ*I2*SOCt-1
其中,T0为起点温度,T为所述当前温度数据,I为所述当前电流数据,SOCt-1为所述上一时刻SOC数据,λ为人为设定的温升系数。
根据本发明的一个实施例,所述第一标准化参数包括电压数据的标准化参数、电流数据的标准化参数和温度数据的标准化参数,所述标准化参数包括平均值和方差,根据所述建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据,包括:根据所述样本电池的电压数据和电流数据计算所述建模数据的对应功率;根据所述待测电池的当前电压数据和当前电流数据计算所述待测电池的当前功率;根据所述建模数据中电压数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前电压数据的标准化参数;根据所述建模数据中电流数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前电流数据的标准化参数;在所述预测数据中的当前温度数据处于第一预设区间时,基于所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前温度数据的标准化参数;在所述预测数据中的当前温度数据处于第二预设区间时,获取所述样本电池的内阻,并基于所述内阻、所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前温度数据的标准化参数,其中,所述第二预设区间与所述第一预设区间不同;根据所述预测数据中当前电压数据的标准化参数、所述预测数据中当前电流数据的标准化参数和所述预测数据中当前温度数据的标准化参数,一一对应分别对所述预测数据中的当前电压数据、所述当前电流数据和所述当前温度数据进行标准化处理,以得到标准化预测电压、标准化预测电流和标准化预测温度。
根据本发明的一个实施例,通过以下公式计算所述预测数据中当前电流数据的标准化参数:
ITmean=ISmean×Pt÷Ps
ITstd=ISstd×Pt÷Ps
其中,ITmean、ITstd为所述预测数据中当前电流数据的标准化参数,ISmean为所述建模数据中电流数据的平均值,ISstd为所述建模数据中电流数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率。
根据本发明的一个实施例,在所述预测数据中的当前温度数据处于第一预设区间时,通过以下公式计算所述预测数据中当前温度数据的标准化参数:
TTmean=TSmean×(Pt/Ps)2×κ
TTstd=TSstd×(Pt/Ps)2×κ
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,κ为所述待测电池的散热系数。
根据本发明的一个实施例,在所述预测数据中的当前温度数据处于第二预设区间时,通过以下公式计算所述预测数据中当前温度数据的标准化参数:
r=f(T)
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,r为所述样本电池的内阻,通过温度与内阻的实验测试拟合求得,为所述样本电池的内阻平均值,T为所述预测数据中的当前温度数据,/>为所述待测电池拟合系数。
本发明第二方面实施例提出了一种基于多模型的电池荷电状态预测装置,其特征在于,包括:第一采集模块,用于采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组所述建模数据与多种所述工况一一对应;训练模块,用于对每组所述建模数据进行标准化处理以得到标准化建模数据,并基于每组所述标准化建模数据对神经网络进行训练,以得到多个预测模型;第二采集模块,用于采集待测电池在运行过程中的充放电数据,并作为预测数据;选择模块,用于基于所述预测数据从多个所述预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数;处理模块,用于根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据;预测模块,用于将所述标准化预测数据输入所述选择的预测模型,以得到所述待测电池的SOC预测结果。
本发明实施例的技术方案,建立与多种不同工况一一对应的预测模型,在多种预测模型中选择最优的预测模型实现SOC预测,并基于最优的预测模型的建模数据及其标准化参数实现预测数据的标准化,可以避免数据漂移现象,能够提高电池在任何工况下的预测精度和预测可信度。
附图说明
图1为本发明实施例的基于多模型的电池荷电状态预测方法的流程图。
图2为本发明一个示例的对建模数据和预测数据进行标准化的示意图。
图3为本发明一个示例的荷电状态预测的整体示意图。
图4为本发明一个示例的荷电状态预测中模型选择的示意图。
图5为本发明一个示例的BP模型的网络结构示意图。
图6为本发明实施例的基于多模型的电池荷电状态预测装置的方框示意图。
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。
图1为本发明实施例的基于多模型的电池荷电状态预测方法的流程图。
其中,电池可以是磷酸铁锂电池。
如图1所示,该基于多模型的电池荷电状态预测方法包括以下步骤S1至S6。
S1,采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组建模数据与多种工况一一对应。
需要说明的是,由于电池比如锂电池在工作时受到工作环境、状况的影响较大,因此在样本电池运行过程中采集建模数据时,尽可能多的考虑电池的工况,即采集多种不同工况下的建模数据,每组建模数据对应一种工况,工况的具体要素可根据实际需求具体确定,比如可包括环境温度和功率(充电功率和放电功率)等。
在设置多种不同工况时,尽可能详细地设置电池工作时可能会存在的各种工况,以提高建模模型的工况覆盖面,提升建模有效性。
其中,样本电池的充放电数据可以是样本电池完整充电或者放电过程中各个时刻测量的电池数据(为变化值),比如可包括样本电池完整充电过程中各个时刻的电压数据、电流数据和温度数据等,还包括SOC数据。
具体地,可获取多个样本电池,并将样本电池设置于不同的工况下使样本电池进行充放电(充电或者放电),并可在充放电过程中实时采集其充放电数据,并将每种工况下的充放电数据作为一组建模数据,从而得到多组对应工况各不相同的建模数据,以备后续建立预测模型。
需要说明的是,由于建模数据用于建模,因此,在采集建模数据时,可尽可能详细、全面、准确的采集建模数据,以保证建模的可靠性。
S2,对每组建模数据进行标准化处理以得到标准化建模数据,并基于每组标准化建模数据对神经网络进行训练,以得到多个预测模型。
其中,神经网络可以是BP(Back Propagation,反向传播)神经网络。
此处的标准化建模数据,是指建模数据经标准化处理流程后呈现的数据,即符合标准化标准的建模数据,不以是否实质上进行标准化处理为前提。
具体地,在实现每组建模数据的采集后,基于每组建模数据建立一个预测模型。首先将每组建模数据进行标准化处理以得到一组标准化建模数据(即标准化后的建模数据),并基于每组标准化建模数据对神经网络进行训练得到一个预测模型,从而得到与多组建模数据一一对应的多个预测模型,即每个预测模型具有对应的工况、建模数据及标准化建模数据。之后,导出标准化建模数据和模型参数,并根据标准化建模数据对应的工况将标准化建模数据和模型参数进行标记并保存,以便后续在预测程序中调用。
其中,在建模数据包括样本电池充电或者放电过程中的电压数据、电流数据、温度数据和SOC数据时,由于电池SOC的数值区间恰好为0-1,且不参与模型的计算,所以此处无需对SOC数据进行标准化,直接将采集的数据用于网络训练即可,需要对电压数据、电流数据和温度数据进行标准化处理,以得到标准化建模数据,将样本电池的SOC数据作为神经网络的输入,将标准化建模数据作为神经网络的输出,输入神经网络进行神经网络的训练,从而得到预测模型。
当建模数据为充电过程中的数据时,基于其建立的预测模型为充电过程对应的预测模型,该模型用于预测处于充电状态电池的SOC;当建模数据为放电过程中的数据时,基于其建立的预测模型为放电过程对应的预测模型,该模型用于预测处于放电状态电池的SOC。
S3,采集待测电池在运行过程中的充放电数据,并作为预测数据。
其中,待测电池的充放电数据可以是待测电池充电或者放电过程中某一时刻的电池实际测量数据(为定值),比如可包括待测电池的当前(时刻)电压数据、当前(时刻)电流数据和当前(时刻)温度数据等,还包括上一时刻SOC数据。对于上一时刻SOC数据,获取方式为:初始时刻电池SOC可以通过安时积分法或者开路电压法给定,后续可以通过模型计算输出给定,当电池达到截止电压时,重新设置电池SOC,假设当前电池的截止电压为2.5和3.6V时,当充电电压(以充电过程为例)达到3.6V时,此刻电池SOC=1,当电池放电电压达到2.5V时此刻电池SOC=0,不再通过模型计算SOC,截止电压对应的SOC即为上一时刻SOC数据。
具体地,在需要对处于充电运行状态或者放电运行状态的待测电池进行SOC预测时,采集其工作过程中某一时刻的充放电数据,比如充电过程中的当前电压数据、当前电流数据、当前温度数据和上一时刻SOC数据,并将其作为预测数据。
S4,基于预测数据从多个预测模型中选择一个预测模型,并确定选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数。
具体地,可根据预测数据进行相关工况的计算,将得到的计算结果与上述多个工况进行比较,选择最为接近的工况下的一预测模型,并获取该模型的建模数据及该建模数据在标准化处理过程中涉及的标准化参数,从而得到选择的预测模型、该模型对应的建模数据及其标准化参数,以从多个预测模型中确定出与待测电池最为匹配的预测模型。
S5,根据获取的建模数据及其对应的第一标准化参数对预测数据进行标准化处理,以得到标准化预测数据。
此处的标准化预测数据,是指预测数据经标准化处理流程后呈现的数据,即符合标准化标准的预测数据,不以是否实质上进行标准化处理为前提。
具体地,在得到选择的预测模型、获取的建模数据及其对应的标准化参数后,据此对预测数据即待测电池的当前电压数据、当前电流数据和当前温度数据进行标准化处理,为了将数据压缩到同一个区间内,采用与建模数据相同的标准化方法对预测数据进行标准化,得到标准化预测数据。由于上一时刻SOC的数值区间恰好为0-1,且不参与模型的计算,所以此处无需对上一时刻SOC数据进行标准化,直接将采集的数据用于模型预测。
