CN108872873A - 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 - Google Patents
一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 Download PDFInfo
- Publication number
- CN108872873A CN108872873A CN201810692915.1A CN201810692915A CN108872873A CN 108872873 A CN108872873 A CN 108872873A CN 201810692915 A CN201810692915 A CN 201810692915A CN 108872873 A CN108872873 A CN 108872873A
- Authority
- CN
- China
- Prior art keywords
- aukf
- covariance
- state
- equation
- matrix
- 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
Abstract
本发明公开了一种基于GA‑AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于:步骤1:建立动力电池组二阶RC等效电路模型;步骤2:遗忘因子递推最小二乘法在线辨识二阶RC等效电路模型参数;步骤3:建立GA‑AUKF算法,自适应更新计算状态方程协方差与测量方程协方差;步骤4:将遗忘因子递推最小二乘法与GA‑AUKF联合估算动力电池SOC。相对于现有技术,本发明方法能够实现自适应更新状态方程协方差与测量方程协方差,减弱协方差对估算精度影响,提高电池SOC估算精度。
Description
技术领域
本发明涉及电动汽车技术领域,具体涉及一种基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法。
背景技术
车载动力电池作为电动汽车的“心脏”,是制约电动汽车规模发展的关键因素。荷电状态(state of charge,SOC)是反映电池剩余电量及状态的重要参数,是电池管理最核心技术之一。为确保动力电池的性能,延长电池组的寿命,必须及时、准确地了解电池的荷电状态。
SOC作为锂电池的内部特性无法使用一种传感器直接测量得到,其性能参数易受充放电倍率、温度、老化程度及自放电等多个耦合因素的影响,所以只能通过对电流、电压、温度等外部特性参数间接预测而得。由于电池在生产过程中的影响,电池内部参数具有差异性,随着各单体电池放电深度的不同,电池的差异性越变越大,电池单体差异变大,导致整个电池组的SOC难以预估。
为解决上述技术问题,中国专利申请公布号CN108020791A,公布日2018年5 月11日,发明创造的名称为一种混合动力船舶磷酸铁锂动力电池组荷电状态估计方法,其特征在于降低估算过程的计算量。其不足之处是电池内部参数方法不详,估算过程引入容量衰减,而容量的精度在电池估算中一直是个难点,从而导致该专利提出的自适应卡尔曼滤波的算法无法达到较高精度。
公开号CN103728567B,公布日2016年6月8日,发明创造的名称为一种基于优化初始值的荷电状态估算方法,其特征在于对电池进行多次充放电,再静置,并记录电压稳定时间,并在恢复期间使用电池,从而得到较为精确SOC的初始值,最后使扩展卡尔曼滤波能够快速估算SOC值。但是该技术方案仍存在以下问题:不同电池充放电池时间,容量初始电压皆不同,该方法确定的初值时间长且不具备普适性。其次该方法利用扩展卡尔曼滤波估算SOC,一方面需要对Jacobian矩阵进行求导,忽略了非线性函数的高阶项,降低了估算精度。
发明内容
本发明的目的是提供一种基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,以降低电池内阻及AUKF噪声矩阵对电池SOC估算精度的影响,实现估算精度的提高。
为了实现上述目的,本发明设计出发明公开了一种基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其包括以下步骤:
步骤1:为准确模拟电池的工作机制,表达电池主要参数之间的关系,建立磷酸铁锂动力电池组二阶RC等效电路模型;
步骤2:根据步骤一建立的二阶RC等效电路模型,将等效电路中的参数通过遗忘因子递推最小二乘法进行在线辨识;等效内阻R0、极化电阻Rp、极化电容Cp极化电阻Rs、极化电容Cs;
步骤3:建立GA-AUKF算法,自适应更新计算状态方程协方差与测量方程协方差;
步骤4:将遗忘因子递推最小二乘法与GA-AUKF联合估算动力电池荷电状态。
上述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其中,步骤2具体包括以下步骤:
步骤2.1:由图2等效电路所示,欧姆定理和基尔霍夫定律建立的二阶RC 等效电路模型数学表达式有:
其中us与up分别为一阶极化电压与二阶极化电压;i为负载电流;负载电压U(t);
步骤2.2:将公式(1)进行拉普拉斯变化建立电池模型的拉普拉斯方程如下:
其中,令τs=RsCs,τp=RpCp,通分化简可得电池模型的传递函数如下式:
步骤2.3:采用双线性变换进行离散化,令可得离散化的传递函数:
其中α1,α2,α3,α4,α5为相应的常数系数,将上式转化成差分方程可得:
I(k)为系统输入,y(k)为系统输出,令:θ=[α1α2 α3 α4 α5]设采样误差为e(k)即可得到最小二乘法的形式:
将y(k)扩展成N维,则可得到φ(k),取泛函数J(θ):
根据最小二乘法的原理:最小化误差的平方和寻找数据的最佳函数匹配可知,即求J(θ)的极值;令:
则有经过推导运算,再加入遗忘因子λ得到带遗忘因子递推最小二乘法:
其中为上一时刻系统估计参考值,K(k+1)为增益项。遗忘因子λ=0.98,P(0)=106I,I为单位矩阵。
上述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其中,步骤3具体包括以下步骤:
步骤3.1:无迹卡尔曼滤波包含系统状态方程与观测方程:
其中ωk为状态方程的高斯白噪声与vk为预测方程的高斯白噪声,ωk与 vk分别具有状态过程噪声协方差Q(k)与测量噪声协方差R(k);
步骤3.2:选取采样点,以及对应采样点的权值:
步骤3.3:建立状态估计,
Xi(k+1|k)=f[k,Xi(k|k)] (13),
步骤3.4:建立观测方程估计:
Z(i)(k+1|k)=h[k,Xi(k|k)] (17),
步骤3.5:获取Sigma点集的观测预测值,同时通过加权求和得到系统的均值及协方差:
步骤3.6:计算Kalman增益矩阵:
步骤3.7:计算系统的状态更新和协方差更新:
上述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于:
步骤4.1:采用自适应更新过程噪声矩阵与测量噪声矩阵:
步骤4.2:采用遗传算法对自适应噪声矩阵进行更新,根据观测模型中有3 个状态变量和1个输出变量,系统噪声协方差矩阵和观测噪声协方差矩阵对应的数值分别记为:
步骤4.3:根据AUKF噪声矩阵的优化过程,以实际采样数据与滤波输出均方误差最小为目标来定义目标函数,具体定义目标函数如下:
所述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于,将遗忘因子递推最小二乘法与GA-AUKF来进行联合估算电池的SOC。
本发明的有益效果是:
1)在本发明中,采用遗忘因子递推最小二乘法进行在线辨识电池内阻参数,其目的是实时在线获得电池内部参数,为后续估算奠定基础,同时该方案可适用于任何类型的电池内阻估算。
2)本发明建立的GA-AUKF算法,其中AUKF有效解决传统无迹卡尔曼滤波初始噪声设定不合理导致初始SOC估算偏差过大问题。其次GA-AUKF估算方法核心是建立自适应更新计算状态方程协方差与测量方程协方差,自适应更新状态方程协方差与测量方程协方差能够实现自适应寻优,从而提高估算精度。
附图说明
图1是基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法原理方框示意图。
图2是本发明电池二阶等效电路结构示意图。
图3是本发明遗忘因子递推最小二乘法辨识流程结构示意图。
图4是本发明遗传算法优化的AUKF结构示意图。
具体实施方式
为了便于本领域技术人员的理解,下面将结合具体实施例及附图对本发明的结构原理作进一步的详细描述。
步骤1:建立磷酸铁锂动力电池组二阶RC等效电路模型,如图2所示:
所述的二阶等效电路模型由等效内阻R0、极化电阻Rp、极化电容Cp极化电阻 Rs、极化电容Cs等内部参数组成;
步骤2:根据步骤一建立的二阶RC等效电路模型,将等效电路中的参数通过遗忘因子递推最小二乘法进行在线辨识,辨识具体流程如图3,其中步骤2包含以下步骤:
步骤2.1:由欧姆定理和基尔霍夫定律建立的二阶RC等效电路模型数学表达式有:
其中us与up分别为一阶极化电压与二阶极化电压;i为负载电流;负载电压 U(t);
步骤2.2:将公式(1)进行拉普拉斯变化建立电池模型的拉普拉斯方程如下:
其中,令τs=RsCs,τp=RpCp,通分化简可得电池模型的传递函数如下式:
步骤2.3:采用双线性变换进行离散化,令可得离散化的传递函数:
其中α1,α2,α3,α4,α5为相应的常数系数,将上式转化成差分方程可得:
y(k)=U(k)-OCV(k)
=α1y(k-1)+α2y(k-2)+α3I(k)
+α4I(k-1)+α5I(k-2) (5),
其中,I(k)为系统输入,y(k)为系统输出,令:
θ=[α1 α2 α3 α4 α5],其中
将y(k)扩展成N维,则可得到φ(k);
步骤2.4:得到遗忘因子递推最小二乘法表达形式如下:
其中为上一时刻系统估计参考值,K(k+1)为增益项。遗忘因子λ=0.98, P(0)=106I,I为单位矩阵,具体辨识过程如图3所示。
步骤3:建立GA-AUKF算法,自适应更新计算状态方程协方差与测量方程协方差步骤3.1:无迹卡尔曼滤波包含系统状态方程与观测方程:
其中ωk为状态方程的高斯白噪声与vk为预测方程的高斯白噪声,ωk与vk分别具有状态过程噪声协方差Q(k)与测量噪声协方差R(k);
步骤3.2:选取采样点,以及对应采样点的权值:
步骤3.3:建立状态估计,
Xi(k+1|k)=f[k,Xi(k|k)] (10),
步骤3.4:建立观测方程估计,
Z(i)(k+1|k)=h[k,Xi(k|k)] (14),
步骤3.5:获取Sigma点集的观测预测值,同时通过加权求和得到系统的均值及协方差:
步骤3.6:计算Kalman增益矩阵:
步骤3.7:计算系统的状态更新和协方差更新:
步骤4:基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,采用遗传算法对自适应噪声矩阵进行更新,实现GA-AUKF估算SOC;
步骤4.1:采用自适应更新过程噪声矩阵与测量噪声矩阵,建立AUKF:
R(k+1)=Gk-CkP(k|k)CT(k)
Q(k+1)=K(k)GkKT(k) (22),
步骤4.2:根据观测模型中有3个状态变量和1个输出变量,系统噪声协方差矩阵和观测噪声协方差矩阵对应的数值分别记为:
步骤4.3:根据AUKF噪声矩阵的优化过程,如图4所示,以实际采样数据与滤波输出均方误差最小为目标来定义目标函数,利用遗传算法优化AUKF,具体优化后的定义目标函数如下:
步骤5:将遗忘因子递推最小二乘法与GA-AUKF联合估算动力电池荷电状态,具体估算流程如图1所示,。
以上所述,实际方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明技术的精神的前提下,本领域工程技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (5)
1.一种基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于:
步骤1:建立磷酸铁锂动力电池组二阶RC等效电路模型;
步骤2:根据步骤1建立的二阶RC等效电路模型,利用遗忘因子递推最小二乘法对等效电路中的内部参数进行辨识;
步骤3:建立GA-AUKF算法,自适应更新计算状态方程协方差与测量方程协方差;
步骤4:将遗忘因子递推最小二乘法与GA-AUKF联合估算动力电池SOC。
2.如权利要求1所述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于,步骤2具体包括以下步骤:
步骤2.1:根据欧姆定理和基尔霍夫定律,二阶RC等效电路模型可表示为:
其中us与up分别为一阶极化电压与二阶极化电压;i为负载电流;负载电压U(t);步骤2.2:将公式(1)进行拉普拉斯变化建立电池模型的拉普拉斯方程如下:
其中,令τs=RsCs,τp=RpCp,通分化简可得电池模型的传递函数如下式:
步骤2.3:采用双线性变换对公式(3)进行离散化,令可得离散化的传递函数:
其中α1,α2,α3,α4,α5为相应的常数系数,将上式转化成差分方程可得:
y(k)=U(k)-OCV(k)
=α1y(k-1)+α2y(k-2)+α3I(k)+α4I(k-1)+α5I(k-2) (5),
其中,I(k)为系统输入,y(k)为系统输出,令:
θ=[α1 α2 α3 α4 α5],
其中将y(k)扩展成N维,则可得到φ(k);
步骤2.4:得到遗忘因子递推最小二乘法表达形式如下:
其中为上一时刻系统估计参考值,K(k+1)为增益项,遗忘因子λ=0.98,P(0)=106I,I为单位矩阵。
3.如权利要求2所述的方法,其特征在于,步骤3中的GA-AUKF估算方法具体包括以下步骤:
步骤3.1:建立无迹卡尔曼滤波(Unscented Kalman Filter,UKF)包含系统状态方程与观测方程:
其中ωk为状态方程的高斯白噪声与vk为预测方程的高斯白噪声,ωk与vk分别具有状态过程噪声协方差Q(k)与测量噪声协方差R(k);
步骤3.2:选取采样点,以及对应采样点的权值:
步骤3.3:建立状态估计,
Xi(k+1|k)=f[k,Xi(k|k)] (10),
步骤3.4:建立观测方程估计,
Z(i)(k+1|k)=h[k,Xi(k|k)] (14),
步骤3.5:获取Sigma点集的观测预测值,同时通过加权求和得到系统的均值及协方差;
步骤3.6:计算Kalman增益矩阵:
步骤3.7:计算系统的状态更新和协方差更新
4.如权利要求3所述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于,自适应更新计算状态方程协方差与测量方程协方差;并采用遗传算法对自适应噪声矩阵进行更新,实现GA-AUKF估算SOC,具体包含以下步骤:
步骤4.1:采用自适应更新过程噪声矩阵协方差与测量噪声矩阵协方差,建立AUKF:
R(k+1)=Gk-CkP(k|k)CT(k)
Q(k+1)=K(k)GkKT(k) (22),AUKF有效解决传统无迹卡尔曼滤波初始噪声设定不合理导致初始SOC估算偏差过大问题;
步骤4.2:根据观测模型中有3个状态变量和1个输出变量,系统噪声协方差矩阵和观测噪声协方差矩阵对应的数值分别记为:
步骤4.3:根据AUKF噪声矩阵的优化过程,以实际采样数据与滤波输出均方误差最小为目标来定义目标函数,具体定义目标函数如下:自适应更新状态方程协方差与测量方程协方差能够实现自适应寻优,从而提高估算精度。
5.如权利要求4所述的基于GA-AUKF的磷酸铁锂动力电池荷电状态联合估算方法,其特征在于,将遗忘因子递推最小二乘法与GA-AUKF来进行联合估算电池的SOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692915.1A CN108872873A (zh) | 2018-06-29 | 2018-06-29 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692915.1A CN108872873A (zh) | 2018-06-29 | 2018-06-29 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108872873A true CN108872873A (zh) | 2018-11-23 |
Family
ID=64296922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810692915.1A Pending CN108872873A (zh) | 2018-06-29 | 2018-06-29 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108872873A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN110211643A (zh) * | 2019-04-15 | 2019-09-06 | 北京航空航天大学 | 一种柴油机scr系统氨覆盖度与进气氨气浓度的估算方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理系统 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN110991125A (zh) * | 2019-11-19 | 2020-04-10 | 沃太能源南通有限公司 | 二阶电路中电路元件参数辨识方法、装置 |
CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
CN111208433A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 电池二阶rc等效电路模型参数辨识的方法及装置 |
CN111208432A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 用于电池的二阶rc等效电路模型参数实时辨识方法及装置 |
CN111856282A (zh) * | 2019-04-19 | 2020-10-30 | 武汉理工大学 | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 |
CN112816879A (zh) * | 2021-01-05 | 2021-05-18 | 南京航空航天大学 | 一种用于变工况车用动力电池SoE在线估计方法 |
CN112858928A (zh) * | 2021-03-08 | 2021-05-28 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN113030752A (zh) * | 2021-04-12 | 2021-06-25 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
CN113125969A (zh) * | 2020-01-14 | 2021-07-16 | 比亚迪股份有限公司 | 基于aukf的电池数据处理方法、设备和介质 |
CN113608126B (zh) * | 2021-09-07 | 2023-11-21 | 南京邮电大学 | 一种不同温度下的锂电池soc在线预估方法 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
-
2018
- 2018-06-29 CN CN201810692915.1A patent/CN108872873A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN107505574A (zh) * | 2017-08-08 | 2017-12-22 | 中华人民共和国成都出入境检验检疫局 | 基于极大似然带渐消因子的ukf锂电池估算方法 |
Non-Patent Citations (2)
Title |
---|
王暖暖: "基于UKF的电动汽车锂离子电池的SOC估算", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵泽昆等: "基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测", 《电力建设》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN110211643A (zh) * | 2019-04-15 | 2019-09-06 | 北京航空航天大学 | 一种柴油机scr系统氨覆盖度与进气氨气浓度的估算方法 |
CN111856282A (zh) * | 2019-04-19 | 2020-10-30 | 武汉理工大学 | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理系统 |
CN110991125A (zh) * | 2019-11-19 | 2020-04-10 | 沃太能源南通有限公司 | 二阶电路中电路元件参数辨识方法、装置 |
CN110888057B (zh) * | 2019-11-27 | 2020-11-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
CN113125969A (zh) * | 2020-01-14 | 2021-07-16 | 比亚迪股份有限公司 | 基于aukf的电池数据处理方法、设备和介质 |
CN113125969B (zh) * | 2020-01-14 | 2022-07-15 | 比亚迪股份有限公司 | 基于aukf的电池数据处理方法、设备和介质 |
CN111208432A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 用于电池的二阶rc等效电路模型参数实时辨识方法及装置 |
CN111208433A (zh) * | 2020-01-16 | 2020-05-29 | 北方工业大学 | 电池二阶rc等效电路模型参数辨识的方法及装置 |
CN112816879A (zh) * | 2021-01-05 | 2021-05-18 | 南京航空航天大学 | 一种用于变工况车用动力电池SoE在线估计方法 |
CN112858928B (zh) * | 2021-03-08 | 2024-02-06 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN112858928A (zh) * | 2021-03-08 | 2021-05-28 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN113030752A (zh) * | 2021-04-12 | 2021-06-25 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
CN113030752B (zh) * | 2021-04-12 | 2024-03-29 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
CN113608126B (zh) * | 2021-09-07 | 2023-11-21 | 南京邮电大学 | 一种不同温度下的锂电池soc在线预估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108872873A (zh) | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的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 | |
Li et al. | Estimation algorithm research for lithium battery SOC in electric vehicles based on adaptive unscented Kalman filter | |
CN111624495B (zh) | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN107367699A (zh) | 一种基于分数阶模型的锂电池soc估算新方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
Liu et al. | A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
CN112434463B (zh) | 一种车辆复合电源能量管理系统 | |
CN104535934A (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
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 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
CN106291376A (zh) | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN105445665A (zh) | 一种利用卡尔曼滤波预估电池荷电状态的方法 | |
CN115598541B (zh) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 | |
CN112580284A (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
WD01 | Invention patent application deemed withdrawn after publication |