CN107843847A - 一种基于ekf算法的蓄电池soc在线估测方法 - Google Patents
一种基于ekf算法的蓄电池soc在线估测方法 Download PDFInfo
- Publication number
- CN107843847A CN107843847A CN201711045736.0A CN201711045736A CN107843847A CN 107843847 A CN107843847 A CN 107843847A CN 201711045736 A CN201711045736 A CN 201711045736A CN 107843847 A CN107843847 A CN 107843847A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- battery
- soc
- mover
- 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.)
- Pending
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于EKF算法的蓄电池SOC在线估测方法,包括以下步骤:确立电池等效电路模型,建立电池非线性系统的离散状态空间模型;通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0);以SOC(0)为输入的初始状态量,利用EKF算法进行蓄电池SOC估测,生成SOC估测值;对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值。本发明通过优选电池SOC初值使EKF的初始状态尽可能接近蓄电池实时状态,保证了蓄电池SOC在线估测的收敛速度,并通过温度、电池寿命及自放电效应的补偿,提高了估测精度。
Description
技术领域
本发明属于电动汽车动力电池技术领域,具体涉及一种基于EKF算法的蓄电池SOC在线估测方法。
背景技术
电池是电动汽车的主要能量载体和动力来源,也是电动汽车整车车体的主要组成部分,电池的性能决定着电动汽车系统的安全性、可靠性以及效率。准确的预测电池SOC(State of Charge,电池荷电状态),不仅可以提高电池的容量利用效率,还可以避免电池的过充电和过放电损坏电池,延长电池使用寿命。然而由于电池内部复杂的电化学性质及物理反应,SOC不能直接测量,一般是通过可测量的电压、电流和温度等的参数来估测。随着电动汽车的推广,如何准确的估测动力电池组的SOC值成为近些年研究的热点。但目前关于电池SOC估测方法的研究大多数是针对锂电池,关于蓄电池SOC的研究比较少。这是由于蓄电池的能量密度等特性不如其他动力电池,而且自放电特性严重,估测起来相对比较困难。
SOC估测方法主要有以下几种:开路电压法、安时积分法、内阻法、线性模型法、KF(Kalman Filter,卡尔曼滤波)算法。开路电压法容易实现,原理简单,估算出来的SOC精度也很高,但需要对电池进行长时间的静置,直到电池恢复到端电压稳定状态,因而无法对SOC进行在线估计。安时积分法从SOC定义出发,适用于所有电池类型,也可以用于电池的在线检测,但是这种方法没有反馈修正环节,如果电流数据采集过程中产生测量误差,那么此误差会因为积分作用而累加,累积误差会导致SOC的估计值与真实值产生较大的偏差。内阻法采用测量电池电压电流计算电阻来估算电池SOC,此方法在现实运动中的汽车电池行不通,而且随着电池温度变化内阻值变化很大,电池用久后老化问题也加剧内阻变化,不同的电池内部结构也会不一样,限制了该方法的精度。线性模型法适合电池SOC变化缓慢的情况,对于电压、电流急剧变化的情况就不适用。EKF算法是一种递推线性最小方差估计的运算方法,利用实时观测向量及待估算的状态向量的前一时刻估算值对状态向量作最小方差估算,可以方便地得出状态的最优估计,广泛地用于解决各种动态系统的状态估计,但KF算法只能应用在线性系统之中,而电动汽车电池系统一般为非线性离散系统。因此EKF(Extended Kalman Filter,扩展卡尔曼滤波)算法应运而生,EKF算法通过建立非线性状态空间模型,结合递推算法实现模型状态变量SOC的最小方差估计,是一种在线实时的估计方法,具有较好的收敛性,适用于电流变化剧烈的电动汽车动力电池组。但在EKF估测中,电池SOC初始值的选取影响估测曲线的收敛速度,因此电池SOC初始值的优选问题不容忽视。同时,蓄电池SOC估测结果的精确度受到温度、电池寿命、蓄电池的自放电效应等因素的影响。
发明内容
本发明的目的是在EKF算法的基础上,提高电动汽车蓄电池SOC在线估测的收敛速度和估测精度。
为实现上述目的,本发明提供了一种基于EKF算法的蓄电池SOC在线估测方法,包括以下步骤:
S1、确立电池等效电路模型,建立电池非线性系统的离散状态空间模型;
S2、通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0);
S3、以SOC(0)为输入的初始状态量,利用EKF算法进行电池SOC估测,生成SOC估测值;
S4、对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值。
进一步的,S1所述确立电池等效电路模型具体包括:对Thevenin等效电路模型方程式进行离散化处理,获得电池模型参数间的函数关系
UL(K)=Uoc(K)+R0IK+UP(K)
UP(K+1)=UP(K)e-Δt/τ+IKRP(1-e-Δt/τ)
式中,UL(K)为电池K时刻的端电压,UOC(K)为电池K时刻的开路电压,R0为电池内阻,IK为电池负载电流,UP(K)为电池极化电阻两端的电压,Δt为采样周期,τ为时间常数,RP为电池极化电阻。
进一步的,S1所述建立电池非线性系统的离散状态空间模型具体包括:
建立状态方程XK+1=f(XK,UK)+WK
观测方程YK=g(XK,UK)+VK
式中,XK为系统状态向量,YK为系统观测向量,UK为K时刻的系统输入向量,f(XK,
UK)为非线性的状态转移函数,g(XK,UK)为非线性的测量函数,WK、VK分别为不相关的系统噪声和观测噪声。
进一步的,S2所述通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0)具体包括:在常温下对被测蓄电池进行恒流充放电实验,记录每次对应的电池SOC初值SOC(0)和电池开路电压初值UOC(0),将测量数据导入MATLAB中,经过二维数据拟合处理,得到SOC(0)与UOC(0)之间的拟合函数关系,然后求解获得被测蓄电池的电池SOC初值SOC(0)。
进一步的,S2还包括通过梯度仿真实验确定初始误差协方差P(0)。
进一步的,S3所述以SOC(0)为输入的初始状态量,利用EKF算法进行电池SOC估测,生成SOC估测值具体包括:
S31、设定初始状态量估计值初始误差协方差矩阵PK-1/K-1=P(0)
S32、预测当前时刻的状态量和误差协方差矩阵Pk/k-1
PK/K-1=AK-1PK-1/K-1+QK-1
S33、计算卡尔曼增益系数KK:
S34、修正状态量估计值和误差协方差矩阵PK/K-1,得到校正后的状态量滤波值和滤波误差协方差矩阵PK/K
PK/K=(I-KKCK)PK/K-1
S35、以校正后的状态量和误差协方差的滤波值作为初始值,返回S32循环迭代,进行下一时刻的SOC估测。
其中,K=1,2,3……
QK为系统噪声WK的方差,RK为观测噪声VK的方差,I为单位矩阵。
进一步的,S4所述对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值具体包括:
式中,KL为电池寿命补偿系数,KD为自放电率,t为电池贮存时间,KT为温度补偿系数,T为实际温度。
进一步的,所述方法还包括:S5、重复步骤S1-S4对电池组中的多个电池单体进行SOC估测,并将多个电池单体SOC估测值中的最小值作为电池组的SOC估测值。
进一步的,所述方法还包括:当电池组充满电时,将电池SOC值强制校准为100%;当电池组放电至低于预定阈值时,将电池SOC值强制校准为0。
本发明的有益效果是:通过建立电池SOC初值与开路电压初值之间的拟合函数关系,利用实时获得的开路电压等数据,进行电池SOC初值的选取,它使EKF的初始状态尽可能接近电池的当前状态,从而保证了蓄电池SOC在线估测的收敛速度和估测精度,并将温度、电池寿命及蓄电池自放电效应的补偿加到了电池SOC的估测中,确保了电池SOC估测结果的准确性及实际运行的可靠性。
附图说明
图1为本发明提供的一种基于EKF算法的蓄电池SOC在线估测方法的流程示意图。
图2为本发明提供的一种基于EKF算法的蓄电池SOC在线估测方法中EKF算法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于EKF算法的蓄电池SOC在线估测方法,包括以下步骤:
S1、确立电池等效电路模型,建立电池非线性系统的离散状态空间模型。
工程上比较常用而且易于实现的电池等效电路模型有Rint模型,RC模型,Thevenin模型和PNGV模型。本发明选取了Thevenin等效电路模型,其方程式为
UL=Uoc+R0I+RPIP
式中,UL为电池的端电压,UOC为电池的开路电压,R0为电池内阻,I为电池负载电流,RP为电池极化电阻,IP为电池极化电阻上的电流。
对上式进行离散化处理后,获得电池模型参数间的函数关系:
UL(K)=Uoc(K)+R0IK+UP(K)
UP(K+1)=UP(K)e-Δt/τ+IKRP(1-e-Δt/τ)
式中,UL(K)为电池K时刻的端电压,UOC(K)为电池K时刻的开路电压,R0为电池内阻,IK为电池负载电流,UP(K)为电池极化电阻两端的电压,Δt为采样周期,τ为时间常数,RP为电池极化电阻。
建立状态方程XK+1=f(XK,UK)+WK
观测方程YK=g(XK,UK)+VK
式中,XK为系统状态向量,YK为系统观测向量,UK为K时刻的系统输入向量,f(XK,UK)为非线性的状态转移函数,g(XK,UK)为非线性的测量函数,WK、VK分别为不相关的系统噪声和观测噪声。
对f(XK,UK)、g(XK,UK)进行模糊线性化处理并求偏导值,假定
则XK+1=AKBK+BKUK+WK
YK=CKXK+DKUK+VK
S2、通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0)。
输入的电池SOC初值越接近实际状态的SOC初值,则SOC估测的收敛速度越快,估测结果的精度也越高。为此,在常温下对被测蓄电池进行恒流充放电实验,记录每次对应的电池SOC初值SOC(0)和电池开路电压初值UOC(0),将测量数据导入MATLAB中,经过二维数据拟合处理,得到SOC(0)与UOC(0)之间的拟合函数关系,然后求解获得被测蓄电池的电池SOC初值SOC(0)。使用该方法确定SOC初值虽然存在一定误差,但由于EKF算法具有收敛特性,因此,这一误差可在短时间的迭代过程中,逐渐消除。在SOC初值优选的基础上,再对初始误差协方差P(0)进行参数寻优,可以通过梯度实验结果进行比对、优选,以获得更准确的估计结果。
S3、以SOC(0)为输入的初始状态量,利用EKF算法进行电池SOC估测,生成SOC估测值。具体步骤如下:
S31、设定初始状态量估计值初始误差协方差矩阵PK-1/K-1=P(0);
S32、预测当前时刻的状态量和误差协方差矩阵Pk/k-1
PK/K-1=AK-1PK-1/K-1+QK-1
S33、计算卡尔曼增益系数KK:
S34、修正状态量估计值和误差协方差矩阵PK/K-1,得到校正后的状态量滤波值和滤波误差协方差矩阵PK/K
PK/K=(I-KKCK)PK/K-1
S35、以校正后的状态量和误差协方差的滤波值作为初始值,返回S32循环迭代,进行下一时刻的SOC估测。
其中,K=1,2,3……
QK为系统噪声WK的方差,RK为观测噪声VK的方差,I为单位矩阵。
S4、对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值。
式中,KL为电池寿命补偿系数,KD为自放电率,t为电池贮存时间,KT为温度补偿系数,T为实际温度。
S5、重复步骤S1-S4对电池组中的多个电池单体进行SOC估测,并将多个电池单体SOC估测值中的最小值作为电池组的SOC估测值。
当电池组充满电时,将电池SOC值强制校准为100%;当电池组放电至低于预定阈值时,将电池SOC值强制校准为0。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于EKF算法的蓄电池SOC在线估测方法,包括以下步骤:
S1、确立电池等效电路模型,建立电池非线性系统的离散状态空间模型;
S2、通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0);
S3、以SOC(0)为输入的初始状态量,利用EKF算法进行电池SOC估测,生成SOC估测值;
S4、对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值。
2.如权利要求1所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S1所述确立电池等效电路模型具体包括:对Thevenin等效电路模型方程式进行离散化处理,获得电池模型参数间的函数关系
UL(K)=Uoc(K)+R0IK+UP(K)
UP(K+1)=UP(K)e-Δt/τ+IKRP(1-e-Δt/τ)
式中,UL(K)为电池K时刻的端电压,UOC(K)为电池K时刻的开路电压,R0为电池内阻,IK为电池负载电流,UP(K)为电池极化电阻两端的电压,Δt为采样周期,τ为时间常数,RP为电池极化电阻。
3.如权利要求2所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S1所述建立电池非线性系统的离散状态空间模型具体包括:
建立状态方程XK+1=f(XK,UK)+WK
观测方程YK=g(XK,UK)+VK
式中,XK为系统状态向量,YK为系统观测向量,UK为K时刻的系统输入向量,f(XK,UK)为非线性的状态转移函数,g(XK,UK)为非线性的测量函数,WK、VK分别为不相关的系统噪声和观测噪声。
4.如权利要求3所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S2所述通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值UOC(0)之间的拟合函数关系,求解获得电池SOC初值SOC(0)具体包括:在常温下对被测蓄电池进行恒流充放电实验,记录每次对应的电池SOC初值SOC(0)和电池开路电压初值UOC(0),将测量数据导入MATLAB中,经过数据拟合处理,得到SOC(0)与UOC(0)之间的拟合函数关系,然后求解获得被测蓄电池的电池SOC初值SOC(0)。
5.如权利要求4所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S2还包括通过梯度仿真实验确定初始误差协方差P(0)。
6.如权利要求5所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S3所述以SOC(0)为输入的初始状态量,利用EKF算法进行电池SOC估测,生成SOC估测值具体包括:
S31、设定初始状态量估计值初始误差协方差矩阵PK-1/K-1=P(0)
S32、预测当前时刻的状态量和误差协方差矩阵Pk/k-1
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>/</mo>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>B</mi>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>U</mi>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
PK/K-1=AK-1PK-1/K-1+QK-1
S33、计算卡尔曼增益系数KK:
S34、修正状态量估计值和误差协方差矩阵PK/K-1,得到校正后的状态量滤波值和滤波误差协方差矩阵PK/K
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>/</mo>
<mi>K</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>K</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>Y</mi>
<mi>K</mi>
</msub>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>K</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
PK/K=(I-KKCK)PK/K-1
S35、以校正后的状态量和误差协方差的滤波值作为初始值,返回S32循环迭代,进行下一时刻的SOC估测。
其中,K=1,2,3……
<mrow>
<msub>
<mi>A</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>K</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mo>|</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>K</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>B</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>K</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>U</mi>
<mi>K</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mo>|</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>K</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>K</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mo>|</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>K</mi>
</msub>
</mrow>
</msub>
</mrow>
QK为系统噪声WK的方差,RK为观测噪声VK的方差,I为单位矩阵。
7.如权利要求6所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,S4所述对生成的SOC估测值进行温度、电池寿命及自放电效应补偿,输出修正后的SOC估测值具体包括:
<mrow>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>K</mi>
<mi>L</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>D</mi>
</msub>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>T</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>-</mo>
<mn>25</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
</mrow>
式中,KL为电池寿命补偿系数,KD为自放电率,t为电池贮存时间,KT为温度补偿系数,T为实际温度。
8.如权利要求1所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,所述方法还包括:S5、重复步骤S1至S4对电池组中的多个电池单体进行SOC估测,并将多个电池单体SOC估测值中的最小值作为电池组的SOC估测值。
9.如权利要求1所述的基于EKF算法的蓄电池SOC在线估测方法,其特征在于,所述方法还包括:当电池组充满电时,将电池SOC值强制校准为100%;当电池组放电至低于预定阈值时,将电池SOC值强制校准为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711045736.0A CN107843847A (zh) | 2017-10-31 | 2017-10-31 | 一种基于ekf算法的蓄电池soc在线估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711045736.0A CN107843847A (zh) | 2017-10-31 | 2017-10-31 | 一种基于ekf算法的蓄电池soc在线估测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107843847A true CN107843847A (zh) | 2018-03-27 |
Family
ID=61681229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711045736.0A Pending CN107843847A (zh) | 2017-10-31 | 2017-10-31 | 一种基于ekf算法的蓄电池soc在线估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107843847A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646191A (zh) * | 2018-05-10 | 2018-10-12 | 西安交通大学 | 一种基于dafekf的电池荷电状态估计方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN109946623A (zh) * | 2019-03-27 | 2019-06-28 | 吉林大学 | 一种锂电池的soc在线估测方法 |
CN111474481A (zh) * | 2020-04-13 | 2020-07-31 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的电池soc估算方法及装置 |
CN112649746A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种结合电路等效和递推迭代的荷电状态估计方法 |
CN113009354A (zh) * | 2021-04-30 | 2021-06-22 | 重庆长安汽车股份有限公司 | 一种车辆蓄电池状态监测方法及系统 |
CN115902647A (zh) * | 2023-02-23 | 2023-04-04 | 新乡医学院 | 一种电池状态智能监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601295A (zh) * | 2004-10-25 | 2005-03-30 | 清华大学 | 电动车用蓄电池荷电状态的估计及实现方法 |
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 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN103683427A (zh) * | 2013-12-23 | 2014-03-26 | 湖北工业大学 | 一种改进的蓄电池组充电系统及其soc估算方法 |
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 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
CN106814329A (zh) * | 2016-12-30 | 2017-06-09 | 深圳市麦澜创新科技有限公司 | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 |
-
2017
- 2017-10-31 CN CN201711045736.0A patent/CN107843847A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601295A (zh) * | 2004-10-25 | 2005-03-30 | 清华大学 | 电动车用蓄电池荷电状态的估计及实现方法 |
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 |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN103683427A (zh) * | 2013-12-23 | 2014-03-26 | 湖北工业大学 | 一种改进的蓄电池组充电系统及其soc估算方法 |
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 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
CN106814329A (zh) * | 2016-12-30 | 2017-06-09 | 深圳市麦澜创新科技有限公司 | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 |
Non-Patent Citations (3)
Title |
---|
余升: "电动汽车电池管理系统SOC估计算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘泽元 等: "基于改进EKF的飞机蓄电池在线SOC估计方法", 《电子测量技术》 * |
高玉峰 等: "基于EKF 算法的铅酸蓄电池SOC在线估计", 《电源技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646191A (zh) * | 2018-05-10 | 2018-10-12 | 西安交通大学 | 一种基于dafekf的电池荷电状态估计方法 |
CN108646191B (zh) * | 2018-05-10 | 2019-11-08 | 西安交通大学 | 一种基于dafekf的电池荷电状态估计方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN109946623A (zh) * | 2019-03-27 | 2019-06-28 | 吉林大学 | 一种锂电池的soc在线估测方法 |
CN109946623B (zh) * | 2019-03-27 | 2020-02-18 | 吉林大学 | 一种锂电池的soc在线估测方法 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN109900937B (zh) * | 2019-04-10 | 2020-12-08 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN112649746A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种结合电路等效和递推迭代的荷电状态估计方法 |
CN111474481A (zh) * | 2020-04-13 | 2020-07-31 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的电池soc估算方法及装置 |
CN113009354A (zh) * | 2021-04-30 | 2021-06-22 | 重庆长安汽车股份有限公司 | 一种车辆蓄电池状态监测方法及系统 |
CN115902647A (zh) * | 2023-02-23 | 2023-04-04 | 新乡医学院 | 一种电池状态智能监测方法 |
CN115902647B (zh) * | 2023-02-23 | 2023-05-16 | 新乡医学院 | 一种电池状态智能监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107843847A (zh) | 一种基于ekf算法的蓄电池soc在线估测方法 | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN109557477B (zh) | 一种电池系统健康状态估算方法 | |
Wang et al. | Online state of charge estimation for the aerial lithium-ion battery packs based on the improved extended Kalman filter method | |
CN107390127A (zh) | 一种soc估算方法 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
Tang et al. | Joint estimation of state-of-charge and state-of-health for all cells in the battery pack using “leader-follower” strategy | |
CN106443459A (zh) | 一种车用锂离子动力电池荷电状态估算方法 | |
CN102645637A (zh) | 一种均衡电池的soc估算方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN111812519B (zh) | 一种电池参数辨识方法及系统 | |
Xu et al. | State of charge estimation for liquid metal battery based on an improved sliding mode observer | |
Liu et al. | An online SOH estimation method based on the fusion of improved ICA and LSTM | |
Chen et al. | A novel dual h infinity filters based battery parameter and state estimation approach for electric vehicles application | |
CN111027203B (zh) | 一种超级电容soc计算方法 | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
Kim et al. | Hysteresis modeling for model-based condition monitoring of lithium-ion batteries | |
CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
Kamal et al. | State of charge estimation based on extened Kalman filter algorithm for Lithium-Ion battery | |
CN108646191B (zh) | 一种基于dafekf的电池荷电状态估计方法 | |
CN114509677A (zh) | 一种电池剩余容量多因子评估方法、系统及电子设备 | |
Jin et al. | A novel robust back propagation neural networkdual extended Kalman filter model for state-ofcharge and state-of-health co-estimation of lithiumion batteries | |
Li et al. | State-of-charge estimation of lithium-ion battery using multi-state estimate technic for electric vehicle applications |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180327 |