CN109085505A - 一种动力电池充放电状态估算方法 - Google Patents
一种动力电池充放电状态估算方法 Download PDFInfo
- Publication number
- CN109085505A CN109085505A CN201810823274.9A CN201810823274A CN109085505A CN 109085505 A CN109085505 A CN 109085505A CN 201810823274 A CN201810823274 A CN 201810823274A CN 109085505 A CN109085505 A CN 109085505A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- power battery
- value
- ocv
- 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
本发明公开了一种动力电池充放电状态估算方法,包括根据动力电池的OCV‑SOC曲线,得到初始SOC值SOC0;由卡尔曼滤波不断修正SOC0,以逼近真实的初始SOC值;由安时积分法得到具体的SOC值。本发明的动力电池充放电状态估算方法通过实验的方法得到了电池的OCV‑SOC关系,然后引入电池模型并进行参数辨识,得到电池系统的方程,在此基础上,采用安时积分法和卡尔曼滤波算法的基本原理和使用过程,由此得出精度较高且便于在实践中实现的SOC估计算法,采用本发明的方法的SOC估计误差在3%以内,具有良好的精度。
Description
技术领域
本发明涉及一种电池检测的技术领域,尤其涉及一种动力电池充放电状态估算方法。
背景技术
电池的SOC是电池内部参数,无法通过仪器测量来直接获得,并且,SOC容易受到温度,充放电电流倍率,电池老化程度等其他因素影响。因此准确的SOC估计是电池管理系统的一大难点,也是全世界学术界和工业界所研究的重点。在此之前,国内外许多学者已经对SOC估计进行了仔细的研究,并且取得了一定成果。现有的SOC估计方法为以下四大类:直接测量法,模型观测法,非线性滤波算法,智能算法。
直接测量法包括安时积分法和开路电压法等。其中,安时积分法原理简单,计算成本低,易于实现,适用性广,已经在实践中大量使用。但这种方法没有闭环反馈的环节,一旦受到初始值误差,环境噪声,电流漂移等干扰,便会产生累积误差,并随着时间的推移越来越大,无法消除。开路电压法是利用电池开路电压(OCV)与电池SOC近似成正比关系的原理来估计SOC的。但是开路电压无法直接由仪器测量,需要长时间静置后才会测量准确。此外,电池开路电压还受电池温度老化程度等因素影响。因此,这种方法精度不是很高。直接测量法由于原理简单,计算成本低,易于实现等原因已经在工业上普遍使用,但是这种方法精度低,误差也较大,在一些精度需求高的场合经常和其他方法结合使用。
模型观测法是闭环方法,对于SOC的估计具有很好的鲁棒性。模型观测法的模型是指根据动力电池特性构建的物理模型,包括等效电路模型和电化学模型等。等效电路模型结构简单,便于利用电路理论进行计算,可以模拟电池的动态特性,非常适合用于动力电池SOC的估计。典型的等效电路模型有RC模型、Rint模型、Thevenin模型和PNGV模型等。基于这些模型,结合其他方法便衍生出许多SOC的估计方法。
智能算法将一些智能方法应用于电池SOC估计之中,以神经网络和遗传算法为代表。这种方法属于黑箱测试的一种,不需要建立电池的机理模型。由于动力电池内部结构复杂,非线性严重,影响电池状态的因素众多,很难搭建合适的机理模型,因此这种可以直接绕过电池模型的方法具有重大意义。但需要大量的,全面的数据用于训练,一旦训练数据不够,其性能便会大打折扣。此外,大量的数据训练也就需要很高的计算成本,这也极大的限制了这种方法的适用范围。
总的来说,直接测量法由于其成本低,易于实现的原因,使用最为广泛,但其精度较差,会产生累积误差。模型观测法属于闭环控制,具有较好的鲁棒性。智能算法估算精度高,鲁棒性好,但对计算能力要求高,应用较少,目前主要处于实验阶段。非线性滤波法对于解决SOC估计中的非线性具有很好的效果,应用较为广泛。上述方法各有自己的优劣势,通常都是两种或多种方法结合使用,兼顾成本和效果,更好地实现对于电池SOC的估计。
(1)虽然部分电池管理系统的SOC估计精度可以达到5%以内,但这个SOC通常指的是电池总的SOC,目前主流的电池管理系统并未对单体电池的SOC进行估算。
(2)由于大部分电池管理系统并未对单体电池的SOC进行估算,导致电池的均衡只能采用电压均衡。而动力电池在充电和放电过程中,电压相较于静置状态会有一定变化,因此在使用过程中电压很难准确的代表电池的容量,采用电压均衡便会造成较大误差。
(3)目前大多数电池管理系统还是采用被动均衡。被动均衡由于其本身的特性限制,均衡电流很小,大部分在mA级别,对于容量几十Ah的电池来说,均衡速度十分缓慢。同时被动均衡还会消耗大量能量,造成电池能量利用率变低。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种动力电池充放电状态估算方法,提高动力电池的采样精度、计算能力和估计精度,更好地实现对电池SOC的估计。
为了解决上述技术问题,本发明通过以下技术方案来实现:本发明提供一种动力电池充放电状态估算方法,包括以下步骤:
根据动力电池的OCV-SOC曲线,得到初始SOC值SOC0;
由卡尔曼滤波不断修正SOC0,以逼近真实的初始SOC值;
由安时积分法得到具体的SOC值。
可选的,所述动力电池的OCV-SOC曲线的获取包括:
采用电池测试仪对动力电池进行充放电实验;
通过MATLAB拟合曲线得到OCV-SOC关系。
进一步的,所述卡尔曼滤波不断修正SOC0的步骤包括:
实时状态估计:
x(k|k-1)=Ax(k-1|k-1)+Bu(k)
x(k|k-1)表示前一次状态预测的结果,x(k-1|k-1)是前一次状态的最优结果,u(k)表示当前的控制量,A=1,η为库伦效率,T为温度,CA为电池可用容量;
当前状态协方差:
P(k|k-1)=AP(k-1|k-1)AT+Q
其中P(k|k-1)是x(k|k-1)对应的协方差,P(k-1|k-1)是x(k-1|k-1)对应的协方差,AT是A的转置,Q是系统过程噪声的协方差;
卡尔曼增益:
G(k)=P(k|k-1)CT(k)/[C(k)P(k|k-1)CT(k)+R]
其中R为测量过程噪声的协方差;
结合预测值和测量值得到现在状态最优化估算值x(k|k):
x(k|k)=x(k|k-1)+G(k)[y(k)-Du(k)-C(k)x(k|k-1)]
其中D=-Rs,Rs表示电池内阻,u(k)为k时刻所测得的电池电压值;
更新当前状态下x(k|k)协方差:
P(k|k)=[i-G(k)C(k)]P(k|k-1)]
SOC0可在初始时刻由OCV-SOC曲线得到,在得到初始的SOC0后由卡尔曼滤波算法过程不断的修正SOC0,得到更加准确的SOC0。
优选的,由安时积分法得到具体的SOC值包括:
通过对充放电电流进行积分而得到电池SOC
其中,SOC0为初始SOC值,CA表示电池的可用容量,η表示库伦效率,i表示电流。
进一步的,所述电池的可用容量CA为:
其中,C为电池额定容量,T为温度;
库伦效率η指在同一个充放电循环中,电池放出的总电量和充进的总电量的比值,即:
其中,Qd为放出的电量,Qc为充进的电量。
与现有技术相比,本发明的技术方案具有如下有益效果:本发明的动力电池充放电状态估算方法选择在工程上应用最为广泛且易于实现的安时积分法作为本发明主要的SOC估计算法,同时选择开路电压法来获得初始的SOC。为了解决安时积分法和开路电压法中存在的初始SOC值不准确的问题,本发明又引入了卡尔曼滤波来修正初始SOC,达到了更高的精度。另外,本发明利用动力电池的特性,并通过实验的方法得到了电池的OCV-SOC关系,然后引入电池模型并进行参数辨识,得到电池系统的方程,在此基础上,采用安时积分法和卡尔曼滤波算法的基本原理和使用过程,由此得出精度较高且便于在实践中实现的SOC估计算法,采用本发明的方法的SOC估计误差在3%以内,具有良好的精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1是本发明优选实施例的动力电池充放电状态估算方法的流程图;
图2是动力电池充放电过程的OCV-SOC曲线图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1所示,本发明优选实施例的动力电池充放电状态估算方法包括以下步骤:
首先,根据动力电池的OCV-SOC曲线,得到初始SOC值SOC0,然后再由卡尔曼滤波不断修正SOC0,以逼近真实的初始SOC值,最后再由安时积分法得到具体的SOC值。
动力电池的电动势与其SOC有着固定的函数关系,而动力电池在稳定状态下基本可以认为其开路电压(OCV)和电动势相等,因此也可以说开路电压和SOC具有固定函数关系。基于此,本发明通过对动力电池进行充放电实验近似得到二者之间的函数关系,即OCV-SOC函数关系。
本发明使用新威电池测试仪BTS-5V20A对动力电池进行充放电实验,分别得到SOC值为0,0.1,0.2,…,1这十一个点时的开路电压值,然后通过曲线拟合得到合适的OCV-SOC关系。
表1充放电过程中OCV-SOC对应关系
表1为充放电过程中不同SOC对应的OCV值,其中Uc表示充电时的开路电压值,Ud表示放电时的开路电压值,Uave表示二者的平均值。
使用MATLAB将充电、放电和平均OCV与SOC对应的曲线画在一张图上,如图2所示。
使用MATLAB曲线拟合工具箱CFTOOL拟合得到动力电池OCV-SOC关系为:
Uocv=-0.364x 2+1.334x+3.140
其中,UOCV代表开路电压值,x代表SOC的值。
安时积分法主要是通过对充放电电流进行积分而得到电池SOC值,其原理可以表述为:
其中,SOC0为初始时刻的SOC值,CA表示电池的可用容量,η表示库伦效率。
为了便于工程上实现,本发明所使用的动力电池模型,可表示为:
yk=K0-Rsik-K1/xk-K2xk+K3ln xk+K4ln(1-xk)
其中,yk表示用模型算得的开路电压,xk表示SOC,Rs表示电池内阻,ik表示电流,其余均为常量。本发明使用新威电池测试仪BTS-5V20A进行充放电实验,测得相关数据对上述模型的参数进行辨识,结果如表2所示:
表2电池模型参数
R<sub>s</sub> | K<sub>0</sub> | K<sub>1</sub> | K<sub>2</sub> | K<sub>3</sub> | K<sub>4</sub> |
0.0360 | 29.3208 | -0.2546 | 4.0350 | 2.6700 | -0.3723 |
将式离散化可得到状态方程为:
xk+1=xk-ηikΔt/CA
A=1,
由式yk=K0-Rsik-K1/xk-K2xk+K3ln xk+K4ln(1-xk)得:
D=-Rs
卡尔曼滤波为最优化自回归数据处理算法,通过系统输入输出相应观测数据达到对系统进行最优估计。具体的卡尔曼滤波器如下:
实时状态估计:
x(k|k-1)=Ax(k-1|k-1)+Bu(k)
x(k|k-1)表示前一次状态预测的结果,x(k-1|k-1)是前一次状态的最优结果,u(k)表示当前的控制量,A=1,η为库伦效率,T为温度,CA为电池可用容量;
当前状态协方差:
P(k|k-1)=AP(k-1|k-1)AT+Q
其中P(k|k-1)是x(k|k-1)对应的协方差,P(k-1|k-1)是x(k-1|k-1)对应的协方差,AT是A的转置,Q是系统过程噪声的协方差;
卡尔曼增益:
G(k)=P(k|k-1)CT(k)/[C(k)P(k|k-1)CT(k)+R]
其中R为测量过程噪声的协方差;
结合预测值和测量值得到现在状态最优化估算值x(k|k):
x(k|k)=x(k|k-1)+G(k)[y(k)-Du(k)-C(k)x(k|k-1)]
其中D=-Rs,Rs表示电池内阻,u(k)为k时刻所测得的电池电压值;
更新当前状态下x(k|k)协方差:
P(k|k)=[i-G(k)C(k)]P(k|k-1)]
SOC0可在初始时刻由OCV-SOC曲线得到,在得到初始的SOC0后由卡尔曼滤波算法过程不断的修正SOC0,得到更加准确的SOC0。
通过上述已经得出电池的SOC:
其中,SOC0为初始时刻的SOC值,CA表示电池的可用容量,η表示库伦效率。
电池的温度和老化程度是影响电池可用容量的主要因素,二者相比而言,温度对电池可用容量的影响程度更大,因此本发明仅考虑温度的影响。在一定温度范围内,当温度降低时,电池可用容量明显下降,当温度的升高时,容量便会随之升高。温度对于电池可用容量的影响,在测试了-40℃到+60℃之间的电池可用容量数据,并对实验数据进行拟合得到:
其中,CA为电池可用容量,C为电池额定容量,T为温度。
库伦效率指在同一个充放电循环中,电池放出的总电量和充进的总电量的比值,即:
其中,Qd为放出的电量,Qc为充进的电量。库伦效率与电池的充放电电流倍率有关,是表示电池性能的一个重要参数,因此获得准确的库伦效率对于提高SOC估计精度有着十分重大的意义。
本发明选择在工程上应用最为广泛且易于实现的安时积分法作为本发明主要的SOC估计算法,同时选择开路电压法来获得初始的SOC。为了解决安时积分法和开路电压法中存在的初始SOC值不准确的问题,本发明又引入了卡尔曼滤波来修正初始SOC,达到了更高的精度。另外,本发明利用动力电池的特性,并通过实验的方法得到了电池的OCV-SOC关系,然后引入电池模型并进行参数辨识,得到电池系统的方程,在此基础上,采用安时积分法和卡尔曼滤波算法的基本原理和使用过程,由此得出精度较高且便于在实践中实现的SOC估计算法,采用本发明的方法的SOC估计误差在3%以内,具有良好的精度。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (5)
1.一种动力电池充放电状态估算方法,包括以下步骤:
根据动力电池的OCV-SOC曲线,得到初始SOC值SOC0;
由卡尔曼滤波不断修正SOC0,以逼近真实的初始SOC值;
由安时积分法得到具体的SOC值。
2.如权利要求1所述的动力电池充放电状态估算方法,其特征在于:所述动力电池的OCV-SOC曲线的获取包括:
采用电池测试仪对动力电池进行充放电实验;
通过MATLAB拟合曲线得到OCV-SOC关系。
3.如权利要求1所述的动力电池充放电状态估算方法,其特征在于:所述卡尔曼滤波不断修正SOC0的步骤包括:
实时状态估计:
x(k|k-1)=Ax(k-1|k-1)+Bu(k)
x(k|k-1)表示前一次状态预测的结果,x(k-1|k-1)是前一次状态的最优结果,u(k)表示当前的控制量,A=1,η为库伦效率,T为温度,CA为电池可用容量;
当前状态协方差:
P(k|k-1)=AP(k-1|k-1)AT+Q
其中P(k|k-1)是x(k|k-1)对应的协方差,P(k-1|k-1)是x(k-1|k-1)对应的协方差,AT是A的转置,Q是系统过程噪声的协方差;
卡尔曼增益:
G(k)=P(k|k-1)CT(k)/[C(k)P(k|k-1)CT(k)+R]
其中R为测量过程噪声的协方差;
结合预测值和测量值得到现在状态最优化估算值x(k|k):
x(k|k)=x(k|k-1)+G(k)[y(k)-Du(k)-C(k)x(k|k-1)]
其中D=-Rs,Rs表示电池内阻,u(k)为k时刻所测得的电池电压值;
更新当前状态下x(k|k)协方差:
P(k|k)=[i-G(k)C(k)]P(k|k-1)]
SOC0可在初始时刻由OCV-SOC曲线得到,在得到初始的SOC0后由卡尔曼滤波算法过程不断的修正SOC0,得到更加准确的SOC0。
4.如权利要求1所述的动力电池充放电状态估算方法,其特征在于:由安时积分法得到具体的SOC值包括:
通过对充放电电流进行积分而得到电池SOC
其中,SOC0为初始SOC值,CA表示电池的可用容量,η表示库伦效率,i表示电流。
5.如权利要求4所述的动力电池充放电状态估算方法,其特征在于:所述电池的可用容量CA为:
其中,C为电池额定容量,T为温度;
库伦效率η指在同一个充放电循环中,电池放出的总电量和充进的总电量的比值,即:
其中,Qd为放出的电量,Qc为充进的电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823274.9A CN109085505A (zh) | 2018-07-25 | 2018-07-25 | 一种动力电池充放电状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823274.9A CN109085505A (zh) | 2018-07-25 | 2018-07-25 | 一种动力电池充放电状态估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109085505A true CN109085505A (zh) | 2018-12-25 |
Family
ID=64838353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810823274.9A Pending CN109085505A (zh) | 2018-07-25 | 2018-07-25 | 一种动力电池充放电状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085505A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133510A (zh) * | 2019-05-30 | 2019-08-16 | 陕西科技大学 | 一种锂离子电池荷电状态soc混合估计方法 |
CN110231575A (zh) * | 2019-06-14 | 2019-09-13 | 安徽锐能科技有限公司 | 一种基于电池均衡的soe估计方法和计算机可读存储介质 |
CN110286324A (zh) * | 2019-07-18 | 2019-09-27 | 北京碧水润城水务咨询有限公司 | 一种电池荷电状态估算方法及电池健康状态估算方法 |
CN110632520A (zh) * | 2019-10-17 | 2019-12-31 | 西安工业大学 | 一种动力电池soc的估算装置及其估算方法 |
CN110673052A (zh) * | 2019-10-18 | 2020-01-10 | 湖南小步科技有限公司 | 一种动力电池的soc估算方法、装置及电池管理系统 |
CN111048857A (zh) * | 2019-12-20 | 2020-04-21 | 宁德时代新能源科技股份有限公司 | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 |
CN111175657A (zh) * | 2019-11-25 | 2020-05-19 | 南京金邦信息科技有限公司 | 一种水上救援机器人的soc估算系统及校准方法 |
CN112952225A (zh) * | 2019-12-11 | 2021-06-11 | 中车时代电动汽车股份有限公司 | 一种电池系统的soc修正方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020445A (zh) * | 2012-12-10 | 2013-04-03 | 西南交通大学 | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 |
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 |
CN102788957B (zh) * | 2011-05-20 | 2014-11-12 | 镇江恒驰科技有限公司 | 一种动力电池荷电状态估算方法 |
-
2018
- 2018-07-25 CN CN201810823274.9A patent/CN109085505A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788957B (zh) * | 2011-05-20 | 2014-11-12 | 镇江恒驰科技有限公司 | 一种动力电池荷电状态估算方法 |
CN103020445A (zh) * | 2012-12-10 | 2013-04-03 | 西南交通大学 | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 |
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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133510A (zh) * | 2019-05-30 | 2019-08-16 | 陕西科技大学 | 一种锂离子电池荷电状态soc混合估计方法 |
CN110133510B (zh) * | 2019-05-30 | 2021-08-13 | 陕西科技大学 | 一种锂离子电池荷电状态soc混合估计方法 |
CN110231575A (zh) * | 2019-06-14 | 2019-09-13 | 安徽锐能科技有限公司 | 一种基于电池均衡的soe估计方法和计算机可读存储介质 |
CN110286324A (zh) * | 2019-07-18 | 2019-09-27 | 北京碧水润城水务咨询有限公司 | 一种电池荷电状态估算方法及电池健康状态估算方法 |
CN110286324B (zh) * | 2019-07-18 | 2021-07-09 | 北京碧水润城水务咨询有限公司 | 一种电池荷电状态估算方法及电池健康状态估算方法 |
CN110632520A (zh) * | 2019-10-17 | 2019-12-31 | 西安工业大学 | 一种动力电池soc的估算装置及其估算方法 |
CN110673052A (zh) * | 2019-10-18 | 2020-01-10 | 湖南小步科技有限公司 | 一种动力电池的soc估算方法、装置及电池管理系统 |
CN111175657A (zh) * | 2019-11-25 | 2020-05-19 | 南京金邦信息科技有限公司 | 一种水上救援机器人的soc估算系统及校准方法 |
CN112952225A (zh) * | 2019-12-11 | 2021-06-11 | 中车时代电动汽车股份有限公司 | 一种电池系统的soc修正方法及其装置 |
CN112952225B (zh) * | 2019-12-11 | 2023-05-23 | 中车时代电动汽车股份有限公司 | 一种电池系统的soc修正方法及其装置 |
CN111048857A (zh) * | 2019-12-20 | 2020-04-21 | 宁德时代新能源科技股份有限公司 | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 |
CN111048857B (zh) * | 2019-12-20 | 2022-01-11 | 宁德时代新能源科技股份有限公司 | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
Wang et al. | An adaptive working state iterative calculation method of the power battery by using the improved Kalman filtering algorithm and considering the relaxation effect | |
CN106443474B (zh) | 一种动力电池系统寿命衰退特征快速识别的方法 | |
CN103616647B (zh) | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 | |
CN104535934B (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
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 | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
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 | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN107169170B (zh) | 一种电池剩余容量的预测方法 | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN109143102A (zh) | 一种安时积分估算锂电池soc方法 | |
CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN106291375A (zh) | 一种基于电池老化的soc估算方法和装置 | |
CN110196395A (zh) | 蓄电池soc估算方法 | |
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 | |
CN105093129A (zh) | 一种储能电池剩余容量检测方法 | |
CN110441691A (zh) | 一种基于精简粒子无迹变换的soc估算方法 | |
Wang et al. | Lithium-ion battery security guaranteeing method study based on the state of charge estimation | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
Zhu et al. | Online state of charge EKF estimation for LiFePO 4 battery management systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |