CN116699412A - 一种储能电池模组的剩余容量估算方法 - Google Patents
一种储能电池模组的剩余容量估算方法 Download PDFInfo
- Publication number
- CN116699412A CN116699412A CN202310554414.8A CN202310554414A CN116699412A CN 116699412 A CN116699412 A CN 116699412A CN 202310554414 A CN202310554414 A CN 202310554414A CN 116699412 A CN116699412 A CN 116699412A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage battery
- battery module
- residual capacity
- estimation
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009022 nonlinear effect Effects 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种储能电池模组的剩余容量估算方法,具体估算步骤如下:S1:储能电池模组剩余容量的数据采集;S2:储能电池模组剩余容量的数据预处理;S3:储能电池模组剩余容量的特征提取;S4:储能电池模组剩余容量的状态估计;S5:储能电池模组剩余容量的状态估算;S6:储能电池模组剩余容量的精确度提升;S7:储能电池模组剩余容量的反馈控制,通过上述的七个估算步骤,可以依次对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外设计的储能电池模组剩余容量的精确度提升,可以提高对储能电池模组的剩余容量高效估算的精确度。
Description
技术领域
本发明涉及储能电池模组技术领域,具体为一种储能电池模组的剩余容量估算方法。
背景技术
储能电池模组的剩余容量估算方法通常使用基于电池状态估计的技术,BSE是一种通过监测电池的电流、电压和温度等参数,来对电池当前状态进行估计的技术,常用的BSE技术包括卡尔曼滤波、粒子滤波、扩展卡尔曼滤波等。这些方法的核心思想是在估计电池状态时,将电池看作一个动态***,并建立数学模型,通过观察电池的输入和输出信号,来不断更新电池状态的估计值,除了BSE技术外,还有一些基于机器学习的方法,如支持向量回归、人工神经网络等,也可以用于储能电池模组的剩余容量估算。这些方法可以利用历史数据来训练模型,并通过预测未来的电池行为来估计电池的剩余容量。
然而,现有的储能电池模组的剩余容量估算方法存在以下的问题:精度欠佳:由于电池状态的估计和剩余容量的计算都涉及到多个参数,而且这些参数之间相互耦合,因此估算精度受到很大的影响,目前的估算方法尚难以达到高精度要求。为此,需要设计相应的技术方案解决存在的技术问题。
发明内容
本发明的目的在于提供一种储能电池模组的剩余容量估算方法,解决了现阶段储能电池模组的剩余容量存在精度欠佳:由于电池状态的估计和剩余容量的计算都涉及到多个参数,而且这些参数之间相互耦合,因此估算精度受到很大的影响,目前的估算方法尚难以达到高精度要求,这一技术问题,可以对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外设计的储能电池模组剩余容量的精确度提升,可以提高对储能电池模组的剩余容量高效估算的精确度。
为实现上述目的,本发明提供如下技术方案:一种储能电池模组的剩余容量估算方法,具体估算步骤如下:
S1:储能电池模组剩余容量的数据采集;
S2:储能电池模组剩余容量的数据预处理;
S3:储能电池模组剩余容量的特征提取;
S4:储能电池模组剩余容量的状态估计;
S5:储能电池模组剩余容量的状态估算;
S6:储能电池模组剩余容量的精确度提升;
S7:储能电池模组剩余容量的反馈控制;
通过上述的七个估算步骤,可以依次对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外设计的储能电池模组剩余容量的精确度提升,可以提高对储能电池模组的剩余容量高效估算的精确度。
作为本发明的一种优选方式,S1:储能电池模组剩余容量的数据采集,通过电池检测仪将检测线路与待测储能电池模组相连接,通过监测电池的电流、电压、温度等参数,采集电池的实时数据,并将数据上传至电脑端备用。
作为本发明的一种优选方式,S2:储能电池模组剩余容量的数据预处理,对采集到的原始数据进行滤波、修正等处理,以消除噪声和非线性效应,提高数据质量。
作为本发明的一种优选方式,S3:储能电池模组剩余容量的特征提取,根据电池的物理特性和工作状态,选择合适的特征参数,如电荷状态、内阻、容量衰减率等,用于建立电池状态模型。
作为本发明的一种优选方式,S4:储能电池模组剩余容量的状态估计,利用BSE技术或机器学习方法,对电池的状态进行估计,并更新电池的状态估计值,可以根据具体情况选择卡尔曼滤波、支持向量回归方法。
作为本发明的一种优选方式,S5:储能电池模组剩余容量的状态估算,根据当前估计的电池状态和历史使用情况,利用数学模型计算电池的剩余容量,并输出估算结果,可以利用基于神经网络的模型、统计模型方法来实现。
作为本发明的一种优选方式,S6:储能电池模组剩余容量的精确度提升,改进特征提取方法:选择更准确、更具代表性的特征参数,如使用基于频谱分析的方法来提取内阻参数,以提高模型的拟合度和预测精度,优化状态估计算法:使用复杂的BSE算法或机器学习方法进行状态估计,进一步提高估算精度,例如,可以利用卡尔曼滤波的改进算法,如无迹卡尔曼滤波,对电池状态进行估计,引入温度补偿:电池的工作温度对其容量有较大影响,因此可以通过引入温度修正项,对电池容量进行实时修正,以提高估算精度,数据融合技术:将多种数据源的信息进行融合,如结合电池历史使用记录及当前的实时数据,并将相关因素进行分析,以提高估算结果的精度,适应不同电池类型:针对不同品牌、不同类型、不同规格的电池,建立相应的模型,根据其特征参数进行估算,以提高估算精度,实时监测和反馈控制:通过实时监测电池状态、剩余容量等参数,对储能电池模组进行适当的反馈控制,保障其安全和性能。
作为本发明的一种优选方式,S7:储能电池模组剩余容量的反馈控制,根据估算的剩余容量值,对储能电池模组进行适当的反馈控制,以保障电池的安全和性能。
与现有技术相比,本发明的有益效果如下:
本发明通过对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外从数据处理、模型建立、状态估计、温度补偿、数据融合、电池类型适应性、实时监测及反馈控制等方面进行优化和改进,从而提高储能电池模组剩余容量的精确度,有效的解决剩余容量的计算都涉及到多个参数,而且这些参数之间相互耦合,一处参数存在误差导致整个估算结果不准确的情况出现。
具体实施方式
实施例1:
一种储能电池模组的剩余容量估算方法,具体估算步骤如下:
S1:储能电池模组剩余容量的数据采集;
S2:储能电池模组剩余容量的数据预处理;
S3:储能电池模组剩余容量的特征提取;
S4:储能电池模组剩余容量的状态估计;
S5:储能电池模组剩余容量的状态估算;
S6:储能电池模组剩余容量的精确度提升;
S7:储能电池模组剩余容量的反馈控制;
通过上述的七个估算步骤,可以依次对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外设计的储能电池模组剩余容量的精确度提升,可以提高对储能电池模组的剩余容量高效估算的精确度。
S1:储能电池模组剩余容量的数据采集,通过电池检测仪将检测线路与待测储能电池模组相连接,通过监测电池的电流、电压、温度等参数,采集电池的实时数据,并将数据上传至电脑端备用。
S2:储能电池模组剩余容量的数据预处理,对采集到的原始数据进行滤波、修正等处理,以消除噪声和非线性效应,提高数据质量。
S3:储能电池模组剩余容量的特征提取,根据电池的物理特性和工作状态,选择合适的特征参数,如电荷状态、内阻、容量衰减率等,用于建立电池状态模型。
S4:储能电池模组剩余容量的状态估计,利用BSE技术或机器学习方法,对电池的状态进行估计,并更新电池的状态估计值,可以根据具体情况选择卡尔曼滤波、支持向量回归方法。
S5:储能电池模组剩余容量的状态估算,根据当前估计的电池状态和历史使用情况,利用数学模型计算电池的剩余容量,并输出估算结果,可以利用基于神经网络的模型、统计模型方法来实现。
S6:储能电池模组剩余容量的精确度提升,改进特征提取方法:选择更准确、更具代表性的特征参数,如使用基于频谱分析的方法来提取内阻参数,以提高模型的拟合度和预测精度,优化状态估计算法:使用复杂的BSE算法或机器学习方法进行状态估计,进一步提高估算精度,例如,可以利用卡尔曼滤波的改进算法,如无迹卡尔曼滤波,对电池状态进行估计,引入温度补偿:电池的工作温度对其容量有较大影响,因此可以通过引入温度修正项,对电池容量进行实时修正,以提高估算精度,数据融合技术:将多种数据源的信息进行融合,如结合电池历史使用记录及当前的实时数据,并将相关因素进行分析,以提高估算结果的精度,适应不同电池类型:针对不同品牌、不同类型、不同规格的电池,建立相应的模型,根据其特征参数进行估算,以提高估算精度,实时监测和反馈控制:通过实时监测电池状态、剩余容量等参数,对储能电池模组进行适当的反馈控制,保障其安全和性能。
S7:储能电池模组剩余容量的反馈控制,根据估算的剩余容量值,对储能电池模组进行适当的反馈控制,以保障电池的安全和性能。
本发明通过对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外从数据处理、模型建立、状态估计、温度补偿、数据融合、电池类型适应性、实时监测及反馈控制等方面进行优化和改进,从而提高储能电池模组剩余容量的精确度,有效的解决剩余容量的计算都涉及到多个参数,而且这些参数之间相互耦合,一处参数存在误差导致整个估算结果不准确的情况出现。
实施例2:
一种储能电池模组的剩余容量估算方法,具体估算步骤如下:
S1:储能电池模组剩余容量的数据采集;
S2:储能电池模组剩余容量的数据预处理;
S3:储能电池模组剩余容量的特征提取;
S4:储能电池模组剩余容量的状态估计;
S5:储能电池模组剩余容量的状态估算;
S6:储能电池模组剩余容量的反馈控制;
通过上述的六个估算步骤,可以依次对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理。
S1:储能电池模组剩余容量的数据采集,通过电池检测仪将检测线路与待测储能电池模组相连接,通过监测电池的电流、电压、温度等参数,采集电池的实时数据,并将数据上传至电脑端备用。
S2:储能电池模组剩余容量的数据预处理,对采集到的原始数据进行滤波、修正等处理,以消除噪声和非线性效应,提高数据质量。
S3:储能电池模组剩余容量的特征提取,根据电池的物理特性和工作状态,选择合适的特征参数,如电荷状态、内阻、容量衰减率等,用于建立电池状态模型。
S4:储能电池模组剩余容量的状态估计,利用BSE技术或机器学习方法,对电池的状态进行估计,并更新电池的状态估计值,可以根据具体情况选择卡尔曼滤波、支持向量回归方法。
S5:储能电池模组剩余容量的状态估算,根据当前估计的电池状态和历史使用情况,利用数学模型计算电池的剩余容量,并输出估算结果,可以利用基于神经网络的模型、统计模型方法来实现。
S6:储能电池模组剩余容量的反馈控制,根据估算的剩余容量值,对储能电池模组进行适当的反馈控制,以保障电池的安全和性能。
本发明通过对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种储能电池模组的剩余容量估算方法,其特征在于:具体估算步骤如下:
S1:储能电池模组剩余容量的数据采集;
S2:储能电池模组剩余容量的数据预处理;
S3:储能电池模组剩余容量的特征提取;
S4:储能电池模组剩余容量的状态估计;
S5:储能电池模组剩余容量的状态估算;
S6:储能电池模组剩余容量的精确度提升;
S7:储能电池模组剩余容量的反馈控制;
通过上述的七个估算步骤,可以依次对储能电池模组剩余容量的数据采集、数据预处理、特征提取、状态估计、状态估算、精确度提升和反馈控制,可以达到对储能电池模组的剩余容量高效估算处理,此外设计的储能电池模组剩余容量的精确度提升,可以提高对储能电池模组的剩余容量高效估算的精确度。
2.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S1:储能电池模组剩余容量的数据采集,通过电池检测仪将检测线路与待测储能电池模组相连接,通过监测电池的电流、电压、温度等参数,采集电池的实时数据,并将数据上传至电脑端备用。
3.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S2:储能电池模组剩余容量的数据预处理,对采集到的原始数据进行滤波、修正等处理,以消除噪声和非线性效应,提高数据质量。
4.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S3:储能电池模组剩余容量的特征提取,根据电池的物理特性和工作状态,选择合适的特征参数,如电荷状态、内阻、容量衰减率等,用于建立电池状态模型。
5.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S4:储能电池模组剩余容量的状态估计,利用BSE技术或机器学习方法,对电池的状态进行估计,并更新电池的状态估计值,可以根据具体情况选择卡尔曼滤波、支持向量回归方法。
6.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S5:储能电池模组剩余容量的状态估算,根据当前估计的电池状态和历史使用情况,利用数学模型计算电池的剩余容量,并输出估算结果,可以利用基于神经网络的模型、统计模型方法来实现。
7.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S6:储能电池模组剩余容量的精确度提升,改进特征提取方法:选择更准确、更具代表性的特征参数,如使用基于频谱分析的方法来提取内阻参数,以提高模型的拟合度和预测精度,优化状态估计算法:使用复杂的BSE算法或机器学习方法进行状态估计,进一步提高估算精度,例如,可以利用卡尔曼滤波的改进算法,如无迹卡尔曼滤波,对电池状态进行估计,引入温度补偿:电池的工作温度对其容量有较大影响,因此可以通过引入温度修正项,对电池容量进行实时修正,以提高估算精度,数据融合技术:将多种数据源的信息进行融合,如结合电池历史使用记录及当前的实时数据,并将相关因素进行分析,以提高估算结果的精度,适应不同电池类型:针对不同品牌、不同类型、不同规格的电池,建立相应的模型,根据其特征参数进行估算,以提高估算精度,实时监测和反馈控制:通过实时监测电池状态、剩余容量等参数,对储能电池模组进行适当的反馈控制,保障其安全和性能。
8.根据权利要求1所述的一种储能电池模组的剩余容量估算方法,其特征在于:S7:储能电池模组剩余容量的反馈控制,根据估算的剩余容量值,对储能电池模组进行适当的反馈控制,以保障电池的安全和性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554414.8A CN116699412A (zh) | 2023-05-17 | 2023-05-17 | 一种储能电池模组的剩余容量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554414.8A CN116699412A (zh) | 2023-05-17 | 2023-05-17 | 一种储能电池模组的剩余容量估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116699412A true CN116699412A (zh) | 2023-09-05 |
Family
ID=87831897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554414.8A Pending CN116699412A (zh) | 2023-05-17 | 2023-05-17 | 一种储能电池模组的剩余容量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116699412A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268161A (ja) * | 2007-03-29 | 2008-11-06 | Furukawa Electric Co Ltd:The | バッテリ残存容量推定方法、バッテリ残存容量推定装置及びバッテリ電源システム |
CN103424712A (zh) * | 2013-08-16 | 2013-12-04 | 江苏欧力特能源科技有限公司 | 基于粒子群优化的电池剩余容量在线测量方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理***的电池剩余电量估计方法 |
CN104777433A (zh) * | 2015-05-04 | 2015-07-15 | 中颖电子股份有限公司 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
CN107037366A (zh) * | 2016-12-02 | 2017-08-11 | 江苏富威能源有限公司 | 一种电力动车锂离子电池控制*** |
CN110045288A (zh) * | 2019-05-23 | 2019-07-23 | 中山大学 | 一种基于支持向量回归的锂离子电池容量在线估计方法 |
CN110990781A (zh) * | 2019-11-07 | 2020-04-10 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及其***、存储介质 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111656205A (zh) * | 2018-09-13 | 2020-09-11 | 宝马股份公司 | 用于确定电池单体的容量的方法、分析器件、监控装置、高压电池以及机动车 |
CN112630659A (zh) * | 2020-06-01 | 2021-04-09 | 青岛大学 | 一种基于改进bp-ekf算法的锂电池soc估算方法 |
CN113514770A (zh) * | 2021-05-14 | 2021-10-19 | 江苏欧力特能源科技有限公司 | 基于开路电压和电池温度驱动锂电池剩余容量soc预测算法 |
CN114660464A (zh) * | 2022-03-18 | 2022-06-24 | 中国矿业大学 | 一种锂离子电池荷电状态估算方法 |
CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及*** |
CN115932598A (zh) * | 2022-11-29 | 2023-04-07 | 南昌师范学院 | 基于等效电路模型参数辨识的锂电池soc非线性组合估计方法 |
-
2023
- 2023-05-17 CN CN202310554414.8A patent/CN116699412A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268161A (ja) * | 2007-03-29 | 2008-11-06 | Furukawa Electric Co Ltd:The | バッテリ残存容量推定方法、バッテリ残存容量推定装置及びバッテリ電源システム |
CN103424712A (zh) * | 2013-08-16 | 2013-12-04 | 江苏欧力特能源科技有限公司 | 基于粒子群优化的电池剩余容量在线测量方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理***的电池剩余电量估计方法 |
CN104777433A (zh) * | 2015-05-04 | 2015-07-15 | 中颖电子股份有限公司 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
CN107037366A (zh) * | 2016-12-02 | 2017-08-11 | 江苏富威能源有限公司 | 一种电力动车锂离子电池控制*** |
CN111656205A (zh) * | 2018-09-13 | 2020-09-11 | 宝马股份公司 | 用于确定电池单体的容量的方法、分析器件、监控装置、高压电池以及机动车 |
CN110045288A (zh) * | 2019-05-23 | 2019-07-23 | 中山大学 | 一种基于支持向量回归的锂离子电池容量在线估计方法 |
CN110990781A (zh) * | 2019-11-07 | 2020-04-10 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及其***、存储介质 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN112630659A (zh) * | 2020-06-01 | 2021-04-09 | 青岛大学 | 一种基于改进bp-ekf算法的锂电池soc估算方法 |
CN113514770A (zh) * | 2021-05-14 | 2021-10-19 | 江苏欧力特能源科技有限公司 | 基于开路电压和电池温度驱动锂电池剩余容量soc预测算法 |
CN114660464A (zh) * | 2022-03-18 | 2022-06-24 | 中国矿业大学 | 一种锂离子电池荷电状态估算方法 |
CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及*** |
CN115932598A (zh) * | 2022-11-29 | 2023-04-07 | 南昌师范学院 | 基于等效电路模型参数辨识的锂电池soc非线性组合估计方法 |
Non-Patent Citations (1)
Title |
---|
彭思敏 等: "基于无迹卡尔曼滤波的并联型电池***SOC估计研究", 《中国农机化学报》, pages 291 - 295 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112331941B (zh) | 云端辅助电池管理***及方法 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN113447823B (zh) | 蓄电池组健康预测的方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及*** | |
CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和*** | |
CN114397581B (zh) | 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和*** | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN116699412A (zh) | 一种储能电池模组的剩余容量估算方法 | |
CN115795222A (zh) | 基于同步相量测量的电网不良参数辨识和校正方法 | |
CN111815069B (zh) | 基于时间序列分析原理的卫星锂电池电压预测方法 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN115828165B (zh) | 一种新能源智能微电网数据处理方法及*** | |
Zhang et al. | Battery State of Health Estimation Using Indirect Health Features of Temperature |
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 |