CN110703114B - 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 - Google Patents
一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 Download PDFInfo
- Publication number
- CN110703114B CN110703114B CN201911031589.0A CN201911031589A CN110703114B CN 110703114 B CN110703114 B CN 110703114B CN 201911031589 A CN201911031589 A CN 201911031589A CN 110703114 B CN110703114 B CN 110703114B
- Authority
- CN
- China
- Prior art keywords
- model
- temperature
- state
- neural network
- battery
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008878 coupling Effects 0.000 title claims abstract description 14
- 238000010168 coupling process Methods 0.000 title claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 5
- 229910001416 lithium ion Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000020169 heat generation Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006138 lithiation reaction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于电‑热‑神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,属于电池管理领域。该方法包括:S1选定待测动力电池,搜集整理相关技术参数,建立该动力电池时域内连续的ETSM模型,并确定模型输入输出参数;S2在不同温度下模拟两个城市驾驶循环工况和两个公路驾驶循环工况,采集电池状态数据;S3对ETSM模型进行参数辨识,得到电‑热子模型的特性参数;S4利用参数化的ETSM模型生成训练数据库,进行神经网络训练,建立ETNN模型,对端电压Vsp与核心温度Tc进行估计;S5采用UKF对电池SOC和SOT进行联合估计。本发明能够在极端温度和大电流条件下,对动力电池进行状态有效估计。
Description
技术领域
本发明属于电池管理技术领域,涉及一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法。
背景技术
在电动汽车和混合动力汽车中,电池状态的准确估计对电池的安全性和效率至关重要。在需要估计的电池状态中,电荷状态(SOC)和温度状态(SOT)具有很强的相关性,特别是在极端温度和高电流条件下,电池行为高度非线性,有效的电池状态估计在汽车行驶里程和安全性方面起到了十分关键的作用。
目前对动力电池SOC估计方法主要有以下几类:1)直接计算的如开路电压法,从预先校准的OCV-SOC关系中映射SOC,并通过集成负载电流来监视电荷通过量。但是,由于这些方法停滞时间长,并且对测量误差和噪声产生累积影响,因此无法在复杂的工作条件下获得可靠且一致的结果。2)采用将模型(等效电路模型(Equivalent Circuit Models,ECM)与电化学模型(Electrochemical Model,EM)结合)与自适应滤波器结合起来的方法,但ECM不能完整反映电池内部的物理过程且ECM参数随SOC、温度以及老化等变化,需要多次校准;EM中非线性偏微分方程计算量大。3)采用机器学习技术如前馈神经网络,神经深度网络,长期短期记忆递归神经网络,高斯回归框架等,但需要大量的实验数据,实车运用受到局限。
目前对动力电池SOT估计方法主要有:1)基于电化学阻抗谱(ElectrochemicalImpedance Spectroscopy,EIS)变量的温度关联,但需要大量额外的传感设备,不适用于实际。2)基于热效应的机理分析,根据测得的电流,电压和环境温度信号,通过数学公式定量计算电池温度,但计算复杂,实际运用比较困难。还可以通过将阻抗-温度相关性和电池热模型相结合,目前已提出了一种集成方法来再现电池内部温度。
由于电极的锂化程度对热模型的工作效果有重要影响,电池SOC通常在预测电池温度方面起着至关重要的作用。一些研究人员也尝试对SOC和SOT进行联合估计。比如通过采用SOC和SOT相关参数将ECM与热模型耦合,ECM参数被描述为SOC和SOT的函数,建立电-热耦合模型,但上述电池模型状态估计方法在温度范围和电流范围都较为局限。
基于上述方法的缺陷,亟需一种新的电池状态估计模型来估计动力电池的状态。
发明内容
有鉴于此,本发明的目的在于提供一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,将在极端温度和大电流条件下,也能有效的对动力电池进行状态估计。
为达到上述目的,本发明提供如下技术方案:
一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,具体包括以下步骤:
S1:选定待测动力电池,搜集整理相关技术参数,建立该动力电池时域内连续的电-热子模型(Electrochemical Thermal Sub-Model,ETSM),并确定模型输入输出参数;
S2:在不同温度下模拟两个城市驾驶循环工况(UDDS和FUDS)和两个公路驾驶循环工况(HWFET和US06),采集电池状态数据,包括终端电压、电流和温度数据;
S3:根据所收集的实验数据库,对ETSM模型进行参数辨识,得到电-热子模型的特性参数;
S4:利用参数化的ETSM模型生成训练数据库,进行神经网络训练,建立电-热-神经网络(Electrochemical Thermal Neural Network,ETNN)模型,基于ETNN模型对端电压Vsp与核心温度Tc进行估计,并将各种环境温度下ETSM模型与ETNN模型估计出的端电压Vsp与核心温度Tc进行比较;
S5:基于所建立的ETNN模型,采用无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)对电池荷电状态(State of Charge,SOC)和温度状态(State of Temperature,SOT)进行联合估计。
进一步,所述步骤S1中,动力电池所采用的ETSM模型包括电化学子模型和热模型;所述电化学子模型为单粒子(Single Particle,SP)模型,利用单个粒子代表所有粒子的行为,在假设反应均匀分布的基础上建立的简化电化学模型;所述的热模型为一维(One-Dimension,1-D)的非稳态生热传热模型。
进一步,所述步骤S2具体包括以下步骤:
S21:在每一种驾驶工况初始设置温度为25℃,静置至电池内部热平衡;
S22:恒流充电至截止电压3.6V;
S23:设置试验温度,静置至热平衡;
S24:根据测试所需动态工况放电,获取端电压Vsp、电流I和温度T,截止电压为2.0V。
进一步,所述步骤S3中,得到电-热子模型的特性参数,具体为:利用遗传算法,设置电-热子模型的输出项为核心温度Tc和端电压Vsp;损耗函数定义为温度和电压的均方根误差之和,计算公式为:
其中,n为数据点个数,V为实验所测的端电压,Tc,meaured为实验测得电池芯部温度。
进一步,所述步骤S4具体包括以下步骤:
S41:将表面温度Ts和电流I作为ETSM模型的输入,得到端电压Vsp;
S42:将I、Tc和Vsp作为ETNN神经网络的输入,输出目标值V。
进一步,步骤S4中,建立的ETNN神经网络模型的状态函数为:
X(k)=F(X(k-1),u(k-1))
u=[I,Ts]T
测量函数:
V(k)=H(X(k),u(k))=NN(Vsp(I(k),Tc(k)),I(k),Tc(k))
其中,V(k)为电池端电压,u(k)为***输入向量,I(k)为电池电流,Tc(k)为电池中心温度。
进一步,步骤S5中,无迹卡尔曼滤波的步骤为:
S51:状态初始化:
其中,X0表示状态初始值;
S52:计算Sigma point:
S53:将计算所得Sigma point带入F,得到状态一步预测值:
χk|k-1=F[χk-1],k=1,2,3,…,2n+1
S54:对一步预测值求加权平均值,并求出先验方差:
S55:当测得电压和温度观测值时,将一步预测值导入观测方程,求得协方差矩阵:
其中,H[·]表示观测方程;
S56:利用协方差矩阵计算Kalman增益,并校正一步预测值,求得后验观测值与后验方差:
本发明的有益效果在于:本发明通过将简化的单粒子模型与集成的热子模型耦合来建立ETSM模型,在此基础上,利用前馈神经网络提高了ETSM在大电流和极端温度环境下的精度,进而使SOC与SOT估计更加精确。具体优点有:
(1)本发明建立了一种面向实时控制的ETNN模型,该模型能够比单粒子模型在大电流环境下获得更高的终端电压预测精度。
(2)通过对不同温度下的电压残差进行训练,提高模型精度,本发明提出的ETNN模型能够在几乎覆盖整个电动汽车运行工况的大温度范围内,提供令人满意的内部温度预测性能。
(3)本发明提出了一种适用于大温度范围和大电流环境下SOC和SOT协同估计的ETNN-UFK框架。大量的实验结果验证了该框架在-10℃~40℃的温度范围和高达10C速率的电流阈值下的协同估计性能。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述的状态估计方法流程图;
图2为本发明实施例ETNN模型简图;
图3为本发明实施例步骤S2中实验数据获取流程图;
图4为本发明实施例中步骤S4中流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图4,如图1所示,图1为一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,该方法包括以下步骤:
S1:选定待测动力电池,建立该动力电池时域内连续的电-热子模型(ETSM),并确定联合估计该动力电池SOC和SOT所需的模型参数。其中ETSM模型包括单粒子模型(SP)和热模型。
(1)SP模型,如表1所示:
表1 SP模型的物理意义及控制方程表
第一步:变量标准化
C=1,τ=0,0<R<1
第二步:平均浓度估计
Csurface=Cmean-ΔC
第三步:近似值
w(k+1)=Aw(k)+Bx(k)
ΔC(k)=Dw(k)
第四步:转换为标准形式
(2)热子模型为:
其中,Tc为核心温度,Ts表示表面温度;Cc和Cs分别代表电池核心和外壳的热容;Ru和Rc分别代表电池在大气和外壳中的热电阻。
将以上方程离散化,可以得到:
将神经网络和ETSM如图2所示的框架相结合后,综合的ETNN模型可以用如下状态空间的形式表示为:
X(k)=F(X(k-1),u(k-1))
V(k)=H(X(k),u(k))=NN(Vsp(I(k),Tc(k)),I(k),Tc(k))
u=[I,Ts]T
其中F为状态空间函数,用于连接锂离子浓度、电压和温度。
S2:在不同温度下模拟两个城市驾驶循环工况(UDDS和FUDS)和两个公路驾驶循环工况(HWFET和US06),采集电池状态数据,包括终端电压、电流和温度数据。如图3所示,具体包括以下步骤:
S21:在每一种驾驶工况初始设置温度为25℃,静置至电池内部热平衡;
S22:恒流充电至截止电压3.6V;
S23:设置试验温度,静置至热平衡;
S24:根据测试所需动态工况放电,获取端电压Vsp、电流I和温度T,截止电压为2.0V;
S25:将获取的不同温度的实验数据汇总并处理,形成可用于后期神经网络训练与ETNN模型的验证。
S3:根据所收集的实验数据库,对ETSM模型进行参数辨识,得到电、热模型的特性参数,基于ETSM模型进行端电压Vsp估计与核心温度Tc估计。
得到电-热子模型的特性参数,具体为:利用遗传算法,设置电-热子模型的输出项为核心温度Tc和端电压Vsp;损耗函数定义为温度和电压的均方根误差之和,计算公式为:
其中,n为数据点个数。
在S2中采集的数据分别在-20℃、10℃、30℃和50℃进行神经网络训练,在-10℃、20℃和40℃进行后期ETNN模型的相关验证,其中10℃的UDDS循环数据不用于神经网络训练,而用于推导电热模型的结果。
S4:利用参数化的ETSM模型生成训练数据库,与在模拟路况中获取的不同温度下的数据库,进行神经网络训练,建立电-热-神经网络模型(ETNN),基于ETNN模型对端电压Vsp与Tc进行估计,并将各种环境温度下ETSM模型与ETNN模型估计出的端电压Vsp与核心温度Tc进行比较。如图4所示,具体包括:
S41:将表面温度Ts和电流I作为ETSM模型的输入,得到端电压Vsp;
S42:将I、Tc和Vsp作为ETNN神经网络的输入,输出目标值V;
S43:比较ETSM模型与ETNN模型电压输出精度。
S5:基于所建立的ETNN模型,采用无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)对电池SOC和SOT进行联合估计。其中无迹卡尔曼滤波步骤具体为:
S51:状态初始化:
其中,X0表示状态初始值;
S52:计算Sigma point:
S53:将计算所得Sigma point带入F,得到状态一步预测值:
χk|k-1=F[χk-1],k=1,2,3,…,2n+1
S54:对一步预测值求加权平均值,并求出先验方差:
S55:当测得电压和温度观测值时,将一步预测值导入观测方程,求得协方差矩阵:
其中,H[·]表示观测方程;
S56:利用协方差矩阵计算Kalman增益,并校正一步预测值,求得后验观测值与后验方差:
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,其特征在于,该方法具体包括以下步骤:
S1:选定待测动力电池,搜集整理相关技术参数,建立该动力电池时域内连续的电-热子模型(Electrochemical Thermal Sub-Model,ETSM),并确定模型输入输出参数;
ETSM模型包括电化学子模型和热模型;所述电化学子模型为单粒子(SingleParticle,SP)模型,利用单个粒子代表所有粒子的行为,在假设反应均匀分布的基础上建立的简化电化学模型;所述的热模型为一维(One-Dimension,1-D)的非稳态生热传热模型;
S2:在不同温度下模拟两个城市驾驶循环工况和两个公路驾驶循环工况,采集电池状态数据,包括终端电压、电流和温度数据;
S3:根据所收集的实验数据库,对ETSM模型进行参数辨识,得到电-热子模型的特性参数;
S4:利用参数化的ETSM模型生成训练数据库,进行神经网络训练,建立电-热-神经网络(Electrochemical Thermal Neural Network,ETNN)模型,基于ETNN模型对端电压Vsp与核心温度Tc进行估计;
建立的ETNN神经网络模型的状态函数为:
X(k)=F(X(k-1),u(k-1))
u=[I,Ts]T
测量函数:
V(k)=H(X(k),u(k))=NN(Vsp(I(k),Tc(k)),I(k),Tc(k))
其中,V(k)为电池端电压,u(k)为***输入向量,I(k)为电池电流,Tc(k)为电池中心温度;
S5:基于所建立的ETNN模型,采用无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)对电池荷电状态(State of Charge,SOC)和温度状态(State of Temperature,SOT)进行联合估计。
2.根据权利要求1所述的一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:在每一种驾驶工况初始设置温度为25℃,静置至电池内部热平衡;
S22:恒流充电至截止电压3.6V;
S23:设置试验温度,静置至热平衡;
S24:根据测试所需动态工况放电,获取端电压Vsp、电流I和温度T,截止电压为2.0V。
4.根据权利要求1所述的一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,其特征在于,所述步骤S4具体包括以下步骤:
S41:将表面温度Ts和电流I作为ETSM模型的输入,得到端电压Vsp;
S42:将I、Tc和Vsp作为ETNN神经网络的输入,输出目标值V。
5.根据权利要求1所述的一种基于电-热-神经网络耦合模型的动力电池SOC和SOT联合状态估计方法,其特征在于,步骤S5中,无迹卡尔曼滤波的步骤为:
S51:状态初始化:
其中,X0表示状态初始值;
S52:计算Sigma point:
S53:将计算所得Sigma point带入F[·],得到状态一步预测值:
χk|k-1=F[χk-1],k=1,2,3,…,2n+1
S54:对一步预测值求加权平均值,并求出先验方差:
其中,F[·]为状态空间函数,用于连接锂离子浓度、电压和温度;χk|k-1表示k时刻一步预测状态,Wi (m)表示平均值采样权重,Wi (c)表示方差采样权重;
S55:当测得电压和温度观测值时,将一步预测值导入观测方程,求得协方差矩阵:
其中,H[·]为观测状态方程;
S56:利用协方差矩阵计算Kalman增益,并校正一步预测值,求得后验观测值与后验方差:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031589.0A CN110703114B (zh) | 2019-10-28 | 2019-10-28 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031589.0A CN110703114B (zh) | 2019-10-28 | 2019-10-28 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703114A CN110703114A (zh) | 2020-01-17 |
CN110703114B true CN110703114B (zh) | 2022-03-11 |
Family
ID=69202479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031589.0A Active CN110703114B (zh) | 2019-10-28 | 2019-10-28 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703114B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220912B (zh) * | 2020-01-19 | 2022-03-29 | 重庆大学 | 一种基于移植神经网络的电池容量衰减轨迹预测方法 |
CN111474487A (zh) * | 2020-04-13 | 2020-07-31 | 重庆大学 | 一种电池荷电状态-内部温度联合在线估计方法 |
CN111914503B (zh) * | 2020-08-04 | 2023-10-20 | 重庆大学 | 一种锂离子电池功率输入电热耦合模型建立方法 |
CN112798971B (zh) * | 2020-12-30 | 2022-08-02 | 浙大城市学院 | 一种软包式锂离子电池耦合电气热模型 |
CN113189491B (zh) * | 2021-05-19 | 2024-06-11 | 中国科学技术大学 | 一种圆柱形锂离子电池产热速率的分析方法 |
CN114325404B (zh) * | 2021-12-09 | 2023-09-26 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
CN114520389A (zh) * | 2022-02-23 | 2022-05-20 | 阳光电源股份有限公司 | 储能装置内部温度的确定方法及装置 |
CN114633663A (zh) * | 2022-05-20 | 2022-06-17 | 深圳市奥盛新能源有限公司 | 基于云端数据管理的集成动力电池充电管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102756661A (zh) * | 2011-04-27 | 2012-10-31 | 北京八恺电气科技有限公司 | 车用电池荷电状态的确定方法及装置 |
CN104515955A (zh) * | 2014-12-26 | 2015-04-15 | 湖南森泰能源科技股份有限公司 | 恒定温度状态下电池剩余电量测量方法与*** |
CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108445408A (zh) * | 2018-03-20 | 2018-08-24 | 重庆大学 | 一种基于参数估计ocv的全温度soc估计方法 |
CN110161423A (zh) * | 2019-06-26 | 2019-08-23 | 重庆大学 | 一种基于多维度耦合模型的动力锂电池状态联合估计方法 |
-
2019
- 2019-10-28 CN CN201911031589.0A patent/CN110703114B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102756661A (zh) * | 2011-04-27 | 2012-10-31 | 北京八恺电气科技有限公司 | 车用电池荷电状态的确定方法及装置 |
CN104515955A (zh) * | 2014-12-26 | 2015-04-15 | 湖南森泰能源科技股份有限公司 | 恒定温度状态下电池剩余电量测量方法与*** |
CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108445408A (zh) * | 2018-03-20 | 2018-08-24 | 重庆大学 | 一种基于参数估计ocv的全温度soc估计方法 |
CN110161423A (zh) * | 2019-06-26 | 2019-08-23 | 重庆大学 | 一种基于多维度耦合模型的动力锂电池状态联合估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110703114A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和*** | |
Ma et al. | Co-estimation of state of charge and state of health for lithium-ion batteries based on fractional-order model with multi-innovations unscented Kalman filter method | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
Ouyang et al. | A novel state of charge estimation method for lithium-ion batteries based on bias compensation | |
CN110596606A (zh) | 一种锂电池剩余电量估计方法、***及装置 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN114740386A (zh) | 一种基于健康状态的锂离子电池荷电状态估计方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
CN113805075A (zh) | 一种基于bcrls-ukf的锂电池荷电状态估计方法 | |
CN116047308A (zh) | 一种基于pid控制与dekf的锂电池soc估算方法 | |
CN111751750A (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
CN111060822A (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |