CN107402356B - 一种基于动态参数辨识的ekf估算铅酸电池soc方法 - Google Patents
一种基于动态参数辨识的ekf估算铅酸电池soc方法 Download PDFInfo
- Publication number
- CN107402356B CN107402356B CN201710658737.6A CN201710658737A CN107402356B CN 107402356 B CN107402356 B CN 107402356B CN 201710658737 A CN201710658737 A CN 201710658737A CN 107402356 B CN107402356 B CN 107402356B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- lead
- model
- acid battery
- 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.)
- Expired - Fee Related
Links
Images
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
- G01R31/379—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator for lead-acid batteries
-
- 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
Abstract
本发明公开一种基于动态参数辨识的EKF估算铅酸电池SOC方法,包括如下步骤:根据铅酸电池性能,结合经验模型,建立铅酸电池数学观测模型;根据不同电流下放电测试得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;根据实时测量的铅酸电池电流,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,实现对铅酸电池SOC进行估算。本发明的优点是具有很好的收敛性,且估算不受SOC初值影响,能适应不同放电电流的工况。
Description
技术领域
本发明涉及铅酸电池技术领域,特别涉及一种估算铅酸电池SOC的方法。
背景技术
随着近年来储能行业的快速发展,铅酸电池以其储能成本低,可靠性好,效率高,已经成为电力、通信、交通、国防等各个部门最为成熟和应用最为广泛的储能电池之一。对铅酸电池的运行状态,特别是剩余容量荷电状态SOC进行在线准确监测对于电池(本专利中所述电池是指铅酸电池)的运行管理变得尤为重要。现阶段获得实际应用的SOC估算方法有:
放电试验法:该方法通过对电池进行恒流放电,在到达电池下限时记录时间,计算时间与电流的乘积,得到电池所放电量,与容量的比值即为SOC估计值。这种方法计算结果可靠、准确,但只能离线估算SOC,且放电试验耗时严重。
开路电压法:根据开路电压(OCV)和SOC的关系通过查表法来估算SOC。OCV的获取需要在充放电后静置较长时间,不适合在线估算SOC。OCV-SOC曲线在SOC的较大范围内是较平滑的,OCV的轻微误差可能会导致SOC估算误差很大。另外,由于电池的迟滞效应,充电和放电时的OCV-SOC是两条不同的曲线,增加了估算的复杂性。
内阻法:该方法根据测得的电池内阻来估算SOC,其前提是内阻和SOC有良好的线性关系。实际上电池SOC在40%-50%以上时,内阻基本不变化,而当SOC低于30%-40%时很快升高,两者并非简单的线性关系;另一方面,电池内阻的准确测量在现阶段仍存在很大困难。
安时积分法:通过对电流积分,累积电池在充电或放电时的电量来估计电池的SOC。该方法容易实现并且广泛使用,但是存在获取初始校正值困难和电流测量精度导致累计误差的问题。另外安时法不适合电流频繁剧烈波动的场合。
神经网络法:选取样本数据训练并构建神经网络,然后根据实时输入数据输出SOC值。存在训练样本数据选取困难的问题:一方面选取哪些输入量(电压、电流、温度和内阻等);另一方面还需获取不同使用时长旧电池的试验数据。数据量大,且难以考虑所有的情况。除此之外,对于神经网络隐藏层的层数和神经元数选取,目前尚无相应的理论支撑。
卡尔曼滤波法:卡尔曼滤波法根据采集到的电压电流,通过递推算法得到SOC的最小方差估计。该方法不受SOC初值影响,能够逐渐逼近到SOC真实值;也能解决误差累计的问题。卡尔曼滤波算法只能用于线性系统,而电池为高度非线性系统,因而采用适用于非线性系统的扩展卡尔曼滤波算法(EKF)来估算电池SOC。
目前研究卡尔曼滤波算法估算SOC的文献,多是采用固定模型参数的方案,即通过一次完整的放电过程来辨识参数,并固定使用该参数。然而使用固定参数模型EKF法存在如下问题:1)实际电池运行中,电流不会是一直固定的,尤其是在用电池调频的场合,电流变化很频繁。用某一固定电流放电过程中的数据来确定电池模型,难以使该模型适用于电流变化的情况;2)电池是复杂的非线性系统,其模型是时变的,不适合采用固定模型;3)通过仿真试验发现:在电流变化时,如果采用固定参数的EKF法,误差可能会很大甚至不收敛,比如固定采用15A时的放电数据辨识的参数,当估算放电电流为37.5A时的SOC值,会出现估算误差很大甚至不收敛的情况,如说明书附图2所示。
如何解决电池电流频繁且大范围波动时的EKF估算SOC的误差和收敛性问题,是EKF估算SOC的关键。
发明内容
本发明目的在于提供一种基于动态参数辨识的EKF估算铅酸电池SOC方法,当铅酸电池运行中电流变化频繁且大范围波动时,动态辨识电池模型参数,结合扩展卡尔曼滤波方法,使得铅酸电池SOC的估算更加准确。
为了达成上述目的,本发明的解决方案如下:
一种基于动态参数辨识的EKF估算铅酸电池SOC方法,包括如下步骤:
步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池模型;
步骤2:根据不同电流下放电试验得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;
步骤3:根据实时测量的铅酸电池电流对应的不同电流范围,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,对铅酸电池SOC进行估算。
进一步的,步骤1中所述的铅酸电池模型包括过程模型和电池观测模型;两个模型离散化得到扩展卡尔曼滤波方程。
进一步的,步骤1中所述的电池过程模型根据安时积分法得到:
其中,η—放电比例系数,与放电电流、温度等有关;
Qn—电池标称容量;
i(τ)—电池在τ时刻的即时放电电流;
x(t)—t时刻的SOC,x(0)为SOC初始值。
进一步的,步骤1中所述的经验模型包括:
Shepherd模型:
yk=E0-Rik-K5/xk 式(1)
Unnewehr通用模型:
yk=E0-Rik-K6xk 式(2)
Nernst模型:
yk=E0-Rik-K7lnxk+K8ln(1-xk) 式(3)
所述的电池观测模型,由式(1)、式(2)、式(3)联合建立:
yk=h(ik,xk)=K0-Rik-K1/xk-K2xk+K3lnxk+K4ln(1-xk) 式(4)
其中,式(1)~式(4)中,h(ik,xk)为非线性测量函数,yk是电池端电压,E0为电池电动势,ik是放电电流,xk是电池SOC,R是电池内阻,K0~K8是常数。
进一步的,步骤2中所述的需要的辨识铅酸电池模型参数包括R,K0~K4。
进一步的,由所述的电池观测模型得到如下测量矩阵:
Hk=K1/(xk|k-1)2-K2+K3/xk|k-1-K4/(1-xk|k-1); 式(6)
其中,Hk—量测矩阵;
K1~K4—常数;
xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值;
进一步的,所述扩展卡尔曼滤波方程为:
状态预测方程:xk|k-1=xk-1|k-1-ηik-1Δt/Qn
预测均方差方程:Pk|k-1=Pk-1|k-1
估计均方差方程:Pk|k=(1-KkHk)Pk|k-1
状态估计方程:xk|k=xk|k-1+Kk[yk-h(ik,xk|k-1)]
其中:
下标k|k-1—表示根据k-1时刻最优值来预测k时刻的值;
k|k—表示k时刻最优值;
k-1|k-1—表示k-1时刻最优值;
xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值
xk-1|k-1—是k-1时刻电池SOC最优值
η—放电比例系数,与放电电流、温度等有关;
Qn—电池标称容量;
ik-1—电池在k-1时刻的即时放电电流;
Δt—时间步长;
Kk—k时刻kalman增益;
Pk|k-1—是根据k-1时刻最优值来预测k时刻的预测均方差值;
Hk—量测矩阵;
Hk T—量测矩阵的转置;
R—电池内阻,
Pk-1|k-1—是k-1时刻预测均方差的最优值;
Pk|k—是k时刻预测均方差的最优值;
xk|k—是k时刻电池SOC最优值;
yk—是电池端电压;
h(ik,xk|k-1)—是根据k时刻电流和SOC预测值计算的电池端电压预测值。
进一步的,步骤2中所述放电试验需要获取铅酸电池端电压、电流和SOC,SOC通过采集的电流根据安时积分法进行估算。
进一步的,所述步骤2的具体操作方法是:选取放电电流为I的一组试验数据,根据电池模型,辨识出一组模型参数;然后对放电电流I逐渐增大和减小后进行试验,且采用放电电流I时辨识出的模型进行SOC估算,当放电电流和I相差超过一定值△I时,结合此时放电数据估算的SOC会出现误差大甚至不收敛的情况,此时记录下△I;该组模型参数可以适用于(I±△I)A范围内的电流。
进一步的,步骤2采用最小二乘法对铅酸电池模型参数进行辨识。
进一步的,步骤3所述扩展卡尔曼滤波算法包括计算状态预测值、计算量测矩阵、计算卡尔曼增益、计算预测均方差、计算估计均方差和计算状态估计值等步骤。采用上述方案后,有益效果如下:本发明采用基于动态参数辨识的EKF估算方法,解决了定参数法在不同放电电流下估算SOC可能导致的误差很大甚至不收敛的问题。该发明不受SOC初值影响,能适应不同放电电流的工况,具有较好的收敛性。
附图说明
图1是本发明一种基于动态参数辨识的EKF估算铅酸电池SOC方法示意图;
图2是用放电电流15A数据辨识的参数估算放电电流为37.5A SOC图,其中虚线为实际的SOC值,实线为估算的SOC值;
图3是本发明在不同放电电流下估算的SOC曲线,其中虚线为实际的SOC值,实线为专利中所述方法估算的SOC值,其中3(a)至3(d)分别对应不同的仿真电流;
图4是本发明在不同初始值下的估算的SOC曲线,其中虚线为实际的SOC值,实线为专利中所述方法估算的SOC值。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。对国内某电池厂家150Ah铅酸电池进行试验,具体实施步骤如下:
步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池数学模型。
1)电池过程模型
根据安时积分法,可以得到电池在t时刻的SOC的公式:
η—放电比例系数,与放电电流、温度等有关;
Qn—电池标称容量;
i(τ)—电池在τ时刻的即时放电电流;
x(t)—t时刻的SOC,x(0)为SOC初始值。
将式(5)离散化得到式(7),用于卡尔曼滤波方法的递推估计。
式中△t为离散(采样)时间间隔。
2)电池观测模型
相关文献中给出了电池的几个模型,分别如下。
其特征在于,步骤1中所述的经验模型包括:
Shepherd模型:
yk=E0-Rik-K5/xk 式(1)
Unnewehr通用模型:
yk=E0-Rik-K6xk 式(2)
Nernst模型:
yk=E0-Rik-K7lnxk+K8ln(1-xk) 式(3)
将这些模型结合起来,形成如下的联合观测模型:
yk=h(ik,xk)=K0-Rik-K1/xk-K2xk+K3lnxk+K4ln(1-xk) 式(4)
其中,式(1)~式(4)中,h(ik,xk)为非线性测量函数,yk是电池端电压,E0为电池电动势,ik是放电电流,xk是电池SOC,R是电池内阻,K0~K8是常数。
根据联合观测模型可以求得Hk为:
3)电池模型卡尔曼滤波方程
根据式(8),Hk在xk|k-1可计算得到量测阵为:
Hk=K1/(xk|k-1)2-K2+K3/xk|k-1-K4/(1-xk|k-1) 式(6)
电池模型的卡尔曼滤波方程如下:
状态预测:xk|k-1=xk-1|k-1-ηik-1Δt/Qn
预测均方差:Pk|k-1=Pk-1|k-1
估计均方差:Pk|k=(1-KkHk)Pk|k-1
状态估计:xk|k=xk|k-1+Kk[yk-h(ik,xk|k-1)]
上述公式中,下标k|k-1表示根据k-1时刻最优值来预测k时刻的值,k|k表示k时刻最优值,k-1|k-1表示k-1时刻最优值。
步骤2:根据不同电流下放电测试得到的放电数据,结合铅酸电池模型,辨识不同电流范围下电池模型参数。
为了使不同的电流下均能保证收敛到真实值,在电池投入运行前,先进行放电试验,获取不同放电电流下的电压、电流和SOC值,用最小二乘法辨识不同电流下的电池模型参数。在试验中发现采用某放电电流I下的试验数据辨识的参数,来验证(I±6)A范围内的放电数据时,估算的SOC也具有较好的效果,收敛性仍然能得到保证。因此在放电试验时,电流相隔最多12A做一次放电试验,辨识出一组模型参数,该模型参数可以适用于(I±6)A范围内的电流。6A是针对本专利中采用的铅酸电池试验得到,该值随着电池型号不同可能会变化,建议试验获取。步骤3:根据实时测量的电池电流,动态调整电池模型参数,采用扩展卡尔曼滤波法,实现对铅酸电池SOC进行估算。
对每个放电电流下的数据进行最小二乘法辨识,得到相应的模型参数值,并存入系统中。在实际运行中,检测到不同的电流范围,对应调用不同的模型参数值进行迭代计算。这样能保证SOC能收敛到实际值,并且适应不同电流的工况。具体SOC估算流程框图如说明书附图1所示。即在电池运行过程中,采集电池的电流和端电压,确定电流的大小范围,对应选取参数建立电池模型,同时根据扩展卡尔曼滤波法结合电压和电流值估算出SOC值。
在试验时,将不同放电电流下的电压和电流值直接输入程序进行SOC估算,并选取4种放电电流下的SOC估算结果,如说明书附图3所示。
根据仿真图3(a)(b)(c)(d)得到,在不同放电电流下,估算方法均能收敛到实际值,且误差均未超过5%。该方法适应不同的放电电流,且具有较好的收敛性。
在放电电流为120A时估算SOC,并设定算法的初始值分别为0.2、0.4、0.6,0.8和0.9,如说明书附图4所示,可以得到该算法不受SOC初值影响,均能收敛到实际值。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,包括如下步骤:
步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池模型;
步骤2:根据不同电流下放电试验得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;
步骤3:根据实时测量的铅酸电池电流对应的不同电流范围,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,对铅酸电池SOC进行估算。
2.如权利要求1所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤1中所述的铅酸电池模型包括电池过程模型和电池观测模型;两个模型离散化得到扩展卡尔曼滤波方程。
4.如权利要求2所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤1中所述的经验模型包括:
Shepherd模型:
yk=E0-Rik-K5/xk 式(1)
Unnewehr通用模型:
yk=E0-Rik-K6xk 式(2)
Nernst模型:
yk=E0-Rik-K7lnxk+K8ln(1-xk) 式(3)
所述的电池观测模型,由式(1)、式(2)、式(3)联合建立:
yk=h(ik,xk)=K0-Rik-K1/xk-K2xk+K3lnxk+K4ln(1-xk) 式(4)
其中,式(1)~式(4)中,h(ik,xk)为非线性测量函数,yk是电池端电压,E0为电池电动势,ik是放电电流,xk是电池SOC,R是电池内阻,K0~K8是常数。
5.如权利要求4所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,所述步骤2中需要辨识的铅酸电池模型参数包括R,K0~K4。
6.如权利要求4所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,由所述的电池观测模型得到如下测量矩阵:
Hk=K1/(xk|k-1)2-K2+K3/xk|k-1-K4/(1-xk|k-1); 式(6)
其中,Hk—量测矩阵;
K1~K4—常数;
xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值;
所述扩展卡尔曼滤波方程为:
状态预测方程:xk|k-1=xk-1|k-1-ηik-1Δt/Qn
预测均方差方程:Pk|k-1=Pk-1|k-1
估计均方差方程:Pk|k=(1-KkHk)Pk|k-1
状态估计方程:xk|k=xk|k-1+Kk[yk-h(ik,xk|k-1)]
其中:
下标k|k-1—表示根据k-1时刻最优值来预测k时刻的值;
k|k—表示k时刻最优值;
k-1|k-1—表示k-1时刻最优值;
xk-1|k-1—是k-1时刻电池SOC最优值
η—放电比例系数,与放电电流、温度等有关;
Qn—电池标称容量;
ik-1—电池在k-1时刻的即时放电电流;
Δt—时间步长;
Kk—k时刻kalman增益;
Pk|k-1—是根据k-1时刻最优值来预测k时刻的预测均方差值;
Hk T—量测矩阵的转置;
R—电池内阻,
Pk-1|k-1—是k-1时刻预测均方差的最优值;
Pk|k—是k时刻预测均方差的最优值;
xk|k—是k时刻电池SOC最优值;
yk—是电池端电压;
h(ik,xk|k-1)—是根据k时刻电流和SOC预测值计算的电池端电压预测值。
7.如权利要求1所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤2中所述放电试验需要获取铅酸电池端电压、电流和SOC,SOC通过采集的电流根据安时积分法进行估算。
8.如权利要求1所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,所述步骤2的具体操作方法是:选取放电电流为I的一组试验数据,根据电池模型,辨识出一组模型参数;然后对放电电流I逐渐增大和减小后进行试验,且采用放电电流I时辨识出的模型进行SOC估算,当放电电流和I相差超过一定值△I时,结合此时放电数据估算的SOC会出现误差大甚至不收敛的情况,此时记录下△I;该组模型参数可以适用于(I±△I)范围内的电流。
9.如权利要求1至8任一权利要求所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤2采用最小二乘法对铅酸电池模型参数进行辨识。
10.如权利要求1所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤3所述扩展卡尔曼滤波算法包括计算状态预测值、计算量测矩阵、计算卡尔曼增益、计算预测均方差、计算估计均方差和计算状态估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710658737.6A CN107402356B (zh) | 2017-08-04 | 2017-08-04 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710658737.6A CN107402356B (zh) | 2017-08-04 | 2017-08-04 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107402356A CN107402356A (zh) | 2017-11-28 |
CN107402356B true CN107402356B (zh) | 2020-03-20 |
Family
ID=60402031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710658737.6A Expired - Fee Related CN107402356B (zh) | 2017-08-04 | 2017-08-04 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107402356B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133505A (zh) * | 2018-02-05 | 2019-08-16 | 南京湛研能源科技有限公司 | 一种基于变参数模型的动力电池充放电状态观测方法 |
CN114879046B (zh) * | 2022-04-24 | 2023-04-14 | 上海玫克生储能科技有限公司 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7969120B2 (en) * | 2003-11-20 | 2011-06-28 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
CN103901351A (zh) * | 2014-03-18 | 2014-07-02 | 浙江大学城市学院 | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 |
CN104360282A (zh) * | 2014-11-19 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508172A (zh) * | 2011-11-23 | 2012-06-20 | 中兴通讯股份有限公司 | 电池电量的计算方法及装置、终端 |
-
2017
- 2017-08-04 CN CN201710658737.6A patent/CN107402356B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7969120B2 (en) * | 2003-11-20 | 2011-06-28 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
CN103901351A (zh) * | 2014-03-18 | 2014-07-02 | 浙江大学城市学院 | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 |
CN104360282A (zh) * | 2014-11-19 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
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 |
Non-Patent Citations (1)
Title |
---|
State-of-charge estimation of LiFePO4 battery based on extended Kalman filter;Daiming Yang等;《2013 IEEE PES Asia-Pacific Power and Energy Engineering Conference(APPEEC)》;IEEE;20140619;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107402356A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN104569835B (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
Tian et al. | Online simultaneous identification of parameters and order of a fractional order battery model | |
CN105277898B (zh) | 一种电池荷电状态的检测方法 | |
CN107402353B (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
CN103728563B (zh) | 一种电池健康状态的测算方法 | |
CN107533105B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN103250066B (zh) | 感测电池容量的系统和方法 | |
CN103163480B (zh) | 锂电池健康状态的评估方法 | |
CN106716158A (zh) | 电池荷电状态估算方法和装置 | |
CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
GB2532726A (en) | Cell internal impedance diagnostic system | |
CN105021996A (zh) | 储能电站bms的电池soh估算方法 | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
CN110687462B (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
KR20110118246A (ko) | 배터리의 파라미터 및 충전률 산출 시스템 | |
CN107102268A (zh) | 一种电池管理系统的电池充电倍率估算方法 | |
CN105093129A (zh) | 一种储能电池剩余容量检测方法 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200320 |