CN114441969A - 电池荷电状态估算方法及装置 - Google Patents
电池荷电状态估算方法及装置 Download PDFInfo
- Publication number
- CN114441969A CN114441969A CN202111571736.0A CN202111571736A CN114441969A CN 114441969 A CN114441969 A CN 114441969A CN 202111571736 A CN202111571736 A CN 202111571736A CN 114441969 A CN114441969 A CN 114441969A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- last
- acquired
- estimated
- 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
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池荷电状态估算方法及装置。涉及计算机技术领域,通过获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;以及将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。以此可以能够模拟电池动态特性,来估计电池荷电状态,适用于各种电池。在大量的参考数据训练的情况下,能建立起适用于不同型号不同批次的SOC估算模型。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种电池荷电状态估算方法及装置。
背景技术
锂电池的SOC准确性对储能电站影响非常大,储能电站当前状态下还能放出多少电,或者还能充进多少电,都是基于SOC做的判断。电池的SOC值来源于电池管理***(BMS)。传统的电池管理***基本上基于安时积分法来计算锂电池的SOC,这种方法存在一个严重的缺陷是累计误差,长时间充放电后累计误差非常大,所以需要做修正。而传统的修正方法,都是基于电池的批次、型号,通过固定的参数做调整。随着储能的发展,锂电池技术也在不断更新换代,这种修正方法已经无法适应快速发展的锂电池技术,往往导致计算结果偏差大。
发明内容
本申请实施例的目的在于提供一种电池荷电状态估算方法及装置,用以解决现有技术中存在的估算偏差大的技术问题。
第一方面,提供了一种电池荷电状态估算方法。包括:
获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;
将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
在一些可选的实现中,所述工况数据包括电压以及电流,所述环境数据包括温度。
在一些可选的实现中,还包括:
获取本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔;
所述将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据,包括:
所述将所述上次采集数据、上次估算数据、本次采集数据、本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔,输入预先训练的神经网络模型中,得到本次估算数据。
在一些可选的实现中,所述神经网络模型包括输入层、隐含层以及输出层;所述隐含层的激活函数为单调可微的Sigmoid函数,所述输出层的激活函数为线性purelin函数。
在一些可选的实现中,所述隐含层基于如下公式确定:
其中,Pj为隐含层的输出,f是隐含层激活函数,Xi为输入向量,θj为参数,Wij为权重;
输出层基于如下公式确定:
其中,Y是输出层的输出,Wj,Pj,g为输出层的激活函数。
在一些可选的实现中,还包括:
确定训练样本;其中,所述训练样本在储能放电或充电过程中,选择功率平稳恒定、电流变化小的时段内的预设采集周期内进行采集的数据计算得到;
基于训练样本对初始的神经网络模型进行训练,得到预先训练的神经网络模型。
在一些可选的实现中,还包括:
所述确定训练样本包括:
基于如下公式确定训练样本中的真值荷电状态ΔSOC;
其中,ΔSOC确定:
ΔSOC=S-IT
其中,S为上次计算的SOC值,IT为本次时间段内放出的电量。
第二方面,提供了一种电池荷电状态估算装置。包括:
获取模块,用于获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;
估算模块,用于将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
第三方面,提供了一种电子设备,包括:处理器以及存储器;
所述存储器存储有计算机程序,所述计算机程序在被所述处理器运行时执行如前述第一方面任一项所述的方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质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运行时执行前述第一方面任一项所述的方法。
本发明实施例提供了一种电池荷电状态估算方法及装置。通过获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;以及将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。以此可以能够模拟电池动态特性,来估计电池荷电状态,适用于各种电池。在大量的参考数据训练的情况下,能建立起适用于不同型号不同批次的SOC估算模型。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是一种用于实现本发明实施例的电池荷电状态估算方法的示例电子设备;
图2是根据本发明实施例的一种电池荷电状态估算方法的流程图;
图3是根据现有技术中的一种电池荷电状态估算方法的效果示意图;
图4是根据本发明实施例的一种电池荷电状态估算方法的效果示意图;
图5是根据本发明实施例的一种电池荷电状态估算装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
首先,参照图1来描述用于实现本发明实施例的电池荷电状态估算方法的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及图像采集装置110,这些组件通过总线***112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,电子设备也可以具有其他组件和结构。
处理器102可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备100中的其它组件以执行期望的功能。
存储器104可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行程序指令,以实现下文的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据,例如应用程序使用和/或产生的各种数据等。
输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
根据本发明实施例,提供了一种电池荷电状态估算方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种电池荷电状态估算方法的流程图,如图2所示,该方法包括如下步骤:
S210,获取上次采集数据、上次估算数据以及本次采集数据,采集数据包括工况数据以及环境数据,其中,上次采集数据与本次采集数据质检的采集时间间隔不超过设定阈值;
况数据包括电压以及电流,环境数据包括温度。
S220,将上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
如图3所示,通过反向反馈机制,把上次的结果反馈到模型计算中来优化模型,提升结果准确性。
例如,如图4所示,该神经网络模型可以包括输入层、隐含层以及输出层;隐含层的激活函数可以为单调可微的Sigmoid函数,输出层的激活函数可以为线性purelin函数。
输入层为输入向量X(m),具体表示为:
X(m)=(V1,V2,I1,I2,T1,T2,S,L,H,T),其中V1表示上一次计算时电压,V2表示本次计算时电压,I1表示上一次计算时电流,I2表示本次计算时电流,T1表示上一次计算时温度、T2表示本次计算时温度,S表示上一次计算后反馈回来的SOC值,L表示本次计算时的循环次数,H表示本次计算时的SOH,T表示上次计算到本次计算的时间间隔。其中X(1)表示X(m)向量中的第一项,即V1。X(2)表示X(m)向量中的第二项,即V2,以此类推。
该隐含层可以基于如下公式(一)确定:
其中,Pj为隐含层的输出,f是隐含层激活函数,Xi为输入向量,i表示X(m)向量中的第i项;θj为参数,表示第j项隐含层的调节因子;Wij为权重,表示第i项输入向量在第j项隐含层的权重因子;
该输出层可以基于如下公式(二)确定:
其中,Y是输出层的输出,Wj为第j项隐含层的权重因子,Pj表示公式(一)中第j项隐含层的输出,g为输出层的激活函数。
在一些实施例中,还可以预先对神经网络进行训练。例如,可以周期性的对神经网络进行训练。基于此,可以确定训练样本;其中,训练样本在储能放电或充电过程中,选择功率平稳恒定、电流变化小的时段内的预设采集周期内进行采集的数据计算得到;基于训练样本对初始的神经网络模型进行训练,得到预先训练的神经网络模型。
在一些实施例中,还可以:在达到满充或满放状态时,真值荷电状态SOC为100%或0%,基于标定值优化神经网络模型。
在一些实施例中,在充放电过程中,确定训练样本还可以包括:基于如下公式确定训练样本中的真值荷电状态ΔSOC;
其中,ΔSOC确定:
ΔSOC=S-IT
其中,S为上次计算的SOC值,IT为本次时间段内放出的电量。
在一些实施例中,还包括:获取本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔。基于此,上述将上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据,包括:将上次采集数据、上次估算数据、本次采集数据、本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔,输入预先训练的神经网络模型中,得到本次估算数据。
在一些实施例中,该方法可以应用于基于储能大数据中心实现的电池荷电状态估算***,该***可以包括数据采集装置,与电池管理***连接,用于采集锂电池的工况数据以及环境数据,并用无线传输锂电池工况数据和环境数据。
储能大数据中心,用于获取数据采集装置上传的锂电池工况数据和环境数据,并利用工况数据以及环境数据进行锂电池SOC计算。
数据采集装置通过串口模式与电池管理***进行通讯,通过移动通讯网络,向储能大数据中心发送工况数据和环境数据。
储能大数据中心包括:
数据清洗和存储模块,用于将接收到的锂电池工况数据和环境数据做清洗过滤,去除异常数据,并存储于大数据存储介质中。
计算模块,用于锂电池SOC的计算。计算过程如下:
步骤1:从储能大数据中心获取电池工况数据和环境数据,以及上一次计算的结果反馈数据。
步骤2:计算本次数据与上次数据之间的电池容量差。
步骤3:将获取的锂电池工况数据和环境数据、上一次计算的结果反馈数据、电池容量差,作为输入源,输入到神经网络模型中。
步骤4:神经网络模型将输入数据作为进行迭代运算,同时修正计算模型。
无线传输模块,可用有线传输模式替换。
数据采集装置,可以非串口模式与电池管理***对接。也可以通过集成到储能站点中的能量管理***(EMS)对接,从能量管理***中获取锂电池工况数据和环境数据。
图5为本发明实施例提供的一种电池荷电状态估算装置结构示意图。
如图5所示,该装置包括:
获取模块501,用于获取上次采集数据、上次估算数据以及本次采集数据,采集数据包括工况数据以及环境数据,其中,上次采集数据与本次采集数据质检的采集时间间隔不超过设定阈值;
估算模块502,用于将上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
在一些实施例中,工况数据包括电压以及电流,环境数据包括温度。
在一些实施例中,获取模块501还用于:获取本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔;
估算模块502还用于:将上次采集数据、上次估算数据、本次采集数据、本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔,输入预先训练的神经网络模型中,得到本次估算数据。
在一些实施例中,神经网络模型包括输入层、隐含层以及输出层;隐含层的激活函数为单调可微的Sigmoid函数,输出层的激活函数为线性purelin函数。
在一些实施例中,隐含层基于上述公式(一)确定:
输出层基于上述公式(二)确定。
在一些实施例中,还包括,训练模块,用于:确定训练样本;其中,训练样本在储能放电或充电过程中,选择功率平稳恒定、电流变化小的时段内的预设采集周期内进行采集的数据计算得到;基于训练样本对初始的神经网络模型进行训练,得到预先训练的神经网络模型。
在一些实施例中,还包括:优化模块,用于基于安时积分法计算放空和满充的荷电状态的标定值;基于标定值优化神经网络模型。
在一些实施例中,训练模块还用于:确定训练样本包括:基于如下公式确定训练样本中的真值荷电状态ΔSOC。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
进一步的,本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述前述方法实施例所提供的方法的步骤。
本发明实施例所提供的人脸识别方法、装置及***的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电池荷电状态估算方法,其特征在于,包括:
获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;
将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
2.根据权利要求1所述的方法,其特征在于,所述工况数据包括电压以及电流,所述环境数据包括温度。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔;
所述将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据,包括:
所述将所述上次采集数据、上次估算数据、本次采集数据、本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔,输入预先训练的神经网络模型中,得到本次估算数据。
4.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括输入层、隐含层以及输出层;所述隐含层的激活函数为单调可微的Sigmoid函数,所述输出层的激活函数为线性purelin函数。
6.根据权利要求1所述的方法,其特征在于,还包括:
确定训练样本;其中,所述训练样本在储能放电或充电过程中,选择功率平稳恒定、电流变化小的时段内的预设采集周期内进行采集的数据计算得到;
基于训练样本对初始的神经网络模型进行训练,得到预先训练的神经网络模型。
7.根据权利要求6所述的方法,其特征在于,还包括:
所述确定训练样本包括:
基于如下公式确定训练样本中的真值荷电状态ΔSOC;
其中,ΔSOC确定:
ΔSOC=S-IT
其中,S为上次计算的SOC值,IT为本次时间段内放出的电量。
8.一种电池荷电状态估算装置,其特征在于,包括:
获取模块,用于获取上次采集数据、上次估算数据以及本次采集数据,所述采集数据包括工况数据以及环境数据,其中,所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值;
估算模块,用于将所述上次采集数据、上次估算数据以及本次采集数据,输入预先训练的神经网络模型中,得到本次估算数据。
9.一种电子设备,其特征在于,包括:处理器以及存储器;
所述存储器存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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运行时执行上述权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111571736.0A CN114441969A (zh) | 2021-12-21 | 2021-12-21 | 电池荷电状态估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111571736.0A CN114441969A (zh) | 2021-12-21 | 2021-12-21 | 电池荷电状态估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114441969A true CN114441969A (zh) | 2022-05-06 |
Family
ID=81364159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111571736.0A Pending CN114441969A (zh) | 2021-12-21 | 2021-12-21 | 电池荷电状态估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114441969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097336A (zh) * | 2022-05-30 | 2022-09-23 | 中国第一汽车股份有限公司 | 一种电池荷电状态值估算***、方法、电子设备及介质 |
-
2021
- 2021-12-21 CN CN202111571736.0A patent/CN114441969A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097336A (zh) * | 2022-05-30 | 2022-09-23 | 中国第一汽车股份有限公司 | 一种电池荷电状态值估算***、方法、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
EP3748380B1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
US10310022B2 (en) | Battery state estimation apparatus and method | |
EP3351953B1 (en) | Battery management method and apparatus | |
US10527678B2 (en) | Apparatus and method for estimating state of battery using battery degradation models | |
CN107015165B (zh) | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 | |
JP7199568B2 (ja) | バッテリ診断システム、バッテリ診断方法、及び記憶媒体 | |
US20230213585A1 (en) | Deterioration estimation apparatus, model generation apparatus, deterioration estimation method, model generation method, and non-transitory computer-readable storage medium | |
JP6449303B2 (ja) | 電池の充電状態を推定するための方法、装置およびシステム | |
CN104459560B (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
CN101809456B (zh) | 用于估计电池的长期特性的***和方法 | |
GB2556076A (en) | Method | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
CN114441969A (zh) | 电池荷电状态估算方法及装置 | |
CN114744723A (zh) | 充电请求电流的调节方法、装置和电子设备 | |
CN106154170B (zh) | 电池剩余容量的估算方法及*** | |
EP4293373A1 (en) | Method and apparatus with battery short detection | |
US20230221683A1 (en) | Remaining capacity estimation apparatus, model generation apparatus, and non-transitory computer-readable medium | |
Zhang et al. | Joint estimation of state-of-charge and state-of-power for hybrid supercapacitors using fractional-order adaptive unscented Kalman filter | |
JP7059597B2 (ja) | 二次電池の性能回復方法 | |
CN113820608B (zh) | 梯次电池剩余容量的预测方法和电子设备 | |
CN111563548B (zh) | 一种基于强化学习的数据预处理方法、***及相关设备 | |
EP4390418A1 (en) | Electronic apparatus and method with battery state estimation |
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 |