CN111624496A - 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** - Google Patents
具有抗噪性锂离子电池模型参数和soc联合估计方法及*** Download PDFInfo
- Publication number
- CN111624496A CN111624496A CN202010512164.8A CN202010512164A CN111624496A CN 111624496 A CN111624496 A CN 111624496A CN 202010512164 A CN202010512164 A CN 202010512164A CN 111624496 A CN111624496 A CN 111624496A
- Authority
- CN
- China
- Prior art keywords
- soc
- ion battery
- lithium ion
- noise
- parameters
- 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
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]
- G01R31/367—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种具有抗噪性锂离子电池模型参数和SOC联合估计方法及***。其中,该方法包括对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV‑SOC映射关系;初始化锂离子电池模型的RC参数及电池的SOC;根据OCV‑SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
Description
技术领域
本发明属于电池模型参数和SOC联合估计领域,尤其涉及一种具有抗噪性锂离子电池模型参数和SOC联合估计方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
锂离子电池以其在能量密度、功率密度、循环寿命、自放电率等方面具有的独特优势,已经成为电动汽车动力能源的首选。为确保动力电池安全、高效地运行,必须配备电池管理***(Battery Management System,BMS)对电池的各种内部状态做出准确估计和预测。其中,准确的荷电状态(State of Charge,SOC)估计能够缓解用户的里程焦虑,延长电池的使用寿命,甚至避免电池过早失效和安全事故的发生。由于SOC无法通过外部测量手段直接得到,通常通过可测的电压、电流、温度数据和电池模型进行估算和预测。相比其他模型,等效电路模型由于具有结构简单、计算量小、易于工程实现等特点而被广泛应用于BMS中。
然而,BMS中实现的SOC估计通常使用离线方式得到模型参数。考虑到电动汽车复杂多变的工况以及电池的不断老化,模型参数的不确定会对SOC估计的精度和鲁棒性产生不利影响,甚至会导致估计结果的发散。为此,递推最小二乘(Recursive Least Squares,RLS)等在线辨识方法被应用于实时估计电池模型参数。然而,发明人发现,受电动汽车使用的传感器测量精度和复杂恶劣的电磁干扰影响,采样得到的电流和电压等信号必然带有噪声。这将导致RLS有偏的模型参数估计结果,进而导致观测器或者滤波器较低的SOC估计精度。
发明内容
为了解决上述问题,本发明提供一种具有抗噪性锂离子电池模型参数和SOC联合估计方法及***,其能够有效克服噪声干扰环境下的模型参数辨识偏差,显著提高SOC估计的精度。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种具有抗噪性锂离子电池模型参数和SOC联合估计方法。
一种具有抗噪性锂离子电池模型参数和SOC联合估计方法,包括:
对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;
初始化锂离子电池模型的RC参数及电池的SOC;
根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;
基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
本发明的第二个方面提供一种具有抗噪性锂离子电池模型参数和SOC联合估计***。
一种具有抗噪性锂离子电池模型参数和SOC联合估计***,包括:
OCV-SOC映射模块,其用于对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;
初始化模块,其用于初始化锂离子电池模型的RC参数及电池的SOC;
RC参数辨识模块,其用于根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;
SOC估计模块,其用于基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如上述所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
本发明的有益效果是:
本发明的具有抗噪性锂离子电池模型参数和SOC联合估计方法,利用递推受限总体最小二乘方法估计锂离子电池模型的RC参数,进一步利用无偏的模型参数,使用特定的观测器或者滤波器估计电池的SOC。该方法易于实现、计算量小,执行效率高,极具实用价值,可以在噪声干扰强烈的复杂环境下,实现模型参数的准确估计,并能进一步取得较高的SOC估计精度,在BMS等领域中具有广阔的应用前景。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的锂离子电池***的Thevenin模型。
图2是本发明实施例的具有抗噪性锂离子电池模型参数和SOC联合估计方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图2所示,本实施例提供了一种具有抗噪性锂离子电池模型参数和SOC联合估计方法,包括:
S101:对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;具体地,可以表示为
式中,Sk表示k时刻电池的SOC,Uoc,k表示k时刻电池的开路电压,di表示通过离线拟合OCV-SOC关系得到的m阶多项式的系数,。
S102:初始化锂离子电池模型的RC参数及电池的SOC。
S103:根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数。
具体地,围绕图1所示的Thevenin模型展开研究,令EL(s)=Ut(s)-Uoc(s),其传递函数可以表示为
其中,Ut(s)和Uoc(s)分别表示电池端电压和开路电压的s域表示;IL(s)表示流过电池的电流,定义正为放电,负为充电;Ro表示电池的欧姆内阻;Rp和Cp分别表示电池的极化电阻和极化电容;s表示拉普拉斯算子。
为了把***的传递函数应用于数字离散***,需要将***的传递函数从s域变换到z域。为了保证变换前后***稳定性方面的一致性,利用式(2)所示的双线性变换进行转换。
式中,Ts表示采样时间,z-1表示离散操作算子。
将式(2)代入式(1),得到离散传递函数表示为
改写为回归形式。进一步,可以将式(3)写为回归形式:
式(4)中θk的求解可以通过辨识方法得到,图1所示Thevenin模型中的RC模型参数可以求解为
受实测中使用的传感器测量精度和恶劣的电磁环境影响,采样的电流和电压信号必然带有噪声,为此,可以将式(4)改写为
首先,计算增益Kr,k和Pr,k
然后,执行一步逆幂迭代,可以得到
式中,是噪声协方差矩阵;υ′1:n;k表示由向量υk′的第1到第n个元素形成的子向量;υ′(n+1);k表示向量υ′k的第(n+1)个元素;n为待辨识参数的数目,在本实例中为3。;和分别表示k时刻包含噪声的电压测量信号、k时刻包含噪声的电流测量信号和(k-1)时刻包含噪声的电流测量信号。
最后,图1所示Thevenin模型中RC参数的值可以通过式(5)得到。
S104:基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
使用上述步骤估计的RC模型参数,利用观测器或者滤波器包括但不限于龙伯格观测器(Luenberger Observer,LO)、比例-积分观测器(Proportional-integral Observer,PIO)、扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(UncentedKalman Filter,UKF)、粒子滤波(Particle Filter,PF)等方法对SOC进行估计。
图1所示的Thevenin模型的离散状态空间表达式可以写为:
式中,Up,k表示k时刻,电阻Rp和电容Cp两端的极化电压;Ts表示采样时间;IL,k表示k时刻流过电池的电流,定义放电为正,充电为负;Sk表示k时刻电池的SOC;η表示库伦效率;CN表示电池的可利用容量;Ut表示电池的端电压;xk是状态向量;yk是输出向量;uk是输入向量;是非线性测量函数;Ak和Bk分别是状态空间表达式的***矩阵和输入矩阵;Uoc,k表示电池的开路电压,是Sk的函数,可以写为
式中,di表示通过离线拟合OCV-SOC关系得到的m阶多项式的系数。
锂离子电池SOC的估计,主要有两个过程,分别是时间更新过程和测量更新过程。具体过程如下所示:
时间更新过程:
(1)更新先验状态
(2)更新先验误差协方差
式中,Q是过程噪声协方差矩阵。
测量更新过程:
(3)计算卡尔曼增益
式中,R是测量噪声协方差矩阵。
(4)更新后验状态
(5)更新后验误差协方差
其中,上标+表示测量更新;上标-表示时间更新。
本实施例利用递推受限总体最小二乘方法估计锂离子电池模型的RC参数,进一步利用无偏的模型参数,使用特定的观测器或者滤波器估计电池的SOC。该方法易于实现、计算量小,执行效率高,极具实用价值,可以在噪声干扰强烈的复杂环境下,实现模型参数的准确估计,并能进一步取得较高的SOC估计精度,在BMS等领域中具有广阔的应用前景。
实施例二
本实施例提供了一种具有抗噪性锂离子电池模型参数和SOC联合估计***,包括:
(1)OCV-SOC映射模块,其用于对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;
(2)初始化模块,其用于初始化锂离子电池模型的RC参数及电池的SOC;
(3)RC参数辨识模块,其用于根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;
(4)SOC估计模块,其用于基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。围绕图1所示的Thevenin模型展开研究,令EL(s)=Ut(s)-Uoc(s),其传递函数可以表示为
其中,Ut(s)和Uoc(s)分别表示电池端电压和开路电压的s域表示;IL(s)表示流过电池的电流,定义正为放电,负为充电;Ro表示电池的欧姆内阻;Rp和Cp分别表示电池的极化电阻和极化电容;s表示拉普拉斯算子。
为了把***的传递函数应用于数字离散***,需要将***的传递函数从s域变换到z域。为了保证变换前后***稳定性方面的一致性,利用式(2)所示的双线性变换进行转换。
式中,Ts表示采样时间,z-1表示离散操作算子。
将式(2)代入式(1),得到离散传递函数表示为
改写为回归形式。进一步,可以将式(3)写为回归形式:
式(4)中θk的求解可以通过辨识方法得到,图1所示Thevenin模型中的RC模型参数可以求解为
受实测中使用的传感器测量精度和恶劣的电磁环境影响,采样的电流和电压信号必然带有噪声,为此,可以将式(4)改写为
首先,计算增益Kr,k和Pr,k
然后,执行一步逆幂迭代,可以得到
式中,是噪声协方差矩阵;υ′1:n;k表示由向量υ′k的第1到第n个元素形成的子向量;υ′(n+1);k表示向量υ′k的第(n+1)个元素;n为待辨识参数的数目,在本实例中为3;和分别表示k时刻包含噪声的电压测量信号、k时刻包含噪声的电流测量信号和k-1时刻包含噪声的电流测量信号。
最后,图1所示Thevenin模型中RC参数的值可以通过式(5)得到。
图1所示的Thevenin模型的离散状态空间表达式可以写为:
式中,Up,k表示k时刻,电阻Rp和电容Cp两端的极化电压;Ts表示采样时间;IL,k表示k时刻流过电池的电流,定义放电为正,充电为负;Sk表示k时刻电池的SOC;η表示库伦效率;CN表示电池的可利用容量;Ut表示电池的端电压;xk是状态向量;yk是输出向量;uk是输入向量;是非线性测量函数;Ak和Bk分别是状态空间表达式的***矩阵和输入矩阵;Uoc,k表示电池的开路电压,是Sk的函数,可以写为
式中,di表示通过离线拟合OCV-SOC得到的m阶多项式的系数。
具体地,利用递推受限总体最小二乘方法,求解基于锂离子电池等效电路模型的离散域回归方程。
(1)首先,计算增益Kr,k和Pr,k:
(2)执行一步逆幂迭代:
式中,λr为遗忘因子,是噪声协方差矩阵;υ′1:n;k表示由向量υ′k的第1到第n个元素形成的子向量;υ′(n+1);k表示向量υ′k的第(n+1)个元素;n为待辨识参数的数目,在本实例中为3;和分别表示k时刻包含噪声的电压测量信号、k时刻包含噪声的电流测量信号和(k-1)时刻包含噪声的电流测量信号。
若电流和电压噪声的统计特性先验已知,噪声协方差矩阵由用户输入。
若电流和电压噪声的统计特性先验未知,可以由多项式卡尔曼平滑等方法对噪声协方差矩阵进行估计。使用上述步骤估计的RC模型参数,利用观测器或者滤波器包括但不限于龙伯格观测器(Luenberger Observer,LO)、比例-积分观测器(Proportional-integral Observer,PIO)、扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Uncented Kalman Filter,UKF)、粒子滤波(Particle Filter,PF)等方法对SOC进行估计。
本实施例利用递推受限总体最小二乘方法求解离散域回归方程,估计锂离子电池***的RC模型参数,进而利用特定的滤波器或者观测器估计电池的SOC。该方法易于实现、计算量小,执行效率高,极具实用价值,可以在噪声干扰强烈的复杂环境下,实现模型参数的准确估计和较高的SOC估计精度,在BMS等领域中具有广阔的应用前景。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如上述所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种具有抗噪性锂离子电池模型参数和SOC联合估计方法,其特征在于,包括:
对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;
初始化锂离子电池模型的RC参数及电池的SOC;
根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;
基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
2.如权利要求1所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法,若电流和电压噪声的统计特性先验已知,噪声协方差矩阵由用户输入。
3.如权利要求1所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法,其特征在于,若电流和电压噪声的统计特性先验未知,由多项式卡尔曼平滑方法对噪声协方差矩阵进行估计。
6.一种具有抗噪性锂离子电池模型参数和SOC联合估计***,其特征在于,包括:
OCV-SOC映射模块,其用于对锂离子电池进行脉冲充放电测试,得到在不同SOC处的开路电压OCV,确定出OCV-SOC映射关系;
初始化模块,其用于初始化锂离子电池模型的RC参数及电池的SOC;
RC参数辨识模块,其用于根据OCV-SOC映射关系及SOC来确定OCV,再根据实时测量的电池电流和电压信号及其所含噪声的统计特性,利用递推受限总体最小二乘方法求解锂离子电池等效电路模型的离散域回归方程,辨识出当前时刻的RC参数;
SOC估计模块,其用于基于当前时刻RC参数及更新的锂离子电池***状态空间表达式,选用观测器或滤波器估计出锂离子电池当前时刻的SOC。
7.如权利要求6所述的具有抗噪性锂离子电池模型参数和SOC联合估计***,其特征在于,在所述RC参数辨识模块中,若电流和电压噪声的统计特性先验已知,噪声协方差矩阵由用户输入。
8.如权利要求6所述的具有抗噪性锂离子电池模型参数和SOC联合估计***,其特征在于,在所述RC参数辨识模块中,若电流和电压噪声的统计特性先验未知,由多项式卡尔曼平滑方法对噪声协方差矩阵进行估计。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
10.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如权利要求1-5中任一项所述的具有抗噪性锂离子电池模型参数和SOC联合估计方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512164.8A CN111624496B (zh) | 2020-06-08 | 2020-06-08 | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512164.8A CN111624496B (zh) | 2020-06-08 | 2020-06-08 | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624496A true CN111624496A (zh) | 2020-09-04 |
CN111624496B CN111624496B (zh) | 2021-08-10 |
Family
ID=72271177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010512164.8A Active CN111624496B (zh) | 2020-06-08 | 2020-06-08 | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624496B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN112684348A (zh) * | 2021-01-21 | 2021-04-20 | 山东大学 | 基于强跟踪算法和自适应卡尔曼滤波的soc预测方法及*** |
CN114035054A (zh) * | 2021-11-17 | 2022-02-11 | 重庆邮电大学 | 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法 |
CN114545260A (zh) * | 2022-02-25 | 2022-05-27 | 威胜电气有限公司 | 一种电池容量解耦的锂电池荷电状态估计方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937704A (zh) * | 2012-11-27 | 2013-02-20 | 山东省科学院自动化研究所 | 一种动力电池rc等效模型的辨识方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与*** |
CN106896325A (zh) * | 2017-01-24 | 2017-06-27 | 广东恒沃动力科技有限公司 | 一种电池参数在线辨识方法及*** |
EP3438682A1 (en) * | 2017-08-02 | 2019-02-06 | Li.plus GmbH | Method, apparatus and computer program for determining an impedance of an electrically conducting device |
CN110907835A (zh) * | 2019-12-10 | 2020-03-24 | 北京理工大学 | 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 |
-
2020
- 2020-06-08 CN CN202010512164.8A patent/CN111624496B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937704A (zh) * | 2012-11-27 | 2013-02-20 | 山东省科学院自动化研究所 | 一种动力电池rc等效模型的辨识方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与*** |
CN106896325A (zh) * | 2017-01-24 | 2017-06-27 | 广东恒沃动力科技有限公司 | 一种电池参数在线辨识方法及*** |
EP3438682A1 (en) * | 2017-08-02 | 2019-02-06 | Li.plus GmbH | Method, apparatus and computer program for determining an impedance of an electrically conducting device |
CN110907835A (zh) * | 2019-12-10 | 2020-03-24 | 北京理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
朱瑞,等: "基于分布式最小二乘法的锂离子电池建模及参数辨识", 《机械工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
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*** |
CN112684348A (zh) * | 2021-01-21 | 2021-04-20 | 山东大学 | 基于强跟踪算法和自适应卡尔曼滤波的soc预测方法及*** |
CN114035054A (zh) * | 2021-11-17 | 2022-02-11 | 重庆邮电大学 | 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法 |
CN114545260A (zh) * | 2022-02-25 | 2022-05-27 | 威胜电气有限公司 | 一种电池容量解耦的锂电池荷电状态估计方法 |
CN114545260B (zh) * | 2022-02-25 | 2022-10-18 | 威胜电气有限公司 | 一种电池容量解耦的锂电池荷电状态估计方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111624496B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111624496B (zh) | 具有抗噪性锂离子电池模型参数和soc联合估计方法及*** | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
Guo et al. | A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
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 | |
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 | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
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 | |
CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
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 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及*** | |
CN112433154A (zh) | 基于ffrls和ekf的锂离子电池soc估测算法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
Shabarish et al. | SOC estimation of battery in hybrid vehicle using adaptive neuro-fuzzy technique | |
CN110554320A (zh) | 锂离子电池的soc估算方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理*** | |
Gu et al. | The modified multi-innovation adaptive EKF algorithm for identifying battery SOC | |
Havangi | Adaptive robust unscented Kalman filter with recursive least square for state of charge estimation of batteries | |
CN112269133A (zh) | 一种基于预充电路模型参数识别的soc估计方法 |
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 |