CN106646253A - 一种在线辨识电池内部参数的方法 - Google Patents
一种在线辨识电池内部参数的方法 Download PDFInfo
- Publication number
- CN106646253A CN106646253A CN201611115540.XA CN201611115540A CN106646253A CN 106646253 A CN106646253 A CN 106646253A CN 201611115540 A CN201611115540 A CN 201611115540A CN 106646253 A CN106646253 A CN 106646253A
- Authority
- CN
- China
- Prior art keywords
- battery
- resistance
- current
- neutral net
- voltage
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种在线辨识电池内部参数的方法,在标准等效电路一阶RC模型基础上,利用电池输入输出数据,构造线性神经网络,以复合脉冲测试中的电流和电压数据作为训练集,利用神经网络参数辨识方法对等效电路模型进行参数辨识。本发明方便、快捷地在线辨识动力蓄电池各参数,为电池电量估计提供了模型参数,有利于提高电池管理***控制效果、充分发挥蓄电池的性能和延长蓄电池的循环寿命。
Description
技术领域
本发明涉及电池检测的技术领域,尤其涉及到一种在线辨识电池内部参数的方法。
背景技术
随着电动汽车技术的日益成熟,电动汽车逐渐走进人们的生活。然而,电机、电池和电控这三大问题制约着电动汽车的发展,其中,电池是发展电动汽车的重要″瓶颈″。电动汽车动力电池组在充放电过程中存在电量不均衡问题,为了能够实时地估计电池的剩余电量,需要实现电池模型参数的在线辨识。目前电池的模型参数辨识多采用最小二乘参数辨识和卡尔曼滤波辨识,这些方法多用于非时变***的参数辨识,针对电池这一时变的不确定非线性***,这些传统的参数辨识方法往往会降低***参数的自适应性,导致自适应PID控制器无法对***产生准确的响应,以至于***陷入新一轮的重复调整或者因不稳定而直接崩溃。本发明在标准等效电路一阶RC模型基础上,利用电池输入输出数据,构造线性神经网络,以复合脉冲测试中的电流和电压数据作为训练集,计算电池内部参数。
发明内容
本发明的目的在于克服现有技术的不足,提供一种方便、快捷、有利于提高电池管理***控制精度、发挥蓄电池的能力和延长蓄电池的使用寿命的在线辨识电池内部参数的方法。
为实现上述目的,本发明所提供的技术方案为:它包括有以下步骤:
1)以电流为输入变量,电压为输出变量,欧姆内阻、极化内阻和极化电容为中间变量,构建电池等效电路模型;
2)将电池等效电路模型转化为电池微分方程,推导***传递函数,利用拉普拉斯变换将传递函数离散化,获得方便神经网络求解***差分方程;
3)利用电池检测***对电池进行复合脉冲功率测试,检测并记录电池的电流和电压信号;
4)使用神经网络对采集的电池电流电压数据进行离线训练,达到满足要求的控制精度后,将离线训练得到的神经网络权值作为神经网络在线学习的初始值;
5)通过最速下降法在线调整神经网络的权值,对***进行在线学习调整,使得神经网络的输出接近于实际值,从而得到电池的欧姆内阻、极化内阻和极化电容。
进一步地,所述复合脉冲功率测试,利用***软件设置充放电电流大小和时间,***程序按照设定的工步对电池进行充放电,实时记录电池的电流信号及在此输入电流下电池的输出电压信号。
进一步地,所述电池等效电路模型采用一阶RC模型,由一个理想电压源、一个电容和两个电阻构成,两个电阻分别表示电池的欧姆内阻R0和极化内阻Rp,电容表示电池的极化电容Cp,其中,极化电容Cp和极化电阻Rp并联,然后与欧姆电阻R0及理想电压源组成串联电路;该电路模型端电压为Ut,理想电压源上的电压表示为电池电动势Uoc,输入电流为I,极化电压为Up;
进一步地,所述神经网络为一个两层的线性神经网络,神经网络的输入层有三个输入神经元,分别为I(k)、I(k-1)和Urc(k-1),分别为复合脉冲测试中当前时刻的电流,前一时刻的电流和前一时刻电池内部压降,输出层有一个神经元,为电池当前时刻的内部压降Urc(k)。输出层和输入层之间的连接权值分别为D1、D2和D3。
进一步地,所述的详细的参数辨识步骤如下:
1))以一阶RC模型为基础,推导电池的动态微分方程,Uoc=Ut-IR0-Up,Up=I/Cp-Up/(RpCp);
2))传递函数表示输出电压和输入电流的比值,电池内部压降为Urc,由微分方程推导可得,Urc=Ut-Uoc=IR0+Up,Urc+τp 利用拉普拉斯变换对所述微分方程式进行等效变换,所述传递函数可表示为
3))利用欧拉法将未知参数s离散化,即将代入所述***传递函数,经化简整理可得,电池***离散化模型为Urc(k)=D1I(k)+D2I(k-1)+D3Urc(k-1);
4))使用电池检测***对蓄电池进行复合脉冲测试,采集电池的电流和电压数据,并保存数据作为下一步参数辨识的训练集;
5))构建神经网络,并利用采集到的多组历史数据Urc(k)、Urc(k-1)及I(k)、I(k-1)对神经网络进行离线训练,通过变学习速率的最速下降法来调节神经网络的权值D1、D2和D3,直到满足要求的性能指标。然后以离线训练得到的权值D1、D2和D3,作为在线学习的初始值;
6))通过最速变学习速率的最速下降法来调节神经网络的权值,对神经网络进行在线学习调整,使得神经网络输出的电池电流估计值与电池的实际电流值I(k)接近,从而得到时变的权值D1、D2和D3。根据电池***离散化模型,神经网络的权值可由电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp表示,由时变的权值D1、D2、D3及电池等效电路模型时间常数、电池检测***采样时间可反解得到电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp的辨识值,分别为:
与现有技术相比,本方案在标准等效电路一阶RC模型基础上,利用电池输入输出数据,构造线性神经网络,以复合脉冲测试中的电流和电压数据作为训练集,方便、快捷地在线辨识动力蓄电池各参数,有利于提高电池管理***控制精度、发挥蓄电池的能力和延长蓄电池的使用寿命。
附图说明
图1为本发明的建模方法图;
图2为本发明实施例中动力锂离子电池的数学模型图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1至2所示,本实施例为在线辨识动力锂离子电池内部参数。
第一步,建立较为准确的电池数学模型,附图2所示,图中有储能元件Cp,锂离子电池的模型阶次可确定为一阶RC模型,该模型由一个理想电压源、一个电容和两个电阻构成,两个电阻分别表示电池的欧姆内阻R0和极化内阻Rp,电容表示电池的极化电容Cp,其中,极化电容Cp和极化电阻Rp并联,然后与欧姆电阻R0及理想电压源组成串联电路;该电路模型端电压为Ut,理想电压源上的电压表示为电池电动势Uoc,输入电流为I,极化电压为Up,建模的重点为确定R0、Rp、Cp、Uoc的值,由于图中电动势uoc在整个电池使用过程中变化很小,所以这里设Uoc为常量,那么,需要确定的实际上只有R0、Rp、Cp三个参数。
第二步,电池等效电路模型转化为电池微分方程,推导***传递函数,由于神经网络辨识模型为离散的数学模型,***传递函数为连续函数,需采用拉普拉斯变换将未知参数s离散化,将代入***传递函数,将一阶RC等效电路模型转换为离散化模型,获得方便神经网络求解***差分方程,参数辨识模型为,Urc(k)=D1I(k)+D2I(k-1)+D3Urc(k-1),其中,D1、D2和D3型的未知参数,就是神经网络需辨识的权值。R0=d0’,R0=D1,
第三步,利用电池检测***对电池进行复合脉冲功率测试,***软件设置充放电电流大小和时间,***程序按照设定的工步对电池进行充放电,实时记录电池的电流信号及在此输入电流下电池的输出电压信号。
第四步,用神经网络对采集的电池电流电压数据进行离线训练,达到满足要求的控制精度后,将离线训练得到的神经网络权值作为神经网络在线学习的初始值。所述神经网络为一个两层的线性神经网络,神经网络的输入层有三个输入神经元,分别为I(k)、I(k-1)和Urc(k-1),分别为复合脉冲测试中当前时刻的电流,前一时刻的电流和前一时刻电池内部压降,输出层有一个神经元,为电池当前时刻的内部压降Urc(k)。输出层和输入层之间的连接权值分别为D1、D2和D3。
第五步,通过最速下降法在线调整神经网络的权值,对***进行在线学习调整,使得神经网络的输出接近于实际值,从而得到电池的极化电阻Rp、极化电容Cp及欧姆内阻R0。
所述的详细的参数辨识步骤如下:
(1)以一阶RC模型为基础,推导电池的动态微分方程,Uoc=Ut-IR0-Up,Up=I/Cp-Up/(RpCp);
(2)传递函数表示输出电压和输入电流的比值,电池内部压降为urc,由微分方程推导可得,Urc=Ut-Uoc=IR0+Up,Urc+τp 对该式进行拉普拉斯变换,所述传递函数为
(3)欧拉法将未知参数s离散化,将代入***传递函数,电池离散化模型为Urc(k)=D1I(k)+D2I(k-1)+D3Urc(k-1);
(4)使用电池检测***对蓄电池进行复合脉冲测试,采集电池的电流和电压数据,并保存数据作为下一步参数辨识的训练集;
(5)构建神经网络,并利用多组历史的数据Urc(k)、Urc(k-1)及I(k)、I(k-1)对神经网络进行离线训练,通过变学习速率的最速下降法来调节神经网络的权值D1、D2和D3,当达到满足要求的性能指标后,将离线训练得到的权值D1、D2和D3作为在线学习的初始值;
(6)通过最速下降法在线调整神经网络的权值,对***进行在线学习调整,使得神经网络输出的电池电流估计值接近于电池的实际电流值I(k),从而得到时变的权值D1、D2和D3,进而得到电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp的辨识值,分别为
本实施例在标准等效电路一阶RC模型基础上,利用电池输入输出数据,构造线性神经网络,以复合脉冲测试中的电流和电压数据作为训练集,方便、快捷地在线辨识动力蓄电池各参数,有利于提高电池管理***控制效果、发挥蓄电池的性能和延长蓄电池的循环寿命。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种在线辨识电池内部参数的方法,其特征在于:包括以下步骤:
1)以电流为输入变量,电压为输出变量,欧姆内阻、极化内阻和极化电容为中间变量,构建电池等效电路模型;
2)将电池等效电路模型转化为电池微分方程,推导***传递函数,利用拉普拉斯变换将传递函数离散化,获得方便神经网络求解的***差分方程;
3)利用电池检测***对电池进行复合脉冲功率测试,检测并记录电池的电流和电压信号;
4)使用神经网络对采集到的电池电流和电压数据进行离线训练,达到满足要求的精度后,将离线训练得到的神经网络权值作为神经网络在线学习的初始值;
5)通过最速下降法在线调整神经网络的权值,对***进行在线学习调整,使得神经网络的输出接近于实际值,从而得到电池的欧姆内阻、极化内阻和极化电容。
2.根据权利要求1所述的一种在线辨识电池内部参数的方法,其特征在于:所述复合脉冲功率测试,利用***软件设置充放电电流大小和时间,***程序按照设定的工步对电池进行充放电,实时记录电池的电流信号及在此输入电流下电池的输出电压信号。
3.根据权利要求1所述的一种在线辨识电池内部参数的方法,其特征在于:所述电池等效电路模型采用一阶RC模型,由一个理想电压源、一个电容和两个电阻构成,两个电阻分别表示电池的欧姆内阻R0和极化内阻Rp,电容表示电池的极化电容Cp,其中,极化电容Cp和极化电阻Rp并联,然后与欧姆电阻R0及理想电压源组成串联电路;该电路模型端电压为Ut,理想电压源上的电压表示为电池电动势Uoc,输入电流为I,极化电压为Up。
所述神经网络为一个两层的线性神经网络,神经网络的输入层有三个输入神经元,分别为I(k)、I(k-1)和Urc(k-1),分别为复合脉冲测试中当前时刻的电流,前一时刻的电流和前一时刻电池内部压降,输出层有一个神经元,为电池当前时刻的内部压降Urc(k)。输出层和输入层之间的连接权值分别为D1、D2和D3。
所述的详细的参数辨识步骤如下:
1))以一阶RC模型为基础,推导电池的动态微分方程,Uoc=Ut-IR0-Up,Up=I/Cp-Up/(RpCp);
2))传递函数表示输出电压和输入电流的比值,电池内部压降为Urc,由微分方程推导可得,Urc=Ut-Uoc=IR0+Up,利用拉普拉斯变换对所述微分方程式进行等效变换,所述传递函数可表示为
3))利用欧拉法将未知参数s离散化,即将代入所述***传递函数,经化简整理可得,电池***离散化模型为Urc(k)=D1I(k)+D2I(k-1)+D3Urc(k-1);
4))使用电池检测***对蓄电池进行复合脉冲测试,采集电池的电流和电压数据,并保存数据作为下一步参数辨识的训练集;
5))构建神经网络,并利用采集到的多组历史数据Urc(k)、Urc(k-1)及I(k)、I(k-1)对神经网络进行离线训练,通过变学习速率的最速下降法来调节神经网络的权值D1、D2和D3,直到满足要求的性能指标。然后以离线训练得到的权值D1、D2和D3,作为在线学习的初始值;
6))通过最速变学习速率的最速下降法来调节神经网络的权值,对神经网络进行在线学习调整,使得神经网络输出的电池电流估计值与电池的实际电流值I(k)接近,从而得到时变的权值D1、D2和D3。根据电池***离散化模型,神经网络的权值可由电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp表示,由时变的权值D1、D2、D3及电池等效电路模型时间常数、电池检测***采样时间可反解得到电池的欧姆内阻Ro、极化内阻Rp及极化电容Cp的辨识值,分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611115540.XA CN106646253A (zh) | 2016-12-07 | 2016-12-07 | 一种在线辨识电池内部参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611115540.XA CN106646253A (zh) | 2016-12-07 | 2016-12-07 | 一种在线辨识电池内部参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106646253A true CN106646253A (zh) | 2017-05-10 |
Family
ID=58818598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611115540.XA Pending CN106646253A (zh) | 2016-12-07 | 2016-12-07 | 一种在线辨识电池内部参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646253A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037375A (zh) * | 2017-05-23 | 2017-08-11 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN107817451A (zh) * | 2017-11-24 | 2018-03-20 | 北京机械设备研究所 | 动力电池模型在线参数的辨识方法、***及存储介质 |
CN108983108A (zh) * | 2018-08-10 | 2018-12-11 | 山东大学 | 一种动力电池组峰值功率估计方法 |
CN109143092A (zh) * | 2017-06-19 | 2019-01-04 | 宁德时代新能源科技股份有限公司 | 电芯模型生成与电芯电压获取方法、装置及电池管理*** |
CN109786878A (zh) * | 2019-03-25 | 2019-05-21 | 哈尔滨理工大学 | 一种电动汽车动力电池充电/加热控制方法 |
CN109950660A (zh) * | 2019-03-25 | 2019-06-28 | 清华大学 | 三元锂离子动力电池利用自身储能激励预热的方法 |
CN109950661A (zh) * | 2019-03-25 | 2019-06-28 | 清华大学 | 一种动力电池组的内外部同时加热的装置及方法 |
CN110554329A (zh) * | 2019-10-17 | 2019-12-10 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池内阻测量方法及装置 |
CN110709716A (zh) * | 2018-02-07 | 2020-01-17 | 株式会社Lg化学 | 估计电池的等效电路模型的参数的方法以及电池管理*** |
CN110794319A (zh) * | 2019-11-12 | 2020-02-14 | 河南工学院 | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及*** |
CN110907835A (zh) * | 2019-12-10 | 2020-03-24 | 北京理工大学 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
CN113884904A (zh) * | 2021-11-01 | 2022-01-04 | 国网湖南省电力有限公司 | 超级电容器电池的等效电路模型及其参数辨识方法 |
CN113945854A (zh) * | 2021-10-18 | 2022-01-18 | 一汽解放汽车有限公司 | 电池包初始参数检测方法、装置、***、设备和介质 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
CN114545279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 一种基于神经网络常微分方程的锂电池健康状态估计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535934A (zh) * | 2014-12-31 | 2015-04-22 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与*** |
-
2016
- 2016-12-07 CN CN201611115540.XA patent/CN106646253A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535934A (zh) * | 2014-12-31 | 2015-04-22 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与*** |
Non-Patent Citations (3)
Title |
---|
李思: "电动汽车锂离子电池等效电路模型的参数辨识研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
蒋惠凤: "《中长期电力负荷预测技术与应用》", 31 October 2016, 东南大学出版社 * |
陈恩伟: "《机器人动态特征及动力学参数辨识研究》", 31 December 2008, 合肥工业大学出版社 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037375B (zh) * | 2017-05-23 | 2020-07-24 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN107037375A (zh) * | 2017-05-23 | 2017-08-11 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN109143092A (zh) * | 2017-06-19 | 2019-01-04 | 宁德时代新能源科技股份有限公司 | 电芯模型生成与电芯电压获取方法、装置及电池管理*** |
CN109143092B (zh) * | 2017-06-19 | 2021-01-12 | 宁德时代新能源科技股份有限公司 | 电芯模型生成与电芯电压获取方法、装置及电池管理*** |
CN107817451A (zh) * | 2017-11-24 | 2018-03-20 | 北京机械设备研究所 | 动力电池模型在线参数的辨识方法、***及存储介质 |
CN110709716B (zh) * | 2018-02-07 | 2021-12-28 | 株式会社Lg化学 | 估计电池的等效电路模型的参数的方法以及电池管理*** |
CN110709716A (zh) * | 2018-02-07 | 2020-01-17 | 株式会社Lg化学 | 估计电池的等效电路模型的参数的方法以及电池管理*** |
US11125823B2 (en) | 2018-02-07 | 2021-09-21 | Lg Chem, Ltd. | Method for estimating parameter of equivalent circuit model for battery, and battery management system |
CN108983108B (zh) * | 2018-08-10 | 2021-04-02 | 山东大学 | 一种动力电池组峰值功率估计方法 |
CN108983108A (zh) * | 2018-08-10 | 2018-12-11 | 山东大学 | 一种动力电池组峰值功率估计方法 |
CN109786878A (zh) * | 2019-03-25 | 2019-05-21 | 哈尔滨理工大学 | 一种电动汽车动力电池充电/加热控制方法 |
CN109950661A (zh) * | 2019-03-25 | 2019-06-28 | 清华大学 | 一种动力电池组的内外部同时加热的装置及方法 |
CN109950660A (zh) * | 2019-03-25 | 2019-06-28 | 清华大学 | 三元锂离子动力电池利用自身储能激励预热的方法 |
CN109950661B (zh) * | 2019-03-25 | 2022-04-12 | 清华大学 | 一种动力电池组的内外部同时加热的装置及方法 |
CN109950660B (zh) * | 2019-03-25 | 2022-01-18 | 清华大学 | 三元锂离子动力电池利用自身储能激励预热的方法 |
CN109786878B (zh) * | 2019-03-25 | 2022-01-21 | 哈尔滨理工大学 | 一种电动汽车动力电池充电/加热控制方法 |
CN110554329A (zh) * | 2019-10-17 | 2019-12-10 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池内阻测量方法及装置 |
CN110794319A (zh) * | 2019-11-12 | 2020-02-14 | 河南工学院 | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 |
CN110888057B (zh) * | 2019-11-27 | 2020-11-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及*** |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及*** |
CN110907835A (zh) * | 2019-12-10 | 2020-03-24 | 北京理工大学 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
CN110907835B (zh) * | 2019-12-10 | 2020-12-11 | 北京理工大学 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
CN113945854A (zh) * | 2021-10-18 | 2022-01-18 | 一汽解放汽车有限公司 | 电池包初始参数检测方法、装置、***、设备和介质 |
CN113884904A (zh) * | 2021-11-01 | 2022-01-04 | 国网湖南省电力有限公司 | 超级电容器电池的等效电路模型及其参数辨识方法 |
CN114545279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 一种基于神经网络常微分方程的锂电池健康状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646253A (zh) | 一种在线辨识电池内部参数的方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN104392080B (zh) | 一种锂电池分数阶变阶等效电路模型及其辨识方法 | |
CN106443473B (zh) | 一种动力锂离子电池组soc估算方法 | |
CN104535932B (zh) | 一种锂离子电池荷电状态估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及*** | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN106887877B (zh) | 一种基于电池能量状态估计的电池组主动均衡控制*** | |
CN108519555A (zh) | 一种锂离子电池的改进分数阶模型和参数辨识方法 | |
CN107192956B (zh) | 一种电池短路漏液在线监测方法和装置 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN106597291A (zh) | 在线估算电池参数的方法 | |
CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
CN102967831B (zh) | 一种铅酸蓄电池性能在线检测***及检测方法 | |
CN107769335A (zh) | 一种多模式锂电池智能充电管理方法及装置 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN110646741A (zh) | 一种锂离子电池等效电路模型的参数获取方法 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
Alsabari et al. | Modeling and validation of lithium-ion battery with initial state of charge 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |