CN117233616B - 锂电池soc预测方法及装置 - Google Patents
锂电池soc预测方法及装置 Download PDFInfo
- Publication number
- CN117233616B CN117233616B CN202311498946.0A CN202311498946A CN117233616B CN 117233616 B CN117233616 B CN 117233616B CN 202311498946 A CN202311498946 A CN 202311498946A CN 117233616 B CN117233616 B CN 117233616B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- charge
- discharge
- voltage
- soc
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 401
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 401
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007599 discharging Methods 0.000 claims description 87
- 238000005070 sampling Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电池技术领域,提供一种锂电池SOC预测方法及装置,所述方法包括以下步骤:获取多种充放电状态的样本锂电池的充放电数据;根据样本锂电池的充放电数据预测可用容量;根据样本锂电池的充放电数据和可用容量计算得到SOC数据;对样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;为每个样本数据类建立一个SOC预测模型;获取待预测锂电池的充放电数据,计算其与每个数据中心的欧式距离;将欧式距离最小的样本数据类对应的SOC预测模型选定为待预测锂电池的SOC预测模型进行预测。本发明能够充分利用锂电池不同充放电状态的数据,能够提升SOC预测模型的泛化性和可靠性,提高锂电池SOC的预测精度。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种锂电池SOC预测方法及装置。
背景技术
锂电池的SOC(State of Charge,荷电状态)数据非线性程度高,且会随着环境变化发生改变,传统的安时积分法和开路电压法应用起来有很多限制,且精度不高。由于实际的锂电池使用过程中,外界环境会发生变化,锂电池的充放电深度也存在差异,这些现象会对锂电池的SOC有着很大的影响,单一SOC预测模型很难预测准确。
在现实的锂电池使用过程中,很难出现满充满放的过程,此时锂电池无法进行校准,SOC的预测往往不准确,这一类数据在建立SOC预测模型的过程中常常被抛弃,造成资源浪费。
发明内容
本发明为解决上述技术问题,提供了一种锂电池SOC预测方法和一种锂电池SOC预测装置,能够充分利用不同锂电池充放电状态的数据,能够提升SOC预测模型泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升SOC预测的预测精度。
本发明采用的技术方案如下:
一种锂电池SOC预测方法,包括以下步骤:S1,获取多种充放电状态的样本锂电池的充放电数据,其中,所述充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分;S2,根据所述样本锂电池的充放电数据预测所述样本锂电池的可用容量;S3,根据所述样本锂电池的充放电数据和可用容量计算每个所述样本锂电池各采样时刻的SOC,得到所述样本锂电池的SOC数据;S4,对所述样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;S5,根据所述样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型;S6,获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个样本数据类中心的欧式距离;S7,将欧式距离最小的样本数据类对应的SOC预测模型选定为所述待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据所述待预测锂电池的充放电数据对所述待预测锂电池的SOC进行预测,得到所述待预测锂电池的SOC。
另外,根据本发明上述提出的锂电池SOC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,所述充放电状态分为第一至第四种,所述充放电状态分为第一至第四种,其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;第二种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压为所述预设充电结束电压,或者放电起始时的电压为所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压;第三种充放电状态的锂电池充电起始时的电压为所述预设充电起始电压、充电结束时的SOC的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压为所述预设放电结束电压;第四种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压。
根据本发明的一个实施例,根据所述样本锂电池的充放电数据基于PLS(PartialLeast Squares,偏最小二乘)模型预测所述样本锂电池的可用容量,其中,基于第一种样本锂电池的充放电数据中的K组数据建立所述PLS模型,其中,所述第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应所述第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
根据本发明的一个实施例,步骤S3具体包括:S31,根据所述样本锂电池的充放电数据计算所述样本锂电池各采样时刻的充放电安时数;S32,获取所述样本锂电池在充放电起始时的SOC,其中,当所述样本锂电池为所述第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
其中,C r 为可用容量,当所述样本锂电池为所述第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
其中,SOC 0为充电/放电起始时的SOC,C t 为充电/放电安时数,
当所述样本锂电池为所述第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC;S33,根据所述样本锂电池各采样时刻的充放电安时数、可用容量和充放电起始时的SOC,计算每个所述样本锂电池各采样时刻的SOC。
根据本发明的一个实施例,根据所述样本锂电池的电流数据和时间数据基于安时积分法计算所述样本锂电池的充放电安时数。
根据本发明的一个实施例,在步骤S32之后,步骤S33之前,还包括:当所述样本锂电池为所述第一种充放电状态时,如果该样本锂电池在充放电结束时基于所述PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据;当所述样本锂电池为所述第四种充放电状态时,分别基于开路电压法和所述PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于所述PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据。
此外,为实现上述目的,本发明还提出一种锂电池SOC预测装置。
一种锂电池SOC预测装置,包括:第一获取模块,第一获取模块获取多种充放电状态的样本锂电池的充放电数据,其中,所述充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分;第一预测模块,所述第一预测模块用于根据所述样本锂电池的充放电数据预测所述样本锂电池的可用容量;计算模块,所述计算模块用于根据所述样本锂电池的充放电数据和可用容量计算每个所述样本锂电池各采样时刻的SOC,得到所述样本锂电池的SOC数据;聚类模块,所述聚类模块用于对所述样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;第一建模模块,所述第一建模模块用于根据所述样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型;第二获取模块,所述第二获取模块用于获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个数据中心的欧式距离;第二预测模块,所述第二预测模块用于将欧式距离最小的样本数据类对应的SOC预测模型选定为所述待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据所述待预测锂电池的充放电数据对所述待预测锂电池的SOC进行预测,得到所述待预测锂电池的SOC。
另外,根据本发明上述提出的锂电池SOC预测装置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,所述充放电状态分为第一至第四种,其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;第二种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压为所述预设充电结束电压,或者放电起始时的电压为所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压;第三种充放电状态的锂电池充电起始时的电压为所述预设充电起始电压、充电结束时的SOC的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压为所述预设放电结束电压;第四种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压。
根据本发明的一个实施例,所述第一预测模块用于根据所述样本锂电池的充放电数据基于PLS模型预测所述样本锂电池的可用容量,所述SOC预测装置还包括第二建模模块,所述第二建模模块用于基于第一种样本锂电池的中的K组数据建立可用容量预测模型,其中,基于第一种样本锂电池的充放电数据中的K组数据建立所述PLS模型,其中,所述第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应所述第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
根据本发明的一个实施例,计算模块具体包括:第一计算子模块,所述第一计算子模块用于根据所述样本锂电池的充放电数据计算所述样本锂电池的充放电安时数;第二计算子模块,所述第二计算子模块用于获取所述样本锂电池在充放电起始时的SOC,其中,当所述样本锂电池为所述第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
其中,C r 为可用容量,当所述样本锂电池为所述第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
其中,SOC 0为充电/放电起始时的SOC,C t 为充电/放电安时数,
当所述样本锂电池为所述第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC;第三计算子模块,所述第三计算子模块用于根据所述样本锂电池的充放电安时数、可用容量和充放电起始时的SOC,计算每个所述样本锂电池各采样时刻的SOC。
根据本发明的一个实施例,所述第一计算子模块用于根据所述样本锂电池的电流数据和时间数据基于安时积分法计算所述样本锂电池的充放电安时数。
根据本发明的一个实施例,所述计算模块还包括清理子模块,所述清理子模块用于当所述样本锂电池为所述第一种充放电状态时,如果该样本锂电池在充放电结束时基于所述PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据;当所述样本锂电池为所述第四种充放电状态时,分别基于开路电压法和所述PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于所述PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据。
本发明的有益效果:
本发明实施例的锂电池SOC预测方法,通过使用多种充放电状态的样本锂电池的充放电数据,得到不同样本数据类的SOC预测模型,能够充分利用锂电池不同充放电状态的数据;通过先预测样本锂电池的可用容量再计算样本锂电池各采样时刻的SOC,通过聚类得到多个样本数据类及数据中心,然后建立每个样本数据类的SOC预测模型,根据待预测锂电池的充放电数据和数据中心的欧式距离选定合适的SOC预测模型,能够提升SOC预测模型的泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升锂电池SOC的预测精度。
附图说明
图1为本发明实施例的锂电池SOC预测方法的流程图;
图2为本发明一个实施例的PLS模型的数据结构示意图;
图3为本发明实施例的锂电池SOC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。
如图1所示,本发明实施例的锂电池SOC预测方法包括以下步骤:
S1,获取多种充放电状态的样本锂电池的充放电数据,其中,充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分。
易于理解的是,样本锂电池的充放电数据可包括样本锂电池在各采样时刻的电压、电流、温度等。
在本发明的一个实施例中,充放电状态分为第一至第四种,其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;第二种充放电状态的锂电池充电起始时的电压大于预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压大于预设放电结束电压;第三种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的SOC的电压小于预设充电结束电压,或者放电起始时的电压小于预设放电起始电压、放电结束时的电压为预设放电结束电压;第四种充放电状态的锂电池充电起始时的电压大于预设充电起始电压、充电结束时的电压小于预设充电结束电压,或者放电起始时的电压小于预设放电起始电压、放电结束时的电压大于预设放电结束电压。
下面结合本发明的一个具体实施例阐述区分锂电池的充放电状态的一种方式。
在本发明的一个具体实施例中,锂电池的电压区间为2.5-3.55V,以充电为例,预设充电起始电压为2.5V,预设充电结束电压为3.55V,第一种充放电状态的锂电池充电起始时的电压为2.5V,此时锂电池的SOC为0%,锂电池的充电结束时的电压为3.55V,此时锂电池的SOC为100%,这一充电过程也可以称为一个满充过程;第二种充放电状态的锂电池充电起始时的电压大于2.5V,即锂电池的SOC大于0%,锂电池的充电结束时间的电压为3.55V;第三种充放电状态的锂电池充电起始时的电压为2.5V,锂电池的充电结束时的电压小于3.55V,即锂电池的SOC小于100%;第四种充放电状态的锂电池充电起始时的电压大于2.5V,锂电池的充电结束时的电压小于3.55V。
这四种充放电状态在实际的锂电池使用中很常见,其中,第一种充放电状态的锂电池的各采样时刻的SOC可根据充放电安时数计算得到。以充电为例,由于在满充过程中第一种样本锂电池充电起始时的SOC为0,且充电结束时的SOC为100%,根据第一种样本锂电池在某一采样时刻的电流和时间数据基于安时积分法计算得到充电安时数为该采样时刻的可用容量,因此,可根据第一种样本锂电池在充电结束时的可用容量和某一采样时刻的充放电安时数计算该采样时刻的SOC,计算公式如下:
其中,SOC i 为采样时刻i的SOC,C rn 为充电结束时的可用容量,C ti 为采样时刻i的充电安时数。
但是第二种、第三种、第四种充放电状态的锂电池的SOC很难判断。因此大部分SOC预测模型在建模时只使用第一种充放电状态的充放电数据,其他充放电状态的充放电数据在建模过程中常常被抛弃,造成资源浪费。然而,在现实的锂电池充放电过程中,很少出现满充满放过程,对这些锂电池的SOC预测没有经过校准,SOC预测的结果准确性难以保障。
S2,根据样本锂电池的充放电数据预测样本锂电池的可用容量。
具体地,可根据样本锂电池的充放电数据基于PLS模型预测样本锂电池的可用容量,其中,基于第一种样本锂电池的充放电数据中的K组数据建立PLS模型,其中,第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
在本发明的一个具体实施例中,可根据第一种样本锂电池的K组数据中的电流和时间数据基于安时积分法计算得到第一种样本锂电池在各采样时刻的充放电安时数数据,并根据充放电安时数数据计算得到各采样时刻的SOC数据。如图2所示将K组各采样时刻的充放电数据组合成三维矩阵,将该三维矩阵展开为二维矩阵X,基于各采样时刻的SOC数据得到Y,将二维矩阵X作为PLS模型的输入,并Y将作为PLS模型的输出,进行训练,建立PLS模型,图中,I为变量数,J为采样时刻数。
S3,根据样本锂电池的充放电数据和可用容量计算每个样本锂电池各采样时刻的SOC,得到样本锂电池的SOC数据。
在本发明的一个实施例中,步骤S3具体可包括:
S31,根据样本锂电池的充放电数据计算样本锂电池各采样时刻的充放电安时数。
具体地,可根据样本锂电池的电流数据和时间数据基于安时积分法计算样本锂电池的充放电安时数。
S32,获取样本锂电池在充放电起始时的SOC,其中,当样本锂电池为第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
其中,SOC 0为充电起始时的SOC,C r 为可用容量,C t 为充电安时数,该样本锂电池在放电结束时的SOC为:
其中,SOC t 为放电结束时的SOC,C t 为放电安时数;
当样本锂电池为第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
其中,SOC 0为放电起始时的SOC,C t 为放电安时数,该样本锂电池在充电结束时的SOC为:
其中,SOC t 为充电结束时的SOC,C t 为充电安时数;
当样本锂电池为第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC。
S33,根据样本锂电池各采样时刻的充放电安时数、可用容量和充放电起始时的SOC,计算每个样本锂电池各采样时刻的SOC。
在本发明的一个实施例中,在步骤S32之后,步骤S33之前,还可包括:
当样本锂电池为第一种充放电状态时,如果该样本锂电池在充放电结束时基于PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据,其中,第一误差的判断公式为:
其中,E 1为第一误差限,可根据实际情况确定。
当样本锂电池为第四种充放电状态时,分别基于开路电压法和PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据,其中,第二误差的判断公式为:
其中,E 2为第二误差限,可根据实际情况确定。
S4,对样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心。
在本发明的一个实施例中,可以样本锂电池的充放电数据为X,以样本锂电池的SOC数据为Y,基于K-means聚类算法对样本锂电池的充放电数据进行聚类,其中,在进行聚类时可根据实际情况决定样本数据类的数量,一般情况下样本数据类的数量大于等于4,参与聚类的充放电数据可包括电压、电流和温度,具体可根据实际情况选择。
S5,根据样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型。
在本发明的一个实施例中,SOC预测模型可为BP网络模型。
具体地,在建立SOC预测模型时先剔除每个样本数据类中的异常数据,并对剔除了异常值后的数据进行归一化处理,将每个样本数据类对应的样本锂电池的电压、电流、温度作为BP网络模型的输入数据,样本锂电池的SOC作为BP网络模型的输出数据进行训练,得到每个样本数据类的BP网络模型,即SOC预测模型。
在本发明的一个实施例中,在步骤S5之后还可对建立好的SOC预测模型进行验证。从所有样本数据类中选取一组充放电数据,计算该数据到各数据中心的欧式距离,对这组充放电数据进行归一化处理后,输入欧式距离最小的样本数据类对应的SOC预测模型,将预测结果与真实值进行对比。
S6,获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个数据中心的欧式距离。
S7,将欧式距离最小的样本数据类对应的SOC预测模型选定为待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据待预测锂电池的充放电数据对待预测锂电池的SOC进行预测,得到待预测锂电池的SOC。
需要说明的是,通过为每个样本数据类建立一个SOC预测模型,然后根据待预测锂电池的充放电数据和每个数据中心的欧式距离选定合适的SOC预测模型,能够提升SOC预测模型的泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升锂电池SOC的预测精度。
根据本发明实施例的锂电池SOC预测方法,通过使用多种充放电状态的样本锂电池的充放电数据,得到不同样本数据类的SOC预测模型,能够充分利用不同锂电池充放电状态的数据;通过先预测样本锂电池的可用容量再计算样本锂电池各采样时刻的SOC,通过聚类得到多个样本数据类及数据中心,然后建立每个样本数据类的SOC预测模型,根据待预测锂电池的充放电数据和每个数据中心的欧式距离选定合适的SOC预测模型,能够提升SOC预测模型的泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升锂电池SOC的预测精度。
为实现上述实施例的锂电池SOC预测方法,本发明还提出一种锂电池SOC预测装置。
如图3所示,本发明实施例的锂电池SOC预测装置包括:第一获取模块10、第一预测模块20、计算模块30、聚类模块40、第一建模模块50、第二获取模块60和第二预测模块70,其中,第一获取模块10获取多种充放电状态的样本锂电池的充放电数据,其中,充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分;第一预测模块20用于根据样本锂电池的充放电数据预测样本锂电池的可用容量;计算模块30用于根据样本锂电池的充放电数据和可用容量计算每个样本锂电池各采样时刻的SOC,得到样本锂电池的SOC数据;聚类模块40用于对样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;第一建模模块50用于根据样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型;第二获取模块60用于获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个数据中心的欧式距离;第二预测模块70用于将欧式距离最小的样本数据类对应的SOC预测模型选定为待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据待预测锂电池的充放电数据对待预测锂电池的SOC进行预测,得到待预测锂电池的SOC。
易于理解的是,样本锂电池的充放电数据可包括样本锂电池在各采样时刻的电压、电流、温度等。
在本发明的一个实施例中,充放电状态分为第一至第四种,其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;第二种充放电状态的锂电池充电起始时的电压大于预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压大于预设放电结束电压;第三种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的SOC的电压小于预设充电结束电压,或者放电起始时的电压小于预设放电起始电压、放电结束时的电压为预设放电结束电压;第四种充放电状态的锂电池充电起始时的电压大于预设充电起始电压、充电结束时的电压小于预设充电结束电压,或者放电起始时的电压小于预设放电起始电压、放电结束时的电压大于预设放电结束电压。
下面结合本发明的一个具体实施例阐述区分锂电池的充放电状态的一种方式。
在本发明的一个具体实施例中,锂电池的电压区间为2.5-3.55V,以充电为例,预设充电起始电压为2.5V,预设充电结束电压为3.55V,第一种充放电状态的锂电池充电起始时的电压为2.5V,此时锂电池的SOC为0%,锂电池的充电结束时的电压为3.55V,此时锂电池的SOC为100%,这一充电过程也可以称为一个满充过程;第二种充放电状态的锂电池充电起始时的电压大于2.5V,即锂电池的SOC大于0%,锂电池的充电结束时间的电压为3.55V;第三种充放电状态的锂电池充电起始时的电压为2.5V,锂电池的充电结束时的电压小于3.55V,即锂电池的SOC小于100%;第四种充放电状态的锂电池充电起始时的电压大于2.5V,锂电池的充电结束时的电压小于3.55V。
这四种充放电状态在实际的锂电池使用中很常见,其中,第一种充放电状态的锂电池的各采样时刻的SOC可根据充放电安时数计算得到。以充电为例,由于在满充过程中第一种样本锂电池充电起始时的SOC为0,且充电结束时的SOC为100%,根据第一种样本锂电池在某一采样时刻的电流和时间数据基于安时积分法计算得到充电安时数为该采样时刻的可用容量,因此,可根据第一种样本锂电池在充电结束时的可用容量和某一采样时刻的充放电安时数计算该采样时刻的SOC,计算公式如下:
其中,SOC i 为采样时刻i的SOC,C rn 为充电结束时的可用容量,C ti 为采样时刻i的充电安时数。
但是第二种、第三种、第四种充放电状态的锂电池的SOC很难判断。因此大部分SOC预测模型在建模时只使用第一种充放电状态的充放电数据,其他充放电状态的充放电数据在建模过程中常常被抛弃,造成资源浪费。然而,在现实的锂电池充放电过程中,很少出现满充满放过程,对这些锂电池的SOC预测没有经过校准,SOC预测的结果准确性难以保障。
在本发明的一个实施例中,第一预测模块20可用于根据样本锂电池的充放电数据预测样本锂电池的可用容量,SOC预测装置还包括第二建模模块,第二建模模块用于基于PLS模型预测样本锂电池的可用容量,其中,基于第一种样本锂电池的充放电数据中的K组数据建立PLS模型,其中,第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
在本发明的一个具体实施例中,可根据第一种样本锂电池的K组数据中的电流和时间数据基于安时积分法计算得到第一种样本锂电池在各采样时刻的充放电安时数数据,并根据充放电安时数数据计算得到各采样时刻的SOC数据。如图2所示将K组各采样时刻的充放电数据组合成三维矩阵,将该三维矩阵展开为二维矩阵X,基于各采样时刻的SOC数据得到Y,将二维矩阵X作为PLS模型的输入,并Y将作为PLS模型的输出,进行训练,建立PLS模型,图中,I为变量数,J为采样时刻数。
在本发明的一个实施例中,计算模块30具体可包括:第一计算子模块,第二计算子模块和第三计算子模块,其中,第一计算子模块用于根据样本锂电池的充放电数据计算样本锂电池各采样时刻的充放电安时数,具体地,可根据样本锂电池的电流数据和时间数据基于安时积分法计算样本锂电池的充放电安时数;第二计算子模块用于获取样本锂电池在充放电起始时的SOC,其中,当样本锂电池为第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
其中,SOC 0为充电起始时的SOC,C r 为可用容量,C t 为充电安时数,该样本锂电池在放电结束时的SOC为:
其中,SOC t 为放电结束时的SOC,C t 为放电安时数;
当样本锂电池为第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
其中,SOC 0为放电起始时的SOC,C t 为放电安时数,该样本锂电池在充电结束时的SOC为:
其中,SOC t 为充电结束时的SOC,C t 为充电安时数;
当样本锂电池为第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC;第三计算子模块用于根据样本锂电池的充放电安时数、可用容量和充放电起始时的SOC,计算每个样本锂电池各采样时刻的SOC。
在本发明的一个实施例中,第一计算子模块可用于根据样本锂电池的电流数据和时间数据基于安时积分法计算样本锂电池的充放电安时数。
在本发明的一个实施例中,计算模块30还可包括清理子模块,清理子模块用于当样本锂电池为第一种充放电状态时,如果该样本锂电池在充放电结束时基于PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据,其中,第一误差的判断公式为:
其中,E 1为第一误差限,可根据实际情况确定;当样本锂电池为第四种充放电状态时,分别基于开路电压法和PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据,其中,第二误差的判断公式为:
/>
其中,E 2为第二误差限,可根据实际情况确定。
在本发明的一个实施例中,聚类模块40可以样本锂电池的充放电数据为X,以样本锂电池的SOC数据为Y,基于K-means聚类算法对样本锂电池的充放电数据进行聚类,其中,在进行聚类时可根据实际情况决定样本数据类的数量,一般情况下样本数据类的数量大于等于4,参与聚类的充放电数据可包括电压、电流和温度,具体可根据实际情况选择。
在本发明的一个实施例中,SOC预测模型为BP网络模型。
具体地,在建立SOC预测模型时先剔除每个样本数据类中的异常数据,并对剔除了异常值后的数据进行归一化处理,将每个样本数据类对应的样本锂电池的电压、电流、温度作为BP网络模型的输入数据,样本锂电池的SOC作为BP网络模型的输出数据进行训练,得到每个样本数据类的BP网络模型,即SOC预测模型。
需要说明的是,通过为每个样本数据类建立一个SOC预测模型,然后根据待预测锂电池的充放电数据和每个数据中心的欧式距离选定合适的SOC预测模型,能够提升SOC预测模型的泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升锂电池SOC的预测精度。
在本发明的一个实施例中,锂电池SOC预测装置还可包括验证模块用于对建立好的SOC预测模型进行验证。从所有样本数据类中选取一组充放电数据,计算该数据到各数据中心的欧式距离,对这组充放电数据进行归一化处理后,输入欧式距离最小的样本数据类对应的SOC预测模型,将预测结果与真实值进行对比
根据本发明实施例的锂电池SOC预测装置,通过使用多种充放电状态的样本锂电池的充放电数据,得到不同样本数据类的SOC预测模型,能够充分利用不同锂电池充放电状态的数据;通过先预测样本锂电池的可用容量再计算样本锂电池各采样时刻的SOC,通过聚类得到多个样本数据类及数据中心,然后建立每个样本数据类的SOC预测模型,根据待预测锂电池的充放电数据和每个数据中心的欧式距离选定合适的SOC预测模型,能够提升SOC预测模型的泛化性和可靠性,提高SOC预测模型对于同一类数据的预测精度,进而有效提升锂电池SOC的预测精度。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中所示出的各个步骤的执行顺序为优选实现方式,在本发明的其他实施例中,也可以根据各步骤所涉及的功能进行调整,例如可以同时执行或按相反的顺序执行。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
Claims (12)
1.一种锂电池SOC预测方法,其特征在于,包括以下步骤:
S1,获取多种充放电状态的样本锂电池的充放电数据,其中,所述充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分;
S2,根据所述样本锂电池的充放电数据预测所述样本锂电池的可用容量;
S3,根据所述样本锂电池的充放电数据和可用容量计算每个所述样本锂电池各采样时刻的SOC,得到所述样本锂电池的SOC数据;
S4,对所述样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;
S5,根据所述样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型;
S6,获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个数据中心的欧式距离;
S7,将欧式距离最小的样本数据类对应的SOC预测模型选定为所述待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据所述待预测锂电池的充放电数据对所述待预测锂电池的SOC进行预测,得到所述待预测锂电池的SOC。
2.根据权利要求1所述的锂电池SOC预测方法,其特征在于,所述充放电状态分为第一至第四种,
其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;
第二种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压为所述预设充电结束电压,或者放电起始时的电压为所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压;
第三种充放电状态的锂电池充电起始时的电压为所述预设充电起始电压、充电结束时的SOC的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压为所述预设放电结束电压;
第四种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压。
3.根据权利要求2所述的锂电池SOC预测方法,其特征在于,根据所述样本锂电池的充放电数据基于PLS模型预测所述样本锂电池的可用容量,其中,基于第一种样本锂电池的充放电数据中的K组数据建立所述PLS模型,其中,所述第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应所述第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
4.根据权利要求3所述的锂电池SOC预测方法,其特征在于,步骤S3具体包括:
S31,根据所述样本锂电池的充放电数据计算所述样本锂电池各采样时刻的充放电安时数;
S32,获取所述样本锂电池在充放电起始时的SOC,其中,当所述样本锂电池为所述第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
,
其中,C r 为可用容量,
当所述样本锂电池为所述第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
,
其中,SOC 0为充电/放电起始时的SOC,C t 为充电/放电安时数,
当所述样本锂电池为所述第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC;
S33,根据所述样本锂电池各采样时刻的充放电安时数、可用容量和充放电起始时的SOC,计算每个所述样本锂电池各采样时刻的SOC。
5.根据权利要求4所述的锂电池SOC预测方法,其特征在于,根据所述样本锂电池的电流数据和时间数据基于安时积分法计算所述样本锂电池的充放电安时数。
6.根据权利要求5所述的锂电池SOC预测方法,其特征在于,在步骤S32之后,步骤S33之前,还包括:
当所述样本锂电池为所述第一种充放电状态时,如果该样本锂电池在充放电结束时基于所述PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据;
当所述样本锂电池为所述第四种充放电状态时,分别基于开路电压法和所述PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于所述PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据。
7.一种锂电池SOC预测装置,其特征在于,包括:
第一获取模块,第一获取模块获取多种充放电状态的样本锂电池的充放电数据,其中,所述充放电状态根据充放电起始时的电压和充放电结束时的电压进行划分;
第一预测模块,所述第一预测模块用于根据所述样本锂电池的充放电数据预测所述样本锂电池的可用容量;
计算模块,所述计算模块用于根据所述样本锂电池的充放电数据和可用容量计算每个所述样本锂电池各采样时刻的SOC,得到所述样本锂电池的SOC数据;
聚类模块,所述聚类模块用于对所述样本锂电池的充放电数据进行聚类,得到多个样本数据类和每个样本数据类的数据中心;
第一建模模块,所述第一建模模块用于根据所述样本锂电池的充放电数据和SOC数据,为每个样本数据类建立一个SOC预测模型;
第二获取模块,所述第二获取模块用于获取待预测锂电池的充放电数据,计算待预测锂电池的充放电数据与每个数据中心的欧式距离;
第二预测模块,所述第二预测模块用于将欧式距离最小的样本数据类对应的SOC预测模型选定为所述待预测锂电池的SOC预测模型,通过选定的SOC预测模型根据所述待预测锂电池的充放电数据对所述待预测锂电池的SOC进行预测,得到所述待预测锂电池的SOC。
8.根据权利要求7所述的锂电池SOC预测装置,其特征在于,所述充放电状态分为第一至第四种,
其中,第一种充放电状态的锂电池充电起始时的电压为预设充电起始电压、充电结束时的电压为预设充电结束电压,或者放电起始时的电压为预设放电起始电压、放电结束时的电压为预设放电结束电压;
第二种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压为所述预设充电结束电压,或者放电起始时的电压为所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压;
第三种充放电状态的锂电池充电起始时的电压为所述预设充电起始电压、充电结束时的SOC的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压为所述预设放电结束电压;
第四种充放电状态的锂电池充电起始时的电压大于所述预设充电起始电压、充电结束时的电压小于所述预设充电结束电压,或者放电起始时的电压小于所述预设放电起始电压、放电结束时的电压大于所述预设放电结束电压。
9.根据权利要求8所述的锂电池SOC预测装置,其特征在于,所述第一预测模块用于根据所述样本锂电池的充放电数据基于PLS模型预测所述样本锂电池的可用容量,所述SOC预测装置还包括第二建模模块,所述第二建模模块用于基于第一种样本锂电池的中的K组数据建立可用容量预测模型,其中,基于第一种样本锂电池的充放电数据中的K组数据建立所述PLS模型,其中,所述第一种样本锂电池的充放电数据共有M组数据,每个第一种样本锂电池对应所述第一种样本锂电池的充放电数据中的一组数据,M为大于2的整数,K为大于1小于M的整数。
10.根据权利要求9所述的锂电池SOC预测装置,其特征在于,计算模块具体包括:
第一计算子模块,所述第一计算子模块用于根据所述样本锂电池的充放电数据计算所述样本锂电池的充放电安时数;
第二计算子模块,所述第二计算子模块用于获取所述样本锂电池在充放电起始时的SOC,其中,当所述样本锂电池为所述第二种充放电状态时,该样本锂电池在充电起始时的SOC为:
,
其中,C r 为可用容量,
当所述样本锂电池为所述第三种充放电状态时,该样本锂电池在放电起始时的SOC为:
,
其中,SOC 0为充电/放电起始时的SOC,C t 为充电/放电安时数,
当所述样本锂电池为所述第四种充放电状态时,使用开路电压法计算该样本锂电池充放电起始时和结束时的SOC;
第三计算子模块,所述第三计算子模块用于根据所述样本锂电池的充放电安时数、可用容量和充放电起始时的SOC,计算每个所述样本锂电池各采样时刻的SOC。
11.根据权利要求10所述的锂电池SOC预测装置,其特征在于,所述第一计算子模块用于根据所述样本锂电池的电流数据和时间数据基于安时积分法计算所述样本锂电池的充放电安时数。
12.根据权利要求11所述的锂电池SOC预测装置,其特征在于,所述计算模块还包括清理子模块,所述清理子模块用于当所述样本锂电池为所述第一种充放电状态时,如果该样本锂电池在充放电结束时基于所述PLS模型得到的可用容量和基于安时积分法计算的充放电安时数之间的第一误差超过第一误差限,则弃用该样本锂电池的充放电数据;当所述样本锂电池为所述第四种充放电状态时,分别基于开路电压法和所述PLS模型计算得到该样本锂电池在充放电起始时和结束时的SOC差,如果基于开路电压法得到的SOC差和基于所述PLS模型得到的SOC差之间的第二误差超过第二误差限,则弃用该样本锂电池的充放电数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498946.0A CN117233616B (zh) | 2023-11-13 | 2023-11-13 | 锂电池soc预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498946.0A CN117233616B (zh) | 2023-11-13 | 2023-11-13 | 锂电池soc预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233616A CN117233616A (zh) | 2023-12-15 |
CN117233616B true CN117233616B (zh) | 2024-03-22 |
Family
ID=89093172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311498946.0A Active CN117233616B (zh) | 2023-11-13 | 2023-11-13 | 锂电池soc预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233616B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6211654B1 (en) * | 2000-07-06 | 2001-04-03 | Telcordia Technologies, Inc. | Method for predicting battery capacity |
CN102565718A (zh) * | 2012-01-18 | 2012-07-11 | 杭州高特电子设备有限公司 | 基于开路电压回升下降的锂电池soc判断方法 |
JP2016166817A (ja) * | 2015-03-10 | 2016-09-15 | 株式会社Nttファシリティーズ | 電池容量推定システム、電池容量推定方法および電池容量推定プログラム |
CN108427076A (zh) * | 2018-02-12 | 2018-08-21 | 国网江西省电力有限公司电力科学研究院 | 一种动力电池soh估算方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111190112A (zh) * | 2020-02-10 | 2020-05-22 | 宜宾职业技术学院 | 一种基于大数据分析的电池充放电预测方法及系统 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
CN114563711A (zh) * | 2022-02-28 | 2022-05-31 | 华南理工大学 | 基于相似性的锂离子电池soh预测和soc估计方法 |
CN114594396A (zh) * | 2022-03-11 | 2022-06-07 | 阳光储能技术有限公司 | 一种数据校准方法、装置及电子设备 |
CN114839542A (zh) * | 2022-05-20 | 2022-08-02 | 昆明理工大学 | 一种动力锂电池的样本数据集生成方法、soc估计方法 |
CN115166551A (zh) * | 2022-07-06 | 2022-10-11 | 南京世博电控技术有限公司 | 一种磷酸铁锂电池bms关于soc预测的方法 |
CN115616413A (zh) * | 2022-10-21 | 2023-01-17 | 万帮数字能源股份有限公司 | 电池的荷电状态估算方法及装置 |
CN116626499A (zh) * | 2023-04-24 | 2023-08-22 | 金陵科技学院 | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 |
CN116718921A (zh) * | 2023-05-29 | 2023-09-08 | 万帮数字能源股份有限公司 | 基于多模型的电池荷电状态预测方法及装置 |
CN116879749A (zh) * | 2023-06-13 | 2023-10-13 | 杭州鹏成新能源科技有限公司 | 一种基于三阶rc等效电路模型修正锂电池soc的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10554048B2 (en) * | 2015-05-18 | 2020-02-04 | University Of North Carolina At Charlotte | Battery energy storage system controller systems and methods |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2023
- 2023-11-13 CN CN202311498946.0A patent/CN117233616B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6211654B1 (en) * | 2000-07-06 | 2001-04-03 | Telcordia Technologies, Inc. | Method for predicting battery capacity |
CN102565718A (zh) * | 2012-01-18 | 2012-07-11 | 杭州高特电子设备有限公司 | 基于开路电压回升下降的锂电池soc判断方法 |
JP2016166817A (ja) * | 2015-03-10 | 2016-09-15 | 株式会社Nttファシリティーズ | 電池容量推定システム、電池容量推定方法および電池容量推定プログラム |
CN108427076A (zh) * | 2018-02-12 | 2018-08-21 | 国网江西省电力有限公司电力科学研究院 | 一种动力电池soh估算方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111190112A (zh) * | 2020-02-10 | 2020-05-22 | 宜宾职业技术学院 | 一种基于大数据分析的电池充放电预测方法及系统 |
CN111398832A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种基于anfis模型的公交车电池soc预测方法 |
CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
CN114563711A (zh) * | 2022-02-28 | 2022-05-31 | 华南理工大学 | 基于相似性的锂离子电池soh预测和soc估计方法 |
CN114594396A (zh) * | 2022-03-11 | 2022-06-07 | 阳光储能技术有限公司 | 一种数据校准方法、装置及电子设备 |
CN114839542A (zh) * | 2022-05-20 | 2022-08-02 | 昆明理工大学 | 一种动力锂电池的样本数据集生成方法、soc估计方法 |
CN115166551A (zh) * | 2022-07-06 | 2022-10-11 | 南京世博电控技术有限公司 | 一种磷酸铁锂电池bms关于soc预测的方法 |
CN115616413A (zh) * | 2022-10-21 | 2023-01-17 | 万帮数字能源股份有限公司 | 电池的荷电状态估算方法及装置 |
CN116626499A (zh) * | 2023-04-24 | 2023-08-22 | 金陵科技学院 | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 |
CN116718921A (zh) * | 2023-05-29 | 2023-09-08 | 万帮数字能源股份有限公司 | 基于多模型的电池荷电状态预测方法及装置 |
CN116879749A (zh) * | 2023-06-13 | 2023-10-13 | 杭州鹏成新能源科技有限公司 | 一种基于三阶rc等效电路模型修正锂电池soc的方法 |
Non-Patent Citations (1)
Title |
---|
电池管理系统荷电状态估算策略的设计;王润,朱振兴;农业装备与车辆工程;第58卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233616A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220099753A1 (en) | Method For Predicting Service Life Of Retired Power Battery | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
US9244129B2 (en) | Method for estimating a state of charge of batteries | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN106932728B (zh) | 电池荷电状态soc修正方法、装置及电动汽车 | |
CN111816936B (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
CN109884550B (zh) | 一种动力电池系统在线参数辨识与回溯方法 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN108872865B (zh) | 一种防滤波发散的锂电池soc估算方法 | |
US20240110986A1 (en) | Method and system for identifying electrochemical model parameters based on capacity change rate | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
CN117233616B (zh) | 锂电池soc预测方法及装置 | |
CN113447824A (zh) | 电池最大充放电电流的估算方法、装置及存储介质 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN113297129A (zh) | 一种储能系统的soc计算方法及系统 | |
WO2015102074A1 (en) | Method for estimating state-of-charge of battery | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN116298927A (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
JP2006300692A (ja) | 二次電池の残存容量演算方式 | |
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 | |
Han et al. | State of Charge estimation of Li-ion battery in EVs based on second-order sliding mode observer | |
CN116359749A (zh) | 磷酸铁锂电池包异常检测方法、设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |