CN108646199A - 一种动力电池soc估算方法和系统 - Google Patents
一种动力电池soc估算方法和系统 Download PDFInfo
- Publication number
- CN108646199A CN108646199A CN201810966618.1A CN201810966618A CN108646199A CN 108646199 A CN108646199 A CN 108646199A CN 201810966618 A CN201810966618 A CN 201810966618A CN 108646199 A CN108646199 A CN 108646199A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- model
- parameter
- multiplying power
- 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
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种动力电池SOC估算方法和系统,其将温度参数SOC参数和电流参数作为电池温度模型的输入变量参数;将电流参数和SOC参数作为电池倍率模型的输入变量参数;电池温度模型和电池倍率模型分别基于卡尔曼滤波器中的算法,根据温度参数、SOC参数及电流参数计算并得到对应电池温度模型的SOC值,记为SOC1,根据电流参数及SOC参数计算并得到对应电池倍率模型的SOC值,记为SOC2;融合计算器运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值。本发明通过两种模型的融合,能够使SOC估算在整个充放电区间里和较为复杂的使用条件下保持较高的精度。
Description
技术领域
本发明涉及电池管理系统领域,尤其涉及一种动力电池SOC(State of Charge,荷电状态,也叫剩余电量)估算方法和系统。
背景技术
电池是电动汽车的能量来源,为了保证电池组良好的使用性能以及更长的使用寿命,对电池组进行必要的控制和管理是必要的,而获得准确可靠的电池容量状态是对电池组进行管理的前提。所以提高动力电池SOC估计的精度,对于提高电池使用性能、延长电池寿命和提高电池的安全性,以及整车能量管理都有着重要的意义。
目前SOC估算方法可以大致分成四类,即查找表方法,安时积分法,基于模型的方法和数据驱动方法。查找表方法实现较为简单,但不适合在线计算;安时积分法可能由于环境噪声,电流漂移和错误的初始值等不确定的干扰而引起累积误差;基于模型的方法可以克服与上述两种方法的缺陷,但该方法对模型精度要求高;数据驱动方法则需要大量的实验数据来训练模型。
发明内容
本发明的目的是针对现有技术存在的问题,提出一种动力电池SOC估算方法,该方法通过建立两个高精度电池子模型,成功捕获了电池的温度特性和倍率特性,在不同的使用条件下两个子模型可以分别实现更高的精度,两种模型的融合可以使SOC估算在整个充放电区间里和较为复杂的使用条件下保持较高的精度。
本发明的目的通过如下技术方案实现:
本发明提供一种动力电池SOC估算方法,其包括:
步骤S101,将温度参数、SOC参数和电流参数作为电池温度模型的输入变量参数;将电流参数和SOC参数作为电池倍率模型的输入变量参数;
步骤S102,所述电池温度模型和电池倍率模型分别基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池温度模型的SOC值,记为SOC1,以及对应电池倍率模型的SOC值,记为SOC2;
步骤S103,运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值。
更优选地,所述步骤S103包括:
计算出电池温度模型输出的估计电压值UL1与测量电压之差,得到第一残差),以及和电池倍率模型输出的估计电压值与测量电压之差,得到第二残差;
根据残差值,基于条件概率求出电池温度模型和电池倍率模型的相应权值;
将电池温度模型和电池倍率模型的状态估计值与对应权值相乘,并求和,得到动力电池的最优状态估计值SOC。
更优选地,所述卡尔曼滤波器包括扩展卡尔曼滤波器,或者,无迹卡尔曼滤波器。
本发明还提供一种动力电池SOC估算系统,其包括:
电池温度模型、电池倍率模型和融合计算器;
所述电池温度模型和电池倍率模型中分别设置有卡尔曼滤波器;
所述电池温度模型将温度参数、SOC参数和电流参数作为输入变量参数;基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池温度模型的SOC值,记为SOC1;
所述电池倍率模型将电流参数和SOC参数作为输入变量参数;基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池倍率模型的SOC值,记为SOC2;
所述融合计算器运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值;所述权值根据电池温度模型和电池倍率模型分别输出的估计电压值与各自测量电压之差得到的残差值,并基于条件概率求出。
由上述本发明的技术方案可以看出,本发明具有如下技术效果:
本发明的两种子模型的参数分别考虑了温度和充放电倍率两个因素,在不同的使用条件下两个子模型可以分别实现更高的精度,两种模型的融合可以使SOC估算在整个充放电区间里和较为复杂的使用条件下保持较高的精度。
本发明适用于电池单体、模块、电池总成的SOC估计。
附图说明
图1为本发明的一种动力电池SOC估算方法的整体框架图;
图2是本发明的一种动力电池SOC估算方法的实施流程图;
图3为电池Thevenin模型的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合实施例和图1至图2对本发明的技术方案做进一步详细说明。
本发明提供一种动力电池SOC估算方法,其应用于一种动力电池SOC估算系统中,该动力电池SOC估算系统的框架如图1所示,包括:包括电池温度模型、电池倍率模型和融合计算器。
电池温度模型和电池倍率模型基于卡尔曼滤波器设立,二者并行设置,分别通过线路连接融合计算器。
其中,电池温度模型考虑温度参数对电池特性影响,其输入变量包括温度参数、SOC参数和电流参数,基于卡尔曼滤波器的算法计算,输出是电池温度模型的SOC估计值,记为SOC1,以及电池温度模型的端电压估计值,记为UL1。电池倍率模型考虑充放电倍率对电池特性影响,其输入变量包括电流参数和SOC值参数,基于卡尔曼滤波器的算法计算,输出是电池倍率模型的SOC值,记为SOC2,以及电池倍率模型端电压估计值,记为UL2。
电池温度模型和电池倍率模型的输出值SOC1、SOC2基于线路传递给融合计算器,经过融合计算器进行融合计算后得到SOC最优值。
本发明提供的一种动力电池SOC估算方法,其实施流程如图2所示,包括如下步骤:
步骤S101,将其当前时刻的温度参数、SOC参数和电流参数作为电池温度模型的输入变量参数;将其当前时刻的电流参数和SOC参数作为电池倍率模型的输入变量参数。
具体的,模型建立过程具体如下:
电池温度模型和电池倍率模型都是基于如图3所示的电池Thevenin模型建立的,其中,电池温度模型中的参数变量R0、R1、C1定义为关于SOC和温度T的函数R0(SOC,T)、R1(SOC,T)、C1(SOC,T);电池倍率模型中的参数R0、R1、C1分别定义为关于SOC和电流I的函数R0(SOC,I)、R1(SOC,I)、C1(SOC,I);电池温度模型和电池倍率模型中的参数变量R0、R1、C1分别通过参数辨识获取。
基于如下公式建立电池温度模型和电池倍率模型:
式中,Uoc表示开路电压;U0表示电池的负载电压;R0表示欧姆电阻;I表示电池的工作电流;Us表示极化电容两端的电压;R1表示极化电阻;C1表示极化电容;S(t)表示电池t时刻的SOC值;S(t0)表示电池t0时刻的SOC值;Q0表示电池额定容量;I表示电池工作电流;η表示充放电效率。
步骤S102,上述电池温度模型和电池倍率模型基于卡尔曼滤波器中的算法,计算并得到对应电池温度模型的SOC值,记为SOC1,以及对应电池倍率模型的SOC值,记为SOC2;
具体的,上述卡尔曼滤波器可以是扩展卡尔曼滤波器(EKF),也可以是无迹卡尔曼滤波器(UKF)等。
步骤S102中,基于卡尔曼滤波器中的算法,计算并得到电池温度模型对应的SOC1和电池倍率模型的SOC2的过程具体如下:
一、电池温度模型根据其当前时刻的运行参数(包括电池运行过程中的温度参数、电荷状态SOC参数和电流参数),计算电池温度模型的SOC1;
首先,根据k-1时刻的电荷状态变量X(k-1)、输入电流i(k-1)以及估计误差P(k-1),计算k时刻的电荷状态变量X(k)-和端电压(负载电压)预测值U(k)-以及误差P(k)-。具体如下:
X(k)-=A(k-1)×x(k-1)+B(k-1)×i(k-1),
P(k)-=A(k-1)×P(k-1)×A(k-1)T+Q,
………………………公式2
公式2中,Q为系统噪声方差,大小由模型精度决定;A(k-1)为k-1时刻的电池温度模型的状态转移矩阵;B(k-1)为k-1时刻电池温度模型的控制矩阵,其通过如下公式计算得出:
公式3中,R1表示极化电阻,C1表示极化电容,Δt表示间隔时间,Q0表示电池额定容量。
根据电池温度模型的状态方程以及误差P(k)-,计算当前k时刻的滤波系数K(k);然后通过观测得到的当前k时刻端电压真实值U(k)与预测阶段计算得到的端电压估计值U(k)-,计算观测残差Δu;再根据滤波系数K(k)及观测残差Δu,更新当前k时刻的SOC估计值X(k),同时更新误差P(k)。
U(k)-=C(k)×X(k)-
Δu=U(k)-U(k)-
K(k)=P(k)-×C(k)T×(C(k)×P(k)-×C(k)T+R)-1,
X(k)=X(k)-+K(k)×Δu,
P(k)=(I-K(k)×C(k))×P(k)-,
………………………公式4
式中,R为观测噪声误差,其大小由电压传感器精度决定;C(k)为电池温度模型在当前k时刻的状态方程矩阵,其表达式如下:
其中公式中的参数F(S)表示开路电压,该开路电压是关于SOC的函数,S表示SOC。k指当前k时刻。
二、电池倍率模型根据其当前时刻电池运行参数(包括SOC参数和电流参数),计算电池倍率模型的SOC2;
该步骤中的具体计算过程与计算电池温度模型的SOC1的步骤基本相同,此处不再赘述。
步骤S103,运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值。
发明人发现残差的大小反映了各个模型与实际系统模型的匹配程度。残差越小,相应的模型与实际系统模型越接近,模型的权值也就越大;相反,残差越大,相应的模型与实际系统模型相差也越大,权值也就越小。而且,上述电池温度模型输出的SOC1和电池倍率模型输出的SOC2所乘权值的大小与当前电池应用环境相关,即当环境温度变化剧烈时,SOC1所乘权值大;当电流大小变化剧烈时,SOC2所乘权值大。于是,首先计算出电池温度模型输出的估计电压值UL1与测量电压之差(即第一残差),以及和电池倍率模型输出的估计电压值与测量电压之差(即第二残差);然后根据残差值,基于条件概率求出两个模型的相应权值;最后,计算并得出最优的状态估计值SOC为所有基于卡尔曼滤波器的电池模型的状态估计值与权值乘积之和。
步骤S103的具体实现过程如下:
1)根据运行过程中测量的电压值(在此简称:测量电压)和模型观测估计值,计算第一残差和第二残差。
在各单一模型下的状态估计值为由各子模型下各自状态的估计值,求取子模型各自的观测估计值模型观测估计值与实际测量值Y(k)之差就是残差ri(k)。
残差ri(k)反映了各个模型与实际系统之间的相似度,残差越小的模型与实际系统越匹配。
2)根据得到的残差值,基于条件概率求出两个模型的相应权值,即第一权值和第二权值。
观测量方差阵为:
式中Ci为状态方程矩阵;σi(k)为在当前k时刻的状态量方差;Ri为观测噪声方差。
模型的权值P[θi|Y(k)]在数值上就等于第i个模型在k时刻的条件概率P(θi|Y(k)),即
P(θi|Y(k))=Pr{θ=θi|Y=Y(k)}
………………………公式7
其中Pr表示条件概率,为probability的缩写。
其中各模型的权值由下面公式计算得到
式中:P(θi|Y(k-1))为在当前k时刻的前一时刻条件概率;为第i个滤波器模型的条件概率密度函数,由下面公式计算得出:
式中m为量测矢量的维数;为在当前k时刻时的观测量方差阵,由公式6计算得到;ri(k)为在当前k时刻时的残差。
3)基于卡尔曼滤波器的多个电池模型的最优状态估计值为所有滤波器状态估计值与权值乘积之和,即:
为所有的电池模型的最优状态估计值;为第i个电池模型的状态估计值;P(θi|Y(k))为第i个电池模型在k时刻的权值,其数值上等于第i个电池模型在k时刻的条件概率。
由上述可以看出,本发明通过综合考虑影响动力电池SOC估算精度的因素所包括电池的温度特性和倍率特性,运用多模型卡尔曼滤波方法,有效地减小了SOC估计的误差。
虽然本发明已以较佳实施例公开如上,但实施例并不限定本发明。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (4)
1.一种动力电池SOC估算方法,其特征在于,所述动力电池SOC估算方法包括:
步骤S101,将温度参数、SOC参数和电流参数作为电池温度模型的输入变量参数;将电流参数和SOC参数作为电池倍率模型的输入变量参数;
步骤S102,所述电池温度模型和电池倍率模型分别基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池温度模型的SOC值,记为SOC1,以及对应电池倍率模型的SOC值,记为SOC2;
步骤S103,运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值。
2.根据权利要求1所述的一种动力电池SOC估算方法,其特征在于,所述步骤S103包括:
计算出电池温度模型输出的估计电压值UL1与测量电压之差,得到第一残差),以及和电池倍率模型输出的估计电压值与测量电压之差,得到第二残差;
根据残差值,基于条件概率求出电池温度模型和电池倍率模型的相应权值;
将电池温度模型和电池倍率模型的状态估计值与对应权值相乘,并求和,得到动力电池的最优状态估计值SOC。
3.根据权利要求1或2所述的一种动力电池SOC估算方法,其特征在于,
所述卡尔曼滤波器包括扩展卡尔曼滤波器,或者,无迹卡尔曼滤波器。
4.一种动力电池SOC估算系统,其特征在于,所述动力电池SOC估算系统包括:
电池温度模型、电池倍率模型和融合计算器;
所述电池温度模型和电池倍率模型中分别设置有卡尔曼滤波器;
所述电池温度模型将温度参数、SOC参数和电流参数作为输入变量参数;基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池温度模型的SOC值,记为SOC1;
所述电池倍率模型将电流参数和SOC参数作为输入变量参数;基于卡尔曼滤波器中的算法,根据输入的变量参数计算并得到对应电池倍率模型的SOC值,记为SOC2;
所述融合计算器运用融合算法,将电池温度模型和电池倍率模型输出的SOC值乘以相应的权值并求和,得出SOC的最优值;所述权值根据电池温度模型和电池倍率模型分别输出的估计电压值与各自测量电压之差得到的残差值,并基于条件概率求出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810966618.1A CN108646199A (zh) | 2018-08-23 | 2018-08-23 | 一种动力电池soc估算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810966618.1A CN108646199A (zh) | 2018-08-23 | 2018-08-23 | 一种动力电池soc估算方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108646199A true CN108646199A (zh) | 2018-10-12 |
Family
ID=63761084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810966618.1A Pending CN108646199A (zh) | 2018-08-23 | 2018-08-23 | 一种动力电池soc估算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646199A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
CN109633478A (zh) * | 2018-12-30 | 2019-04-16 | 蜂巢能源科技有限公司 | 电池容量预测系统及预测方法 |
CN109633473A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种分布式电池组荷电状态估计算法 |
CN110109017A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种动力电池放电区间的判断方法 |
CN111983471A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
CN113420494A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种超级电容贝叶斯概率融合建模方法 |
CN113495213A (zh) * | 2020-03-20 | 2021-10-12 | 北京京东乾石科技有限公司 | 电量预测模型构建、搬运设备部署方法和装置 |
CN117110894A (zh) * | 2023-09-06 | 2023-11-24 | 合肥工业大学 | 一种电动汽车动力电池soc估算方法及系统 |
CN117932361A (zh) * | 2024-03-21 | 2024-04-26 | 中国民航大学 | 基于监测数据的民机系统性能退化预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的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 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN106443480A (zh) * | 2016-11-04 | 2017-02-22 | 天津市捷威动力工业有限公司 | 一种锂离子电池系统soc估算方法 |
CN107748336A (zh) * | 2017-11-06 | 2018-03-02 | 清华大学 | 锂离子电池的荷电状态在线估计方法及系统 |
CN207663027U (zh) * | 2017-12-11 | 2018-07-27 | 宝沃汽车(中国)有限公司 | 动力电池的soc估算系统、电池管理系统及车辆 |
-
2018
- 2018-08-23 CN CN201810966618.1A patent/CN108646199A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的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 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN106443480A (zh) * | 2016-11-04 | 2017-02-22 | 天津市捷威动力工业有限公司 | 一种锂离子电池系统soc估算方法 |
CN107748336A (zh) * | 2017-11-06 | 2018-03-02 | 清华大学 | 锂离子电池的荷电状态在线估计方法及系统 |
CN207663027U (zh) * | 2017-12-11 | 2018-07-27 | 宝沃汽车(中国)有限公司 | 动力电池的soc估算系统、电池管理系统及车辆 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239605B (zh) * | 2018-11-01 | 2019-09-27 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
CN109633478A (zh) * | 2018-12-30 | 2019-04-16 | 蜂巢能源科技有限公司 | 电池容量预测系统及预测方法 |
CN109633478B (zh) * | 2018-12-30 | 2020-11-17 | 蜂巢能源科技有限公司 | 电池容量预测系统及预测方法 |
CN109633473A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种分布式电池组荷电状态估计算法 |
CN110109017A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种动力电池放电区间的判断方法 |
CN113495213A (zh) * | 2020-03-20 | 2021-10-12 | 北京京东乾石科技有限公司 | 电量预测模型构建、搬运设备部署方法和装置 |
CN111983471A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
CN111983471B (zh) * | 2020-08-24 | 2022-11-22 | 哈尔滨理工大学 | 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
CN113420494A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种超级电容贝叶斯概率融合建模方法 |
CN113420494B (zh) * | 2021-05-25 | 2022-09-06 | 四川轻化工大学 | 一种超级电容贝叶斯概率融合建模方法 |
CN117110894A (zh) * | 2023-09-06 | 2023-11-24 | 合肥工业大学 | 一种电动汽车动力电池soc估算方法及系统 |
CN117932361A (zh) * | 2024-03-21 | 2024-04-26 | 中国民航大学 | 基于监测数据的民机系统性能退化预测方法及系统 |
CN117932361B (zh) * | 2024-03-21 | 2024-05-28 | 中国民航大学 | 基于监测数据的民机系统性能退化预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646199A (zh) | 一种动力电池soc估算方法和系统 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
CN107390127A (zh) | 一种soc估算方法 | |
CN104535934B (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及系统 | |
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 | |
Ge et al. | State of charge estimation of lithium-ion battery based on improved forgetting factor recursive least squares-extended Kalman filter joint algorithm | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN106019164A (zh) | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 | |
CN107219466A (zh) | 一种混合扩展卡尔曼滤波的锂电池soc估算方法 | |
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN110346734A (zh) | 一种基于机器学习的锂离子动力电池健康状态估算方法 | |
CN109633472A (zh) | 一种锂电池单体的荷电状态估计算法 | |
CN106772067A (zh) | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 | |
CN114184962B (zh) | 一种多算法融合的锂离子电池soc和soh联合估算方法 | |
CN110687462B (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
CN108693483A (zh) | 一种电池包荷电状态的计算方法及系统 | |
CN109828215A (zh) | 一种提升电池单体soc估算精度的方法和系统 | |
CN107831448A (zh) | 一种并联型电池系统的荷电状态估计方法 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 |
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: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |