CN117686917A - 一种基于神经网络的电量计算方法及装置 - Google Patents
一种基于神经网络的电量计算方法及装置 Download PDFInfo
- Publication number
- CN117686917A CN117686917A CN202311705081.0A CN202311705081A CN117686917A CN 117686917 A CN117686917 A CN 117686917A CN 202311705081 A CN202311705081 A CN 202311705081A CN 117686917 A CN117686917 A CN 117686917A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- value
- moment
- neural network
- difference
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000004364 calculation method Methods 0.000 title claims abstract description 38
- 230000010354 integration Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于电量计算技术领域，公开了一种基于神经网络的电量计算方法及装置，该方法包括：获取实时电池数据；将实时电池数据输入第一神经网络，得到对应时刻的第一电量值；将实时电池数据输入第二神经网络，得到各个时刻的第二电量值；根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值；根据实时电池数据得到功率积分差值；基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值；令电量调整值和第一时刻的第一电量值相加，得到经调校的输出电量值。本申请能够提高电量计算结果的精度，并减少初期对神经网络训练所需样本数量。
Description
技术领域
本申请涉及电量计算技术领域，尤其涉及一种基于神经网络的电量计算方法及装置。
背景技术
目前业界多用功率积分的方法对充入/放出电池组的功率进行累加，同时也有使用神经网络算法对电量进行监督学习算法训练；但功率积分法的精度依赖电流的检测精度，同时在长时间运行中的误差会累计，而神经网络算法在训练时需要采集大量的电池充放电样本，且对样本的数据精度要求比较高，同时，该算法在应用时仅使用了神经网络的前向计算，即当实际使用的电池组出现不同程度的老化时，原则上需要在训练期间的样本中有所体现，则这个电池老化过程的样本收集过程同样会很漫长且繁琐。
发明内容
本申请提供了一种基于神经网络的电量计算方法及装置，能够提高电量计算结果的精度，并减少初期对神经网络训练所需样本数量。
第一方面，本申请实施例提供了一种基于神经网络的电量计算方法，包括：
获取实时电池数据；
将实时电池数据输入第一神经网络，得到对应时刻的第一电量值；
将实时电池数据输入第二神经网络，得到对应时刻的第二电量值；
根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值；
根据实时电池数据得到功率积分差值；
基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值；
令电量调整值和第一时刻的第一电量值相加，得到输出电量值。
进一步的，上述根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值，包括：
令第二时刻的第一电量值减去第一时刻的第一电量值，得到第一差值。
进一步的，上述根据实时电池数据得到功率积分差值，包括：采用功率积分法对实时电池数据进行电量计算，得到电池在第一时刻和第二时刻之间的功率积分差值。
进一步的，上述基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值，包括：
根据第一差值和功率积分差值得到时间差分；
根据时间差分、预设学习率、预设折扣率、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值。
进一步的，上述根据第一差值和功率积分差值得到时间差分，包括：
令第一差值减去功率积分差值，得到时间差分。
进一步的，预设学习率为0.1，预设折扣率为0.9。
进一步的，第一神经网络为BP神经网络，第二神经网络为强化学习神经网络。
第二方面，本申请实施例提供了一种基于神经网络的电量计算装置，包括：
数据获取模块，用于获取实时电池数据；
第一输入模块，用于将实时电池数据输入第一神经网络，得到对应时刻的第一电量值；
第二输入模块，用于将实时电池数据输入第二神经网络，得到对应时刻的第二电量值；
第一差值模块，用于根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值；
功率积分差值模块，用于根据实时电池数据得到功率积分差值；
调整计算模块，用于基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值；
输出模块，用于令电量调整值和第一时刻的第一电量值相加，得到输出电量值。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的基于神经网络的电量计算方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的基于神经网络的电量计算方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种基于神经网络的电量计算方法，采用两个神经网络，基于两个神经网络输出的第一时刻和第二时刻的电量值计算第一时刻的电量调整值，并将计算得到的第一时刻的电量调整值和原来的第一时刻的第一电量值相加，以实现误差修正，不仅比功率积分法计算的结果精度更高，还使得第一神经网络无需为保证计算精度而使用过多的样本进行训练，以及第二神经网络的实时训练，减少了初期对神经网络训练所需样本数量。
附图说明
图1为本申请一个实施例提供的一种基于神经网络的电量计算方法的流程图。
图2为本申请又一个实施例提供的一种基于神经网络的电量计算方法的示意图。
图3为本申请一个实施例提供的不同样本数量对第一神经网络的预测误差的曲线图。
图4为本申请一个实施例提供的一种基于神经网络的电量计算装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。
基于本申请中的实施例，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，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种基于神经网络的电量计算方法，包括：
步骤S1，获取实时电池数据。
其中，实时电池数据包括待测电池的实时电流和实时电压。
步骤S2，将实时电池数据输入第一神经网络，得到对应时刻的第一电量值。
其中，第一神经网络可以为BP神经网络。
步骤S3，将实时电池数据输入第二神经网络，得到对应时刻的第二电量值。
其中，第二神经网络可以为强化学习神经网络。
步骤S4，根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值。
具体地，令第二时刻的第一电量值减去第一时刻的第一电量值，得到第一差值。
其中，第一时刻为上一时刻，第二时刻为当前时刻。
步骤S5，根据实时电池数据得到功率积分差值。
具体地，可采用功率积分法对实时电池数据进行电量计算，得到电池在第一时刻和第二时刻之间的功率积分差值。因为在短时间内，功率积分法是准确的，即2个时刻的电量估算期间，实际的功率之差可以由功率积分法计算所得，记为SOC_div_real。
在具体实施过程中，功率积分法可采用公式：进行计算。
其中，I为电流，单位是ma(毫安)，功率积分差值SOC_div_real的单位是mah，即计算叠加每秒钟的电流对时间的积分。
步骤S6，基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值。
步骤S7，令电量调整值和第一时刻的第一电量值相加，得到输出电量值。
具体地，请参见图2，步骤S4、S6和S7均是由第二神经网络执行的，强化学习神经网络用于对第一神经网络输出的、2次相邻时刻预测的第一电量值中误差的变化进行再次修正。
在具体实施过程中，强化学习神经网络按照常规训练过程(前向计算+误差反向传播)运行，对第一神经网络预测的误差进行估算，得到电量调整值，以调校输出电量值。
请参见图3，如果第一神经网络训练所用的样本的数量很多，且多样性很强，那么是不需要结合第二神经网络来修正的；但如果无法保证第一神经网络在训练阶段使用的样本的数量和多样性，第一神经网络的输出预测值的偏差就会变大，而如果样本数量多一点则偏差小，即训练样本数量的多少影响第一神经网络的输出误差。
因此本申请通过新增一个在线训练的第二神经网络来计算并弥补第一神经网络输出的误差，使得第一神经网络无需为保证输出精度使用数量过多的样本进行训练。
上述实施例提供的一种基于神经网络的电量计算方法，采用两个神经网络，基于两个神经网络输出的第一时刻和第二时刻的电量值计算第一时刻的电量调整值，并将计算得到的第一时刻的电量调整值和原来的第一时刻的第一电量值相加，以实现误差修正，不仅比功率积分法计算的结果精度更高，还使得第一神经网络无需为保证计算精度而使用过多的样本进行训练，以及第二神经网络的实时训练，减少了初期对神经网络训练所需样本数量。
在一些实施例中，上述基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值，包括：
步骤S61，根据第一差值和功率积分差值得到时间差分。
具体地，令第一差值减去功率积分差值，得到时间差分。
记第一差值为SOC_div_NN，则时间差分SOC_TD＝SOC_div_NN-SOC_div_real。
步骤S62，根据时间差分、预设学习率、预设折扣率、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值。
具体地，采用公式：RL_SOC←RL_SOC+α*(SOC_TD+γ*RL_SOC_nest-RL_SOC)计算得到第一时刻的电量调整值。
其中，箭头左侧的RL_SOC为第一时刻的电量调整值；箭头右侧的RL_SOC为第一时刻的第二电量值，RL_SOC_nest为第二时刻的第二电量值，α为预设学习率，自定义常数，可设置为0.1，γ为预设折扣率，自定义常数，可设置为0.9。
最后将第一神经网络输出的第一时刻的第一电量值和RL_SOC相加，得到输出电量值。
输出电量值即为第一时刻修正误差后的准确的电量值，而其他时刻的电量值也可采用上述方法步骤进行计算，实现每个时刻对电池电量的准确计算。
本申请的方法初步估计可以为第一神经网络减少约30％的训练样本数量。
请参见图4，本申请另一实施例提供了一种基于神经网络的电量计算装置，包括：
数据获取模块101，用于获取实时电池数据。
第一输入模块102，用于将实时电池数据输入第一神经网络，得到对应时刻的第一电量值。
第二输入模块103，用于将实时电池数据输入第二神经网络，得到对应时刻的第二电量值。
第一差值模块104，用于根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值。
功率积分差值模块105，用于根据实时电池数据得到功率积分差值。
调整计算模块106，用于基于第一差值、功率积分差值、第一时刻的第二电量值和第二时刻的第二电量值得到第一时刻的电量调整值。
输出模块107，用于令电量调整值和第一时刻的第一电量值相加，得到输出电量值。
本实施例中提供的关于一种基于神经网络的电量计算装置的具体限定，可以参见上文中关于一种基于神经网络的电量计算方法的实施例，于此不再赘述。上述一种基于神经网络的电量计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的一种基于神经网络的电量计算方法的步骤。
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于一种基于神经网络的电量计算方法的实施例，于此不再赘述。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的一种基于神经网络的电量计算方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于一种基于神经网络的电量计算方法的实施例，于此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络的电量计算方法，其特征在于，包括：
获取实时电池数据；
将所述实时电池数据输入第一神经网络，得到对应时刻的第一电量值；
将所述实时电池数据输入第二神经网络，得到对应时刻的第二电量值；
根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值；
根据所述实时电池数据得到功率积分差值；
基于所述第一差值、所述功率积分差值、所述第一时刻的第二电量值和所述第二时刻的第二电量值得到所述第一时刻的电量调整值；
令所述电量调整值和所述第一时刻的第一电量值相加，得到输出电量值。
2.根据权利要求1所述的基于神经网络的电量计算方法，其特征在于，所述根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值，包括：
令所述第二时刻的第一电量值减去所述第一时刻的第一电量值，得到所述第一差值。
3.根据权利要求1所述的基于神经网络的电量计算方法，其特征在于，所述根据所述实时电池数据得到功率积分差值，包括：
采用功率积分法对所述实时电池数据进行电量计算，得到电池在所述第一时刻和所述第二时刻之间的所述功率积分差值。
4.根据权利要求1所述的基于神经网络的电量计算方法，其特征在于，所述基于所述第一差值、所述功率积分差值、所述第一时刻的第二电量值和所述第二时刻的第二电量值得到所述第一时刻的电量调整值，包括：
根据所述第一差值和所述功率积分差值得到时间差分；
根据所述时间差分、预设学习率、预设折扣率、所述第一时刻的第二电量值和所述第二时刻的第二电量值得到所述第一时刻的电量调整值。
5.根据权利要求4所述的基于神经网络的电量计算方法，其特征在于，所述根据所述第一差值和所述功率积分差值得到时间差分，包括：
令所述第一差值减去所述功率积分差值，得到所述时间差分。
6.根据权利要求4所述的基于神经网络的电量计算方法，其特征在于，所述预设学习率为0.1，所述预设折扣率为0.9。
7.根据权利要求1所述的基于神经网络的电量计算方法，其特征在于，所述第一神经网络为BP神经网络，所述第二神经网络为强化学习神经网络。
8.一种基于神经网络的电量计算装置，其特征在于，包括：
数据获取模块，用于获取实时电池数据；
第一输入模块，用于将所述实时电池数据输入第一神经网络，得到对应时刻的第一电量值；
第二输入模块，用于将所述实时电池数据输入第二神经网络，得到对应时刻的第二电量值；
第一差值模块，用于根据第一时刻的第一电量值和第二时刻的第一电量值得到第一差值；
功率积分差值模块，用于根据所述实时电池数据得到功率积分差值；
调整计算模块，用于基于所述第一差值、所述功率积分差值、所述第一时刻的第二电量值和所述第二时刻的第二电量值得到所述第一时刻的电量调整值；
输出模块，用于令所述电量调整值和所述第一时刻的第一电量值相加，得到输出电量值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于神经网络的电量计算方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于神经网络的电量计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311705081.0A CN117686917A (zh) | 2023-12-12 | 2023-12-12 | 一种基于神经网络的电量计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311705081.0A CN117686917A (zh) | 2023-12-12 | 2023-12-12 | 一种基于神经网络的电量计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117686917A true CN117686917A (zh) | 2024-03-12 |
Family
ID=90131473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311705081.0A Pending CN117686917A (zh) | 2023-12-12 | 2023-12-12 | 一种基于神经网络的电量计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117686917A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060276980A1 (en) * | 2005-04-20 | 2006-12-07 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| CN111551862A (zh) * | 2020-04-30 | 2020-08-18 | 珠海智融科技有限公司 | 电池电量计量方法、计算机装置以及计算机可读存储介质 |
| CN114966452A (zh) * | 2022-08-01 | 2022-08-30 | 华为电动技术有限公司 | 一种电池状态确定方法及相关装置 |
| CN116298945A (zh) * | 2022-12-12 | 2023-06-23 | 中国第一汽车股份有限公司 | 电池剩余可用能量的确定方法、装置和存储介质 |
| CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子（广州）股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
-
2023
- 2023-12-12 CN CN202311705081.0A patent/CN117686917A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060276980A1 (en) * | 2005-04-20 | 2006-12-07 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| CN111551862A (zh) * | 2020-04-30 | 2020-08-18 | 珠海智融科技有限公司 | 电池电量计量方法、计算机装置以及计算机可读存储介质 |
| CN114966452A (zh) * | 2022-08-01 | 2022-08-30 | 华为电动技术有限公司 | 一种电池状态确定方法及相关装置 |
| CN116298945A (zh) * | 2022-12-12 | 2023-06-23 | 中国第一汽车股份有限公司 | 电池剩余可用能量的确定方法、装置和存储介质 |
| CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子（广州）股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
| US10422835B2 (en) | Innovative framework combining cycling and calendar aging models | |
| WO2018091904A1 (en) | Determining a state of health of a battery and providing an alert | |
| JP2008232758A (ja) | 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置 | |
| US20200124676A1 (en) | Remaining battery energy estimation device, remaining battery energy estimation method, and storage medium | |
| CN112964991A (zh) | 电池内部温度信息处理方法、计算机设备和存储介质 | |
| CN112964992B (zh) | 基于aukf的电池内部温度信息处理方法、设备和介质 | |
| CN109856560B (zh) | 动力电池健康状态评估方法、装置、系统及换电站 | |
| KR20200109092A (ko) | 배터리 건강 상태 추정 방법 | |
| CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
| CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
| CN114325399A (zh) | 电池的内阻预测方法、健康状态的评估方法、装置及设备 | |
| CN117151201B (zh) | 一种用于神经网络训练的电池组样本组织方法及装置 | |
| CN116526617B (zh) | 一种基于强化学习的锂电池充电控制方法及装置 | |
| CN113189500A (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
| CN117233623A (zh) | 带有末端修正的电池soc估算方法及装置 | |
| CN112557905B (zh) | 电池组及其数据处理方法、计算机设备、介质和车辆 | |
| CN117686917A (zh) | 一种基于神经网络的电量计算方法及装置 | |
| CN115754780A (zh) | 电池电芯寿命修正方法、装置及电子设备、存储介质 | |
| WO2022219903A1 (ja) | 充電状態推定装置、電力グリッドシステム | |
| CN115575835A (zh) | 一种锂离子电池峰值功率预估方法 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN113075550A (zh) | 获取电动势曲线的方法、装置、介质及电子设备 | |
| CN114578229B (zh) | 动力电池健康状态确定方法、装置和可读存储介质 | |
| Yang et al. | SOC Estimation of Battery Pack Considering Cell Inconsistency |
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 |