CN103983833A - 基于gm(1,1)灰色模型的电池开路电压预测方法 - Google Patents
基于gm(1,1)灰色模型的电池开路电压预测方法 Download PDFInfo
- Publication number
- CN103983833A CN103983833A CN201410231986.3A CN201410231986A CN103983833A CN 103983833 A CN103983833 A CN 103983833A CN 201410231986 A CN201410231986 A CN 201410231986A CN 103983833 A CN103983833 A CN 103983833A
- Authority
- CN
- China
- Prior art keywords
- battery
- terminal voltage
- sequence
- data
- formula
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了基于GM(1,1)灰色模型的电池开路电压预测方法,将电池的端电压数据按时间编码,形成电池端电压的系统特征数据序列;从系统特征数据序列中,获取电池当前按时间最新的设定次容量数据,将获取设定次容量数据作灰色处理;计算电池端电压进行灰色预测跟踪所需的灰作用量,得到电池端电压的等维递补灰色单变量一阶时间响应序列,并进行电池端电压的灰色预测跟踪;根据步骤三获得的电池端电压的等维递补灰色单变量一阶时间响应序列,通过累减生成,还原为相应变量的原数列值,并按均方差检验方法对系统特征数据序列U(0)相应的模型模拟序列的精度进行检验。该方法简单易行、鲁棒性好,具有很大的实际应用价值。
Description
技术领域
本发明涉及一种基于GM(1,1)灰色模型的电池开路电压预测方法。
背景技术
锂离子电池具有电压高、能量密度大、循环性能好、自放电小且无记忆效应等突出优点,是最新一代的绿色、高能动力电池,近年来得到了飞速发展,广泛应用在电动汽车和混合电动汽车中。
电池开路电压(open-circuit voltage,OCV)是指当电池在静止足够长的时间(一般为8个小时以上)后,电池达到稳定状态时,电池的端电压。该参数与电池荷电状态(SOC)存在较强的非线性关系,建立电池开路电压与SOC间的关系模型在电池建模中起着至关重要的作用。目前电池的开路电压一般采用实验法获得,获得每个SOC点对应的开路电压时,就需要静置8个小时以上的时间,因此要获得所有点的充放电开路电压可能要耗费几天甚至几十天的时间,费时费力。为此,文献(Abu-Sharkh S,Doerffel D.Rapid test and non-linear modelcharacterisation of solid-state lithium-ion batteries[J].Journal of Power Sources,2004,130(1):266-274.)提出了一个快速测量OCV的方法,该方法在充放电过程中,在不同的SOC点(例如10%,20%,...,80%,90%)静止一分钟,获得对应的电池端电压。将整个充电过程中不同SOC点对应的静置1分钟后的电池端电压连接成一条线;将整个放电过程中不同SOC点对应的静置1分钟后的电池端电压连接成一条线,取两条线的平均值即为要测量的对应不同SOC值的电池开路电压。这种方法虽然在一定程度上节约了实验时间,但是不能获取用于电池建模的充电开路电压和放电开路电压,且获得的开路电压可能存在较大的误差。
对电池进行脉冲充放电,当负载电流为零时,电池端电压的变化过程,非常接近于指数变化,文献(徐欣歌,杨松,李艳芳,陈文芗.一种基于预测开路电压的SOC估算方法[J].电子设计工程,2011,14:127-129.)使用一阶或二阶指数函数基于最小二乘法来拟合电池端电压的变化,从而得到电池的开路电压。该方法如上所述也需要电池静置足够长的时间,对数据的采样密度要求较高(通常为1s一个点),并且估计精度较低。GM(1,1)灰色模型能够准确预测具有明显指数规律的序列,为电池开路电压的准确预测提供了一种新途径。
发明内容
为解决现有技术存在的不足,本发明公开了一种基于GM(1,1)灰色模型的电池开路电压预测方法,根据电池充放电后电池端电压的恢复特性,基于灰色系统理论建立了电池端电压的GM(1,1)新陈代谢预测模型,每次都是针对最新的10次电池端电压数据来预测下一次的端电压,实现了对电池开路电压的准确预测,精度高于传统的基于指数函数拟合的方法,且节约了实验时间,对数据密度要求较低,只需1分钟采样一次。该方法简单易行、鲁棒性好,具有很大的实际应用价值。
为实现上述目的,本发明的具体方案如下:
基于GM(1,1)灰色模型的电池开路电压预测方法,包括以下步骤:
步骤一:将电池的端电压数据按时间编码,形成电池端电压的系统特征数据序列U(0);
步骤二:从系统特征数据序列U(0)中,获取电池当前按时间最新的设定次电压数据,将获取设定次容量数据作灰色处理;
步骤三:计算电池端电压进行灰色预测跟踪所需的灰作用量,得到电池端电压的等维递补灰色单变量一阶时间响应序列,并进行电池端电压的灰色预测跟踪;
步骤四:根据步骤三获得的电池端电压的等维递补灰色单变量一阶时间响应序列,通过累减生成,还原为相应变量的原数列值,并按均方差检验方法对系统特征数据序列U(0)相应的模型模拟序列的精度进行检验。
所述步骤一中,电池端电压的系统特征数据序列U(0)的公式为:
U(0)=(u(1),u(2),…,u(j)) (1)
式中,k为正整数,为采样时刻;u(j)为电池在j时刻的电池端电压值,其中j=1,2,…,k-1。
所述步骤二中,获取电池当前按时间最新的设定次容量数据,具体为:从系统特征数据序列U(0)中,获取电池当前最新的10次容量数据:u(k-10)~u(k-1),其中k为预测时刻且k>10;
所述步骤二中,将获取设定次容量数据作灰色处理,具体包括:
(2-1).将获取设定次容量数据,作灰色一次累计生成处理,得到电池端电压的灰色一次累加生成序列U(1);
(2-2).将获得的电池端电压的灰色一次累加生成序列U(1)进行紧邻均值生成操作,获得电池端电压的灰色一次累加生成序列U(1)的紧邻均值生成序列Z(1)。
所述步骤四中,方差检验方法对系统特征数据序列U(0)相应的模型模拟序列的精度进行检验,具体包括:
判断均方差比值c,小误差概率p是否合格,若是,输出电池端电压预测值并进行下一轮的循环步骤;若不合格,进行残差序列建立GM(1,1)模型,检查结果是否达到要求,如未达到再进行第二次残差建模,最后选用误差较小的一个模型进行预测。
所述灰色一次累加生成序列U(1)公式为:
所述紧邻均值生成序列Z(1):
Z(1)=(0.5(u(1)(k-10)+u(1)(k-9)),0.5(u(1)(k-9)+u(1)(k-8)),…0.5(u(1)(k-2)+u(1)(k-1))) (3)
式中,u(1)(i),i=k-10,k-9,...,k-1为式(2)中的第i个数据。
所述灰作用量aU和bU的具体计算表达式为:
式中,y和B均为中间变量,y和B分别由以下式得到:
式中,u(0)(i),i=k-9,k-8,...,k-1为式(1)中U(0)的第i个数据。
式中,BT表示矩阵B的转置矩阵,B-1表示B的逆矩阵。z(1)(i),i=k-9,k-8,...,k-1为式(3)中Z(1)的第i个数据。
所述电池端电压的等维递补灰色单变量一阶预测模型具体计算表达式为:
式中,u(0)(1)为式(1)中U(0)的第1个数据。
所述电池端电压的灰色跟踪原数列值为:
所述均方差检验为:
假设原始序列为:
U(0)=(u(0)(1),u(0)(2),…,u(0)(n)) (9)
相应的模型模拟序列为:
相应的残差序列为:
则U(0)的均值为:
U(0)的方差为:
ε(0)的均值为:
ε(0)的方差为:
定义均方差比值为:
对于给定的c0>0,当c<c0时,称模型为均方差比合格模型;
定义小误差概率:
对于给定的p0>0,当p>p0时,称模型为小误差概率合格模型。
其中,均方差比值c越小越好,c小说明s2小,s1大,即残差方差小,原始数据方差大,说明残差比较集中,摆动幅度小,原始数据比较分散,摆动幅度大。小误差概率p越大越好。常用的c0、p0精度等级见表1。
表1精度检验等级参照表
对于均方差检验不合格的情况,可以对残差序列建立GM(1,1)模型,求得残差模型的模拟值还原得将原模型还原值加上同时刻的残差模型的则得:
检查结果是否达到要求,如未达到再进行第二次残差建模,最后选用误差较小的一个模型进行预测。
本发明的有益效果:
1.根据电池充放电后,电池端电压的变化,基于灰色系统理论建立了电池端电压的GM(1,1)新陈代谢预测模型,每次都是针对最新的10次电池端电压数据来预测下一次的端电压,实现了对电池开路电压的准确预测;
2.对数据采集密度要求低,只需1分钟采集一次电池端电压,大大节约了数据存储空间;
3.只需半个小时,就能准确预测电池的开路电压,大大节约了实验时间;
4.该方法简单易行、鲁棒性好,具有很大的实际应用价值。
附图说明
图1为本发明实施例的基于GM(1,1)灰色模型的电池端电压预测方法的流程图;
图2为本发明实施例的GM(1,1)灰色模型的建模流程图;
图3为本发明实施例的一个脉冲充电的电池端电压波形图;
图4为本发明实施例的脉冲充电后的电池端电压预测对比图;
图5为本发明实施例的脉冲充电后基于GM(1,1)灰色模型的电池端电压预测的平均相对误差图;
图6为本发明实施例的脉冲充电后基于GM(1,1)灰色模型的电池端电压预测的均方差比值图;
图7为本发明实施例的一个脉冲放电的电池端电压波形图;
图8为本发明实施例的脉冲放电后的电池端电压预测效对比图;
图9为本发明实施例的脉冲放电后基于GM(1,1)灰色模型的电池端电压预测的平均相对误差图;
图10为本发明实施例的脉冲放电后基于GM(1,1)灰色模型的电池端电压预测的均方差比值图。
具体实施方式:
下面结合附图对本发明进行详细说明:
如图1所示,基于GM(1,1)灰色模型的电池开路电压预测方法,包括以下步骤:
S1.将电池的端电压数据按时间(t=1,2,3…,k-1)编码,形成电池端电压的系统特征数据序列U(0),其中k为预测时刻;
S2.从系统特征数据序列U(0)中,获取电池当前最新的10次电压数据:u(k-10)~u(k-1),其中k为预测时刻且k>10;
S3.将步骤S2中获得的电池端电压的数据序列U(0),作1-AGO(灰色一次累计生成处理),得到电池端电压的灰色一次累加生成序列U(1);
S4.将步骤S3中获得的电池端电压的灰色一次累加生成序列U(1)进行紧邻均值生成操作,获得电池端电压的灰色一次累加生成序列U(1)的紧邻均值生成序列Z(1);
S5.利用步骤S2~S4获得的数据,计算电池端电压进行灰色预测跟踪所需的灰作用量aU和bU;
S6.根据步骤S5获得的电池端电压进行灰色预测跟踪所需的灰作用量aU和bU,得到电池端电压的等维递补灰色单变量一阶时间响应序列并进行电池端电压的灰色预测跟踪;
S7.根据步骤S6获得的电池端电压的等维递补灰色单变量一阶时间响应序列通过累减生成,还原为相应变量的原数列值
S8.按均方差检验方法对预测模型的精度进行检验;
S9.判断均方差比值c,小误差概率p是否合格?若是转S10,若不合格,转S11;
S10.输出电池端电压预测值并转到步骤S2;
S11.进行残差建模,并转到S3。
所述步骤S1中,电池端电压原始数据序列U(0)的公式为:
U(0)=(u(1),u(2),…,u(k-1)) (1)
式中,k为正整数,为采样时刻;u(j)为电池在j时刻的电池端电压值,其中j=1,2,…,k-1。
所述步骤S3中,灰色一次累加生成序列U(1)公式为:
所述步骤S4中,紧邻均值生成序列Z(1):
式中,u(i)(1),i=1,2,...,10为式(2)中的第i个数据。
所述步骤S5中,灰作用量aU和bU的具体计算表达式为:
式中,y和B均为中间变量,y和B分别由以下式得到:
式中,u(0)(i),i=k-9,k-8,...,k-1为式(1)中U(0)的第i个数据。
式中,BT表示矩阵B的转置矩阵,B-1表示B的逆矩阵。z(1)(i),i=k-9,k-8,...,k-1为式(3)中Z(1)的第i个数据。
所述步骤S6中,电池端电压的等维递补灰色单变量一阶预测模型具体计算表达式为:
式中,u(0)(1)为式(1)中U(0)的第1个数据。
所述步骤S7中,电池端电压的灰色跟踪原数列值为:
所述步骤S8中,所述均方差检验为:
假设原始序列为:
U(0)=(u(0)(1),u(0)(2),…,u(0)(n)) (9)
相应的模型模拟序列为:
相应的残差序列为:
则U(0)的均值为:
U(0)的方差为:
ε(0)的均值为:
ε(0)的方差为:
定义均方差比值为:
对于给定的c0>0,当c<c0时,称模型为均方差比合格模型。
定义小误差概率:
对于给定的p0>0,当p>p0时,称模型为小误差概率合格模型。
其中,均方差比值c越小越好,c小说明s2小,s1大,即残差方差小,原始数据方差大,说明残差比较集中,摆动幅度小,原始数据比较分散,摆动幅度大。小误差概率p越大越好。常用的c0、p0精度等级见表1。
表1精度检验等级参照表
对于均方差检验不合格的情况,可以对残差序列建立GM(1,1)模型,求得残差模型的模拟值还原得将原模型还原值加上同时刻的残差模型的则得:
检查结果是否达到要求,如未达到再进行第二次残差建模,最后选用误差较小的一个模型进行预测。
如图2所示,为本发明实施例的基于GM(1,1)灰色模型的建模流程图。首先将电池端电压的原始数据U(0)进行累加生成,得到系统特征数据序列U(1),对得到的数据建模,可得到k时刻的电池端电压灰色一次累加生成序列再通过累减还原得到k时刻的电池端电压当GM(1,1)模型的精度不符合要求时,可用残差序列建立GM(1,N)模型,对原来的模型进行修正,以提高精度。
如图3所示,为本发明实施例的一个脉冲充电的电池端电压的波形图;
如图4所示,为本发明实施例的脉冲充电后的电池端电压预测对比图,其中指数函数的拟合值基于最小二乘法采用如下指数函数拟合得到:
式中,a1~a5为常数,由实验数据基于最小二乘法辨识得到。u为电池端电压,k为采样时刻。
从图中实验值与预测值的对比可以看出,基于指数函数的拟合值虽然也能很好的跟踪电池端电压的变化,其波形也比较光滑,但是在3600s后,实验值消失后,基于指数函数的预测值与电池端电压的变化趋势不一致,存在较大的误差。而基于GM(1,1)灰色模型的方法能够很好预测电池端电压的发展规律,在3600s实验值消失后,也能够很好的预测电池端电压的变化趋势。如图5为相应的脉冲充电后电池端电压的预测平均相对误差,图6为均方差比值。
图7为本发明实施例的一个脉冲放电的电池端电压波形图;
图8为本发明实施例的脉冲放电后电池端电压预测效对比图,其分析结果与图4类似,在此不再赘述。图9为相应的脉冲放电后电池端电压的预测平均相对误差图,图10为预测均方差比值。
Claims (10)
1.基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,包括以下步骤:
步骤一:将电池的端电压数据按时间编码,形成电池端电压的系统特征数据序列U(0);
步骤二:从系统特征数据序列U(0)中,获取电池当前按时间最新的设定次电压数据,将获取设定次容量数据作灰色处理;
步骤三:计算电池端电压进行灰色预测跟踪所需的灰作用量,得到电池端电压的等维递补灰色单变量一阶时间响应序列,并进行电池端电压的灰色预测跟踪;
步骤四:根据步骤三获得的电池端电压的等维递补灰色单变量一阶时间响应序列,通过累减生成,还原为相应变量的原数列值,并按均方差检验方法对系统特征数据序列U(0)相应的模型模拟序列的精度进行检验。
2.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述步骤一中,电池端电压的系统特征数据序列U(0)的公式为:
U(0)=(u(1),u(2),…,u(j)) (1)
式中,k为正整数,为采样时刻;u(j)为电池在j时刻的电池端电压值,其中j=1,2,…,k-1。
3.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述步骤二中,获取电池当前按时间最新的设定次容量数据,具体为:从系统特征数据序列U(0)中,获取电池当前最新的10次容量数据:u(k-10)~u(k-1),其中k为预测时刻且k>10。
4.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述步骤二中,将获取设定次容量数据作灰色处理,具体包括:
(2-1).将获取设定次容量数据,作灰色一次累计生成处理,得到电池端电压的灰色一次累加生成序列U(1)
;
(2-2).将获得的电池端电压的灰色一次累加生成序列U(1)进行紧邻均值生成操作,获得电池端电压的灰色一次累加生成序列U(1)的紧邻均值生成序列Z(1)。
5.如权利要求4所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述灰色一次累加生成序列U(1)公式为:
6.如权利要求4所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述紧邻均值生成序列Z(1):
Z(1)={0.5(u(1)(1)+u(2)(1)),0.5(u(2)(1)+u(3)(1)),…0.5(u(9)(1)+u(10)(1))} (3)
式中,u(i)(1),i=1,2,...,10为式(2)中的第i个数据。
7.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述灰作用量aU和bU的具体计算表达式为:
式中,y和B均为中间变量,y和B分别由以下式得到:
式中,u(0)(i),i=k-9,k-8,...,k-1为式(1)中U(0)的第i个数据;
式中,BT表示矩阵B的转置矩阵,B-1表示B的逆矩阵,z(1)(i),i=k-9,k-8,...,k-1为式(3)中Z(1)的第i个数据。
8.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述电池端电压的等维递补灰色单变量一阶预测模型具体计算表达式为:
式中,u(0)(1)为式(1)中U(0)的第1个数据。
9.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述电池端电压的灰色跟踪原数列值为:
10.如权利要求1所述的基于GM(1,1)灰色模型的电池开路电压预测方法,其特征是,所述步骤四中,方差检验方法对系统特征数据序列U(0)相应的模型模拟序列的精度进行检验,具体包括:
判断均方差比值c,小误差概率p是否合格,若是,输出电池端电压预测值并进行下一轮的循环步骤;若不合格,进行残差序列建立GM(1,1)模型,检查结果是否达到要求,如未达到再进行第二次残差建模,最后选用误差较小的一个模型进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410231986.3A CN103983833B (zh) | 2014-05-28 | 2014-05-28 | 基于gm(1,1)灰色模型的电池开路电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410231986.3A CN103983833B (zh) | 2014-05-28 | 2014-05-28 | 基于gm(1,1)灰色模型的电池开路电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103983833A true CN103983833A (zh) | 2014-08-13 |
CN103983833B CN103983833B (zh) | 2016-10-05 |
Family
ID=51275879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410231986.3A Active CN103983833B (zh) | 2014-05-28 | 2014-05-28 | 基于gm(1,1)灰色模型的电池开路电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103983833B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242405A (zh) * | 2014-09-29 | 2014-12-24 | 山东大学 | 一种电动汽车动力电池快速充电系统及方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN111458638A (zh) * | 2020-04-16 | 2020-07-28 | 江苏航迅飞信息科技有限公司 | 永磁同步电机驱动系统功率管开路故障诊断方法 |
CN111458666A (zh) * | 2020-04-16 | 2020-07-28 | 江苏航迅飞信息科技有限公司 | 永磁同步电机绕组开路故障诊断方法 |
CN111523700A (zh) * | 2020-03-26 | 2020-08-11 | 合肥工业大学 | 基于改进灰色gm(1,1)模型预测的east快控电源输出电流预测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363059A (zh) * | 2020-11-02 | 2021-02-12 | 山东大学 | 基于gm(1,1)灰色模型的电池故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5789923A (en) * | 1995-10-30 | 1998-08-04 | Yazaki Corporation | Battery remaining capacity measuring device |
JP2006105824A (ja) * | 2004-10-06 | 2006-04-20 | Sanken Electric Co Ltd | 電圧測定装置 |
CN103424708A (zh) * | 2012-05-17 | 2013-12-04 | 株式会社杰士汤浅国际 | 开路电压推断装置、状态推断装置及开路电压推断方法 |
CN103576091A (zh) * | 2012-07-19 | 2014-02-12 | 鸿富锦精密工业(深圳)有限公司 | 电池开路电压补偿系统及方法 |
-
2014
- 2014-05-28 CN CN201410231986.3A patent/CN103983833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5789923A (en) * | 1995-10-30 | 1998-08-04 | Yazaki Corporation | Battery remaining capacity measuring device |
JP2006105824A (ja) * | 2004-10-06 | 2006-04-20 | Sanken Electric Co Ltd | 電圧測定装置 |
CN103424708A (zh) * | 2012-05-17 | 2013-12-04 | 株式会社杰士汤浅国际 | 开路电压推断装置、状态推断装置及开路电压推断方法 |
CN103576091A (zh) * | 2012-07-19 | 2014-02-12 | 鸿富锦精密工业(深圳)有限公司 | 电池开路电压补偿系统及方法 |
Non-Patent Citations (2)
Title |
---|
LIANG RUI CHEN 等: "A Design of a Grey-Predicted Li-Ion Battery Charge System", 《INDUSTRIAL ELECTRONICS,IEEE TRANSACTIONS ON》 * |
尹春杰等: "一种新型的蓄电池组状态在线检测及故障预报算法", 《PROCEEDINGS OF THE 26 TH CHINESE CONTROL CONFERENCE 》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242405A (zh) * | 2014-09-29 | 2014-12-24 | 山东大学 | 一种电动汽车动力电池快速充电系统及方法 |
CN104242405B (zh) * | 2014-09-29 | 2017-02-15 | 山东大学 | 一种电动汽车动力电池快速充电系统及方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN111523700A (zh) * | 2020-03-26 | 2020-08-11 | 合肥工业大学 | 基于改进灰色gm(1,1)模型预测的east快控电源输出电流预测方法 |
CN111458638A (zh) * | 2020-04-16 | 2020-07-28 | 江苏航迅飞信息科技有限公司 | 永磁同步电机驱动系统功率管开路故障诊断方法 |
CN111458666A (zh) * | 2020-04-16 | 2020-07-28 | 江苏航迅飞信息科技有限公司 | 永磁同步电机绕组开路故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103983833B (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A review of lithium-ion battery for electric vehicle applications and beyond | |
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
Jiang et al. | State of health estimation of second-life LiFePO4 batteries for energy storage applications | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
CN103983833A (zh) | 基于gm(1,1)灰色模型的电池开路电压预测方法 | |
CN103926538B (zh) | 基于aic准则的变阶数rc等效电路模型及实现方法 | |
CN104614679B (zh) | 一种曲线拟合式蓄电池剩余容量测量方法 | |
CN105548901B (zh) | 一种轨道交通用钛酸锂电池功率状态预测方法 | |
Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
CN108196200A (zh) | 一种锂电池健康和荷电状态的联合模拟评估方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN107271913B (zh) | 一种应用于动力电池剩余容量预测的方法 | |
CN106093778A (zh) | 电池状态预测方法及系统 | |
CN103091642A (zh) | 一种锂电池容量快速估计方法 | |
CN105353312A (zh) | 一种动力电池soc的预测方法 | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN103983920A (zh) | 一种建立电动车辆的动力电池的模型的方法 | |
Chen et al. | A novel fusion model based online state of power estimation method for lithium-ion capacitor | |
CN105207243A (zh) | 一种用于风电场实时功率预报修正的电池能量管理方法 | |
KR20180066768A (ko) | 배터리 수명 추정 방법 및 장치 | |
CN105116338A (zh) | 一种基于soc补偿器的并联型电池系统建模方法 | |
CN206161820U (zh) | 一种基于扩展卡尔曼粒子滤波的系统 | |
Zhai et al. | State of energy estimation of lithium titanate battery for rail transit application | |
Huang et al. | Estimation of maximum available capacity of lithium-ion battery based on multi-view features extracted from reconstructed charging curve |
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 |