CN107817451B - 动力电池模型在线参数的辨识方法、系统及存储介质 - Google Patents
动力电池模型在线参数的辨识方法、系统及存储介质 Download PDFInfo
- Publication number
- CN107817451B CN107817451B CN201711193497.3A CN201711193497A CN107817451B CN 107817451 B CN107817451 B CN 107817451B CN 201711193497 A CN201711193497 A CN 201711193497A CN 107817451 B CN107817451 B CN 107817451B
- Authority
- CN
- China
- Prior art keywords
- power battery
- battery model
- sampling moment
- model
- parameter
- 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
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Abstract
本发明涉及一种动力电池模型在线参数的辨识方法、系统及存储介质。其中,辨识方法包括如下步骤:获取动力电池在第k个采样时刻的端电压测量值Um,k;获取动力电池模型在第k个采样时刻的输出电压Ut,k;根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数。本发明中的动力电池模型在线参数辨识方法,面向多阶次的动力电池模型,应用超稳定性理论,可以实现动力电池在多变应用工况下的模型参数稳定辨识,辨识得到的参数可以应用于动力电池的状态估计与优化控制算法,保障动力电池算法体系的稳定有效。
Description
技术领域
本发明涉及动力电池技术领域,尤其涉及一种动力电池模型在线参数的辨识方法、系统及存储介质。
背景技术
近年来,新能源技术在交通运输领域得到了广泛的应用,尤其是电动汽车取得了迅猛发展。动力电池为电动汽车的核心能量部件,决定着电动汽车的安全可靠应用,因此必须对动力电池进行有效管理。对动力电池进行能量和健康状态的估计、充放电的优化控制是动力电池管理技术的重要组成部分,而动力电池的准确建模是进行电池状态估计和优化充放电控制的基础。电池的等效电路模型因为其结构简单、便于集成算法、易于工程实现的优点,得到了广泛的应用。通常情况下,电池模型阶次越高,模型越准确,但模型精度也受到应用工况的影响,在某些工况条件下会出现低阶次模型精度优于高阶次模型的情况。因此,在实际应用的多变工况条件下,不存在始终最优的模型阶次,需要对动力电池进行多阶次建模。
当前,动力电池模型参数辨识的技术方案主要分为两类:离线参数辨识方法和在线参数辨识方法。其中,动力电池模型离线参数辨识方法是基于动力电池的实验测试数据,应用蚁群算法、遗传算法、粒子群算法等智能优化算法,实现特定动力电池测试工况下的模型参数辨识。由于动力电池的实际应用工况具有高度的随机特性,实验测试工况难以实现实际应用工况的穷举,因此基于离线参数辨识算法的动力电池模型在实际应用中存在精度不高的缺点;此外,应用于动力电池模型离线参数辨识的智能算法计算过程复杂,需要大量的计算资源,不能实现快速收敛。而动力电池模型在线参数辨识方法是基于动力电池的实时工况数据,应用相关数学优化技术实现动力电池模型参数的实时获取,辨识方法主要包括最小二乘法、梯度矫正法、极大似然估计法及相关扩展算法。但现有的相关数学优化算法存在“数据饱和”问题,应用于动力电池模型在线参数辨识时,不能实现对快速变化工况的有效跟踪,使模型精度降低。针对上述“数据饱和”问题发展的带遗忘因子的在线参数辨识算法,虽然提高了模型精度,但会导致辨识的动力电池模型参数产生频繁突变现象,这会引起基于该模型的状态估计与优化控制算法的失效,稳定性较差。
发明内容
鉴于上述的分析,本发明旨在提供一种动力电池模型在线参数的辨识方法、系统及存储介质,以解决现有的在线参数辨识算法稳定性较差的问题。
本发明的目的主要是通过以下技术方案实现的:
一个方面,本发明提出了一种动力电池模型在线参数的辨识方法,该方法包括如下步骤:第一获取步骤,获取动力电池在第k个采样时刻的端电压测量值Um,k;第二获取步骤,获取动力电池模型在第k个采样时刻的输出电压Ut,k;参数确定步骤,根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数。
进一步地,上述动力电池模型在线参数的辨识方法中,所述参数确定步骤包括如下子步骤:
计算子步骤,确定动力电池模型待辨识参数的计算公式如下:
参数确定子步骤,按照计算子步骤中的公式进行迭代,得到动力电池模型在第k个采样时刻的待辨识参数值。
进一步地,上述动力电池模型在线参数的辨识方法中,所述第二获取步骤中根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
