CN114236401A - 一种基于自适应粒子群算法的电池状态估计方法 - Google Patents
一种基于自适应粒子群算法的电池状态估计方法 Download PDFInfo
- Publication number
- CN114236401A CN114236401A CN202111567822.4A CN202111567822A CN114236401A CN 114236401 A CN114236401 A CN 114236401A CN 202111567822 A CN202111567822 A CN 202111567822A CN 114236401 A CN114236401 A CN 114236401A
- Authority
- CN
- China
- Prior art keywords
- battery
- particle
- state
- random
- particles
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims description 15
- 230000003044 adaptive effect Effects 0.000 title claims description 13
- 230000010287 polarization Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 11
- 229910052744 lithium Inorganic materials 0.000 description 11
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/389—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于自适应粒子群算法的电池状态估计方法,涉及电池状态管理领域,包括以下步骤:步骤1、进行不同温度下的恒流脉冲实验,标定电池初始的特性参数,所述特性参数包括:开路电压‑荷电状态特征曲线拟合参数、欧姆内阻、浓差极化内阻、浓差极化电容、电化学极化内阻、电化学极化电容;步骤2、将所述电池投入实际运行,更新所述电池的荷电状态并记录所述电池在运行中的状态数据;步骤3、在记录的所述状态数据达到预先设定的阈值后,开始新一轮参数自校正,包括更新所述电池的所述特性参数和电池容量参数,并将更新后的所述特性参数和所述电池容量参数用于更新所述电池的所述荷电状态。
Description
技术领域
本发明涉及电池状态管理领域,尤其涉及一种基于自适应粒子群算法的电池状态估计方法。
背景技术
电池的荷电状态(State of Charge,SOC)是锂离子电池状态管理中的一项关键参数。对电池的SOC进行准确的估计能够保障电池的使用效率和提升使用安全性,具有重要的意义。
马艳等人在中国发明专利申请“一种基于粒子群优化粒子滤波算法的SOC估算方法”(申请号为:CN202110902979.1)中提供了一种基于粒子群优化粒子滤波算法的SOC估算方法所述方法包括以下步骤:S1、在指定工况下对电池进行充放电实验,并通过分析处理实验数据构建电池等效电路模型;S2、根据辨识所得的等效电路模型,构建用于电池SOC估算的状态方程和测量方程;S3、利用粒子群优化粒子滤波估算电池SOC的变化;S4、利用粒子群算法优化粒子滤波中的粒子所处位置;S5、再次通过S3估算下一时刻电池SOC,直至估算过程结束。
孙正等人在中国发明专利申请“一种用于矿用锂电池的自修正SOC估计方法”(申请号为:CN201910414377.4)中公开了一种用于矿用锂电池的自修正SOC估计方法,根据锂电池日常充放电情况下对锂电池SOC预测进行自修正,该***自修正是根据电池组本身的充放电状态不同,通过对于电池组模型进行修正,同时由于粒子生成的随机性使得SOC估计结果的可实现性增强;由于电池模型的通用性,对于电池模型的递归最小二乘识别方式使得模型的准确性会不断提高且不会因为放电电流变化过大而造成模型不准确。但是该方法只是加大了对于非高斯噪声情况下SOC估计的准确性。
廖凯等人在中国发明专利申请“一种基于随机片段数据的锂电池状态估计方法及***”(申请号为:CN202111031237.2)中公开了一种基于随机片段数据的锂电池状态估计方法及***,估计方法步骤包括:获取第一数据与第二数据,采用粒子群算法,将第一数据与第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据;基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息。
在上述的现有技术中,采用粒子群算法进行模型参数辩识的方法存在粒子群收敛到局部最优的问题,且由于选取的荷电状态-开路电压的关系仅采用一条曲线模拟全段数据,容易造成在极端荷电状态(荷电状态接近1或接近0)或者多平台期开路电压的***误差的情况下,粒子群算法始终处于寻优过程中。
因此,本领域的技术人员致力于开发一种基于自适应粒子群算法的电池状态估计方法,解决现有技术中存在的上述问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是在用粒子群算法估计电池状态的过程中,如何将粒子群收敛到全局最优,从而准确地评估电池状态。
为实现上述目的,本发明提供了一种基于自适应粒子群算法的电池状态估计方法,所述方法包括以下步骤:
步骤1、进行不同温度下的恒流脉冲实验,标定电池初始的特性参数,所述特性参数包括:开路电压-荷电状态特征曲线拟合参数、欧姆内阻、浓差极化内阻、浓差极化电容、电化学极化内阻、电化学极化电容;
步骤2、将所述电池投入实际运行,更新所述电池的荷电状态并记录所述电池在运行中的状态数据;
