CN105093121A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105093121A CN105093121A CN201510405189.7A CN201510405189A CN105093121A CN 105093121 A CN105093121 A CN 105093121A CN 201510405189 A CN201510405189 A CN 201510405189A CN 105093121 A CN105093121 A CN 105093121A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- distribution
- battery
- likelihood score
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000002245 particle Substances 0.000 claims abstract description 173
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000006978 adaptation Effects 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 238000005315 distribution function Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 38
- 206010019133 Hangover Diseases 0.000 claims description 15
- 230000010287 polarization Effects 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000011150 reinforced concrete Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明为一种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,由电池Thevenin模型,得到状态和量测方程,参数初始化后,进行状态预测计算状态预测值的均值和协方差,再重新采样、重构采样分布函数。计算电池端电压预测值,计算粒子权值,权值归一化和计算有效粒子数。有效粒子数Neff与有效粒子数阈值Nthr比较,当Neff小于Nthr,采用拉普拉斯分布作为似然度函数,并引入方差调节因子和工况适应因子,以自适应地修改似然度函数的方差,适应动力电池不同工况。最终得到更新的SOC估计值和协方差。本系统微控制器连接电压和电流传感器,微控制器内有各程序执行模块。本发明加大有效粒子数;有效避免了方差的过修正;估算精度优。
Description
技术领域
本发明涉及电动汽车动力电池电荷状态估计技术领域,具体为利用具有方差调整因子的拉普拉斯分布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。
背景技术
近年来,由于锂离子电池的优异性能,使其被广泛应用于电动汽车、便携式电子设备及航空航天等领域。动力电池电荷状态(StateofCharge,SOC)是电池管理系统(BatteryManagementSystem,BMS)描述电池状态的一个重要参数,对电荷状态准确的估算,可防止电池的过充和过放,有效延长电池的使用寿命。
目前研究者已给出了诸多实时估算电荷状态SOC的方法。
安时法通过精确测量电流实现电荷状态估计,是电荷状态估计的最基本方法,也是目前SOC测量的标准方法。
基于电压的SOC估计方法是通过SOC-OCV(opencircuitvoltage,开路电压)关系表,查表获得SOC,但OCV的测量需要电池长时间的静置。
卡尔曼滤波(KF,KalmanFilter)也是电荷状态估计的常用方法。考虑到电池的非线性特性,此SOC估计方法又进一步改进为有扩展卡尔曼滤波(EKF,ExtentedKalmanFilter),无迹卡尔曼滤波(UKF,UnscentedKalmanFilter),自适应无迹卡尔曼滤波,粒子滤波(PF,ParticleFilter),无迹粒子滤波(UPF,UnscentedParticleFilter)等。
高斯粒子滤波(GPF)算法是粒子滤波(PF)算法的一种变形,高斯滤波和粒子滤波结合,称为高斯粒子滤波(GaussianParticleFilter,GPF)。它通过高斯分布来近似未知变量的后验分布,实时性上要优于粒子滤波算法,性能上要优于扩展卡尔曼滤波(EKF)、无味卡尔曼滤波(UKF)等算法。高斯粒子滤波比其它的高斯滤波方法适用性更强,能处理更多非线性动态系统问题;而与一般的粒子滤波相比,因为高斯粒子滤波用高斯分布近似后验分布,所以只要所用的高斯分布是正确的,就不会产生粒子退化问题,就不需要对粒子进行重采样,从而使算法的计算量降低,复杂度也降低。
高斯粒子滤波以预测概率密度函数N(xk-1|k-1,Pk|k-1),作为重要性概率密度函数,但没有考虑最新的量测信息,重要性采样粒子分布与后验概率分布产生的粒子存在较大偏差,归一化重要性权值只集中在部分粒子上,导致其他粒子权重几乎接近于0,使得权值方差增大,故有效粒子数减小,滤波性能下降。
发明内容
本发明的目的是设计一种似然度函数粒子滤波的动力电池电荷状态估计方法,以端电压预测值与量测值之差作为似然度函数的输入,在有效粒子数较少时,用拉普拉斯分布的似然度函数替换高斯分布的似然度函数,更新计算权值,拉普拉斯分布的似然度函数在峰值之后逐渐减小,下降速度慢,似然度函数曲线与横轴之间的高度降低缓慢,且可自适应调节,增加有效粒子数,拓宽了下一时刻抽样范围,提高了滤波稳定性;引入方差调节因子γ,自适应地修改似然度函数的方差,有效地避免了方差的过修正问题。
本发明的另一目的是设计一种实现上述似然度函数粒子滤波的动力电池电荷状态估计方法的似然度函数粒子滤波的动力电池电荷状态估计系统。
本发明设计的一种似然度函数粒子滤波的动力电池电荷状态估计方法,采用目前最广泛使用的一种电池等效模型Thevenin模型,描述电池的静态和动态性能。电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构,表示电池的极化反应,RC两端电压为Up(t);串接欧姆电阻R0和Uoc,Uoc为电池的开路电压OCV,采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)。
电池Thevenin模型数学表达式如下:
用后向差分法对Thevenin电池模型离散化,整理后得到对应的后向差分离散模型:
U(k)=aU(k-1)+bI(k)+cI(k-1)+(1-a)UOC(k)(2)
式中:UOC(k)表示k时刻的开路电压;U(k)为k时刻的电池输出端电压;I(k)为k时刻的回路电流;a,b,c为离散模型参数。
采用含遗忘因子的递推最小二乘法(FFRLS,Forgetting-factorrecursiveleastsquaremethod),进行电池后向差分模型的参数辨识,求得a、b、c、UOC(k)的值。根据方程(2),对应得到k时刻的电池端电压的预测值U(k)。
定义SOC如下:
式中:SOC0是SOC的初始值;QN为电池的额定容量;η0为电池的充放电库伦效率,本发明η0=1;i(t)为放电电流。
结合电池的离散模型,对电池特性描述如下,
状态方程
量测方程UK=UOC(SOCk)-R0ik-Up,k(5)
式中:Up,k为k时刻极化电容两端电压;T为采样周期;UOC(SOCk)表示电池的开路电压和SOC的非线性关系。
UOC(SOCk)与SOC关系如下:
Uoc(SOCk)=a1SOCk 8+a2SOCk 7+a3SOCk 6+a4SOCk 5+
(6)
a5SOCk 4+a6SOCk 3+a7SOCk 2+a8SOCk+a9
根据实验得到的SOC和在线辨识得到的开路电压UOC,运用含遗忘因子的递推最小二乘法(FFRLS),求出式(6)中的a1~a9。
根据式(5),由SOC的预测值SOCk得到端电压的预测值Uk。
本方法主要包括如下步骤:
步骤Ⅰ、参数初始化
设定SOC的初始值和滤波协方差初始值,分别记作x0|0和P0|0,设定采样粒子数为N,N取值为30~100,较佳方案N为45~55,有效粒子数阈值Nthr。
根据经验选定Nthr=(0.5~0.85)N,较佳方案为Nthr=(0.73~0.81)N。
步骤Ⅱ、重要性采样
从正态分布,即高斯分布N(xk-1|k-1,Pk-1|k-1)中随机采样N个粒子记作为从N(xk-1|k-1,Pk-1|k-1)中采样得到的大小为N的以xk-1|k-1为中心值、Pk-1|k-1为方差的高斯分布;xk-1|k-1和Pk-1|k-1分别为k-1时刻滤波均值和协方差,即SOCk-1及其协方差。
Ⅱ-1、状态预测
采用步骤Ⅰ中的式(4)
状态方程
进行状态预测,即求得:
其中,为k-1时刻的对SOC的第i个采样点;为k时刻从预测粒子集采样的第i个采样点;ik-1为k-1时刻的电流,放电时电流值为正,充电时电流值为负,;T为采样周期,QN为电池总容量。
Ⅱ-2、计算状态预测值的均值xk|k-1和协方差Pk|k-1
Ⅱ-3、重新采样、重构采样分布函数
以状态预测值的均值xk-1|k-1和协方差Pk-1|k-1重构高斯分布得N(xk|k-1,Pk|k-1),并重新采样为从高斯分布N(xk|k-1,Pk|k-1)中采样的N个粒子。
步骤Ⅲ、计算粒子权值并归一化
Ⅲ-1、计算电池端电压预测值
将粒子代入量测方程(5)中计算电池端电压预测值 表示k时刻粒子对应的端电压预测值集合。
即:
由式(6)计算得到。
Ⅲ-2、计算粒子权值
k时刻第i个粒子的权值由高斯分布的似然度函数计算得到,即 R为高斯似然度函数的方差,根据经验赋值。y1,k为k时刻的量测值,表示k时刻第i个粒子对应的端电压预测值。
Ⅲ-3、权值归一化和计算有效粒子数Neff
为归一化后的权值;Neff为相对于采样粒子数N而言的有效粒子数。 为的方差。
xk|k为状态估计值;Pk|k为协方差估计值。
步骤Ⅳ、有效粒子数Neff与有效粒子数阈值Nthr的比较
高斯粒子滤波的预测粒子分布即先验概率分布π(xk|k-1),代表粒子数分布;后验概率分布即粒子实际概率分布,代表粒子的权值分布;先验概率分布和后验概率分布存在较大偏差。当高斯后验概率分布与预测粒子分布的重叠越少,预测粒子分布中对应的有效粒子数越少。权值均集中于部分粒子,有效粒子数少,由上述式(12)可知协方差Pk|k-1小,下一时刻按照N(xk|k-1,Pk|k-1)采样的范围小,容易丢失目标,滤波性能差。
主要表现有两种情况:
1)高斯后验概率分布与预测粒子分布中心点重合,后验概率分布曲线峰值A大,而预测粒子分布曲线虽然存在峰值B,但相比较来讲尖峰平坦,峰值B较小;A大于B的三倍或更多;后验概率分布峰值两侧下降越快,高斯后验概率分布与预测粒子分布重叠越少,使预测粒子分布中对应的有效粒子数愈少。
2)高斯后验概率分布与预测粒子分布中心点不重合,后验概率分布曲线位于预测粒子分布曲线的尾部。当高斯后验概率分布与预测粒子分布中心点相距越大,高斯后验概率分布与预测粒子分布重叠越少,使预测粒子分布中对应的有效粒子数愈少。
拉普拉斯分布与高斯后验概率分布比较,峰值相同情况的两种分布曲线,在峰值两侧幅值均逐渐降低。将曲线与横轴间的高度定义为拖尾厚度。在接近横轴时,拉普拉斯分布的幅值下降比高斯后验概率分布的幅值下降更缓慢,即拉普拉斯分布的拖尾厚度大于高斯后验概率分布的拖尾厚度。
与高斯后验概率分布峰值相同的拉普拉斯分布,无论是拉普拉斯分布与预测粒子分布最大峰值中心点重合或不重合,拉普拉斯分布与预测粒子分布的重叠都比高斯后验概率分布多,即,预测粒子分布中有效粒子数增大。增大了滤波的协方差Pk|k-1,下一时刻按照N(xk|k-1,Pk|k-1)进行抽样,采样范围更大,增强了滤波的稳定性。
因此根据步骤Ⅰ设定的有效粒子数阈值Nthr,确定是否更换似然度函数。
当Neff小于Nthr,进入步骤Ⅴ;否则进入步骤Ⅵ。
步骤Ⅴ、更换似然度函数
采用拉普拉斯分布作为似然度函数。
拉普拉斯分布作为似然度函数增加了与预测粒子分布的重叠部分的面积,但对应增加了离量测值较远的粒子的权值。而离量测值较远的粒子的权值越大,使得当前时刻滤波的值偏差越大。
本发明引入方差调节因子γ,γ=1+θ;有效粒子数退化率θ,θ=(Nthr-Neff)/Nthr。Nthr为有效粒子数阈值;Neff表示有效粒子数,由公式(10)计算得到。
拉普拉斯分布的概率密度函数,或称为似然度函数如下:
式中:x为预测方程所得状态预测值,或者x为量测方程所得量测值对应物理量的预测值,μ和R分别是该拉普拉斯分布的中心值和方差。
引入γ后,方程(13)改写为:
当γ增大时拉普拉斯分布的拖尾厚度增加。根据γ和θ的计算公式,当Neff越小,θ越大,γ越大,拖尾厚度越大,从而实现自适应地修改似然度函数的方差,有效地避免了方差的过修正问题。
动力电池在不同工况下,SOC变化快慢不一样,预测粒子分布和似然度函数的相对位置及形状不一样,为此,在γ的定义式中引入工况适应因子ε,γ=1+εθ,ε~(0,1]。
代入式(14)得:
动力电池工况负载变化不剧烈时,SOC变化相对较慢,即前后两个时刻的SOC真实值相近,以N(xk|k-1,Pk|k-1)为重要性概率密度函数的预测概率密度函数的中心,与似然度函数中心较为接近,出现似然度函数位于状态转移概率密度函数尾部的概率小,似然度函数的拖尾厚度越小ε取较小值。
动力电池工况剧烈时,SOC相对变化较快,即前后两个时刻的SOC真实值相差较大,预测概率密度函数的中心与似然度函数中心相隔较远的可能性大,出现似然度函数位于状态转移概率密度函数尾部的概率大,可使似然度函数的拖尾厚度大,ε取较大值。本发明根据DST工况,取ε=0.4~0.6。
借鉴高斯滤波中的方法,用代替拉普拉斯分布的概率密度函数(13)中的x-μ,得到修改后的拉普拉斯分布似然度函数
其中x、μ、R的赋值分别参照高斯分布的似然度函数中的y1,k、R,然后进行归一化。
步骤Ⅵ、状态更新和协方差更新
即执行步骤Ⅲ-3的式(11)(12),得到更新的SOC估计值和更新的协方差。
步骤Ⅶ、判断滤波时间大于设定运行时间,则结束,否则,k=k+1,返回步骤Ⅱ。
本发明设计的似然度函数粒子滤波的动力电池电荷状态估计系统包括微控制器、电压传感器和电流传感器,微控制器还连接显示器。微控制器配有通用接口,电压传感器和电流传感器接入模数转换电路,再经通用接口连接微控制器。
微控制器的中心处理器连接有程序存储器和数据存储器,程序存储器含有电压电流数据采集模块、根据参数辨识的UOC(SOCk)与SOC关系模块,端电压估计及端电压预测偏差计算模块,有效粒子数Neff与有效粒子数阈值Nthr的比较模块,方差调节因子、有效粒子数退化率及修改后的拉普拉斯分布似然度函数计算模块,状态更新和协方差更新模块以及SOC显示模块;数据存储器存放初始化参数。中心处理器连接CAN总线接口、PC104总线接口和以太网接口中的一种或多种,以供功能扩展使用。
与现有技术相比,本发明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的优点为:1、针对高斯粒子滤波的动力电池电荷状态估计方法的重要性概率密度函数未考虑最新的量测信息,导致有效粒子数减少,滤波性能下降的问题,在有效粒子数小于有效粒子数阈值时,以拉普拉斯分布作为似然度函数,加大有效粒子数;2、引入方差调节因子增加了离量测值较远的粒子的权值,实现自适应地修改似然度函数的方差,有效地避免了方差的过修正问题;3、在方差调节因子的定义式中引入工况适应因子,根据动力电池工况负载变化,调节预测粒子分布和似然度函数的相对位置及形状;4、本方法的估算精度要优于高斯粒子滤波的动力电池电荷状态估计方法,且当SOC初始值偏差高达80%时,本发明方法依然迅速收敛,保持较高精度。
附图说明
图1为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例的流程图;
图2为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例所采用的动力电池等效模型的原理图;
图3为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例步骤Ⅳ中高斯后验概率分布、拉普拉斯后验概率分布和预测粒子分布中心点重合,且二前者相对于第三者呈尖峰状态;
图4为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例步骤Ⅳ中高斯后验概率分布和拉普拉斯后验概率分布位于预测粒子分布的尾部;
图5为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例步骤Ⅳ中不同的γ条件下的拉普拉斯分布的拖尾厚度对比;
图6为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例(PF-LFAF)工况适应因子ε取0.5所得SOC与高斯粒子滤波(GPF)所得SOC结果对比图,本图所示为SOC初值SOC0=0.8、采样粒子数N=50;
图7为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例(PF-LFAF)工况适应因子ε取0.5所得SOC与高斯粒子滤波(GPF)所得SOC结果对比图,本图所示为SOC初值SOC0=0.2、采样粒子数N=50;
图8为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例(PF-LFAF)工况适应因子ε取0.5所得SOC与高斯粒子滤波(GPF)所得SOC结果对比图,本图所示为SOC初值SOC0=0.8、采样粒子数N=100;
图9为本似然度函数粒子滤波的动力电池电荷状态估计方法实施例(PF-LFAF)工况适应因子ε取0.5所得SOC与高斯粒子滤波(GPF)所得SOC结果对比图,本图所示为SOC初值SOC0=0.2、采样粒子数N=100。
图10为本似然度函数粒子滤波的动力电池电荷状态估计系统实施例结构框图。
具体实施方式
似然度函数粒子滤波的动力电池电荷状态估计方法实施例
本似然度函数粒子滤波的动力电池电荷状态估计方法实施例,其流程如图1所示。采用目前最广泛使用的一种电池等效模型Thevenin模型,描述电池的静态和动态性能。如图2所示,电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构,表示电池的极化反应,RC两端电压为Up(t);串接欧姆电阻R0和Uoc,Uoc为电池的开路电压OCV,采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)。
电池Thevenin模型数学表达式如下:
用后向差分法对Thevenin电池模型离散化,整理后得到对应的后向差分离散模型:
U(k)=aU(k-1)+bI(k)+cI(k-1)+(1-a)UOC(k)(2)
式中:UOC(k)表示k时刻的开路电压;U(k)为k时刻的电池输出端电压;I(k)为k时刻的回路电流;a,b,c为离散模型参数。
采用含遗忘因子的递推最小二乘法(FFRLS),进行电池后向差分模型的参数辨识,求得a、b、c、UOC(k)的值。根据方程(2),对应得到k时刻的电池端电压的预测值U(k)。
定义SOC如下:
式中:SOC0是SOC的初始值;QN为电池的额定容量;η0为电池的充放电库伦效率,本例η0=1;i(t)为放电电流。
结合电池的离散模型,对电池特性描述如下,
状态方程
量测方程UK=UOC(SOCk)-R0ik-Up,k(5)
式中:Up,k为k时刻极化电容两端电压;T为采样周期;UOC(SOCk)表示电池的开路电压和SOC的非线性关系。
UOC(SOCk)与SOC关系如下:
Uoc(SOCk)=a1SOCk 8+a2SOCk 7+a3SOCk 6+a4SOCk 5+
a5SOCk 4+a6SOCk 3+a7SOCk 2+a8SOCk+a9(6)
根据实验得到的SOC和在线辨识得到的开路电压UOC,运用含遗忘因子的递推最小二乘法(FFRLS),求出式(6)中的a1~a9。
根据式(5),由SOC的预测值SOCk得到端电压的预测值Uk。
本方法主要包括如下步骤:
步骤Ⅰ、参数初始化
设定SOC的初始值和滤波协方差初始值,分别记作x0|0和P0|0,设定采样粒子数为N,本例N=50,有效粒子数阈值Nthr=0.78N=39。
步骤Ⅱ、重要性采样
从高斯分布N(xk-1|k-1,Pk-1|k-1)中随机采样N个粒子记作 为从N(xk-1|k-1,Pk-1|k-1)中采样得到的大小为N的以xk-1|k-1为中心值、Pk-1|k-1为方差的高斯分布;xk-1|k-1和Pk-1|k-1分别为k-1时刻滤波均值和协方差,即SOCk-1及其协方差。
Ⅱ-1、状态预测
采用步骤Ⅰ中的式(4)
状态方程
进行状态预测,即求得:其中,为k-1时刻对SOC的第i个采样点;为k时刻从预测粒子集采样的第i个采样点;ik-1为k-1时刻的电流,放电时电流值为正,充电时电流值为负;T为采样周期,QN为电池总容量。
Ⅱ-2、计算状态预测值的均值xk|k-1和协方差Pk|k-1
Ⅱ-3、重新采样、重构采样分布函数
以状态预测值的均值xk-1|k-1和协方差Pk-1|k-1重构高斯分布得N(xk|k-1,Pk|k-1),并重新采样
为从高斯分布N(xk|k-1,Pk|k-1)中采样的N个粒子。
步骤Ⅲ、计算粒子权值并归一化。
Ⅲ-1、计算电池端电压预测值
将粒子代入量测方程(5)中计算电池端电压预测值 表示k时刻粒子对应的端电压预测值集合。
即:
由式(6)计算得到。
Ⅲ-2、计算粒子权值
k时刻第i个粒子的权值由高斯分布的似然度函数计算得到,即 R为高斯似然度函数的方差,根据经验赋值。y1,k为k时刻的量测值,表示k时刻第i个粒子对应的端电压预测值。
Ⅲ-3、权值归一化和计算有效粒子数Neff
为归一化后的权值;Neff为相对于采样粒子数N而言的有效粒子数。 为的方差。
xk|k为状态估计值;Pk|k为协方差估计值。
步骤Ⅳ、有效粒子数Neff与有效粒子数阈值Nthr的比较
高斯粒子滤波的预测粒子分布即先验概率分布π(xk|k-1),代表粒子数分布;后验概率分布即粒子实际概率分布,代表粒子的权值分布;先验概率分布和后验概率分布存在较大偏差。
拉普拉斯分布与高斯后验概率分布比较,峰值相同情况的两种分布曲线,在峰值两侧幅值均逐渐降低。将曲线与横轴间的高度定义为拖尾厚度。在接近横轴时,拉普拉斯分布的幅值下降比高斯后验概率分布的幅值下降更缓慢,即拉普拉斯分布的拖尾厚度大于高斯后验概率分布的拖尾厚度。
与高斯后验概率分布峰值相同的拉普拉斯分布,无论是拉普拉斯分布与预测粒子分布最大峰值中心点重合或不重合,拉普拉斯分布与预测粒子分布的重叠都比高斯后验概率分布多,,如图3和4所示,即预测粒子分布中有效粒子数增大。增大了滤波的协方差Pk|k-1,下一时刻按照N(xk|k-1,Pk|k-1)进行抽样,采样范围更大,增强了滤波的稳定性。
当有效粒子数Neff小于有效粒子数阈值Nthr,进入步骤Ⅴ;否则进入步骤Ⅵ。
步骤Ⅴ、更换似然度函数
采用拉普拉斯分布作为似然度函数。
步骤Ⅴ-1、计算有效粒子数退化率θ=(Nthr-Neff)/Nthr。Nthr为有效粒子数阈值;Neff表示有效粒子数;本例Nthr=0.75N,
步骤Ⅴ-2、计算方差调节因子γ=1+εθ;
当γ增大时拉普拉斯分布的拖尾厚度增加,如图5所示。ε表示工况适应因子,本例ε=0.5;
步骤Ⅴ-3、用代替拉普拉斯分布的概率密度函数中的x-μ,得到修改后的拉普拉斯分布似然度函数
其中x、μ、R的赋值分别参照高斯分布的似然度函数中的y1,k、R,然后进行归一化。
步骤Ⅵ、状态更新和协方差更新
即执行步骤Ⅲ-3的式(11)(12),得到更新的SOC估计值和更新的协方差。
步骤Ⅶ、判断滤波时间大于设定的运行时间,则结束,否则,k=k+1,返回步骤Ⅱ。
似然度函数粒子滤波的动力电池电荷状态估计系统实施例
本似然度函数粒子滤波的动力电池电荷状态估计系统实施例如图10所示,本例的微控制器为基于x86系统的嵌入式微控制器,如PC104板。本例微控制器的中心处理器连接程序存储器和数据存储器,程序存储器含有电压电流数据采集模块、根据参数辨识的UOC(SOCk)与SOC关系模块,端电压估计及端电压预测偏差计算模块,有效粒子数Neff与有效粒子数阈值Nthr的比较模块,方差调节因子、有效粒子数退化率及修改后的拉普拉斯分布似然度函数计算模块,状态更新和协方差更新模块以及SOC显示模块;数据存储器存放初始化参数。
电压传感器和电流传感器接入模数转换电路,再经通用输入输出接口(通用I/O接口)连接微控制器的中心处理器。微控制器的中心处理器连接显示器。
中心微处理器连接CAN总线接口、PC104总线接口和以太网接口,以便功能扩展使用。
在不同SOC初值和不同粒子数N的情况下,本似然度函数粒子滤波的动力电池电荷状态估计方法PF-LFAF和高斯粒子滤波GPF的动力电池电荷状态估计方法的所得SOC结果以及SOC实际值的对比如图6至图9所示。
传统实验所得的该型号动力电池的SOC作为SOC实际值。
图6至9的纵坐标为SOC值,横坐标为时间,大图单位为104秒,局部放大的右上角小图单位为秒。其中实线表示SOC实际值,短线虚线表示本似然度函数粒子滤波的动力电池电荷状态估计方法PF-LFAF所得SOC,点虚线表示高斯粒子滤波GPF的动力电池电荷状态估计方法的所得SOC。
图6SOC初值SOC0=0.8、粒子数N=50;
图7SOC初值SOC0=0.2、粒子数N=50;
图8SOC初值SOC0=0.8、粒子数N=100;
图9SOC初值SOC0=0.2、粒子数N=100。
图7和9中可清楚看到本实施例所得SOC曲线短线虚线与实际SOC曲线实线最为接近。各图的右上角小图中可看到当本实施例电荷状态初值与SOC实际值相差较大的情况下,本实施例PF-LFAF法的收敛速度要快于GPF法。
为了进一步说明本实施例方法相对于高斯粒子滤波GPF的动力电池电荷状态估计方法具有良好的适应性,列出不同SOC初始值相同粒子数下的实验数据结果,见表1和表2。
表1粒子数为50时两种方法估算误差对照表
N | SOC0 | PF-LFAF平均误差 | GPF平均误差 |
50 | 1 | 0.0512% | 0.1469% |
50 | 0.8 | 0.0527% | 0.1574% |
50 | 0.6 | 0.1374% | 发散 |
50 | 0.4 | 0.1427% | 发散 |
50 | 0.2 | 0.2797% | 发散 |
表2粒子数为100时两种方法估算误差对照表
N | SOC0 | PF-LFAF平均误差 | GPF平均误差 |
100 | 1 | 0.0476% | 0.0702% |
100 | 0.8 | 0.0491% | 0.1442% |
100 | 0.6 | 0.0636% | 0.1608% |
100 | 0.4 | 0.0888% | 发散 |
100 | 0.2 | 0.2045% | 发散 |
由表1可知,粒子数为50时本例PF-LFAF法的估算精度要优于GPF法,且当SOC初始值偏差分别为40%、60%、80%时PF-LFAF法依然收敛,保持较高精度。
上述实施例,仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例,本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (8)
1.一种似然度函数粒子滤波的动力电池电荷状态估计方法,采用Thevenin模型描述电池的静态和动态性能;电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构,RC两端电压为Up(t);串接欧姆电阻R0和Uoc,Uoc为电池的开路电压OCV,采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t);
电池Thevenin模型数学表达式如下:
用后向差分法对Thevenin电池模型离散化,整理后得到对应的后向差分离散模型:
U(k)=aU(k-1)+bI(k)+cI(k-1)+(1-a)UOC(k)(2)
式中:UOC(k)表示k时刻的开路电压;U(k)为k时刻的电池输出端电压;I(k)为k时刻的回路电流;a,b,c为离散模型参数;
采用含遗忘因子的递推最小二乘法,进行电池后向差分模型的参数辨识,求得a、b、c、UOC(k)的值,根据方程(2),对应得到k时刻的电池端电压的预测值U(k);
定义SOC如下:
式中:SOC0是SOC的初始值;QN为电池的额定容量;η0为电池的充放电库伦效率,本发明η0=1;i(t)为放电电流;
结合电池的离散模型,对电池特性描述如下,
状态方程
量测方程UK=UOC(SOCk)-R0ik-Up,k(5)
式中:Up,k为k时刻极化电容两端电压;T为采样周期;UOC(SOCk)表示电池的开路电压和SOC的非线性关系;
UOC(SOCk)与SOC关系如下:
Uoc(SOCk)=a1SOCk 8+a2SOCk 7+a3SOCk 6+a4SOCk 5+
a5SOCk 4+a6SOCk 3+a7SOCk 2+a8SOCk+a9(6)
根据实验得到的SOC和在线辨识得到的开路电压UOC,运用含遗忘因子的递推最小二乘法(FFRLS),求出式(6)中的a1~a9;
根据式(5),由SOC的预测值SOCk得到端电压的预测值Uk;
其特征在于主要包括如下步骤:
步骤Ⅰ、参数初始化
设定SOC的初始值和滤波协方差初始值,分别记作x0|0和P0|0,设定采样粒子数为N,N取值为30~100;有效粒子数阈值为Nthr,设定Nthr=(0.5~0.85)N;
步骤Ⅱ、重要性采样
从正态分布,即高斯分布N(xk-1|k-1,Pk-1|k-1)中随机采样N个粒子记作为从N(xk-1|k-1,Pk-1|k-1)中采样得到的大小为N的以xk-1|k-1为中心值、Pk-1|k-1为方差的高斯分布;xk-1|k-1和Pk-1|k-1分别为k-1时刻滤波均值和协方差,即SOCk-1及其协方差;
Ⅱ-1、状态预测
采用步骤Ⅰ中的式(4)
状态方程
进行状态预测,即求得:
其中,为k-1时刻的对SOC的第i个采样点;为k时刻从预测粒子集采样的第i个采样点;ik-1为k-1时刻的电流,放电时电流值为正,充电时电流值为负;T为采样周期,QN为电池总容量;
Ⅱ-2、计算状态预测值的均值xk|k-1和协方差Pk|k-1
Ⅱ-3、重新采样、重构采样分布函数
以状态预测值的均值xk-1|k-1和协方差Pk-1|k-1重构高斯分布得N(xk|k-1,Pk|k-1),并重新采样
为从高斯分布N(xk|k-1,Pk|k-1)中采样的N个粒子;
步骤Ⅲ、计算粒子权值并归一化
Ⅲ-1、计算电池端电压预测值
将粒子代入量测方程(5)中计算电池端电压预测值 表示k时刻粒子对应的端电压预测值集合;
即:
由式(6)计算得到;
Ⅲ-2、计算粒子权值
k时刻第i个粒子的权值由高斯分布的似然度函数计算得到,即 R为高斯似然度函数的方差,根据经验赋值;y1,k为k时刻的量测值,表示k时刻第i个粒子对应的端电压预测值;
Ⅲ-3、权值归一化和计算有效粒子数Neff
为归一化后的权值;Neff为相对于采样粒子数N而言的有效粒子数; 为的方差;
xk|k为状态估计值;Pk|k为协方差估计值;
步骤Ⅳ、有效粒子数Neff与有效粒子数阈值Nthr的比较
高斯粒子滤波的预测粒子分布即先验概率分布π(xk|k-1),代表粒子数分布;后验概率分布即粒子实际概率分布,代表粒子的权值分布;
当Neff小于Nthr,进入步骤Ⅴ;否则进入步骤Ⅵ;
步骤Ⅴ、更换似然度函数
采用拉普拉斯分布作为似然度函数;
拉普拉斯分布的概率密度函数,或称为似然度函数如下:
式中:x为预测方程所得状态预测值,或者x为量测方程所得量测值对应物理量的预测值,μ和R分别是该拉普拉斯分布的中心值和方差;
借鉴高斯滤波的方法,用代替拉普拉斯分布的概率密度函数(13)中的x-μ,得到修改后的拉普拉斯分布似然度函数
其中x、μ、R的赋值分别参照高斯分布的似然度函数中的y1,k、R,然后进行归一化;
步骤Ⅵ、状态更新和协方差更新
即执行步骤Ⅲ-3的式(11)(12),得到更新的SOC估计值和更新的协方差;
步骤Ⅶ、判断滤波时间大于设定运行时间,则滤波结束;否则,k=k+1,返回步骤Ⅱ。
2.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法,其特征在于:
所述步骤Ⅰ中设定采样粒子数N取值为45~55。
3.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法,其特征在于:
所述步骤Ⅰ中设定有效粒子数阈值Nthrr=(0.73~0.81)N。
4.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法,其特征在于:
所述步骤Ⅴ更换似然度函数时引入方差调节因子γ,γ=1+θ;θ为有效粒子数退化率,θ=(Nthr-Neff)/Nthr;
引入γ后,方程(13)改写为:
当γ增大时拉普拉斯分布的拖尾厚度增加。
5.根据权利要求4所述的似然度函数粒子滤波的动力电池电荷状态估计方法,其特征在于:
所述方差调节因子γ的定义式中引入工况适应因子ε,γ=1+εθ,ε~(0,1],代入式(14)得:
动力电池工况负载变化不剧烈时,SOC变化相对较慢,似然度函数的拖尾厚度小,ε取较小值;
动力电池工况剧烈时,SOC相对变化较快,似然度函数的拖尾厚度大,ε取较大值。
6.根据权利要求5所述的似然度函数粒子滤波的动力电池电荷状态估计方法,其特征在于:
所述工况适应因子ε=0.4~0.6。
7.根据权利要求1至6中任一项所述的似然度函数粒子滤波的动力电池电荷状态估计方法所设计的似然度函数粒子滤波的动力电池电荷状态估计系统;包括微控制器、电压传感器和电流传感器,微控制器还连接显示器;微控制器配有通用输入输出接口,电压传感器和电流传感器接入模数转换电路,再经通用接口连接微控制器;其特征在于:
所述微控制器的中心处理器连接有程序存储器和数据存储器,程序存储器含有电压电流数据采集模块、根据参数辨识的UOC(SOCk)与SOC关系模块,端电压估计及端电压预测偏差计算模块,有效粒子数Neff与有效粒子数阈值Nthr的比较模块,方差调节因子、有效粒子数退化率及修改后的拉普拉斯分布似然度函数计算模块,状态更新和协方差更新模块以及SOC显示模块;数据存储器存放初始化参数。
8.根据权利要求7所述的似然度函数粒子滤波的动力电池电荷状态估计系统;其特征在于:
所述微控制器的中心处理器连接CAN总线接口、PC104总线接口和以太网接口中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510405189.7A CN105093121B (zh) | 2015-07-10 | 2015-07-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510405189.7A CN105093121B (zh) | 2015-07-10 | 2015-07-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105093121A true CN105093121A (zh) | 2015-11-25 |
CN105093121B CN105093121B (zh) | 2017-09-08 |
Family
ID=54573996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510405189.7A Active CN105093121B (zh) | 2015-07-10 | 2015-07-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105093121B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN107819336A (zh) * | 2016-09-13 | 2018-03-20 | 成都天府新区光启未来技术研究院 | 锂电池的均衡方法、装置和系统 |
CN107870305A (zh) * | 2017-12-04 | 2018-04-03 | 浙江大学城市学院 | 基于温度参数的锂离子电池在线参数辨识和soh估计方法 |
CN108226788A (zh) * | 2017-11-20 | 2018-06-29 | 蔚来汽车有限公司 | 基于充电侧充电状态计算电池soc的方法、装置及系统 |
CN109196366A (zh) * | 2016-06-06 | 2019-01-11 | 三菱电机株式会社 | 使用高斯过程回归估计电池充电状态的方法和系统 |
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 |
CN110531279A (zh) * | 2019-05-31 | 2019-12-03 | 西安工程大学 | 基于iupf的锂离子电池剩余使用寿命预测方法 |
CN110707693A (zh) * | 2019-10-18 | 2020-01-17 | 燕山大学 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
CN111098755A (zh) * | 2019-11-21 | 2020-05-05 | 南通大学 | 一种电动汽车动力电池soc估计方法 |
CN112379275A (zh) * | 2020-11-23 | 2021-02-19 | 中国电子科技集团公司第十八研究所 | 一种多参数修正的动力电池soc估计方法及估计系统 |
CN112986848A (zh) * | 2021-01-27 | 2021-06-18 | 力高(山东)新能源技术有限公司 | 一种估算动力电池soh的方法 |
CN117388715A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070157818A1 (en) * | 2004-06-23 | 2007-07-12 | Peugeot Citroen Automobiles Sa | System for evaluating the charge state of an exhaust line depollution means |
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与系统 |
CN103472398A (zh) * | 2013-08-19 | 2013-12-25 | 南京航空航天大学 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
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 |
US20150112527A1 (en) * | 2013-10-22 | 2015-04-23 | GM Global Technology Operations LLC | Battery soc estimation with automatic correction |
CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
-
2015
- 2015-07-10 CN CN201510405189.7A patent/CN105093121B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070157818A1 (en) * | 2004-06-23 | 2007-07-12 | Peugeot Citroen Automobiles Sa | System for evaluating the charge state of an exhaust line depollution means |
CN103472398A (zh) * | 2013-08-19 | 2013-12-25 | 南京航空航天大学 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与系统 |
US20150112527A1 (en) * | 2013-10-22 | 2015-04-23 | GM Global Technology Operations LLC | Battery soc estimation with automatic correction |
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 |
CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
Non-Patent Citations (4)
Title |
---|
MINGYU GAO等: "Battery State of Charge online Estimation based on Particle Filter", 《2011 4TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
SIMON SCHWUNK等: "Paralled particle filter for state of charge and health estimation with a long term test", 《EVS27 INTERNATIONAL BATTERY,HYBRID AND FUEL CELL ELECTRIC VEHICLE SYMPOSIUM》 * |
汪永志等: "基于粒子滤波算法的动力电池SOC估计", 《机械设计与制造工程》 * |
赵又群等: "基于扩展卡尔曼粒子滤波算法的锂电池SOC估计", 《中国机械工程》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109196366B (zh) * | 2016-06-06 | 2020-12-08 | 三菱电机株式会社 | 使用高斯过程回归估计电池充电状态的方法和系统 |
CN109196366A (zh) * | 2016-06-06 | 2019-01-11 | 三菱电机株式会社 | 使用高斯过程回归估计电池充电状态的方法和系统 |
CN107819336A (zh) * | 2016-09-13 | 2018-03-20 | 成都天府新区光启未来技术研究院 | 锂电池的均衡方法、装置和系统 |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
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 |
WO2019096296A1 (zh) * | 2017-11-20 | 2019-05-23 | 蔚来汽车有限公司 | 基于充电侧充电状态计算电池soc的方法、装置及系统 |
CN108226788A (zh) * | 2017-11-20 | 2018-06-29 | 蔚来汽车有限公司 | 基于充电侧充电状态计算电池soc的方法、装置及系统 |
CN107870305B (zh) * | 2017-12-04 | 2019-10-18 | 浙江大学城市学院 | 基于温度参数的锂离子电池在线参数辨识和soh估计方法 |
CN107870305A (zh) * | 2017-12-04 | 2018-04-03 | 浙江大学城市学院 | 基于温度参数的锂离子电池在线参数辨识和soh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 |
CN110531279A (zh) * | 2019-05-31 | 2019-12-03 | 西安工程大学 | 基于iupf的锂离子电池剩余使用寿命预测方法 |
CN110707693A (zh) * | 2019-10-18 | 2020-01-17 | 燕山大学 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
CN110707693B (zh) * | 2019-10-18 | 2023-06-16 | 燕山大学 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
CN111098755A (zh) * | 2019-11-21 | 2020-05-05 | 南通大学 | 一种电动汽车动力电池soc估计方法 |
CN112379275A (zh) * | 2020-11-23 | 2021-02-19 | 中国电子科技集团公司第十八研究所 | 一种多参数修正的动力电池soc估计方法及估计系统 |
CN112986848A (zh) * | 2021-01-27 | 2021-06-18 | 力高(山东)新能源技术有限公司 | 一种估算动力电池soh的方法 |
CN117388715A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
CN117388715B (zh) * | 2023-12-11 | 2024-02-27 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105093121B (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105093121A (zh) | 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 | |
CN103630843B (zh) | 电池状态推测装置及推测方法、电池控制装置、电池系统 | |
CN106443480B (zh) | 一种锂离子电池系统soc估算方法 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN107632272B (zh) | 一种基于电芯温度预测的电池放电荷电状态精确估计方法 | |
CN107219466A (zh) | 一种混合扩展卡尔曼滤波的锂电池soc估算方法 | |
CN106814329A (zh) | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN103884996A (zh) | 一种磷酸铁锂电池的剩余电量计算方法 | |
CN107209227B (zh) | 电池组的电池单元的充电状态的自动估计方法 | |
CN105203963B (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN102540096A (zh) | 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法 | |
CN107003360B (zh) | 电池组的充电状态的自动确定方法 | |
CN105842633A (zh) | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 | |
CN104360285A (zh) | 一种基于改进的安时积分法的电池容量修正方法 | |
CN103969587A (zh) | 一种混合动力车用动力电池soc估算方法 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
US11316212B2 (en) | Method, system and device for active balance control of battery pack | |
Solomon et al. | State of charge estimation of Lithium-ion battery using an improved fractional-order extended Kalman filter | |
CN111914485B (zh) | 一种基于分数阶技术的自适应动力电池soc估计方法及系统 | |
CN103078152B (zh) | 集中性充电站智能充电方法 | |
CN112710955A (zh) | 一种用于提高电池容量估计精度的算法 | |
CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及系统 | |
CN105487016A (zh) | 一种soc估值方法及其系统 | |
KR20200056716A (ko) | 배터리 soh 산출 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20151125 Assignee: NANNING YONGBAO SOLAR ENERGY CO.,LTD. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046705 Denomination of invention: Likelihood Function Particle Filter Based Charge State Estimation Method and System for Power Batteries Granted publication date: 20170908 License type: Common License Record date: 20231109 |