CN111366855A - 一种电池等效电路模型抗扰动参数化方法 - Google Patents
一种电池等效电路模型抗扰动参数化方法 Download PDFInfo
- Publication number
- CN111366855A CN111366855A CN202010194106.5A CN202010194106A CN111366855A CN 111366855 A CN111366855 A CN 111366855A CN 202010194106 A CN202010194106 A CN 202010194106A CN 111366855 A CN111366855 A CN 111366855A
- Authority
- CN
- China
- Prior art keywords
- time
- vector
- model
- battery
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
- G01R31/367—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
本发明公开了一种电池等效电路模型抗扰动参数化方法,包括以下步骤:S1.建立电池的等效电路模型,确定待辨识模型参数,并通过拟合确定荷电状态(SOC)与开路电压(OCV)的关系表达式;S2.对k时刻的负载电流和端电压进行实时采集;S3.计算k时刻电池SOC,并推算OCV值;S4.建立用于模型参数辨识的离散域回归方程,采用递归最小二乘法(RLS)在线更新模型参数;S5.构建工具向量约束条件,在线计算k时刻电流噪声方差,进而依据FrischScheme方法计算k时刻电压噪声方差;S6.依据电流、电压方差估计值,对S4中的RLS结果进行校正,得到k时刻的无偏模型参数向量。本发明能够在线估计电流、电压测量噪声统计特性,从而对噪声干扰环境下的模型辨识偏差进行补偿,实现无偏的模型参数辨识。
Description
技术领域
本发明涉及电池模型参数辨识,特别是涉及一种电池等效电路模型在线、抗扰动、无偏辨识方法。
背景技术
电池管理***(Battery Management System,BMS)是电池***安全、高效运行的重要保障,需要完成状态估计、故障诊断、寿命预测、充电控制等关键任务。基于等效电路模型的BMS策略具有高精度和强鲁棒性,且计算复杂度适中,是BMS领域最常见的一类方法。然而这类方法对模型精度依赖性强,模型失准将造成估计、诊断与控制算法的失效,引起重大安全事故。因此,精确的等效电路模型是是BMS设计的难点问题之一。
现有方法中的等效电路模型多基于静态参数,即在标准工况下对参数进行提前标定,并在使用中假设其恒定。然而,等效电路模型的模型参数容易受到电池自身状态(荷电状态SOC,健康状态SOH)与外界工况(温度,充放电倍率)的影响,不确定性强,因此传统方法在实际运行中精度较差。等效电路模型参数的在线自适应标定能有效追踪模型参数在复杂环境中的变化,目前的方法多基于最小二乘准则,例如递归最小二乘法(RLS)、多遗忘因子递归最小二乘法(MFFRLS)、偏最小二乘法(PLS)等。需要指出,现有的参数辨识方法依赖高精度负载电流及端电压采样,然而在真实BMS应用环境中受传感器误差和电磁干扰等影响,测量信号中往往存在大量噪声,这会导致传统在线模型参数辨识方法失效,模型精度显著下降,最终显著影响基于等效电路模型的BMS策略的可靠性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种等效电路模型抗扰动参数化方法,能够在线估计电流、电压测量噪声统计特性,从而对噪声干扰环境下的模型辨识偏差进行补偿,实现无偏的模型参数辨识,有效提高等效电路模型的精度,进而提高基于等效电路模型的管理算法的可靠性;在线估计的测量噪声统计特性还可用于基于滤波的状态估计等领域,提高估计精度。
本发明的目的是通过以下技术方案来实现的:一种电池等效电路模型抗扰动参数化方法,包括以下步骤:
S1.建立电池的等效电路模型,确定待辨识模型参数,并通过拟合确定荷电状态(SOC)与开路电压(OCV)的关系表达式;;
S2.采用电压传感器和电流传感器,对k时刻的负载电流和端电压进行实时采集;
S3.计算k时刻电池SOC,依据SOC-OCV函数关系表达式推算OCV值;
S4.建立用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,采用递归最小二乘法(RLS)在线更新模型参数;
S5.构建工具向量约束条件,依据k-1时刻的模型参数与电压噪声方差估计值,在线计算k时刻电流噪声方差,进而依据Frisch Scheme方法计算k时刻电压噪声方差;
S6.依据S5中计算所得的电流、电压方差估计值,对S4中的RLS结果进行校正,得到k时刻的无偏模型参数向量。
本发明的有益效果是:本发明能够在线估计电流、电压测量噪声统计特性,从而对噪声干扰环境下的模型辨识偏差进行补偿,实现无偏的模型参数辨识,有效提高等效电路模型的模拟精度,估计所得的测量噪声统计特性还可用于其他BMS策略。
附图说明
图1为本发明的方法流程图;
图2为实施例中一阶等效电路模型电路结构示意图。
图3为实施例中SOC-OCV函数关系的五次拟合曲线图。
图4为实施例中混合脉冲工况下的电流和端电压曲线。
图5为实施例中混合脉冲工况下负载电流和端电压的噪声标准差在线估计结果。
图6为实施例中混合脉冲工况下一阶等效电路模型在线辨识结果。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种电池等效电路模型抗扰动参数化方法,包括以下步骤:
S1.建立电池的等效电路模型,确定待辨识模型参数,并通过拟合确定荷电状态(SOC)与开路电压(OCV)的关系表达式;具体实施步骤如下:
S101.建立电池的等效电路模型,并确定待辨识的模型参数,在该实施例中采用如图2所示的一阶等效电路模型,其数学描述方法为:
CpdVp(t)/dt+Vp(t)/Rp=I(t)
Vt(t)=Voc(t)-Vp(t)-I(t)Rs
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为路端电压,η为电池的库伦效率,Q为电池的额定容量;Rs、Rp和Cp是待求取的模型参数,具体的说:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容。
S102.在额定工况(室温)下对锂离子电池进行充电至SOC达到100%,进行间歇性放电-静置实验,并拟合确定SOC-OCV关系表达式;在本申请的实施例中,采用多项式拟合得到SOC-OCV关系表达式为:
其中Voc为电池开路电压OCV;z为电池SOC;np为拟合多项式阶数,在该实施例中,np为5,ci为拟合系数;拟合所得SOC-OCV曲线与实测值对比如图3所示。
S2.采用电压传感器和电流传感器,对k时刻的负载电流和端电压进行实时采集;
S3.计算k时刻电池SOC,依据SOC-OCV函数关系表达式推算OCV值,具体实施步骤如下:
在该实施例中,采用扩展卡尔曼滤波在线估计k时刻电池SOC。首先,将S101中***的连续状态空间方程离散化为:
Vt,k=Voc,k-Vp,k-IkRs
其中,下标k表示k时刻,ts是进行参数辨识的时间间隔(秒)。定义x=[Vp z]T为***的状态向量,***的输入u=I,***输出为Vt,扩展卡尔曼滤波算法的一般性状态空间模型可以表述为:
xk+1=Akxk+Bkuk+wk
Vt,k=f(zk)-Vp,k-Rsuk+vk
其中,wk是随机的过程噪声,vk为测量噪声,包含的参数矩阵为:
在k时刻执行扩展卡尔曼滤波算法,具体步骤如下:
其中,Qw和Qv分别为状态方程和***测量的协方差矩阵,各步骤中包含的模型参数采用k-1时刻S6中获得的参数辨识结果。按照上述扩展卡尔曼滤波的算法流程实时估计k时刻电池SOC,并根据S1中的SOC-OCV函数关系式估计k时刻的OCV。
S4.建立电池的等效电路模型和用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,采用RLS在线更新模型参数,具体实施步骤如下:
S401.根据S01中的连续时域一阶等效电路模型的数学描述方法,构造如下用于模型辨识的离散域回归方程。定义y=Vt–Voc,对以上公式进行拉普拉斯变换,得到的传递函数为:
式中:s代表拉普拉斯变换的复变量,对上式进行如下的双线性变换:
其中q为移位算子,得到如下离散域传递函数:
y(q-1)/I(q-1)=-(b0+b1q-1)/(1+a1q-1)
其中q-1代表反向移位算子,则离散域回归方程构造为:
S402.采用RLS在线辨识模型参数向量,具体流程如下:
以上步骤中,λ代表遗忘因子,在该实施例中λ取值0.99。
S5.构建工具向量约束条件,依据k-1时刻的模型参数与电压噪声方差估计值,在线计算k时刻电流噪声方差,进而依据Frisch Scheme方法计算k时刻电压噪声方差;FrischScheme方法早期用于静态回归问题,能有效处理多重不确定性间的隐含关系,在统计学与金融领域应用较多,其具体实施步骤如下:
S501.定义θk=[ak bk T]T,其中ak=[a1,k],bk=[b0,k b1,k]T;引入时滞电流作为工具变量:其中为工具变量的输入量的个数,在该实施例中nb为向量bk的元素个数,在该实施例中nb=2;
S502.k时刻电流噪声方差估计归纳为求解如下最小化问题:
在该实施例中,上述非线性最小化问题采用低计算复杂的数值方法求解,具体步骤如下:
该最小特征根提取问题采用奇异值分解方法或者其他常用的数值解法;
S6.依据S5中计算所得的电流、电压方差估计值,对S4中的RLS结果进行校正,得到k时刻的无偏模型参数向量。具体实施步骤如下:
S601.依据S5中计算所得的电流、电压方差估计值,对S4中的RLS结果进行校正,计算方法如下:
在本申请的实施例中,以2.2Ah标称容量的NMC 18650锂离子电池为例,在室温下进行混合脉冲工况实验,采取本发明所述方法实时辨识模型参数。混合脉冲工况下获得的锂离子电池负载电流、端电压曲线如附图4所示,负载电流和端电压的噪声标准差在线估计结果如图5所示,一阶等效电路模型辨识结果如附图6所示(从上至下依次为欧姆内阻Rs的辨识结果、极化内阻Rp的辨识结果、极化电容Cp的辨识结果)。可见,相比于现有方法,本发明所述方法能够准确估计负载电流和端电压所包含的噪声标准差,通过补偿噪声效应,保持无偏的在线参数辨识。
综上,本发明充分考虑实际环境变化和电池自身状态变化所以引起的电池内部参数不确定性,建立了在线自适应数学模型;在线估计电流、电压噪声统计特性并进行偏差补偿,保证了噪声干扰下模型参数辨识的无偏性,提高了在线自适应模型的精度。相较于传统的基于离线标定的电池模型参数化方法,本发明提高了模型对环境变化及电池自身状态变化的鲁棒性;相较于传统的基于最小二乘准则的在线自适应模型参数辨识方法,本发明具备显著的抗干扰与无偏特性,提高了模型参数辨识精度。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种电池等效电路模型抗扰动参数化方法,其特征在于:包括以下步骤:
S1.建立电池的等效电路模型,确定待辨识模型参数,并通过拟合确定电池荷电状态SOC与开路电压OCV的关系表达式;
S2.采用电压传感器和电流传感器,对k时刻的负载电流和端电压进行实时采集;
S3.计算k时刻电池SOC,依据SOC-OCV函数关系表达式推算OCV值;
S4.建立用于模型参数辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,采用递归最小二乘法在线更新模型参数;
S5.构建工具向量约束条件,依据k-1时刻的模型参数与电压噪声方差估计值,在线计算k时刻电流噪声方差,进而计算k时刻电压噪声方差;
S6.依据S5中计算所得的电流、电压方差估计值,对S4中得到的递归最小二乘法更新结果进行校正,得到k时刻的无偏模型参数向量。
2.根据权利要求1所述的一种电池等效电路模型抗扰动参数化方法,其特征在于:所述步骤S1包括以下子步骤:
S101.建立电池的等效电路模型:
CpdVp(t)/dt+Vp(t)/Rp=I(t)
Vt(t)=Voc(t)-Vp(t)-I(t)Rs
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为路端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp和Cp是待求取的模型参数,具体的说:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容;
S102.在额定工况下将电池充电至荷电状态SOC达到100%,进行间歇性放电-静置实验,获取特定荷电状态SOC下的开路电压OCV测量值,依此采用如下表达式拟合SOC-OCV对应关系:
其中Voc为电池开路电压OCV;z为电池SOC;np为拟合多项式阶数,ci为拟合系数。
3.根据权利要求1所述的一种电池等效电路模型抗扰动参数化方法,其特征在于:所述步骤S3中,k时刻电池SOC的计算方法包括安时积分法、机器学习法、扩展卡尔曼滤波、龙伯格观测器、无际卡尔曼滤波、粒子滤波和滑膜观测器中的一种。
5.根据权利要求1所述的一种电池等效电路模型抗扰动参数化方法,其特征在于:所述步骤S5包括以下子步骤:
S501.定义θk=[ak bk T]T,其中ak和bk定义为:ak=[a1,k]and bk=[b0,k b1,k]T;引入时滞电流作为工具变量:式中为工具变量的输入量的个数,nb为向量bk的元素个数;
S502.k时刻电流噪声方差估计归纳为求解如下最小化问题:
上述最小化问题采用如下数值解法求解:
该最小特征根提取问题采用奇异值分解方法或者其他常用的数值解法;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194106.5A CN111366855B (zh) | 2020-03-19 | 2020-03-19 | 一种电池等效电路模型抗扰动参数化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194106.5A CN111366855B (zh) | 2020-03-19 | 2020-03-19 | 一种电池等效电路模型抗扰动参数化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111366855A true CN111366855A (zh) | 2020-07-03 |
CN111366855B CN111366855B (zh) | 2021-03-12 |
Family
ID=71206876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010194106.5A Active CN111366855B (zh) | 2020-03-19 | 2020-03-19 | 一种电池等效电路模型抗扰动参数化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111366855B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286325A (zh) * | 2019-07-29 | 2019-09-27 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
CN111781521A (zh) * | 2020-07-10 | 2020-10-16 | 深圳市道通科技股份有限公司 | 一种车辆的蓄电池检测的方法以及电池检测设备 |
CN112052499A (zh) * | 2020-09-02 | 2020-12-08 | 浙江省交通规划设计研究院有限公司 | 照明线管建模方法、装置、电子设备及存储介质 |
CN112098846A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
CN112816877A (zh) * | 2021-01-04 | 2021-05-18 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
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 |
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*** |
CN113486498A (zh) * | 2021-06-15 | 2021-10-08 | 恒大新能源技术(深圳)有限公司 | 等效电路模型参数校准方法、装置、终端设备及存储介质 |
CN113702838A (zh) * | 2021-08-27 | 2021-11-26 | 四川长虹电源有限责任公司 | 基于扰动观测器的锂离子电池荷电状态估算方法 |
CN113866654A (zh) * | 2021-10-22 | 2021-12-31 | 四川宽鑫科技发展有限公司 | 一种基于专有soc估算和专有均衡算法的bms结构 |
CN114035082A (zh) * | 2021-12-10 | 2022-02-11 | 厦门金龙联合汽车工业有限公司 | 一种新能源车辆电池***异常电芯快速诊断方法 |
CN114252771A (zh) * | 2021-12-13 | 2022-03-29 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及*** |
CN114295982A (zh) * | 2021-10-28 | 2022-04-08 | 上海空间电源研究所 | 锂离子电池参数及开路电压辨识方法、***及介质 |
CN114325398A (zh) * | 2021-11-08 | 2022-04-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池***的故障检测方法 |
CN114397581A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法 |
CN115575823A (zh) * | 2022-10-28 | 2023-01-06 | 广东石油化工学院 | 一种锂电池参数在线辨识方法 |
CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 |
CN117807942A (zh) * | 2023-12-27 | 2024-04-02 | 雅安市卓安新能源科技发展有限责任公司 | 一种两阶段电池模型参数辨识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及*** |
JP5847685B2 (ja) * | 2012-10-24 | 2016-01-27 | カルソニックカンセイ株式会社 | 連続時間システムのパラメータ同定装置およびその同定方法 |
CN105425153A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动车辆的动力电池的荷电状态的方法 |
US20160272081A1 (en) * | 2014-07-17 | 2016-09-22 | Ford Global Technologies, Llc | Real-time battery estimation |
CN106249171A (zh) * | 2016-09-18 | 2016-12-21 | 北京理工大学 | 一种用于宽采样间隔的动力电池***辨识和状态估计方法 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN109188293A (zh) * | 2018-11-08 | 2019-01-11 | 武汉理工大学 | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 |
-
2020
- 2020-03-19 CN CN202010194106.5A patent/CN111366855B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5847685B2 (ja) * | 2012-10-24 | 2016-01-27 | カルソニックカンセイ株式会社 | 連続時間システムのパラメータ同定装置およびその同定方法 |
US20160272081A1 (en) * | 2014-07-17 | 2016-09-22 | Ford Global Technologies, Llc | Real-time battery estimation |
CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及*** |
CN105425153A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动车辆的动力电池的荷电状态的方法 |
CN106249171A (zh) * | 2016-09-18 | 2016-12-21 | 北京理工大学 | 一种用于宽采样间隔的动力电池***辨识和状态估计方法 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN109188293A (zh) * | 2018-11-08 | 2019-01-11 | 武汉理工大学 | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 |
Non-Patent Citations (1)
Title |
---|
张利 等: "锂离子电池自适应参数辨识与SoC估算研究", 《电子测量与仪器学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286325B (zh) * | 2019-07-29 | 2021-07-20 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
CN110286325A (zh) * | 2019-07-29 | 2019-09-27 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
CN111781521A (zh) * | 2020-07-10 | 2020-10-16 | 深圳市道通科技股份有限公司 | 一种车辆的蓄电池检测的方法以及电池检测设备 |
CN111781521B (zh) * | 2020-07-10 | 2022-11-08 | 深圳市道通科技股份有限公司 | 一种车辆的蓄电池检测的方法以及电池检测设备 |
CN112098846A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
CN112098846B (zh) * | 2020-08-17 | 2021-10-22 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
CN112052499A (zh) * | 2020-09-02 | 2020-12-08 | 浙江省交通规划设计研究院有限公司 | 照明线管建模方法、装置、电子设备及存储介质 |
CN112052499B (zh) * | 2020-09-02 | 2024-03-12 | 浙江数智交院科技股份有限公司 | 照明线管建模方法、装置、电子设备及存储介质 |
CN112816877B (zh) * | 2021-01-04 | 2022-08-30 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
CN112816877A (zh) * | 2021-01-04 | 2021-05-18 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
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 |
CN113486498A (zh) * | 2021-06-15 | 2021-10-08 | 恒大新能源技术(深圳)有限公司 | 等效电路模型参数校准方法、装置、终端设备及存储介质 |
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*** |
CN113702838A (zh) * | 2021-08-27 | 2021-11-26 | 四川长虹电源有限责任公司 | 基于扰动观测器的锂离子电池荷电状态估算方法 |
CN113702838B (zh) * | 2021-08-27 | 2024-03-12 | 四川长虹电源有限责任公司 | 基于扰动观测器的锂离子电池荷电状态估算方法 |
CN113866654A (zh) * | 2021-10-22 | 2021-12-31 | 四川宽鑫科技发展有限公司 | 一种基于专有soc估算和专有均衡算法的bms结构 |
CN114295982A (zh) * | 2021-10-28 | 2022-04-08 | 上海空间电源研究所 | 锂离子电池参数及开路电压辨识方法、***及介质 |
CN114325398A (zh) * | 2021-11-08 | 2022-04-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池***的故障检测方法 |
CN114397581A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法 |
CN114035082A (zh) * | 2021-12-10 | 2022-02-11 | 厦门金龙联合汽车工业有限公司 | 一种新能源车辆电池***异常电芯快速诊断方法 |
CN114252771A (zh) * | 2021-12-13 | 2022-03-29 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及*** |
CN114252771B (zh) * | 2021-12-13 | 2024-05-07 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及*** |
CN115575823A (zh) * | 2022-10-28 | 2023-01-06 | 广东石油化工学院 | 一种锂电池参数在线辨识方法 |
CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 |
CN117807942A (zh) * | 2023-12-27 | 2024-04-02 | 雅安市卓安新能源科技发展有限责任公司 | 一种两阶段电池模型参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111366855B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366855B (zh) | 一种电池等效电路模型抗扰动参数化方法 | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
Wassiliadis et al. | Revisiting the dual extended Kalman filter for battery state-of-charge and state-of-health estimation: A use-case life cycle analysis | |
RU2328753C2 (ru) | Устройство и способ для оценки уровня заряженности батареи с использованием нейронной сети | |
CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和*** | |
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 | |
CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
CN109188293B (zh) | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 | |
CN111060820B (zh) | 一种基于二阶rc模型的锂电池soc和sop估计方法 | |
CN110398691B (zh) | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 | |
Ren et al. | A comparative study of the influence of different open circuit voltage tests on model‐based state of charge estimation for lithium‐ion batteries | |
KR100425352B1 (ko) | 전지 충전상태의 추정장치 및 전지 열화상태의 추정방법 | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN105866504B (zh) | 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN111965547A (zh) | 一种基于参数辨识法的电池***传感器故障诊断方法 | |
JP7030191B2 (ja) | カルマンフィルタの安定した収束挙動を監視するための方法及びデバイス | |
Sandoval-Chileño et al. | Robust State of Charge estimation for Li-ion batteries based on Extended State Observers | |
CN112433154A (zh) | 基于ffrls和ekf的锂离子电池soc估测算法 | |
CN114545262A (zh) | 一种针对损失数据的锂离子电池参数辨识及soc估计方法 | |
CN113608121A (zh) | 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法 | |
CN111624496A (zh) | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** | |
CN113625182A (zh) | 一种对电池状态进行在线估计的方法 | |
CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及*** | |
CN115932591A (zh) | 基于pid-ekf的锂电池soc估算方法、***、介质及电子设备 |
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 |