S6,将标准化预测数据输入选择的预测模型,以得到待测电池的SOC预测结果。
具体地,将标准化预测数据即标准化后的当前电压数据、当前电流数据和当前温度数据以及上一时刻SOC数据输入选择的预测模型,以得到待测电池的SOC预测结果,由于该结果是基于选择的预测模型得到的、且选择的预测模型更加适合待测电池,因此,相较于相关技术中直接采用一种工况下的预测模型进行预测的方式,根据本发明实施例得到SOC预测结果更加精确、可信度更高。
本发明实施例,在多种不同工况下建立与多种工况一一对应的预测模型,这些预测模型包含了电池所有可能的运行工况、运行状态,并基于待测电池的充放电数据(预测数据)选择一个最优的预测模型,采用最优的预测模型实现对待测电池的SOC预测,相较于只依靠一种工况下的预测模型的预测,本发明实施例的,能够提高待测电池在任何工况下,比如在低温环境下的预测精确度,从而提高了预测可信度;在读预测数据进行标准化时,根据最优模型对应的标准化预测模型对预测数据进行标准化,可以避免传统的数据归一化方法(直接归一化)导致的数据漂移现象,进一步提高了预测精度。
由此,本发明实施例的基于多模型的电池荷电状态预测方法,建立与多种不同工况一一对应的预测模型,在多种预测模型中选择最优的预测模型实现SOC预测,并基于最优的预测模型的建模数据及其标准化参数实现预测数据的标准化,可以避免数据漂移现象,能够提高电池在任何工况下的预测精度和预测可信度。
在本发明的一个实施例中,工况包括样本电池所在的环境温度和样本电池的预设功率,其中,预设功率包括充电功率和放电功率。
其中,样本电池的预设功率为事先设置的电池充电或者放电的恒定功率,包括充电功率和放电功率。
具体而言,设置多组不同的环境温度、预设功率,并使样本电池在不同环境温度、预设功率的工况下,测量并记录样本电池的充放电数据(在电池处于充电状态时为充电数据;在电池处于放电状态时为放电数据),即样本电池运行过程中的电压数据、电流数据、温度数据和SOC数据。
将样本电池在不同工况下的充放电数据作为建模数据,即每组建模数据包括样本电池的电压数据、电流数据、温度数据和SOC数据。
在实际操作中,在设置不同工况时,使预设功率以50W递增、环境温度以5℃递增,P工=0~450W,T工=0~50℃,比如依次设置10℃、恒功率100W充电的工况、20℃、恒功率200W充电的工况、30℃、恒功率300W充电的工况等。
在本发明的一个实施例中,步骤S2中的对每组建模数据进行标准化处理以得到标准化建模数据,可包括:通过均值方差标准化方法对样本电池的电压数据、电流数据和温度数据进行标准化处理,以得到标准化建模电压、标准化建模电流和标准化建模温度。
需要说明的是,均值方差标准化方法可以最大程度上反应原始数据的变化趋势,但是在对应状态变化时,原来的标准化参数便不再适用,所以现在许多数据模型采用极大极小值归一化方法,但是在不同功率和不同温度下,锂电池的极大值和极小值会出现不同的状态,导致此方法出现数据漂移,影响模型预测效果,因此为了进一步避免数据漂移,本发明实施例中选择均值方差标准化的方法。
具体而言,在锂电池的数据建模中,可将充放电数据分为建模数据和验证数据,建模数据采用均值方差标准化后,将标准化中过程中涉及的第一标准化参数平均值Xmean和方差Xstd保留,验证数据使用此参数进行标准化,标准化公式为:
XSmean=[USmean,ISmean,TSmean] (2)
XSstd=[USstd,ISstd,TSstd] (3)
其中,代表标准化建模数据(标准化之后的建模数据,其包括标准化建模电压、标准化建模电流和标准化建模温度),XS代表标准化之前的数据(电压、电流或者温度),XSmean为建模数据的平均值,XSstd为建模数据的方差,[USmean,ISmean,TSmean]、[USstd,ISstd,TSstd]分别代表从三个数中选择一个数,USmean为建模数据中电压数据的平均值,ISmean为建模数据中电流数据的平均值,TSmean为建模数据中温度数据的平均值,USstd为建模数据中电压数据的方差,ISstd为建模数据中电流数据的方差,TSstd为建模数据中温度数据的方差。
对于每组建模数据中的电压数据、电流数据和温度数据,先分别计算标准化参数即其平均值和方差,之后采用公式(1)进行标准化计算,以得到标准化建模电压、标准化建模电流和标准化建模温度。
之后,基于每组标准化建模数据进行神经网络训练得到预测模型,其中,每组标准化建模数据包括标准化建模电压、标准化建模电流、标准化建模温度和SOC数据。
在采集到待测电池在运行过程中的充放电数据,即充电或放电过程中当前时刻的当前电压数据、当前电流数据和当前温度数据,以及上一时刻SOC数据,并将其作为预测数据后,执行步骤S4,即根据预测数据从多个预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数。
在本发明的一个实施例中,基于预测数据从多个预测模型中选择一个预测模型,可包括:根据当前电压数据和当前电流数据计算待测电池的当前功率;基于当前温度数据、当前电流数据和上一时刻SOC数据计算起点温度;基于当前功率、起点温度从多个预测模型中选择一个预测模型。
进一步地,基于当前功率、起点温度从多个预测模型中选择一个预测模型,可包括:根据多个预测模型对应的环境温度和预设功率,确定每个预测模型对应的温度区间和功率区间;根据当前功率、起点温度、多个预测模型对应的温度区间和功率区间,从多个预测模型中选择一个预测模型。
由P=U×I,由于磷酸铁锂电池的充放电电压区间一般由人为固定,所以对应的充放电功率P变化时,U基本保持不变,I跟随P变化。
具体而言,根据当前电压数据和当前电流数据计算待测电池的当前功率(若为充电过程则为当前充电功率;若为放电过程则为当前放电功率),计算公式为:
Pt=U*I (4)
其中,Pt为当前功率,U为当前电压数据,I为当前电流数据。
基于当前温度数据、当前电流数据和上一时刻SOC数据计算起点温度,计算公式为:
T0=T-λ*I2*SOCt-1 (5)
其中,T0为起点温度,T为当前温度数据,I为当前电流数据,SOCt-1为上一时刻SOC数据,λ为人为设定的温升系数。
然后,根据所有预测模型对应工况的环境温度和预设功率,确定每个预测模型对应的温度区间和功率区间,比如,工况为在10℃、恒功率100W充电的预测模型A、工况为20℃、恒功率200W充电的预测模型B,模型B的温度区间可以为(10℃,20℃]、功率区间可以为(100W,200W]。
根据当前功率和起点温度所处的区间,选择对应的预测模型。每个模型具有对应的功率区间和温度区间,该功率区间、温度区间内的功率点才可以被准确预测,于是选择当前功率所在的功率区间、起点温度所在温度区间所对应的预测模型,作为优选预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数,即该模型的标准化建模数据对应的标准化参数(包括平均值和方差),包括电压数据的标准化参数、电流数据的标准化参数和温度数据的标准化参数,也包括建模数据的平均值Xmean(电压数据的平均值、电流数据的平均值和温度数据的平均值)和方差Xstd(电压数据的方差、电流数据的方差和温度数据的方差)。
之后,执行步骤S5,即根据获取的建模数据及其对应的第一标准化参数对预测数据进行标准化处理,以得到标准化预测数据。
在本发明的一个实施例中,步骤S5可包括:根据样本电池的电压数据和电流数据计算建模数据的对应功率;根据待测电池的当前电压数据和当前电流数据计算待测电池的当前功率;根据建模数据中电压数据的标准化参数、建模数据的对应功率和待测电池的当前功率,计算预测数据中当前电压数据的标准化参数;根据建模数据中电流数据的标准化参数、建模数据的对应功率和待测电池的当前功率,计算预测数据中当前电流数据的标准化参数;在预测数据中的当前温度数据处于第一预设区间时,基于建模数据中温度数据的标准化参数、建模数据的对应功率和待测电池的当前功率,计算预测数据中当前温度数据的标准化参数;在预测数据中的当前温度数据处于第二预设区间时,获取样本电池的内阻,并基于内阻、建模数据中温度数据的标准化参数、建模数据的对应功率和待测电池的当前功率,计算预测数据中当前温度数据的标准化参数,其中,第二预设区间与第一预设区间不同;根据预测数据中当前电压数据的标准化参数、预测数据中当前电流数据的标准化参数和预测数据中当前温度数据的标准化参数,一一对应分别对预测数据中的当前电压数据、当前电流数据和当前温度数据进行标准化处理,以得到标准化预测电压、标准化预测电流和标准化预测温度。
需要说明的是,锂电池的发热功率Pr=I2×r,其中r为电池内阻,内阻r与电池温度有关,当充电功率变化不大(处于常温)时,内阻变化可以忽略不记;当电池处于低温时,内阻变化较大。据此设定第一预设区间和第二预设区间,第一预设区间可以是15≤T≤50℃,第二预设区间可以是0<T<15℃。为了保证锂电池的安全,0℃以下以及50℃以上的温度,不再进行充放电。
具体而言,根据样本电池的电压数据和电流数据计算建模数据的对应功率(若为充电过程则为充电功率;若为放电过程则为放电功率),计算公式为:
Psi=Ui*Ii (6)
其中,Psi为建模数据在第i种工况下的对应功率,Ui为样本电池在第i种工况下的电压数据,Ii为样本电池在第i种工况下的电流数据。
根据公式(4)计算待测电池的当前功率,然后根据第一标准化参数、建模数据的对应功率和待测电池的当前功率,计算预测数据中当前电流数据的标准化参数、当前电压数据的标准化参数,其中当前电流数据的标准化参数的计算公式为:
ITmean=ISmean×Pt÷Ps (7)
ITstd=ISstd×Pt÷Ps (8)
其中,ITmean、ITstd为所述预测数据中当前电流数据的标准化参数,ISmean为所述建模数据中电流数据的平均值,ISstd为所述建模数据中电流数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率。
当前电压数据的标准化参数的计算方式与公式(7)和(8)类似。
如图2所示,在待测电池的当前温度数据T处于常温,即第一预设区间15≤T≤50℃时,基于建模数据中温度数据的标准化参数TSmean和TSstd、建模数据的对应功率Ps以及待测电池的当前功率Pt,计算预测数据中当前温度数据的标准化参数,计算公式为:
TTmean=TSmean×(Pt/Ps)2×κ (9)
TTstd=TSstd×(Pt/Ps)2×κ (10)
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,κ为待测电池的散热系数。
在待测电池的当前温度数据T处于常温,即第二预设区间0<T<15℃时,基于内阻r、建模数据中温度数据的标准化参数TSmean和TSstd、建模数据的对应功率Ps以及待测电池的当前功率Pt,计算预测数据中当前温度数据的标准化参数,计算公式为:
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,r为所述样本电池的内阻,通过温度与内阻的实验测试拟合求得,为所述样本电池的内阻平均值,T为所述预测数据中的当前温度数据,/>为所述待测电池拟合系数,内阻r=f(T),T为当前温度数据,此公式在实验测试中通过二项式拟合获得。
由此得到预测数据的第二标准化参数,即:
XTmean=[USmean,ITmean,TTmean] (13)
XTstd=[USstd,ITstd,TTstd] (14)
其中,[USmean,ITmean,TTmean]、[USstd,ITstd,TTstd]分别代表从三个数中选择一个数,USmean、USstd为预测数据中当前电压数据的标准化参数,ITmean、ITstd为预测数据中当前电流数据的标准化参数,TTmean、TTstd为预测数据中当前温度数据的标准化参数。其中,预测数据中各个数据的标准化参数(包括平均值和方差)是通过公式(7)-(12)转化建模数据的标准化参数得来的。
然后,根据以下公式分别对预测数据中的当前电压数据、当前电流数据和当前温度数据进行标准化处理,以得到标准化预测电压、标准化预测电流和标准化预测温度:
其中,代表标准化预测数据(标准化之后的预测数据,其包括标准化预测电压、标准化预测电流和标准化预测温度),XT代表标准化之前的预测数据(当前电压、电流或者温度),XTmean、XTstd为预测数据的标准化参数。
最后,将标准化后的预测数据和上一时刻测量的SOC数据SOCt-1,输入相应的预测模型,计算SOC预测结果。
为了更加清晰地描述本发明实施例的原理,以下以预测模型为充电过程对应的模型,处于充电状态的待测电池为例,并结合图3至图5进行详细描述:
图3为本发明一个示例的荷电状态预测的整体示意图,图4为本发明一个示例的荷电状态预测中模型选择的示意图,图5为本发明一个示例的BP模型的网络结构示意图。
如图3所示,先采集建模数据,即采集样本电池在不同环境温度和预设功率下充电数据,包括电压,电流,电池温度,电池SOC数据,得到多组建模数据:第一组电压U1、电流I1、温度T1和SOC1,第二组电压U2、电流I2、温度T2和SOC2,…,第n组电压Un、电流In、温度Tn和SOCn。然后将每组建模数据通过均值方差标准化方法进行数据标准化处理,得到标准化建模数据,基于所有标准化建模数据建立充电过程中的预测模型即BP模型1、BP模型2,…,BP模型n,并导出标准化参数Xmean、Xstd和模型参数,模型参数包括,温升系数κ、和λ,以及神经网络的模型参数,根据建模数据对应的充电功率和温度起点标记这些参数并保存,比如当前采集的数据为样本电池在10℃,以恒功率300W进行充电,这个数据文件就命名为300W10C,这样的命名规则方便在后续预测程序中调用。
参照图3,在建模后,在线采集处于充电状态的待测电池的数据,包括当前电压U,当前电流I,当前温度T,上一时刻SOC数据SOCt-1,据此计算当前充电功率和起点温度,并根据当前充电功率和起点温度选择BP模型,之后根据当前充电功率调整预测数据的标准化参数,即根据该模型对应的标准化参数对当前电压U,当前电流I,当前温度T的标准化参数进行计算,之后进行标准化处理,之后,将标准化后的电压、电流和温度以及SOCt-1输入该模型,得到预测的当前SOC数据SOCt。
图4中的P1<Pt≤P2、P3<Pt≤P4等分别为BP模型的功率区间,T1<Tt≤T2、T3<Tt≤T4等等分别为BP模型的温度区间,图4中的流程1和流程2与流程n类似,但是对应的是不同的充放电功率。Pt是待测电池的当前充电功率,P1,P2,…Pn,为模型可以预测的充电功率区间值(本模型中使用恒功率充电的方式,记录建模数据,所以每个模型都有对应的功率点,此功率点附近的功率区间才可以被准确预测)。T是当前电池测量的温度,T0是通过温升公式计算的温度起点,T1,T2,…,Tn为模型可以预测的温度区间值,与功率类似。
在进行模型选择时,如图4所示,首先计算待测电池的当前功率Pt以及起点温度T0,根据当前功率Pt和起点温度T0的区间选择一个模型(比如模型1),然后将标准化后的电压、电流和温度以及SOCt-1输入该模型(比如模型1),得到预测的当前SOCt(比如SOC1)。其中,BP模型的网路结构如图5所示,其包括输入层、隐含层和输出层。
综上所述,相较于相关技术,本发明实施例具有以下优点:
①建立多个不同工况下的预测模型,根据锂电池的充放电状态和温度选取对应预测模型,尤其是针对低温环境的锂电池充放电过程,可以有效提升模型的预测精度;
②根据充放电功率和电池温度调整预测数据的标准化参数,相比于传统的归一化方法可以大幅度提升模型的精度;
③在锂电池负载或者充电功率频繁变化时,此模型可以及时切换相应的模型,相比于使用单一模型预测锂电池所有工况,多个模型的切换可以提升模型精度同时增加模型的适用范围。
对应上述实施例的基于多模型的电池荷电状态预测方法,本发明还提出一种基于多模型的电池荷电状态预测装置。
图6为本发明实施例的基于多模型的电池荷电状态预测装置的方框示意图。
如图6所示,该基于多模型的电池荷电状态预测装置包括:第一采集模块10、训练模块20、第二采集模块30、选择模块40、处理模块50和预测模块60。
其中,第一采集模块10用于采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组所述建模数据与多种所述工况一一对应;训练模块20用于对每组所述建模数据进行标准化处理以得到标准化建模数据,并基于每组所述标准化建模数据对神经网络进行训练,以得到多个预测模型;第二采集模块30用于采集待测电池在运行过程中的充放电数据,并作为预测数据;选择模块40用于基于所述预测数据从多个所述预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数;处理模块50用于根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据;预测模块60用于将所述标准化预测数据输入所述选择的预测模型,以得到所述待测电池的SOC预测结果。
需要说明的是,该基于多模型的电池荷电状态预测装置的具体实施方式可参见上述基于多模型的电池荷电状态预测方法的具体实施方式,为避免冗余,此处不再详细赘述。
本发明实施例的基于多模型的电池荷电状态预测装置,建立与多种不同工况一一对应的预测模型,在多种预测模型中选择最优的预测模型实现SOC预测,并基于最优的预测模型的建模数据及其标准化参数实现预测数据的标准化,可以避免数据漂移现象,能够提高电池在任何工况下的预测精度和预测可信度。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示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”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于多模型的电池荷电状态预测方法,其特征在于,包括以下步骤:
采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组所述建模数据与多种所述工况一一对应;
对每组所述建模数据进行标准化处理以得到标准化建模数据,并基于每组所述标准化建模数据对神经网络进行训练,以得到多个预测模型;
采集待测电池在运行过程中的充放电数据,并作为预测数据;
基于所述预测数据从多个所述预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数;
根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据;
将所述标准化预测数据输入所述选择的预测模型,以得到所述待测电池的SOC预测结果。
2.根据权利要求1所述的基于多模型的电池荷电状态预测方法,其特征在于,所述工况包括所述样本电池所在的环境温度和所述样本电池的预设功率,其中,所述预设功率包括充电功率和放电功率。
3.根据权利要求2所述的基于多模型的电池荷电状态预测方法,其特征在于,每组所述建模数据包括所述样本电池的电压数据、电流数据、温度数据和SOC数据,
对每组所述建模数据进行标准化处理以得到标准化建模数据,包括:
通过均值方差标准化方法对所述样本电池的电压数据、电流数据和温度数据进行标准化处理,以得到标准化建模电压、标准化建模电流和标准化建模温度。
4.根据权利要求3所述的基于多模型的电池荷电状态预测方法,其特征在于,所述预测数据包括所述待测电池的当前电压数据、当前电流数据、当前温度数据和上一时刻SOC数据,
基于所述预测数据从多个所述预测模型中选择一个预测模型,包括:
根据所述当前电压数据和所述当前电流数据计算所述待测电池的当前功率;
基于所述当前温度数据、所述当前电流数据和所述上一时刻SOC数据计算起点温度;
基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型。
5.根据权利要求4所述的基于多模型的电池荷电状态预测方法,其特征在于,基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型,包括:
根据多个所述预测模型对应的环境温度和预设功率,确定每个所述预测模型对应的温度区间和功率区间;
根据所述当前功率、所述起点温度、多个所述预测模型对应的温度区间和功率区间,从多个所述预测模型中选择一个预测模型,
其中,通过以下公式计算所述起点温度:
T0=T-λ*I2*SOCt-1
其中,T0为起点温度,T为所述当前温度数据,I为所述当前电流数据,SOCt-1为所述上一时刻SOC数据,λ为人为设定的温升系数。
6.根据权利要求4所述的基于多模型的电池荷电状态预测方法,其特征在于,所述第一标准化参数包括电压数据的标准化参数、电流数据的标准化参数和温度数据的标准化参数,所述标准化参数包括平均值和方差,
根据所述建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据,包括:
根据所述样本电池的电压数据和电流数据计算所述建模数据的对应功率;
根据所述待测电池的当前电压数据和当前电流数据计算所述待测电池的当前功率;
根据所述建模数据中电压数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前电压数据的标准化参数;
根据所述建模数据中电流数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前电流数据的标准化参数;
在所述预测数据中的当前温度数据处于第一预设区间时,基于所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前温度数据的标准化参数;
在所述预测数据中的当前温度数据处于第二预设区间时,获取所述样本电池的内阻,并基于所述内阻、所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率,计算所述预测数据中当前温度数据的标准化参数,其中,所述第二预设区间与所述第一预设区间不同;
根据所述预测数据中当前电压数据的标准化参数、所述预测数据中当前电流数据的标准化参数和所述预测数据中当前温度数据的标准化参数,一一对应分别对所述预测数据中的当前电压数据、所述当前电流数据和所述当前温度数据进行标准化处理,以得到标准化预测电压、标准化预测电流和标准化预测温度。
7.根据权利要求6所述的基于多模型的电池荷电状态预测方法,其特征在于,通过以下公式计算所述预测数据中当前电流数据的标准化参数:
ITmean=ISmean×Pt÷Ps
ITstd=ISstd×Pt÷Ps
其中,ITmean、ITstd为所述预测数据中当前电流数据的标准化参数,ISmean为所述建模数据中电流数据的平均值,ISstd为所述建模数据中电流数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率。
8.根据权利要求6所述的基于多模型的电池荷电状态预测方法,其特征在于,在所述预测数据中的当前温度数据处于第一预设区间时,通过以下公式计算所述预测数据中当前温度数据的标准化参数:
TTmean=TSmean×(Pt/Ps)2×κ
TTstd=TSstd×(Pt/Ps)2×κ
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,κ为所述待测电池的散热系数。
9.根据权利要求6所述的基于多模型的电池荷电状态预测方法,其特征在于,在所述预测数据中的当前温度数据处于第二预设区间时,通过以下公式计算所述预测数据中当前温度数据的标准化参数:
r=f(T)
其中,TTmean、TTstd为所述预测数据中当前温度数据的标准化参数,TSmean为所述建模数据中温度数据的平均值,TSstd为所述建模数据中温度数据的方差,Pt为所述待测电池的当前功率,Ps为所述建模数据的对应功率,r为所述样本电池的内阻,通过温度与内阻的实验测试拟合求得,为所述样本电池的内阻平均值,T为所述预测数据中的当前温度数据,/>为所述待测电池拟合系数。
10.一种基于多模型的电池荷电状态预测装置,其特征在于,包括:
第一采集模块,用于采集样本电池在多种不同工况下的充放电数据,并作为多组建模数据,其中,多组所述建模数据与多种所述工况一一对应;
训练模块,用于对每组所述建模数据进行标准化处理以得到标准化建模数据,并基于每组所述标准化建模数据对神经网络进行训练,以得到多个预测模型;
第二采集模块,用于采集待测电池在运行过程中的充放电数据,并作为预测数据;
选择模块,用于基于所述预测数据从多个所述预测模型中选择一个预测模型,并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数;
处理模块,用于根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理,以得到标准化预测数据;
预测模块,用于将所述标准化预测数据输入所述选择的预测模型,以得到所述待测电池的SOC预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610824.XA CN116718921A (zh) | 2023-05-29 | 2023-05-29 | 基于多模型的电池荷电状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610824.XA CN116718921A (zh) | 2023-05-29 | 2023-05-29 | 基于多模型的电池荷电状态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116718921A true CN116718921A (zh) | 2023-09-08 |
Family
ID=87868916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310610824.XA Pending CN116718921A (zh) | 2023-05-29 | 2023-05-29 | 基于多模型的电池荷电状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116718921A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233616A (zh) * | 2023-11-13 | 2023-12-15 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
-
2023
- 2023-05-29 CN CN202310610824.XA patent/CN116718921A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233616A (zh) * | 2023-11-13 | 2023-12-15 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
CN117233616B (zh) * | 2023-11-13 | 2024-03-22 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
JP6738836B2 (ja) | 効率的なバッテリーテスター | |
KR102648764B1 (ko) | 전지 성능 평가 방법 및 전지 성능 평가 장치 | |
CN111175666B (zh) | 一种soh检测方法及装置 | |
US20150369875A1 (en) | Battery state estimating device | |
KR102646875B1 (ko) | 모의전지 구축 방법 및 모의전지 구축 장치 | |
CN110673050B (zh) | 评估电池健康状态的方法 | |
EP4174505A1 (en) | Battery state determination method, and battery state determination apparatus | |
TWI768652B (zh) | 模擬電池控制裝置、電子機器、充電器及模擬電池控制方法 | |
CN114578237A (zh) | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN116718921A (zh) | 基于多模型的电池荷电状态预测方法及装置 | |
Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
CN113504479A (zh) | 基于云的电池充电剩余时间的估算方法、系统和存储介质 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
Rodríguez-Iturriaga et al. | A physics-based fractional-order equivalent circuit model for time and frequency-domain applications in lithium-ion batteries | |
JP2015132481A (ja) | 蓄電池及び関連装置を特徴付けるための方法 | |
Demirci et al. | Development of measurement and analyses system to estimate test results for lead-acid starter batteries | |
EP4318862A1 (en) | Battery performance evaluation device and battery performance evaluation method | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
JP7297339B2 (ja) | 電池状態判定方法および電池状態判定装置 | |
TWI835691B (zh) | 電池狀態判定方法及電池狀態判定裝置 | |
Kalogiannis et al. | Functional assessment of battery management system tested on hardware-in-the-loop simulator |
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 |