CN108445402A - 一种锂离子动力电池荷电状态估计方法及*** - Google Patents
一种锂离子动力电池荷电状态估计方法及*** Download PDFInfo
- Publication number
- CN108445402A CN108445402A CN201810165942.3A CN201810165942A CN108445402A CN 108445402 A CN108445402 A CN 108445402A CN 201810165942 A CN201810165942 A CN 201810165942A CN 108445402 A CN108445402 A CN 108445402A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- ocv
- time
- lithium
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子动力电池荷电状态估计方法及***,该方法包括以下步骤:建立电池的一阶RC等效电路模型,并建立模型的状态方程;定义状态方程的状态向量,所述状态向量包含模型的模型参数和电池的OCV值;根据状态向量,求解状态方程的系数矩阵的表达式;将电池的实时工作电流作为***激励,实时工作电压作为观测量,采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值;根据OCV估计值以及电池的OCV‑SOC关系曲线,插值获得电池的SOC估计值。本发明可以在电池使用过程中,实时在线辨识模型参数,并实时修正模型参数,从而估计获得高准确度的OCV估计值,保证了电池SOC估计值的精度,可广泛应用于电池行业中。
Description
技术领域
本发明涉及锂离子电池技术领域,特别是涉及一种锂离子动力电池荷电状态估计方法及***。
背景技术
SOC,全称是State of Charge,表示荷电状态,也叫剩余电量,代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值,常用百分数表示。新能源汽车用锂离子电池的SOC是不可直接测量的关键参数,准确的SOC估计值是保证锂离子电池在工作范围内使用的主要依据,也是提高锂离子电池寿命和能量利用率的前提。锂离子电池的SOC估计也是车辆进行能量、功率匹配和控制的重要依据,因此研究准确的SOC估计方法具有重要意义。
目前国内外学者提出了许多SOC估计方法,主要包括:安时积分法、开路电压法、模糊逻辑法、神经网络法、卡尔曼滤波法等,这些方法都有各自的适用范围。
安时积分法的优势在于简单易于工程实现。但是有以下三个缺点:首先,安时积分法只能解决一段时间内电量的变化情况,对初始值的依赖性很高;其次,由于电流传感器精度不足引起的累积误差无法实时校正;最后,电池管理***不工作时,无法估算电池的自放电效应。开路电压法是根据开路电压OCV和SOC的单调关系来查表计算电池的SOC,需要将电池充分静置后才能获得准确的OCV,耗时长,不适用于在线估计SOC。模糊逻辑法根据大量实验数据,用模糊逻辑模拟人的模糊思维,最终实现可靠的SOC预测。缺点在于需要大量的实验数据,方法复杂,很难工程实现。而神经网络法,由于电池SOC的非线性特性,电池模型参数从数学上无法精确定义,神经网络技术在SOC的估计中就非常有用。神经网络法的缺点是需要大量实验数据进行训练,估计误差受训练数据和训练方法的影响很大,而且算法复杂,很难工程实现。卡尔曼滤波法是通过建立观测***的状态与观测量之间的映射关系,实现对状态或参数估计的修正。卡尔曼滤波法的核心思想是对***的状态做出最小方差意义上的最优估计,其优点是对初始SOC误差不敏感,缺点是对电池性能模型精度及电池管理***计算能力要求高。
综上所述,现有的SOC估计方法均存在一定的缺陷与不足,存在估计精度差、算法复杂等问题。
发明内容
为了解决上述的技术问题,本发明的目的是提供一种锂离子动力电池荷电状态估计方法及***。
本发明解决其技术问题所采用的技术方案是:
一种锂离子动力电池荷电状态估计方法,包括以下步骤:
S1、建立电池的一阶RC等效电路模型,并建立模型的状态方程;
S2、定义状态方程的状态向量,所述状态向量包含模型的模型参数和电池的OCV值;
S3、根据状态向量,求解状态方程的系数矩阵的表达式,所述系数矩阵包括状态转移矩阵和观测矩阵;
S4、将电池的实时工作电流作为***激励,实时工作电压作为观测量,采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值;
S5、根据OCV估计值以及电池的OCV-SOC关系曲线,插值获得电池的SOC估计值;
所述电池的OCV-SOC关系曲线是通过对电池进行间歇性放电-静置实验,所测试获得的。
进一步,所述步骤S4,具体包括:
S41、将电池的实时工作电流作为***激励,结合当前时刻的状态向量,采用扩展卡尔曼滤波算法预测下一时刻的状态向量;
S42、根据预测获得的下一时刻的状态向量,获得模型的OCV估计值,并计算获得电池模型的模型参数;
S43、根据计算获得的模型参数,实时更新状态方程的系数矩阵,将更新后的系数矩阵用于下一次预测计算。
进一步,所述步骤S41之前还包括初始化步骤:
S40、初始化状态方程的状态向量、误差协方差矩阵,并根据***特性赋值过程噪声矩阵Q,根据测量设备的精度赋值测量噪声R。
进一步,所述步骤S41,具体包括:
S411、根据当前时刻的误差协方差矩阵,预测下一时刻的误差协方差矩阵;
S412、根据误差协方差矩阵的预测值,求解下一时刻的卡尔曼滤波增益的预测值;
S413、根据卡尔曼滤波增益的预测值,计算下一时刻的状态向量,并更新误差协方差矩阵。
进一步,所述电池的一阶RC等效电路模型包括恒压源、欧姆内阻、极化内阻和极化电容,其中,所述极化内阻和极化电容并联后,依次与欧姆内阻和恒压源串联。
进一步,所述步骤S1中所述状态方程为:
其中,U1,k表示当前时刻一阶RC等效电路的极化电压,U1,k+1表示下一时刻一阶RC等效电路的极化电压,T表示采样周期,R1,k表示当前时刻的极化内阻值,R0,k表示当前时刻的欧姆内阻值,Ik表示电池的实时工作电流,Uk表示电池的实时工作电压,OCVk表示当前时刻电池的OCV值,τ1,k表示时间常数,且τ1,k=R1,kC1,k。
进一步,所述步骤S2中所述状态向量xk为:
xk=[U1,k R1,k τ1,k R0,k OCVk]。
进一步,所述步骤S3中,电池模型的状态转移矩阵A为:
进一步,所述步骤S3中,电池模型的观测矩阵C为:
C=[-1 0 0 -Ik 1]。
本发明解决其技术问题所采用的另一技术方案是:
一种锂离子动力电池荷电状态估计***,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的锂离子动力电池荷电状态估计方法。
本发明的有益效果是:本发明通过建立电池的一阶RC等效电路模型,并建立模型的状态方程,定义状态方程的状态向量后,根据状态向量,求解状态方程的系数矩阵的表达式,然后将电池的实时工作电流作为***激励,实时工作电压作为观测量,采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值,最后根据OCV估计值以及电池的OCV-SOC关系曲线,插值获得电池的SOC估计值。本发明可以在电池使用过程中,实时在线辨识模型参数,并实时修正模型参数,从而估计获得高准确度的OCV估计值,保证电池SOC估计值的精度。
附图说明
图1是一种锂离子动力电池荷电状态估计方法的流程图;
图2是本发明一具体实施例中电池的OCV-SOC关系曲线图;
图3是本发明采用的一阶RC等效电路模型;
图4是本发明具体实施例的功率输入曲线图;
图5是本发明具体实施例的电池模型参数及OCV在线辨识结果的欧姆内阻曲线图;
图6是本发明具体实施例的电池模型参数及OCV在线辨识结果的极化内阻曲线图;
图7是本发明具体实施例的电池模型参数及OCV在线辨识结果的时间常数曲线图;
图8是本发明具体实施例的电池模型参数及OCV在线辨识结果的开路电压曲线图;
图9是本发明具体实施例的SOC估计结果曲线图;
图10是本发明具体实施例的SOC估计误差曲线图;
图11是本发明的一种锂离子动力电池荷电状态估计***的电子框图。
具体实施方式
方法实施例
参照图1,一种锂离子动力电池荷电状态估计方法,包括以下步骤:
S1、建立电池的一阶RC等效电路模型,并建立模型的状态方程;
S2、定义状态方程的状态向量,所述状态向量包含模型的模型参数和电池的OCV值;
S3、根据状态向量,求解状态方程的系数矩阵的表达式,所述系数矩阵包括状态转移矩阵A和观测矩阵C;
S4、将电池的实时工作电流作为***激励,实时工作电压作为观测量,采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值;
S5、根据OCV估计值以及电池的OCV-SOC关系曲线,插值获得电池的SOC估计值;
所述电池的OCV-SOC关系曲线是通过对电池进行间歇性放电-静置实验,所测试获得的。本实施例中,测试获得的OCV-SOC关系曲线如图2所示。
本方法通过采用扩展卡尔曼滤波算法在线辨识模型的模型参数,可以实时修正在汽车实际运行过程中,模型参数随着环境温度、充放电倍率、工况持续时间等因素的变化所产生的变化,与传统的离线辨识参数的方法相比,本方案可以在电池使用过程中,实时在线辨识模型参数,并实时修正模型参数,从而估计获得高准确度的OCV估计值,保证了电池SOC估计值的精度。
进一步作为优选的实施方式,所述步骤S4,具体包括:
S41、将电池的实时工作电流作为***激励,结合当前时刻的状态向量,采用扩展卡尔曼滤波算法预测下一时刻的状态向量;
S42、根据预测获得的下一时刻的状态向量,获得模型的OCV估计值,并计算获得电池模型的模型参数;
S43、根据计算获得的模型参数,实时更新状态方程的系数矩阵,将更新后的系数矩阵用于下一次预测计算。
进一步作为优选的实施方式,所述步骤S41之前还包括初始化步骤:
S40、初始化状态方程的状态向量xk、误差协方差矩阵P,并根据***特性赋值过程噪声矩阵Q,根据测量设备的精度赋值测量噪声R。
进一步作为优选的实施方式,所述步骤S41,具体包括:
S411、根据当前时刻的误差协方差矩阵,预测下一时刻的误差协方差矩阵;具体采用下式预测状态方程的误差协方差矩阵预测值:
Pk+1|k=APkAT+Q
其中,Pk表示当前时刻的误差协方差矩阵,Pk+1|k表示下一时刻的误差协方差矩阵的预测值,A表示电池模型的状态转移矩阵,AT表示A的转置矩阵,C表示电池模型的观测矩阵,Q表示过程噪声矩阵;
S412、根据误差协方差矩阵的预测值,采用下式求解下一时刻的卡尔曼滤波增益的预测值:
Kk+1=Pk+1|kCT[CPk+1|kCT+R]-1
S413、根据卡尔曼滤波增益的预测值,计算下一时刻的状态向量,并更新误差协方差矩阵。
具体根据下式更新状态向量:
其中,和分别表示更新前和更新后的状态向量,Uk+1表示下一时刻的电池的实时工作电压;
根据下式更新状态方程的误差协方差矩阵:
Pk+1=Pk+1|k-Kk+1CPk+1|k
其中,Pk+1表示更新后的误差协方差矩阵。
由此可见,本方案的模型参数辨识过程,采用的是在线识别辨识的方法,无需实现采集批量数据来计算获得固定的模型参数,而是在电池的实际使用过程中,根据电池的实时工作电流和实时工作电压在线辨识获得实时的模型参数,从而本方法的电池模型可以在环境温度、充放电倍率、工况持续时间等因素发生变化时,依旧保持高精度,从而保证了本方法估计获得的SOC值的精度。
进一步作为优选的实施方式,参照图3所示,所述电池的一阶RC等效电路模型包括恒压源、欧姆内阻R0、极化内阻R1和极化电容C1,其中,所述极化内阻R1和极化电容C1并联后,依次与欧姆内阻R0和恒压源串联。恒压源两端为开路电压OCV,U为电池端电压,R0为电极材料、电解液、隔膜的欧姆内阻,R1、C1用于模拟电池极化反应,在电池动态变化时起作用,电池模型输入电流I的方向如图3所示。
进一步作为优选的实施方式,所述步骤S1中所述状态方程为:
其中,U1,k表示当前时刻一阶RC等效电路的极化电压,U1,k+1表示下一时刻一阶RC等效电路的极化电压,T表示采样周期,R1,k表示当前时刻的极化内阻值,R0,k表示当前时刻的欧姆内阻值,Ik表示电池的实时工作电流,Uk表示电池的实时工作电压,OCVk表示当前时刻电池的OCV值,τ1,k表示时间常数,且τ1,k=R1,kC1,k,C1,k表示当前时刻的极化电容值。
进一步作为优选的实施方式,所述步骤S2中所述状态向量xk为:
xk=[U1,k R1,k τ1,k R0,k OCVk]。
进一步作为优选的实施方式,所述步骤S3中,电池模型的状态转移矩阵A为:
进一步作为优选的实施方式,所述步骤S3中,电池模型的观测矩阵C为:
C=[-1 0 0 -Ik 1]。
本实施例中,步骤S4中的功率输入曲线图如图4所示,该曲线的电流分量Ik作为***激励,电压分量Uk作为观测量。
对应的模型参数辨识结果如图5~图7所示,对应的OCV估计值如图8所示,其中,图5是本发明具体实施例的电池模型参数及OCV在线辨识结果的欧姆内阻曲线图,图6是本发明具体实施例的电池模型参数及OCV在线辨识结果的极化内阻曲线图,图7是本发明具体实施例的电池模型参数及OCV在线辨识结果的时间常数曲线图,图8是本发明具体实施例的电池模型参数及OCV在线辨识结果的开路电压曲线图。另外,图9是本发明具体实施例的SOC估计结果曲线图,由图9可知,本方法估计获得的SOC曲线与实际测量获得的SOC曲线吻合度较高,图10是本发明具体实施例的SOC估计误差曲线图,根据图示可知,本方法的SOC估计误差在±2%以内,精度较高。
***实施例
参照图11,本实施例提供了一种锂离子动力电池荷电状态估计***,包括:
至少一个处理器200;
至少一个存储器100,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器200执行,使得所述至少一个处理器200实现所述的锂离子动力电池荷电状态估计方法。
本实施例的锂离子动力电池荷电状态估计***,可执行本发明方法实施例所提供的锂离子动力电池荷电状态估计方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种锂离子动力电池荷电状态估计方法,其特征在于,包括以下步骤:
S1、建立电池的一阶RC等效电路模型,并建立模型的状态方程;
S2、定义状态方程的状态向量,所述状态向量包含模型的模型参数和电池的OCV值;
S3、根据状态向量,求解状态方程的系数矩阵的表达式,所述系数矩阵包括状态转移矩阵和观测矩阵;
S4、将电池的实时工作电流作为***激励,实时工作电压作为观测量,采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值;
S5、根据OCV估计值以及电池的OCV-SOC关系曲线,插值获得电池的SOC估计值;
所述电池的OCV-SOC关系曲线是通过对电池进行间歇性放电-静置实验,所测试获得的。
2.根据权利要求1所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S4,具体包括:
S41、将电池的实时工作电流作为***激励,结合当前时刻的状态向量,采用扩展卡尔曼滤波算法预测下一时刻的状态向量;
S42、根据预测获得的下一时刻的状态向量,获得模型的OCV估计值,并计算获得电池模型的模型参数;
S43、根据计算获得的模型参数,实时更新状态方程的系数矩阵,将更新后的系数矩阵用于下一次预测计算。
3.根据权利要求2所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S41之前还包括初始化步骤:
S40、初始化状态方程的状态向量、误差协方差矩阵,并根据***特性赋值过程噪声矩阵Q,根据测量设备的精度赋值测量噪声R。
4.根据权利要求2所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S41,具体包括:
S411、根据当前时刻的误差协方差矩阵,预测下一时刻的误差协方差矩阵;
S412、根据误差协方差矩阵的预测值,求解下一时刻的卡尔曼滤波增益的预测值;
S413、根据卡尔曼滤波增益的预测值,计算下一时刻的状态向量,并更新误差协方差矩阵。
5.根据权利要求1所述的锂离子动力电池荷电状态估计方法,其特征在于,所述电池的一阶RC等效电路模型包括恒压源、欧姆内阻、极化内阻和极化电容,其中,所述极化内阻和极化电容并联后,依次与欧姆内阻和恒压源串联。
6.根据权利要求1所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S1中所述状态方程为:
其中,U1,k表示当前时刻一阶RC等效电路的极化电压,U1,k+1表示下一时刻一阶RC等效电路的极化电压,T表示采样周期,R1,k表示当前时刻的极化内阻值,R0,k表示当前时刻的欧姆内阻值,Ik表示电池的实时工作电流,Uk表示电池的实时工作电压,OCVk表示当前时刻电池的OCV值,τ1,k表示时间常数,且τ1,k=R1,kC1,k。
7.根据权利要求6所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S2中所述状态向量xk为:
xk=[U1,k R1,k τ1,k R0,k OCVk]。
8.根据权利要求7所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S3中,电池模型的状态转移矩阵A为:
9.根据权利要求7所述的锂离子动力电池荷电状态估计方法,其特征在于,所述步骤S3中,电池模型的观测矩阵C为:
C=[-1 0 0 -Ik 1]。
10.一种锂离子动力电池荷电状态估计***,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-9任一项所述的锂离子动力电池荷电状态估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165942.3A CN108445402A (zh) | 2018-02-28 | 2018-02-28 | 一种锂离子动力电池荷电状态估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165942.3A CN108445402A (zh) | 2018-02-28 | 2018-02-28 | 一种锂离子动力电池荷电状态估计方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108445402A true CN108445402A (zh) | 2018-08-24 |
Family
ID=63192693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810165942.3A Pending CN108445402A (zh) | 2018-02-28 | 2018-02-28 | 一种锂离子动力电池荷电状态估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108445402A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
CN109444758A (zh) * | 2018-12-03 | 2019-03-08 | 湖南金杯新能源发展有限公司 | 电池荷电状态估计方法、装置、存储介质及计算机设备 |
CN109901083A (zh) * | 2019-04-01 | 2019-06-18 | 北京理工大学 | 一种动力电池ocv曲线在线重构方法 |
CN109932662A (zh) * | 2019-03-06 | 2019-06-25 | 重庆雅讯电源技术有限公司 | 电池容量状态估计方法、装置、设备及存储介质 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN110361653A (zh) * | 2019-07-25 | 2019-10-22 | 北方民族大学 | 一种基于混合储能装置的soc估算方法及*** |
CN110837049A (zh) * | 2019-11-26 | 2020-02-25 | 无锡物联网创新中心有限公司 | 一种基于ukf算法的锂离子动力电池状态估计方法 |
CN111208439A (zh) * | 2020-01-19 | 2020-05-29 | 中国科学技术大学 | 一种串联锂离子电池组微短路故障定量检测方法 |
CN111262896A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 一种网联汽车电池管理*** |
CN111323722A (zh) * | 2020-02-24 | 2020-06-23 | 吉利汽车研究院(宁波)有限公司 | 一种确定电池荷电状态的方法及装置 |
WO2020143193A1 (zh) * | 2019-01-08 | 2020-07-16 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
CN111428433A (zh) * | 2020-04-10 | 2020-07-17 | 湖南经研电力设计有限公司 | 基于混合滤波的锂离子电池状态计算方法 |
CN111551869A (zh) * | 2020-05-15 | 2020-08-18 | 江苏科尚智能科技有限公司 | 锂电池低频参数测量方法、装置、计算机设备和存储介质 |
CN112078426A (zh) * | 2020-09-02 | 2020-12-15 | 北京牛电科技有限责任公司 | 一种电池电量确定方法、装置、设备及存储介质 |
CN112731157A (zh) * | 2020-12-16 | 2021-04-30 | 上海理工大学 | 一种基于数据驱动的锂离子电池容量估计方法 |
CN113009361A (zh) * | 2021-03-13 | 2021-06-22 | 福州大学 | 一种基于开路电压校准的电池荷电状态估计方法 |
CN113109725A (zh) * | 2021-04-22 | 2021-07-13 | 江苏大学 | 基于状态噪声矩阵自调节并联电池荷电状态估计方法 |
CN113391212A (zh) * | 2021-06-23 | 2021-09-14 | 山东大学 | 一种锂离子电池等值电路参数在线辨识方法及*** |
CN113466725A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267261A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
CN105203969A (zh) * | 2015-10-23 | 2015-12-30 | 南昌航空大学 | 基于修正的rc电池模型的荷电状态估计方法 |
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
-
2018
- 2018-02-28 CN CN201810165942.3A patent/CN108445402A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN104267261A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
CN105203969A (zh) * | 2015-10-23 | 2015-12-30 | 南昌航空大学 | 基于修正的rc电池模型的荷电状态估计方法 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
Non-Patent Citations (1)
Title |
---|
张禹轩: "电动汽车动力电池模型参数在线辨识及SOC估计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
CN111262896A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 一种网联汽车电池管理*** |
CN109444758A (zh) * | 2018-12-03 | 2019-03-08 | 湖南金杯新能源发展有限公司 | 电池荷电状态估计方法、装置、存储介质及计算机设备 |
WO2020143193A1 (zh) * | 2019-01-08 | 2020-07-16 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
CN109932662A (zh) * | 2019-03-06 | 2019-06-25 | 重庆雅讯电源技术有限公司 | 电池容量状态估计方法、装置、设备及存储介质 |
CN109901083A (zh) * | 2019-04-01 | 2019-06-18 | 北京理工大学 | 一种动力电池ocv曲线在线重构方法 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN110196393B (zh) * | 2019-05-31 | 2024-03-12 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN110361653A (zh) * | 2019-07-25 | 2019-10-22 | 北方民族大学 | 一种基于混合储能装置的soc估算方法及*** |
CN110361653B (zh) * | 2019-07-25 | 2024-05-03 | 郑柏阳 | 一种基于混合储能装置的soc估算方法及*** |
CN110837049A (zh) * | 2019-11-26 | 2020-02-25 | 无锡物联网创新中心有限公司 | 一种基于ukf算法的锂离子动力电池状态估计方法 |
CN111208439A (zh) * | 2020-01-19 | 2020-05-29 | 中国科学技术大学 | 一种串联锂离子电池组微短路故障定量检测方法 |
CN111323722A (zh) * | 2020-02-24 | 2020-06-23 | 吉利汽车研究院(宁波)有限公司 | 一种确定电池荷电状态的方法及装置 |
CN113466725A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
CN113466725B (zh) * | 2020-03-31 | 2022-09-09 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
CN111428433A (zh) * | 2020-04-10 | 2020-07-17 | 湖南经研电力设计有限公司 | 基于混合滤波的锂离子电池状态计算方法 |
CN111428433B (zh) * | 2020-04-10 | 2021-04-09 | 湖南经研电力设计有限公司 | 基于混合滤波的锂离子电池状态计算方法 |
CN111551869A (zh) * | 2020-05-15 | 2020-08-18 | 江苏科尚智能科技有限公司 | 锂电池低频参数测量方法、装置、计算机设备和存储介质 |
CN112078426B (zh) * | 2020-09-02 | 2023-06-30 | 北京牛电科技有限责任公司 | 一种电池电量确定方法、装置、设备及存储介质 |
CN112078426A (zh) * | 2020-09-02 | 2020-12-15 | 北京牛电科技有限责任公司 | 一种电池电量确定方法、装置、设备及存储介质 |
CN112731157A (zh) * | 2020-12-16 | 2021-04-30 | 上海理工大学 | 一种基于数据驱动的锂离子电池容量估计方法 |
CN113009361B (zh) * | 2021-03-13 | 2022-06-17 | 福州大学 | 一种基于开路电压校准的电池荷电状态估计方法 |
CN113009361A (zh) * | 2021-03-13 | 2021-06-22 | 福州大学 | 一种基于开路电压校准的电池荷电状态估计方法 |
CN113109725A (zh) * | 2021-04-22 | 2021-07-13 | 江苏大学 | 基于状态噪声矩阵自调节并联电池荷电状态估计方法 |
CN113109725B (zh) * | 2021-04-22 | 2023-02-17 | 江苏大学 | 基于状态噪声矩阵自调节并联电池荷电状态估计方法 |
CN113391212A (zh) * | 2021-06-23 | 2021-09-14 | 山东大学 | 一种锂离子电池等值电路参数在线辨识方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及*** | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
CN108072847B (zh) | 一种动力锂电池模型参数辨识和剩余电量的估计方法 | |
CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和*** | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN109061520A (zh) | 一种动力电池健康与功率状态在线估算方法及*** | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其*** | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN108445408A (zh) | 一种基于参数估计ocv的全温度soc估计方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN107589379A (zh) | 一种在线估计锂电池soc和阻抗的方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN105572596B (zh) | 锂电池soc估算方法及*** | |
WO2023274194A1 (zh) | 一种适用于富锂锰基电池的高阶模型参数辨识方法和*** | |
JP2011122951A (ja) | 二次電池の充電状態推定装置および劣化状態推定装置 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
CN108646199A (zh) | 一种动力电池soc估算方法和*** | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
CN110687462A (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |