CN110687459B - 一种soc预估方法 - Google Patents
一种soc预估方法 Download PDFInfo
- Publication number
- CN110687459B CN110687459B CN201910966433.5A CN201910966433A CN110687459B CN 110687459 B CN110687459 B CN 110687459B CN 201910966433 A CN201910966433 A CN 201910966433A CN 110687459 B CN110687459 B CN 110687459B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- lstm
- socn
- weight
- 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
Images
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种soc预估方法,包括步骤100:收集电池历史参数;步骤200:向LSTM输入所述电池历史参数;步骤300:所述LSTM输出预估SOC;其特征在于,所述电池历史参数包括,充电次数F,是每次电池耗尽、再次充电唤醒计数一次;所述充电次数F对应的满电SOC;所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;所述电池用时ΔT内的扭矩TQ和/或速率V。利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
Description
技术领域
本发明涉及总宽带一种soc预估方法,尤其涉及一种适用各种储能电池的SOC预估方法。
背景技术
当下原油价格上涨和全球环境问题引导新型电池储能***快速发展。铅酸电池,镍氢电池,镍镉电池和锂离子电池等是目前工业上最常使用的几种电池。电池具有工作电池电压高,污染小,自放电率低,功率密度高的优点。电池由于其便携性,广泛应用于纯电动汽车或者混合动力电动汽车。
估计SOC(STATE OF CHARGE)电能是使用电池的基本要求,SOC是控制策略非常重要的参数,因而准确估计SOC不仅可以保护电池,防止过放电,提高电池寿命,还可以使应用制定合理的控制策略以节省能源。然而,电池是化学能存储源,没有手段可直接获得这种化学能的能量值,并且电池模型是有限的并且存在参数的不确定性,导致准确估计SOC非常复杂并且难以实施。现有SOC预估技术主要有(i)直接测量:该方法使用物理电池特性,例如电池的电压和阻抗。(ii)簿记估算:该方法使用放电电流作为输入,并将放电电流随时间积分以计算SOC。(iii)自适应***:自适应***是自我设计的,可以根据不同的放电条件自动调整SOC,现有技术中已有多种SOC估计的自适应***。(iv)混合方法:混合模型综合上述三种SOC估算方法,各取其优点。
但是,由于各种储能电池的化学能特性并不一致,如锂电池铅酸电池的SOC与其开路电压(OCV,OPEN CIRCUIT VOLTAGE)之间近似线性关系,而锂电池的SOC与OCV之间并非线性关系,导致上述各种估算方法需要时时调整,耗时耗力,且现有SOC估算技术中没有考虑电池使用次数以及其他因素对SOC估算的影响,造成估算方法结构性缺陷。
发明内容
本发明提供一种soc预估方法,将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力且估算精确的有益效果。
本发明提供一种soc预估方法,包括:步骤100:收集电池历史参数;步骤200:向LSTM输入所述电池历史参数;步骤300:所述LSTM输出预估SOC;其特征在于,所述电池历史参数包括,充电次数F,是每次电池耗尽、再次充电唤醒计数一次;所述充电次数F对应的满电SOC;所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;所述电池用时ΔT内的扭矩TQ和/或速率V。
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系。
优选地,所述预估SOC由以下公式得出,
优选地,所述预估SOC由以下公式得出,
优选地,所述预估SOC由以下公式得出,
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系。
优选地,步骤100中包括,所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
优选地,所述电池用时ΔT与负载运作记录模块相关联。
优选地,所述电池历史参数还包括非运作参数,所述非运作参数是指负载未运作功能时,电池参数发生的变化。
优选地,所述非运作参数包括电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
优选地,所述非运作参数输出非运作损耗ΔSOC’。
还一种soc预估装置,包括历史数据收集模块、LSTM模块和显示模块,其特征在于,所述历史数据收集模块包括:充电次数F收集模块,以记录电池充电次数F,所述充电次数F是每次电池耗尽、再次充电唤醒计数一次;满电SOC收集模块,以记录满电SOC,所述充电次数F与所述满电SOC对应;电池用时ΔT收集模块,以记录电池用时ΔT,所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;扭矩TQ收集模块和速率V收集模块,以记录所述电池用时ΔT内的开路扭矩TQ和/或速率V。
优选地,所述充电次数F收集模块为计数电路,所述计数电路记录所述充电次数F。
优选地,所述电池用时ΔT收集模块为计时电路,所述计时电路记录所述电池用时ΔT。
优选地,所述满电SOC由所述电池用时ΔT与所述扭矩TQ计算得出。
优选地,所述满电SOC由所述电池用时ΔT与所述速率V计算得出。
优选地,所述历史数据收集模块还收集非运作参数,所述非运作参数是指负载未运作功能时、电池参数发生的变化。
优选地,所述历史数据收集模块与负载运作记录模块相关联。
优选地,在所述扭矩TQ收集模块记录活跃或所述速率V收集模块记录活跃时、所述负载运作记录模块记录不活跃状态时,所述电池用时ΔT收集模块记录电池耗时ΔT’;在所述电池耗时ΔT’内,所述扭矩TQ收集模块记录所述扭矩变化ΔTQ’,和/或所述速率V收集模块记录所述速率变化ΔV’。
优选地,所述满电SOC收集模块收集所述扭矩变化ΔTQ’和/或所述速率变化ΔV’、所述电池耗时ΔT’,计算得出非运作损耗ΔSOC’。
优选地,所述负载运作记录模块是车辆里程记录模块。
本发明提供一种soc预估方法,将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
附图说明
附图1是本发明SOC预估方法的示意图;
附图2是本发明SOC预估装置示意图;
附图3是本发明SOC预估方法的流程图。
具体实施方式
下面结合附图对本发明提供的soc预估方法的具体实施方式做详细说明。
在附图中,为了描述方便,层和区域的尺寸比例并非实际比例。当层(或膜)被称为在另一层或衬底“上”时,它可以直接在另一层或衬底上,或者也可以存在中间层。此外,当一层被称为在另一层“下”时,它可以直接在下面,并且也可以存在一个或多个中间层。另外,当层被称为在两个层之间时,它可以是两个层之间的唯一层,或者也可以存在一个或多个中间层。相同的附图标记始终表示相同的元件。另外,当两个部件之间称为“连接”时,包括物理连接,除非说明书明确限定,此种物理连接包括但不限于电连接、接触连接、无线信号连接。
便携电池广泛应用于新能源汽车、车联网和物联网等领域,在使用中,基于满电SOC的电池使用策略尤为重要,满电SOC是指电池耗尽、再次充电达到一次满电状态的电量,而如何估算下一次满电SOC(预估SOCi+1)的电量成为制定电池使用策略的重要依据。
本发明提供一种soc预估方法,如图1、图3所示,包括步骤:
步骤100:收集电池历史参数;
步骤200:向LSTM输入所述电池历史参数;
步骤300:所述LSTM输出预估SOC;
自适应***包括反向传播(BP)神经网络,径向基函数(RBF)神经网络,模糊逻辑方法,支持向量机,模糊神经网络,以及卡尔曼,他们可以在不断变化的***中自动调整。由于电池受到许多化学因素的影响并且具有非线性SOC,自适应***为SOC估计提供了良好的解决方案。而作为自适应***的集大成者长短期记忆模型LSTM(LONG AND SHORT TERMMEMORY)神经网络,具有良好的非线性映射,自组织、自学习能力以及时间递归性,应用于复杂SOC估算可以确定SOC估算中各参数存在的联系及问题,其中输入和目标之间的关系是非线性的,基于LSTM神经网络使用电池各参数预测SOC。因而利用LSTM时间递归神经网络,具有精确估算SOC、省时省力、且估算精确的有益效果。
所述电池历史参数包括充电次数F,是每次电池耗尽、再次充电唤醒计数一次,众所周知,随着电池充电次数以及使用时间正常,电池内的储能化学物质会发生物理性能方面的变化,soc估算技术中未见考虑充电次数的预估方法,造成预估结果的结构性缺陷,本发明将充电次数F纳入soc估算中,避免预估方法结构性缺陷,具有精确估算SOC的技术效果。
所述电池历史参数还包括所述充电次数F对应的满电SOC;
所述电池历史参数还包括所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述电池历史参数还包括所述电池用时ΔT内的扭矩TQ和/或速率V。
在本实施例中,如图1所示LSTM中有g个神经元,分别与上述各电池历史参数关联,输入层为上述各电池历史参数,输出层为预估SOCi+1。
在本实施例中,所述预估SOC由以下公式(1)得出,
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,
K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系。
在本实施例中,所述预估SOC还可以由以下公式(2)得出,
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系。
对于公式(1)(2)而言,随着电池充电次数的增多,充电次数F成为影响满电SOC的最主要因素,因而采取充电次数F与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1;f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系,根据现有电池维护及储能材料更换可能性而已,结合数据而言,电池理化性能的损耗是一个不可逆的过程,即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g,K是LSTM所遴选中的最符合估算预估SOCi+1的因子扭矩TQ或速率V之间与各神经元的权重W之间的函数关系,将共同决定预估SOCi+1大小的浮动。其中公式(1)中最符合估算预估SOCi+1的因子是扭矩TQ,公式(2)中最符合估算预估SOCi+1的因子速率V。
在另一个实施例中,所述预估SOC由以下公式(3)得出,
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系。
在另一个实施例中,所述预估SOC还可以由以下公式(4)得出,
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系。
对于公式(3)(4)而言,随着电池充电次数的增多,电池用时ΔT成为影响满电SOC的最主要因素,因而采取电池用时ΔT与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1;f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系,根据现有电池维护及储能材料更换可能性而已,结合数据而言,电池理化性能的损耗是一个不可逆的过程,即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g,K是LSTM所遴选中的最符合估算预估SOCi+1的因子扭矩TQ或速率V之间与各神经元的权重W之间的函数关系,将共同决定预估SOCi+1大小的浮动。其中公式(3)中最符合估算预估SOCi+1的因子是扭矩TQ,公式(4)中最符合估算预估SOCi+1的因子速率V。
需要说明的是,预估SOCi+1可以由上述公式(1)(2)(3)或(4)中的一个单独估算,或由公式(1)(2)(3)(4)中的至少两个共同估算,发明人在此不做限制。
在本实施例中,步骤100中包括,所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
在其他实施例中,尤其是新能源汽车领域,所述电池用时ΔT与负载运作记录模块相关联。
在新能源汽车领域,所述电池历史参数还包括非运作参数,所述非运作参数是指负载未运作功能时,电池参数发生的变化。即在车辆未处于运行中时,电池非正常漏电中,电池参数的变化。
优选地,所述非运作参数包括电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
由此,由电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’,所述非运作参数输出非运作损耗ΔSOC’。
如图2所示,本发明还提供一种soc预估装置,包括历史数据收集模块、LSTM模块20和显示模块30。
所述历史数据收集模块包括充电次数F收集模块11,以记录电池充电次数F,所述充电次数F是每次电池耗尽、再次充电唤醒计数一次,众所周知,随着电池充电次数以及使用时间正常,电池内的储能化学物质会发生物理性能方面的变化,soc估算技术中未见考虑充电次数的预估方法,造成预估结果的结构性缺陷,本发明将充电次数F纳入soc估算中,避免预估方法结构性缺陷,具有精确估算SOC的技术效果。
所述历史数据收集模块还包括满电SOC收集模块12,以记录满电SOC,所述充电次数F与所述满电SOC对应。
所述历史数据收集模块还包括电池用时ΔT收集模块13,以记录电池用时ΔT,所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间。
所述历史数据收集模块还包括扭矩TQ收集模块14和/或速率V收集模块14,以记录所述电池用时ΔT内的扭矩TQ和/或速率V。
在本实施例中,所述充电次数F收集模块11为计数电路,所述计数电路记录所述充电次数F。
在本实施例中,所述电池用时ΔT收集模块13为计时电路,所述计时电路记录所述电池用时ΔT。
在本实施例中,所述满电SOC由所述电池用时ΔT与所述扭矩TQ计算得出。
在另外一个实施例中,所述满电SOC由所述电池用时ΔT与所述速率V计算得出。
在其他实施例中,尤其是新能源汽车领域,所述历史数据收集模块还收集非运作参数,所述非运作参数是指负载未运作功能时、电池参数发生的变化。
优选地,所述历史数据收集模块与负载运作记录模块相关联。
优选地,在所述扭矩TQ收集模块14记录活跃或所述速率V收集模块14记录活跃时、所述负载运作记录模块记录不活跃状态时,所述电池用时ΔT收集模块还记录电池耗时ΔT’;
优选地,在所述电池耗时ΔT’内,所述扭矩TQ收集模块14还记录所述扭矩变化ΔTQ’,和/或所述速率V收集模块记录所述速率变化ΔV’。
优选地,所述满电SOC收集模块收集所述扭矩变化ΔTQ’和/或所述速率变化ΔV’、所述电池耗时ΔT’,计算得出非运作损耗ΔSOC’。
优选地,所述负载运作记录模块是车辆里程记录模块。
本发明提供一种soc预估方法,将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种soc预估方法,包括:
步骤100:收集电池历史参数;
步骤200:向LSTM输入所述电池历史参数;
步骤300:所述LSTM输出预估SOC;
其特征在于,所述电池历史参数包括,
充电次数F,是每次电池耗尽、再次充电唤醒计数一次;
所述充电次数F对应的满电SOC;
所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述电池用时ΔT内的扭矩TQ和/或速率V;
所述预估SOC由以下四个公式之一得出:
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系;
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系;
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系;
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系。
2.根据权利要求1所述的soc预估方法,其特征在于,步骤100中包括,所述满电SOC由所述电池用时ΔT与电流I计算得出。
3.根据权利要求1所述的soc预估方法,其特征在于,所述电池用时ΔT与负载运作记录模块相关联。
4.根据权利要求1所述的soc预估方法,其特征在于,所述电池历史参数还包括非运作参数,所述非运作参数是指负载未运作功能时,电池参数发生的变化。
5.根据权利要求4所述的soc预估方法,其特征在于,所述非运作参数包括电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
6.根据权利要求5所述的soc预估方法,其特征在于,所述非运作参数输出非运作损耗ΔSOC’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966433.5A CN110687459B (zh) | 2019-10-12 | 2019-10-12 | 一种soc预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966433.5A CN110687459B (zh) | 2019-10-12 | 2019-10-12 | 一种soc预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110687459A CN110687459A (zh) | 2020-01-14 |
CN110687459B true CN110687459B (zh) | 2023-04-18 |
Family
ID=69112311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966433.5A Active CN110687459B (zh) | 2019-10-12 | 2019-10-12 | 一种soc预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687459B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113541262A (zh) * | 2021-07-23 | 2021-10-22 | 天长市盛能电子科技有限公司 | 一种可检测电池电量的充电器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918787A (zh) * | 2017-03-20 | 2017-07-04 | 国网重庆市电力公司电力科学研究院 | 一种电动汽车锂电池剩余电荷估算方法及装置 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109895760B (zh) * | 2019-04-03 | 2020-06-02 | 大连理工大学 | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 |
-
2019
- 2019-10-12 CN CN201910966433.5A patent/CN110687459B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110687459A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110542866B (zh) | 一种预估电池剩余电量参数的方法 | |
US10345385B2 (en) | Battery state estimation systems and methods using a nonlinear resistance element | |
KR101903225B1 (ko) | 이차 전지의 퇴화도 추정 장치 및 방법 | |
Shahriari et al. | Online state-of-health estimation of VRLA batteries using state of charge | |
Chang | The state of charge estimating methods for battery: A review | |
US11105861B2 (en) | Device and method for estimating battery resistance | |
CN101430366B (zh) | 电池荷电状态检测方法 | |
TW202349010A (zh) | 二次電池的異常檢測裝置及二次電池 | |
KR101419130B1 (ko) | 배터리 관리 시스템 및 배터리 관리 방법 | |
KR101500547B1 (ko) | 배터리 셀의 충전량 밸런싱 장치 및 방법 | |
CN104459551A (zh) | 一种电动汽车动力电池能量状态估算方法 | |
EP3929606B1 (en) | Battery management system, battery pack, electric vehicle, and battery management method | |
US11187755B2 (en) | Apparatus and method for estimating SOC of battery | |
CN113557439A (zh) | 用于估计电池的健康状态的方法 | |
Sheikhan et al. | State of charge neural computational models for high energy density batteries in electric vehicles | |
JP2020153881A (ja) | 充電可能電池劣化推定装置および充電可能電池劣化推定方法 | |
CN110687460B (zh) | 一种soc预估方法 | |
Kataoka et al. | Battery state estimation system for automobiles | |
CN102221678A (zh) | 一种电池***在线寿命计算方法 | |
CN110687459B (zh) | 一种soc预估方法 | |
Nyamathulla et al. | A review of battery energy storage systems and advanced battery management system for different applications: Challenges and recommendations | |
KR20200025495A (ko) | 이차 전지의 충전 시간 추정 장치 및 방법 | |
CN110618385A (zh) | 一种soc预估装置 | |
CN110579710A (zh) | 一种soc预估装置 | |
Li | Adaptive model-based state monitoring and prognostics for lithium-ion batteries |
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 |