CN107121641B - 一种基于粒子群优化的电池状态估计方法 - Google Patents

一种基于粒子群优化的电池状态估计方法 Download PDF

Info

Publication number
CN107121641B
CN107121641B CN201710342878.7A CN201710342878A CN107121641B CN 107121641 B CN107121641 B CN 107121641B CN 201710342878 A CN201710342878 A CN 201710342878A CN 107121641 B CN107121641 B CN 107121641B
Authority
CN
China
Prior art keywords
particle
state
population
battery
estimator
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
Application number
CN201710342878.7A
Other languages
English (en)
Other versions
CN107121641A (zh
Inventor
向勇
王健翔
冯雪松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Angao Special Electric Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710342878.7A priority Critical patent/CN107121641B/zh
Publication of CN107121641A publication Critical patent/CN107121641A/zh
Application granted granted Critical
Publication of CN107121641B publication Critical patent/CN107121641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明属于电池状态估计领域，涉及一种基于粒子群优化的电池状态估计方法。首先初始化粒子群，初始化状态估计器；然后对于粒子群中的每个粒子，获得状态后验估计，并比较状态后验估计的精度获得状态估计，再通过状态后验估计得到下一采样点的状态先验估计；最后，根据状态后验估计的精度，对粒子群进行演化，获得新的粒子群。本发明在对电池进行状态估计时，通过粒子群优化，得到电池参数的估计，且当电池模型有多个局部最优点时，相比于局部优化方法更容易得到电池模型的全局最优估计，从而使得状态滤波得到的电池状态估计更加精确。

Description

一种基于粒子群优化的电池状态估计方法
技术领域
本发明属于电池状态估计领域，涉及一种基于粒子群优化的电池状态估计方法。
背景技术
在二次电池的应用中，需要对SOC等电池状态进行估计。现有的技术包括安时积分法、电压法、状态滤波法。在这些方法中，状态滤波法的长期精确度最佳。状态滤波法中较为常用的一种方法是卡尔曼滤波。
通过卡尔曼滤波进行电池状态估计时，需要获得准确的电池模型，然而目前的技术常使用固定的电池模型参数，难以适应电池使用时电池模型参数的变化。也有方法通过卡尔曼滤波同时对电池状态和电池参数进行估计，这种方法的缺陷在于，卡尔曼滤波的理论基础是线性模型，而电池系统呈现很强的非线性特性，因此卡尔曼滤波在对电池系统进行估计时精度下降。同时，如果电池模型存在多个局部最优点，卡尔曼滤波容易陷入局部最优点，因此对全局最优点的搜索能力不强。
为了对非线性的电池系统进行估计，可以采用非线性估计方法对电池参数进行估计。对于参数为连续量的电池系统，可以采用粒子群优化对电池参数进行估计。粒子群优化是模拟现实世界中鸟群觅食的一种算法，该算法对于非线性系统的估计能力较强，且有一定的全局最优点搜索能力。
发明内容
针对上述存在问题或不足，本发明提供了一种基于粒子群优化的电池状态估计方法，克服现有技术的局限性。以使得在对电池状态进行在线估计时，能够适应电池模型参数的变化，从而获得更精确的电池模型参数估计，使得电池状态的估计更加精确。
一种基于粒子群优化的电池状态估计方法，其具体步骤如下：
步骤S1、初始化粒子群，初始化状态估计器；
首先，根据模型复杂度和估计精度要求，确定粒子数量，并根据电池参数的取值范围，初始化粒子群；
然后，根据电池特性和电池初始状态，对粒子群中的每个粒子初始化一个状态估计器，每个状态估计器对应粒子群中的一个粒子；
步骤S2、对于粒子群中的每个粒子，获得状态后验估计，并比较状态后验估计的精度获得状态估计，再通过状态后验估计得到下一采样点的状态先验估计；
首先，对于粒子群中的每个粒子，根据粒子坐标获得电池参数，并根据状态先验估计，通过对应的状态估计器获得状态后验估计；
然后，计算粒子适应度，比较粒子适应度获得状态估计；
最后，根据状态后验估计，通过电池模型获得下一采样点的状态先验估计；
步骤S3、根据状态后验估计的精度，对粒子群进行演化，获得新的粒子群；
首先，根据步骤S2所得粒子适应度，更新粒子群中粒子的历史最优值；
然后，根据电池参数估计全局性的要求，选取粒子群中领袖数量，并根据粒子适应度选取粒子作为领袖；
最后，通过更新公式得到新的子种群后，合并所有子种群得到新的粒子群。
进一步的，所述步骤S3中，更新公式包括速度更新公式和坐标更新公式；
速度更新公式
坐标更新公式
其中，pi,k是粒子坐标，vi,k是粒子速度，Δtk是采样点时间间隔，ppbest,i是粒子的历史最优值，plbest是领袖的历史最优值。γv是惯性系数，α、β是加速常数，这三个系数用于控制粒子群的搜索特性，其中γv在0至1之间，γv越大，全局搜索能力越强，γv越小，局部搜索能力越强，α、β越大，则粒子对应地更多地向粒子历史最优值或领袖历史最优值搜索。这三个系数根据实际需求适当取值。u1、u2是服从N(0,1)的正态分布的随机值，u3是服从U(0,1)的均匀分布的随机值，其作用是加大坐标更新的时间间隔，减弱粒子坐标变化对粒子适应度计算的影响。是粒子适应度衰减常数，在0至1之间取值。
进一步的，所述步骤S2中，粒子适应度的计算公式为
其中是粒子适应度，是粒子适应度衰减常数，在0至1之间取值。Δtk是采样点时间间隔，yk是电压测量值，是电压预测值。
进一步的，还包括一个步骤S4：重复步骤S2、S3，以持续对电池状态作出估计。
本发明在对电池进行状态估计时，通过粒子群优化，得到电池参数的估计，且当电池模型有多个局部最优点时，相比于局部优化方法更容易得到电池模型的全局最优估计，从而使得状态滤波得到的电池状态估计更加精确。
综上所述，本发明在对电池状态进行在线估计时，能够适应电池模型参数的变化，从而获得更精确的电池模型参数估计，使得电池状态的估计更加精确。
附图说明
图1为本发明的整体流程图；
图2为本发明步骤S1的细节流程图；
图3为本发明步骤S2的细节流程图；
图4为本发明步骤S3的细节流程图；
图5为实施例获得的状态估计曲线，其中，SOC估计95％置信上限、SOC估计95％置信下限根据状态误差协方差矩阵估计计算获得；
图6为实施例获得的电压预测值曲线与电池电压曲线。
具体实施方式
下面结合附图及实施例，对本发明进行进一步详细说明。
参阅图1，一种基于粒子群优化的电池状态估计方法可分为以下步骤：
步骤S1：初始化粒子群，根据模型复杂度和估计精度要求，确定粒子数量，并对于粒子群中每个粒子初始化一个状态估计器，每个状态估计器对应一个粒子群中的粒子。
参阅图2，步骤S1具体包括步骤S11～S12。
步骤S11：根据模型复杂度和估计精度要求，确定粒子数量，并根据电池参数的取值范围，初始化粒子群。
本发明方法可用于不同电池模型的估计。实际应用时，粒子群的粒子数量应根据模型复杂性及所需的估计精度进行确定。粒子数量越高，估计精度越好，但计算量也越高。本实施例中，使用一阶滞变RC模型，一共初始化100个粒子构成粒子群。电池参数包括放电内阻R+、充电内阻R-、滞变常数γ、滤波器常数α1、α2、g1、g2。其中，γ大于0，α1、α2在0到1之间。根据经验或历史数据，获得关于电池参数的取值范围的估计，根据电池参数的取值范围初始化粒子群。单个粒子的初始坐标为
其中，k为采样点编号，下标min、max表示各参数的取值范围的最小值和最大值，γ0是与γ相关的值，|γ0|＝γ，用于限制粒子群中γ为非负值，ζ1,min、ζ1,max、ζ2,min、ζ2,max是与α1、α2的最小、最大值相关的值，|ζi,minormax|＝-logai,maxormin,i＝1,2，用于限制粒子群中α1、α2值的范围至(0,1]，u是与粒子坐标维数相同的随机向量，其各元素服从相互独立的U(0,1)的均匀分布。符号代表元素相乘。
单个粒子的初始速度通过随机分布进行初始化，
其中r是与粒子坐标维数相同的随机向量，各元素期望为0。单个粒子初始速度也可以设为0。本发明实施例中，单个粒子的初始速度vi,k设为0。
步骤S12：根据电池特性和电池初始状态，对粒子群中的每个粒子初始化一个状态估计器，每个状态估计器对应一个粒子群中的粒子。
本实施例中，采用卡尔曼滤波器作为状态滤波器。对于任意一个卡尔曼滤波器，初始化其状态先验估计状态误差协方差矩阵先验估计
其中，k是采样点编号，是SOC先验估计，通过测量电池初始静置电压，根据开路电压函数得到初始估计，是滞变先验估计，这里初始估计为0，为滤波器状态先验估计，这里初始估计为0。是对应的状态误差协方差先验估计，其取值大于0。
步骤S2：对于粒子群中的每个粒子，根据粒子坐标获得电池参数，并通过对应的状态估计器获得状态后验估计，计算粒子适应度，比较粒子适应度获得状态估计，最后通过状态后验估计得到下一采样点的状态先验估计。
参阅图3，步骤S2具体包括步骤S21～S23。
步骤S21：对于粒子群中的每个粒子，根据粒子坐标获得电池参数，并根据状态先验估计，通过对应的状态估计器获得状态后验估计。
本实施例中，对于粒子pi,k，有
pi,k＝[R+ R- γ0 ζ1 ζ2 g1 g2]
根据粒子pi,k得到电池参数，即放电内阻R+、充电内阻R-、滞变常数γ＝|γ0|、滤波器常数α1＝exp(-|ζ1|)、α2＝exp(-|ζ2|)、g1、g2。
由电池参数得到卡尔曼滤波的状态方程
输出方程
状态矩阵
输出矩阵
Ck＝[OCV′(zk) 1 g1 g2]
其中，ik是电池电流，通过测量获得，Δtk是采样周期，可通过测量获得，或取为固定值，Cn是电池容量，通常通过标称或放电测试获得，M(z)是电池最大滞变函数，即电池充分充电至一定SOC后的开路电压与电池充分放电至该SOC后的开路电压的差值关于SOC的函数，通常通过充放电测试获得，M′(z)是M(z)关于z的导数，sgn(·)是符号函数，yk是电池电压，通过测量获得，OCV(z)是电池开路电压函数，即排除滞变影响后电池开路电压关于SOC的函数，通常通过充放电测试获得，OCV′(z)是OCV(z)关于z的导数。
得到卡尔曼增益
其中，Ev为输出噪声协方差，根据测量仪器的精确度、输出方程的精确度以及输出噪声的大小综合确定。
根据输出方程得到电压预测值
从而得到状态后验估计
以及状态误差协方差矩阵后验估计
步骤S22：计算粒子适应度，比较粒子适应度获得状态估计。
本实施例中，对于任一粒子，其粒子适应度为
其中是粒子适应度，是粒子适应度衰减常数，在0至1之间取值。表征了粒子对应状态滤波器在一定时间内电池电压估计的精度，可以表征状态后验估计的精度。越小，说明状态后验估计的精度越高。以最小的粒子对应的状态后验估计、状态误差协方差矩阵后验估计作为状态估计、状态误差协方差矩阵估计。由上述估计可以获得电池SOC的估计以及对电池SOC估计的精度的估计。
步骤S23：根据状态后验估计，通过电池模型获得下一采样点的状态先验估计。
本实施例中，根据状态方程得到下一采样点的状态先验估计为
其中
分别是的各分量。
又根据状态矩阵得到下一采样点的状态误差协方差矩阵先验估计为
其中，Ew为状态噪声协方差矩阵，其各分量值根据状态方程的精确度及误差相关性综合确定。
步骤S3：根据步骤S2所得粒子适应度，对粒子群进行演化，获得新的粒子群。
参阅图4，步骤S3具体包括步骤S31～S33。
步骤S31：根据粒子适应度，更新粒子群中粒子的历史最优值。
本实施例中，根据状态后验估计的精度，即粒子适应度将粒子群中各粒子排序，将各粒子的名次与历史名次比较，若名次上升，则将当前粒子坐标作为粒子历史最优值。然后，将各粒子的名次作为新的历史名次。
步骤S32：根据电池参数估计全局性的要求，选取粒子群中领袖数量，并根据粒子适应度选取粒子作为领袖。
领袖粒子数量的选取根据系统的局部最优点数量确定，局部最优点越多，对全局搜索性能要求越大，则领袖粒子数量越大。
本实施例中，将100个粒子分为10个子种群，其方法为，选取粒子适应度最高的10个粒子作为子种群的领袖，依次选取剩余粒子中粒子适应度最低的9个粒子与粒子适应度最高的一个领袖一同构成一个子种群。
步骤S33：通过更新公式得到新的粒子群。
本发明实施例中，对于每个子种群，各粒子为pi,k，各粒子速度为vi,k，各粒子历史最优值为ppbest,i领袖历史最优值为plbest，则更新公式包括速度更新公式
以及坐标更新公式
其中，γv是惯性系数，α、β是加速常数，这三个系数用于控制粒子群的搜索特性，其中γv在0至1之间，γv越大，全局搜索能力越强，γv越小，局部搜索能力越强，α、β越大，则粒子对应地更多地向粒子历史最优值或领袖历史最优值搜索。这三个系数根据实际需求适当取值。u1、u2是服从N(0,1)的正态分布的随机值，u3是服从U(0,1)的均匀分布的随机值，其作用是加大坐标更新的时间间隔，减弱粒子坐标变化对粒子适应度计算的影响。
通过更新公式得到新的子种群后，合并所有子种群得到新的粒子群。
完成上述步骤后，重复步骤S2、S3，以获得电池状态的实时估计。
图5为实施例获得的状态估计曲线，其中，SOC估计95％置信上限、SOC估计95％置信下限根据状态误差协方差矩阵估计计算获得；图6为实施例获得的电压预测值曲线与电池电压曲线。
通过图5、图6可以看出本发明所述方法能较好地对电池状态进行估计。

Claims (2)

1.一种基于粒子群优化的电池状态估计方法，具体步骤如下：
步骤S1、初始化粒子群，初始化状态估计器；
首先，根据模型复杂度和估计精度要求，确定粒子数量，并根据电池参数的取值范围，初始化粒子群；
然后，根据电池特性和电池初始状态，对粒子群中的每个粒子初始化一个状态估计器，每个状态估计器对应粒子群中的一个粒子；
步骤S2、对于粒子群中的每个粒子，获得状态后验估计，并比较粒子适应度获得状态估计，再通过状态后验估计得到下一采样点的状态先验估计；
首先，对于粒子群中的每个粒子，根据粒子坐标获得电池参数，并根据状态先验估计，通过对应的状态估计器获得状态后验估计；
然后，计算粒子适应度，比较粒子适应度获得状态估计；
最后，根据状态后验估计，通过电池模型获得下一采样点的状态先验估计；
步骤S3、根据粒子适应度，对粒子群进行演化，获得新的粒子群；
首先，根据步骤S2所得粒子适应度，更新粒子群中粒子的历史最优值；
然后，根据电池参数估计全局性的要求，选取粒子群中领袖数量，并根据粒子适应度选取粒子作为领袖；
最后，通过更新公式得到新的子种群后，合并所有子种群得到新的粒子群；
所述更新公式包括速度更新公式和坐标更新公式；
速度更新公式
坐标更新公式
其中，pi,k是粒子坐标，vi,k是粒子速度，Δtk是采样周期，ppbest,i是粒子的历史最优值，plbest是领袖的历史最优值；γv是惯性系数，α、β是加速常数，这三个系数用于控制粒子群的搜索特性，γv在0至1之间，γv越大，全局搜索能力越强，γv越小，局部搜索能力越强，α、β越大，则粒子对应地更多地向粒子历史最优值或领袖历史最优值搜索；u1、u2是服从N(0,1)的正态分布的随机值，u3是服从U(0,1)的均匀分布的随机值，其作用是加大坐标更新的时间间隔，减弱粒子坐标变化对粒子适应度计算的影响；是粒子适应度衰减常数，在0至1之间取值；
所述步骤S2中，粒子适应度的计算公式为
其中是粒子适应度，是粒子适应度衰减常数，在0至1之间取值，Δtk是采样周期，yk是电池电压，是电压预测值。
2.根据权利要求1所述的一种基于粒子群优化的电池状态估计方法，其特征在于：还包括一个步骤S4，重复步骤S2、S3，以持续对电池状态作出估计。
CN201710342878.7A 2017-05-16 2017-05-16 一种基于粒子群优化的电池状态估计方法 Active CN107121641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710342878.7A CN107121641B (zh) 2017-05-16 2017-05-16 一种基于粒子群优化的电池状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710342878.7A CN107121641B (zh) 2017-05-16 2017-05-16 一种基于粒子群优化的电池状态估计方法

Publications (2)

Publication Number Publication Date
CN107121641A CN107121641A (zh) 2017-09-01
CN107121641B true CN107121641B (zh) 2019-08-13

Family

ID=59727618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710342878.7A Active CN107121641B (zh) 2017-05-16 2017-05-16 一种基于粒子群优化的电池状态估计方法

Country Status (1)

Country Link
CN (1) CN107121641B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460451A (zh) * 2018-02-12 2018-08-28 北京新能源汽车股份有限公司 基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置
CN109031142B (zh) * 2018-07-19 2020-09-25 电子科技大学 一种基于分段线性插值的二次电池模型及状态估计方法
CN110954832A (zh) * 2019-12-19 2020-04-03 北京交通大学 一种识别老化模式的锂离子电池健康状态在线诊断方法
CN111537887B (zh) * 2020-04-27 2021-10-01 南京航空航天大学 考虑迟滞特性的混合动力系统电池开路电压模型优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000224711A (ja) * 1999-02-01 2000-08-11 Mitsubishi Motors Corp ハイブリッド型車両
CN103424712A (zh) * 2013-08-16 2013-12-04 江苏欧力特能源科技有限公司 基于粒子群优化的电池剩余容量在线测量方法
CN104408257A (zh) * 2014-11-28 2015-03-11 江苏大学 基于模拟退火粒子群算法的混合动力汽车参数优化方法
CN106338695A (zh) * 2016-10-09 2017-01-18 深圳市沃特玛电池有限公司 一种基于粒子群算法的电池模型参数辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000224711A (ja) * 1999-02-01 2000-08-11 Mitsubishi Motors Corp ハイブリッド型車両
CN103424712A (zh) * 2013-08-16 2013-12-04 江苏欧力特能源科技有限公司 基于粒子群优化的电池剩余容量在线测量方法
CN104408257A (zh) * 2014-11-28 2015-03-11 江苏大学 基于模拟退火粒子群算法的混合动力汽车参数优化方法
CN106338695A (zh) * 2016-10-09 2017-01-18 深圳市沃特玛电池有限公司 一种基于粒子群算法的电池模型参数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An improved autoregressive model by particle swarm optimization for prognostics;Bing Long et al.;《Microelectronics Reliability》;20131231;第821-831页 *
基于扩展PSO 和离散PI观测器的电池SoC 计;皮钒等;《电子测量与仪器学报》;20160131;第30卷(第1期);第11-19页 *

Also Published As

Publication number Publication date
CN107121641A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN110596593B (zh) 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN104535932B (zh) 一种锂离子电池荷电状态估计方法
CN107121641B (zh) 一种基于粒子群优化的电池状态估计方法
CN110441694B (zh) 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法
WO2021197038A1 (zh) 确定电池荷电状态的方法及装置，电池管理系统
KR102553031B1 (ko) 배터리의 상태 추정 장치 및 방법
CN105717460B (zh) 一种基于非线性观测器的动力电池soc估计方法和系统
CN111060820A (zh) 一种基于二阶rc模型的锂电池soc、sop估计方法
JP5896891B2 (ja) パラメータ推定装置、パラメータ推定方法、蓄電システム及びプログラム
CN106154168B (zh) 数据驱动的动力电池荷电状态估计方法
CN112269134A (zh) 一种基于深度学习的电池soc和soh联合估计方法
CN110196395B (zh) 蓄电池soc估算方法
CN111722118A (zh) 一种基于soc-ocv优化曲线的锂离子电池soc估计方法
CN110687462A (zh) 一种动力电池soc与容量全生命周期联合估计方法
CN112098849A (zh) 基于求积分卡尔曼滤波的锂电池剩余电量估计方法
CN110554320A (zh) 锂离子电池的soc估算方法
CN110412472B (zh) 一种基于正态伽马滤波的电池荷电状态估计方法
CN110895626B (zh) 基于留一交叉验证的性能退化模型精度验证方法
CN112415412A (zh) 估算电池soc值的方法和装置及车辆、存储介质
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN110632521B (zh) 一种锂离子电池容量的融合估计方法
Chen et al. Parameter identification and state-of-charge estimation for li-ion batteries using an improved tree seed algorithm
CN112114254B (zh) 一种动力电池开路电压模型融合方法
CN106599541B (zh) 一种动态电力负荷模型的结构和参数在线辨识方法
CN117826000A (zh) 一种锂离子电池健康状态估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240220

Address after: 610000 Chengdu Future Science and Technology City, Chengdu, Sichuan Province (No. 1-2, Group 8, Dingshui Village, Futian Street, Eastern New Area)

Patentee after: Sichuan Angao Special Electric Technology Co.,Ltd.

Country or region after: China

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China

Country or region before: China