CN109726501A - 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 - Google Patents
基于可变遗忘因子的rls锂电池模型参数在线辨识方法 Download PDFInfo
- Publication number
- CN109726501A CN109726501A CN201910026801.8A CN201910026801A CN109726501A CN 109726501 A CN109726501 A CN 109726501A CN 201910026801 A CN201910026801 A CN 201910026801A CN 109726501 A CN109726501 A CN 109726501A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- forgetting factor
- rls
- model
- parameter
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- DIWRORZWFLOCLC-UHFFFAOYSA-N Lorazepam Chemical compound C12=CC(Cl)=CC=C2NC(=O)C(O)N=C1C1=CC=CC=C1Cl DIWRORZWFLOCLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000001390 forced Rayleigh scattering spectroscopy Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 229910015009 LiNiCoMnO2 Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明属于锂电池模型辨识领域,公开了一种基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,获取锂电池性能参数信息;建立二阶锂电池等效电路模型,并推导模型辨识向量方程;获得电池在不同温度下的OCV‑SOC特性曲线,拟合出OCV‑SOC的关系表达式;根据可变遗忘因子的RLS方法对模型方程计算当前时刻参数;更新下一时刻遗忘因子值;采集下一时刻的电压与电流值,利用更新的遗忘因子RLS方法,对二阶RC等效电路模型进行下一时刻在线参数辨识。本发明可快速收敛至真实值;且对于时变的锂电池模型参数,与固定遗忘因子的RLS方法相比,有更高收敛速度和辨识精度的在线跟踪能力。
Description
技术领域
本发明属于锂电池模型辨识领域,尤其涉及一种基于可变遗忘因子的RLS锂电池模型参数在线辨识方法。
背景技术
目前,国内外锂电池模型参数辨识,主要采用离线辨识的方法,即利用脉冲方法获得锂电池对脉冲的响应,根据获得的离线数据,对电池模型参数进行辨识。但锂电池模型参数是时变***,它随着SOC的变化而变化的,离线辨识的参数结果不能满足高精度SOC的需求。近几年,国内外出现3种在线辨识锂电池模型参数的方法包括:最小二乘法(RLS),遗传基因算法(GA),群粒子算法(PSO)。GA和PSO算法不仅复杂度极高,而且计算量非常大,因此,工程应用价值不高,不适合于电池管理***;RLS方法广泛应用于锂电池SOC估算中的模型参数辨识,实现起来也比较简单,大部分情况下,基于RLS的锂电池模型参数辨识能估算出准确统计特性的参数结果。但是,RLS是具有无限记忆长度的算法,对于锂电池***,RLS在参数辨识过程中旧数据越来越多,会导致结果不能良好的反应新数据的特性,出现“数据饱和”现象。针对此种情况,经文献检索发现,中国专利申请号为CN201710421602.8,名称为:一种带遗忘因子的最小二乘法(FRLS)锂电池模型参数辨识方法,该专利中提出引入遗忘因子克服“数据饱和”现象。但是,FRLS中遗忘因子是人为选择的一个固定值(通常属于(0,1)),它只适用于非时变***。对于时变***,如果遗忘因子取值较大,则收敛速度较慢,如果遗忘因子取值较小,则辨识精度较低,其收敛速度和跟踪能力都难以满足要求。而锂电池模型是非线性、时变***,因此,有必要寻找一种运算复杂度和FRLS算法相当,但收敛速度及辨识精度高于FRLS算法的灵活的锂电池模型参数辨识方法。
综上所述,目前技术存在的问题包括:
不能满足高精度SOC的需求。
计算量大,不适合于电池管理***。
对于时变***收敛速度较慢,辨识精度较低。
解决上述技术问题的意义:
本发明的目的在于克服现在技术中的不足,提供一种基于可变遗忘因子的RLS的锂电池模型参数在线辨识方法,使其在未知统计信息的情况下具有估计性能稳健、精度高、鲁棒性强、搞白噪声能力强的特点,且易于实现。
发明内容
针对现有技术存在的问题,本发明提供了一种基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,锂电池SOC是动力电池管理***最重要的参数,而锂电池模型参数是影响锂电池SOC关键因素,因此急需设计一种精度高、计算量小、速度快的锂电池模型参数估算方法。
本发明是这样实现的,一种基于可变遗忘因子的RLS锂电池模型参数在线辨识方法包括:
步骤一:获取锂电池性能参数信息;
步骤二:建立二阶锂电池等效电路模型,并推导出电压、电流与参数的向量方程;
步骤三:对锂电子电池进行放电-静置实验,为了更准备的辨识锂电池模型参数,获取锂电池在不同温度下的OCV-SOC特性曲线,拟合出OCV-SOC的关系表达式,根据锂电池当前温度选择相应特性曲线在线辨识参数;
步骤四:采集锂电池当前时刻的电压、电流和温度数据;
步骤五:设定初始值,根据可变遗忘因子的RLS方法辨识向量方程当前时刻参数;
步骤六:更新下一时刻遗忘因子值;
步骤七:采集下一时刻的电压、电流、温度数据;重复步骤四至步骤七,对锂电池模型参数在线辨识。
进一步,步骤五中,所述当前时刻参数计算方法包括:
1)设定模型参数θ(0)、协方差P(0)、遗忘因子的初始值λ(0);设定步长L,设定遗忘因子的最大值λmax,设定的初始值;其中,L是在线辨识步长。, 分别为过程噪声和测量噪声的方差。
2)根据测量电压值,计算电压估算误差值:
3)计算当前时刻的增益:
4)计算当前时刻协方差值:
5)计算当前时刻模型参数值:
θ(k)=θ(k-1)-K(k)e(k)
6)计算下一时刻的遗忘因子值λ(k);
7)采集下一时刻电压与电流值,重复步骤二至步骤七。
进一步,步骤6)中,所述遗忘因子值λ(k)计算方法包括:
其中,
ζ是一个很小的常数,避免除数出现0,α=1-1/(KαL)和β=1-1/(KβL)是权重值,Kα>Kα≥2。
进一步,步骤二中,所述二阶锂电池模型表达式为:
由基尔霍夫定律与拉布拉斯变换,得到二阶RC等效电路模型频域下的状态方程为:
令Uq=Ut-Uoc,得到:
通过变换得到,
引入线性变换,将上式转换为:
其中,
将上式转换为时域方程为:
Ut(k)=(1-θ1-θ2)Uoc(k)+θ1Ut(k-1)+θ2Ut(k-2)+θ3I0(k)+θ4I0(k-1)+θ5I0(k-2)
定义:
得到模型参数辨识的向量方程:
其中,为***输入,为***输出,θ(k)=[(1-θ1-θ2)Uoc,θ1,θ2,θ3,θ4,θ5]为***辨识参数。
本发明另一目的在于提供一种实施所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法的控制***。
综上所述,本发明的优点及积极效果为:
本发明在传统的固定遗忘因子的RLS方法的基础上设计了一种时变***的基于可变遗忘因子的RLS锂电池模型参数估计方法,通过对时变噪声的跟踪,得到噪声作用下的遗忘因子信息,从而得到更加符合实际的遗忘因子值。本发明的锂电池模型参数辨识方法与传统的参数辨识方法相比,能够很好地跟踪和辨识参数,具有收敛性好、估计精度高等特点,同时能够通过调整步长等参数来对参数辨识精度和计算复杂度进行折中和平衡,从而获得更好的辨识性能。因此,这种锂电池模型参数辨识方法方便灵活,很适合实际应用,可以为锂电池管理***的模型参数辨识方案提供重要的理论依据和具体的实现方法。
附图说明
图1是本发明实施例提供的基于可变遗忘因子的RLS锂电池模型参数在线辨识方法流程图;
图2是本发明实施例提供的基于可变遗忘因子的RLS锂电池模型参数在线辨识方法原理图;
图3是本发明实施例提供的二阶等效电路模型图;
图4是本发明实施例提供的三元锂电池在不同温度下的充放电实验,分别标定0℃、10℃、20℃、30℃、40℃、50℃脉冲放电响应下的OCV-SOC曲线。图5是本发明实施例提供的在某种动态工况下的可变遗忘因子RLS与固定遗忘因子RLS辨识锂电池模型电压误差对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,不能满足高精度SOC的需求。计算量大,不适合于电池管理***。对于时变***收敛速度较慢,辨识精度较低。
为解决上述问题,下面结合具体方案对本发明作详细描述。
如图1-图2所示,本发明实施例提供的基于可变遗忘因子的RLS锂电池模型参数在线辨识方法包括:
S101:获取锂电池性能参数信息。
S102:建立二阶锂电池等效电路模型,并推导出电压、电流与参数的向量方程。
S103:对锂电池进行放电-静置实验,获得电池在不同温度下的OCV-SOC特性曲线,拟合出OCV-SOC的关系表达式。
S104:采集锂电池当前时刻的电压、电流及温度数据。
S105:设定初始值,根据可变遗忘因子的RLS方法辨识向量方程当前时刻参数。
S106:更新下一时刻遗忘因子值。
S107:采集下一时刻的电压、电流、温度数据;重复步骤S104至步骤S107,对锂电池模型参数在线辨识。
步骤S101中,锂电池基本参数如下表所示:
材料 | 额定容量 | 额定电压 | 最大/最小截止电压 |
LiNiCoMnO<sub>2</sub> | 2.7Ah | 3.6V | 4.2V/2.7V |
。
步骤S102中,该等效电路模型的表达式为;
由基尔霍夫定律与拉布拉斯变换,得到二阶RC等效电路模型频域下的状态方程为:
令Uq=Ut-Uoc,得到:
通过变换得到,
引入线性变换,将上式转换为:
其中,
将上式转换为时域方程为:
Ut(k)=(1-θ1-θ2)Uoc(k)+θ1Ut(k-1)+θ2Ut(k-2)+θ3I0(k)+θ4I0(k-1)+θ5I0(k-2)
定义:
推导出电压、电流与参数的方程:
其中,为***输入,为***输出,θ(k)=[(1-θ1-θ2)Uoc,θ1,θ2,θ3,θ4,θ5]为***辨识参数。
步骤S103中,对锂电子电池进行放电-静置实验,获得锂电池在不同温度下的OCV-SOC特性曲线,图4是在0℃、10℃、20℃、30℃、40℃、50℃温度条件下的脉冲放电响应实验标定得到的OCV-SOC曲线;每组标定的设置和操作步骤为:
①采用恒流(1C)恒压(截止电压为4.2V)的方式对锂电池进行充电。
②对锂电池进行恒流(1C)、恒容量(250mAh)放电。
③放电结束,静置一小时使锂电池消除极化效应以到达平衡状态。
④重复步骤②③,直至锂电池OCV-SOC标定试验结束。
步骤S104中,采集锂电池当前时刻的电压及电流等数据,其中采样时间为1秒;采集锂电池的端电压V(k)、V(k-1)、V(k-2),端电流I(k)、I(k-1)、V(k-2),确定SOC初始值;计算Ut-Uoc,并获取辨识过程中的输入***输出
步骤S105中,设定模型参数初始值,根据可变遗忘因子的RLS方法对模型方程估算当前时刻参数;具体包括:
1)、设定模型参数θ(0)、协方差P(0)、遗忘因子的初始值λ(0);设定步长L,设定遗忘因子的最大值λmax,设定的初始值,其中,L是在线辨识步长, 分别为过程噪声和测量噪声的方差。
2)、根据采集电压值,计算电压估算误差值:
3)、计算当前时刻的增益:
4)、计算当前时刻协方差值:
5)、计算当前时刻模型参数值:
θ(k)=θ(k-1)-K(k)e(k)
至此,得到了当前时刻锂电池辨识模型的系数,根据系数与模型参数的关系式,即辨识出等效电路模型当前时刻的参数。
步骤S106中,更新下一时刻可变遗忘因子值;具体计算式为:
其中,
ζ是一个很小的常数,避免除数出现0,α=1-1/(KαL)和β=1-1/(KβL)是权重值,Kα>Kα≥2。
步骤S107中,利用更新的可变遗忘因子的递推最小二乘法,对二阶RC等效电路模型进行在线参数辨识,采集下一时刻的电压与电流值,重复步骤S101至步骤S107,进而可按照实际工况对锂电池模型参数进行在线、实时更新。
在本发明实施例中,图3是本发明实施例提供的二阶等效电路模型图;
图4是本发明实施例提供的三元锂电池在不同温度下的充放电实验,分别标定0℃、10℃、20℃、30℃、40℃、50℃脉冲放电响应条件下的OCV-SOC曲线。
图5是本发明实施例提供的在某种动态工况下的可变遗忘因子RLS与固定遗忘因子RLS辨识锂电池模型电压误差对比图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,其特征在于,所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法包括:
步骤一:获取锂电池性能参数信息;
步骤二:建立二阶锂电池等效电路模型,并推导出电压、电流与参数的向量方程;
步骤三:对锂电池进行放电-静置实验,获得电池在不同温度下的OCV-SOC特性曲线,拟合出OCV-SOC的关系表达式;
步骤四:采集锂电池当前时刻的电压、电流及温度数据;
步骤五:设定初始值,根据可变遗忘因子的RLS方法辨识向量方程当前时刻参数;
步骤六:更新下一时刻遗忘因子值;
步骤七:采集下一时刻的电压、电流、温度数据;重复步骤四至步骤七,对锂电池模型参数在线辨识。
2.如权利要求1所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,其特征在于,所述步骤二中建立锂电池模型包括:
根据戴维南定理建立二阶锂电池模型表达式:
由基尔霍夫定律与拉布拉斯变换,得到二阶RC等效电路模型频域下的状态方程为:
令Uq=Ut-Uoc,得到:
通过变换得到,
引入线性变换,将上式转换为:
其中,
将上式转换为时域方程为:
Ut(k)=(1-θ1-θ2)Uoc(k)+θ1Ut(k-1)+θ2Ut(k-2)+θ3I0(k)+θ4I0(k-1)+θ5I0(k-2)
定义:
得到模型参数辨识的向量方程:
3.如权利要求1所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,其特征在于,所述步骤五中当前时刻参数辨识步骤包括:
(1)设定模型参数θ(0)、协方差P(0)、遗忘因子λ(0)的初始值;设定步长L,设定遗忘因子的最大值λmax,设定的初始值;其中,L是在线辨识步长, 分别为过程噪声和测量噪声的方差;
(2)根据采集电压电流值,计算模型电压估算误差值:
(3)计算当前时刻的增益:
(4)计算当前时刻协方差值:
(5)计算当前时刻模型参数值:
θ(k)=θ(k-1)-K(k)e(k)。
4.如权利要求1所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法,其特征在于,所述步骤六中遗忘因子值λ(k)计算方法包括:
其中,
ζ是一个很小的常数,避免除数出现0,α=1-1/(KαL)和β=1-1/(KβL)是权重值,Kα>Kα≥2。
5.一种实施权利要求1所述基于可变遗忘因子的RLS锂电池模型参数在线辨识方法的控制***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910026801.8A CN109726501A (zh) | 2019-01-11 | 2019-01-11 | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910026801.8A CN109726501A (zh) | 2019-01-11 | 2019-01-11 | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726501A true CN109726501A (zh) | 2019-05-07 |
Family
ID=66299072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910026801.8A Pending CN109726501A (zh) | 2019-01-11 | 2019-01-11 | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726501A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968976A (zh) * | 2019-12-24 | 2020-04-07 | 武汉理工大学 | 全钒液流电池等效电路模型参数识别方法 |
CN111046485A (zh) * | 2019-11-12 | 2020-04-21 | 西北工业大学 | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 |
CN111474431A (zh) * | 2020-04-21 | 2020-07-31 | 三峡大学 | 一种电解电容器分数阶等效电路模型及其参数辨识方法 |
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN112147514A (zh) * | 2020-09-25 | 2020-12-29 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
CN112244876A (zh) * | 2020-09-30 | 2021-01-22 | 北京工业大学 | 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法 |
CN112595979A (zh) * | 2020-12-02 | 2021-04-02 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及*** |
CN112946480A (zh) * | 2021-01-28 | 2021-06-11 | 中国矿业大学 | 一种提高soc估计实时性的锂电池电路模型简化方法 |
CN113093017A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 一种锂离子电池等效电路模型在线构建方法 |
CN113359035A (zh) * | 2021-05-28 | 2021-09-07 | 上海玖行能源科技有限公司 | 一种基于电池实际工况的开路电压获取方法 |
CN113466724A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
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 |
CN114966408A (zh) * | 2022-04-29 | 2022-08-30 | 广东汇天航空航天科技有限公司 | 动力电池在线参数辨识方法、装置、设备及载人飞行器 |
CN116482555A (zh) * | 2023-04-10 | 2023-07-25 | 南通大学 | 一种基于Wiener结构的锂离子电池非线性建模及其参数辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
-
2019
- 2019-01-11 CN CN201910026801.8A patent/CN109726501A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
CONSTANTIN PALEOLOGU等: "A Robust Variable Forgetting Factor Recursive Least-Squares Algorithm for System Identification", 《IEEE SIGNAL PROCESSING LETTERS》 * |
张彦琴等: "动力电池动态模型参数辨识的研究", 《电池工业》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN111929585B (zh) * | 2019-05-13 | 2023-08-04 | 丰翼科技(深圳)有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN111046485A (zh) * | 2019-11-12 | 2020-04-21 | 西北工业大学 | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 |
CN111046485B (zh) * | 2019-11-12 | 2022-04-26 | 西北工业大学 | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 |
CN110968976A (zh) * | 2019-12-24 | 2020-04-07 | 武汉理工大学 | 全钒液流电池等效电路模型参数识别方法 |
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 |
CN113466724B (zh) * | 2020-03-31 | 2022-10-18 | 比亚迪股份有限公司 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
CN113466724A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
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 |
CN111474431B (zh) * | 2020-04-21 | 2022-02-01 | 三峡大学 | 一种电解电容器分数阶等效电路模型及其参数辨识方法 |
CN111474431A (zh) * | 2020-04-21 | 2020-07-31 | 三峡大学 | 一种电解电容器分数阶等效电路模型及其参数辨识方法 |
CN112147514B (zh) * | 2020-09-25 | 2023-08-11 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
CN112147514A (zh) * | 2020-09-25 | 2020-12-29 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
CN112244876A (zh) * | 2020-09-30 | 2021-01-22 | 北京工业大学 | 一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法 |
CN112595979B (zh) * | 2020-12-02 | 2021-10-08 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及*** |
CN112595979A (zh) * | 2020-12-02 | 2021-04-02 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及*** |
CN112946480A (zh) * | 2021-01-28 | 2021-06-11 | 中国矿业大学 | 一种提高soc估计实时性的锂电池电路模型简化方法 |
CN113093017A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 一种锂离子电池等效电路模型在线构建方法 |
CN113359035A (zh) * | 2021-05-28 | 2021-09-07 | 上海玖行能源科技有限公司 | 一种基于电池实际工况的开路电压获取方法 |
CN114966408A (zh) * | 2022-04-29 | 2022-08-30 | 广东汇天航空航天科技有限公司 | 动力电池在线参数辨识方法、装置、设备及载人飞行器 |
CN116482555A (zh) * | 2023-04-10 | 2023-07-25 | 南通大学 | 一种基于Wiener结构的锂离子电池非线性建模及其参数辨识方法 |
CN116482555B (zh) * | 2023-04-10 | 2024-03-19 | 南通大学 | 基于Wiener的锂离子电池非线性建模及其参数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726501A (zh) | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 | |
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN104569835B (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN111965547B (zh) | 一种基于参数辨识法的电池***传感器故障诊断方法 | |
CN107290678B (zh) | 一种动力电池健康状态在线监测方法 | |
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN105203963B (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN110907835B (zh) | 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 | |
CN112327182B (zh) | 基于量测值残差序列的自适应h无穷滤波soc估计方法 | |
CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
CN112147514B (zh) | 基于rls的锂电池全工况自适应等效电路模型 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及*** | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN115656838A (zh) | 一种基于布谷鸟算法的电池soc估算方法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN117452234A (zh) | 改进参数辨识与无穷算法融合的soc估计方法及*** | |
CN116718920B (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 | |
CN107515374B (zh) | 一种应用于agv车soc估算动态调整滤波增益的方法 | |
CN112649746A (zh) | 一种结合电路等效和递推迭代的荷电状态估计方法 | |
CN110927585A (zh) | 一种基于自循环校正的锂电池soh估算***及方法 |
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: 20190507 |