CN107169170B - 一种电池剩余容量的预测方法 - Google Patents

一种电池剩余容量的预测方法 Download PDF

Info

Publication number
CN107169170B
CN107169170B CN201710259864.9A CN201710259864A CN107169170B CN 107169170 B CN107169170 B CN 107169170B CN 201710259864 A CN201710259864 A CN 201710259864A CN 107169170 B CN107169170 B CN 107169170B
Authority
CN
China
Prior art keywords
discharge
rate
battery
electron
environment temperature
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
Application number
CN201710259864.9A
Other languages
English (en)
Other versions
CN107169170A (zh
Inventor
王康丽
徐成
蒋凯
程时杰
何亚玲
朱方方
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201710259864.9A priority Critical patent/CN107169170B/zh
Publication of CN107169170A publication Critical patent/CN107169170A/zh
Application granted granted Critical
Publication of CN107169170B publication Critical patent/CN107169170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种电池剩余容量的预测方法，包括获得不同环境温度下以不同放电倍率放电的电池电压与放电容量特性数据，将电池的放电周期分解为L个子放电区间，根据第k个子放电区间起始时刻的电池电压、第k个子放电区间的放电倍率、第k个子放电区间的环境温度和电池电压放电容量特性数据获得第k个子放电区间的电池容量初值，根据第k个子放电区间的电池容量初值以及第k个子放电区间的放电倍率获得第k个子放电区间内任意时刻的剩余电池容量；获得放电周期内任意时刻的剩余电池容量。该方法将电池的放电总容量视为放电倍率和工作温度的函数，修正了安时积分法的初值，达到提高电池剩余容量预测精度的目的。

Description

一种电池剩余容量的预测方法
技术领域
本发明属于二次电池应用技术领域，更具体地，涉及一种电池剩余容量的预测方法。
背景技术
随着越来越多的电子产品走进我们的生活，电池的续航能力逐渐成为我们关注的重要参数之一。电池容量是电池重要的性能指标之一，代表着电池的续航能力。在诸多电子产品使用过程中，都需要准确的估计电池的剩余可用容量，以供使用者知晓大概的剩余使用时间以及安排合理的充电计划。对于电动汽车而言，动力电池是其核心部件之一，可靠的提供动力电池的剩余容量(Remaining Capacity)估算或者荷电状态(State of Charge，SOC)估计一直是电池管理***(Battery Management System，BMS)需要实现的核心功能之一。精确的电池剩余容量预测，不但为SOC估计奠定基础，而且为BMS的控制策略提供保障，防止电池因使用不当，导致服役寿命缩短，甚至产生安全隐患。在储能***方面，以铅酸电池，液流电池，超级电容器，以及新近发展起来的液态金属电池为代表的电化学储能技术，凭借其无污染运行、高能量效率、灵活配置、长寿命、低维护的特点，成为前景非常看好的储能技术，有效解决可再生能源入网的关键问题。然而，在并网运行过程中，实时的剩余容量估计，不仅给调度人员制定运行计划提供依据，还能为储能***的健康状态提供参考。
电池的剩余容量是电池状态估计技术主要参数之一，为电池管理***的控制策略提供依据。准确的剩余容量预测或者荷电状态估计，为我们合理使用电池，提高电池使用寿命，降低维护成本提供方向，例如，控制电池运行在合理的SOC范围内，可以有效防止过充过放对电池造成损伤。
目前对电池剩余容量的精确估算已有不少研究，常用的方法包括安时积分法，开路电压法，卡尔曼滤波及其演变算法等。安时积分法，简单易行，也是目前应用最广泛的方法，但是存在着较大的累计误差。开路电压法需要获得精确的SOC与OCV(Open CircuitVoltage)曲线，通过测量OCV估计SOC，然而电池的开路电压需要长时间的静置，实际使用中很难如此操作。卡尔曼滤波法需要提前搭建电池模型，不同体系的电池模型不一样，工作量巨大，噪声和初值的设定不当也容易造成算法不收敛。
传统的安时积分法因为其简单易行，被广泛应用于各类BMS中，但是由于没有考虑电池的倍率性能和环境温度对电池容量的影响，在复杂工况下，即使初值准确，也不能获得较好的剩余容量预测的结果。使得复杂的工况下剩余容量的估算精度达不到预期的要求。
发明内容
针对上述缺陷，本发明的目的在于提供一种电池剩余容量的预测方法，旨在解决现有的按时积分法由于没有考虑电池的倍率性能和环境温度对电池容量的影响导致对电池的复杂运行工况下的剩余容量估算准确度低的技术问题。
为实现上述目的，本发明提供了一种电池剩余容量的预测方法，包括如下步骤：
S1将放电倍率的变化范围[Imin,Imax]内以相同间隔选取N个放电倍率，记为第1个放电倍率I1，第2个放电倍率I2，…，第i个放电倍率Ii，…，第N个放电倍率IN；在环境温度的变化范围[Tmin,Tmax]内以相同间隔选取M个环境温度，记为第1个环境温度T1，第2个环境温度T2，…，第j个环境温度Tj，…，第M个环境温度TM；
S2获得电池在第j个环境温度Tj下以第i个放电倍率Ii放电时，放电周期内不同时刻的电池电压与放电容量的特性数据；
S3判断放电倍率的次序i是否大于放电倍率的数量N，若是，则进入步骤S4，否则，令i＝i+1，进入步骤S2；
S4判断环境温度的次序是否大于环境温度的数量M，若是，则输出电池电压与放电容量的特性数据，并进入步骤S5，否则，令j＝j+1，i＝1，进入步骤S2；
S5将电池的放电周期分解为L个子放电区间；
S6根据第k个子放电区间起始时刻的电池电压、第k个子放电区间的放电倍率、第k个子放电区间的环境温度和电池电压与放电容量特性数据获得第k个子放电区间的电池剩余容量初值；
S7根据第k个子放电区间的电池剩余容量初值、第k个子放电区间的放电倍率获得第k个子放电区间内任意时刻的电池剩余容量；即可获得电池放电周期内任意时刻的电池剩余容量；
其中，1≤i≤N，1≤j≤M，Imin≤Ii≤Imax，Tmin≤Tj≤Tmax，1≤k≤L，i为放电倍率的次序，i的初始值为1，N为放电倍率的数量，j为环境温度的次序，j的初始值为1，M为环境温度的数量，Ii为第i个放电倍率，Imin为放电倍率的下限，Imax为放电倍率的上限，Tj为第j个环境温度，Tmin为工作温度的下限，Tmax为工作温度的上限，k为子放电区间的次序，L为子放电区间的数量。
本发明提供的预测方法，首先获得电池电压与放电容量特性数据，并将电池的放电周期分为多个子放电区间，在每个子放电区间内，放电倍率与环境温度近似认为保持恒定，并根据每个子放电区间内的放电倍率、环境温度、子放电区间的起始时刻放电电压和放电电压与放电容量特性数据获得子放电区间的电池剩余容量初始值，以该初始值利用安时积分法预测任何时刻的电池剩余容量，使得根据本发明提供的预测方法所获得的预测结果更准确。
优选地，步骤S6包括如下步骤：
S61根据第k个子放电区间的放电倍率、第k个子放电区间的环境温度以及电池电压与放电容量特性数据获得第k个子放电区间对应的总放电容量；
S62根据第k个子放电区间起始时刻的电池电压、第k个子放电区间的放电倍率、第k个子放电区间的环境温度获得第k个子放电区间起始时刻的已放电容量；
S63根据第k个子放电区间对应的总放电容量以及第k个子放电区间起始时刻的已放电容量确定第k个子放电区间的电池剩余容量初值。
优选地，步骤S61中根据公式获得第k个子放电区间对应的总放电容量，其中，Ik为第k个子放电区间的放电倍率，Tk第k个子放电区间的环境温度，为电池放电截止电压，f(…)为电池电压与放电容量的关系曲线。
优选地，步骤S62中根据公式Qk＝f(Uk,Ik,Tk)获得第k个子放电区间起始时刻的已放电容量，Uk为在第k个子放电区间的起始时刻的电池电压。
优选地，步骤S63中根据公式确定第k个子放电区间的电池剩余容量初值；其中，为第k个子放电区间对应的总放电容量，Qk第k个子放电区间起始时刻的已放电容量。
优选地，步骤S7根据获得第k个子放电区间内任意时刻的剩余电池容量；其中，Ck为第k个子放电区间起始时刻的电池剩余容量初值，Ik为第k个子放电区间的放电倍率，为第k个子放电区间的起始时刻，为第k个子放电区间的终止时刻。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
1、本发明相对于传统的安时积分法，不再将电池的放电总容量视为常数，而是将其作为放电倍率和工作温度的函数，并将复杂工况分解成一系列简单工况，在该简单工况下将放电电流和环境温度视为固定值。在每个简单工况下，修正安时积分法的初值，达到提高电池剩余容量预测精度的目的。该方法继承了安时积分法简单易行的特点，但在复杂工况下电池剩余容量的估计上更加准确。
2、本发明提供的预测方法，给电池管理***的控制策略提供依据，避免过充过放对电池造成的损伤以及其它安全隐患。
附图说明
图1为本发明提供的电池剩余容量的预测方法的第一实施例的流程图；
图2为本发明中获得电池电压与放电容量特性数据的流程图；
图3为本发明提供的电池剩余容量的预测方法的第二实施例的流程图；
图4为本发明中采用自适应神经网络模糊推理***获得室温下某电池不同放电倍率下电池电压与放电容量的特性数据曲线；
图5为本发明提供的电池剩余容量的预测方法的预测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明提供的电池剩余容量的预测方法的第一实施例的流程图，本发明提供的预测方法包括如下步骤：
S1将放电倍率的变化范围[Imin,Imax]内以相同间隔选取N个放电倍率，记为第1个放电倍率I1，第2个放电倍率I2，…，第i个放电倍率Ii，…，第N个放电倍率IN；在环境温度的变化范围[Tmin,Tmax]内以相同间隔选取M个环境温度，记为第1个环境温度T1，第2个环境温度T2，…，第j个环境温度Tj，…，第M个环境温度TM；
S2获得电池在第j个环境温度Tj下以第i个放电倍率Ii放电时，放电周期内不同时刻的电池电压与放电容量，并且将放电周期内不同时刻的电池电压与放电容量作为在第j个环境温度Tj下以第i个放电倍率Ii放电时电池电压与放电容量的特性数据输出；
S3判断放电倍率的次序i是否大于放电倍率的数量N，若是，则进入步骤S4；否则，令i＝i+1，进入步骤S2；
S4判断环境温度的次序是否大于环境温度的数量M，若是，则输出电池电压与放电容量特性数据，电池电压与放电容量特性数据包括步骤S2中所有获得的第j个环境温度Tj下以第i个放电倍率Ii放电时电池电压与放电容量的特性数据，并进入步骤S5；否则，令j＝j+1，i＝1，进入步骤S2；
其中，1≤i≤N，1≤j≤M，Imin≤Ii≤Imax，Tmin≤Tj≤Tmax，i为放电倍率的次序，i的初始值为1，N为放电倍率的数量，j为环境温度的次序，j的初始值为1，M为环境温度的数量，环境温度的数量M以及放电倍率的数量N根据电池剩余容量预测精确确定，所要求的预测精度越高，M值与N值越大，Ii为第i个放电倍率，Imin为放电倍率的下限，Imax为放电倍率的上限，Tj为第j个环境温度，Tmin为工作温度的下限，Tmax为工作温度的上限。
S5将电池的放电周期分解为L个子放电区间，L为子放电区间的数量，L的值根据电池剩余容量的预测精确度确定，当电池剩余容量的预测精度越高，则L的值越大。分解后的每个子放电区间中放电倍率和环境温度均可以近似认为恒定不变。
S6根据第k个子放电区间起始时刻的电池电压、第k个子放电区间的放电倍率、第k个子放电区间的环境温度和电池电压与放电容量特性数据获得第k个子放电区间的电池剩余容量初值；1≤k≤L，k为子放电区间的次序，L为子放电区间的数量。
S7根据第k个子放电区间的电池剩余容量初值、第k个子放电区间的放电倍率、获得第k个子放电区间内任意时刻的剩余电池容量；即可获得电池放电周期内任意时刻的电池剩余容量。
本发明提供的电池剩余容量的预测方法，相对于传统的安时积分法，不再将电池的放电总容量视为常数，而是将其作为放电倍率和工作温度的函数，即动态的修正了安时积分法，通过给出了更好的初值确定方法，达到提高电池剩余容量预测精度的目的。该方法继承了安时积分法简单易行的特点，但在复杂工况下电池剩余容量的估计上更加准确。
图2为本发明中获得电池电压与放电容量特性数据的流程图，包括如下步骤：
S1根据电池实际运行工况的需要，确定测试的放电倍率的变化范围[Imin,Imax]，温度变化范围[Tmin,Tmax]。
在放电倍率的变化范围[Imin,Imax]内以相同间隔选取N个放电倍率，记为第1个放电倍率I1，第2个放电倍率I2，…，第i个放电倍率Ii，…，第N个放电倍率IN；在环境温度的变化范围[Tmin,Tmax]内以相同间隔选取M个环境温度，记为第1个环境温度T1，第2个环境温度T2，…，第j个环境温度Tj，…，第M个环境温度TM。
S2对电池采用先恒流再恒压的标准充电模式，在环境温度Tj下，以第i个放电倍率Ii对电池放电实验，记录放电周期下电池电压与放电容量的数据，并对记录下的电池电压与放电容量的数据进行拟合，获得第j个环境温度Tj第i个放电倍率Ii下的电池电压与放电容量关系曲线Cij＝f(U,Ii,Tj)；其中，U为电池放电电压，Cij为在第j个环境温度Tj下以第i个放电倍率Ii放电的已放电容量。
S3判断放电倍率次序i是否大于放电倍率数量N，若是则进入步骤S4，否则，令i＝i+1；进入步骤S2。
S4判断环境温度次序j是否大于环境温度数量M，若是，将电池电压与放电容量关系曲线作为电池电压与放电容量特性数据输出，电池电压与放电容量关系曲线包括步骤S2中所有获得的第j个环境温度Tj下以第i个放电倍率Ii放电时电池电压与放电容量的关系曲线，并进入步骤S5，否则，令j＝j+1，i＝1，并进入步骤S2。
图3为本发明提供的电池剩余容量的预测方法的第二实施例的流程图，包括如下步骤：
步骤S1至步骤S4与电池剩余容量的预测方法的第一实施例相同。
环境温度数量M和放电倍率数量N越大，数据精细度越高，相应的复杂度也越高，实验周期也越长，实际应用中受各种条件的限制，不可能在工作区间内做庞大数量的测试。为此可以根据获得的有限的实验数据，采用自适应神经网络模糊推理***(ANFIS)构建电池电压与放电容量的特性数据。输入参数为电池电压，放电倍率，环境温度，输出为已放出电池容量，输入语言变量隶属函数数目分别为20，3，输入语言变量隶属函数的类型为Gaussmf(高斯型)，输出隶属函数的类型为Linear(线性)，由此可获得任意环境温度下以任意放电倍率放电的电池电压与放电容量的特性数据曲线。
图4为本发明中采用自适应神经网络模糊推理***获得室温下某电池不同放电倍率下电池电压与放电容量的特性数据曲线；
测量了室温下电流倍率分别为0.1C，0.2C，0.3C，0.4C，0.5C，0.7C，1C电池电压与放电容量特性，利用自适应神经网络模糊推理***获得了室温下电流倍率分别为0.1C，0.2C，0.3C，0.4C，0.5C，0.7C，1C的电池电压与放电容量特性曲线；并获得了中电流倍率为0.15C，0.35C，0.6C的电池电压与放电容量特性曲线，即在允许的工况范围内，输入任意的电池电压，放电电流和环境温度，便可以得到该时刻电池已放电容量。
S5将任何复杂工况分解成L个简单工况的集合，即将电池的放电周期分解为L个子放电区间，在第k个子放电区间中，可将放电倍率Ik，环境温度Tk为常数。
S6在第k个子放电区间内，环境温度为Tk下以放电倍率为Ik进行放电，其电池放电截止电压为则当前状态下电池总放电容量f(…)为电池电压与放电容量的特性数据曲线。
根据第k个子放电区间的起始时刻的电池电压Uk即可下获得第k个子放电区间起始时刻的放电容量，即根据公式Qk＝f(Uk,Ik,Tk)获得第k个子放电区间起始时刻的已放电容量，Uk为在第k个子放电区间的起始时刻的电池电压；
根据公式确定第k个子放电区间的电池剩余容量初值；其中，为第k个子放电区间对应的总放电容量，Qk为第k个子放电区间起始时刻的已放电容量。
S7每一个简单工况下，以剩余容量的初始值，使用安时积分法计算获得第k个子放电区间内任意时刻的电池剩余容量；其中，Ck为第k个子放电区间起始时刻的电池剩余容量初值，Ik为第k个子放电区间的放电倍率，为第k个子放电区间的起始时刻，为第k个子放电区间的终止时刻。
本发明提供的预测方法，通过测量不同环境温度下以不同放电倍率放电时电池电压V与放电容量C，获取电压(Voltage)放电容量(Capacity)数据曲线族(以下简称V-C曲线族)，然后根据实际工况下输出电流的大小和环境温度值实时读取相应的V-C曲线，将复杂工况分解成一系列简单工况，再由测量得到的电池电压确定相应简单工况下剩余容量估计的初值，采用安时积分法估算每一个简单工况下电池剩余容量。综合考虑了放电倍率和环境温度对电池容量和性能的影响，达到提高电池剩余容量估算精度的目的。
本实施方式针对实际测试过程中的局限性，提出了采用自适应神经网络模糊推理***获取全工况数据的方法，可以有效解决测试数据有限，实验周期长的问题。
图5为本发明提供的电池剩余容量的预测方法的预测效果图。电池运行在三段式恒流放电工况下，曲线1为电池相应的端口电压，曲线2为电池放电电流，曲线3为实测电池放电过程中剩余容量的变化，曲线4为使用本发明提出的方法进行电池剩余容量预测的结果，曲线5为通过传统安时积分法进行电池剩余容量预测的结果。可见，即使传统安时积分法在电池开始工作时刻获取到准确的剩余容量计算的初始值，由于电池工况的不断变化，其剩余容量预测的误差在不断扩大，相比较而言，本发明在传统安时积分法的基础上，考虑到电池变化的工况，对剩余容量造成的不可忽略的影响，所得剩余容量预测结果精度显著提高。
本发明提供的电池剩余容量的预测方法，可以用于锂电池、液态金属电池等电池剩余容量的预测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种电池剩余容量的预测方法，其特征在于，包括如下步骤：
S1将放电倍率的变化范围[Imin,Imax]内以相同间隔选取N个放电倍率，记为第1个放电倍率I1，第2个放电倍率I2，…，第i个放电倍率Ii，…，第N个放电倍率IN；在环境温度的变化范围[Tmin,Tmax]内以相同间隔选取M个环境温度，记为第1个环境温度T1，第2个环境温度T2，…，第j个环境温度Tj，…，第M个环境温度TM；
S2获得电池在第j个环境温度Tj下以第i个放电倍率Ii放电时，放电周期内不同时刻的电池电压与放电容量的特性数据；采用自适应神经网络模糊推理***构建电池电压与放电容量的特性数据；输入参数为电池电压，放电倍率，环境温度，输出为已放出电池容量；输入语言变量隶属函数的类型为高斯型，输出隶属函数的类型为线性，由此可获得任意环境温度下以任意放电倍率放电的电池电压与放电容量的特性数据曲线；
S3判断放电倍率的次序i是否大于放电倍率的数量N，若是，则进入步骤S4，否则，令i＝i+1，进入步骤S2；
S4判断环境温度的次序是否大于环境温度的数量M，若是，则输出电池电压与放电容量的特性数据，并进入步骤S5，否则，令j＝j+1，i＝1，进入步骤S2；
S5将电池的放电周期分解为L个子放电区间；L为子放电区间的数量，L的值根据电池剩余容量的预测精确度确定，当电池剩余容量的预测精度越高，则L的值越大；分解后的每个子放电区间中放电倍率和环境温度均恒定不变；
S6根据第k个子放电区间起始时刻的电池电压、第k个子放电区间的放电倍率、第k个子放电区间的环境温度和电池电压与放电容量特性数据获得第k个子放电区间的电池剩余容量初值；
S7根据所述第k个子放电区间的电池剩余容量初值、所述第k个子放电区间的放电倍率获得第k个子放电区间内任意时刻的电池剩余容量；即可获得电池放电周期内任意时刻的电池剩余容量；
其中，1≤i≤N，1≤j≤M，Imin≤Ii≤Imax，Tmin≤Tj≤Tmax，1≤k≤L，i为放电倍率的次序，i的初始值为1，N为放电倍率的数量，j为环境温度的次序，j的初始值为1，M为环境温度的数量，Ii为第i个放电倍率，Imin为放电倍率的下限，Imax为放电倍率的上限，Tj为第j个环境温度，Tmin为工作温度的下限，Tmax为工作温度的上限，k为子放电区间的次序，L为子放电区间的数量。
2.如权利要求1所述的预测方法，其特征在于，所述步骤S6包括如下步骤：
S61根据所述第k个子放电区间的放电倍率、所述第k个子放电区间的环境温度以及所述电池电压与放电容量特性数据获得第k个子放电区间对应的总放电容量；
S62根据所述第k个子放电区间起始时刻的电池电压、所述第k个子放电区间的放电倍率、所述第k个子放电区间的环境温度获得第k个子放电区间起始时刻的已放电容量；
S63根据所述第k个子放电区间对应的总放电容量以及所述第k个子放电区间起始时刻的已放电容量确定所述第k个子放电区间的电池剩余容量初值。
3.如权利要求2所述的预测方法，其特征在于，所述步骤S61中根据公式获得第k个子放电区间对应的总放电容量，其中，Ik为第k个子放电区间的放电倍率，Tk第k个子放电区间的环境温度，为电池放电截止电压，f(…)为电池电压与放电容量的关系曲线。
4.如权利要求3所述的预测方法，其特征在于，所述步骤S62中根据公式Qk＝f(Uk,Ik,Tk)获得第k个子放电区间起始时刻的已放电容量，Uk为在第k个子放电区间的起始时刻的电池电压。
5.如权利要求2至4任一项所述的预测方法，其特征在于，所述步骤S63中根据公式确定所述第k个子放电区间的电池剩余容量初值；其中，为所述第k个子放电区间对应的总放电容量，Qk所述第k个子放电区间起始时刻的已放电容量。
6.如权利要求2至4任一项所述的预测方法，其特征在于，所述步骤S7根据获得所述第k个子放电区间内任意时刻的剩余电池容量；其中，Ck为所述第k个子放电区间起始时刻的电池剩余容量初值，Ik为所述第k个子放电区间的放电倍率，为第k个子放电区间的起始时刻，为第k个子放电区间的终止时刻。
CN201710259864.9A 2017-04-20 2017-04-20 一种电池剩余容量的预测方法 Active CN107169170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710259864.9A CN107169170B (zh) 2017-04-20 2017-04-20 一种电池剩余容量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710259864.9A CN107169170B (zh) 2017-04-20 2017-04-20 一种电池剩余容量的预测方法

Publications (2)

Publication Number Publication Date
CN107169170A CN107169170A (zh) 2017-09-15
CN107169170B true CN107169170B (zh) 2019-11-12

Family

ID=59813366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710259864.9A Active CN107169170B (zh) 2017-04-20 2017-04-20 一种电池剩余容量的预测方法

Country Status (1)

Country Link
CN (1) CN107169170B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108011069A (zh) * 2017-12-01 2018-05-08 衢州职业技术学院 动力电池以及动力电池的热管理***
CN108896913A (zh) * 2018-05-10 2018-11-27 燕山大学 一种锂离子电池健康状态的估算方法
CN109001640B (zh) * 2018-06-29 2021-08-20 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN110376526B (zh) * 2019-07-08 2021-05-11 南京航空航天大学 一种高空飞行环境无人机动力电池的soc估计方法
CN110580382B (zh) * 2019-08-16 2021-10-08 华中科技大学 一种金属化膜电容器的电容量预测方法
CN113076689B (zh) * 2021-03-25 2024-03-19 华中科技大学 一种基于自动编码器的电池状态评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278760A (zh) * 2013-05-14 2013-09-04 国家电网公司 不同温度环境下的功率型锂离子电池剩余电量估计方法
CN103529400A (zh) * 2013-10-29 2014-01-22 哈尔滨工业大学 一种具有温度自适应补偿的电池容量预测方法
CN105807232A (zh) * 2016-03-16 2016-07-27 青岛理工大学 一种铅酸蓄电池剩余电量和电池健康状况估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2555521C (en) * 2004-02-06 2014-08-05 A123 Systems, Inc. Lithium secondary cell with high charge and discharge rate capability

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278760A (zh) * 2013-05-14 2013-09-04 国家电网公司 不同温度环境下的功率型锂离子电池剩余电量估计方法
CN103529400A (zh) * 2013-10-29 2014-01-22 哈尔滨工业大学 一种具有温度自适应补偿的电池容量预测方法
CN105807232A (zh) * 2016-03-16 2016-07-27 青岛理工大学 一种铅酸蓄电池剩余电量和电池健康状况估计方法

Also Published As

Publication number Publication date
CN107169170A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107169170B (zh) 一种电池剩余容量的预测方法
CN109031153B (zh) 一种锂离子电池的健康状态在线估计方法
Ramadan et al. Extended kalman filter for accurate state of charge estimation of lithium-based batteries: a comparative analysis
CN105116343B (zh) 最小二乘支持向量机的动力电池电荷状态估计方法及***
CN102831100B (zh) 电池荷电状态估算方法及装置
Zhang et al. Fractional calculus based modeling of open circuit voltage of lithium-ion batteries for electric vehicles
CN105954679B (zh) 一种锂电池荷电状态的在线估计方法
CN104535934B (zh) 在线前馈补偿的动力电池电荷状态估计方法与***
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN108445406A (zh) 一种动力电池健康状态估计方法
CN109459699A (zh) 一种锂离子动力电池soc实时监测方法
CN110275113A (zh) 一种锂电池荷电状态估计方法
CN105116350B (zh) 动力电池放电时soc变化量及放电电量折算系数测量方法
CN109085505A (zh) 一种动力电池充放电状态估算方法
CN109507598A (zh) 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法
CN105807231A (zh) 一种用于蓄电池剩余容量检测的方法及***
Lu et al. Modeling discharge characteristics for predicting battery remaining life
CN105353316A (zh) 动力电池充电时soc变化量及充电电量折算系数测量方法
CN105720578B (zh) 含节点注入功率不确定性的有源配电网量测优化配置方法
CN105093129A (zh) 一种储能电池剩余容量检测方法
Hu et al. Study on SOC estimation of lithium battery based on improved BP neural network
Wang et al. Lithium-ion battery security guaranteeing method study based on the state of charge estimation
CN103513188B (zh) 一种电力***储能站中电池单体的电量计算方法
Zhu et al. Online state of charge EKF estimation for LiFePO 4 battery management systems
CN108646191A (zh) 一种基于dafekf的电池荷电状态估计方法

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
GR01 Patent grant
GR01 Patent grant