CN102169168A - 一种基于粒子滤波的电池剩余电量估计方法 - Google Patents

一种基于粒子滤波的电池剩余电量估计方法 Download PDF

Info

Publication number
CN102169168A
CN102169168A CN2011101274880A CN201110127488A CN102169168A CN 102169168 A CN102169168 A CN 102169168A CN 2011101274880 A CN2011101274880 A CN 2011101274880A CN 201110127488 A CN201110127488 A CN 201110127488A CN 102169168 A CN102169168 A CN 102169168A
Authority
CN
China
Prior art keywords
battery
constantly
discharge
estimation
particle
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
Application number
CN2011101274880A
Other languages
English (en)
Other versions
CN102169168B (zh
Inventor
何志伟
高明煜
曾毓
黄继业
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN 201110127488 priority Critical patent/CN102169168B/zh
Publication of CN102169168A publication Critical patent/CN102169168A/zh
Application granted granted Critical
Publication of CN102169168B publication Critical patent/CN102169168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于粒子滤波的电池剩余电量估计方法。现有方法不能满足在线检测要求，并且精度差。本发明方法首先测量在
Figure 2011101274880100004DEST_PATH_IMAGE002
时刻的电池端电压
Figure 2011101274880100004DEST_PATH_IMAGE004
和电池供电电流
Figure DEST_PATH_IMAGE006
，然后用状态方程和观测方程表示电池的各个时刻的荷电状态，再执行初始化过程，采用粒子滤波算法进行循环递推，递推所得到的状态估计值
Figure DEST_PATH_IMAGE008
即为当前时刻

Description

一种基于粒子滤波的电池剩余电量估计方法
技术领域
本发明属于电池技术领域，具体涉及一种基于粒子滤波的电池剩余电量快速估计方法。
背景技术
电池作为备用电源已在通讯、电力系统、军事装备等领域得到了广泛的应用。同传统燃油汽车相比，电动汽车可实现零排放，因此是未来汽车的主要发展方向。在电动汽车中电池直接作为主动能量供给部件，因此其工作状态的好坏直接关系到整个汽车的行驶安全性和运行可靠性。为确保电动汽车中的电池组性能良好，延长电池组使用寿命，须及时、准确地了解电池的运行状态，对电池进行合理有效的管理和控制。
电池荷电状态（State of Charge，以下简称SOC）的精确估算是电池能量管理系统中最核心的技术。电池的SOC无法用一种传感器直接测得，它必须通过对一些其他物理量的测量，并采用一定的数学模型和算法来估计得到。
目前常用的电池SOC估计方法有开路电压法、安时法等。开路电压法进行电池SOC估计时电池必须静置较长时间以达到稳定状态，而且只适用于电动汽车在停车状态下的SOC估计，不能满足在线检测要求。安时法易受到电流测量精度的影响，在高温或电流波动剧烈情况下，精度很差。
发明内容
本发明的目的就是克服现有技术的不足，提出一种基于粒子滤波的电池剩余电量快速估计方法，可以适用于所有电池，且估计精度较高。
本发明的电池剩余电量快速估计方法，具体步骤是：
步骤(1)测量在                                                
Figure 2011101274880100002DEST_PATH_IMAGE001
时刻的电池端电压
Figure 506535DEST_PATH_IMAGE002
和电池供电电流。
步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：
状态方程：
观测方程：
Figure 478088DEST_PATH_IMAGE006
其中
Figure 2011101274880100002DEST_PATH_IMAGE007
为电池的荷电状态（State of Charge, SOC），即剩余电量；为电池的放电比例系数，反映的是放电速率、温度、自放电、老化等因素对电池SOC的影响程度；
Figure 2011101274880100002DEST_PATH_IMAGE009
是电池在室温25
Figure 27591DEST_PATH_IMAGE010
条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，
Figure 2011101274880100002DEST_PATH_IMAGE011
是测量时间间隔，
Figure 829194DEST_PATH_IMAGE012
为处理噪声。
Figure 2011101274880100002DEST_PATH_IMAGE013
、、
Figure 2011101274880100002DEST_PATH_IMAGE015
、
Figure 267839DEST_PATH_IMAGE016
、为常数，
Figure 599463DEST_PATH_IMAGE018
，
Figure 2011101274880100002DEST_PATH_IMAGE019
为电池观测模型的参数，是一个列向量，对同类型的电池它们是不变的；
Figure 775230DEST_PATH_IMAGE020
为电池的内阻，为观测噪声。
放电比例系数的确定方法为：
(a)将完全充满电的电池以不同放电速率
Figure 174036DEST_PATH_IMAGE022
（，
Figure 640394DEST_PATH_IMAGE024
为电池的额定放电电流）恒流放电次，计算相应放电速率下的电池总电量，。
(b)根据最小二乘方法拟合出
Figure 258643DEST_PATH_IMAGE026
与
Figure 348959DEST_PATH_IMAGE022
间的二次曲线关系，即在最小均方误差准则下求出同时满足， 为最优系数。
(c)在放电电流为时，对应的放电比例系数
Figure 10251DEST_PATH_IMAGE008
为：
Figure 576361DEST_PATH_IMAGE030
此处，最优系数对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。
电池的内阻
Figure 303850DEST_PATH_IMAGE020
以及常数
Figure 487707DEST_PATH_IMAGE013
、、
Figure 76000DEST_PATH_IMAGE015
、
Figure 873055DEST_PATH_IMAGE016
、的确定方法为：
(d) 在室温25
Figure 452121DEST_PATH_IMAGE010
条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；
(e) 在放电过程中以时间间隔
Figure 462802DEST_PATH_IMAGE011
测量电池在
Figure 2011101274880100002DEST_PATH_IMAGE031
时刻的端电压
Figure 493075DEST_PATH_IMAGE032
，，其中对应电池充满后的起始放电时刻，对应电池电量耗尽的终止时刻。
(f) 计算时刻的剩余电量。
(g) 记
Figure 2011101274880100002DEST_PATH_IMAGE037
，
Figure 822633DEST_PATH_IMAGE038
， 
Figure 2011101274880100002DEST_PATH_IMAGE039
则
Figure 202798DEST_PATH_IMAGE040
，也就得到内阻
Figure 780410DEST_PATH_IMAGE020
以及常数
Figure 765684DEST_PATH_IMAGE013
、
Figure 75442DEST_PATH_IMAGE014
、
Figure 942904DEST_PATH_IMAGE015
、
Figure 996311DEST_PATH_IMAGE016
、
Figure 898408DEST_PATH_IMAGE017
。
对同一类型的电池，这些参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。
步骤(3)执行如下初始化过程：
①粒子数目为：；
②初始粒子均值和方差分别为：，
③从均值为
Figure 740669DEST_PATH_IMAGE043
、方差为
Figure 2011101274880100002DEST_PATH_IMAGE047
的高斯分布中产生
Figure 392231DEST_PATH_IMAGE041
个粒子，即
Figure 2011101274880100002DEST_PATH_IMAGE049
，其中为均值为0、方差为
Figure 506183DEST_PATH_IMAGE044
的高斯随机数；
④初始粒子重要性权重为：
⑤处理噪声
Figure 720313DEST_PATH_IMAGE012
的方差
Figure 2011101274880100002DEST_PATH_IMAGE053
和观测噪声
Figure 981530DEST_PATH_IMAGE021
的方差
Figure 650408DEST_PATH_IMAGE054
分别为：,
步骤(4)采用粒子滤波算法进行循环递推：
在时刻，根据测得的电池端电压
Figure 525326DEST_PATH_IMAGE002
及电池的供电电流，按下列各式进行递推计算：
①根据时刻的粒子
Figure 328822DEST_PATH_IMAGE058
，基于高斯分布
Figure 2011101274880100002DEST_PATH_IMAGE059
，产生时刻的
Figure 173467DEST_PATH_IMAGE041
个粒子，即=
Figure 2011101274880100002DEST_PATH_IMAGE063
，其中为均值为0、方差为
Figure 2011101274880100002DEST_PATH_IMAGE065
的高斯随机数；
②基于时刻的粒子，进行其最大似然值
Figure 441506DEST_PATH_IMAGE066
的计算：
；
③基于最大似然值
Figure 275470DEST_PATH_IMAGE068
和时刻粒子重要性权重
Figure 2011101274880100002DEST_PATH_IMAGE069
，计算
Figure 236177DEST_PATH_IMAGE060
时刻的粒子重要性权重：
；
④对粒子重要性权重进行归一化处理：
Figure 93777DEST_PATH_IMAGE072
；
⑤计算
Figure 779974DEST_PATH_IMAGE060
时刻的状态估计值；
递推所得到的状态估计值
Figure 49281DEST_PATH_IMAGE074
即为当前时刻
Figure 225047DEST_PATH_IMAGE001
所估计得到的电池剩余电量。整个循环递推过程是在线完成的，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。
本发明可以方便地进行电池SOC的快速估计，该方法收敛速度快，估计精度高，而且适用于各种电池SOC的快速估计。
根据本发明的第一方面，公开了一种用于快速估计电池剩余电量的粒子滤波方法所依赖的测量量，分别为电池的端电压和电池的供电电流。
根据本发明的第二方面，公开了一种用于快速估计电池剩余电量的粒子滤波的状态方程和观测方程。其中观测方程中电池模型参数通过最小二乘法确定。
根据本发明的第三方面，公开了一种用于快速估计电池SOC的粒子滤波所依赖的初始值。包括粒子数目，初始粒子，初始粒子重要性权重、处理噪声及观察噪声的方差。其中，初始粒子的均值和方差不必很准确，在粒子滤波的后续迭代过程中它们会很快收敛到真实值附近；另外，一般来说，粒子数目越多估计精度越高，但会增加计算量。
根据本发明的第四方面，公开了一种应用粒子滤波进行电池SOC快速估计的具体流程。主要包括：粒子的迭代产生，粒子的重要性权重的更新，以及SOC的估计等。
具体实施方式
基于粒子滤波的电池剩余电量估计方法的具体步骤是：
步骤(1)测量在
Figure 150278DEST_PATH_IMAGE001
时刻的电池端电压
Figure 436903DEST_PATH_IMAGE002
和电池供电电流。
步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：
状态方程：
Figure 257594DEST_PATH_IMAGE005
观测方程：
其中
Figure 467176DEST_PATH_IMAGE007
为电池的荷电状态（State of Charge, SOC），即剩余电量；
Figure 987675DEST_PATH_IMAGE008
为电池的放电比例系数，反映的是放电速率、温度、自放电、老化等因素对电池SOC的影响程度；是电池在室温25
Figure 250346DEST_PATH_IMAGE010
条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，
Figure 552014DEST_PATH_IMAGE011
是测量时间间隔，
Figure 240484DEST_PATH_IMAGE012
为处理噪声。、、
Figure 950317DEST_PATH_IMAGE015
、
Figure 747372DEST_PATH_IMAGE016
、
Figure 418525DEST_PATH_IMAGE017
为常数，
Figure 326438DEST_PATH_IMAGE018
，
Figure 337119DEST_PATH_IMAGE019
为电池观测模型的参数，是一个列向量，对同类型的电池它们是不变的；
Figure 367392DEST_PATH_IMAGE020
为电池的内阻，
Figure 463524DEST_PATH_IMAGE021
为观测噪声。
放电比例系数的确定方法为：
(a)将完全充满电的电池以不同放电速率
Figure 102633DEST_PATH_IMAGE022
（，为电池的额定放电电流）恒流放电次，计算相应放电速率下的电池总电量
Figure 765901DEST_PATH_IMAGE026
，。
(b)根据最小二乘方法拟合出
Figure 208701DEST_PATH_IMAGE026
与
Figure 262108DEST_PATH_IMAGE022
间的二次曲线关系，即在最小均方误差准则下求出同时满足
Figure 101888DEST_PATH_IMAGE028
， 为最优系数。
(c)在放电电流为时，对应的放电比例系数为：
Figure 551006DEST_PATH_IMAGE030
此处，最优系数对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。
电池的内阻
Figure 310201DEST_PATH_IMAGE020
以及常数
Figure 705410DEST_PATH_IMAGE013
、
Figure 519782DEST_PATH_IMAGE014
、
Figure 404562DEST_PATH_IMAGE015
、
Figure 671595DEST_PATH_IMAGE016
、
Figure 932812DEST_PATH_IMAGE017
的确定方法为：
(d) 在室温25条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；
(e) 在放电过程中以时间间隔
Figure 595055DEST_PATH_IMAGE011
测量电池在
Figure 414631DEST_PATH_IMAGE031
时刻的端电压
Figure 151643DEST_PATH_IMAGE032
，，其中对应电池充满后的起始放电时刻，对应电池电量耗尽的终止时刻。
(f) 计算
Figure 746255DEST_PATH_IMAGE031
时刻的剩余电量。
(g) 记
Figure 724892DEST_PATH_IMAGE037
，
Figure 516131DEST_PATH_IMAGE038
， 
Figure 594945DEST_PATH_IMAGE039
则
Figure 155240DEST_PATH_IMAGE040
，也就得到内阻
Figure 926886DEST_PATH_IMAGE020
以及常数
Figure 877525DEST_PATH_IMAGE013
、
Figure 822347DEST_PATH_IMAGE014
、
Figure 174831DEST_PATH_IMAGE015
、
Figure 117379DEST_PATH_IMAGE016
、
Figure 617631DEST_PATH_IMAGE017
。
对同一类型的电池，这些参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。
步骤(3)执行如下初始化过程：
①粒子数目
Figure 38248DEST_PATH_IMAGE041
为：；
②初始粒子均值
Figure 686584DEST_PATH_IMAGE043
和方差
Figure 611815DEST_PATH_IMAGE044
分别为：，
③从均值为
Figure 235498DEST_PATH_IMAGE043
、方差为
Figure 710342DEST_PATH_IMAGE047
的高斯分布中产生
Figure 738341DEST_PATH_IMAGE041
个粒子，即
Figure 171913DEST_PATH_IMAGE049
，其中为均值为0、方差为
Figure 700163DEST_PATH_IMAGE044
的高斯随机数
④初始粒子重要性权重为：；
⑤处理噪声的方差
Figure 181643DEST_PATH_IMAGE053
和观测噪声
Figure 72239DEST_PATH_IMAGE021
的方差
Figure 931610DEST_PATH_IMAGE054
分别为：,
步骤(4)采用粒子滤波算法进行循环递推：
在时刻，根据测得的电池端电压
Figure 754893DEST_PATH_IMAGE002
及电池的供电电流，按下列各式进行递推计算：
①根据时刻的粒子
Figure 490134DEST_PATH_IMAGE058
，基于高斯分布
Figure 694238DEST_PATH_IMAGE059
，产生
Figure 277666DEST_PATH_IMAGE060
时刻的
Figure 527381DEST_PATH_IMAGE041
个粒子，即
Figure 884730DEST_PATH_IMAGE062
=
Figure 955455DEST_PATH_IMAGE063
，其中为均值为0、方差为的高斯随机数；
②基于
Figure 453935DEST_PATH_IMAGE060
时刻的粒子，进行其最大似然值
Figure 603474DEST_PATH_IMAGE066
的计算：
Figure 360077DEST_PATH_IMAGE067
；
③基于最大似然值和时刻粒子重要性权重
Figure 514481DEST_PATH_IMAGE069
，计算时刻的粒子重要性权重：
④对粒子重要性权重进行归一化处理：
Figure 145182DEST_PATH_IMAGE072
；
⑤计算
Figure 404125DEST_PATH_IMAGE060
时刻的状态估计值；
递推所得到的状态估计值即为当前时刻
Figure 484098DEST_PATH_IMAGE001
所估计得到的电池剩余电量。整个循环递推过程是在线完成的，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。

Claims (1)

1.一种基于粒子滤波的电池剩余电量估计方法，其特征在于该方法包括如下步骤：
步骤(1)测量在                                                
Figure 2011101274880100001DEST_PATH_IMAGE001
时刻的电池端电压
Figure 699036DEST_PATH_IMAGE002
和电池供电电流，；
步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：
状态方程：
观测方程：
Figure 462779DEST_PATH_IMAGE006
其中为电池的荷电状态，即剩余电量；
Figure 666882DEST_PATH_IMAGE008
为电池的放电比例系数，反映的是放电速率、温度、自放电、老化因素对电池SOC的影响程度；
Figure 2011101274880100001DEST_PATH_IMAGE009
是电池在室温25条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，是测量时间间隔，
Figure 624660DEST_PATH_IMAGE012
为处理噪声；
Figure 2011101274880100001DEST_PATH_IMAGE013
、
Figure 672250DEST_PATH_IMAGE014
、
Figure 2011101274880100001DEST_PATH_IMAGE015
、
Figure 106643DEST_PATH_IMAGE016
、
Figure 2011101274880100001DEST_PATH_IMAGE017
为常数，
Figure 239684DEST_PATH_IMAGE018
，为电池观测模型的参数，是一个列向量，对同类型的电池它们是不变的；
Figure 355407DEST_PATH_IMAGE020
为电池的内阻，
Figure 2011101274880100001DEST_PATH_IMAGE021
为观测噪声；
放电比例系数
Figure 260434DEST_PATH_IMAGE008
的确定方法为：
(a)将完全充满电的电池以不同放电速率
Figure 803411DEST_PATH_IMAGE022
恒流放电
Figure 2011101274880100001DEST_PATH_IMAGE023
次，计算相应放电速率下的电池总电量
Figure 158169DEST_PATH_IMAGE024
，，，，为电池的额定放电电流；
(b)根据最小二乘方法拟合出
Figure 548065DEST_PATH_IMAGE024
与
Figure 593381DEST_PATH_IMAGE022
间的二次曲线关系，即在最小均方误差准则下求出同时满足
Figure 2011101274880100001DEST_PATH_IMAGE029
，为最优系数；
(c)在放电电流为时，对应的放电比例系数
Figure 750059DEST_PATH_IMAGE008
为：
       
此处最优系数对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计；
电池的内阻
Figure 15660DEST_PATH_IMAGE020
以及常数
Figure 684539DEST_PATH_IMAGE013
、、
Figure 494549DEST_PATH_IMAGE015
、、
Figure 82842DEST_PATH_IMAGE017
的确定方法为：
(d) 在室温25
Figure 247107DEST_PATH_IMAGE010
条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；
(e)在放电过程中以时间间隔
Figure 551049DEST_PATH_IMAGE011
测量电池在
Figure 91752DEST_PATH_IMAGE032
时刻的端电压
Figure 2011101274880100001DEST_PATH_IMAGE033
，，其中对应电池充满后的起始放电时刻，对应电池电量耗尽的终止时刻；
(f)计算时刻的剩余电量；
(g)记
Figure 127393DEST_PATH_IMAGE038
，， 
Figure 702336DEST_PATH_IMAGE040
则
Figure 2011101274880100001DEST_PATH_IMAGE041
，也就得到内阻
Figure 270720DEST_PATH_IMAGE020
以及常数
Figure 486938DEST_PATH_IMAGE013
、
Figure 431760DEST_PATH_IMAGE014
、
Figure 784244DEST_PATH_IMAGE015
、
Figure 461213DEST_PATH_IMAGE016
、
Figure 961465DEST_PATH_IMAGE017
；
对同一类型的电池，参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计；
步骤(3)执行如下初始化过程：
①粒子数目
Figure 647661DEST_PATH_IMAGE042
为：；
②初始粒子均值
Figure 916968DEST_PATH_IMAGE044
和方差
Figure 2011101274880100001DEST_PATH_IMAGE045
分别为：，；
③从均值为、方差为
Figure 494471DEST_PATH_IMAGE048
的高斯分布中产生
Figure 883864DEST_PATH_IMAGE042
个粒子，即
Figure 230531DEST_PATH_IMAGE050
，其中为均值为0、方差为的高斯随机数；
④初始粒子重要性权重为：
⑤处理噪声
Figure 774011DEST_PATH_IMAGE012
的方差和观测噪声
Figure 191403DEST_PATH_IMAGE021
的方差分别为：，；
步骤(4)采用粒子滤波算法进行循环递推：
在时刻，根据测得的电池端电压
Figure 609636DEST_PATH_IMAGE002
及电池的供电电流，按下列各式进行递推计算：
①根据时刻的粒子
Figure DEST_PATH_IMAGE059
，基于高斯分布，产生
Figure DEST_PATH_IMAGE061
时刻的
Figure 357003DEST_PATH_IMAGE042
个粒子，即
Figure DEST_PATH_IMAGE063
=
Figure 938998DEST_PATH_IMAGE064
，其中为均值为0、方差为
Figure 11996DEST_PATH_IMAGE066
的高斯随机数；
②基于
Figure 42269DEST_PATH_IMAGE061
时刻的粒子，进行其最大似然值
Figure DEST_PATH_IMAGE067
的计算：
Figure 974639DEST_PATH_IMAGE068
；
③基于最大似然值
Figure 2011101274880100001DEST_PATH_IMAGE069
和时刻粒子重要性权重，计算
Figure 686746DEST_PATH_IMAGE061
时刻的粒子重要性权重：
；
④对粒子重要性权重进行归一化处理：
Figure DEST_PATH_IMAGE073
；
⑤计算
Figure 686954DEST_PATH_IMAGE061
时刻的状态估计值；
递推所得到的状态估计值
Figure 2011101274880100001DEST_PATH_IMAGE075
即为当前时刻
Figure 670139DEST_PATH_IMAGE001
所估计得到的电池剩余电量；整个循环递推过程是在线完成的，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。
CN 201110127488 2011-05-17 2011-05-17 一种基于粒子滤波的电池剩余电量估计方法 Active CN102169168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110127488 CN102169168B (zh) 2011-05-17 2011-05-17 一种基于粒子滤波的电池剩余电量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110127488 CN102169168B (zh) 2011-05-17 2011-05-17 一种基于粒子滤波的电池剩余电量估计方法

Publications (2)

Publication Number Publication Date
CN102169168A true CN102169168A (zh) 2011-08-31
CN102169168B CN102169168B (zh) 2013-04-24

Family

ID=44490400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110127488 Active CN102169168B (zh) 2011-05-17 2011-05-17 一种基于粒子滤波的电池剩余电量估计方法

Country Status (1)

Country Link
CN (1) CN102169168B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102798823A (zh) * 2012-06-15 2012-11-28 哈尔滨工业大学 基于高斯过程回归的锂电池健康状况预测方法
CN103389469A (zh) * 2012-05-08 2013-11-13 通用汽车环球科技运作有限责任公司 使用鲁棒h∞观测器的电池荷电状态估计器
CN103389468A (zh) * 2012-05-08 2013-11-13 通用汽车环球科技运作有限责任公司 电池荷电状态观测器
CN103424712A (zh) * 2013-08-16 2013-12-04 江苏欧力特能源科技有限公司 基于粒子群优化的电池剩余容量在线测量方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
CN106154168A (zh) * 2016-04-01 2016-11-23 储盈新能源科技（上海）有限公司 数据驱动的动力电池荷电状态估计方法
CN106908728A (zh) * 2017-01-16 2017-06-30 电子科技大学 一种基于极大似然估计的soc优化方法
CN107367698A (zh) * 2017-08-25 2017-11-21 北京交通大学 电动汽车锂电池组的健康状态预测方法
CN110118936A (zh) * 2019-05-06 2019-08-13 杭州电子科技大学 一种基于ehf的电池剩余电量估计方法
CN110376534A (zh) * 2018-09-25 2019-10-25 安徽贵博新能科技有限公司 一种基于pf算法的电池动力系统soc估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070046292A1 (en) * 2005-08-23 2007-03-01 Plett Gregory L System and method for estimating a state vector associated with a battery
CN101598769A (zh) * 2009-06-29 2009-12-09 杭州电子科技大学 一种基于采样点卡尔曼滤波的电池剩余电量估计方法
CN102024999A (zh) * 2010-11-16 2011-04-20 上海交通大学 电动车行动力管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070046292A1 (en) * 2005-08-23 2007-03-01 Plett Gregory L System and method for estimating a state vector associated with a battery
CN101248365A (zh) * 2005-08-23 2008-08-20 Lg化学株式会社 估算与电池相关的状态向量的系统和方法
CN101598769A (zh) * 2009-06-29 2009-12-09 杭州电子科技大学 一种基于采样点卡尔曼滤波的电池剩余电量估计方法
CN102024999A (zh) * 2010-11-16 2011-04-20 上海交通大学 电动车行动力管理系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BHASKAR SAHA,ECT: "Prognostics methods for battery health monitoring using a Bayesian framework", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 58, no. 2, 28 February 2009 (2009-02-28), XP011236769, DOI: doi:10.1109/TIM.2008.2005965 *
MANZAR ABBAS,ECT: "An intelligent diagnostic/prognostic framework for automotive electrical systems", 《PROCEEDINGS OF THE 2007 IEEE INTELLIGENT VEHICLES SYMPOSIUM》, 15 June 2007 (2007-06-15), pages 352 - 357, XP031126969 *
张巍: "纯电动汽车电池管理系统的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 8, 15 August 2008 (2008-08-15) *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103389469B (zh) * 2012-05-08 2017-05-17 通用汽车环球科技运作有限责任公司 在电池连接到多个负载的同时确定电池的荷电状态的方法
CN103389469A (zh) * 2012-05-08 2013-11-13 通用汽车环球科技运作有限责任公司 使用鲁棒h∞观测器的电池荷电状态估计器
CN103389468A (zh) * 2012-05-08 2013-11-13 通用汽车环球科技运作有限责任公司 电池荷电状态观测器
CN103389468B (zh) * 2012-05-08 2016-03-02 通用汽车环球科技运作有限责任公司 一种在线确定电池荷电状态的方法和系统
CN102798823A (zh) * 2012-06-15 2012-11-28 哈尔滨工业大学 基于高斯过程回归的锂电池健康状况预测方法
CN103424712A (zh) * 2013-08-16 2013-12-04 江苏欧力特能源科技有限公司 基于粒子群优化的电池剩余容量在线测量方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
CN106154168A (zh) * 2016-04-01 2016-11-23 储盈新能源科技（上海）有限公司 数据驱动的动力电池荷电状态估计方法
CN106154168B (zh) * 2016-04-01 2019-03-05 储盈新能源科技（上海）有限公司 数据驱动的动力电池荷电状态估计方法
CN106908728A (zh) * 2017-01-16 2017-06-30 电子科技大学 一种基于极大似然估计的soc优化方法
CN107367698A (zh) * 2017-08-25 2017-11-21 北京交通大学 电动汽车锂电池组的健康状态预测方法
CN107367698B (zh) * 2017-08-25 2019-08-30 北京交通大学 电动汽车锂电池组的健康状态预测方法
CN110376534A (zh) * 2018-09-25 2019-10-25 安徽贵博新能科技有限公司 一种基于pf算法的电池动力系统soc估算方法
CN110118936A (zh) * 2019-05-06 2019-08-13 杭州电子科技大学 一种基于ehf的电池剩余电量估计方法

Also Published As

Publication number Publication date
CN102169168B (zh) 2013-04-24

Similar Documents

Publication Publication Date Title
CN102169168B (zh) 一种基于粒子滤波的电池剩余电量估计方法
CN101625397B (zh) 一种电池剩余电量的混合快速估计方法
CN101598769B (zh) 一种基于采样点卡尔曼滤波的电池剩余电量估计方法
CN101604005B (zh) 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法
CN102289557B (zh) 一种电池模型参数与剩余电量联合异步在线估计方法
CN105425153B (zh) 一种估计电动车辆的动力电池的荷电状态的方法
CN109633479B (zh) 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法
CN105717460B (zh) 一种基于非线性观测器的动力电池soc估计方法和系统
CN107390127A (zh) 一种soc估算方法
CN107656210A (zh) 一种估算电池电量状态的方法
CN106772081B (zh) 基于扩展等效电路模型的电池极限充放电电流估计方法
CN109633473B (zh) 一种分布式电池组荷电状态估计算法
CN105699910A (zh) 一种锂电池剩余电量在线估计方法
CN105425154A (zh) 一种估计电动汽车的动力电池组的荷电状态的方法
CN105319508A (zh) 用于电池荷电状态估计的方法和系统
CN111707953A (zh) 一种基于后向平滑滤波框架的锂电池soc在线估计方法
CN102298118A (zh) 一种电池模型参数与剩余电量联合同步在线估计方法
CN104502847A (zh) 一种电动汽车动力电池soh的预估方法
Purwadi et al. State of Charge estimation method for lithium battery using combination of Coulomb Counting and Adaptive System with considering the effect of temperature
CN105353312A (zh) 一种动力电池soc的预测方法
CN109375111A (zh) 一种基于uhf的电池剩余电量估计方法
CN103278777A (zh) 一种基于动态贝叶斯网络的锂电池健康状况估计方法
CN108693483A (zh) 一种电池包荷电状态的计算方法及系统
CN104733789A (zh) 一种锂离子电池内部温度的估算方法
CN109116260A (zh) 一种锂原电池低电量的提示方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20110831

Assignee: Soyea Technology Co., Ltd.

Assignor: Hangzhou Electronic Science and Technology Univ

Contract record no.: X2019330000056

Denomination of invention: Battery dump energy estimation method based on particle filtering

Granted publication date: 20130424

License type: Common License

Record date: 20191226