CN103995464B - 一种估计电动车辆的动力系统的参数和状态的方法 - Google Patents
一种估计电动车辆的动力系统的参数和状态的方法 Download PDFInfo
- Publication number
- CN103995464B CN103995464B CN201410225424.8A CN201410225424A CN103995464B CN 103995464 B CN103995464 B CN 103995464B CN 201410225424 A CN201410225424 A CN 201410225424A CN 103995464 B CN103995464 B CN 103995464B
- Authority
- CN
- China
- Prior art keywords
- theta
- state
- aekf
- parameter
- power system
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明涉及系统辨识和状态估计领域。为获得电动车辆的动力系统稳定可靠的状态估计值,并降低估计计算成本,本发明提出一种估计电动车辆的动力系统的参数和状态的方法,建立动力系统的多时间尺度模型,对电动车辆的动力系统中基于宏观时间尺度的参数观测器AEKFθ和基于微观时间尺度的状态观测器AEKFx进行初始化设置,参数观测器AEKFθ进行时间更新,更新时间长度为一个宏观时间尺度,得到参数θ在t1,0时刻的先验估计值状态观测器AEKFx进行时间更新和测量更新并循环L次,使状态观测器AEKFx的时间更新到t0,L时刻;参数观测器AEKFθ进行测量更新,并循环上述操作直至估计完成。采用该方法对电动车辆的动力系统的参数和状态进行估计,精度高,计算时间短,降低了计算成本。
Description
技术领域
本发明涉及系统辨识和状态估计领域,尤其涉及对电动车辆中由驱动电机和动力电池构成的动力系统的参数和状态进行估计的方法以及电动车辆的动力电池管理系统。
背景技术
状态空间方法处理非线性控制系统的常用方法。在使用状态空间方法对非线性控制系统进行处理时,状态空间方法利用状态方程描述非线性控制系统的动态特性,利用观测方程描述观测量与非线性控制系统的状态之间的关系,并利用含有噪声的观测信息实时估计非线性控制系统隐含的状态。但是,由于状态方程和观测方程中含有不确定性参数,且该不确定性参数会对非线性控制系统的隐含的状态的估计精度产生影响,导致非线性控制系统的隐含的状态的估计精度低。
为解决该问题,提高非线性控制系统的隐含的状态的估计精度,本领域的技术人员常通过试验的方法辨识获得状态方程和观测方程中的不确定性参数,并基于确定的状态方程开展对非线性控制系统的隐含的状态的估计研究。
例如,在动力电池控制领域,本领域的技术人员在对动力电池的隐含状态进行估计时,常常先通过试验得到动力电池的参数,并根据动力电池的参数建立动力电池的模型,继而基于建立的动力电池的模型开展对动力电池的状态估计和电动汽车能量管理的优化工作。由于动力电池的参数受该动力电池内部因素和外部因素的变化的影响,比如动力电池老化、使用环境的变化,导致动力电池的参数也随之发生显著变化,故基于先前建立的动力电池的模型对该动力电池的状态进行估计时难以得到稳定可靠的状态估计值。另外,由于动力电池的参数受该动力电池的内部因素和外部因素的影响而变化,具有缓慢的时变特性,而其状态因受参数的影响而变化,具有快速时变特性,利用传统的卡尔曼估计方法很难得到参数和状态的收敛解以及最优解,进而导致控制系统的计算成本增加。
综上可知,由于非线性控制系统的参数会发生变化,故在利用通过试验方法辨识获得非线性控制系统的参数对该非线性控制系统的状态进行估计时,难以得到稳定可靠的状态估计值;由于非线性控制系统的参数具有缓慢的时变特性,而其状态具有快速时变特性,故采用传统的卡尔曼估计方法对该非线性控制系统的参数和状态进行估计时,计算时间长,计算成本高。
另外,目前电动车辆上常用的动力电池管理系统在对动力电池的荷电状态(StateofCharge,简称SoC)进行估计时,估计误差在5%以内;在动力电池的可用容量进行估计时,估计误差在10%以内。
发明内容
为获得电动车辆的动力系统稳定可靠的状态估计值,并降低估计计算成本,本发明提出一种估计电动车辆的动力系统的参数和状态的方法,该方法包括如下步骤:
步骤一,建立所述动力系统的多时间尺度模型,
其中,
θ表示所述动力系统的参数,
x表示所述动力系统中隐含的状态,
F(xk,l,θk,uk,l)表示所述多时间尺度模型的状态函数,
G(xk,l,θk,uk,l)表示所述多时间尺度模型的观测函数,
xk,l为所述动力系统在tk,l=tk,0+l×Δt(1≤l≤L)时刻的状态,且k为宏观时间尺度,l为微观时间尺度,L为微观时间尺度与宏观时间尺度进行转换的尺度转换限值,
uk,l为tk,l时刻所述动力系统的输入信息,
Yk,l为tk,l时刻所述动力系统的测量矩阵,
ωk,l为所述动力系统的状态的白噪声,其均值为零,协方差为
ρk,l为所述动力系统的参数的白噪声,其均值为零,协方差为
vk,l为所述动力系统的测量白噪声,其均值为零,协方差为Rk,l,
且θk=θk,0:L-1;
步骤二,对基于宏观时间尺度的参数观测器AEKFθ中的θ0、和R0进行初始化设置,
其中,
θ0为所述参数观测器AEKFθ中的参数初始值,
为所述参数观测器AEKFθ中的参数估计误差协方差矩阵的初始值,
为所述参数观测器AEKFθ中所述动力系统噪声协方差矩阵的初始值,
R0为所述参数观测器AEKFθ的观测噪声;
对基于微观时间尺度状态观测器AEKFx中的x0,0、和R0,0进行初始化设置,
其中,
x0,0为所述状态观测器AEKFx中所述动力系统的状态初始值,
为所述状态观测器AEKFx中的状态估计误差协方差矩阵的初始值,
为所述状态观测器AEKFx中的系统噪声协方差矩阵的初始值,
R0,0为所述状态观测器AEKFx的观测噪声协方差矩阵的初始值;
且Rk=Rk,0:L-1;
步骤三,所述参数观测器AEKFθ进行时间更新,且更新的时间长度为一个宏观时间尺度,得到所述参数θ在t1,0时刻的先验估计值且
步骤四,所述状态观测器AEKFx进行时间更新和测量更新:
所述状态观测器AEKFx进行时间更新,且更新的时间长度为一个微观时间尺度,得到状态x在t0,1先验估计值且
其中,
A0,1为所述电动车辆的动力系统的状态函数在t0,1时刻的雅可比矩阵,且
T表示矩阵转置;
所述状态观测器AEKFx进行测量更新,得到状态x的后验估计值
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
电压估计误差窗口函数为:
噪声协方差更新:
状态估计值修正:
状态估计误差协方差更新:
其中,
为在状态估计过程中电动车辆的动力系统的观测函数在t0,1时刻的雅可比矩阵,且
循环上述操作L次,使所述状态观测器AEKFx的时间更新到t0,L时刻,并转入下一步骤,
步骤五,所述参数观测器AEKFθ进行测量更新,得到参数θ在t1,0时刻的后验估计值
参数估计新息矩阵更新为:
卡尔曼增益矩阵为:
电压估计误差窗口函数:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为在状态估计过程中电动车辆的动力系统的观测函数在t1,0时刻的雅可比矩阵,且
循环操作步骤三和四到tk,l时刻,
所述参数观测器AEKFθ在进行时间更新,并得到参数θ在tk,l时刻的先验估计值且
所述状态观测器AEKFx在进行时间更新,并得到状态x在tk,l时刻的先验估计值且
其中,
Ak-1,l-1为在状态估计中所述电动车辆的动力系统的状态函数在tk,l时刻的雅可比矩阵,且
所述状态观测器AEKFx进行测量更新,并得到状态x在tk,l时刻的后验估计值且
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计值修正:
状态估计误差协方差更新:
其中,
为在状态估计过程中所述电动车辆的动力系统的观测函数在tk,l时刻的雅可比矩阵,且
所述参数观测器AEKFθ进行测量更新,并得到参数θ在tk,0:L时刻的后验估计值
参数估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为在状态估计过程中所述电动车辆的动力系统的观测函数在tk,0:L时间段内的雅可比矩阵,且
循环上述估计操作,直至估计完成。
采用本发明对电动车辆的动力系统的参数和状态进行估计时,在同一时刻,宏观时间尺度和微观时间尺度下使用的新息来源相同,有利于提高参数估计值和状态估计值的收敛,进而提高估计精度;采用多时间尺度对电动车辆的动力系统的参数和状态进行估计,缩短了估计计算时间,进而降低了计算成本。
优选地,所述状态观测器AEKFx进行时间更新时,所述微观时间尺度的循环周期为l=1:L,当l=L时,所述宏观时间尺度由k-1变换为k,所述微观时间尺度由L变换为0。
优选地,所述电动车辆的动力系统的循环工况数据实时输入到状态估计滤波器中。这样,状态估计滤波器可根据最贴近电动车辆的动力系统实际状态的工况数据对其参数和状态进行估计,提高了估计精度。
本发明还提出一种应用上述任意一种估计电动车辆的动力系统的参数和状态的方法对所述电动车辆的动力电池的参数和状态进行估计的动力电池管理系统。这样的动力电池管理系统在对电动车辆的动力电池的状态进行估计时,相对现有的主流的动力电池管理系统,估计精度高,耗时短,安全可靠。
附图说明
图1为本发明提出的多时间尺度自适应扩展卡尔曼滤波算法的原理图;
图2为电动车辆的动力电池等效为具有一阶RC网络的等效电路模型时的等效电路图;
图3为电动车辆的动力电池单体循环工况数据,其中,图3(a)为该动力电池单体循环时的电流变化曲线;图3(b)为该动力电池单体循环时的SoC状态变化曲线;
图4为电动车辆的动力电池等效为具有一阶RC网络的等效电路模型时的开路电压变化曲线图;
图5为基于多时间尺度对电动车辆的动力电池的参数和状态进行联合估计的估计结果,且时间尺度转换限值L=60s、动力电池的荷电状态SoC的初值为60%,其中,图5(a)为该动力电池的电压估计误差曲线;图5(b)为该动力电池的荷电状态SoC的估计误差曲线;图5(c)为该动力电池的可用容量估计结果曲线;图5(d)该动力电池的可用容量的估计误差曲线;
图6为基于同一时间尺度对电动车辆的动力电池的参数和状态进行联合估计的估计结果,且时间尺度转换限值L=1s、动力电池的荷电状态SoC的初值为60%,其中,图6(a)为该动力电池的电压的估计误差曲线,图6(b)为该动力电池的荷电状态SoC的估计误差曲线,图6(c)为该动力电池的可用容量估计结果曲线,图6(d)该动力电池的可用容量的估计误差曲线;
图7为电动车辆的动力电池等效为具有二阶RC网络的等效电路模型时的等效电路图;
图8为为基于多时间尺度对电动车辆的动力电池的参数和状态进行联合估计的估计结果,且时间尺度转换限值L=60s、动力电池的荷电状态SoC的初值为60%,其中,图8(a)为该动力电池的电压估计误差曲线;图8(b)为该动力电池的荷电状态SoC的估计误差曲线;图8(c)为该动力电池的可用容量估计结果曲线;图8(d)该动力电池的可用容量的估计误差曲线。
具体实施方式
下面结合图1具体说明本发明估计电动车辆的动力系统的参数和状态的方法的具体实施步骤:
步骤一,建立电动车辆的动力系统的多时间尺度模型,如式(1)所示,
其中,
θ表示电动车辆的动力系统的参数,且当宏观时间尺度不变,微观时间尺度从0至L-1时,参数的值保持不变,即θk=θk,0:L-1,且k为宏观时间尺度值,L为将一个宏观时间尺度转换为微观时间尺度时的尺度转换限值,即tk,0=tk-1,0+L×Δt,Δt为一个微观时间尺度;
x表示电动车辆的动力系统中隐含的状态;
F(xk,l,θk,uk,l)表示电动车辆的动力系统在tk,l时刻的状态函数;
G(xk,l,θk,uk,l)表示电动车辆的动力系统在tk,l时刻的观测函数;
xk,l为电动车辆的动力系统在tk,l时刻的状态,l为微观时间尺度值,且1≤l≤L,tk,l=tk,0+l×Δt(1≤l≤L);
uk,l为tk,l时刻电动车辆的动力系统输入到状态估计滤波器中的输入信息(控制矩阵),该输入信息包括电动车辆的动力系统中电流、动力电池的电压和荷电状态(StateofCharge即SoC);
Yk,l为tk,l时刻电动车辆的动力系统的观测矩阵(测量矩阵),该观测矩阵包括电动车辆的动力系统中动力电池的电压、荷电状态SoC和可用容量;
ωk,l为tk,l时刻电动车辆的动力系统的状态白噪声,其均值为零,协方差矩阵为
ρk为tk,l时刻电动车辆的动力系统的参数白噪声,其均值为零,协方差矩阵为
vk,l为tk,l时刻电动车辆的动力系统的测量白噪声,其均值为零,协方差为Rk,l。
步骤二,对电动车辆的动力系统中基于宏观时间尺度的参数观测器AEKFθ和基于微观时间尺度的状态观测器AEKFx进行初始化设置。
具体地,对参数观测器AEKFθ中的参数θk、和Rk进行初始化设置得到θ0、和R0,其中,
θ0为电动车辆的动力系统的参数初始值,
为电动车辆的动力系统的参数估计误差协方差矩阵的初始值,
为电动车辆的动力系统的系统噪声协方差矩阵的初始值,
R0为参数观测器AEKFθ的观测噪声协方差Rk的初始值。
对状态观测器AEKFx中的参数xk,l、和Rk,l进行初始化设置得到x0,0、和R0,0,其中,
x0,0为电动车辆的动力系统的状态xk,l的初始值,
为电动车辆的动力系统的状态估计误差协方差矩阵的初始值,
为电动车辆的动力系统的系统噪声协方差矩阵的初始值,
R0,0为状态观测器AEKFx的观测噪声协方差矩阵Rk,l的初始值。
由于参数观测器AEKFθ的观测噪声协方差与状态观测器AEKFx的观测协方差满足Rk=Rk,0:L-1,故R0=R0,0。
步骤三,基于宏观时间尺度的参数观测器AEKFθ进行时间更新即进行先验参数估计,且更新的时间长度为一个宏观时间尺度,得到参数θ在t1,0时刻的先验估计值且
步骤四,状态观测器AEKFx进行时间更新和测量更新。
首先,基于微观时间尺度的状态观测器AEKFx进行时间更新即进行先验参数估计,且更新的时间长度为一个微观时间尺度Δt,得到状态x在t0,1先验估计值且
其中,
A0,1为状态估计中电动车辆的动力系统的状态函数在t0,1时刻的雅可比矩阵,且
T表示矩阵转置。
接着,基于微观时间尺度的状态观测器AEKFx进行测量更新,得到状态x的后验估计值此时,
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
电压估计误差窗口函数(又称为自适应协方差匹配)为:
噪声协方差更新:
状态估计值修正:
状态估计误差协方差更新:
其中,
为状态估计过程中电动车辆的动力系统的观测函数在t0,1时刻的雅可比矩阵,且
循环上述操作L次,使基于微观时间尺度的状态观测器AEKFx的时间更新到t0,L即t1,0时刻,并转入下一步骤,
步骤五,基于宏观时间尺度的状态观测器AEKFθ进行测量更新,得到参数θ在t1,0时刻的后验估计值此时,
参数估计新息矩阵更新为:
卡尔曼增益矩阵为:
电压估计误差窗口函数即自适应协方差匹配:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为状态估计过程中电动车辆的动力系统的观测函数在t1,0时刻的雅可比矩阵,即为电动车辆的动力系统的观测函数对于状态的偏微分方程,故
循环操作步骤三和四到tk,l时刻,此时,
基于宏观时间尺度的参数观测器AEKFθ在进行时间更新,并得到参数θ在tk,l时刻的先验估计值且
基于微观时间尺度的状态观测器AEKFx在进行时间更新,并得到状态x在tk,l时刻的先验估计值且
其中,
Ak-1,l-1为状态估计中电动车辆的动力系统的状态函数在tk,l时刻的雅可比矩阵,且
基于微观时间尺度的状态观测器AEKFx进行测量更新,并得到状态x在tk,l时刻的后验估计值此时,
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计值修正:
由于 故,
状态估计误差协方差更新:
其中,
为状态估计过程中电动车辆的动力系统的观测函数在tk,l时刻的雅可比矩阵,且
基于宏观时间尺度的参数观测器AEKFθ进行测量更新,并得到参数θ在tk,0:L时刻的后验估计值此时,
参数估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为状态估计过程中电动车辆的动力系统的观测函数在tk,0:L时间段内的雅可比矩阵,且
循环上述估计操作,直至估计完成。
在推算过程中,在完成k时刻的参数和状态的估计流程后,将状态估计滤波器从时间(k)+推算到(k)=(k+1)-,并准备进行(k+1)时刻的状态估计,且令
在使用上述估计方法对电动车辆的动力系统的参数和状态进行估计时,电动车辆的动力系统的循环工况数据实时输入到状态估计滤波器中,以便于状态估计滤波器根据最贴近电动车辆的动力系统实际状态的工况数据对其参数和状态进行估计,提高估计精度。可见,动力电池的参数的实时性对于保证动力电池状态估计值的可靠性和精确性意义明显。
另外,在估计过程中,在同一时刻,宏观时间尺度和微观时间尺度下的新息均来源于电动车辆的动力系统的同一电压观测误差,这样,有利于提高参数估计值和状态估计值的收敛,进而提高估计精度。
实施例1
下面,以使用本发明对电动车辆的动力电池的参数和状态进行估计为例,说明使用本发明对电动车辆的动力系统的参数和状态进行估计的优势。
将电动车辆的动力电池等效为具有一阶RC网络的等效电路模型,其等效电路如图2所示,并建立该动力电池等效电路的状态函数和观测函数如式(39)所示,
故
其中,
Tt为采样时间,
RD为动力电池的极化内阻,
CD为动力电池的极化电容,
Ri为动力电池的欧姆内阻,
Ca为动力电池的可用容量,
g(x(2),Ca)为动力电池的开路电压模型;
动力电池待估计的参数θ=[RDCDRiCa],
x为动力电池待估计的状态,且该状态x包括x(1)-UD和x(2)-SoC,UD为动力电池的极化电压。
设定采样时间Tt为1s(秒),对上述动力电池进行测试,得到其循环工况的电流数据如图3(a)所示,可见,动力电池在循环工况下电流波动剧烈,且最大值可达到70A(安培);得到该动力电池单体循环时的荷电状态SoC变化曲线如图3(b)所示,可见,动力电池的荷电状态SoC在循环工况下持续下降,且在下降过程中存在小幅波动;得到该动力电池的开路电压曲线如图4所示,可见,该动力电池的荷电状态SoC随其开路电压的下降而下降,且其可用容量为31.8Ah(安培小时)。
采用本发明对上述动力电池的参数和状态进行联合估计,并将时间尺度L设置为60s,采样点为21000个,估计结果如图5所示。可见:
第一、在电动车辆的动力电池的可用容量和荷电状态SoC的初值都不精确的条件下,收敛后的动力电池电压估计误差被有效限制在25mV以内、动力电池的荷电状态SoC的估计误差被限制在0.5%以内、动力电池可用容量的估计误差被限制在0.5Ah以内。由此可见,在同一时刻采用同一新息来源对动力电池基于宏观时间尺度变换的参数和基于微观时间尺度变化的状态进行估计时,可用容量估计值逐渐趋于稳定,充分收敛后的可用容量的估计误差在0.5Ah以内,估计精度远高于现有的主流电动车辆的动力电池管理系统的设计要求,故本发明估计电动车辆的动力系统的参数和状态的方法可应用到电动车辆的动力电池的管理系统中以对动力电池的参数和状态进行估计。
第二、动力电池的可用容量的估计结果变化平稳,并不因为不确定性的电流或者功率激励而发生估计抖动,且能够很快的收敛于测试得到的参考值。
第三、所消耗的估计计算时间为2.512s。
综上可见,采用本发明估计方法对动力电池的参数和状态进行估计时,对不精确的动力电池可用容量和荷电状态SoC的初值具有较好的校正能力,且估计计算时间为2.512s,计算速度快。
对比例
采用本发明估计方法对上述电动车辆的动力电池的参数和状态进行联合估计,并将时间尺度L设置为1s,采样点为21000个。在进行估计时,由于时间尺度L被设置为1s,故所采用的估计方法由采用多时间尺度对动力电池的参数和状态进行联合估计的方法退化为采用单一时间尺度对动力电池的参数和状态进行联合估计的方法,且估计结果如图6所示。可见:
第一、动力电池的电压估计误差小于40mV(毫伏),荷电状态SoC的估计误差小于1%,可用容量误差小于1Ah,即可用容量的估计误差小于1Ah/31.8Ah≈3.1%。由此可见,在同一时刻采用同一新息来源对动力电池基于宏观时间尺度变换的参数和基于微观时间尺度变化的状态进行估计时,可用容量估计值逐渐趋于稳定,充分收敛后的可用容量的估计误差在1Ah以内,估计精度高于现有的主流电动车辆的动力电池管理系统的设计要求。
第二、收敛后的动力电池最大电压估计误差小于35mV、SoC最大估计误差小于1%、可用容量最大误差小于1Ah。由此可见,采用本发明对动力电池的荷电状态SoC和可用容量的估计精度高,且即使是在初始误差较大的SoC和可用容量下,也仍然能够保证动力电池的参数和状态的估计精度。
第三、当动力电池的工作电流较大时,其电压和可用容量估计值的波动较大,由图6(a)和图6(c)中均出现明显的尖峰可知,此时动力电池由大电流激励转为静置状态。由于动力电池在进行参数估计和状态估计时使用同一来源的新息,可用容量估计值逐渐趋于稳定,充分收敛后的可用容量误差在1Ah以内。
第四、所消耗的估计计算时间为4.709s。
综上可知,采用本发明对动力电池的参数和状态进行估计时,对不精确的动力电池可用容量和荷电状态SoC的初值具有较好的校正能力,且估计计算时间为4.709s,计算速度快。
比较图5和图6可知,相对于采用单一时间尺度对动力电池的参数和状态进行估计,采用多时间尺度对动力电池的参数和状态进行联合估计,对动力电池的可用容量和荷电状态SoC的估计具有更高的估计精度,进而可使动力电池的管理系统能够安全、可靠、高效的工作;对于可用容量和荷电状态SoC的初值均不精确的动力电池,能够使其可用容量和荷电状态SoC的估计值更加迅速、平稳地收敛于测试得到的参考值,故能够有效解决估计参数不收敛的问题;动力电池收敛后的电压、荷电状态SOC和可用容量的估计误差均在1%以内,比目前主流的动力电池管理系统对动力电池的荷电状态SOC和可用容量的估计精度的要精确很多;估计计算时间由4.709s缩短至2.512s,即节省了47%的计算时间,降低了动力电池的管理系统的计算成本。
实施例2
将电动车辆的动力电池等效为具有二阶RC网络的等效电路模型,其等效电路如图7所示,并建立该动力电池等效电路的状态函数和观测函数如式(41)所示,
其中,
RD1和RD2为极化内阻,
CD1和CD2为极化电容,
Ri为动力电池的欧姆内阻,
Ca为动力电池的可用容量,
g(x(3),Ca)为动力电池的开路电压模型;
动力电池的待估计参数θ=[RDCDRiCa],
x为动力电池待估计的状态,且该状态x包括x(1)-UD1、x(2)-UD2和x(3)-SoC,UD1和UD2动力电池的极化电压。
采用本发明对上述动力电池的参数和状态进行联合估计,并将时间尺度L设置为60s,采样点为21000个,估计结果如图8所示。可见:
第一、在电动车辆的动力电池的可用容量和荷电状态SoC的初值都不精确的条件下,收敛后的动力电池电压估计误差被有效限制在30mV以内、动力电池的荷电状态SoC的估计误差被限制在1%以内、动力电池可用容量的估计误差被限制在0.5Ah以内。由此可见,在同一时刻采用同一新息来源对动力电池基于宏观时间尺度变换的参数和基于微观时间尺度变化的状态进行估计时,可用容量估计值逐渐趋于稳定,充分收敛后的可用容量的估计误差在0.5Ah以内,估计精度远高于现有的主流电动车辆的动力电池管理系统的设计要求,故本发明估计电动车辆的动力系统的参数和状态的方法可应用到电动车辆的动力电池的管理系统中以对动力电池的参数和状态进行估计。
第二、动力电池的可用容量的估计结果变化平稳,并不因为不确定性的电流或者功率激励而发生估计抖动,且能够很快的收敛于测试得到的参考值。
第三、所消耗的估计计算时间为4.084s。
对实施例1和实施例2的估计结果进行比较可知,二者的估计精度相近,但随着所建立的等效电路模型中的RC网络的阶次的增加,计算时间也增加,进而导致计算成本增加。
Claims (4)
1.一种估计电动车辆的动力系统的参数和状态的方法,其特征在于,该方法包括如下步骤:
步骤一,建立所述动力系统的多时间尺度模型,
其中,
θ表示所述动力系统的参数,
x表示所述动力系统中隐含的状态,
F(xk,l,θk,uk,l)表示所述多时间尺度模型的状态函数,
G(xk,l,θk,uk,l)表示所述多时间尺度模型的观测函数,
xk,l为所述动力系统在tk,l=tk,0+l×Δt(1≤l≤L)时刻的状态,且k为宏观时间尺度,l为微观时间尺度,L为微观时间尺度与宏观时间尺度进行转换的尺度转换限值,
uk,l为tk,l时刻所述动力系统的输入信息,
Yk,l为tk,l时刻所述动力系统的测量矩阵,
ωk,l为所述动力系统的状态的白噪声,其均值为零,协方差为
ρk,l为所述动力系统的参数的白噪声,其均值为零,协方差为
vk,l为所述动力系统的测量白噪声,其均值为零,协方差为Rk,l,
且θk=θk,0:L-1;
步骤二,对基于宏观时间尺度的参数观测器AEKFθ中的θ0、和R0进行初始化设置,
其中,
θ0为所述参数观测器AEKFθ中的参数初始值,
为所述参数观测器AEKFθ中的参数估计误差协方差矩阵的初始值,
为所述参数观测器AEKFθ中所述动力系统噪声协方差矩阵的初始值,
R0为所述参数观测器AEKFθ的观测噪声;
对基于微观时间尺度状态观测器AEKFx中的x0,0、和R0,0进行初始化设置,
其中,
x0,0为所述状态观测器AEKFx中所述动力系统的状态初始值,
为所述状态观测器AEKFx中的状态估计误差协方差矩阵的初始值,
为所述状态观测器AEKFx中的系统噪声协方差矩阵的初始值,
R0,0为所述状态观测器AEKFx的观测噪声协方差矩阵的初始值;
且Rk=Rk,0:L-1;
步骤三,所述参数观测器AEKFθ进行时间更新,且更新的时间长度为一个宏观时间尺度,得到所述参数θ在t1,0时刻的先验估计值且
步骤四,所述状态观测器AEKFx进行时间更新和测量更新:
所述状态观测器AEKFx进行时间更新,且更新的时间长度为一个微观时间尺度,得到状态x在t0,1先验估计值且
其中,
A0,1为所述电动车辆的动力系统的状态函数在t0,1时刻的雅可比矩阵,且
T表示矩阵转置;
所述状态观测器AEKFx进行测量更新,得到状态x的后验估计值
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
电压估计误差窗口函数为:
噪声协方差更新:
状态估计值修正:
状态估计误差协方差更新:
其中,
为在状态估计过程中电动车辆的动力系统的观测函数在t0,1时刻的雅可比矩阵,且
循环所述状态观测器AEKFx的时间更新和测量更新操作L次,使所述状态观测器AEKFx的时间更新到t0,L时刻,并转入下一步骤,
步骤五,所述参数观测器AEKFθ进行测量更新,得到参数θ在t1,0时刻的后验估计值
参数估计新息矩阵更新为:
卡尔曼增益矩阵为
电压估计误差窗口函数:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为在状态估计过程中所述动力系统的观测函数在t1,0时刻的雅可比矩阵,且
循环操作步骤三和四到tk,l时刻,
所述参数观测器AEKFθ在进行时间更新,并得到参数θ在tk,l时刻的先验估计值且
所述状态观测器AEKFx在进行时间更新,并得到状态x在tk,l时刻的先验估计值且
其中,
Ak-1,l-1为在状态估计中所述动力系统的状态函数在tk,l时刻的雅可比矩阵,且
所述状态观测器AEKFx进行测量更新,并得到状态x在tk,l时刻的后验估计值且
状态估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计值修正:
状态估计误差协方差更新:
其中,
为在状态估计过程中所述动力系统的观测函数在tk,l时刻的雅可比矩阵,且
所述参数观测器AEKFθ进行测量更新,并得到参数θ在tk,0:L时刻的后验估计值
参数估计新息矩阵更新为:
卡尔曼增益矩阵为:
自适应协方差匹配:
噪声协方差更新为:
状态估计修正为:
状态估计误差协方差更新为:
其中,
为在状态估计过程中所述动力系统的观测函数在tk,0:L时间段内的雅可比矩阵,且
循环上述估计操作,直至估计完成。
2.根据权利要求1所述的估计电动车辆的动力系统的参数和状态的方法,其特征在于,所述状态观测器AEKFx进行时间更新时,所述微观时间尺度的循环周期为l=1:L,当l=L时,所述宏观时间尺度由k-1变换为k,所述微观时间尺度由L变换为0。
3.根据权利要求1或2所述的估计电动车辆的动力系统的参数和状态的方法,其特征在于,所述电动车辆的动力系统的循环工况数据实时输入到状态估计滤波器中。
4.一种应用权利要求1-3中任意一项所述的方法对电动车辆的动力电池的参数和状态进行估计的动力电池管理系统。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410225424.8A CN103995464B (zh) | 2014-05-26 | 2014-05-26 | 一种估计电动车辆的动力系统的参数和状态的方法 |
PCT/CN2014/078608 WO2015180050A1 (zh) | 2014-05-26 | 2014-05-28 | 一种估计电动车辆的动力系统的参数和状态的方法 |
US15/355,049 US20170098021A1 (en) | 2014-05-26 | 2016-11-17 | Method of estimating the parameters and state of power system of electric vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410225424.8A CN103995464B (zh) | 2014-05-26 | 2014-05-26 | 一种估计电动车辆的动力系统的参数和状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103995464A CN103995464A (zh) | 2014-08-20 |
CN103995464B true CN103995464B (zh) | 2016-04-13 |
Family
ID=51309661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410225424.8A Active CN103995464B (zh) | 2014-05-26 | 2014-05-26 | 一种估计电动车辆的动力系统的参数和状态的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170098021A1 (zh) |
CN (1) | CN103995464B (zh) |
WO (1) | WO2015180050A1 (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
JP6735360B2 (ja) * | 2016-02-02 | 2020-08-05 | トヨタ・モーター・ヨーロッパToyota Motor Europe | 蓄電池放電のための制御装置および蓄電池を放電する方法 |
CN106291381B (zh) * | 2016-08-16 | 2018-09-11 | 北京理工大学 | 一种联合估计动力电池系统荷电状态与健康状态的方法 |
CN106772067B (zh) * | 2016-11-30 | 2018-12-28 | 北京理工大学 | 多时间尺度估计动力电池荷电状态与健康状态的方法 |
US11214150B2 (en) | 2017-01-09 | 2022-01-04 | Volvo Truck Corporation | Method and arrangement for determining the state of charge of a battery pack |
CN106918787A (zh) * | 2017-03-20 | 2017-07-04 | 国网重庆市电力公司电力科学研究院 | 一种电动汽车锂电池剩余电荷估算方法及装置 |
CN109241639B (zh) * | 2018-09-17 | 2022-10-18 | 合肥工业大学 | 基于双时间尺度粒子滤波的机电系统剩余寿命预测方法 |
CN109728796B (zh) * | 2018-12-12 | 2022-11-15 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN110361965B (zh) * | 2019-05-20 | 2022-01-11 | 北京理工大学 | 线性Luenberger观测器的构建方法 |
CN110286332B (zh) * | 2019-06-17 | 2021-06-22 | 南通大学 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
CN110308394B (zh) * | 2019-06-25 | 2020-11-06 | 南京理工大学 | 一种新型状态观测器的锂离子电池荷电状态估测方法 |
CN110296709B (zh) * | 2019-07-23 | 2022-08-26 | 南京邮电大学 | 基于自适应里程计模型的车载定位导航方法 |
CN110827446A (zh) * | 2019-11-13 | 2020-02-21 | 北京理工大学 | 一种电动汽车行驶状态预测方法 |
US11498446B2 (en) * | 2020-01-06 | 2022-11-15 | Ford Global Technologies, Llc | Plug-in charge current management for battery model-based online learning |
CN111475912B (zh) * | 2020-02-11 | 2022-07-08 | 北京理工大学 | 一种车辆纵侧向车速的联合预测方法和系统 |
CN111929581B (zh) * | 2020-06-05 | 2022-10-21 | 西安理工大学 | 一种动力锂电池内外部温度预测方法 |
CN111708977B (zh) * | 2020-06-28 | 2023-04-25 | 南京航空航天大学 | 一种基于神经网络的轮胎力在线估计方法 |
CN112018465B (zh) * | 2020-10-13 | 2021-01-29 | 北京理工大学 | 一种多物理场约束的锂离子电池智能快速充电方法 |
CN112907860B (zh) * | 2021-01-18 | 2022-03-18 | 南京大学 | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 |
CN113030752B (zh) * | 2021-04-12 | 2024-03-29 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
CN113626983B (zh) * | 2021-07-06 | 2022-09-13 | 南京理工大学 | 基于状态方程递推预测高炮射弹脱靶量的方法 |
CN113650621B (zh) * | 2021-08-16 | 2022-08-12 | 东南大学 | 面向复杂工况的分布式驱动电动汽车状态参数估计方法 |
CN113978476B (zh) * | 2021-08-20 | 2022-08-12 | 东南大学 | 一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法 |
CN113771865B (zh) * | 2021-08-20 | 2022-08-12 | 东南大学 | 一种车载传感器测量数据异常情况下的汽车状态估计方法 |
CN113650619B (zh) * | 2021-08-30 | 2022-08-12 | 东南大学 | 一种四轮驱动电动汽车轮胎力软测量方法 |
CN113650620B (zh) * | 2021-08-30 | 2022-08-12 | 东南大学 | 一种四轮电驱动汽车状态预测方法 |
CN114625013B (zh) * | 2022-03-31 | 2024-04-16 | 东风汽车集团股份有限公司 | 一种能量回馈的控制方法和三输入一输出模糊控制器 |
CN114897091A (zh) * | 2022-05-27 | 2022-08-12 | 江南大学 | 一种高端电池智能工厂端级数据融合方法 |
CN115015782B (zh) * | 2022-06-21 | 2024-03-08 | 盐城工学院 | 一种锂电池状态估计方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334206A (ja) * | 1994-06-13 | 1995-12-22 | Nissan Motor Co Ltd | 制御装置 |
JP2003070285A (ja) * | 2001-08-17 | 2003-03-07 | Delphi Technologies Inc | 電気機械のためのフィードバック・パラメータ推定 |
JP2009143546A (ja) * | 2007-12-17 | 2009-07-02 | Hyundai Motor Co Ltd | 車両走行速度制御装置および方法 |
CN101561353A (zh) * | 2009-05-21 | 2009-10-21 | 吉林大学 | 车辆线控制动线控转向硬件在环试验台 |
CN102009654A (zh) * | 2010-11-12 | 2011-04-13 | 清华大学 | 一种全轮电驱动车辆的纵向车速估计方法 |
CN102009653A (zh) * | 2010-11-10 | 2011-04-13 | 清华大学 | 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法 |
CN102673569A (zh) * | 2012-05-25 | 2012-09-19 | 同济大学 | 车辆状态测算装置、方法及使用该装置的车辆 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359036B (zh) * | 2007-07-31 | 2010-11-17 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
CN101256218A (zh) * | 2008-04-08 | 2008-09-03 | 吉林大学 | 汽车动力电池荷电状态的测量系统 |
US8760003B2 (en) * | 2010-08-02 | 2014-06-24 | Denso Corporation | Vehicle-use power supply control apparatus and control apparatus for controlling electric rotating machine mounted on vehicle as main engine |
CN102289557B (zh) * | 2011-05-17 | 2013-08-07 | 杭州电子科技大学 | 一种电池模型参数与剩余电量联合异步在线估计方法 |
US8880253B2 (en) * | 2011-06-28 | 2014-11-04 | Ford Global Technologies, Llc | Nonlinear adaptive observation approach to battery state of charge estimation |
US9086462B2 (en) * | 2012-08-15 | 2015-07-21 | GM Global Technology Operations LLC | Systems and methods for battery parameter estimation |
US10664562B2 (en) * | 2013-02-24 | 2020-05-26 | Fairchild Semiconductor Corporation and University of Connecticut | Battery state of charge tracking, equivalent circuit selection and benchmarking |
-
2014
- 2014-05-26 CN CN201410225424.8A patent/CN103995464B/zh active Active
- 2014-05-28 WO PCT/CN2014/078608 patent/WO2015180050A1/zh active Application Filing
-
2016
- 2016-11-17 US US15/355,049 patent/US20170098021A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334206A (ja) * | 1994-06-13 | 1995-12-22 | Nissan Motor Co Ltd | 制御装置 |
JP2003070285A (ja) * | 2001-08-17 | 2003-03-07 | Delphi Technologies Inc | 電気機械のためのフィードバック・パラメータ推定 |
US7199549B2 (en) * | 2001-08-17 | 2007-04-03 | Delphi Technologies, Inc | Feedback parameter estimation for electric machines |
JP2009143546A (ja) * | 2007-12-17 | 2009-07-02 | Hyundai Motor Co Ltd | 車両走行速度制御装置および方法 |
CN101561353A (zh) * | 2009-05-21 | 2009-10-21 | 吉林大学 | 车辆线控制动线控转向硬件在环试验台 |
CN102009653A (zh) * | 2010-11-10 | 2011-04-13 | 清华大学 | 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法 |
CN102009654A (zh) * | 2010-11-12 | 2011-04-13 | 清华大学 | 一种全轮电驱动车辆的纵向车速估计方法 |
CN102673569A (zh) * | 2012-05-25 | 2012-09-19 | 同济大学 | 车辆状态测算装置、方法及使用该装置的车辆 |
Also Published As
Publication number | Publication date |
---|---|
US20170098021A1 (en) | 2017-04-06 |
CN103995464A (zh) | 2014-08-20 |
WO2015180050A1 (zh) | 2015-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103995464B (zh) | 一种估计电动车辆的动力系统的参数和状态的方法 | |
EP3309567B1 (en) | Method and device for estimating remaining available energy of a power battery | |
CN104569835B (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
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 | |
CN103616647B (zh) | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 | |
CN103399277B (zh) | 一种动力电池实际容量估算方法 | |
CN104502858B (zh) | 基于后向差分离散模型的动力电池soc估计方法与系统 | |
CN102680795B (zh) | 一种二次电池内阻的实时在线估计方法 | |
CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
CN105425153A (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN102998629B (zh) | 一种锂电池荷电状态的估计方法 | |
CN107037374A (zh) | 一种锂离子电池的soc和soh联合估计方法 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
CN108490356A (zh) | 一种改进ekf算法的锂电池soc估算方法 | |
KR20160004077A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
CN105572596B (zh) | 锂电池soc估算方法及系统 | |
CN105223487B (zh) | 一种锂离子电池的多状态解耦估计方法 | |
CN110346734A (zh) | 一种基于机器学习的锂离子动力电池健康状态估算方法 | |
US20210181263A1 (en) | Method and battery management system for ascertaining a state of health of a secondary battery | |
CN105008946A (zh) | 用于确定用于SoC的控制技术观测器的方法 | |
US8041522B2 (en) | System and method for recursively estimating battery cell total capacity | |
CN107167743A (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
CN105510829A (zh) | 一种新型锂离子动力电池soc估计方法 | |
CN110231567A (zh) | 一种电动汽车soc估算算法 | |
WO2022032963A1 (zh) | 电池剩余寿命的估算方法、装置和介质 |
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 |