CN102998629A - 一种锂电池荷电状态的估计方法 - Google Patents
一种锂电池荷电状态的估计方法 Download PDFInfo
- Publication number
- CN102998629A CN102998629A CN2012105707753A CN201210570775A CN102998629A CN 102998629 A CN102998629 A CN 102998629A CN 2012105707753 A CN2012105707753 A CN 2012105707753A CN 201210570775 A CN201210570775 A CN 201210570775A CN 102998629 A CN102998629 A CN 102998629A
- Authority
- CN
- China
- Prior art keywords
- state
- value
- factor
- fading factor
- residual error
- 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
Images
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池荷电状态的估计方法,步骤一、根据系统状态初值以及状态方程进行荷电状态估计;步骤二、计算测量值与估计值的残差,从而计算渐消因子;步骤三、计算时变渐消因子;步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值;步骤五、得到渐消因子新值,进而求得增益矩阵;步骤六、更新荷电估计状态;步骤七、通过自适应滤波算法估计测量噪声协方差矩阵。与现有技术相比,本发明通过强跟踪滤波器算法以及对其的改进,能够根据实际情况更新测量噪声和渐消因子,与传统卡尔曼滤波器算法相比,能够有效提高锂电池荷电状态的估计精度,增强算法的跟踪性和自适应性。
Description
技术领域
本发明锂电池荷电状态预测技术,特别是涉及一种在锂电池实际应用过程中对其荷电状态进行估计的方法。
背景技术
由于面临能源和环境的压力,锂电池以其高能量密度、使用寿命长、绿色环保等优点成为目前最具潜力的储能装置。而锂电池的荷电状态估计,是对电池进行有效管理的前提和关键。目前,常见的电池荷电状态估计方法有:开路电压法、安时计量法、神经网络、卡尔曼滤波法和扩展卡尔曼滤波法。
其中,卡尔曼滤波算法是最常用的荷电状态估计方法,但其在模型参数不确定的情况下鲁棒性很差,并且,对突变状态的跟踪能力不佳。该算法要求测量噪声统计特性是已知的,但是大多数应用问题中噪声统计特性是未知的,若根据错误的噪声统计特性设计滤波器将使滤波器的误差增大,甚至使滤波器发散。
并且由于锂电池的电池模型是个非线性系统,其中电池的开路电压和电池荷电状态呈非线性关系,因此扩展卡尔曼滤波算法在卡尔曼滤波算法的基础上,对非线性方程进行线性化处理,可以适用于非线性系统。当模型参数与过程参数精确匹配或基本匹配时,只要初始值选择适当,滤波过程可渐进收敛并得到状态的近似无偏估计值。然而,当模型参数不匹配或存在较大偏差时,扩展卡尔曼滤波算法的估计精度会大大下降甚至发散。
发明内容
为克服现有技术的不足,本发明提出一种锂电池荷电状态的估计方法,针对锂电池模型不确定性以及测量噪声统计特性未知的情况,将强跟踪滤波器算法与自适应滤波算法进行结合,应用现场可编程门阵列(FPGA)或者数字信号处理器(DSP)实现融合算法,在估计荷电状态的同时利用观测数据的信息不断地在线修正噪声统计特性,从而提高锂电池荷电状态的估算精度,增强估计算法的鲁棒性和自适应性。
本发明提出了一种锂电池荷电状态的估计方法,通过建立锂电池数学模型,得到系统状态方程以及量测方程形如:
其中,X(k+1)是系统在k+1时刻的状态,U(k+1)是k+1时刻对系统的控制函数,Z(k+1)是系统的观测变量,W(k+1)和V(k+1)分别表示过程和测量的噪声。A,B为系统参数,H为测量系统的参数,反映状态变量对测量变量的影响,其特征在于,该方法包括以下步骤:
步骤一、根据系统状态初值以及状态方程进行荷电状态估计;
步骤二、计算测量值与估计值的残差,从而计算渐消因子;
步骤三、计算时变渐消因子λ(k+1);
其中
N(k+1)=S0(k+1)-H·Q(k)·HT-βR(k+1)
M(k+1)=H·A·P(k|k)·AT·HT
γ(k+1)为残差值,P(k|k)是对应状态X(k k)的协方差矩阵,Q(k)是系统的过程噪声参数,R(k+1)为系统的观测噪声协方差矩阵,ρ为遗忘因子,β≥1为弱化因子;
步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值;
渐消因子调整值由模糊控制算法得到,模糊控制规则如下:
(1)残差差值较小,调整因子增大,残差差值较大,调整因子减小;
(2)残差增大,调整因子增大;
(3)电流增大,调整因子增大;
其中,残差值为γ(k+1),残差差值为γ(k+1)-γ(k),由模糊控制算法得到的渐消因子调整值为Δλ;
步骤五、得到渐消因子新值,进而求得增益矩阵;
渐消因子的新值为λn(k+1)=λ(k+1)+Δλ
P(k+1|k)=λn(k+1)·A·P(k|k)·AT+Q(k)
K(k+1)=P(k+1|k)·HT·[H·P(k+1|k)·HT+R(k+1)]-1
其中,P(k+1|k)为更新的协方差矩阵,K(k+1)为增益矩阵。
步骤六、更新荷电估计状态;
步骤七、通过自适应滤波算法估计测量噪声协方差矩阵;
c1=H·P(k+1|k)·HT+R(k+1)
c=S2(k)/c1;
R(k+2)=c·R(k+1)
其中,S2(k)为实际噪声方差,c1为理论噪声方差,R(k+1)为原测量噪声协方差矩阵,R(k+2)为更新后的测量噪声协方差矩阵。
与现有技术相比,本发明通过强跟踪滤波器算法以及对其的改进,能够根据实际情况更新测量噪声和渐消因子,与传统卡尔曼滤波器算法相比,能够有效提高锂电池荷电状态的估计精度,增强算法的跟踪性和自适应性。
附图说明
图1是本发明的锂电池荷电状态的估计方法流程图;
图2是本发明的锂电池荷电状态的估计方法的具体实施系统的结构示意图。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细描述,这些实施方式若存在示例性的内容,不应解释成对本发明的限制。
针对锂电池模型不确定性以及测量噪声统计特性未知的情况,将强跟踪滤波器算法与自适应滤波算法进行结合,应用现场可编程门阵列(FPGA)或者数字信号处理器(DSP)实现融合算法,在估计荷电状态的同时利用观测数据的信息不断地在线修正噪声统计特性,从而提高锂电池荷电状态的估算精度,增强估计算法的鲁棒性和自适应性。
强跟踪滤波器较卡尔曼滤波器有以下优点:(1)对模型不确定性具有较强的鲁棒性;(2)对突变状态的跟踪能力强;(3)适中的计算复杂度。
在建立锂电池数学模型的基础上,本发明利用强跟踪滤波器算法进行状态估计,在状态估计的同时加入对渐消因子的自适应调整和对测量噪声的估计。
如图2所示,为本方法的实现系统举例,其系统结构包括现场可编程门阵列/数字信号处理器控制芯片、液晶显示模块、模数转换以及采集电路。在核心控制芯片中,实现电池荷电状态估计算法、充放电电路的控制、液晶显示时序控制、以及对电池各参数量的采集控制。锂电池的电压、电流、温度通过采集电路以及模数转换电路进入控制芯片,从而运行电池荷电状态估计算法,得到各单体电池的荷电状态值,并将电池实时状态显示在液晶屏上。从而实现了电池的荷电状态估计和实时监控。与此同时,通过实际要求控制充放电电路,优化电池组系统性能,保证系统工作的安全性和可靠性。
Claims (1)
1.一种锂电池荷电状态的估计方法,通过建立锂电池数学模型,得到系统状态方程以及量测方程形如:
其中,X(k+1)是系统在k+1时刻的状态,U(k+1)是k+1时刻对系统的控制函数,Z(k+1)是系统的观测变量,W(k+1)和V(k+1)分别表示过程和测量的噪声;A,B为系统参数,H为测量系统的参数,反映状态变量对测量变量的影响,其特征在于,该方法包括以下步骤:
步骤一、根据系统状态初值以及状态方程进行荷电状态估计;
步骤二、计算测量值与估计值的残差,从而计算渐消因子;
其中,z(k+1)为系统测量值,为估计值,γ(k+1)为残差值;
步骤三、计算时变渐消因子λ(k+1);
其中
N(k+1)=S0(k+1)-H·Q(k)·HT-βR(k+1)
M(k+1)=H·A·P(k|k)·AT·HT
γ(k+1)为残差值,P(k|k)是对应状态X(k k)的协方差矩阵,Q(k)是系统的过程噪声参数,R(k+1)为系统的观测噪声协方差矩阵,ρ为遗忘因子,β≥1为弱化因子;
步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值;
渐消因子调整值由模糊控制算法得到,模糊控制规则如下:
(1)残差差值较小,调整因子增大,残差差值较大,调整因子减小;
(2)残差增大,调整因子增大;
(3)电流增大,调整因子增大;
其中,残差值为γ(k+1),残差差值为γ(k+1)-γ(k),由模糊控制算法得到的渐消因子调整值为Δλ;
步骤五、得到渐消因子新值,进而求得增益矩阵;
渐消因子的新值为λn(k+1)=λ(k+1)+Δλ
P(k+1|k)=λn(k+1)·A·P(k|k)·AT+Q(k)
K(k+1)=P(k+1|k)·HT·[H·P(k+1|k)·HT+R(k+1)]-1
其中,P(k+1|k)为更新的协方差矩阵,K(k+1)为增益矩阵;
步骤六、更新荷电估计状态;
步骤七、通过自适应滤波算法估计测量噪声协方差矩阵;
c1=H·P(k+1|k)·HT+R(k+1)
c=S2(k)/c1;
R(k+2)=c·R(k+1)
其中,S2(k)为实际噪声方差,c1为理论噪声方差,R(k+1)为原测量噪声协方差矩阵,R(k+2)为更新后的测量噪声协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210570775.3A CN102998629B (zh) | 2012-12-16 | 2012-12-16 | 一种锂电池荷电状态的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210570775.3A CN102998629B (zh) | 2012-12-16 | 2012-12-16 | 一种锂电池荷电状态的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102998629A true CN102998629A (zh) | 2013-03-27 |
CN102998629B CN102998629B (zh) | 2015-01-21 |
Family
ID=47927446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210570775.3A Active CN102998629B (zh) | 2012-12-16 | 2012-12-16 | 一种锂电池荷电状态的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102998629B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901294A (zh) * | 2014-01-02 | 2014-07-02 | 智慧城市系统服务(中国)有限公司 | 超级电容器组荷电状态检测的方法及装置 |
CN104239675A (zh) * | 2013-06-12 | 2014-12-24 | 英飞凌科技股份有限公司 | 用于确定技术装置的模型的参数的方法和设备 |
CN104283529A (zh) * | 2014-09-29 | 2015-01-14 | 宁波工程学院 | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 |
CN104535934A (zh) * | 2014-12-31 | 2015-04-22 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与系统 |
CN104573294A (zh) * | 2013-10-15 | 2015-04-29 | 胡志坤 | 动力电池的自适应卡尔曼滤波器估计算法 |
CN104865535A (zh) * | 2015-06-05 | 2015-08-26 | 吉林大学 | 一种基于fpga的锂离子电池soc估计方法和估计设备 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
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 |
CN109000663A (zh) * | 2018-08-07 | 2018-12-14 | 中国人民解放军海军航空大学 | 基于时变自调整的滚动时域估计到达代价计算方法 |
CN109143850A (zh) * | 2018-07-05 | 2019-01-04 | 江苏理工学院 | 基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法 |
CN109471035A (zh) * | 2018-10-17 | 2019-03-15 | 山东斯博科特电气技术有限公司 | 基于随机矩阵特征谱分析的燃料电池系统状态评估方法 |
CN110082689A (zh) * | 2019-05-21 | 2019-08-02 | 闽江学院 | 一种能源互联网储能系统锂电池soc状态估计方法 |
CN110646739A (zh) * | 2019-09-30 | 2020-01-03 | 闽江学院 | 一种多锂电池并联系统的soc状态估计方法 |
CN111044913A (zh) * | 2018-10-15 | 2020-04-21 | 大陆汽车有限责任公司 | 用于运行电池传感器的方法和电池传感器 |
CN111650517A (zh) * | 2020-04-20 | 2020-09-11 | 北京理工大学 | 一种电池荷电状态估算方法 |
CN112540302A (zh) * | 2020-11-02 | 2021-03-23 | 珠海格力电器股份有限公司 | 一种电池soc估算方法及系统 |
CN112684348A (zh) * | 2021-01-21 | 2021-04-20 | 山东大学 | 基于强跟踪算法和自适应卡尔曼滤波的soc预测方法及系统 |
CN113567864A (zh) * | 2021-06-25 | 2021-10-29 | 南方电网电动汽车服务有限公司 | 电池荷电状态的确定方法、装置、计算机设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8415897B2 (en) * | 2010-07-09 | 2013-04-09 | Daintree Networks, Pty. Ltd. | Ambient and task level load control |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
JP2012026749A (ja) * | 2010-07-20 | 2012-02-09 | Nissan Motor Co Ltd | 電池状態推定装置 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
-
2012
- 2012-12-16 CN CN201210570775.3A patent/CN102998629B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
JP2012026749A (ja) * | 2010-07-20 | 2012-02-09 | Nissan Motor Co Ltd | 電池状態推定装置 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
CHENG WANG: "Prediction of Battery-SOC of Pure Electric Vehicle", 《THE 7TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION》 * |
SHUANG-SHUANG HAN等: "The algorithm of dynamic battery SOC based on Mamdani fuzzy reasoning", 《FIFTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
夏超英等: "基于推广卡尔曼滤波算法的S O C 估算策略", 《电源技术》 * |
胡振涛等: "基于测量方差时变的改进强跟踪滤波算法", 《传感器技术》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10502789B2 (en) | 2013-06-12 | 2019-12-10 | Infineon Technologies Ag | Method and device for determining a parameter of a model of a technical installation |
CN104239675A (zh) * | 2013-06-12 | 2014-12-24 | 英飞凌科技股份有限公司 | 用于确定技术装置的模型的参数的方法和设备 |
CN104239675B (zh) * | 2013-06-12 | 2017-12-19 | 英飞凌科技股份有限公司 | 用于确定技术装置的模型的参数的方法和设备 |
CN104573294A (zh) * | 2013-10-15 | 2015-04-29 | 胡志坤 | 动力电池的自适应卡尔曼滤波器估计算法 |
CN103901294A (zh) * | 2014-01-02 | 2014-07-02 | 智慧城市系统服务(中国)有限公司 | 超级电容器组荷电状态检测的方法及装置 |
CN104283529A (zh) * | 2014-09-29 | 2015-01-14 | 宁波工程学院 | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 |
CN105510829B (zh) * | 2014-09-29 | 2018-01-05 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN104283529B (zh) * | 2014-09-29 | 2017-04-12 | 宁波工程学院 | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 |
CN104535934B (zh) * | 2014-12-31 | 2017-07-21 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与系统 |
CN104535934A (zh) * | 2014-12-31 | 2015-04-22 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与系统 |
CN104865535A (zh) * | 2015-06-05 | 2015-08-26 | 吉林大学 | 一种基于fpga的锂离子电池soc估计方法和估计设备 |
CN105093122B (zh) * | 2015-07-09 | 2017-12-05 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
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 |
CN109143850A (zh) * | 2018-07-05 | 2019-01-04 | 江苏理工学院 | 基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法 |
CN109000663A (zh) * | 2018-08-07 | 2018-12-14 | 中国人民解放军海军航空大学 | 基于时变自调整的滚动时域估计到达代价计算方法 |
US11209490B2 (en) | 2018-10-15 | 2021-12-28 | Continental Automotive Gmbh | Method for operating a battery sensor, and battery sensor |
CN111044913A (zh) * | 2018-10-15 | 2020-04-21 | 大陆汽车有限责任公司 | 用于运行电池传感器的方法和电池传感器 |
CN109471035A (zh) * | 2018-10-17 | 2019-03-15 | 山东斯博科特电气技术有限公司 | 基于随机矩阵特征谱分析的燃料电池系统状态评估方法 |
CN109471035B (zh) * | 2018-10-17 | 2020-11-06 | 山东斯博科特电气技术有限公司 | 基于随机矩阵特征谱分析的燃料电池系统状态评估方法 |
CN110082689A (zh) * | 2019-05-21 | 2019-08-02 | 闽江学院 | 一种能源互联网储能系统锂电池soc状态估计方法 |
CN110646739A (zh) * | 2019-09-30 | 2020-01-03 | 闽江学院 | 一种多锂电池并联系统的soc状态估计方法 |
CN110646739B (zh) * | 2019-09-30 | 2022-03-04 | 闽江学院 | 一种多锂电池并联系统的soc状态估计方法 |
CN111650517A (zh) * | 2020-04-20 | 2020-09-11 | 北京理工大学 | 一种电池荷电状态估算方法 |
CN111650517B (zh) * | 2020-04-20 | 2021-08-17 | 北京理工大学 | 一种电池荷电状态估算方法 |
CN112540302A (zh) * | 2020-11-02 | 2021-03-23 | 珠海格力电器股份有限公司 | 一种电池soc估算方法及系统 |
CN112684348A (zh) * | 2021-01-21 | 2021-04-20 | 山东大学 | 基于强跟踪算法和自适应卡尔曼滤波的soc预测方法及系统 |
CN113567864A (zh) * | 2021-06-25 | 2021-10-29 | 南方电网电动汽车服务有限公司 | 电池荷电状态的确定方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102998629B (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102998629B (zh) | 一种锂电池荷电状态的估计方法 | |
CN103852727B (zh) | 动力电池荷电状态在线估算方法和装置 | |
JP6449303B2 (ja) | 電池の充電状態を推定するための方法、装置およびシステム | |
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 | |
CN107690585B (zh) | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 | |
CN104569835B (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
Wang et al. | An adaptive working state iterative calculation method of the power battery by using the improved Kalman filtering algorithm and considering the relaxation effect | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
CN104267354B (zh) | 一种动力电池的峰值功率预测方法 | |
Liu et al. | A novel model-based state of charge estimation for lithium-ion battery using adaptive robust iterative cubature Kalman filter | |
Li et al. | A combination state of charge estimation method for ternary polymer lithium battery considering temperature influence | |
CN104714188A (zh) | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 | |
CN103116136B (zh) | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 | |
CN104678316A (zh) | 锂离子电池荷电状态估算方法和装置 | |
Hassan et al. | A comprehensive review of battery state of charge estimation techniques | |
CN107219466A (zh) | 一种混合扩展卡尔曼滤波的锂电池soc估算方法 | |
CN102645637A (zh) | 一种均衡电池的soc估算方法 | |
CN106019164A (zh) | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 | |
CN105699907A (zh) | 一种基于动态阻抗校正的电池soc估计方法及系统 | |
CN103439668A (zh) | 动力锂离子电池的电荷状态估算方法与系统 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN105842633A (zh) | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
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 |