CN112800707A - 用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法 - Google Patents

用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法 Download PDF

Info

Publication number
CN112800707A
CN112800707A CN202110084556.3A CN202110084556A CN112800707A CN 112800707 A CN112800707 A CN 112800707A CN 202110084556 A CN202110084556 A CN 202110084556A CN 112800707 A CN112800707 A CN 112800707A
Authority
CN
China
Prior art keywords
particle
battery pack
lithium ion
ion battery
unscented
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
Application number
CN202110084556.3A
Other languages
English (en)
Inventor
谢滟馨
王顺利
范永存
王娜
陈蕾
包鲁明
蒋聪
于春梅
曹文
牟其羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mianyang Science And Technology City Industrial Technology Research Institute
Southwest University of Science and Technology
Original Assignee
China Mianyang Science And Technology City Industrial Technology Research Institute
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mianyang Science And Technology City Industrial Technology Research Institute, Southwest University of Science and Technology filed Critical China Mianyang Science And Technology City Industrial Technology Research Institute
Priority to CN202110084556.3A priority Critical patent/CN112800707A/zh
Publication of CN112800707A publication Critical patent/CN112800707A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，包括以下步骤：S01、根据锂离子电池组SOC的影响因素与内部因参数耦合而具有的非线性工作特性之间的关系构建电池模型；S02、采集电池组的各项数据并进行整合；S03、整合后的数据利用无迹卡尔曼滤波算法得到的均值和方差来更新粒子滤波算法采样中的粒子集；S04、根据步骤S03的计算预测锂离子电池组工作特性。具有采用无迹卡尔曼滤波具有良好的滤波效果，它通过采取对***状态变量的概率密度拟合，从而巧妙地避开了线性化过程带来的误差，估算精度进一步提升，***鲁棒性更好的优点。

Description

用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法
技术领域
本发明涉及电池检测领域，特别是涉及一种用于大型无人机锂离子电池组 SOC估计的无迹粒子滤波方法。
背景技术
在大型无人机锂离子电池组的电源管理***(Battery Management System，BMS)设计和实现中，SOC估算是其中的一个重点和难点，由于电池的充放电具有严重的非线性关系，并不能简单的通过电压等单一变量反映锂离子电池SOC；然而，只有准确的对锂离子电池组的SOC进行实时检测，给无人机的飞行控制器或者地面操作人员进行反馈，才能安全的规划作业时间和航程，SOC估算成了 BMS设计中关键问题之一。
为了满足大电容电池的大型无人机需求，常常将锂离子电池进行串并联组合使用，但由于电池在充电、放电的使用过程中过充、过放、过热等现象时常发生，或多或少电池间或存在不一致性问题，这是不可避免的，进而降低其使用效率、缩短电池的使用寿命；不一致性问题会随着使用次数的增多而加剧，只能采取相关措施抑制其加剧，但不能在根本上去除这一问题产生；电池管理***因其能检测电池物理参数、估计荷电状态(State ofCharge，SOC)/健康状态(State of Health，SOH)/功率状态(State of Power，SOP)、均衡管理等，在无人机发展领域孕育而生，因此，电池管理***可实现对锂离子电池组工作状态的监控、不一致性的均衡与控制，防止电池在充电过程出现欧姆极化、浓差极化和电化学极化构成的极化现象；其中，锂离子电池组SOC值可以表征电池的剩余电量，精确估算可以为电池管理***更为准确地判断均衡的时机，为大型无人机预判剩余电量提供参考依据；选择三元锂离子电池组作为本文的研究对象，进行SOC预估，探获SOC值。
近年来，针对锂离子电池组的等效构建和荷电状态估算，成为国际社会能源研究的重点方向之一，是世界范围内的热门话题，国内外大批优秀研究单位、研究人员对电池SOC估计积极展开研究，宾夕法尼亚州立大学、加州理工学院、伦敦帝国理工学院、斯坦福大学和国家可再生能源室等单位均对锂离子电池积极展开研究，以清华大学为代表的相关科研单位在参数检测、模型构建、状态预估同步开展研究，获得了大量的创新性研究成果，这些成果对锂离子电池研究提供了关键参照依据；在动力电池中，SOC的准确估算和能量管理至关重要，现有SOC估算方法主要有库伦计量法、放点测试法、开路电压法、卡尔曼滤波法、人工神经网络法以及粒子滤波法等，Wang等提出了一种新的无迹卡尔曼滤波估计方法电池模型，不需要线性化处理，降低了SOC估计的计算量，其误差为1.42％；罗世昌等考虑到扩展卡尔曼滤波算法存在的不足，应用粒子滤波算法对锂电池SOC进行在线估计，有效地降低扩展卡尔曼滤波(Extended Kalman Filter,EKF)过程中高阶损失误差；樊翠玲等采用改进粒子滤波算法提高锂电池SOC估算的精度，通过UKF算法更新粒子，试验结果表明SOC估计最大误差为1.846％，明显低于采用卡尔曼滤波和粒子滤波算法的SOC估计误差，但该过程在粒子重采样阶段，只通过权值与阈值大小的比对，选择粒子重排，未对粒子集枯竭现象进行抑制；Xiong等提出了一种用于锂离子电池的双尺度粒子滤波能态预测算法，极大程度提高了SOC的估算精度；本发明在Thevenin等效电路模型基础上，针对传统粒子滤波算法估算荷电状态精度不高等缺点，因此有必要提出一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，并通过锂离子电池组充放电测试数据对更新算法进行验证。
发明内容
针对上述问题，本发明提供了一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，具有采用无迹卡尔曼滤波具有良好的滤波效果，它通过采取对***状态变量的概率密度拟合，从而巧妙地避开了线性化过程带来的误差，估算精度进一步提升，***鲁棒性更好的优点。
本发明的技术方案是：
一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，包括以下步骤：
S01、根据锂离子电池组SOC的影响因素与内部因参数耦合而具有的非线性工作特性之间的关系构建电池模型；
S02、采集电池组的各项数据并进行整合；
S03、整合后的数据利用无迹卡尔曼滤波算法得到的均值和方差来更新粒子滤波算法采样中的粒子集；
S04、根据步骤S03的计算预测锂离子电池组工作特性。
在进一步的技术方案中，所述步骤S03中的粒子滤波算法包括以下步骤：
S31、初始化：用先验概率p(x0)产生N个SOC初始粒子
Figure BDA0002910337050000031
粒子权值
Figure BDA0002910337050000032
S32、更新粒子权重，其更新公式为：
Figure BDA0002910337050000033
S33、根据公式
Figure BDA0002910337050000034
计算最小均方估计；
S34、重采样，其中有效粒子数
Figure BDA0002910337050000035
当Neff≤Ns，得到若干粒子集
Figure BDA0002910337050000036
S35、采用状态方程预测未知参数
Figure BDA0002910337050000041
S36、判断程序结束条件，若未结束，时刻k＝k+1，跳转至步骤S31。
在进一步的技术方案中，所述步骤S03中的无迹粒子滤波算法包括以下步骤：
S37、从先验分布p(X0)抽取粒子作为新的粒子集合的初始状态，该粒子从***重要密度函数中获取；
S38、采样产生Sigma点集并对Sigma点集进一步预测，得到的观测值，更新***状态；
S39、根据公式
Figure BDA0002910337050000042
归一化权值；
S0310、根据公式
Figure BDA0002910337050000043
进行状态估计；
S0311、进行多项式重采样，并对重采样后的粒子数进行统计，并和阙值进行比较，粒子数目如果相对于阙值较小，则进行重新选样，重新选样后的粒子形成新的粒子集合。
在进一步的技术方案中，针对步骤S0311中粒子重新采样导致的粒子集枯竭现象，重采样设计中加入参数α，对粒子集可能出现的枯竭现象进行抑制，该参数需要满足下式：
Figure BDA0002910337050000044
在进一步的技术方案中，步骤S038中重要性采样阶段产生Sigma点集的公式如下：
Figure BDA0002910337050000045
对Sigma点集进一步预测具体公式如下：
Figure BDA0002910337050000051
通过得到的观测值，更新***状态的公式如下：
Figure BDA0002910337050000052
本发明的有益效果是：
1、本发明针对粒子滤波算法所提取的一些离散随机粒子，利用概率密度函数来完成对样本中均值的估计，这种算法的优点有两点，第一，可以不用对其进行积分运算，第二，对动态参数能够进行很好的预测和估计，效果较好；
2、该方法能够在更复杂的环境中适用，实现的预测效果和跟踪效果显著；获得最佳的估计算法和有效的滤波算法；
3、通过在粒子滤波算法的过程中，为保证有效粒子数不会因为重采样而大量减少造成枯竭，在应用中通过设置合理的建议密度函数，使得似然函数与先验分布基本吻合，粒子集中的样本较大程度上都转移至似然函数覆盖的区域中，阙值的大小来对粒子数量进行保证；该方法采用无迹卡尔曼滤波来作为建议密度函数，进而对算法进一步优化；
4、采用无迹卡尔曼滤波具有良好的滤波效果，它通过采取对***状态变量的概率密度拟合，从而巧妙地避开了线性化过程带来的误差，估算精度进一步提升，***鲁棒性更好；
5、通过将两种独立估算方法紧密结合，应用在锂离子电池组荷电状态估算中，对SOC实现有效、实时和精确的估算；该方法通过建立Thevenin等效电路模型，它所包含的一阶RC网络，在外部激励突变时，电容两端的电压保持恒定，能够准确描述电池的内部动态特性，也对电池的极化效应以及自放电效应纳入考虑，很好地满足模型精度要求；该方法是在Thevenin等效电路模型的基础上，运用改进粒子滤波算法估算SOC，能很大程度上减小粒子退化现象，提高估算精度。
附图说明
图1是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的电压检测电路的结构示意图；
图2是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的电流检测电路的结构示意图；
图3是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的主控电路的结构示意图；
图4是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的报警电路的结构示意图；
图5是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的锂离子电池组等效电路模型结构示意图；
图6是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的锂离子电池组荷电状态估算模型示意图；
图7是本发明实施例所述用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法的锂离子电池组实验测试平台搭建示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例：
一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，包括以下步骤：
S01、根据锂离子电池组SOC的影响因素与内部因参数耦合而具有的非线性工作特性之间的关系构建电池模型，其中电磁模型的具体电路如图1-图4所示；
S02、采集电池组的各项数据并进行整合；
S03、整合后的数据利用无迹卡尔曼滤波算法得到的均值和方差来更新粒子滤波算法采样中的粒子集；
S04、根据步骤S03的计算预测锂离子电池组工作特性。
在另外一个实施例中，所述步骤S03中的粒子滤波算法包括以下步骤：
S31、初始化：用先验概率p(x0)产生N个SOC初始粒子
Figure BDA0002910337050000071
粒子权值
Figure BDA0002910337050000072
S32、更新粒子权重，其更新公式为：
Figure BDA0002910337050000073
S33、根据公式
Figure BDA0002910337050000074
计算最小均方估计；
S34、重采样，其中有效粒子数
Figure BDA0002910337050000075
当Neff≤Ns，得到若干粒子集
Figure BDA0002910337050000076
S35、采用状态方程预测未知参数
Figure BDA0002910337050000077
S36、判断程序结束条件，若未结束，时刻k＝k+1，跳转至步骤S31。
在另外一个实施例中，所述步骤S03中的无迹粒子滤波算法包括以下步骤：
S37、从先验分布p(X0)抽取粒子作为新的粒子集合的初始状态，该粒子从***重要密度函数中获取；
S38、采样产生Sigma点集并对Sigma点集进一步预测，得到的观测值，更新***状态；
S39、根据公式
Figure BDA0002910337050000081
归一化权值；
S0310、根据公式
Figure BDA0002910337050000082
进行状态估计；
S0311、进行多项式重采样，并对重采样后的粒子数进行统计，并和阙值进行比较，粒子数目如果相对于阙值较小，则进行重新选样，重新选样后的粒子形成新的粒子集合。
在另外一个实施例中，针对步骤S0311中粒子重新采样导致的粒子集枯竭现象，重采样设计中加入参数α，对粒子集可能出现的枯竭现象进行抑制，该参数需要满足下式：
Figure BDA0002910337050000083
在另外一个实施例中，步骤S038中重要性采样阶段产生Sigma点集的公式如下：
Figure BDA0002910337050000084
对Sigma点集进一步预测具体公式如下：
Figure BDA0002910337050000091
通过得到的观测值，更新***状态的公式如下：
Figure BDA0002910337050000092
具体算法流程如下：
首先，本发明针对粒子滤波算法所提取的一些离散随机粒子，利用概率密度函数来完成对样本中均值的估计，这种算法的优点有两点，第一，可以不用对其进行积分运算，第二，对动态参数能够进行很好的预测和估计，效果较好；其次，该方法能够在更复杂的环境中适用，实现的预测效果和跟踪效果显著；获得最佳的估计算法和有效的滤波算法；根据本发明算法理论详细推导，获得其迭代计算过程，用以下步骤进行描述。
(1)初始化：采用先验概率p(x0)产生N个SOC初始粒子
Figure BDA0002910337050000093
粒子权值
Figure BDA0002910337050000094
(2)算法循环过程如下：
1)更新粒子权重：
Figure BDA0002910337050000095
2)归一化权值：
Figure BDA0002910337050000101
3)计算最小均方估计：
Figure BDA0002910337050000102
4)重采样：有效粒子数
Figure BDA0002910337050000103
当Neff≤Ns，得到若干粒子集
Figure BDA0002910337050000104
Figure BDA0002910337050000105
5)预测：采用状态方程预测未知参数
Figure BDA0002910337050000106
6)判断程序结束条件，若未结束，时刻k＝k+1，跳转至1)步。
在估计仿真过程中，锂电池的状态空间模型是由电池的过程和观测模型得到的，模型边界条设置时，观测变量等于锂电池负载电压，状态变量为锂电池的SOC，如式(4)所示。
Figure BDA0002910337050000107
其中，wk是***的过程噪声，vk是***的观测噪声，设wk～N(0，Q)，vk～N(0， R)，Δt是***的采样周期。
本发明在粒子滤波的算法进行完成时，所抽取的粒子对计算的精度的影响很大，主要影响分为：一、粒子的权重不同带来的不平衡现象，二、如果权重小的粒子数量较多，大量的计算时间将用于对权重较小的粒子的计算，大大降低计算效率及准确性，即存在粒子滤波算法退化现象；该方法基于无迹卡尔曼滤波算法来改进粒子滤波算法，采用无迹变换算法，理论上能计算后验方差的精度到三阶，实现荷电状态的高精度估算，也是一种有效计算均值和协方差的手段；在[0,1]均匀分布中取一个粒子u～U[0,1]，满足
Figure BDA0002910337050000111
并把得到的粒子组成一个新的粒子集合。
Figure BDA0002910337050000112
通过上式对粒子多项式重采样，粒子的权值进行重新检查并筛选，形成新的粒子库，这些通过上式筛选得到的粒子集合中，权值分配均匀，此阶段过程如下。
(a)初始化
从先验分布p(X0)抽取粒子作为新的粒子集合的初始状态，这部分粒子从***重要密度函数中获取的。
Figure BDA0002910337050000113
(b)重要性采样阶段
产生Sigma点集：
Figure BDA0002910337050000114
对Sigma点集进一步预测：
Figure BDA0002910337050000115
通过得到的观测值，更新***状态：
Figure BDA0002910337050000121
(c)归一化权值
Figure BDA0002910337050000122
(d)状态估计
Figure BDA0002910337050000123
(e)多项式重采样
为避免粒子库枯竭，需要对粒子库设定阙值来保证粒子数量，对重采样后的粒子数进行统计，并和阙值进行比较，粒子数目如果相对于阙值较小，则进行重新选样，重新选样后的粒子形成新的粒子集合；重采样采用粒子滤波算法，采样之后会增加额外的随机方差，为此需要对***进行一些譬如***后验概率等的估计。
针对由于粒子重新采样导致的粒子集枯竭现象，重采样设计中加入参数α，对粒子集可能出现的枯竭现象进行抑制，该参数需要满足下式：
Figure BDA0002910337050000124
其中参数α在遗传算法中具有很重要的意义，它的作用是根据PF算法中粒子重要性的权重来对其进行控制，这样可以使得样本中枯竭的现象减少。
综上所述，本发明针对锂离子电池组基于无迹粒子滤波的SOC估算目标，综合考虑估算精度和计算复杂度，提出无迹粒子滤波的SOC估算方法，在充分考虑锂离子电池组工作基础上，结合SOC估算模型的建立，实现对锂离子电池组SOC 估算的计算，为锂离子电池组SOC估算和工作状态实时监测提供基础。
本实验采用电池测试***(NEWARE BTS-4000)对三元锂离子电池组进行充放电操作，实验步骤：无迹粒子滤波对数据进行训练处理，通过数学建模得到一个通用的数学公式模型，然后将数据进行代入计算，得到相应的SOC预测值，最后将实验值与预测值进行比较匹配；设定初始SOC值为0。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，其特征在于，包括以下步骤：
S01、根据锂离子电池组SOC的影响因素与内部因参数耦合而具有的非线性工作特性之间的关系构建电池模型；
S02、采集电池组的各项数据并进行整合；
S03、整合后的数据利用无迹卡尔曼滤波算法得到的均值和方差来更新粒子滤波算法采样中的粒子集；
S04、根据步骤S03的计算预测锂离子电池组工作特性。
2.根据权利要求1所述的用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，其特征在于，所述步骤S03中的粒子滤波算法包括以下步骤：
S31、初始化：用先验概率p(x0)产生N个SOC初始粒子
Figure FDA0002910337040000011
粒子权值
Figure FDA0002910337040000012
S32、更新粒子权重，其更新公式为：
Figure FDA0002910337040000013
S33、根据公式
Figure FDA0002910337040000014
计算最小均方估计；
S34、重采样，其中有效粒子数
Figure FDA0002910337040000015
当Neff≤Ns，得到若干粒子集
Figure FDA0002910337040000016
S35、采用状态方程预测未知参数
Figure FDA0002910337040000017
S36、判断程序结束条件，若未结束，时刻k＝k+1，跳转至步骤S31。
3.根据权利要求2所述的用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，其特征在于，所述步骤S03中的无迹粒子滤波算法包括以下步骤：
S37、从先验分布p(X0)抽取粒子作为新的粒子集合的初始状态，该粒子从***重要密度函数中获取；
S38、采样产生Sigma点集并对Sigma点集进一步预测，得到的观测值，更新***状态；
S39、根据公式
Figure FDA0002910337040000021
归一化权值；
S0310、根据公式
Figure FDA0002910337040000022
进行状态估计；
S0311、进行多项式重采样，并对重采样后的粒子数进行统计，并和阙值进行比较，粒子数目如果相对于阙值较小，则进行重新选样，重新选样后的粒子形成新的粒子集合。
4.根据权利要求4所述的用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，其特征在于，针对步骤S0311中粒子重新采样导致的粒子集枯竭现象，重采样设计中加入参数α，对粒子集可能出现的枯竭现象进行抑制，该参数需要满足下式：
Figure FDA0002910337040000023
5.根据权利要求3所述的用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，其特征在于，步骤S038中重要性采样阶段产生Sigma点集的公式如下：
Figure FDA0002910337040000024
n是状态变量X的维度数。λ参数表示缩放比例。对Sigma点集进一步预测具体公式如下：
Figure FDA0002910337040000031
Wi c表示第i个采样点在计算协方差时的权重。Zk表示最新观测信息。通过得到的观测值，更新***状态的公式如下：
Figure FDA0002910337040000032
其中，K为卡尔曼增益。于是得到样本均值
Figure FDA0002910337040000033
和协方差
Figure FDA0002910337040000034
CN202110084556.3A 2021-01-21 2021-01-21 用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法 Pending CN112800707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110084556.3A CN112800707A (zh) 2021-01-21 2021-01-21 用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110084556.3A CN112800707A (zh) 2021-01-21 2021-01-21 用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法

Publications (1)

Publication Number Publication Date
CN112800707A true CN112800707A (zh) 2021-05-14

Family

ID=75811124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110084556.3A Pending CN112800707A (zh) 2021-01-21 2021-01-21 用于大型无人机锂离子电池组soc估计的无迹粒子滤波方法

Country Status (1)

Country Link
CN (1) CN112800707A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441691A (zh) * 2018-05-02 2019-11-12 西南科技大学 一种基于精简粒子无迹变换的soc估算方法
CN111220920A (zh) * 2019-11-22 2020-06-02 国网浙江省电力有限公司台州供电公司 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441691A (zh) * 2018-05-02 2019-11-12 西南科技大学 一种基于精简粒子无迹变换的soc估算方法
CN111220920A (zh) * 2019-11-22 2020-06-02 国网浙江省电力有限公司台州供电公司 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘淑杰等: "基于改进粒子滤波算法的动力锂离子电池荷电状态估计", 《大连理工大学学报》 *
王顺利等: "基于无迹卡尔曼航空锂电池的SOC估算***", 《制造业自动化》 *
谢滟馨等: "一种用于高保真锂电池 SOC 估计的无迹粒子滤波新方法", 《储能科学与技术》 *
谢长君等: "基于无迹粒子滤波的车载锂离子电池状态估计", 《电工技术学报》 *

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN106772064B (zh) 一种锂离子电池健康状态预测方法及装置
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN113253116A (zh) 锂离子电池荷电状态估计方法、存储介质
CN106443478B (zh) 基于闭环混合算法的磷酸铁锂电池剩余电量的估算方法
CN110596593A (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
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
CN113049962B (zh) 一种基于lstm的储能装置运行态势推演方法
CN108107372A (zh) 基于soc分区估算的蓄电池健康状况量化方法及***
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN107390127A (zh) 一种soc估算方法
CN105203963B (zh) 一种基于开路电压滞回特性的荷电状态的估计方法
CN106383316A (zh) 一种梯次利用锂电池性能评价方法
CN105445671A (zh) 一种基于无迹粒子滤波的锂离子电池寿命预测方法
CN105911476B (zh) 一种基于数据挖掘的电池储能***soc预测方法
CN105974320B (zh) 一种液态或半液态金属电池荷电状态估计方法
CN110196395A (zh) 蓄电池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***
CN113011012A (zh) 一种基于Box-Cox变化的储能电池剩余寿命预测方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN116577686B (zh) 一种基于局部阶段充电数据的多工况soh估计方法和***
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及***
CN107402356A (zh) 一种基于动态参数辨识的ekf估算铅酸电池soc方法
CN116819340A (zh) 一种储能锂电池在线参数辨识与状态估计方法及***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210514

RJ01 Rejection of invention patent application after publication