CN115902667A - 基于权重和容积点自适应的锂电池soc估计方法 - Google Patents
基于权重和容积点自适应的锂电池soc估计方法 Download PDFInfo
- Publication number
- CN115902667A CN115902667A CN202310114464.4A CN202310114464A CN115902667A CN 115902667 A CN115902667 A CN 115902667A CN 202310114464 A CN202310114464 A CN 202310114464A CN 115902667 A CN115902667 A CN 115902667A
- Authority
- CN
- China
- Prior art keywords
- state
- battery
- value
- weight
- moment
- 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 49
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 20
- 230000010287 polarization Effects 0.000 claims description 17
- 230000017105 transposition Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 5
- 229910001416 lithium ion Inorganic materials 0.000 claims description 5
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于权重和容积点自适应的锂电池SOC估计方法。首先,通过电压、电流传感器获取锂电池在不同工况下的电压、电流数据,建立二阶电池等效电路模型;建立电池模型的状态方程,进行等效电路模型阻容参数辨识;建立二阶模型的离散时间状态和测量状态非线性方程,采用权重和容积点自适应的卡尔曼滤波算法对锂电池的SOC进行估计。该方法消除了线性化误差,减少计算时间,同时避免了当存在电池模型误差和未知的测量噪声特性等问题时SOC估计不够准确的情况,大大提高了鲁棒性,解决了传统容积卡尔曼滤波算法的容积点和权重固定、不可变的问题,具有精度高,鲁棒强的优点,适应于储能电站电池管理***中SOC的估算。
Description
技术领域
本发明属于储能电站电池管理技术领域,本发明涉及一种基于权重和容积点自适应的卡尔曼滤波锂电池SOC估计方法。
背景技术
锂离子电池以其能量高、使用寿命长和自放电率低等优点被广泛应用于储能电站中。电池的荷电状态(State of Charge, SOC)估计是储能电站电池管理***的关键技术之一,对电池的保护、使用寿命的预测和热管理等具有重要的作用。
目前常见的SOC估计方法有基于实验的开路电压法、电阻法,但这些方法需要较长的测试时间,不利于实际应用。基于数据驱动的方法有支持向量机、卷积神经网络以及长短期神经网络,这些方法需要大量的实验样本,计算处理大。而基于电池模型的方法有等效电路模型和电化学模型,模型能较好的反应电池的动态特性和静态特性,而该模型所建立的方程具有非线性的特点,因此,提出一种高效处理非线性方程的方法至关重要。容积卡尔曼滤波算法目前常用于平滑滤波,组合导航、轨迹跟踪等应用场景,对处理非线性方程具有良好的效果。电池是一个高度非线性***,容积卡尔曼滤波非常适合SOC的估计。然而传统卡尔曼滤波的具有以下两个问题:(1)当维数较大时,容积点与中心点之间的距离会变大,这使得滤波器容易出现非局部采样问题;(2)所有容积点的权重都一样,易造成估计误差。因此各容积点得到的预测和误差协方差不能准确反映***误差的实际统计特征,从而影响滤波器的估计精度。
本发明提出一种基于权重和容积点自适应的卡尔曼滤波锂电池SOC估计方法。该方法在不增加大量计算量的情况下,显著提高了估计精度。该发明首先建立锂电池的二阶等效电路模型,并利用带遗忘因子的递推最小二乘法对阻容参数进行辨识,之后将权重和容积点自适应的卡尔曼滤波方法对锂离子电池进行荷电状态估计。最后通过不断迭代,获得精确的SOC估计值。
发明内容
本发明目的是提供一种基于权重和容积点自适应的卡尔曼滤波锂电池SOC估计方法,为锂离子电池荷电状态准确估计提供技术方案。首先建立锂电池的二阶等效电路模型,并利用带遗忘因子的递推最小二乘法对阻容参数进行辨识,之后将权重和容积点自适应的卡尔曼滤波方法对锂离子电池进行荷电状态估计。最后通过不断迭代,获得精确的SOC估计值,该方法可以减少估计造成的误差,提高估计精度和鲁棒性。
本发明是通过如下技术方案实现的:
1. 获取锂电池在不同工况下的电流、电压测试数据以及电池初始SOC值,建立锂电池等效电路模型;
电池的测试电压、电流数据主要通过电池测试***获得,SOC初始值由电池生产厂家提供,其主要工况有恒流充放电测试,混合功率脉冲(HPPC)工况测试,动态应力工况测试(DST)。由于二阶RC等效电路模型能较好的模拟电池动态和静态特性,因此采用二阶RC等效电路作为储能电站电池模型。
2. 建立电池模型的状态方程;
采用二阶RC等效电路模型,根据基尔霍夫电压和电流定律获得锂电池模型的状态方程;
(1)
式(1)中,为电池的开路电压,为电池端电压,为锂电池的欧姆内阻,为电池的工作电流,和为极化电阻,和为极化电容,和为极化电阻和所对应的电压,和分别为和的导数。
3. 进行等效电路模型阻容参数辨识,其中为欧姆内阻,和为极化电阻,和为极化电容。
利用带遗忘因子递推的最小二乘法进行等效电路模型阻容参数辨识,获得的相应的阻容值。
4. 建立二阶模型的离散时间状态和测量状态非线性方程;
建立二阶模型的离散时间状态和测量状态非线性方程。根据安时积分方程(2)及电池状态方程(1),选取作为状态变量,经过离散化可以列出锂离子电池状态方程(3)和测量方程(4)。
(2)
(3)
(4)
式(2)、(3)和(4)中,和分别为电池在k时刻和k-1时刻的SOC值,为电池最大可用容量,为库伦效率,为采样周期,为时间常数, 和分别为k时刻和k-1时刻极化电阻所对应的电压, 和分别为k时刻和k-1时刻极化电阻所对应的电压,为k时刻的该电池SOC值所对应的开路电压,为k时刻电池的端电压,为k时刻电池的工作电流,为过程噪声,为观测噪声。
(a)初始化状态变量值、过程噪声协方差()、测量噪声协方差()以及状态误差协方差();
(b)计算状态变量值的均值和将状态误差协方差()进行奇异值分解,计算余弦相似度(),其分解和计算方法如下:
(5)
式中为状态误差协方差第列矩阵,为状态变量值的期望,为状态变量的均值,为状态误差协方差,为通过奇异值分解所得到的三个矩阵,是的特征向量,为的特征向量,为的转置,为的转置矩阵,是对角矩阵;
(c)利用高阶径向准则确定高度容积准则,根据余弦相似度和高度容积准则,生成相应的容积点和权重:
(6)
式中,为中的第列矩阵;为状态方程的维数,是可变常数,一般取为1.6。
(d)计算状态变量预测值和状态误差协方差值;
(7)
式中为状态方程,为第时刻,为时刻的状态变量预测值,为误差协方差预测值,为时刻第个容积点的权重,为时刻第个容积点,为时刻的状态变量预测值的转置,为时刻过程噪声协方差矩阵,为时刻第个容积点的状态函数值的转置,为时刻第个容积点的状态函数值。
(e)根据(d)中获得的状态变量预测值、状态误差协方差预测值再次利用式(6)进行容积点计算和权重计算。
(f)更新测量预测值和测量自相关和互相关协方差值;
(8)
式中为测量方程,为时刻的量测预测值,为时刻第个容积点的权重,为时刻测量自相关误差协方差矩阵,为时刻测量互相关误差协方差矩阵,为时刻第个容积点,为时刻的量测预测值的转置, 为时刻的量测噪声协方差矩阵,为时刻第个容积点的量测函数值的转置,为时刻第个容积点的量测函数值。
(g) 计算增益、更新状态估计值和状态协方差估计值;
;
式中 为时刻电池管理***所测的电压数据,为时刻状态误差协方差矩阵,为时刻测量自相关误差协方差矩阵,为k+1时刻的增益矩阵,为k+1时刻的增益矩阵转置,上标代表转置,下标代表第时刻,为k+1时刻的状态变量值,为时刻测量互相关误差协方差矩阵,为误差协方差预测值。
(h) 重复(b)-(g)过程,进行下一时刻的状态变量和状态协方差的计算,直到运行结束,提取结果获得SOC估计值。
本发明具有以下有益效果:
本发明所提供的基于权重和容积点自适应的锂电池SOC估计方法,为锂离子电池SOC的精确估计提供技术方案。该发明精细容积卡尔曼滤波中容积点和权重的自适应性,在每次迭代过程,容积点和权重不断更新,对于提高SOC估计的精度,减少计算时间具有重要的实际意义。
附图说明
图1为一种权重和容积点自适应的卡尔曼滤波锂电池SOC估计方法流程图。
图2为锂电池二阶等效电路图。
实施方式
下面将结合附图和实施例对本发明进行详细说明。
请参阅图1,本发明实施例提供了一种基于权重和容积点自适应的锂电池SOC估计方法,包括如下步骤:
1. 获取锂电池在不同工况下的电流、电压测试数据以及电池初始SOC值,建立锂电池等效电路模型。
电池的测试电压、电流数据主要通过电池测试***获得,SOC初始值由电池生产厂家提供,其主要工况有恒流充放电测试,混合功率脉冲(HPPC)工况测试,动态应力工况测试(DST)。由于二阶RC等效电路模型能较好的模拟电池动态和静态特性,因此采用二阶RC等效电路作为储能电站电池模型。
2. 建立电池模型的状态方程。
请参阅图2,采用二阶RC等效电路模型,根据基尔霍夫电压和电流定律获得锂电池模型的状态方程;
(1)
式(1)中,为电池的开路电压,为电池端电压,为锂电池的欧姆内阻,为电池的工作电流,和为极化电阻,和为极化电容,和为极化电阻和所对应的电压,和分别为和的导数。
3. 进行等效电路模型阻容参数辨识,其中为欧姆内阻,和为极化电阻,和为极化电容。
利用带遗忘因子递推的最小二乘法进行等效电路模型阻容参数辨识,获得的相应的阻容值。
4. 建立二阶模型的离散时间状态和测量状态非线性方程;
建立二阶模型的离散时间状态和测量状态非线性方程。根据安时积分方程(2)及电池状态方程(1),选取作为状态变量,经过离散化可以列出锂离子电池状态方程(3)和测量方程(4)。
(2)
(3)
(4)
式(2)、(3)和(4)中,和分别为电池在k时刻和k-1时刻的SOC值,为电池最大可用容量,为库伦效率,为采样周期,为时间常数, 和分别为k时刻和k-1时刻极化电阻所对应的电压, 和分别为k时刻和k-1时刻极化电阻所对应的电压,为k时刻的该电池SOC值所对应的开路电压,为k时刻电池的端电压,为k时刻电池的工作电流,为过程噪声,为观测噪声。
5. 采用权重和容积点自适应的卡尔曼滤波算法对锂电池的SOC进行估计;
(a)初始化状态变量值、过程噪声协方差()、测量噪声协方差()以及状态误差协方差();
(b)计算状态变量值的均值和将状态误差协方差()进行奇异值分解,计算余弦相似度()。其分解和计算方法如下:
(5)
式中为状态误差协方差第列矩阵,为状态变量值的期望,为状态变量的均值,为状态误差协方差,为通过奇异值分解所得到的三个矩阵,是的特征向量,为的特征向量,为的转置,为的转置矩阵,是对角矩阵。
(c)利用高阶径向准则确定了一种新的高度容积准则,根据余弦相似度和新的容积法则,生成相应的容积点和权重:
(6)
式中,为中的第列矩阵;为状态方程的维数,是可变常数,一般取为1.6,为第个容积点,为第个容积点,为第个容积点,为第个容积点,为第个容积点的权重,为第个容积点权重,为第个容积点权重,为第个容积点权重。为的概率值,也是权重值。
(d)计算状态变量预测值和状态误差协方差值;
(7)
式中为状态方程,为第时刻,为时刻的状态变量预测值,为误差协方差预测值,为时刻第个容积点的权重,为时刻第个容积点,为时刻的状态变量预测值的转置,为时刻过程噪声协方差矩阵,为时刻第个容积点的状态函数值的转置,为时刻第个容积点的状态函数值。
(e)根据(d)中获得的状态变量预测值、状态误差协方差预测值再次利用式(6)进行容积点计算和权重计算;
(f)更新测量预测值和测量自相关和互相关协方差值;
(8)
式中为测量方程,为时刻的量测预测值,为时刻第个容积点的权重,为时刻测量自相关误差协方差矩阵,为时刻测量互相关误差协方差矩阵,为时刻第个容积点,为时刻的量测预测值的转置, 为时刻的量测噪声协方差矩阵,为时刻第个容积点的量测函数值的转置,为时刻第个容积点的量测函数值。
(g) 计算增益、更新状态估计值和状态协方差估计值;
;
式中 为时刻电池管理***所测的电压数据,为时刻状态误差协方差矩阵,为时刻测量自相关误差协方差矩阵,为k+1时刻的增益矩阵,为k+1时刻的增益矩阵转置,上标代表转置,下标代表第时刻,为k+1时刻的状态变量值,为时刻测量互相关误差协方差矩阵,为误差协方差预测值。
(h) 重复(b)-(g)过程,进行下一时刻的状态变量和状态协方差的计算,直到运行结束,提取结果获得SOC估计值。
以上仅是对本发明优选实施方式的描述,本发明的保护范围并不局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。本发明所属技术领域的技术人员在不偏离本发明的精神和原理的情况下对所描述的具体实施例做各种修改或补充或采用类似的方式替代,视为本发明的保护范围。
Claims (6)
1.一种基于权重和容积点自适应的锂电池SOC估计方法,包括如下步骤:
A. 获取锂电池在不同工况下的电流、电压测试数据以及电池初始SOC值,建立锂电池等效电路模型;
B. 建立电池模型的状态方程;
C.进行等效电路模型阻容参数辨识,其中为欧姆内阻,和为极化电阻,和为极化电容;
D.建立二阶模型的离散时间状态和测量状态非线性方程;
E.采用权重和容积点自适应的卡尔曼滤波算法对锂电池的SOC进行估计。
2.根据权利要求1所述的基于权重和容积点自适应的锂电池SOC估计方法,其特征在于,步骤A中,电池的测试电压、电流数据通过电池测试***获得,SOC初始值由电池生产厂家提供,其工况测试项有恒流充放电测试、混合功率脉冲工况测试HPPC及动态应力工况测试DST。
3.根据权利要求1所述的基于权重和容积点自适应的锂电池SOC估计方法,其特征在于,步骤B中,采用二阶RC等效电路模型,根据基尔霍夫电压和电流定律获得锂电池模型的状态方程;
(1)
式(1)中,为电池的开路电压,为电池端电压,为锂电池的欧姆内阻,为电池的工作电流,和为极化电阻,和为极化电容,和为极化电阻和所对应的电压,和分别为和的导数。
4.根据权利要求1所述的基于权重和容积点自适应的锂电池SOC估计方法,其特征在于,步骤C中,利用带遗忘因子递推的最小二乘法进行等效电路模型阻容参数辨识,获得的相应的阻容值。
5.根据权利要求1所述的基于权重和容积点自适应的锂电池SOC估计方法,其特征在于,步骤D中,建立二阶模型的离散时间状态和测量状态非线性方程;根据安时积分方程(2)及电池状态方程(1),选取作为状态变量,经过离散化可以列出锂离子电池状态方程(3)和测量方程(4);
(2)
(3)
(4)
式(2)、(3)和(4)中,和分别为电池在k时刻和k-1时刻的SOC值,为电池最大可用容量,为库伦效率,为采样周期,为时间常数, 和分别为k时刻和k-1时刻极化电阻所对应的电压, 和分别为k时刻和k-1时刻极化电阻所对应的电压,为k时刻的该电池SOC值所对应的开路电压,为k时刻电池的端电压,为k时刻电池的工作电流,为过程噪声,为观测噪声。
6.根据权利要求1所述的基于权重和容积点自适应的锂电池SOC估计方法,其特征在于,步骤E中,采用权重和容积点自适应的卡尔曼滤波算法对锂电池的SOC进行估计,具体如下:
(a)初始化状态变量值、过程噪声协方差、测量噪声协方差以及状态误差协方差;
(b)计算状态变量值的均值和将状态误差协方差进行奇异值分解,计算余弦相似度,其分解和计算方法如下:
(5)
式中为状态误差协方差第列矩阵,为状态变量值的期望,为状态变量的均值,为状态误差协方差,为通过奇异值分解所得到的三个矩阵,是的特征向量,为的特征向量,为的转置,为的转置矩阵,是对角矩阵;
(c)利用高阶径向准则确定高度容积准则,根据余弦相似度和高度容积准则,生成相应的容积点和权重:
(6)
式中,为中的第列矩阵;为状态方程的维数,是可变常数,一般取为1.6,为第个容积点,为第个容积点,为第个容积点,为第个容积点,为第个容积点的权重,为第个容积点权重,为第个容积点权重,为第个容积点权重,为的概率值,也是权重值;
(d)计算状态变量预测值和状态误差协方差值;
(7)
式中为状态方程,为第时刻,为时刻的状态变量预测值,为误差协方差预测值,为时刻第个容积点的权重,为时刻第个容积点,为时刻的状态变量预测值的转置,为时刻过程噪声协方差矩阵,为时刻第个容积点的状态函数值的转置,为时刻第个容积点的状态函数值;
(e)根据(d)中获得的状态变量预测值、状态误差协方差预测值再次利用式(6)进行容积点计算和权重计算;
(f)更新测量预测值和测量自相关和互相关协方差值;
(8)
式中为测量方程,为时刻的量测预测值,为时刻第个容积点的权重,为时刻测量自相关误差协方差矩阵,为时刻测量互相关误差协方差矩阵,为时刻第个容积点,为时刻的量测预测值的转置, 为时刻的量测噪声协方差矩阵,为时刻第个容积点的量测函数值的转置,为时刻第个容积点的量测函数值;
(g) 计算增益、更新状态估计值和状态协方差估计值;
;
式中 为时刻电池管理***所测的电压数据,为时刻状态误差协方差矩阵,为时刻测量自相关误差协方差矩阵,为k+1时刻的增益矩阵,为k+1时刻的增益矩阵转置,上标代表转置,下标代表第时刻,为k+1时刻的状态变量值,为时刻测量互相关误差协方差矩阵,为误差协方差预测值;
(h) 重复(b)-(g)过程,进行下一时刻的状态变量和状态协方差的计算,直到运行结束,提取结果获得SOC估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114464.4A CN115902667B (zh) | 2023-02-15 | 2023-02-15 | 基于权重和容积点自适应的锂电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114464.4A CN115902667B (zh) | 2023-02-15 | 2023-02-15 | 基于权重和容积点自适应的锂电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115902667A true CN115902667A (zh) | 2023-04-04 |
CN115902667B CN115902667B (zh) | 2023-05-23 |
Family
ID=85735490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114464.4A Active CN115902667B (zh) | 2023-02-15 | 2023-02-15 | 基于权重和容积点自适应的锂电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902667B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381513A (zh) * | 2023-06-07 | 2023-07-04 | 广东电网有限责任公司东莞供电局 | 一种计及测量值异常的锂离子电池模型参数鲁棒辨识方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1062539A (ja) * | 1996-08-20 | 1998-03-06 | Japan Marine Sci & Technol Center | 音速変動共分散行列の生成装置 |
CN104121907A (zh) * | 2014-07-30 | 2014-10-29 | 杭州电子科技大学 | 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN109031276A (zh) * | 2017-06-09 | 2018-12-18 | 浙江工商大学 | 目标跟踪中带遗忘因子的自适应迭代容积卡尔曼滤波方法 |
CN109633479A (zh) * | 2019-01-11 | 2019-04-16 | 武汉理工大学 | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 |
CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
CN110895146A (zh) * | 2019-10-19 | 2020-03-20 | 山东理工大学 | 一种移动机器人同步定位与地图构建方法 |
CN111537894A (zh) * | 2020-05-29 | 2020-08-14 | 合肥工业大学 | 一种用于估计锂电池soc和sop的方法 |
WO2021201354A1 (ko) * | 2020-03-30 | 2021-10-07 | 중앙대학교 산학협력단 | 최적의 합성면압 가진을 통한 전기화학적 배터리 수명 관리 시스템 및 방법 |
CN115170835A (zh) * | 2022-07-29 | 2022-10-11 | 深圳大学 | 一种基于行人重识别的度量损失框架改进方法及相关设备 |
-
2023
- 2023-02-15 CN CN202310114464.4A patent/CN115902667B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1062539A (ja) * | 1996-08-20 | 1998-03-06 | Japan Marine Sci & Technol Center | 音速変動共分散行列の生成装置 |
CN104121907A (zh) * | 2014-07-30 | 2014-10-29 | 杭州电子科技大学 | 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN109031276A (zh) * | 2017-06-09 | 2018-12-18 | 浙江工商大学 | 目标跟踪中带遗忘因子的自适应迭代容积卡尔曼滤波方法 |
CN109633479A (zh) * | 2019-01-11 | 2019-04-16 | 武汉理工大学 | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 |
CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
CN110895146A (zh) * | 2019-10-19 | 2020-03-20 | 山东理工大学 | 一种移动机器人同步定位与地图构建方法 |
WO2021201354A1 (ko) * | 2020-03-30 | 2021-10-07 | 중앙대학교 산학협력단 | 최적의 합성면압 가진을 통한 전기화학적 배터리 수명 관리 시스템 및 방법 |
CN111537894A (zh) * | 2020-05-29 | 2020-08-14 | 合肥工业大学 | 一种用于估计锂电池soc和sop的方法 |
CN115170835A (zh) * | 2022-07-29 | 2022-10-11 | 深圳大学 | 一种基于行人重识别的度量损失框架改进方法及相关设备 |
Non-Patent Citations (3)
Title |
---|
JUNJIE BAI,ET AL.: "ACKF filtering algorithm based on exponential weighting" * |
冯亚丽: "非线性卡尔曼滤波算法的改进及精度分析" * |
肖俊等: "基于扰动后暂态量的戴维南等值参数辨识方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381513A (zh) * | 2023-06-07 | 2023-07-04 | 广东电网有限责任公司东莞供电局 | 一种计及测量值异常的锂离子电池模型参数鲁棒辨识方法 |
CN116381513B (zh) * | 2023-06-07 | 2023-07-28 | 广东电网有限责任公司东莞供电局 | 一种计及测量值异常的锂离子电池模型参数鲁棒辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115902667B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN110688808B (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN111098755B (zh) | 一种电动汽车动力电池soc估计方法 | |
CN113128672B (zh) | 一种基于迁移学习算法的锂离子电池组soh估计方法 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN112083334A (zh) | 一种基于数据驱动的锂离子电池荷电状态估计方法 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
CN115902667A (zh) | 基于权重和容积点自适应的锂电池soc估计方法 | |
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 | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN111950205A (zh) | 一种基于fwa优化极限学习机的锂电池soh预测方法 | |
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*** | |
CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN111751750A (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
Zhang et al. | Estimation of Lithium-ion battery state of charge | |
CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 | |
CN110058162A (zh) | 一种基于线性时不变电池模型结构的参数辨识方法 | |
CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
CN116299015B (zh) | 电池状态评估方法、装置、电子设备及存储介质 |
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 |