CN103472398A - 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 - Google Patents
基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 Download PDFInfo
- Publication number
- CN103472398A CN103472398A CN2013103619288A CN201310361928A CN103472398A CN 103472398 A CN103472398 A CN 103472398A CN 2013103619288 A CN2013103619288 A CN 2013103619288A CN 201310361928 A CN201310361928 A CN 201310361928A CN 103472398 A CN103472398 A CN 103472398A
- Authority
- CN
- China
- Prior art keywords
- particle
- moment
- estimated value
- covariance
- kalman
- 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
本发明公开了一种基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,现有方法存在不能满足在线估计,累计误差大,发散等问题。本发明方法结合扩展卡尔曼滤波和粒子滤波方法,采用扩展卡尔曼滤波来产生重要密度函数,避免粒子退化现象,提高估计精度。本发明方法可以有效的估计电池SOC,精度较高,而且适用于各种电池SOC估计。
Description
技术领域
本发明公开了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,属于锂电池的技术领域。
背景技术
动力电池作为电动汽车的关键技术部件,其性能直接影响到整车性能的好坏。电池荷电状态(State of Charge,SOC)是用来描述电池剩余电量的数量,进而反映电动汽车的续驶里程。动力电池荷电状态估计是电池管理系统的重要功能,也是其发展急需解决的技术难点,实时准确的SOC估计对电池性能、使用寿命以及电动汽车的发展有重大意义。动力电池的高度非线性使得许多滤波方法难以得到准确的估计结果,因此,必须建立一个合适的电池模型,采用精确的估计滤波方法,这样才能获得更准确的结果。
目前,电动汽车使用的动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法和卡尔曼滤波法等。安时计量法简单易实现,但累计误差大,对测量设备精度要求高;开路电压法只适用于电池静置足够长时间后进行估计,不能实时估计;神经网络能够在线估计,但缺点是需要大量的训练数据;卡尔曼滤波法将非线性系统线性化,但对非线性强度高的系统,容易导致滤波效果下降,甚至发散,粒子滤波算法存在粒子退化并且算法抖动等问题。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足,提供了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法。
本发明为实现上述发明目的采用如下技术方案:
基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,、包括如下步骤:
步骤1,建立电池电量数学模型,得到电池系统离散空间模型;
步骤2,利用扩展卡尔曼粒子滤波算法预测动力电池SOC:
步骤2-1,在初始采样时刻,由初始概率分布随机产生粒子集;
步骤2-2,在当前采样时刻内,由扩展卡尔曼滤波算法得到当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值;
步骤2-3,计算当前时刻各粒子权重,归一化当前时刻粒子权重,由归一化的当前时刻粒子权重得到有效粒子数:
当有效粒子数目小于粒子数目阈值时,返回步骤2-1;否则,输出当前时刻电池荷电状态更新值;
步骤2-4,进入下一采样时刻,重复步骤2-2至步骤2-3。
所述基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法中,步骤2-2利用如下方法计算当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值:
步骤A,扩展卡尔曼滤波器预测方程:
状态变量预测估计:
协方差误差预测估计:
步骤B,扩展卡尔曼滤波器校正方程:
卡尔曼增益计算:
状态变量最优估计:
协方差最优估计:
其中,为k时刻第i个粒子状态量左侧估计值,为k-1时刻第i个粒子状态量右侧估计值,uk-1为k-1时刻输入控制变量,为k时刻第i个粒子协方差左侧估计值,Ak-1为k-1时刻系统矩阵,为k-1时刻第i个粒子协方差右侧估计值,Kk为k时刻卡尔曼增益,Ck为k-1时刻协方差矩阵,为k时刻第i个粒子状态量右侧估计值,Yk为k时刻SOC量测结果,uk为k时刻输入控制变量,为k时刻第i个粒子协方差右侧估计值,E为单位矩阵,w、v为互不相关的系统噪声,f、g分别为非线性状态转移函数和非线性测量函数。
本发明采用上述技术方案,具有以下有益效果:本发明可以精确的对动力电 池荷电状态(SOC)进行估计,能解决现有估计方法存在的不能满足在线估计,累计误差大,发散,粒子退化等问题,估计精度高。
附图说明
图1是扩展卡尔曼滤波器流程图。
图2是本发明实施方式流程图。
图3为具体实施例中实验电池放电电流波形。
图4为采用扩展卡尔曼滤波、粒子滤波和扩展卡尔曼粒子滤波三种算法对电池SOC进行估计的结果比较图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
本发明适用于各动力电池的SOC估计,对于不同的动力电池模型,确定其扩展卡尔曼粒子滤波离散状态空间模型后,利用扩展卡尔曼粒子滤波方法估计SOC,其中,在扩展卡尔曼粒子滤波器采样后对各采样时刻采集的样本进行重要性采样得到各采样时刻的粒子集,利用各采样时刻的粒子集训练扩展卡尔曼粒子滤波器预估SOC。
下面以电化学复合电池模型为例阐述本发明的技术方案,利用本发明所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法估计电池的SOC,如图2所示包括如下步骤。
步骤1,电化学复合模型状态空间方程的确定;
动力电池电化学复合模型的状态空间方程如式(1)所示,观测方程如式(2)所示:
yk=g(xk,uk)+vk=g(xk,ik)+vk
其中,f(xk,ik)、g(xk,ik)分别为非线性状态转移函数和非线性测量函数,xk、xk+1分别是离散状态k、k+1时刻的动力电池荷电状态;△t是采样周期;C电池的标称容量,单位是A·h;η为库仑系数,充电时η=1,放电时η<1;ik是离 散状态k时刻的充放电电流;R为电池内阻;K0、K1、K2、K3、K4是电池模型参数;yk是离散状态k时刻的电池工作电压;wk、vk为互不相关的系统噪声。
将该非线性模型在(xk,ik)附近进行一级泰勒展开,状态空间方程如式(1)所示,观测方程如式(2)所示,对状态变量xk求偏导数得:
状态空间方程如式(1)所示,观测方程如式(2)对ik求偏导数得:
即得到离散状态方程为:
xk+1=Ak·xk+Bk·ik+wk (3),
yk=Ck·xk+Dk·ik+vk (4),
通过动力电池充放电试验数据,利用最小二乘法辨识得到电化学复合模型的参数K0、R、K1、K2、K3、K4,进而可求得k=0时的Ak、Bk、Ck、Dk;
步骤2,利用扩展卡尔曼粒子滤波方法估计电池SOC,
扩展卡尔曼滤波器预测方程:
状态变量预测估计:
协方差误差预测估计:
扩展卡尔曼滤波器校正方程:
卡尔曼增益计算:
状态变量最优估计:
协方差最优估计:
式(5)至式(9)中,为k时刻第i个粒子状态量左侧估计值,为k-1时刻第i个粒子状态量右侧估计值,uk-1为k-1时刻输入控制变量,为k时刻第i个粒子协方差左侧估计值,Ak-1为k-1时刻系统矩阵,为k-1时刻第i个粒子协方差右侧估计值,Kk为k时刻卡尔曼增益,Ck为k-1时刻协方差矩阵, 为k时刻第i个粒子状态量右侧估计值,Yk为k时刻SOC量测结果,uk为k时刻输入控制变量,为k时刻第i个粒子协方差右侧估计值,E为单位矩阵,w、v为互不相关的系统噪声,f、g分别为非线性状态转移函数和非线性测量函数;
步骤2-4,归一化k时刻第i个粒子权重,
计算有效粒子数目Neff:
否则,输出k时刻SOC更新值SOCk:
步骤2-4,令k=k+1,重复步骤2-2至步骤2-3循环迭代计算。
为了验证扩展卡尔曼粒子滤波算法对锂电池SOC估计的精确性,对3.2V/20Ah的锂电池进行放电试验。首先将电池组充满电(SOC(0)=1),然后再恒温条件下对电池组放电,放电电流波形如图3所示,整个放电时间为10×104s,采样间隔△t为10s。
试验中,粒子数N设定为50,分别采用扩展卡尔曼滤波(EKF)、粒子滤波(PF)和扩展卡尔曼粒子滤波(EKPF)三种算法对电池SOC进行估计,估计结果图如图4所示。
图4中的真实SOC值是通过放电试验法得到的。对电池进行持续放电,测出在一定的很小的时间间隔后释放的电量,再根据SOC的定义便可计算得到该时刻的真实SOC值。为了定量的比较EKF、PF和EKPF的性能,定义试验的均方根误差为:
其中,单次平均消耗时间t的单位为秒S。
通过计算,EKF、PF和EKPF三种不同电池SOC估计算法的均方根误差RMSE和单次平均消耗时间t的值如表1所示。
算法 | 均方根误差RMSE | 单次平均消耗时间t/s |
EKF | 0.0583 | 2.7157 |
PF | 0.0412 | 49.3150 |
EKPF | 0.0254 | 214.8240 |
表1EKF、PF和EKPF估计SOC性能比较
从图4和表1的仿真试验结果可以看出,扩展卡尔曼粒子滤波(EKPF)算法精度较高,即说明了算法的优越性。单独使用PF算法时抖动很明显,而EKPF算法则比较平滑,在均方根误差的指标上也优于EKF算法和PF算法。
综上所述,本发明运用扩展卡尔曼滤波算法实时估计电池荷电状态,估计精度精度高,解决了现有估计方法存在的不能满足在线估计,累计误差大,发散,粒子退化等问题。
Claims (3)
1.基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,其特征在于,包括如下步骤:
步骤1,建立电池电量数学模型,得到电池系统离散空间模型;
步骤2,利用扩展卡尔曼粒子滤波算法预测动力电池SOC:
步骤2-1,在初始采样时刻,由初始概率分布随机产生粒子集;
步骤2-2,在当前采样时刻内,由扩展卡尔曼滤波算法得到当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值;
步骤2-3,计算当前时刻各粒子权重,归一化当前时刻粒子权重,由归一化的当前时刻粒子权重得到有效粒子数,
当有效粒子数目小于粒子数目阈值时,返回步骤2-1;否则,输出当前时刻电池荷电状态更新值;
步骤2-4,进入下一采样时刻,重复步骤2-2至步骤2-3。
2.根据权利要求1所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,其特征在于,步骤2-2利用如下方法计算当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值:
步骤A,扩展卡尔曼滤波器预测方程:
状态变量预测估计:
协方差误差预测估计:
步骤B,扩展卡尔曼滤波器校正方程:
卡尔曼增益计算:
状态变量最优估计:
协方差最优估计:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310361928.8A CN103472398B (zh) | 2013-08-19 | 2013-08-19 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310361928.8A CN103472398B (zh) | 2013-08-19 | 2013-08-19 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103472398A true CN103472398A (zh) | 2013-12-25 |
CN103472398B CN103472398B (zh) | 2016-01-20 |
Family
ID=49797321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310361928.8A Active CN103472398B (zh) | 2013-08-19 | 2013-08-19 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103472398B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
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 |
CN105093128A (zh) * | 2015-08-31 | 2015-11-25 | 山东智洋电气股份有限公司 | 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法 |
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和系统 |
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN105704071A (zh) * | 2015-07-07 | 2016-06-22 | 大连大学 | 基于信息序列的自适应渐消扩展卡尔曼粒子滤波的多普勒频移估计方法 |
CN105717455A (zh) * | 2016-01-30 | 2016-06-29 | 清华大学 | 电池组的电池单体soc和容量估计算法的选择方法 |
CN105929340A (zh) * | 2016-06-30 | 2016-09-07 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
CN105977553A (zh) * | 2016-02-29 | 2016-09-28 | 上海煦达新能源科技有限公司 | 电动汽车退役电池梯次复用网络级双向储能监管平台 |
CN106068460A (zh) * | 2014-01-30 | 2016-11-02 | 爱德万测试公司 | 用于对被测设备进行测试的测试装置和方法 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
CN106501724A (zh) * | 2016-10-28 | 2017-03-15 | 合肥工业大学 | 一种基于rls和ekf算法的全钒液流电池soc估计方法 |
CN106849803A (zh) * | 2017-04-07 | 2017-06-13 | 西安理工大学 | 基于均匀分布边缘粒子滤波永磁同步电动机转速估计方法 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN107843847A (zh) * | 2017-10-31 | 2018-03-27 | 武汉科技大学 | 一种基于ekf算法的蓄电池soc在线估测方法 |
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 |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
CN109596984A (zh) * | 2018-12-12 | 2019-04-09 | 上海电力学院 | 一种基于粒子滤波算法的电池荷电状态的估计方法 |
CN109612470A (zh) * | 2019-01-14 | 2019-04-12 | 广东工业大学 | 一种基于模糊容积卡尔曼滤波的单站无源导航方法 |
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 |
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 |
CN110596612A (zh) * | 2019-09-16 | 2019-12-20 | 上海理工大学 | 一种对面向梯次利用的退役锂电池分类方法的选取方法 |
CN110764003A (zh) * | 2018-07-10 | 2020-02-07 | 天津工业大学 | 锂电池荷电状态估算方法、装置和系统 |
CN113393064A (zh) * | 2021-08-17 | 2021-09-14 | 中南大学 | 一种动车组镉镍蓄电池的寿命预测方法及终端设备 |
CN117764271A (zh) * | 2023-11-24 | 2024-03-26 | 华南理工大学 | 基于扩展卡尔曼粒子滤波的电网动态状态估计方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070074621A (ko) * | 2007-05-14 | 2007-07-12 | 주식회사 엘지화학 | 배터리 상태 및 파라미터 추정 시스템 및 방법 |
CN102062841B (zh) * | 2009-11-11 | 2012-12-12 | 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 |
CN102981125A (zh) * | 2012-11-30 | 2013-03-20 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
CN103185865A (zh) * | 2011-12-31 | 2013-07-03 | 陕西汽车集团有限责任公司 | 运用ekf对电动汽车锂离子电池soc闭环实时估算法 |
-
2013
- 2013-08-19 CN CN201310361928.8A patent/CN103472398B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070074621A (ko) * | 2007-05-14 | 2007-07-12 | 주식회사 엘지화학 | 배터리 상태 및 파라미터 추정 시스템 및 방법 |
CN102062841B (zh) * | 2009-11-11 | 2012-12-12 | 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 |
CN103185865A (zh) * | 2011-12-31 | 2013-07-03 | 陕西汽车集团有限责任公司 | 运用ekf对电动汽车锂离子电池soc闭环实时估算法 |
CN102981125A (zh) * | 2012-11-30 | 2013-03-20 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
Non-Patent Citations (1)
Title |
---|
侯静等: "远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法", 《电子与信息学报》, vol. 35, no. 7, 31 July 2013 (2013-07-31) * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106068460A (zh) * | 2014-01-30 | 2016-11-02 | 爱德万测试公司 | 用于对被测设备进行测试的测试装置和方法 |
CN106068460B (zh) * | 2014-01-30 | 2020-10-16 | 爱德万测试公司 | 用于对被测设备进行测试的测试装置和方法 |
CN104502858B (zh) * | 2014-12-31 | 2017-07-14 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
CN104714188B (zh) * | 2015-03-31 | 2017-05-24 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
CN105704071A (zh) * | 2015-07-07 | 2016-06-22 | 大连大学 | 基于信息序列的自适应渐消扩展卡尔曼粒子滤波的多普勒频移估计方法 |
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 |
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和系统 |
CN105093121B (zh) * | 2015-07-10 | 2017-09-08 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和系统 |
CN105093128A (zh) * | 2015-08-31 | 2015-11-25 | 山东智洋电气股份有限公司 | 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法 |
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN105717455A (zh) * | 2016-01-30 | 2016-06-29 | 清华大学 | 电池组的电池单体soc和容量估计算法的选择方法 |
CN105717455B (zh) * | 2016-01-30 | 2018-10-02 | 清华大学 | 电池组的电池单体soc和容量估计算法的选择方法 |
CN105977553A (zh) * | 2016-02-29 | 2016-09-28 | 上海煦达新能源科技有限公司 | 电动汽车退役电池梯次复用网络级双向储能监管平台 |
CN105977553B (zh) * | 2016-02-29 | 2019-03-29 | 上海煦达新能源科技有限公司 | 电动汽车退役电池梯次复用网络级双向储能监管平台 |
CN105929340A (zh) * | 2016-06-30 | 2016-09-07 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
CN105929340B (zh) * | 2016-06-30 | 2019-08-20 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
CN106501724A (zh) * | 2016-10-28 | 2017-03-15 | 合肥工业大学 | 一种基于rls和ekf算法的全钒液流电池soc估计方法 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
CN106849803A (zh) * | 2017-04-07 | 2017-06-13 | 西安理工大学 | 基于均匀分布边缘粒子滤波永磁同步电动机转速估计方法 |
CN106849803B (zh) * | 2017-04-07 | 2019-02-01 | 西安理工大学 | 基于均匀分布边缘粒子滤波永磁同步电动机转速估计方法 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN107436411B (zh) * | 2017-07-28 | 2019-06-14 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN107843847A (zh) * | 2017-10-31 | 2018-03-27 | 武汉科技大学 | 一种基于ekf算法的蓄电池soc在线估测方法 |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
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 |
CN110764003A (zh) * | 2018-07-10 | 2020-02-07 | 天津工业大学 | 锂电池荷电状态估算方法、装置和系统 |
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 |
CN109596984A (zh) * | 2018-12-12 | 2019-04-09 | 上海电力学院 | 一种基于粒子滤波算法的电池荷电状态的估计方法 |
CN109612470A (zh) * | 2019-01-14 | 2019-04-12 | 广东工业大学 | 一种基于模糊容积卡尔曼滤波的单站无源导航方法 |
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 |
CN110320472B (zh) * | 2019-05-17 | 2021-06-01 | 枣庄学院 | 一种用于矿用锂电池的自修正soc估计方法 |
CN110596612A (zh) * | 2019-09-16 | 2019-12-20 | 上海理工大学 | 一种对面向梯次利用的退役锂电池分类方法的选取方法 |
CN113393064A (zh) * | 2021-08-17 | 2021-09-14 | 中南大学 | 一种动车组镉镍蓄电池的寿命预测方法及终端设备 |
CN117764271A (zh) * | 2023-11-24 | 2024-03-26 | 华南理工大学 | 基于扩展卡尔曼粒子滤波的电网动态状态估计方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103472398B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103472398B (zh) | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
CN102981125B (zh) | 一种基于rc等效模型的动力电池soc估计方法 | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
CN103675706B (zh) | 一种动力电池电荷量估算方法 | |
Kang et al. | A new neural network model for the state-of-charge estimation in the battery degradation process | |
Tian et al. | A modified model based state of charge estimation of power lithium-ion batteries using unscented Kalman filter | |
CN106405433A (zh) | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 | |
CN104122504B (zh) | 一种电池的soc估算方法 | |
CN107290688A (zh) | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 | |
CN103529398A (zh) | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
CN107589379A (zh) | 一种在线估计锂电池soc和阻抗的方法 | |
CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
CN102169168B (zh) | 一种基于粒子滤波的电池剩余电量估计方法 | |
CN107167743A (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
CN105717460A (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
CN105353312A (zh) | 一种动力电池soc的预测方法 | |
CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
Liu et al. | A method for state of charge and state of health estimation of lithium-ion battery based on adaptive unscented Kalman filter | |
Shao et al. | On-line estimation of state-of-charge of Li-ion batteries in electric vehicle using the resampling particle filter | |
CN106772104A (zh) | 一种动力电池soc值估算方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN103983920A (zh) | 一种建立电动车辆的动力电池的模型的方法 |
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 |