步骤3、在记录的所述状态数据达到预先设定的阈值后,开始新一轮参数自校正,包括更新所述电池的所述特性参数和电池容量参数,并将更新后的所述特性参数和所述电池容量参数用于更新所述电池的所述荷电状态。
进一步地,所述步骤1包括以下子步骤:
步骤1.1、根据所述电池的运行工作的温度范围及预先设定的温度步长,确定所述不同温度;在所述不同温度下对所述电池依次进行若干次所述恒流脉冲实验,并记录所述电池在不同荷电状态处的电流数据和电压数据;
步骤1.2、根据所述恒流脉冲实验的静置段的末尾电压及所述恒流脉冲实验的所放电量与测试所放总电量之比,确定不同温度下的若干开路电压-荷电状态数据点,并记为(OCV1,SOC1),(OCV2,SOC2),...,(OCVn,SOCn);
步骤1.3、采用分段三次样条插值拟合所述各个开路电压-荷电状态数据点,得到拟合曲线,获得所述开路电压-荷电状态特征曲线拟合参数[K11,K12,K13,K14,K21,...,K(n-1)4],其中,K11,K12,K13,K14对应(OCV1,SOC1)和(OCV2,SOC2)之间连线的拟合参数;K21,K22,K23,K24对应(OCV2,SOC2)和(OCV3,SOC3)之间连线的拟合参数;...;K(n-1)1,K(n-1)2,K(n-1)3,K(n-1)4对应(OCV(n-1),SOC(n-1))和(OCVn,SOCn)之间连线的拟合参数;
步骤1.4、利用电流脉冲瞬间的电流、电压数据标定所述电池的所述欧姆内阻Rdc;利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,利用双指数拟合方式标定所述电池的所述电化学极化内阻、所述电化学极化电容、所述浓差极化内阻和所述浓差极化电容,并依次记为Rep、Cep、Rcp和Ccp。
进一步地,在所述步骤2中,包括以下步骤:
步骤2.1、初始化荷电状态估算粒子滤波器,包括在所述电池投入所述实际运行之前对应的初始荷电状态值附近,根据所述电池所应用的领域环境,选取观测噪声方差v1,设定收敛阈值ε1,并按高斯分布采样生成N1个第一随机粒子,所述N1个所述第一随机粒子位于0~1之间;
步骤2.2、设置所述第一随机粒子的迭代次数;
步骤2.3、根据所述观测噪声方差v1计算所述第一随机粒子的第一权值;
步骤2.4、将所述第一权值进行归一化处理;
步骤2.5、判断所述第一随机粒子是否有效,决定是否需要重新采样;
步骤2.6、根据所述电池的所述状态数据,包括电流、电压、温度、上一时刻所述荷电状态以及所述特性参数,更新所述电池的所述状态数据,并重复所述步骤2.2~2.6,直至所述荷电状态估算粒子滤波器收敛到预先设定的所述收敛阈值ε1内,得到所述电池的所述荷电状态。
进一步地,在所述步骤3中,包括以下步骤:
步骤3.1、在上一轮所述参数自校正的基础上,选定估算变化比例η,将所述电池的所述特性参数在(1-η,1+η)乘以上一轮所述参数自校正得到的所述特性参数的范围内取随机数进行初始化和标准化,将所述特性参数缩小到-1~1之间以确保各个所述特性参数在进行矩阵运算时不至于出现奇异;
步骤3.2、计算所述第一随机粒子的适度值,并按照所述适度值的高低对所述第一随机粒子进行排序;如果高适度值粒子数达到所需集群精度,或者达到迭代次数,则将最高适度值粒子对应的所述电池的所述特性参数输出作为最新的所述电池的所述特性参数,否则进入下一步;
步骤3.3、判断所述高适度值粒子数是否达到给定的分配比例δ,若未达到给定的所述分配比例δ,则减小所述分配比例δ,使更多所述第一随机粒子进入粒子群算法估算过程,加速算法收敛;若达到给定的所述分配比例δ,则进入下一步;
步骤3.4、判断所述分配比例δ是否达到设定阈值,若已经达到所述设定阈值,则保持所述分配比例δ不变,否则按所述步骤3.3调整所述分配比例δ;
步骤3.5、根据调整后的所述分配比例δ分配不同的所述第一随机粒子,对于高于所述分配比例δ的所述第一随机粒子,直接采用粒子群算法,更新粒子位置与速度,对于低于所述分配比例δ的所述第一随机粒子,首先获得所述第一随机粒子周围粒子的适度值,再进行下一步判断;
步骤3.6、根据所述第一随机粒子可以获得的最高适度值,进行粒子参数更新;
步骤3.7、更新所有所述第一随机粒子的所述适度值,并排序,然后返回所述步骤3.2。
进一步地,所述步骤3.6根据所述第一随机粒子可以获得的所述最高适度值,选择以下4种步骤中的一种,进行所述粒子参数更新;
步骤3.6.1、根据当前所述第一随机粒子的状态,在变化半径内随机选择一个随机状态,如果所述随机状态的适度值大于所述第一随机粒子当前的适度值,则所述第一随机粒子向所选择的所述随机状态方向前进一步,否则重新随机选择状态;如果随机选择Ntry次后,所述随机状态的适度值均未高于所述第一随机粒子当前的适度值,则执行步骤3.6.4;
步骤3.6.2、若在所述第一随机粒子的变化半径内存在粒子聚集中心,且所述粒子聚集中心的适度值与所述第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则所述第一随机粒子向所述粒子聚集中心处移动一步;
步骤3.6.3、若在所述第一随机粒子的变化半径内存在最大适度值粒子,且所述最大适度值粒子与所述第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则所述第一随机粒子向所述最大适应度粒子处移动一步;
步骤3.6.4、若步骤3.6.2及3.6.3均无法满足需求,则随机选择粒子变化范围内的一个状态。
进一步地,所述步骤3还包括以下步骤:
步骤3.8、利用自适应的电池容量估算粒子滤波器更新所述电池容量参数;
步骤3.9、根据更新所得的所述欧姆内阻,除以初始标定时的所述欧姆内阻可得所述电池的内阻健康度;根据更新所得的所述电池容量参数,与初始的所述电池容量参数相除,得到所述电池的容量健康度。
进一步地,在所述步骤3.8中,包括以下子步骤:
步骤3.8.1、初始化所述电池容量估算粒子滤波器,以所述电池的初始电池容量为基准,根据所述电池所应用的领域环境,选取观测噪声方差v2,按高斯分布生成N2个第二随机粒子;
步骤3.8.2、设置所述电池容量估算粒子滤波器的迭代次数;
步骤3.8.3、根据所述观测噪声方差v2计算所述第二随机粒子的第二权值;
步骤3.8.4:将所述第二权值进行归一化处理;
步骤3.8.5:判断所述第二随机粒子是否有效,决定是否需要重新采样;
步骤3.8.6、根据所述电池的所述状态数据,包括电流、电压、温度、上一时刻所述荷电状态,更新所述电池的所述状态数据,并重复所述步骤3.8.2~3.8.6,直至所述电池容量估算粒子滤波器收敛到预先设定的所述收敛阈值ε2内,得到所述电池的所述电池容量参数。
进一步地,所述N2个第二随机粒子是值位于0~初始电池容量之间的第二随机粒子。
进一步地,所述估算变化比例η的数值范围为0<η<1。
进一步地,所述分配比例δ的阈值范围为0.3<δ<0.7。
本发明提供了一种基于自适应粒子群算法的电池状态估计方法至少具有以下技术效果:
1、本发明所提供的技术方案首先利用初始恒流脉冲测试确定了电池组初始***参数,并采用分段三次样条插值来实现开路电压-荷电状态关系的拟合,在极端荷电状态下参数拟合特性优良,且由于是多项式拟合,参数不易发散,更适合采用群智能算法进行参数辩识;
2、为避免粒子群最终陷入局部最优,本发明所提供的技术方案修改了粒子群算法的寻优过程,设计了自适应阈值,使得低于阈值的粒子采用类似人工鱼群的方式进行全局寻优,高于阈值的粒子继续进行粒子群算法寻优,以尽快收敛到极值点,在过程中不断根据各个粒子的适度值调整阈值,从而实现寻优过程的加速;
3、本发明所提供的模型是基于电池的二阶RC等效电路模型,参数解释性强,算法全局寻优能力强,可以实现不同种类锂电池的荷电状态,电池内阻、电池容量健康度的联合估计。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的整体流程示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
为了解决现有技术中存在的单纯采用粒子群算法进行模型参数辩识的方法存在粒子群收敛到局部最优,或者无法收敛的问题,本发明公开一种基于自适应粒子群算法的电池状态估计策略,包括以下步骤:首先,进行不同温度下的恒流脉冲实验,进行电池模型参数标定;然后,将电池投入实际运行,利用自适应粒子滤波在线实时更新电池荷电状态;最后,按给定运行周期进行自适应粒子群算法更新电池极化内阻、极化电容、欧姆内阻、开路电压与荷电状态关系函数等参数,并利用更新所得的电池欧姆内阻确定电池内阻健康度,利用粒子滤波算法更新电池容量参数进而确定电池容量健康度,并将更新后的参数用于后续的电池荷电状态更新。本发明所采用的模型基于电池的二阶RC等效电路模型,参数解释性强,算法全局寻优能力强,可以实现不同种类锂电池的荷电状态,电池内阻、电池容量健康度的联合估计。
如图1所示,为本发明的一个较佳实施例的整体流程示意图,利用设计了自适应阈值的粒子群算法更新电池特性参数进而实现电池状态估计。
具体来说,本发明实施例提供的一种基于自适应粒子群算法的电池状态估计方法包括以下步骤:
步骤1、进行不同温度下的恒流脉冲实验,标定电池初始的特性参数,特性参数包括:开路电压-荷电状态特征曲线拟合参数、欧姆内阻、浓差极化内阻、浓差极化电容、电化学极化内阻、电化学极化电容;
步骤2、将电池投入实际运行,更新电池的荷电状态并记录电池在运行中的状态数据;
步骤3、在记录的状态数据达到预先设定的阈值后,开始新一轮参数自校正,包括更新电池的特性参数和电池容量参数,并将更新后的特性参数和电池容量参数用于更新电池的荷电状态。
其中,步骤1包括以下子步骤:
步骤1.1、根据电池的运行工作的温度范围及预先设定的温度步长,确定不同温度;在不同温度下对电池依次进行若干次恒流脉冲实验,并记录电池在不同荷电状态处的电流数据和电压数据;
步骤1.2、根据恒流脉冲实验的静置段的末尾电压及恒流脉冲实验的所放电量与测试所放总电量之比,确定不同温度下的若干开路电压-荷电状态数据点,并记为(OCV1,SOC1),(OCV2,SOC2),...,(OCVn,SOCn);
步骤1.3、采用分段三次样条插值拟合各个开路电压-荷电状态数据点,得到拟合曲线,获得开路电压-荷电状态特征曲线拟合参数[K11,K12,K13,K14,K21,...,K(n-1)4],其中,K11,K12,K13,K14对应(OCV1,SOC1)和(OCV2,SOC2)之间连线的拟合参数;K21,K22,K23,K24对应(OCV2,SOC2)和(OCV3,SOC3)之间连线的拟合参数;...;K(n-1)1,K(n-1)2,K(n-1)3,K(n-1)4对应(OCV(n-1),SOC(n-1))和(OCVn,SOCn)之间连线的拟合参数;
步骤1.4、利用电流脉冲瞬间的电流、电压数据标定电池的欧姆内阻Rdc;利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,利用双指数拟合方式标定电池的电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容,并依次记为Rep、Cep、Rcp和Ccp。
其中,在步骤2中,包括以下步骤:
步骤2.1、初始化荷电状态估算粒子滤波器,包括在电池投入实际运行之前对应的初始荷电状态值附近,根据电池所应用的领域环境,选取观测噪声方差v1,设定收敛阈值ε1,并按高斯分布采样生成N1个第一随机粒子,N1个第一随机粒子位于0~1之间;
步骤2.2、设置第一随机粒子的迭代次数;
步骤2.3、根据观测噪声方差v1计算第一随机粒子的第一权值;
步骤2.4、将第一权值进行归一化处理;
步骤2.5、判断第一随机粒子是否有效,决定是否需要重新采样;
步骤2.6、根据电池的状态数据,包括电流、电压、温度、上一时刻荷电状态以及特性参数,更新电池的状态数据,并重复步骤2.2~2.6,直至荷电状态估算粒子滤波器收敛到预先设定的收敛阈值ε1内,得到电池的荷电状态。
其中,在步骤3中,包括以下步骤:
步骤3.1、在上一轮参数自校正的基础上,选定估算变化比例η,将电池的特性参数在(1-η,1+η)乘以上一轮参数自校正得到的特性参数的范围内取随机数进行初始化和标准化,将特性参数缩小到-1~1之间以确保各个特性参数在进行矩阵运算时不至于出现奇异;估算变化比例η的数值范围为0<η<1;
步骤3.2、计算第一随机粒子的适度值,并按照适度值的高低对第一随机粒子进行排序;如果高适度值粒子数达到所需集群精度,或者达到迭代次数,则将最高适度值粒子对应的电池的特性参数输出作为最新的电池的特性参数,否则进入下一步;
步骤3.3、判断高适度值粒子数是否达到给定的分配比例δ,若未达到给定的分配比例δ,则减小分配比例δ,使更多第一随机粒子进入粒子群算法估算过程,加速算法收敛;若达到给定的分配比例δ,则进入下一步;分配比例δ的阈值范围为0.3<δ<0.7;
步骤3.4、判断分配比例δ是否达到设定阈值,若已经达到设定阈值,则保持分配比例δ不变,否则按步骤3.3调整分配比例δ;
步骤3.5、根据调整后的分配比例δ分配不同的第一随机粒子,对于高于分配比例δ的第一随机粒子,直接采用粒子群算法,更新粒子位置与速度,对于低于分配比例δ的第一随机粒子,首先获得第一随机粒子周围粒子的适度值,再进行下一步判断;
步骤3.6、根据第一随机粒子可以获得的最高适度值,进行粒子参数更新;
步骤3.7、更新所有第一随机粒子的适度值,并排序,然后返回步骤3.2。
其中,步骤3.6根据第一随机粒子可以获得的最高适度值,选择以下4种步骤中的一种,进行粒子参数更新;
步骤3.6.1、根据当前第一随机粒子的状态,在变化半径内随机选择一个随机状态,如果随机状态的适度值大于第一随机粒子当前的适度值,则第一随机粒子向所选择的随机状态方向前进一步,否则重新随机选择状态;如果随机选择Ntry次后,随机状态的适度值均未高于第一随机粒子当前的适度值,则执行步骤3.6.4;
步骤3.6.2、若在第一随机粒子的变化半径内存在粒子聚集中心,且粒子聚集中心的适度值与第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则第一随机粒子向粒子聚集中心处移动一步;
步骤3.6.3、若在第一随机粒子的变化半径内存在最大适度值粒子,且最大适度值粒子与第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则第一随机粒子向最大适应度粒子处移动一步;
步骤3.6.4、若步骤3.6.2及3.6.3均无法满足需求,则随机选择粒子变化范围内的一个状态。
其中,步骤3还包括以下步骤:
步骤3.8、利用自适应的电池容量估算粒子滤波器更新电池容量参数;
步骤3.9、根据更新所得的欧姆内阻,除以初始标定时的欧姆内阻可得电池的内阻健康度;根据更新所得的电池容量参数,与初始的电池容量参数相除,得到电池的容量健康度。
其中,在步骤3.8中,包括以下子步骤:
步骤3.8.1、初始化电池容量估算粒子滤波器,以电池的初始电池容量为基准,根据电池所应用的领域环境,选取观测噪声方差v2,按高斯分布生成N2个第二随机粒子;N2个第二随机粒子是值位于0~初始电池容量之间的第二随机粒子。
步骤3.8.2、设置电池容量估算粒子滤波器的迭代次数;
步骤3.8.3、根据观测噪声方差v2计算第二随机粒子的第二权值;
步骤3.8.4:将第二权值进行归一化处理;
步骤3.8.5:判断第二随机粒子是否有效,决定是否需要重新采样;
步骤3.8.6、根据电池的状态数据,包括电流、电压、温度、上一时刻荷电状态,更新电池的状态数据,并重复步骤3.8.2~3.8.6,直至电池容量估算粒子滤波器收敛到预先设定的收敛阈值ε2内,得到电池的电池容量参数。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于自适应粒子群算法的电池状态估计方法,其特征在于,所述方法包括以下步骤:
步骤1、进行不同温度下的恒流脉冲实验,标定电池初始的特性参数,所述特性参数包括:开路电压-荷电状态特征曲线拟合参数、欧姆内阻、浓差极化内阻、浓差极化电容、电化学极化内阻、电化学极化电容;
步骤2、将所述电池投入实际运行,更新所述电池的荷电状态并记录所述电池在运行中的状态数据;
步骤3、在记录的所述状态数据达到预先设定的阈值后,开始新一轮参数自校正,包括更新所述电池的所述特性参数和电池容量参数,并将更新后的所述特性参数和所述电池容量参数用于更新所述电池的所述荷电状态。
2.如权利要求1所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述步骤1包括以下子步骤:
步骤1.1、根据所述电池的运行工作的温度范围及预先设定的温度步长,确定所述不同温度;在所述不同温度下对所述电池依次进行若干次所述恒流脉冲实验,并记录所述电池在不同荷电状态处的电流数据和电压数据;
步骤1.2、根据所述恒流脉冲实验的静置段的末尾电压及所述恒流脉冲实验的所放电量与测试所放总电量之比,确定不同温度下的若干开路电压-荷电状态数据点,并记为(OCV1,SOC1),(OCV2,SOC2),...,(OCVn,SOCn);
步骤1.3、采用分段三次样条插值拟合所述各个开路电压-荷电状态数据点,得到拟合曲线,获得所述开路电压-荷电状态特征曲线拟合参数[K11,K12,K13,K14,K21,...,K(n-1)4],其中,K11,K12,K13,K14对应(OCV1,SOC1)和(OCV2,SOC2)之间连线的拟合参数;K21,K22,K23,K24对应(OCV2,SOC2)和(OCV3,SOC3)之间连线的拟合参数;...;K(n-1)1,K(n-1)2,K(n-1)3,K(n-1)4对应(OCV(n-1),SOC(n-1))和(OCVn,SOCn)之间连线的拟合参数;
步骤1.4、利用电流脉冲瞬间的电流、电压数据标定所述电池的所述欧姆内阻Rdc;利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,利用双指数拟合方式标定所述电池的所述电化学极化内阻、所述电化学极化电容、所述浓差极化内阻和所述浓差极化电容,并依次记为Rep、Cep、Rcp和Ccp。
3.如权利要求2所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,在所述步骤2中,包括以下步骤:
步骤2.1、初始化荷电状态估算粒子滤波器,包括在所述电池投入所述实际运行之前对应的初始荷电状态值附近,根据所述电池所应用的领域环境,选取观测噪声方差v1,设定收敛阈值ε1,并按高斯分布采样生成N1个第一随机粒子,所述N1个所述第一随机粒子位于0~1之间;
步骤2.2、设置所述第一随机粒子的迭代次数;
步骤2.3、根据所述观测噪声方差v1计算所述第一随机粒子的第一权值;
步骤2.4、将所述第一权值进行归一化处理;
步骤2.5、判断所述第一随机粒子是否有效,决定是否需要重新采样;
步骤2.6、根据所述电池的所述状态数据,包括电流、电压、温度、上一时刻所述荷电状态以及所述特性参数,更新所述电池的所述状态数据,并重复所述步骤2.2~2.6,直至所述荷电状态估算粒子滤波器收敛到预先设定的所述收敛阈值ε1内,得到所述电池的所述荷电状态。
4.如权利要求3所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,在所述步骤3中,包括以下步骤:
步骤3.1、在上一轮所述参数自校正的基础上,选定估算变化比例η,将所述电池的所述特性参数在(1-η,1+η)乘以上一轮所述参数自校正得到的所述特性参数的范围内取随机数进行初始化和标准化,将所述特性参数缩小到-1~1之间以确保各个所述特性参数在进行矩阵运算时不至于出现奇异;
步骤3.2、计算所述第一随机粒子的适度值,并按照所述适度值的高低对所述第一随机粒子进行排序;如果高适度值粒子数达到所需集群精度,或者达到迭代次数,则将最高适度值粒子对应的所述电池的所述特性参数输出作为最新的所述电池的所述特性参数,否则进入下一步;
步骤3.3、判断所述高适度值粒子数是否达到给定的分配比例δ,若未达到给定的所述分配比例δ,则减小所述分配比例δ,使更多所述第一随机粒子进入粒子群算法估算过程,加速算法收敛;若达到给定的所述分配比例δ,则进入下一步;
步骤3.4、判断所述分配比例δ是否达到设定阈值,若已经达到所述设定阈值,则保持所述分配比例δ不变,否则按所述步骤3.3调整所述分配比例δ;
步骤3.5、根据调整后的所述分配比例δ分配不同的所述第一随机粒子,对于高于所述分配比例δ的所述第一随机粒子,直接采用粒子群算法,更新粒子位置与速度,对于低于所述分配比例δ的所述第一随机粒子,首先获得所述第一随机粒子周围粒子的适度值,再进行下一步判断;
步骤3.6、根据所述第一随机粒子可以获得的最高适度值,进行粒子参数更新;
步骤3.7、更新所有所述第一随机粒子的所述适度值,并排序,然后返回所述步骤3.2。
5.如权利要求4所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述步骤3.6根据所述第一随机粒子可以获得的所述最高适度值,选择以下4种步骤中的一种,进行所述粒子参数更新;
步骤3.6.1、根据当前所述第一随机粒子的状态,在变化半径内随机选择一个随机状态,如果所述随机状态的适度值大于所述第一随机粒子当前的适度值,则所述第一随机粒子向所选择的所述随机状态方向前进一步,否则重新随机选择状态;如果随机选择Ntry次后,所述随机状态的适度值均未高于所述第一随机粒子当前的适度值,则执行步骤3.6.4;
步骤3.6.2、若在所述第一随机粒子的变化半径内存在粒子聚集中心,且所述粒子聚集中心的适度值与所述第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则所述第一随机粒子向所述粒子聚集中心处移动一步;
步骤3.6.3、若在所述第一随机粒子的变化半径内存在最大适度值粒子,且所述最大适度值粒子与所述第一随机粒子的变化半径内存在的粒子数量的比值低于所设阈值,则所述第一随机粒子向所述最大适应度粒子处移动一步;
步骤3.6.4、若步骤3.6.2及3.6.3均无法满足需求,则随机选择粒子变化范围内的一个状态。
6.如权利要求4所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述步骤3还包括以下步骤:
步骤3.8、利用自适应的电池容量估算粒子滤波器更新所述电池容量参数;
步骤3.9、根据更新所得的所述欧姆内阻,除以初始标定时的所述欧姆内阻可得所述电池的内阻健康度;根据更新所得的所述电池容量参数,与初始的所述电池容量参数相除,得到所述电池的容量健康度。
7.如权利要求6所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,在所述步骤3.8中,包括以下子步骤:
步骤3.8.1、初始化所述电池容量估算粒子滤波器,以所述电池的初始电池容量为基准,根据所述电池所应用的领域环境,选取观测噪声方差v2,按高斯分布生成N2个第二随机粒子;
步骤3.8.2、设置所述电池容量估算粒子滤波器的迭代次数;
步骤3.8.3、根据所述观测噪声方差v2计算所述第二随机粒子的第二权值;
步骤3.8.4:将所述第二权值进行归一化处理;
步骤3.8.5:判断所述第二随机粒子是否有效,决定是否需要重新采样;
步骤3.8.6、根据所述电池的所述状态数据,包括电流、电压、温度、上一时刻所述荷电状态,更新所述电池的所述状态数据,并重复所述步骤3.8.2~3.8.6,直至所述电池容量估算粒子滤波器收敛到预先设定的所述收敛阈值ε2内,得到所述电池的所述电池容量参数。
8.如权利要求7所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述N2个第二随机粒子是值位于0~初始电池容量之间的第二随机粒子。
9.如权利要求4所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述估算变化比例η的数值范围为0<η<1。
10.如权利要求4所述的基于自适应粒子群算法的电池状态估计方法,其特征在于,所述分配比例δ的阈值范围为0.3<δ<0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567822.4A CN114236401B (zh) | 2021-12-20 | 2021-12-20 | 一种基于自适应粒子群算法的电池状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567822.4A CN114236401B (zh) | 2021-12-20 | 2021-12-20 | 一种基于自适应粒子群算法的电池状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114236401A true CN114236401A (zh) | 2022-03-25 |
CN114236401B CN114236401B (zh) | 2023-11-28 |
Family
ID=80759948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111567822.4A Active CN114236401B (zh) | 2021-12-20 | 2021-12-20 | 一种基于自适应粒子群算法的电池状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236401B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128481A (zh) * | 2022-07-04 | 2022-09-30 | 上海交通大学 | 基于神经网络及阻抗辩识校正的电池状态估计方法、*** |
CN116542118A (zh) * | 2023-06-08 | 2023-08-04 | 上海玫克生储能科技有限公司 | 热耦合电化学模型的电化学参数辨识***及方法 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841174A (zh) * | 2010-01-11 | 2010-09-22 | 艾默生网络能源有限公司 | 一种控制太阳能充电的方法 |
CN105633487A (zh) * | 2016-01-13 | 2016-06-01 | 河南理工大学 | 一种锂离子电池智能管理*** |
CN105894090A (zh) * | 2016-04-22 | 2016-08-24 | 大连海事大学 | 一种基于自适应变异粒子群优化的潮汐智能实时预报方法 |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN109167347A (zh) * | 2018-08-06 | 2019-01-08 | 云南民族大学 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
CN109917299A (zh) * | 2019-04-08 | 2019-06-21 | 青岛大学 | 一种锂电池荷电状态的三层滤波估算方法 |
CN110210087A (zh) * | 2019-05-20 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于粒子群算法的光束抖动模型参数实时辨识方法 |
CN110214280A (zh) * | 2016-11-17 | 2019-09-06 | 黄文罗基有限公司 | 确定电池的健康状态并提供警报 |
CN110208703A (zh) * | 2019-04-24 | 2019-09-06 | 南京航空航天大学 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
CN110320472A (zh) * | 2019-05-17 | 2019-10-11 | 枣庄学院 | 一种用于矿用锂电池的自修正soc估计方法 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
WO2020134145A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 时频空资源分配方法、计算机装置及计算机可读存储介质 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
CN111830418A (zh) * | 2020-07-09 | 2020-10-27 | 南京航空航天大学 | 一种考虑软包电池外部环境影响的soc估计方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN112241602A (zh) * | 2020-10-20 | 2021-01-19 | 国网宁夏电力有限公司电力科学研究院 | 基于粒子群优化的电磁暂态仿真参数优化方法 |
CN112307667A (zh) * | 2020-10-28 | 2021-02-02 | 广东电网有限责任公司 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN112557906A (zh) * | 2020-12-14 | 2021-03-26 | 湖南大学 | 一种动力电池全生命周期内soc和容量在线联合估计方法 |
CN112700060A (zh) * | 2021-01-08 | 2021-04-23 | 佳源科技股份有限公司 | 站所终端负荷预测方法和预测装置 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN113625177A (zh) * | 2021-08-06 | 2021-11-09 | 国网安徽省电力有限公司滁州供电公司 | 一种基于粒子群优化粒子滤波算法的soc估算方法 |
CN113743664A (zh) * | 2021-09-03 | 2021-12-03 | 西南交通大学 | 一种基于随机片段数据的锂电池状态估计方法及*** |
-
2021
- 2021-12-20 CN CN202111567822.4A patent/CN114236401B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841174A (zh) * | 2010-01-11 | 2010-09-22 | 艾默生网络能源有限公司 | 一种控制太阳能充电的方法 |
CN105633487A (zh) * | 2016-01-13 | 2016-06-01 | 河南理工大学 | 一种锂离子电池智能管理*** |
CN105894090A (zh) * | 2016-04-22 | 2016-08-24 | 大连海事大学 | 一种基于自适应变异粒子群优化的潮汐智能实时预报方法 |
CN110214280A (zh) * | 2016-11-17 | 2019-09-06 | 黄文罗基有限公司 | 确定电池的健康状态并提供警报 |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
CN107132490A (zh) * | 2017-07-05 | 2017-09-05 | 福州大学 | 一种实现锂电池组荷电状态估计的方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN109167347A (zh) * | 2018-08-06 | 2019-01-08 | 云南民族大学 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
WO2020134145A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 时频空资源分配方法、计算机装置及计算机可读存储介质 |
CN109917299A (zh) * | 2019-04-08 | 2019-06-21 | 青岛大学 | 一种锂电池荷电状态的三层滤波估算方法 |
CN110208703A (zh) * | 2019-04-24 | 2019-09-06 | 南京航空航天大学 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
CN110320472A (zh) * | 2019-05-17 | 2019-10-11 | 枣庄学院 | 一种用于矿用锂电池的自修正soc估计方法 |
CN110210087A (zh) * | 2019-05-20 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于粒子群算法的光束抖动模型参数实时辨识方法 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
CN111830418A (zh) * | 2020-07-09 | 2020-10-27 | 南京航空航天大学 | 一种考虑软包电池外部环境影响的soc估计方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN112241602A (zh) * | 2020-10-20 | 2021-01-19 | 国网宁夏电力有限公司电力科学研究院 | 基于粒子群优化的电磁暂态仿真参数优化方法 |
CN112307667A (zh) * | 2020-10-28 | 2021-02-02 | 广东电网有限责任公司 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN112557906A (zh) * | 2020-12-14 | 2021-03-26 | 湖南大学 | 一种动力电池全生命周期内soc和容量在线联合估计方法 |
CN112700060A (zh) * | 2021-01-08 | 2021-04-23 | 佳源科技股份有限公司 | 站所终端负荷预测方法和预测装置 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN113625177A (zh) * | 2021-08-06 | 2021-11-09 | 国网安徽省电力有限公司滁州供电公司 | 一种基于粒子群优化粒子滤波算法的soc估算方法 |
CN113743664A (zh) * | 2021-09-03 | 2021-12-03 | 西南交通大学 | 一种基于随机片段数据的锂电池状态估计方法及*** |
Non-Patent Citations (10)
Title |
---|
ARULAMPALAM M S等: "A tutorial on particle filters for online nonlinear/non ⁃Gaussian Bayesian tracking", IEEE TRANSACTIONS ON SIGNAL PROCESSING, vol. 50, no. 2, pages 174 - 188, XP002335210, DOI: 10.1109/78.978374 * |
QIANG CHEN等: "Analysis and Fault Control of Hybrid Modular Multilevel Converter With Integrated Battery Energy Storage System", JOURNAL OF EMERGING AND SELECTED TOPICS IN POWER ELECTRONIC, vol. 5, no. 1, pages 64 - 78, XP011640149, DOI: 10.1109/JESTPE.2016.2623672 * |
WU ZENG等: "A New Hybrid Modular Multilevel Converter With Integrated Energy Storage", IEEE ACCESS, vol. 5, no. 99, pages 172981 - 172993 * |
仝秋娟等: "基于分类思想的改进粒子群优化算法", 现代电子技术, vol. 42, no. 19, pages 11 - 14 * |
刘畅: "超大容量链式电池储能***容量边界与优化设计", 高压电技术, vol. 46, no. 6, pages 2230 - 2241 * |
刘畅等: "基于粒子滤波器的动力锂电池容量衰减在线评估", ***仿真技术及其应用, vol. 19, no. 1, pages 288 - 292 * |
刘畅等: "粒子滤波理论在单目标跟踪中的应用", 飞航导弹, no. 10, pages 67 - 71 * |
林晓杰等: "基于自适应粒子群优化的粒子滤波跟踪算法", 现代电子技术, vol. 43, no. 17, pages 11 - 15 * |
桑顺等: "功率–电压控制型并网逆变器及其弱电网适应性研究", 中国电机工程学报, vol. 37, no. 8, pages 2339 - 2350 * |
桑顺等: "电池储能变换器弱电网运行控制与稳定性研究", 中国电机工程学报, vol. 37, no. 1, pages 54 - 63 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128481A (zh) * | 2022-07-04 | 2022-09-30 | 上海交通大学 | 基于神经网络及阻抗辩识校正的电池状态估计方法、*** |
CN115128481B (zh) * | 2022-07-04 | 2023-10-27 | 上海交通大学 | 基于神经网络及阻抗辩识校正的电池状态估计方法、*** |
CN116542118A (zh) * | 2023-06-08 | 2023-08-04 | 上海玫克生储能科技有限公司 | 热耦合电化学模型的电化学参数辨识***及方法 |
CN116542118B (zh) * | 2023-06-08 | 2023-12-12 | 上海玫克生储能科技有限公司 | 热耦合电化学模型的电化学参数辨识***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114236401B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111610456B (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
CN114236401B (zh) | 一种基于自适应粒子群算法的电池状态估计方法 | |
CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN106585422B (zh) | 一种动力电池soh估算方法 | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN106405434B (zh) | 电池荷电状态的估计方法 | |
CN110333450B (zh) | 电池开路电压预估方法及*** | |
CN114035072B (zh) | 一种基于云边协同的电池组多状态联合估计方法 | |
CN107894570B (zh) | 基于Thevenin模型的电池组SOC的估算方法和装置 | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111044906B (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
CN109917299B (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN113109717B (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN112433154A (zh) | 基于ffrls和ekf的锂离子电池soc估测算法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN109738807B (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN116859278A (zh) | 动力电池的soh修正方法、装置、车辆及存储介质 |
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 |