式中:a1,a2…an,an+1,an+2…a2n+1为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2……Ut,k-n分别为动力电池模型在第k-1个、k-2个……k-n个采样时刻的输出电压,iL,k、iL,k-1……iL,k-n分别为动力电池模型在第k个、k-1个……k-n个采样时刻的电流;
所述动力电池模型待辨识参数的计算公式中:
进一步地,上述动力电池模型在线参数的辨识方法中,所述第二获取步骤中根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
所述动力电池模型待辨识参数的计算公式中:
进一步地,动力电池模型在线参数的辨识方法,所述第二获取步骤中根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
所述动力电池模型待辨识参数的计算公式中:
本发明中的动力电池模型在线参数辨识方法,面向多阶次的动力电池模型,应用超稳定性理论,可以实现动力电池在多变应用工况下的模型参数稳定辨识,辨识得到的参数可以应用于动力电池的状态估计与优化控制算法,保障动力电池算法体系的稳定有效。此外,该方法具有参数估计误差自适应算法机制,可以实现动力电池多变应用工况的快速实时跟踪;而且可以用于动力电池多阶次模型参数的辨识,通用性强,简单有效,易于工程化实现。
另一方面,本发明还提出了一种动力电池模型在线参数的辨识系统,该系统包括:第一获取模块,用于获取动力电池在第k个采样时刻的端电压测量值Um,k;第二获取模块,用于获取动力电池模型在第k个采样时刻的输出电压Ut,k;参数确定模块,用于根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数。
进一步地,上述动力电池模型在线参数的辨识系统中,所述参数确定模块包括:
计算子模块,用于确定动力电池模型待辨识参数的计算公式如下:
参数确定子模块,用于按照计算子步骤中的公式进行迭代,得到n阶动力电池模型在第k个采样时刻的待辨识参数值。
进一步地,上述动力电池模型在线参数的辨识系统,所述第二获取模块用于:根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
式中:ai(i=1,2,…,2n+1)为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2、Ut,k-n分别为动力电池模型在第k-1个、k-2个、k-n个采样时刻的输出电压,iL,k、iL,k-1、iL,k-n分别为动力电池模型在第k个、k-1个、k-n个采样时刻的电流;
所述动力电池模型待辨识参数的计算公式中:
由于本发明中的辨识系统与上述辨识方法原理相同,所以该辨识系统也具有与上述辨识方法相应的技术效果。
又一方面,本发明还提出了一种机器可读存储介质,该存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现上述任一所述的方法步骤。
由于该存储介质存储的是上述方法实施例中实施的方法步骤,所以该存储介质具有与上述方法实施例相应的技术效果。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例提供的动力电池模型在线参数的辨识方法的原理图;
图2为本发明实施例提供的动力电池模型在线参数的辨识方法的流程图;
图3为本发明实施例中动力电池模型的结构示意图;
图4为本发明实施例提供的动力电池模型在线参数的辨识方法,参数确定步骤的子流程图;
图5为本发明实施例提供的动力电池模型在线参数的辨识方法又一流程图;
图6为本发明实施例提供的动力电池模型在线参数的辨识系统的结构框图;
图7为本发明实施例提供的动力电池模型在线参数的辨识系统中,参数确定模块的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
方法实施例:
本发明实施例公开了一种动力电池模型在线参数的辨识方法。参见图1,该方法的基本原理为:预先建立一动力电池多阶次模型,并基于超稳定性理论建立动力电池模型参数的稳定自适应辨识方法,通过该稳定自适应辨识方法对动力电池多阶次模型的参数进行辨识,以使该动力电池多阶次模型能更好地仿真动力电池的各种运行工况。图中,iL,k表示第k个采样时刻的动力电池电流,充电为正,放电为负;Um,k表示第k个采样时刻的动力电池端电压测量值;Ut,k表示第k个采样时刻的动力电池多阶次模型的输出电压,ξk表示第k个采样时刻的动力电池模型的端电压估计误差,ξk=Um,k-Ut,k。下面对该辨识方法进行详细说明。
参见图2,图2为本发明实施例提供的动力电池模型在线参数的辨识方法的流程图。如图所示,该方法包括如下步骤:
第一获取步骤S201,获取动力电池在第k个采样时刻的端电压测量值Um,k。由于本发明实施例为在线参数辨识方法,所以动力电池可持续运行。
第二获取步骤S202,获取动力电池模型在第k个采样时刻的输出电压Ut,k和iL,k。
该输出电压Ut,k可以基于动力电池多阶次模型的离散时间域表达式求得,下面结合图3对该表达式的具体推导过程进行说明:
本发明实施例采用的动力电池模型为基于电极阻抗谱理论建立的等效电路模型,该模型结构可以与电池内部状态建立对应关系,电池内部状态包括欧姆极化、浓差极化和电化学极化,如图3所示。其中,Uoc为动力电池开路电压;Rs为动力电池等效内阻,与电池欧姆极化对应;Cdl为双电层电容,与电池浓差极化对应;ZF为电化学阻抗,与电池电化学极化对应;Rt为电荷转移电阻;m-RC对应于电化学极化迟滞效应,m(0,1,2,…)为ZF中RC网络的数目;n(1,2,…)为动力电池模型阶次,n=m+1;Ut为动力电池模型输出电压;iL为动力电池电流,充电为正,放电为负。
为便于动力电池模型工程化应用,本发明实施例对图3所示的多阶次模型按如下方法进行离散化处理:
1)由基尔霍夫电压定律,得到动力电池模型输出电压Ut与输入电流iL的复频域数学关系表达式:
其中,ZF(s)的表达式如下:
2)利用双线性变换法,将动力电池模型复频域表达式(1)从s平面映射到Z平面,映射公式为:
其中,Δt为系统的采样时间。将式代入式得导动力电池模型Z域表达式:
3)因为动力电池开路电压Uoc与SOC(State of Charge)、工作温度T、老化状态SOH(State of Health)具有耦合关系。又因为通常情况下Δt非常小,动力电池模型阶次n≤5既能满足绝大多数应用工况下的精度需求,所以在nΔt内进行如下假设:
i)SOC变化近似为0;
ii)工作温度T变化近似为0;
iii)电池SOH变化近似为0。
因此,在nΔt内,电池开路电压Uoc变化近似为0,即:
Uoc,k≈Uoc,k-1≈…≈Uoc,k-n (5)
其中,k表示第k个采样时刻,Uoc,k,Uoc,k-1,…Uoc,k-n分别表示第k,k-1…k-n个采样时刻动力电池的开路电压。
对式进行Z逆变换,并将式代入整理后可得动力电池模型在第k个采样时刻输出电压的离散时间域表达式为:
上式中,ai(i=1,2,…,2n+1)为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2、Ut,k-n分别为动力电池模型在第k-1个、k-2个、k-n个采样时刻的输出电压,iL,k、iL,k-1、iL,k-n分别为动力电池模型在第k个、k-1个、k-n个采样时刻的电流。
参数确定步骤S203,根据端电压测量值Um,k和输出电压Ut,k的差值,并利用自适应参数辨识算法确定动力电池模型在第k个采样时刻的待辨识参数。
下面基于上述动力电池多阶次模型的离散时间域表达式,对基于超稳定性理论的动力电池多阶次模型参数稳定自适应辨识方法的表达式及具体推导过程进行详细说明。具体而言,参见图4,该自适应参数辨识方法包括如下步骤:
计算子步骤401,确定动力电池模型待辨识参数的计算公式。
将公式(6)中的动力电池多阶次模型的表达式进行如下处理,以便应用于自适应参数辨识方法,处理后的形式如下:
上式中,θk为动力电池模型在第k个采样时刻的参数矩阵,θk-1为动力电池模型在第k-1个采样时刻的参数矩阵,Φk-1为动力电池模型的数据矩阵,和Ut,k分别为动力电池模型的先验和后验输出电压。则动力电池模型广义输出误差为:
上式中,ek为广义误差矩阵,dk为广义误差系数矩阵。
由(7)(8)(9)构建动力电池模型参数矩阵和数据矩阵的扩展矩阵如下:
上式中,ξk-1=Um,k-1-Ut,k-1,ξk-n=Um,k-n-Ut,k-n;Um,k-1、Um,k-n分别为动力电池在第k-1个、k-n个采样时刻的端电压测量值。
本发明实施例应用超稳定性理论得到的动力电池多阶次模型参数辨识计算公式如下:
在本发明的另一具体实施方式中,也可以采用自回归模型及其拓展模型的动力电池模型。该动力电池的自回归模型的基本形式:
相应地,动力电池模型待辨识参数的计算公式中:
在本发明的另一种实施方式中,动力电池的自回归拓展模型的基本形式:
其中,式中:为动力电池模型的待辨识参数,分别为动力电池模型在第k-1个、k-2个……k-ng个采样时刻的输出电压,分别为动力电池模型在第k个、k-1个……k-nh个采样时刻的电流;ng为动力电池模型的电压数据个数,nh为动力电池模型电流采样数据个数;
所述动力电池模型待辨识参数的计算公式中:
参见图5,具体实施时,当k=0时,设置公式(11)中的初值G0和λ,然后按照公式(11)进行迭代,得到动力电池模型在第k个采样时刻的待辨识参数值由于本发明实施例为在线辨识,所以图1所示的动力电池可持续运行,本发明实施例中的辨识方法对动力电池进行实施跟踪,以对该动力电池模型在各采样时刻的参数进行辨识,使该动力电池模型可更好地仿真动力电池的各个工况。
本发明实施例中的动力电池模型在线参数辨识方法,面向多阶次的动力电池模型,应用超稳定性理论,可以实现动力电池在多变应用工况下的模型参数稳定辨识,辨识得到的参数可以应用于动力电池的状态估计与优化控制算法,保障动力电池算法体系的稳定有效。此外,该方法具有参数估计误差自适应算法机制,可以实现动力电池多变应用工况的快速实时跟踪;而且可以用于动力电池多阶次模型参数的辨识,通用性强,简单有效,易于工程化实现。
系统实施例:
参见图6,图6为本发明实施例提出的动力电池模型在线参数的辨识系统的结构框图。如图所示,该系统包括:
第一获取模块601,用于获取动力电池在第k个采样时刻的端电压测量值Um,k。
第二获取模块602,用于获取动力电池模型在第k个采样时刻的输出电压Ut,k。
参数确定模块603,用于根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数。
进一步地,所述第二获取模块用于:根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
式中:ai(i=1,2,…,2n+1)为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2、Ut,k-n分别为动力电池模型在第k-1个、k-2个、k-n个采样时刻的输出电压,iL,k、iL,k-1、iL,k-n分别为动力电池模型在第k个、k-1个、k-n个采样时刻的电流。
参见图7,图7为本发明实施例中参数确定模块的结构框图。如图所示,该参数确定模块包括:
计算子模块701,用于确定动力电池模型待辨识参数的计算公式如下:
ξk-1=Um,k-1-Ut,k-1,ξk-n=Um,k-n-Ut,k-n;Um,k-1、Um,k-n分别为动力电池在第k-1个、k-n个采样时刻的端电压测量值; 表示中元素数,T表示转置,λ>0.5,
本系统实施例的具体实施过程参见上述方法实施例即可,本实施例在此不再赘述。
本发明实施例中的动力电池模型在线参数辨识系统,面向多阶次的动力电池模型,应用超稳定性理论,可以实现动力电池在多变应用工况下的模型参数稳定辨识,辨识得到的参数可以应用于动力电池的状态估计与优化控制算法,保障动力电池算法体系的稳定有效。此外,该方法具有参数估计误差自适应算法机制,可以实现动力电池多变应用工况的快速实时跟踪;而且可以用于动力电池多阶次模型参数的辨识,通用性强,简单有效,易于工程化实现。
存储介质实施例:
本发明实施例提出了一种机器可读存储介质,该存储有机器可执行指令,在被处理器调用和执行时,机器可执行指令促使处理器:实现上述方法实施例中的任一方法步骤。本存储介质的具体实施过程参见上述方法实施例即可,本实施例在此不再赘述。
由于该存储介质存储的是上述方法实施例中实施的方法步骤,所以该存储介质具有与上述方法实施例相应的技术效果。
需要说明的是,本发明中的辨识方法、系统及存储介质原理相同,相关之处可以相互参照。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种动力电池模型在线参数的辨识方法,其特征在于,包括如下步骤:
预先建立一动力电池多阶次模型,并基于超稳定性理论建立动力电池模型参数的稳定自适应辨识方法;
第一获取步骤,获取动力电池在第k个采样时刻的端电压测量值Um,k;
第二获取步骤,获取动力电池模型在第k个采样时刻的输出电压Ut,k;
参数确定步骤,根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数;
其中,动力电池模型在第k个采样时刻输出电压的离散时间域表达式为:
上式中,ai(i=1,2,···,2n+1)为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2、Ut,k-n分别为动力电池模型在第k-1个、k-2个、k-n个采样时刻的输出电压,iL,k、iL,k-1、iL,k-n分别为动力电池模型在第k个、k-1个、k-n个采样时刻的电流;
还包括对动力电池模型在第k个采样时刻输出电压的离散时间域表达式进行如下处理,以便应用于自适应参数辨识方法:
上式中,θk为动力电池模型在第k个采样时刻的参数矩阵,θk-1为动力电池模型在第k-1个采样时刻的参数矩阵,Φk-1为动力电池模型的数据矩阵,和Ut,k分别为动力电池模型的先验和后验输出电压。则动力电池模型广义输出误差为:
上式中,ek为广义误差矩阵,dk为广义误差系数矩阵;
基于上述公式,构建动力电池模型参数矩阵和数据矩阵的扩展矩阵如下:
上式中,ξk-1=Um,k-1-Ut,k-1,ξk-n=Um,k-n-Ut,k-n;Um,k-1、Um,k-n分别为动力电池在第k-1个、k-n个采样时刻的端电压测量值;
所述参数确定步骤包括如下子步骤:
计算子步骤,确定动力电池模型待辨识参数的计算公式如下:
其中,所述动力电池模型待辨识参数的计算公式中:
参数确定子步骤,按照计算子步骤中的公式进行迭代,得到动力电池模型在第k个采样时刻的待辨识参数值。
4.一种动力电池模型在线参数的辨识系统,其特征在于,包括:
第一获取模块,用于获取动力电池在第k个采样时刻的端电压测量值Um,k;
第二获取模块,用于获取动力电池模型在第k个采样时刻的输出电压Ut,k;
参数确定模块,用于根据所述端电压测量值Um,k和所述输出电压Ut,k的差值,并利用自适应参数辨识算法确定所述动力电池模型在第k个采样时刻的待辨识参数;
所述参数确定模块包括:
计算子模块,用于确定动力电池模型待辨识参数的计算公式如下:
参数确定子模块,用于按照计算子步骤中的公式进行迭代,得到n阶动力电池模型在第k个采样时刻的待辨识参数值。
5.根据权利要求4所述的动力电池模型在线参数的辨识系统,其特征在于,所述第二获取模块用于:根据如下公式确定所述动力电池模型在第k个采样时刻的输出电压Ut,k为:
式中:ai(i=1,2,···,2n+1)为动力电池模型的待辨识参数,Uoc,k为动力电池在第k个采样时刻的开路电压,n为动力电池模型阶次,Ut,k-1、Ut,k-2、Ut,k-n分别为动力电池模型在第k-1个、k-2个、k-n个采样时刻的输出电压,iL,k、iL,k-1、iL,k-n分别为动力电池模型在第k个、k-1个、k-n个采样时刻的电流;
所述动力电池模型待辨识参数的计算公式中:
6.一种机器可读存储介质,其特征在于,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711193497.3A CN107817451B (zh) | 2017-11-24 | 2017-11-24 | 动力电池模型在线参数的辨识方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711193497.3A CN107817451B (zh) | 2017-11-24 | 2017-11-24 | 动力电池模型在线参数的辨识方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107817451A CN107817451A (zh) | 2018-03-20 |
CN107817451B true CN107817451B (zh) | 2020-06-16 |
Family
ID=61608896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711193497.3A Active CN107817451B (zh) | 2017-11-24 | 2017-11-24 | 动力电池模型在线参数的辨识方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817451B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535661B (zh) * | 2018-05-18 | 2020-03-31 | 东北大学 | 一种基于模型误差谱的动力电池健康状态在线估计方法 |
CN110426638B (zh) * | 2019-08-26 | 2021-04-16 | 南京国电南自电网自动化有限公司 | 一种电池开路电压的快速计算方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统 |
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 |
CN102232257B (zh) * | 2008-12-01 | 2014-02-19 | 康奈可关精株式会社 | 电池模型辨识方法 |
CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249171B (zh) * | 2016-09-18 | 2018-10-26 | 北京理工大学 | 一种用于宽采样间隔的动力电池系统辨识和状态估计方法 |
CN106291393B (zh) * | 2016-11-18 | 2019-02-15 | 成都雅骏新能源汽车科技股份有限公司 | 一种用于在线识别电池模型参数的方法 |
CN106646253A (zh) * | 2016-12-07 | 2017-05-10 | 华南农业大学 | 一种在线辨识电池内部参数的方法 |
-
2017
- 2017-11-24 CN CN201711193497.3A patent/CN107817451B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102232257B (zh) * | 2008-12-01 | 2014-02-19 | 康奈可关精株式会社 | 电池模型辨识方法 |
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统 |
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 |
CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107817451A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | State-of-charge estimation and remaining useful life prediction of supercapacitors | |
Yang et al. | Online parameters identification and state of charge estimation for lithium-ion capacitor based on improved Cubature Kalman filter | |
Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
Ouyang et al. | Enhancing the estimation accuracy in low state-of-charge area: A novel onboard battery model through surface state of charge determination | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
Li et al. | Estimation algorithm research for lithium battery SOC in electric vehicles based on adaptive unscented Kalman filter | |
CN112580284B (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
Qiao et al. | A novel bias compensation recursive least square‐multiple weighted dual extended Kalman filtering method for accurate state‐of‐charge and state‐of‐health co‐estimation of lithium‐ion batteries | |
Jiang et al. | An aging-aware soc estimation method for lithium-ion batteries using xgboost algorithm | |
Wang et al. | Power battery state of charge estimation based on extended Kalman filter | |
CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及系统 | |
CN113219344A (zh) | 一种铅酸蓄电池soc估计方法 | |
Chen et al. | A novel combined estimation method of online full‐parameter identification and adaptive unscented particle filter for Li‐ion batteries SOC based on fractional‐order modeling | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN107817451B (zh) | 动力电池模型在线参数的辨识方法、系统及存储介质 | |
CN112147514A (zh) | 基于rls的锂电池全工况自适应等效电路模型 | |
Liu et al. | Multi-state joint estimation of series battery pack based on multi-model fusion | |
Liu et al. | An improved adaptive cubature H‑infinity filter for state of charge estimation of lithium‑ion battery | |
Guo et al. | An Adaptive Approach for Battery State of Charge and State of Power Co-Estimation With a Fractional-Order Multi-Model System Considering Temperatures | |
Zhang et al. | Estimation of state‐of‐energy for lithium batteries based on dual adaptive particle filters considering variable current and noise effects | |
Zhang et al. | State of charge estimation for lithium-ion battery based on adaptive extended Kalman filter with improved residual covariance matrix estimator | |
Wang et al. | Identification of fractional-order equivalent circuit model of lithium-ion battery for improving estimation of state of charge | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 |
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 |