CN117741439A - 修正参数的确定方法、装置及设备 - Google Patents
修正参数的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN117741439A CN117741439A CN202311616260.7A CN202311616260A CN117741439A CN 117741439 A CN117741439 A CN 117741439A CN 202311616260 A CN202311616260 A CN 202311616260A CN 117741439 A CN117741439 A CN 117741439A
- Authority
- CN
- China
- Prior art keywords
- state
- battery
- charge
- correction parameter
- determining
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 131
- 230000008569 process Effects 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 138
- 238000005259 measurement Methods 0.000 claims description 90
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000010287 polarization Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种修正参数的确定方法、装置及设备。该方法包括:获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;获取电池在第一时刻的第一实际充电状态;基于模型参数和多个修正参数组通过卡尔曼滤波算法预测电池在第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;基于第二预测充电状态在多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,第二预测充电状态为和第一实际充电状态匹配的第一预测充电状态,卡尔曼滤波模型用于预测电池在动态过程中的充电状态。根据本申请实施例,能够提升模型中修正参数的准确性。
Description
技术领域
本申请属于电池管理技术领域,尤其涉及一种修正参数的确定方法、装置及设备。
背景技术
当前,扩展卡尔曼滤波(EKF)算法是一种估计锂电池荷电状态(SOC)的常用方法。在卡尔曼滤波模型中,过程噪声和测量噪声是两种不确定性或者误差的来源。过程噪声表示模型建立不准确、输入量含有噪声所引起的误差,测量噪声表示测量不精确、外界干扰所引起的误差。
在实际迭代计算过程中,过程噪声通常由过程噪声协方差矩阵(Q)来描述,测量噪声通常由测量噪声协方差矩阵(R)来描述。因此,Q和R为EKF算法中的修正参数,不合适的Q和R会影响EKF算法的估算效果,从而在锂电池状态估计中影响SOC的估计精度。然而,相关技术中选取Q和R的方法大多具有盲目性,因此无法获取准确的修正参数。
发明内容
本申请实施例提供了一种修正参数的确定方法、装置及设备,能够解决现有的选取卡尔曼滤波模型中的修正参数的准确性较低。
第一方面,本申请实施例提供一种修正参数的确定方法,方法包括:
获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;
获取所述电池在第一时刻的第一实际充电状态;
基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;
基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
在一些实施例中,所述修正参数组包括过程噪声矩阵和测量噪声矩阵,所述基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,包括:
获取所述电池在第二时刻的第二初始充电状态,所述第二时刻为所述第一时刻之前的时刻,所述第一时刻和所述第二时刻之间的时间间隔为第一间隔时长;
获取所述第二时刻的第一误差协方差矩阵的测量更新值;
基于所述模型参数和所述第二初始充电状态确定所述第二时刻的第一状态量的测量更新值;
基于第一过程噪声矩阵和所述第一误差协方差矩阵的测量更新值确定所述第一时刻的第二误差协方差矩阵的时间更新值,所述第一过程噪声矩阵为第一修正参数组中的过程噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于第一测量噪声矩阵确定第一时刻的卡尔曼增益值,所述第一测量噪声矩阵为第一修正参数组中的测量噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于所述第一状态量的测量更新值确定所述电池在第一时刻的第二状态量的时间更新值;
基于所述第二状态量的时间更新值和所述卡尔曼增益值确定所述第二状态量的测量更新值;
基于所述第二误差协方差矩阵的时间更新值和所述卡尔曼增益值确定所述第二误差协方差矩阵的测量更新值;
根据所述第二状态量的测量更新值和所述第二误差协方差矩阵的测量更新值确定所述第一修正参数组对应的第一预测充电状态。
在一些实施例中,所述修正参数组包括过程噪声矩阵,所述过程噪声矩阵包括第一参数和第二参数,所述第一参数为用于表征充电状态相关的过程噪声,所述第二参数为用于表征充电电流相关的过程噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
确定所述第一参数的数值范围;
基于寻优算法在所述数值范围中确定第二过程噪声矩阵中的第一参数,所述第二过程噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个;
将预先设置的第一数值确定为所述第二过程噪声矩阵中的第二参数。
在一些实施例中,所述修正参数组包括测量噪声矩阵,所述测量噪声矩阵包括第三参数,所述第三参数为用于表征测量精度的测量噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
获取所述电池的电压采集精度;
将所述电压采集精度确定为第二测量噪声矩阵的第三参数,所述第二测量噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个。
在一些实施例中,所述获取所述电池在第一时刻的第一实际充电状态,包括:
获取所述电池在第二时刻的第二实际充电状态;
确定所述第一间隔时长内所述电池的实际电池状态消耗;
根据所述第二实际充电状态和所述实际电池状态消耗确定所述第一实际充电状态。
在一些实施例中,所述获取所述电池在第二时刻的第二实际充电状态,包括:
获取所述电池在第二时刻的开路电压;
获取和所述开路电压存在映射关系的第二实际充电状态。
在一些实施例中,所述确定所述第一间隔时长内所述电池的实际电池状态消耗,包括:
获取所述电池在第一间隔时长内的电流均值;
获取所述电池的标称容量;
确定所述第一间隔时长和所述电流均值的第一乘积;
将所述第一乘积除以所述标称容量的商确定为所述实际电池状态消耗。
在一些实施例中,所述获取所述电池在第二时刻的第二初始充电状态,包括:
将所述第二实际充电状态和第二数值的乘积确定为所述第二初始充电状态,所述第二数值为大于0且小于2的常数。
第二方面,本申请实施例提供一种修正参数的确定装置,装置包括:
第一获取模块,用于获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;
第二获取模块,用于获取所述电池在第一时刻的第一实际充电状态;
预测模块,用于基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;
确定模块,用于基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
第三方面,本申请实施例提供了一种修正参数的确定设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如上的修正参数的确定方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如上的修正参数的确定方法。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括计算机程序指令,所述计算机程序指令被处理器执行时实现如上的修正参数的确定方法。
在本申请中,通过获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组,获取电池在第一时刻的第一实际充电状态,基于模型参数和多个修正参数组通过卡尔曼滤波算法预测电池在第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组,基于第二预测充电状态在多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,第二预测充电状态为和第一实际充电状态匹配的第一预测充电状态,卡尔曼滤波模型用于预测电池在动态过程中的充电状态。也就是说,可以通过寻优算法获取多个经过初次筛选的修正参数组,然后基于每一个修正参数组确定一个第一预测充电状态,并将和第一实际充电状态匹配的第一预测充电状态对应的修正参数组确定为后续模型中的第一修正参数组。如此一来,可以保证通过寻优算法得到的第一修正参数组能够较为准确的预测电池动态过程中的充电状态。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的修正参数的确定方法的流程示意图;
图2是本申请另一实施例提供的修正参数的确定方法的流程示意图;
图3是本申请一实施例提供的修正参数的确定设备的硬件结构示意图;
图4是本申请一实施例提供的修正参数的确定装置的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请的更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
具体地,为了解决现有技术问题,本申请实施例提供了一种修正参数的确定方法、装置及设备。下面首先对本申请实施例所提供的修正参数的确定方法进行介绍。
图1示出了本申请一个实施例提供的修正参数的确定方法的流程示意图。该方法包括以下步骤:
S110,获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组。
在本实施例中,电池的模型参数包括电池的内部电阻R0、电池的极化电阻Rp、以及电池时间常数τ。电池的内部电阻是电池内部的电阻,与电池的化学特性、构造和温度有关。电池的极化电阻是与电池电极表面上的电化学反应相关的电阻。电池时间常数是一个与电池的响应速度相关的模型参数。
可以直接从电池的制造商提供的电池的规格数据中获取上述电池的模型参数,也可以通过HPPC(Hybrid Pulse Power Characterization,混合脉冲功率特性)测试来获取电池的模型参数。
修正参数组可以包括过程噪声协方差矩阵(Q)和测量噪声协方差矩阵(R),其中,Q用于描述卡尔曼滤波算法中的过程噪声,R用于描述卡尔曼滤波算法中的测量噪声。
S120,获取所述电池在第一时刻的第一实际充电状态。
在本实施例中,电池的充电状态通常以百分比表示,表示电池目前剩余的电量占电池总可充电量的百分比。第一时刻的第一实际充电状态为电池处于充放电的动态过程中实际的充电状态,可以通过安时积分法来估计电池在第一时刻的第一实际充电状态。
S130,基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组。
在本实施例中,可以通过卡尔曼滤波算法预测电池在第一时刻的第一预测充电状态。而在利用卡尔曼滤波算法预测第一预测充电状态的过程中,可以通过电池的模型参数和卡尔曼滤波模型的修正参数组进行预测。
卡尔曼滤波算法中应用不同的Q和R对第一时刻的充电状态进行预测,可以得到不同的第一预测充电状态,每个修正参数组和一个第一预测充电状态相对应。
S140,基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
在本实施例中,在获取多个第一预测充电状态之后,可以在多个第一预测充电状态中选出和第一实际充电状态相匹配的第二预测充电状态,具体地,匹配的第二预测充电状态可以为和第一实际充电状态相等的第一预测充电状态,也可以为和第一实际充电状态最接近的第一预测充电状态。并将第二预测充电状态对应的修正参数组确定为卡尔曼滤波模型的第一修正参数组。该修正参数组为第一修正参数组的卡尔曼滤波模型可用于预测电池实时的充电状态。
本申请通过获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组,获取电池在第一时刻的第一实际充电状态,基于模型参数和多个修正参数组通过卡尔曼滤波算法预测电池在第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组,基于第二预测充电状态在多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,第二预测充电状态为和第一实际充电状态匹配的第一预测充电状态,卡尔曼滤波模型用于预测电池在动态过程中的充电状态。也就是说,可以通过寻优算法获取多个经过初次筛选的修正参数组,然后基于每一个修正参数组确定一个第一预测充电状态,并将和第一实际充电状态匹配的第一预测充电状态对应的修正参数组确定为后续模型中的第一修正参数组。如此一来,可以保证通过寻优算法得到的第一修正参数组能够较为准确的预测电池动态过程中的充电状态。
作为一个可选实施例,上述S120,可以包括:
获取所述电池在第二时刻的第二实际充电状态;
确定第一间隔时长内所述电池的实际电池状态消耗;
根据所述第二实际充电状态和所述实际电池状态消耗确定所述第一实际充电状态。
在本实施例中,第一时刻和第二时刻之间的时间间隔为第一间隔时长,那么在确定第二时刻电池的第二实际充电状态之后,可以进一步获取第一间隔时长内电池的实际电池状态消耗,那么利用第二实际充电状态减去实际电池状态消耗得到的差值即为电池在第一时刻的第一实际充电状态。
作为一个可选实施例,所述获取所述电池在第二时刻的第二实际充电状态,包括:
获取所述电池在第二时刻的开路电压;
获取和所述开路电压存在映射关系的第二实际充电状态。
在本实施例中,电池在第二时刻之前静置过一段时间,也即第二时刻之前电池在一段较长的时间(例如,1个小时)内未进行充电或放电操作。在静置一段时间之后,可以测量该电池在第二时刻的端电压即为电池的开路电压。在获取电池的开路电压之后,可以通过查询预先保存的OCV-SOC表来确定开路电压对应的充电状态,该充电状态即为电池在第二时刻的第二实际充电状态。其中,OCV-SOC表为预先存储的电池的开路电压和充电状态之间的关系表。
作为一个可选实施例,所述确定所述第一间隔时长内所述电池的实际电池状态消耗,包括:
获取所述电池在第一间隔时长内的电流均值;
获取所述电池的标称容量;
确定所述第一间隔时长和所述电流均值的第一乘积;
将所述第一乘积除以所述标称容量的商确定为所述实际电池状态消耗。
在本实施例中,可以通过安时积分法来确定第一间隔时长内电池的实际电池状态消耗。具体地,可以获取电池在第一间隔时长内流过的电流均值,并利用电流均值乘以第一间隔时长即得到第一间隔时长内通过电流的总量,然后利用第一间隔时长内电流的总量除以电池的标称容量,则得到第一间隔时长内的实际电池状态消耗。
其中,标称容量是指电池制造商为电池规定的额定容量,通常以安时为单位。使用标称容量是可以将电池状态的变化量表示为相对于电池总容量的比例。
作为一个可选实施例,所述修正参数组包括过程噪声矩阵和测量噪声矩阵,所述S130,包括:
获取所述电池在第二时刻的第二初始充电状态,所述第二时刻为所述第一时刻之前的时刻,所述第一时刻和所述第二时刻之间的时间间隔为第一间隔时长;
获取所述第二时刻的第一误差协方差矩阵的测量更新值;
基于所述模型参数和所述第二初始充电状态确定所述第二时刻的第一状态量的测量更新值;
基于第一过程噪声矩阵和所述第一误差协方差矩阵的测量更新值确定所述第一时刻的第二误差协方差矩阵的时间更新值,所述第一过程噪声矩阵为第一修正参数组中的过程噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于第一测量噪声矩阵确定第一时刻的卡尔曼增益值,所述第一测量噪声矩阵为第一修正参数组中的测量噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于所述第一状态量的测量更新值确定所述电池在第一时刻的第二状态量的时间更新值;
基于所述第二状态量的时间更新值和所述卡尔曼增益值确定所述第二状态量的测量更新值;
基于所述第二误差协方差矩阵的时间更新值和所述卡尔曼增益值确定所述第二误差协方差矩阵的测量更新值;
根据所述第二状态量的测量更新值和所述第二误差协方差矩阵的测量更新值确定所述第一修正参数组对应的第一预测充电状态。
在本实施例中,通过卡尔曼滤波算法对电池在第一时刻的第一预测充电状态进行预测时,可以基于充电状态生成状态量,并由状态量来进行卡尔曼滤波算法。具体地,状态量x=[SOC;Up],其中,SOC代表充电状态,Up代表电池的极化电压。
示例地,可以提前获取电池在第二时刻的第二初始充电状态,并基于第二初始充电状态得到第二时刻的第一状态量的测量更新值,并基于第一状态量的测量更新值计算得到电池在第一时刻的第二状态量的时间更新值,根据第二状态量的时间更新值进一步确定第二状态量的测量更新值。
其中,时间更新值指的是在当前时刻的状态的基础上利用卡尔曼滤波预测***预测得到的下一个时刻的状态量。测量更新值指的是在时间更新步骤之后,通过卡尔曼增益可以将传感器或测量设备的测量数据和时间更新值相结合,以生成测量更新值。
此外,在使用卡尔曼滤波进行电池的充电状态估计的过程中,误差协方差矩阵P也是卡尔曼滤波算法的一部分,用于描述状态估计的不确定性。P矩阵的元素表示状态估计的协方差,即估计值与实际值之间的关系。同样地,P矩阵也有时间更新的步骤以及测量更新的步骤,在时间更新步骤中,P矩阵会根据电池模型和***动态模型进行更新。在测量更新步骤中,P矩阵会根据来自测量数据的卡尔曼增益进行修正。
具体地,通过卡尔曼滤波算法由第一状态量的测量更新值确定第二状态量的测量更新值的公式,以及由第一误差协方差矩阵的测量更新值确定第二误差协方差矩阵的测量更新值的公式如下:
状态量时间更新公式:
协方差矩阵时间更新公式:
卡尔曼增益公式:
状态量测量更新公式:
协方差矩阵测量更新公式:
其中,第二时刻为k-1时刻,第一时刻为k时刻,状态量时间更新公式用于对k时刻的状态量进行时间更新,协方差矩阵时间更新公式用于对k时刻的误差协方差矩阵进行时间更新,卡尔曼增益公式用于计算k时刻的卡尔曼增益矩阵,状态量测量更新公式用于对k时刻的状态量进行测量更新,协方差矩阵测量更新公式用于对k时刻的状态量进行测量更新。
具体地,为电池在k-1时刻的第一状态量的测量更新值,uk-1是在k-1时刻的输入值,Kk是在k时刻的卡尔曼增益矩阵,/>是状态量在k时刻的时间更新值,/>是状态量在k时刻的测量更新值,/>是误差协方差矩阵在k-1时刻的测量更新值,/>是误差协方差矩阵在k时刻的时间更新值,/>是误差协方差矩阵在k时刻的测量更新值,yk是k时刻的测量值,是k时刻的模型预测值,A、C为系数矩阵,I为单位矩阵,Q和R分别表示过程噪声协方差矩阵和测量噪声协方差矩阵。
具体地,如图2所示,以一阶RC等效电路模型的EKF算法为例,
可以具体写为:
其中,是k-1时刻第一状态量的测量更新值,/>是k时刻第一状态量的时间更新值,/>是k-1时刻电池的极化电压的测量更新值,/>是k时刻电池的极化电压的时间更新值,Ik是k时刻的电流值,η是库伦效率,Δt是k-1时刻与k时刻的时间间隔,Cap是当前循环的电池容量,τ是时间常数,Rp是电池的极化电阻,e指自然常数,符号e,为数学中一个常数,其值约为2.718281828459045。
此外,卡尔曼滤波算法中测量值y=U,其中U为实测端电压,模型预测值方程如下:
其中是k时刻的模型预测端电压Ut,/>是k时刻的开路电压,其为SOC的函数,R0是欧姆内阻。
基于上述算法,可以通过卡尔曼滤波算法计算得到第一时刻的第二状态量的测量更新值,以及第一时刻的误差协方差矩阵的测量更新值,如此,即可以将第二状态量的测量更新值中的充电状态的分量确定为第一时刻的第一预测充电状态,并在误差协方差矩阵认为结果可信的情况下,用第一时刻的误差协方差矩阵的测量更新值来评估第一预测充电状态的不确定性。
由于每一个误差协方差矩阵的测量更新值,以及一个对应的第一预测充电状态的计算,都对应一个过程噪声协方差矩阵Q和测量噪声协方差矩阵R,可以将与第一实际充电状态匹配的第一预测充电状态确定为第二预测充电状态,并将第二预测充电状态对应的Q和R确定为卡尔曼滤波模型的第一修正参数组。
作为一个可选实施例,所述修正参数组包括过程噪声矩阵,所述过程噪声矩阵包括第一参数和第二参数,所述第一参数为用于表征充电状态相关的过程噪声,所述第二参数为用于表征充电电流相关的过程噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
确定所述第一参数的数值范围;
基于寻优算法在所述数值范围中确定第二过程噪声矩阵中的第一参数,所述第二过程噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个;
将预先设置的第一数值确定为所述第二过程噪声矩阵中的第二参数。
作为一个可选实施例,所述修正参数组包括测量噪声矩阵,所述测量噪声矩阵包括第三参数,所述第三参数为用于表征测量精度的测量噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
获取所述电池的电压采集精度;
将所述电压采集精度确定为第二测量噪声矩阵的第三参数,所述第二测量噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个。
在本实施例中,过程噪声阵是2×2矩阵,其中qSOC为第一参数,/>为第二参数。测量噪声阵R=r是1×1矩阵,r为第三参数。因而,只需要确定qSOC、/>以及r就能够确定过程噪声协方差矩阵Q和测量噪声协方差矩阵R。
由于每一组修正参数都包括一个过程噪声协方差矩阵Q和测量噪声协方差矩阵R,如果利用传统的寻优算法通过卡尔曼滤波来确定合适的qSOC、以及r,需要进行大量的工作量。
示例地,如果这三个参数在一定范围内均取N个值,那么就需要进行N3次测试,所需的工作量较大。为了减少修正参数确定的工作量,可以在利用卡尔曼滤波算法进行寻优之前,先对修正参数做初步的筛选。
具体地,测量噪声主要是测量值不准确所引起的误差,具体指电压采集精度,因此,在R的选取过程中,可以将r选定为电压采集精度。例如,当采集精度为5mV或10mV且电压单位为V时,r设定为0.005或0.01。
此外,由于过程噪声协方差矩阵Q是基于qSOC和确定的,由于/>对SOC修正的影响主要通过增加充电电流,减少残差值进而减小SOC的修正力度,这与qSOC对SOC修正的影响恰好相反。另外,Up值相比U和Ut而言是很小的,而Up的修正值更小。因此,可将/>设为提前确定的固定值,例如0。
综上,影响Q和R的2个参数值被设为固定值,只需优化1个参数值(qSOC),因此极大减少调试工作量。对于qSOC,先在一个较大范围(如10-9~1)内进行取值以确定合适的数量级;后再较小范围(如10-6~10-4)内再次寻优以最终确定最优值。
作为一个可选实施例,所述获取所述电池在第二时刻的第二初始充电状态,包括:
将所述第二实际充电状态和第二数值的乘积确定为所述第二初始充电状态,所述第二数值为大于0且小于2的常数。
在本实施例中,为了使卡尔曼滤波模型在初值有偏差的情况下仍然达到较高的估计精度,可以在第二实际充电状态的基础上设置一些初值误差,作为进行卡尔曼滤波算法的第二初始充电状态。第二数值可以为105%、110%、95%或者90%,以此给定±5%或±10%的初值误差。
基于上述实施例提供的修正参数的确定方法,相应地,本申请还提供了修正参数的确定装置的具体实现方式。请参见以下实施例。
首先参见图3,本申请实施例提供的修正参数的确定装置300包括以下模块:
第一获取模块301,用于获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;
第二获取模块302,用于获取所述电池在第一时刻的第一实际充电状态;
预测模块303,用于基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;
确定模块304,用于基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
设备可以通过获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组,获取电池在第一时刻的第一实际充电状态,基于模型参数和多个修正参数组通过卡尔曼滤波算法预测电池在第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组,基于第二预测充电状态在多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,第二预测充电状态为和第一实际充电状态匹配的第一预测充电状态,卡尔曼滤波模型用于预测电池在动态过程中的充电状态。也就是说,可以通过寻优算法获取多个经过初次筛选的修正参数组,然后基于每一个修正参数组确定一个第一预测充电状态,并将和第一实际充电状态匹配的第一预测充电状态对应的修正参数组确定为后续模型中的第一修正参数组。如此一来,可以保证通过寻优算法得到的第一修正参数组能够较为准确的预测电池动态过程中的充电状态。
作为本申请的一种实现方式,上述预测模块303还可以包括:
第一获取单元,用于获取所述电池在第二时刻的第二初始充电状态,所述第二时刻为所述第一时刻之前的时刻,所述第一时刻和所述第二时刻之间的时间间隔为第一间隔时长;
第二获取单元,用于获取所述第二时刻的第一误差协方差矩阵的测量更新值;
第一确定单元,用于基于所述模型参数和所述第二初始充电状态确定所述第二时刻的第一状态量的测量更新值;
第二确定单元,用于基于第一过程噪声矩阵和所述第一误差协方差矩阵的测量更新值确定所述第一时刻的第二误差协方差矩阵的时间更新值,所述第一过程噪声矩阵为第一修正参数组中的过程噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
第三确定单元,用于基于第一测量噪声矩阵确定第一时刻的卡尔曼增益值,所述第一测量噪声矩阵为第一修正参数组中的测量噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
第四确定单元,用于基于所述第一状态量的测量更新值确定所述电池在第一时刻的第二状态量的时间更新值;
第五确定单元,用于基于所述第二状态量的时间更新值和所述卡尔曼增益值确定所述第二状态量的测量更新值;
第六确定单元,用于基于所述第二误差协方差矩阵的时间更新值和所述卡尔曼增益值确定所述第二误差协方差矩阵的测量更新值;
第七确定单元,用于根据所述第二状态量的测量更新值和所述第二误差协方差矩阵的测量更新值确定所述第一修正参数组对应的第一预测充电状态。
作为本申请的一种实现方式,所述修正参数组包括过程噪声矩阵,所述过程噪声矩阵包括第一参数和第二参数,所述第一参数为用于表征充电状态相关的过程噪声,所述第二参数为用于表征充电电流相关的过程噪声,上述第一获取模块301还可以包括:
第八确定单元,用于确定所述第一参数的数值范围;
寻优单元,用于基于寻优算法在所述数值范围中确定第二过程噪声矩阵中的第一参数,所述第二过程噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个;
第九确定单元,用于将预先设置的第一数值确定为所述第二过程噪声矩阵中的第二参数。
作为本申请的一种实现方式,所述修正参数组包括测量噪声矩阵,所述测量噪声矩阵包括第三参数,所述第三参数为用于表征测量精度的测量噪声,上述第一获取模块301还可以包括:
第三获取单元,用于获取所述电池的电压采集精度;
第十确定单元,用于将所述电压采集精度确定为第二测量噪声矩阵的第三参数,所述第二测量噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个。
作为本申请的一种实现方式,上述第二获取模块302还可以包括:
第四获取单元,用于获取所述电池在第二时刻的第二实际充电状态;
第十一确定单元,用于确定所述第一间隔时长内所述电池的实际电池状态消耗;
第十二确定单元,用于根据所述第二实际充电状态和所述实际电池状态消耗确定所述第一实际充电状态。
作为本申请的一种实现方式,上述第四获取单元还可以用于:
获取所述电池在第二时刻的开路电压;
获取和所述开路电压存在映射关系的第二实际充电状态。
作为本申请的一种实现方式,上述第四获取单元还可以用于:
获取所述电池在第一间隔时长内的电流均值;
获取所述电池的标称容量;
确定所述第一间隔时长和所述电流均值的第一乘积;
将所述第一乘积除以所述标称容量的商确定为所述实际电池状态消耗。
作为本申请的一种实现方式,上述第四获取单元还可以用于:
将所述第二实际充电状态和第二数值的乘积确定为所述第二初始充电状态,所述第二数值为大于0且小于2的常数。
本发明实施例提供的修正参数的确定装置能够实现上述的方法实施例中的各个步骤,为避免重复,这里不再赘述。
图4示出了本申请实施例提供的修正参数的确定设备的硬件结构示意图。
在修正参数的确定设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在综合网关容灾设备的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种修正参数的确定方法。
在一个示例中,修正参数的确定设备还可包括通信接口403和总线410。其中,如图4所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将修正参数的确定设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该修正参数的确定设备可以基于上述实施例,从而实现结合上述的修正参数的确定方法和装置。
另外,结合上述实施例中的修正参数的确定方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种修正参数的确定方法,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,上述计算机可读存储介质可包括非暂态计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等,在此并不限定。
另外,本申请实施例还提供了一种计算机程序产品,包括计算机程序指令,计算机程序指令被处理器执行时可实现前述方法实施例的步骤及相应内容。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种修正参数的确定方法,其特征在于,所述方法包括:
获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;
获取所述电池在第一时刻的第一实际充电状态;
基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;
基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
2.根据权利要求1所述的修正参数的确定方法,其特征在于,所述修正参数组包括过程噪声矩阵和测量噪声矩阵,所述基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,包括:
获取所述电池在第二时刻的第二初始充电状态,所述第二时刻为所述第一时刻之前的时刻,所述第一时刻和所述第二时刻之间的时间间隔为第一间隔时长;
获取所述第二时刻的第一误差协方差矩阵的测量更新值;
基于所述模型参数和所述第二初始充电状态确定所述第二时刻的第一状态量的测量更新值;
基于第一过程噪声矩阵和所述第一误差协方差矩阵的测量更新值确定所述第一时刻的第二误差协方差矩阵的时间更新值,所述第一过程噪声矩阵为第一修正参数组中的过程噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于第一测量噪声矩阵确定第一时刻的卡尔曼增益值,所述第一测量噪声矩阵为第一修正参数组中的测量噪声矩阵,所述第一修正参数组为所述多个修正参数组中的任意一个;
基于所述第一状态量的测量更新值确定所述电池在第一时刻的第二状态量的时间更新值;
基于所述第二状态量的时间更新值和所述卡尔曼增益值确定所述第二状态量的测量更新值;
基于所述第二误差协方差矩阵的时间更新值和所述卡尔曼增益值确定所述第二误差协方差矩阵的测量更新值;
根据所述第二状态量的测量更新值和所述第二误差协方差矩阵的测量更新值确定所述第一修正参数组对应的第一预测充电状态。
3.根据权利要求1所述的修正参数的确定方法,其特征在于,所述修正参数组包括过程噪声矩阵,所述过程噪声矩阵包括第一参数和第二参数,所述第一参数为用于表征充电状态相关的过程噪声,所述第二参数为用于表征充电电流相关的过程噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
确定所述第一参数的数值范围;
基于寻优算法在所述数值范围中确定第二过程噪声矩阵中的第一参数,所述第二过程噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个;
将预先设置的第一数值确定为所述第二过程噪声矩阵中的第二参数。
4.根据权利要求1所述的修正参数的确定方法,其特征在于,所述修正参数组包括测量噪声矩阵,所述测量噪声矩阵包括第三参数,所述第三参数为用于表征测量精度的测量噪声,所述获取卡尔曼滤波算法的多个修正参数组,包括:
获取所述电池的电压采集精度;
将所述电压采集精度确定为第二测量噪声矩阵的第三参数,所述第二测量噪声矩阵为第二修正参数组中的测量噪声矩阵,所述第二修正参数组为所述多个修正参数组中的任意一个。
5.根据权利要求1所述的修正参数的确定方法,其特征在于,所述获取所述电池在第一时刻的第一实际充电状态,包括:
获取所述电池在第二时刻的第二实际充电状态;
确定所述第一间隔时长内所述电池的实际电池状态消耗;
根据所述第二实际充电状态和所述实际电池状态消耗确定所述第一实际充电状态。
6.根据权利要求5所述的修正参数的确定方法,其特征在于,所述获取所述电池在第二时刻的第二实际充电状态,包括:
获取所述电池在第二时刻的开路电压;
获取和所述开路电压存在映射关系的第二实际充电状态。
7.根据权利要求5所述的修正参数的确定方法,其特征在于,所述确定所述第一间隔时长内所述电池的实际电池状态消耗,包括:
获取所述电池在第一间隔时长内的电流均值;
获取所述电池的标称容量;
确定所述第一间隔时长和所述电流均值的第一乘积;
将所述第一乘积除以所述标称容量的商确定为所述实际电池状态消耗。
8.根据权利要求5所述的修正参数的确定方法,其特征在于,所述获取所述电池在第二时刻的第二初始充电状态,包括:
将所述第二实际充电状态和第二数值的乘积确定为所述第二初始充电状态,所述第二数值为大于0且小于2的常数。
9.一种修正参数的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取电池的模型参数,以及获取卡尔曼滤波算法的多个修正参数组;
第二获取模块,用于获取所述电池在第一时刻的第一实际充电状态;
预测模块,用于基于所述模型参数和多个修正参数组通过卡尔曼滤波算法预测所述电池在所述第一时刻的多个第一预测充电状态,其中,每个第一预测充电状态对应一个修正参数组;
确定模块,用于基于第二预测充电状态在所述多个修正参数组中确定卡尔曼滤波模型的第一修正参数组,其中,所述第二预测充电状态为所述多个第一预测充电状态中与所述第一实际充电状态匹配的第一预测充电状态,所述卡尔曼滤波模型用于预测电池在动态过程中的充电状态。
10.一种修正参数的确定设备,其特征在于,所述修正参数的确定设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-8中任一项所述的修正参数的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616260.7A CN117741439A (zh) | 2023-11-29 | 2023-11-29 | 修正参数的确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616260.7A CN117741439A (zh) | 2023-11-29 | 2023-11-29 | 修正参数的确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117741439A true CN117741439A (zh) | 2024-03-22 |
Family
ID=90280350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616260.7A Pending CN117741439A (zh) | 2023-11-29 | 2023-11-29 | 修正参数的确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117741439A (zh) |
-
2023
- 2023-11-29 CN CN202311616260.7A patent/CN117741439A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3745151B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
EP3742181B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
JP4511600B2 (ja) | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 | |
JP6657967B2 (ja) | 状態推定装置、状態推定方法 | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
CN109188293B (zh) | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 | |
CN111707955B (zh) | 电池剩余寿命的估算方法、装置和介质 | |
JP2014074682A (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN111044924B (zh) | 一种全工况电池剩余容量确定方法及*** | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
JP5259190B2 (ja) | ジョイントバッテリー状態とパラメーター推定システム及び方法 | |
CN113296010B (zh) | 一种基于差分电压分析的电池健康状态在线评估方法 | |
CN110726937A (zh) | 用于确定状态噪声协方差矩阵的方法和相应设备 | |
CN116559693A (zh) | 一种电池soc评估方法、装置、电子设备及存储介质 | |
CN107728074A (zh) | 一种考虑传感器与模型误差的锂电池荷电状态估计方法 | |
CN116990691A (zh) | 一种电池剩余满充时间的评估方法、装置、设备和介质 | |
CN111239608A (zh) | 基于扩展卡尔曼滤波的电池soc估算方法及装置 | |
CN116794518A (zh) | 一种退役锂电池的荷电状态预测方法及*** |
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 |