CN110554326A - 一种基于多重速率强跟踪扩展的储能电池soc估算方法 - Google Patents
一种基于多重速率强跟踪扩展的储能电池soc估算方法 Download PDFInfo
- Publication number
- CN110554326A CN110554326A CN201910859243.3A CN201910859243A CN110554326A CN 110554326 A CN110554326 A CN 110554326A CN 201910859243 A CN201910859243 A CN 201910859243A CN 110554326 A CN110554326 A CN 110554326A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- strong tracking
- soc
- rate
- 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
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Battery Electrode And Active Subsutance (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于多重速率强跟踪扩展的储能电池SOC估算方法,包括首先确立等效电路模型,对动力电池进行不同充放电倍率的循环间歇充放电实验,通过获得的电池模型参数以及多重速率强跟踪扩展卡尔曼滤波器估算得到的荷电状态值,然后反复交错迭代就可以获得每一个时刻的电池SOC估算值。本发明的有益效果是:通过采用多重速率强跟踪扩展卡尔曼滤波法能够提高***增益裕度,使***具有统一的稳定性,实现易于分散控制等优点,多重速率强跟踪扩展卡尔曼滤波器不仅具有强跟踪扩展卡尔曼滤波器算法的优点,还提高了其单速率采样的***性能。
Description
技术领域
本发明涉及一种储能电池SOC的估算方法,具体为一种基于多重速率强跟踪扩展卡尔曼滤波法的储能电池SOC的估算方法,属于多速率采样控制***技术领域。
背景技术
随着被监测物的动态变化日趋复杂以及对监测***的要求不断提高,单速率采样监测控制***因其单一的采样频率不能满足较复杂监测***的要求,不能够通过不同的采样速率的信号来分析当前***的状态,因此***的增益裕度还有待提高,另外现有单一的采样***不具有统一的稳定性,因此也不能够进行分散控制,进而导致单速率采样的***性能也较差。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于多重速率强跟踪扩展的储能电池SOC估算方法。
本发明通过以下技术方案来实现上述目的:一种基于多重速率强跟踪扩展的储能电池SOC估算方法,包括以下步骤:
步骤1、确立等效电路模型,根据戴维南等效电路搭建了二阶RC电路模型;
步骤2、对动力电池进行不同充放电倍率的循环间歇充放电实验;
步骤3、建立磷酸铁锂电池动态模型,通过多重速率强跟踪卡尔曼滤波器法估算预测曲线和标准SOC的参考曲线。
作为本发明再进一步的方案:所述步骤1中,搭建的二阶RC电路模型,Uoc是电池的端电压,UL是电池的开路电压,R0是电池的欧姆内阻,R1,C1是电化学极化电阻和电容,R2,C2是浓度极化电阻和电容,在电路中,R0可以反应端子电压的突变特性,二阶RC并联网络可以反应端电压的梯度特性,Uoc可以反应电压和SOC之间的关系。
作为本发明再进一步的方案:所述步骤2中,脉冲式充放电测试实验包括以下步骤:
将磷酸铁锂电池充满至SOC=1,静置8小时;
以0.3C放电倍率进行放电实验:放电15秒,静置5分钟,放电20分钟,静置1小时,以此流程为一个循环,直至电池SOC=0,可以计算得出,每一个放电循环,磷酸铁锂电池都放出10%的SOC。在整个放电过程中,每秒的电池电压数据被精确采集以用于分析。
其中,在脉冲式充放电测试实验中,欧姆电阻0R的存在使得电池电压在放电开始和结束时瞬间跳变。
作为本发明再进一步的方案:所述步骤3中,建立磷酸铁锂电池动态模型需通过
端电压响应表达式:
RC并联电路的电压的初始电压:
电池放电后静置时间,电池的脉冲放电电压响应为零输入电压响应,端电压响应表达式:
y=a-be-ct-de-ft
计算出电池极化参数R1,C1,R2,C2。
设置电流和电压的采样周期:
mTU=T0,nTI=T0,n=Nm
其中,TI,TU分别是电流采样周期和电压采样周期,T0是***帧周期,n,m,N都是整数。上述公式表示,电压采样周期是帧周期的m倍,电流采样周期是帧周期的n倍。在一个电压采样周期内,电流采样了N次;
在第k次帧周期中[kT0,(k+1)T0),电流和电压如下方式采样:
单体电池的电压在一个帧周期内采样m次:
kT0+t1,kT0+t2,……,kT0+tm
其中,0=t1<t2<….<tm<T0并且tm+1=T0。
单体电池的电流在一个帧的周期内采样n次:
在区间[kT0,(k+1)T0)中,i∈[1,m],电流在该区间内采样N次:
kT0+ti 1,kT0+ti 2,……,kT0+ti N
其中,0<ti 1<ti 2<….<ti N<ti+1
然后确定输入变量和过程噪声,都可以认为是扩展向量,扩展矩阵如下:
电流系数和过程噪声的扩展矩阵如下:
定义提升的离散状态空间模型:
多重速率强跟踪扩展卡尔曼滤波器的算法的预测更新方程如下:
测量更新方程:
其中,P0代表初始输入信号,代表输出信号,k=1,2,…,Nt,Λk代表是多个衰落因子矩阵,是克罗内克积,Nt代表总时间步长。Qk和Rk代表噪声的协方差矩阵,假定为不变。
本发明的有益效果是:该基于多重速率强跟踪扩展卡尔曼滤波法的储能电池SOC的估算方法设计合理,多重速率强跟踪扩展卡尔曼滤波器可以通过不同的采样速率的信号来分析当前***的状态,相比于单速率控制器具有提高***增益裕度,使***具有统一的稳定性,实现易于分散控制等优点,多重速率强跟踪扩展卡尔曼滤波器不仅具有强跟踪扩展卡尔曼滤波器算法的优点,还提高了其单速率采样的***性能。
附图说明
图1为本发明算法流程示意图;
图2为本发明搭建二阶RC电路模型示意图;
图3为本发明欧姆电阻的瞬间跳变结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~3,一种基于多重速率强跟踪扩展的储能电池SOC估算方法,包括以下步骤:
步骤1、确立等效电路模型,根据戴维南等效电路搭建了二阶RC电路模型;
步骤2、对动力电池进行不同充放电倍率的循环间歇充放电实验;
步骤3、建立磷酸铁锂电池动态模型,通过多重速率强跟踪卡尔曼滤波器法估算预测曲线和标准SOC的参考曲线。
进一步的,在本发明实施例中,所述步骤1中,搭建的二阶RC电路模型,Uoc是电池的端电压,UL是电池的开路电压,R0是电池的欧姆内阻,R1,C1是电化学极化电阻和电容,R2,C2是浓度极化电阻和电容,在电路中,R0可以反应端子电压的突变特性,二阶RC并联网络可以反应端电压的梯度特性,Uoc可以反应电压和SOC之间的关系。
进一步的,在本发明实施例中,所述步骤2中,脉冲式充放电测试实验包括以下步骤:
1、将磷酸铁锂电池充满至SOC=1,静置8小时;
2、以0.3C放电倍率进行放电实验:放电15秒,静置5分钟,放电20分钟,静置1小时,以此流程为一个循环,直至电池SOC=0,可以计算得出,每一个放电循环,磷酸铁锂电池都放出10%的SOC。在整个放电过程中,每秒的电池电压数据被精确采集以用于分析。
其中,在脉冲式充放电测试实验中,欧姆电阻0R的存在使得电池电压在放电开始和结束时瞬间跳变。
由于15s脉冲放电时间较短,放电前后SOC的变化小,近似认为SOC不变,放电开始瞬间和结束时刻之间的电压差是相似的。
进一步的,在本发明实施例中,所述步骤3中,建立磷酸铁锂电池动态模型需通过
端电压响应表达式:
RC并联电路的电压的初始电压:
电池放电后静置时间,电池的脉冲放电电压响应为零输入电压响应,端电压响应表达式:
y=a-be-ct-de-ft
计算出电池极化参数R1,C1,R2,C2。
设置电流和电压的采样周期:
mTU=T0,nTI=T0,n=Nm
其中,TI,TU分别是电流采样周期和电压采样周期,T0是***帧周期,n,m,N都是整数。上述公式表示,电压采样周期是帧周期的m倍,电流采样周期是帧周期的n倍。在一个电压采样周期内,电流采样了N次;
在第k次帧周期中[kT0,(k+1)T0),电流和电压如下方式采样:
单体电池的电压在一个帧周期内采样m次:
kT0+t1,kT0+t2,……,kT0+tm
其中,0=t1<t2<….<tm<T0并且tm+1=T0。
单体电池的电流在一个帧的周期内采样n次:
在区间[kT0,(k+1)T0)中,i∈[1,m],电流在该区间内采样N次:
kT0+ti 1,kT0+ti 2,……,kT0+ti N
其中,0<ti 1<ti 2<….<ti N<ti+1
然后确定输入变量和过程噪声,都可以认为是扩展向量,扩展矩阵如下:
电流系数和过程噪声的扩展矩阵如下:
定义提升的离散状态空间模型:
多重速率强跟踪扩展卡尔曼滤波器的算法的预测更新方程如下:
测量更新方程:
其中,P0代表初始输入信号,代表输出信号,k=1,2,…,Nt,Λk代表是多个衰落因子矩阵,是克罗内克积,Nt代表总时间步长。Qk和Rk代表噪声的协方差矩阵,假定为不变。
实施例一
使用12块磷酸铁锂电池组进行多重速率强跟踪扩展卡尔曼滤波法测试,每块电池额定电压3.3V,容量50Ah,共输出2kWh的能量。采用电池脉冲放电试验来表现出电池的动态特性,从而获得电池模型的参数。
以1/3C恒流充电值充电截止电压后,以0.2C继续恒流充电至截止电压,最后以0.1C恒流充电至截止电压,此时电池处于满电,即SOC=100%的状态。然后选取SOC的采样点,鉴于SOC过小时,脉冲放电放出的电量对于SOC的消减作用加大,导致实际实验值距离真值偏差较大,所以取消了5%,95%这两个点,最后选10%、20%、30%、40%、50%、60%、70%、80%、90%、100%作为电池的采样点。最后以1/2C的放电电流,对电池组进行周期放电。记录下整个放电过程内电池端电压的变化。
根据端电压响应表达式:
RC并联电路的电压的初始电压为:
电池放电后静置时间,电池的脉冲放电电压响应为零输入电压响应,端电压响应表达式为:
y=a-be-ct-de-ft
根据上述表达式可以得到R1,C1,R2,C2的值如下表所示:
SOC/% | R1/mΩ | C1/F | R2/Mω | C2/F |
90 | 47.5 | 523 | 23.5 | 1200.1 |
80 | 40.4 | 492.4 | 22.2 | 1475.3 |
70 | 36.6 | 502.5 | 17.5 | 1182.5 |
60 | 37.4 | 497.5 | 18.1 | 997.5 |
50 | 37.1 | 478.9 | 17.9 | 934.5 |
40 | 35.2 | 460.5 | 16.5 | 1029.3 |
30 | 40.5 | 482.5 | 22.8 | 1132.8 |
20 | 62.6 | 366.2 | 30.4 | 1765.5 |
10 | 92.3 | 341.1 | 42.1 | 1841.6 |
0 | 155.3 | 321.8 | 70 | 1940.2 |
对相应的参数实施初始化,有二部分:其一,基于传统KF算法的锂电池二阶RC模型参数的初始化,初始化协方差矩阵:P=0.005,状态变量初始化:θ(0)=[0,0,0,0,0]T;然后对基于多重速率强跟踪扩展卡尔曼滤波器的锂电池SOC的初始化,由电池管理***测量电池工作前静置足够长时间的电压值,根据OCV与SOC的关系,反解出当前时刻的SOC值:即初始化SOC为SOC(0),状态初始化为X0=[SOC(0),0,0]T,其状态变量初始化为x0=E[X0],协方差矩阵初始化为00000E[(X0-x0)(X0-x0)T];由电池管理***采集相应k时刻的电池电流电压数据,即I(k),Vo(k);然后由SOC(k)值,根据OCV与SOC的关系式,得到当前时刻的开路电压值Voc(k),再根据下式计算得到k时刻的y(k)值:
y=a-be-ct-d-ft
然后就可以获得系数矩阵HT(k),将相应的电压电流数据代入到卡尔曼滤波器的迭代公式中:
递推得到锂电池的辨识参数θ(k)
利用多重速率强跟踪扩展卡尔曼滤波器的算法的预测更新方程
和测量更新方程:
基于在线测量的电压电流数据得到锂电池k+1时刻SOC的估计值SOC(k+1)
将获得的SOC(k+1)估计值代入到下式中:
y=a-be-ct-de-ft
获得k+1时刻的开路电压值Uoc(k+1),再重复上述步骤,直至循环结束。
其中k=1,2,3…N。
通过获得的电池模型参数以及多重速率强跟踪扩展卡尔曼滤波器估算得到的荷电状态值,然后反复交错迭代就可以获得每一个时刻的电池SOC估算值。
工作原理:在使用该基于多重速率强跟踪扩展卡尔曼滤波法的储能电池SOC的估算方法时,首先确立等效电路模型,对动力电池进行不同充放电倍率的循环间歇充放电实验,通过获得的电池模型参数以及多重速率强跟踪扩展卡尔曼滤波器估算得到的荷电状态值,然后反复交错迭代就可以获得每一个时刻的电池SOC估算值,具有提高***增益裕度,使***具有统一的稳定性,实现易于分散控制等优点。多重速率强跟踪扩展卡尔曼滤波器不仅具有强跟踪扩展卡尔曼滤波器算法的优点,还提高了其单速率采样的***性能。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于多重速率强跟踪扩展的储能电池SOC估算方法,其特征在于:包括以下步骤:
步骤1、确立等效电路模型,根据戴维南等效电路搭建了二阶RC电路模型;
步骤2、对动力电池进行不同充放电倍率的循环间歇充放电实验;
步骤3、建立磷酸铁锂电池动态模型,通过多重速率强跟踪卡尔曼滤波器法估算预测曲线和标准SOC的参考曲线。
2.根据权利要求1所述的一种基于多重速率强跟踪扩展的储能电池SOC估算方法,其特征在于:所述步骤1中,搭建的二阶RC电路模型,Uoc是电池的端电压,UL是电池的开路电压,R0是电池的欧姆内阻,R1,C1是电化学极化电阻和电容,R2,C2是浓度极化电阻和电容,在电路中,R0可以反应端子电压的突变特性,二阶RC并联网络可以反应端电压的梯度特性,Uoc可以反应电压和SOC之间的关系。
3.根据权利要求1所述的一种基于多重速率强跟踪扩展的储能电池SOC估算方法,其特征在于:所述步骤2中,脉冲式充放电测试实验包括以下步骤:
1)将磷酸铁锂电池充满至SOC=1,静置8小时;
2)以0.3C放电倍率进行放电实验:放电15秒,静置5分钟,放电20分钟,静置1小时,以此流程为一个循环,直至电池SOC=0,可以计算得出,每一个放电循环,磷酸铁锂电池都放出10%的SOC,在整个放电过程中,每秒的电池电压数据被精确采集以用于分析,
其中,在脉冲式充放电测试实验中,欧姆电阻0R的存在使得电池电压在放电开始和结束时瞬间跳变,
4.根据权利要求1所述的一种基于多重速率强跟踪扩展的储能电池SOC估算方法,其特征在于:所述步骤3中,建立磷酸铁锂电池动态模型需通过端电压响应表达式:
RC并联电路的电压的初始电压:
电池放电后静置时间,电池的脉冲放电电压响应为零输入电压响应,端电压响应表达式:
y=a-be-ct-de-ft
计算出电池极化参数R1,C1,R2,C2。
设置电流和电压的采样周期:
mTU=T0,nTI=T0,n=Nm
其中,TI,TU分别是电流采样周期和电压采样周期,T0是***帧周期,n,m,N都是整数。上述公式表示,电压采样周期是帧周期的m倍,电流采样周期是帧周期的n倍;
在一个电压采样周期内,电流采样了N次;
在第k次帧周期中[kT0,(k+1)T0),电流和电压如下方式采样:
单体电池的电压在一个帧周期内采样m次:
kT0+t1,kT0+t2,……,kT0+tm
其中,0=t1<t2<….<tm<T0并且tm+1=T0,
单体电池的电流在一个帧的周期内采样n次:
在区间[kT0,(k+1)T0)中,i∈[1,m],电流在该区间内采样N次:
kT0+ti 1,kT0+ti 2,……,kT0+ti N
其中,0<ti 1<ti 2<….<ti N<ti+1
然后确定输入变量和过程噪声,都可以认为是扩展向量,扩展矩阵如下:
电流系数和过程噪声的扩展矩阵如下:
定义提升的离散状态空间模型:
多重速率强跟踪扩展卡尔曼滤波器的算法的预测更新方程如下:
测量更新方程:
其中,P0代表初始输入信号,代表输出信号,k=1,2,…,Nt,Λk代表是多个衰落因子矩阵,是克罗内克积,Nt代表总时间步长,Qk和Rk代表噪声的协方差矩阵,假定为不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859243.3A CN110554326A (zh) | 2019-09-11 | 2019-09-11 | 一种基于多重速率强跟踪扩展的储能电池soc估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859243.3A CN110554326A (zh) | 2019-09-11 | 2019-09-11 | 一种基于多重速率强跟踪扩展的储能电池soc估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110554326A true CN110554326A (zh) | 2019-12-10 |
Family
ID=68739846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859243.3A Pending CN110554326A (zh) | 2019-09-11 | 2019-09-11 | 一种基于多重速率强跟踪扩展的储能电池soc估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110554326A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112886666A (zh) * | 2021-02-08 | 2021-06-01 | 重庆大学 | 一种适于级联锂电池组的分散式主动均衡方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN106646239A (zh) * | 2015-07-21 | 2017-05-10 | 苏州弗朗汽车技术有限公司 | 一种车载锂电池***剩余电量动态估算及智能修正方法 |
CN109839596A (zh) * | 2019-03-25 | 2019-06-04 | 重庆邮电大学 | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 |
-
2019
- 2019-09-11 CN CN201910859243.3A patent/CN110554326A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN106646239A (zh) * | 2015-07-21 | 2017-05-10 | 苏州弗朗汽车技术有限公司 | 一种车载锂电池***剩余电量动态估算及智能修正方法 |
CN109839596A (zh) * | 2019-03-25 | 2019-06-04 | 重庆邮电大学 | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 |
Non-Patent Citations (1)
Title |
---|
徐蓓: "磷酸铁锂电池荷电状态估算及电池管理***的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112886666A (zh) * | 2021-02-08 | 2021-06-01 | 重庆大学 | 一种适于级联锂电池组的分散式主动均衡方法 |
CN112886666B (zh) * | 2021-02-08 | 2022-11-29 | 重庆大学 | 一种适于级联锂电池组的分散式主动均衡方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210364574A1 (en) | Intelligent battery and state-of-charge online estimation method and applications thereof | |
CN103529399B (zh) | 一种基于铅酸电池改进型pngv模型的模拟方法 | |
Huria et al. | Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells | |
Xiao et al. | A universal state-of-charge algorithm for batteries | |
CN107505578A (zh) | 一种锂电池电荷状态估计的方法 | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN104535932A (zh) | 一种锂离子电池荷电状态估计方法 | |
CN104849672A (zh) | 基于等效电路模型的锂电池动态阻抗参数识别方法 | |
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*** | |
CN107169170B (zh) | 一种电池剩余容量的预测方法 | |
CN110780205A (zh) | 一种新型的磷酸铁锂电池pngv等效电路模型及参数辨识方法 | |
CN110082684A (zh) | 一种基于加权多新息扩展卡尔曼滤波的锂电池soc估计方法 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN105974320B (zh) | 一种液态或半液态金属电池荷电状态估计方法 | |
CN112305426B (zh) | 一种多约束条件下的锂离子电池功率状态估计*** | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
CN112701757A (zh) | 电池组在线均衡方法及*** | |
CN111239609B (zh) | 一种动力电池峰值功率在线估计方法 | |
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 | |
CN111965544A (zh) | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 | |
CN113156316B (zh) | 盐水电池soc估算算法 | |
CN110554326A (zh) | 一种基于多重速率强跟踪扩展的储能电池soc估算方法 | |
CN107402356B (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
CN109085509A (zh) | 锂离子电池开路电压与soc关系的参数辨识方法及*** |
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 | ||
CB02 | Change of applicant information |
Address after: Room 8050, 8 / F, 1033 Changning Road, Changning District, Shanghai 200050 Applicant after: Aopu (Shanghai) new energy Co., Ltd Address before: 201103 22 / F, building B, Dongyin center, No. 500, ruby Road, Changning District, Shanghai Applicant before: SHANGHAI YUYUAN POWER TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |