CN112363056A - 一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 - Google Patents
一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 Download PDFInfo
- Publication number
- CN112363056A CN112363056A CN202010795635.0A CN202010795635A CN112363056A CN 112363056 A CN112363056 A CN 112363056A CN 202010795635 A CN202010795635 A CN 202010795635A CN 112363056 A CN112363056 A CN 112363056A
- Authority
- CN
- China
- Prior art keywords
- battery
- internal resistance
- error
- value
- starting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010287 polarization 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]
- G01R31/367—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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提出一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,包括以下步骤:S1,尖峰检测步骤,把启动时刻的大脉冲筛选出来;S2,根据尖峰发生相对于上电的时序判定尖峰检测是否可用,若可用启动电池内阻寿命模型修正;S3,递归学***均值和方差;S4,卡尔曼修正步骤,根据电池的启动信号修正寿命模型的输出。本发明不再依赖电池等效模型,防止误差传递。不依赖外部硬件电路,节约成本和空间。根据电池的实际响应。对寿命模型的输出做修正,纠正后期误差逐渐增大的问题。
Description
技术领域
本发明涉及电池内阻寿命技术领域,尤其涉及一种基于卡尔曼滤波器修正电池内阻寿命模型的方法。
背景技术
现有的SOH计算技术:根据启动内阻估算电池SOH_res根据电池等效电路模型,估算电池SOH_res,通过外置硬件电路直流放电测试直流内阻,估算SOH_res,建立电池的寿命模型。方案1根据电池等效电路模型计算,参考中国专利申请号201910059323.0的专利,电池等效电路模型的建立需要大量的时间和精力,通常需要半年。其设计的主要目的是计算SOC,依据的准则是多工况的均方根误差的和最小。平均电压拟合误差超过10mV,举个例子,当实时电流小于10A,造成内阻误差为1mohm。对于8Ah的电池直流内阻为500uohm左右。所以如果用电池等效电路模型来直接计算SOH_res,误差很可能超过范围。方案2添加额外的监测电路,参考中国专利申请号201910380607.X的专利:额外设置恒流放电电路,需要成本和空间。监测电路工作时,电池不能正常工作。所以严格的说这不算一种在线的估计方法。方案3建立电池寿命模型,参考中国专利申请号201910059323.0的专利:建立电池寿命模型是比较常见的方式,使用客户给定的工况。通过长时间的寿命测试,辨识出影响电池寿命的参数。输入寿命模型的变量,比如吞吐量、时间、温度、SOC、就可以直接计算出SOH_res.问题是实际工况往往并不单一,所以寿命模型的结果并不是十分准确。另外当电池被滥用时,寿命的衰减会加快,但是这一点在这种寿命模型中无法体现。所以电池寿命模型估计的误差随着时间的增大会增大。方案4根据启动内阻计算,参考中国专利申请号CN201710285985.0的专利:启动过程产生的压降除以期间的最大电流可以获得电池电阻。计算结果受温度影响较大,所以其精度不高。所以这种方法应该加上滤波器。
发明内容
本发明解决了电池内阻寿命修正中需要建立电池等效电路模型,耗费大量时间和精力的问题,同时还解决了修正误差传递,后期误差逐渐增大的问题。本发明提出一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,不再依赖电池等效模型,防止误差传递。不依赖外部硬件电路,节约成本和空间。根据电池的实际响应。对寿命模型的输出做修正,纠正后期误差逐渐增大的问题。
为实现上述目的,提出以下技术方案:
一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,包括以下步骤:
S1,尖峰检测步骤,把启动时刻的大脉冲筛选出来;
S2,根据尖峰发生相对于上电的时序判定尖峰检测是否可用,若可用启动电池内阻寿命模型修正;
S3,递归学***均值和方差;
S4,卡尔曼修正步骤,根据电池的启动信号修正寿命模型的输出。
电机的启动是一个严格受控的过程,启动之前的极化电压也比较小,时间短,电流大。这些都是通过启动时刻电池电阻的有利因数。递归学***方差R的大小,可以直接根据启动内阻的变化计算出寿命终结SohRes的值,从而摆脱对电池寿命模型的依赖。不再依赖电池等效模型,防止误差传递,不依赖外部硬件电路,节约成本和空间。根据电池的实际响应。对寿命模型的输出做修正,纠正后期误差逐渐增大的问题。
作为优选,所述步骤S1具体包括:
S101,当电池管理***收到点火信号,闭合继电器后,检测输出电流和电压,判断时间是否大于1s,若否,记录最小电压Vmin和最大电流Imax,并进行步骤S102,若是,进行步骤S103;
S102,判断最小电压Vmin是否等于实时电芯电压Volt(t),若是,独立计算对象detectCnt总数加1,若否,返回步骤S101;
S103,判断独立计算对象detectCnt是否大于正常启动信号的尖峰出现最小计数ticksMin且小于正常启动信号的尖峰出现最大计数ticksMax,若是,计算启动信号上的最大压降dV,并生成尖峰可用判断值Valid_flag=1,若否生成尖峰可用判断值Valid_flag=0。
监听1s的输出电流和电压。由于电机启动。期间会输出一个大电流,产生一个比较大的压降。这个模块需要选出最低电压和大电流。稍后对这两个值做除法便可电池电阻。若其尖峰出现的位置不符合预期,则认为启动异常。
作为优选,所述计算启动信号上的最大压降dV=上电时量测到的第一个有效电压Vinit-最小电压Vmin。
作为优选,所述步骤S2具体包括:
S201,判断尖峰可用判断值Valid_flag是否等于1,若是,进行步骤S202,若否,上周期的修正结果和本周期的修正结果复位;
S202,判断本周期电池内阻健康度的预测值SohResPrd是否大于105%或输出功率是否大于100kWh,若是,则进行步骤S4,若否则进行步骤S3。
作为优选,所述步骤S3具体包括:
S301,初始化参数:递归学习发生的次数n=1,启动内阻在前期吞吐量小于100kWh时的均值Zmean=Z,启动内阻在前期多次测量值的方差Zvar=0;
S302,对启动内阻在前期多次测量值的方差Zvar进行计算:
Zvar=Zvar*(n-1)/n+(Z-Zmean)^2/(n+1);
S303,启动内阻在前期吞吐量小于100kWh时的均值Zmean进行计算:
Zmean=n*(Zmean+Z/SohResPrd)/(n+1);
其中SohResPrd为电池内阻健康度的预测值;
S304,递归学习发生的次数n总数加1,并返回步骤S302。
电池寿命的初期,具体的界限根据电池寿命模型来选,电池电阻变化很慢可以视为不变。不同温度下测量到的内阻需要根据比例统一换算到25度的内阻值。通过递归算法可以学习到电池电阻的均值和方差。这个方差相当于是在衡量通过启动信号测量内阻的不确定度。可以作为Kalman滤波的输入。
作为优选,所述步骤S4具体包括:
S401,初始化预测状态:记电池寿命模型的上次输出值为SohResPrdHis,本次输出值为SohResPrdNow,则本周期预测模型内阻增量dSohResPrd=SohResPrdNow–SohResPrdHis;
当前电池启动内阻值预测值Predict=SohResCrd+dSohResPrd,其中SohResCrd为电池内阻健康度的修正值;
S402,建立测量方程:量测方程根据电阻比得到内阻为度量的电池寿命SohRes的量测值:
SohResMeas=Z/Zmean;
S403,对测量方程进行测量误差协方差计算:
量测方程误差的平方差R=Zvar/Zmean^2*(1+SohRes^2);
S404,对预测误差的协方差进行计算:
预测方程误差的平方差Q=(dSohResPrd*coeff)^2,coeff为电池电阻预测模型误差换算的新增误差系数;
卡尔曼估计的误差的平方差P=P+Q;
S405,计算卡尔曼系数K=P/(P+R);
S406,计算电池内阻健康度的修正值SohResCrd=Predict+K*(SohResMeas-Predict);
S407,计算电池内阻健康度的修正值的协方差SohResCrd_P=(1-K)SohResCrd_P。
本发明采用Kalman滤波的原因是为了合理计算由启动内阻和寿命模型计算的SohRes的权重,学习过程结束后每次成功的启动事件会触发kalman修正。
作为优选,所述电池电阻预测模型误差换算的新增误差系数coeff=8%/50%,其含义为新增50%的SohRes后,预测模型精度从0%升到为8%。
作为优选,所述卡尔曼估计的误差的平方差P的值转换为3σ的的不确定度,其过程为:状态方程和量测方程的左边SOH,所以其转换矩阵H化简为1,故而有K=PH/(HPH+R)=P/(P+R),为了方便用户使用,P的值转换为3σ的不确定度,转换公式为:U(SohRes)=3sqrt(P);其中U(SohRes)为不确定度,sqrt(P)为卡尔曼估计的误差的平方差P的相关参数。当SohRes=140%,U(SohRes)=5%,则此时的电池寿命有99.7%的概率落在[135%,145%]之间。所以通过卡尔曼滤波器计算SohRes的另一个好处是:可以通过计算让终端客户获得对SohRes精度的感性认识。
本发明以下有益效果:递归学***方差R的大小,可以直接根据启动内阻的变化计算出寿命终结SohRess的值,从而摆脱对电池寿命模型的依赖。不再依赖电池等效模型,防止误差传递,不依赖外部硬件电路,节约成本和空间。根据电池的实际响应。对寿命模型的输出做修正,纠正后期误差逐渐增大的问题。
附图说明
图1是本发明的流程图;
图2是尖峰检测运算图;
图3是递归学习运算图;
图4是Kalman修正运算图;
图5是运行9年的仿真数据图。
具体实施方式
本实施例提出一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,参考图1,包括以下步骤:
S1,尖峰检测步骤,把启动时刻的大脉冲筛选出来;参考图2,步骤S1具体包括:
S101,当电池管理***收到点火信号,闭合继电器后,检测输出电流和电压,判断时间是否大于1s,若否,记录最小电压Vmin和最大电流Imax,并进行步骤S102,若是,进行步骤S103;
S102,判断最小电压Vmin是否等于实时电芯电压Volt(t),若是,独立计算对象detectCnt总数加1,若否,返回步骤S101;
S103,判断独立计算对象detectCnt是否大于正常启动信号的尖峰出现最小计数ticksMin且小于正常启动信号的尖峰出现最大计数ticksMax,若是,计算启动信号上的最大压降dV,并生成尖峰可用判断值Valid_flag=1,若否生成尖峰可用判断值Valid_flag=0。
监听1s的输出电流和电压。由于电机启动。期间会输出一个大电流,产生一个比较大的压降。这个模块需要选出最低电压和大电流。稍后对这两个值做除法便可电池电阻。若其尖峰出现的位置不符合预期,则认为启动异常。
计算启动信号上的最大压降dV=上电时量测到的第一个有效电压Vinit-最小电压Vmin。
S2,根据尖峰发生相对于上电的时序判定尖峰检测是否可用,若可用启动电池内阻寿命模型修正;步骤S2具体包括:
S201,判断尖峰可用判断值Valid_flag是否等于1,若是,进行步骤S202,若否,上周期的修正结果和本周期的修正结果复位;
S202,判断本周期电池内阻健康度的预测值SohResPrd是否大于105%或输出功率是否大于100kWh,若是,则进行步骤S4,若否则进行步骤S3;
S3,递归学***均值和方差;参考图3,步骤S3具体包括:
S301,初始化参数:递归学习发生的次数n=1,启动内阻在前期吞吐量小于100kWh时的均值Zmean=Z,启动内阻在前期多次测量值的方差Zvar=0;
S302,对启动内阻在前期多次测量值的方差Zvar进行计算:
Zvar=Zvar*(n-1)/n+(Z-Zmean)^2/(n+1);
S303,启动内阻在前期吞吐量小于100kWh时的均值Zmean进行计算:
Zmean=n*(Zmean+Z/SohResPrd)/(n+1);
其中SohResPrd为电池内阻健康度的预测值;
S304,递归学习发生的次数n总数加1,并返回步骤S302。
电池寿命的初期,具体的界限根据电池寿命模型来选,电池电阻变化很慢可以视为不变。不同温度下测量到的内阻需要根据比例统一换算到25度的内阻值。通过递归算法可以学习到电池电阻的均值和方差。这个方差相当于是在衡量通过启动信号测量内阻的不确定度。可以作为Kalman滤波的输入。
S4,卡尔曼修正步骤,根据电池的启动信号修正寿命模型的输出。参考图4,步骤S4具体包括:
S401,初始化预测状态:记电池寿命模型的上次输出值为SohResPrdHis,本次输出值为SohResPrdNow,则本周期预测模型内阻增量dSohResPrd=SohResPrdNow–SohResPrdHis;
当前电池启动内阻值预测值Predict=SohResCrd+dSohResPrd,其中SohResCrd为电池内阻健康度的修正值;
S402,建立测量方程:量测方程根据电阻比得到内阻为度量的电池寿命SohRes的量测值:
SohResMeas=Z/Zmean;
S403,对测量方程进行测量误差协方差计算:
量测方程误差的平方差R=Zvar/Zmean^2*(1+SohRes^2);
S404,对预测误差的协方差进行计算:
预测方程误差的平方差Q=(dSohResPrd*coeff)^2,coeff为电池电阻预测模型误差换算的新增误差系数;
卡尔曼估计的误差的平方差P=P+Q;
S405,计算卡尔曼系数K=P/(P+R);
S406,计算电池内阻健康度的修正值SohResCrd=Predict+K*(SohResMeas-Predict);
S407,计算电池内阻健康度的修正值的协方差SohResCrd_P=(1-K)SohResCrd_P。
本发明采用Kalman滤波的原因是为了合理计算由启动内阻和寿命模型计算的SohRes的权重,学习过程结束后每次成功的启动事件会触发kalman修正。电池电阻预测模型误差换算的新增误差系数coeff=8%/50%,其含义为新增50%的SohRes后,预测模型精度从0%升到为8%。
卡尔曼估计的误差的平方差P的值转换为3σ的的不确定度,其过程为:状态方程和量测方程的左边SOH,所以其转换矩阵H化简为1,故而有K=PH/(HPH+R)=P/(P+R),为了方便用户使用,P的值转换为3σ的不确定度,转换公式为:U(SohRes)=3sqrt(P);其中U(SohRes)为不确定度,sqrt(P)为卡尔曼估计的误差的平方差P的相关参数。当SohRes=140%,U(SohRes)=5%,则此时的电池寿命有99.7%的概率落在[135%,145%]之间。所以通过卡尔曼滤波器计算SohRes的另一个好处是:可以通过计算让终端客户获得对SohRes精度的感性认识。
发明利用Kalman 滤波器完成了SOH计算的闭环控制。使得SOH的误差可以有效控制。并提供置信区间。参考图5,SOHcorr为SohRes的计算结果,SOHres_predict 为寿命模型的输出,SOHres_meas为根据启动内阻计算的SohRes。仿真结束后,结果的3σ不确定度为2.51%。
本发明以下有益效果:递归学***方差R的大小,可以直接根据启动内阻的变化计算出寿命终结SohRess的值,从而摆脱对电池寿命模型的依赖。不再依赖电池等效模型,防止误差传递,不依赖外部硬件电路,节约成本和空间。根据电池的实际响应。对寿命模型的输出做修正,纠正后期误差逐渐增大的问题。
Claims (8)
1.一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,包括以下步骤:
S1,尖峰检测步骤,把启动时刻的大脉冲筛选出来;
S2,根据尖峰发生相对于上电的时序判定尖峰检测是否可用,若可用启动电池内阻寿命模型修正;
S3,递归学***均值和方差;
S4,卡尔曼修正步骤,根据电池的启动信号修正寿命模型的输出。
2.根据权利要求1所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述步骤S1具体包括:
S101,当电池管理***收到点火信号,闭合继电器后,检测输出电流和电压,判断时间是否大于1s,若否,记录最小电压Vmin和最大电流Imax,并进行步骤S102,若是,进行步骤S103;
S102,判断最小电压Vmin是否等于实时电芯电压Volt(t),若是,独立计算对象detectCnt总数加1,若否,返回步骤S101;
S103,判断独立计算对象detectCnt是否大于正常启动信号的尖峰出现最小计数ticksMin且小于正常启动信号的尖峰出现最大计数ticksMax,若是,计算启动信号上的最大压降dV,并生成尖峰可用判断值Valid_flag=1,若否生成尖峰可用判断值Valid_flag=0。
3.根据权利要求2所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述计算启动信号上的最大压降dV=上电时量测到的第一个有效电压Vinit-最小电压Vmin。
4.根据权利要求2所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述步骤S2具体包括:
S201,判断尖峰可用判断值Valid_flag是否等于1,若是,进行步骤S202,若否,上周期的修正结果和本周期的修正结果复位;
S202,判断本周期电池内阻健康度的预测值SohResPrd是否大于105%或输出功率是否大于100kWh,若是,则进行步骤S4,若否则进行步骤S3。
5.根据权利要求1所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述步骤S3具体包括:
S301,初始化参数:递归学习发生的次数n=1,启动内阻在前期吞吐量小于100kWh时的均值Zmean=Z,启动内阻在前期多次测量值的方差Zvar=0;
S302,对启动内阻在前期多次测量值的方差Zvar进行计算:
Zvar=Zvar*(n-1)/n+(Z-Zmean)^2/(n+1);
S303,启动内阻在前期吞吐量小于100kWh时的均值Zmean进行计算:
Zmean=n*(Zmean+Z/SohResPrd)/(n+1);
其中SohResPrd 为电池内阻健康度的预测值;
S304,递归学习发生的次数n总数加1,并返回步骤S302。
6.根据权利要求5所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述步骤S4具体包括:
S401,初始化预测状态:记电池寿命模型的上次输出值为SohResPrdHis, 本次输出值为SohResPrdNow,则本周期预测模型内阻增量dSohResPrd = SohResPrdNow –SohResPrdHis;
当前电池启动内阻值预测值Predict= SohResCrd+dSohResPrd,其中SohResCrd为电池内阻健康度的修正值;
S402,建立测量方程:量测方程根据电阻比得到内阻为度量的电池寿命SohRes的量测值:
SohResMeas=Z/Zmean ;
S403,对测量方程进行测量误差协方差计算:
量测方程误差的平方差R= Zvar/Zmean^2*(1+SohRes^2);
S404,对预测误差的协方差进行计算:
预测方程误差的平方差Q=(dSohResPrd*coeff)^2,coeff为电池电阻预测模型误差换算的新增误差系数;
卡尔曼估计的误差的平方差P=P+Q;
S405,计算卡尔曼系数K=P/(P+R);
S406,计算电池内阻健康度的修正值SohResCrd=Predict+K*(SohResMeas- Predict);
S407,计算电池内阻健康度的修正值的协方差SohResCrd_P=(1-K)SohResCrd_P。
7.根据权利要求6所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述电池电阻预测模型误差换算的新增误差系数coeff=8%/50%,其含义为新增50%的SohRes后,预测模型精度从0%升到为8%。
8.根据权利要求6所述的一种基于卡尔曼滤波器修正电池内阻寿命模型的方法,其特征是,所述卡尔曼估计的误差的平方差P的值转换为3σ的的不确定度,其过程为:状态方程和量测方程的左边SOH, 所以其转换矩阵H化简为1,故而有K=PH/(HPH+R)=P/(P+R),为了方便用户使用, P的值转换为3σ的不确定度,转换公式为:U(SohRes)=3sqrt(P); 其中U(SohRes)为不确定度,sqrt(P)为卡尔曼估计的误差的平方差P的相关参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795635.0A CN112363056A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795635.0A CN112363056A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112363056A true CN112363056A (zh) | 2021-02-12 |
Family
ID=74516706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010795635.0A Pending CN112363056A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363056A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001051947A1 (en) * | 2000-01-12 | 2001-07-19 | Honeywell International Inc. | System and method for determining battery state-of-health |
JP2005083798A (ja) * | 2003-09-05 | 2005-03-31 | Shin Kobe Electric Mach Co Ltd | 電池状態検知方法 |
JP4689756B1 (ja) * | 2010-03-31 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
DE102011017113A1 (de) * | 2011-04-14 | 2012-10-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators |
CN106908741A (zh) * | 2017-04-26 | 2017-06-30 | 广州汽车集团股份有限公司 | 混合动力汽车动力电池组soh估算方法和装置 |
CN107368619A (zh) * | 2017-06-02 | 2017-11-21 | 华南理工大学 | 基于电池滞回电压特性和回弹电压特性的扩展卡尔曼滤波soc估算方法 |
-
2020
- 2020-08-10 CN CN202010795635.0A patent/CN112363056A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001051947A1 (en) * | 2000-01-12 | 2001-07-19 | Honeywell International Inc. | System and method for determining battery state-of-health |
JP2005083798A (ja) * | 2003-09-05 | 2005-03-31 | Shin Kobe Electric Mach Co Ltd | 電池状態検知方法 |
JP4689756B1 (ja) * | 2010-03-31 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
DE102011017113A1 (de) * | 2011-04-14 | 2012-10-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators |
CN106908741A (zh) * | 2017-04-26 | 2017-06-30 | 广州汽车集团股份有限公司 | 混合动力汽车动力电池组soh估算方法和装置 |
CN107368619A (zh) * | 2017-06-02 | 2017-11-21 | 华南理工大学 | 基于电池滞回电压特性和回弹电压特性的扩展卡尔曼滤波soc估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10338146B2 (en) | Method for determining a control observer for the SoC | |
US8099180B2 (en) | State and parameter estimator having integral and differential components for electrical energy accumulators | |
EP3745151B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
US6515454B2 (en) | Method and system for determining the capacity of a battery | |
EP2089731B1 (en) | Apparatus and method for determination of the state-of-charge of a battery when the battery is not in equilibrium | |
US5598088A (en) | Method for determining the charge state of a battery, in particular a vehicle starter battery | |
US6388450B2 (en) | Method for determining the state of charge of storage batteries | |
JP2006242880A (ja) | 電源装置用状態検知装置,電源装置及び電源装置に用いられる初期特性抽出装置 | |
KR20010043872A (ko) | 전지 충전상태의 추정수단 및 전지 열화상태의 추정방법 | |
EP3410139B1 (en) | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions | |
JP2008145349A (ja) | バッテリ充電率推定方法、バッテリ充電率推定装置及びバッテリ電源システム | |
US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
KR102481221B1 (ko) | 에너지 저장 시스템의 충전 상태 추정장치 및 방법 | |
CN114514433A (zh) | 用于诊断电池的设备和方法 | |
JP2023016707A5 (zh) | ||
CN111044924A (zh) | 一种全工况电池剩余容量确定方法及*** | |
CN114518537A (zh) | 用于确定电池单体的参数的值的方法、控制装置和机动车 | |
CN112363056A (zh) | 一种基于卡尔曼滤波器修正电池内阻寿命模型的方法 | |
CN110133510B (zh) | 一种锂离子电池荷电状态soc混合估计方法 | |
CN112285569A (zh) | 一种基于动态阈值模型的电动汽车故障诊断方法 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN117007969A (zh) | 可重构电池***中单个模组soc确定方法、***及设备 | |
CN114609526A (zh) | 电池soc估算方法、装置、电子设备及车辆 | |
US20220292232A1 (en) | Method and Apparatus for the State Estimation of an Electrical Grid | |
CN113009347B (zh) | 一种电池寿命终止阶段功率的设定方法、装置及相关产品 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211112 Address after: 311215 No. 855, Jianshe Second Road, economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Applicant after: Wanxiang 123 Co., Ltd Address before: 311215 No. 855, Jianshe Second Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Applicant before: Wanxiang 123 Co., Ltd Applicant before: Wanxiang Group Co., Ltd |