CN108169687A - 一种基于云平台的蓄电池soc估算方法 - Google Patents
一种基于云平台的蓄电池soc估算方法 Download PDFInfo
- Publication number
- CN108169687A CN108169687A CN201711440946.XA CN201711440946A CN108169687A CN 108169687 A CN108169687 A CN 108169687A CN 201711440946 A CN201711440946 A CN 201711440946A CN 108169687 A CN108169687 A CN 108169687A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- covariance
- state quantity
- soc
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 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 claims 1
- 239000012088 reference solution Substances 0.000 claims 1
- 230000010287 polarization Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 239000002253 acid Substances 0.000 description 9
- 230000010354 integration Effects 0.000 description 5
- 238000010998 test method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于云平台的蓄电池SOC在线估算方法。该方法为基于卡尔曼滤波估算方法的改进方法，其步骤包括：（1）基于电池云平台进行电池状态指标采集包括：电池单体端电压u、电池充放电电流；（2）初始化，包括状态量初始化和协方差初始化以及误差协方差确定；（3）进行状态量时间更新；（4）进行误差时间更新：（5）进行卡尔曼滤波增益计算（6）状态量测量更新；（7）进行误差更新；（8）进行更新釆样点，从步骤（2）到（7）步重新迭代计算得到新的状态量和协方差。本发明考虑了极化环节的模型参数变化，工作量更小，精度更高，更适合电池在线辨识，易于在控制器上实现。
Description
技术领域
本发明属储能系统、电池管理领域，具体为一种基于云平台的蓄电池SOC在线估算方法。
背景技术
为保证变电站直流电源系统较高的供电安全和可靠性，变电站直流系统配备了一定容量的阀控密封式铅酸蓄电池，蓄电池是变电站直流电源系统供电的最后一道安全屏障。目前，变电站直流电源系统大都采用性价比适中的铅酸电池，由于电池单体无法满足电网需求，因此需要多组串联接入直流系统，大部分的蓄电池组采用固定串并联简单粗放的管理方式，为保证系统的可靠性，铅酸电池大部分时间处于浅充浅放的状态，影响到铅酸电池的使用寿命。
对充放电状态不断转换的蓄电池来说，迫切需要找到一种方法能够实时准确估计其内部状态。蓄电池内部状态由于其非线性很强，会受温度、自放电效率等参数影响，蓄电池参数釆集时各种误差的存在，导致检测并不容易。关于电池内部状态估计的方法和文献有很多，而且多针对动力电池中的锂电池，各种方法是否可行有待验证。单独的电池容易检测，以前对传统汽车的铅酸蓄电池的内部状态估计，由于大多建立在离线实验的基础上，而且对铅酸电池剩余电量的使用范围有限制，无论是理论研究上还是实际应用，还没有一种通用、简单、快速、准确而可靠的方法可以在线准确检测如荷电状态、剩余容量和健康状态等内部参数。
电池的荷电状态（SOC）描述了电池剩余电量的实际可用状态，是电池使用过程中的重要参数指标之一。为了能够调整电源分配控制策略以及防止过度充放电对电池造成不可修复的损伤，需要对电池SOC进行动态估算。
电池SOC的估算方法按照原理分类可以分为基于电流累积法、参数对应方法和状态估计类方法。由于电量是电流与时间的乘积，电流累积法包括放电试验法和安时积分法。放电试验法：用恒定电流进行连续放电，直至端电压低于放电截止电压，放电电流与时间的乘积等于放出的电量。安时积分法：同放电法原理相同，由于电量是电流对时间的积分，实时记录电池的充放电流并对其进行积分，从而得到电池消耗或者获得的电量，若电池工作前的剩余电量为SOC0，那么当前时刻的电池为SOC为电流关于时间的积分加上剩余电量为SOC0。安时积分法可以应对变电流的电池估计，因此可以用于在线估计。一些电池参数，包括开路电压法、内阻法和线性模型法等，与电池存在对应关系，参数对应类方法的原理就是利用估计和测量的方法获得这些参数，间接确定。开路电压法：对各种电池，在使用条件差别不大情况下，电池开路电压与电池的荷电状态存在稳定的对应关系，所以一般通过测量电池静置后的开路电压可以估计电池。内阻法：通过铅酸电池的内阻特性试验，在一定范围内，单一的充放电过程中，电池内阻与SOC也存在一定的对应关系，电池通过测量电池的内阻，可以间接确定电池的实际SOC。线性模型法利用实验所获得的电池电压和电流等参数，将电池SOC作为线性模型中的状态变量，对电池建立多输入、单输出的线性模型，最终通过指定的状态估计方法来实现对电池SOC的估计。状态估计类方法以卡尔曼滤波方法为代表，通过利用可测量的数据，用估计值无限逼近最优值。卡尔曼滤波法：在事先了解系统一定先验知识的条件下，根据电池模型建立系统的状态空间方程，用测量的输出值，就能获得系统状态（对电池系统来说，可以将SOC作为状态量之一）的最优估计。根据电池放电试验，可以采集到电池的端电压和电流，建立以电池为状态量的系统方程，经过状态估计时间更新、均方误差时间更新、系统输出先验估计、滤波增益矩阵计算、最优状态估计、均方误差估计几个步骤，就能得到SOC的最优估计。状态观测法：当工作电流变化剧烈时，如果将电流看作电池状态空间模型的输入，那么使用状态观测器可以很好地对这种情况下进行SOC高精度观测。利用电池的输入电流和输出电压信号来计算电池内部不能测量的信号，状态量是包括SOC在内的电池内部信号。
按照是否依赖电池模型分类，安时积分法、放电试验法和开路电压法等传统方法不依赖于电池模型，而卡尔曼滤波法，线性模型法和神经网络法需要对电池进行建模和参数估计，保证足够精度的电池模型。
发明内容
本发明的目的就在于提供一种适用于电力系统蓄电池的SOC在线估算方法。
本发明的技术方案为：
本发明提出的蓄电池SOC在线估计方法，为基于卡尔曼滤波估算方法的改进方法，其利用到的卡尔曼滤波的状态空间方程表述为：
（1）
其中，
xk+1、xk为状态变量，在这里指的是电池SOC估算值;
k 表示时刻k，k+1 表示k+1时刻；
CA表示电池额定容量，单位为Ah;
Cp表示电池当前容量，单位Ah；
h为影响因素，充电状态下一般为1，放点状态下小于1;
Ts表示采样时间;
Rp、Cp为电路模型参数;
uxk表示电池端路电压
系统模型存在噪声vxk;
测量系统存在噪声wxk。
用于卡尔曼滤波的系数矩阵为：
（2）
（3）
（4）
其中，Uoc表示开路电压。
（5）
其中系数矩阵由电池模型参数和电池与关系决定，在每次初始化计算前基于所采集到的电池状态数据计算，作为已知量。
结合卡尔曼滤波算法对协方差修正的方法，对铅酸电池SOC采用基于改进的卡尔曼滤波估算方法，具体步骤：
（1）基于电池云平台进行电池状态指标采集包括：电池单体端电压u、电池充放电电流等。
（2）初始化，包括状态量初始化和协方差初始化以及误差协方差确定。
状态量初始化公式（为状态初始化量，计算方法为状态量的期望值）：
（6）
状态量协方差初始化公式：（为状态量协方差，计算方法为初始状态量的协方差）
（7）
（3）进行状态量时间更新（状态时间更新量）：
把初始状态量（6）式和采集到的端电压值带入公式（8）推算得到状态量更新值。
（8）
（4）进行误差时间更新（为状态量协方差误差，计算方法为将（7）代入（9）得到
（9）
其中，
P 为协方差矩阵。
Pv为噪声变量的协方差矩阵。
I 为单位矩阵。
μ为协方差调整因子。
（5）卡尔曼滤波增益计算：为卡尔曼滤波增益，计算方法为将（9）代入（10）得到
（10）
其中，Pw表示测量系统噪声w的协方差矩阵。
（6）状态量测量更新(将（8）、（10）代入（11）得到更新后的状态量)
（11）
其中，yk表示电压较高精度估算值，可以等同于uk，d为线性常量补偿因子。
（7）进行误差更新：更新计算方法为，将（9）、（10）代入（12）得到误差更新
（12）
（8）更新釆样点，从（2）到（7）步重新迭代计算得到新的状态量和协方差
本发明提出的蓄电池SOC在线估计方法，为基于卡尔曼滤波估算方法的改进方法，其利用到的卡尔曼滤波的状态空间方程表述为：
（1）
其中，
xk+1、xk为状态变量，在这里指的是电池SOC估算值;
k 表示时刻k，k+1 表示k+1时刻；
CA表示电池额定容量，单位为Ah;
Cp表示电池当前容量，单位Ah；
h为影响因素，充电状态下一般为1，放点状态下小于1;
Ts表示采样时间;
Rp、Cp为电路模型参数;
uxk表示电池端路电压
系统模型存在噪声vxk;
测量系统存在噪声wxk。
用于卡尔曼滤波的系数矩阵为：
（2）
（3）
（4）
其中，Uoc表示开路电压。
（5）
其中系数矩阵由电池模型参数和电池与关系决定，在每次初始化计算前基于所采集到的电池状态数据计算，作为已知量。
结合卡尔曼滤波算法对协方差修正的方法，对铅酸电池SOC采用基于改进的卡尔曼滤波估算方法，具体步骤：
（1）基于电池云平台进行电池状态指标采集包括：电池单体端电压u、电池充放电电流等。
（2）初始化，包括状态量初始化和协方差初始化以及误差协方差确定。
状态量初始化公式（为状态初始化量，计算方法为状态量的期望值）：
（6）
状态量协方差初始化公式：（为状态量协方差，计算方法为初始状态量的协方差）
（7）
（3）进行状态量时间更新（状态时间更新量）：
把初始状态量（6）式和采集到的端电压值带入公式（8）推算得到状态量更新值。
（8）
（4）进行误差时间更新（为状态量协方差误差，计算方法为将（7）代入（9）得到
（9）
其中，
P 为协方差矩阵。
Pv为噪声变量的协方差矩阵。
I 为单位矩阵。
μ为协方差调整因子。
（5）卡尔曼滤波增益计算：为卡尔曼滤波增益，计算方法为将（9）代入（10）得到
（10）
其中，Pw表示测量系统噪声w的协方差矩阵。
（6）状态量测量更新(将（8）、（10）代入（11）得到更新后的状态量)
（11）
其中，yk表示电压较高精度估算值，可以等同于uk，d为线性常量补偿因子。
（7）进行误差更新：更新计算方法为，将（9）、（10）代入（12）得到误差更新
（12）
（8）更新釆样点，从（2）到（7）步重新迭代计算得到新的状态量和协方差。
进一步本发明在步骤（2）中，初始化状态量的期望计算，取近10次状态估计量的平均值。
进一步由于电池SOC与电池端电压之间具有线性方程关系，在上述计算流程中，本发明步骤（6）状态量测量更新yk可采用即时采集的电池端电压数据前5个时刻的平均值作为参考数据，得到较高精确值。
进一步由于步骤（4）卡尔曼滤波增益计算过程中矩阵求逆计算复杂度高，在均衡精度与计算复杂度后，可采用固定范式作为参考求解。
进一步在步骤（8）更新采样点进行迭代计算中，在满足一定精度范围内，或者相邻采样点变化范围较小，可终止迭代，将上一次迭代后所得结果作为本次预计的结果。
本发明的有益效果为：本发明提出一种同时估计模型时变和蓄电池SOC的在线估计算法，并提出基于云平台的蓄电池SOC在线估算系统。相比于固定参数的卡尔曼滤波SOC估算方法，本发明的估算方法不需要离线HPPC辨识，节省了估算成本；相比于只动态辨识欧姆内阻，其他参数通过离线辨识获得的双卡尔曼滤波法，本专利考虑了极化环节的模型参数变化，工作量更小，精度更高，更适合电池在线辨识，易于在控制器上实现。
说明书附图
图1为本发明实施例所述3段放电时间叠加后不同方法随放电时间（静置时间忽略）得到的电池SOC图。
具体实施方式
以下为本发明方法的具体实施例：
首先基于云平台进行数据采集；利用釆集到的电流和端电压，分别用本专利中的估算算法、安时积分法和模型参数固定的卡尔曼滤波法估计出电池SOC。如图1下图表为3段放电时间叠加后不同方法随放电时间（静置时间忽略）得到的电池SOC。由于在充放电过程中，电池的实际开路电压和SOC误差就难以知晓。本发明实施例以三次放电过程后通过静置开路电压查表得到SOC作为真实SOC，分别计算三次放电终了时刻的SOC误差，用以反映各种估算方法的估计精度。从图可以看出：本专利得到放电末端电池SOC分别为0.695、0.485和0.230，与静置测量得到的开路电压对应SOC为0.7、0.46和0.22，其误差分别为1.4%、5.4%和4.5%。
本专利估算方法在精度上优于安时积分法和卡尔曼滤波法，其对比数据见下表：
表：本发明方法和安时积分法和固定参数卡尔曼滤波法的误差对比
由上表可见，本发明方法明显优于安时积分法和固定参数卡尔曼滤波法。
Claims (5)
1.一种基于云平台的蓄电池SOC在线估算方法，该方法为基于卡尔曼滤波估算方法的改进方法，其利用到的卡尔曼滤波的状态空间方程表述为：
（1）
其中，
xk+1、xk为状态变量，在这里指的是电池SOC估算值;
k 表示时刻k，k+1 表示k+1时刻；
CA表示电池额定容量，单位为Ah;
Cp 表示电池当前容量，单位Ah；
h为影响因素，充电状态下一般为1，放点状态下小于1;
Ts表示采样时间;
Rp、Cp为电路模型参数;
uxk 表示电池端路电压
系统模型存在噪声vxk;
测量系统存在噪声wxk；
用于卡尔曼滤波的系数矩阵为：
（2）
（3）
（4）
其中，Uoc表示开路电压；
（5）
其中系数矩阵由电池模型参数和电池与关系决定，在每次初始化计算前基于所采集到的电池状态数据计算，作为已知量；
其特征在于：本方法的步骤包括：
（1）基于电池云平台进行电池状态指标采集包括：电池单体端电压u、电池充放电电流等，
（2）初始化，包括状态量初始化和协方差初始化以及误差协方差确定；
状态量初始化公式：为状态初始化量，计算方法为状态量的期望值：
（6）
状态量协方差初始化公式：为状态量协方差，计算方法为初始状态量的协方差
（7）
（3）进行状态量时间更新：状态时间更新量：
把初始状态量（6）式和采集到的端电压值带入公式（8）推算得到状态量更新值
（8）
（4）进行误差时间更新：为状态量协方差误差，计算方法为将公式（7）代入公式（9）得到
（9）
其中，
P 为协方差矩阵；
Pv为噪声变量的协方差矩阵；
I 为单位矩阵；
μ为协方差调整因子；
（5）进行卡尔曼滤波增益计算：为卡尔曼滤波增益，计算方法为将公式（9）代入公式（10）得到
（10）
其中，Pw表示测量系统噪声w的协方差矩阵；
（6）状态量测量更新：将公式公式（8）、（10）代入公式（11）得到更新后的状态量)
（11）
其中，yk表示电压较高精度估算值，可以等同于uk，d为线性常量补偿因子；
（7）进行误差更新：更新计算方法为，将公式（9）、（10）代入公式（12）得到误差更新
（12）
（8）进行更新釆样点，从步骤（2）到（7）步重新迭代计算得到新的状态量和协方差。
2.根据权利要求1所述的一种基于云平台的蓄电池SOC在线估算方法，其特征在于：在步骤（2）中，初始化状态量的期望计算，取近10次状态估计量的平均值。
3.根据权利要求1所述的一种基于云平台的蓄电池SOC在线估算方法，其特征在于：由于电池SOC与电池端电压之间具有线性方程关系，在上述计算流程中，本发明步骤（6）状态量测量更新yk可采用即时采集的电池端电压数据前5个时刻的平均值作为参考数据，得到较高精确值。
4.根据权利要求1所述的一种基于云平台的蓄电池SOC在线估算方法，其特征在于：由于步骤（4）卡尔曼滤波增益计算过程中矩阵求逆计算复杂度高，在均衡精度与计算复杂度后，可采用固定范式作为参考求解。
5.根据权利要求1所述的一种基于云平台的蓄电池SOC在线估算方法，其特征在于：在步骤（8）更新采样点进行迭代计算中，在满足一定精度范围内，或者相邻采样点变化范围较小，可终止迭代，将上一次迭代后所得结果作为本次预计的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711440946.XA CN108169687A (zh) | 2017-12-27 | 2017-12-27 | 一种基于云平台的蓄电池soc估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711440946.XA CN108169687A (zh) | 2017-12-27 | 2017-12-27 | 一种基于云平台的蓄电池soc估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108169687A true CN108169687A (zh) | 2018-06-15 |
Family
ID=62522082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711440946.XA Pending CN108169687A (zh) | 2017-12-27 | 2017-12-27 | 一种基于云平台的蓄电池soc估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108169687A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061509A (zh) * | 2018-09-12 | 2018-12-21 | 芜湖楚睿智能科技有限公司 | 一种电池电量剩余值估算方法 |
| CN109828215A (zh) * | 2019-02-26 | 2019-05-31 | 清华大学 | 一种提升电池单体soc估算精度的方法和系统 |
| 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 |
| CN111864255A (zh) * | 2019-04-28 | 2020-10-30 | 重庆市科学技术研究院 | 一种动力电池与电池云平台管理方法 |
| CN115542173A (zh) * | 2022-12-05 | 2022-12-30 | 江苏欧力特能源科技有限公司 | 电池电量估计方法及装置 |
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6534954B1 (en) * | 2002-01-10 | 2003-03-18 | Compact Power Inc. | Method and apparatus for a battery state of charge estimator |
| CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
| CN101598769A (zh) * | 2009-06-29 | 2009-12-09 | 杭州电子科技大学 | 一种基于采样点卡尔曼滤波的电池剩余电量估计方法 |
| CN102645637A (zh) * | 2012-04-25 | 2012-08-22 | 中航锂电（洛阳）有限公司 | 一种均衡电池的soc估算方法 |
| CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
| 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 |
| CN109828215A (zh) * | 2019-02-26 | 2019-05-31 | 清华大学 | 一种提升电池单体soc估算精度的方法和系统 |
-
2017
- 2017-12-27 CN CN201711440946.XA patent/CN108169687A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6534954B1 (en) * | 2002-01-10 | 2003-03-18 | Compact Power Inc. | Method and apparatus for a battery state of charge estimator |
| CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
| CN101598769A (zh) * | 2009-06-29 | 2009-12-09 | 杭州电子科技大学 | 一种基于采样点卡尔曼滤波的电池剩余电量估计方法 |
| CN102645637A (zh) * | 2012-04-25 | 2012-08-22 | 中航锂电（洛阳）有限公司 | 一种均衡电池的soc估算方法 |
| CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
| 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 |
| CN109828215A (zh) * | 2019-02-26 | 2019-05-31 | 清华大学 | 一种提升电池单体soc估算精度的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王标: "基于电池模型的汽车铅酸电池SOC在线估计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061509A (zh) * | 2018-09-12 | 2018-12-21 | 芜湖楚睿智能科技有限公司 | 一种电池电量剩余值估算方法 |
| CN109828215A (zh) * | 2019-02-26 | 2019-05-31 | 清华大学 | 一种提升电池单体soc估算精度的方法和系统 |
| CN111864255A (zh) * | 2019-04-28 | 2020-10-30 | 重庆市科学技术研究院 | 一种动力电池与电池云平台管理方法 |
| 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 |
| CN115542173A (zh) * | 2022-12-05 | 2022-12-30 | 江苏欧力特能源科技有限公司 | 电池电量估计方法及装置 |
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
| CN116699415B (zh) * | 2023-05-26 | 2024-06-11 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
| CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
| 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 | |
| CN107748336B (zh) | 锂离子电池的荷电状态在线估计方法及系统 | |
| CN104101838B (zh) | 动力电池系统及其荷电状态、最大充放电功率估算方法 | |
| CN109633479B (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
| CN104181470B (zh) | 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法 | |
| CN112838631A (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
| CN111610456A (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
| CN107656210A (zh) | 一种估算电池电量状态的方法 | |
| CN105301509A (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
| CN104569835A (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
| CN113253140A (zh) | 电池健康状态在线估算方法 | |
| CN112444749A (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
| CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
| Tan et al. | Joint estimation of ternary lithium-ion battery state of charge and state of power based on dual polarization model | |
| CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
| CN114740357A (zh) | 一种并联电池组支路电流、荷电状态和功率状态的联合估计方法 | |
| CN105093129B (zh) | 一种储能电池剩余容量检测方法 | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
| CN105974320A (zh) | 一种液态或半液态金属电池荷电状态估计方法 | |
| CN115792638A (zh) | 基于电池模型参数辨识的soc-内短路联合估计方法 | |
| CN106772097B (zh) | 一种利用充电机矫正soc的方法 | |
| CN113109725B (zh) | 基于状态噪声矩阵自调节并联电池荷电状态估计方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |
|
| RJ01 | Rejection of invention patent application after publication |