CN109143074A - 一种动力电池模型参数辨识方法及系统 - Google Patents
一种动力电池模型参数辨识方法及系统 Download PDFInfo
- Publication number
- CN109143074A CN109143074A CN201810690166.9A CN201810690166A CN109143074A CN 109143074 A CN109143074 A CN 109143074A CN 201810690166 A CN201810690166 A CN 201810690166A CN 109143074 A CN109143074 A CN 109143074A
- Authority
- CN
- China
- Prior art keywords
- voltage
- model
- battery
- component
- power battery
- 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.)
- Granted
Links
Abstract
本发明实施例提供了一种动力电池模型参数辨识方法及系统,方法包括:基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。本发明实施例提供的动力电池模型参数辨识方法及系统,通过子空间辨识方法分析组成总电压输出的各电压分量的特性,从而确立电池的等效电路模型结构和元件组成,准确识别出动力电池模型中各个元件的参数值。
Description
技术领域
本发明实施例涉及动力电池系统设计技术领域,尤其涉及一种动力电池模型参数辨识方法及系统。
背景技术
近年来,动力电池作为一种新型动力源被电动汽车、无人机、平流层飞艇等制造行业广泛使用。上述行业所用动力电池组由电池单体串联起来组成,单体个数多达几十个至几百个,与单支或几支电池相比,动力电池组电压高、结构复杂。在使用过程中,动力电池的工作电流变化范围大,且变化快速,充放电转换频繁,所以如果不对电池各状态参数进行监控,电池很可能会出现过充、过放、过温等现象,导致电池的性能下降,缩短电池使用寿命。因此为了准确估计动力电池的状态和工作参数,如电池的荷电状态(State of Charge,简称SoC)、健康状态(State of Health,简称SoH)以及峰值功率能力等,需要首先建立动力电池模型,再基于该动力电池模型来估计或预测电池的性能。
现有技术中,电池模型从建模方法上可分为电化学机理模型、等效电路模型和黑箱模型等。电化学机理模型是从电池的电极材料、电解液材料、隔膜材料之间的电化学反应机理出发,采用数学方法描述电池内部电极/溶液界面的结构、电极的反应过程、电解液材料中离子的浓度变化、电子的转移步骤动力学规律等。黑箱模型不关心蓄电池内部的电化学反应机理,只根据电池的电流、电压数据对需要检测的量如SOC、SOH等进行建模,寻求数量上的联系,借以反映它们之间隐含的内在联系,此类模型的实现方法包括神经网络、模糊逻辑以及支持向量机方法等。电池的等效电路模型是基于电池工作及构成原理采用传统电子元器件如电阻、电容、电感、半导体元件等来模拟电池的工作特性,经过一定的组合方式构成电池的等效电路模型。
但是,现有技术提供的方法中,电化学机理模型中往往包含多个扩散方程,需要严格的边界条件,模型复杂,参数多。黑箱模型学习过程复杂、电池实验数据样本的选取困难、模型参数的推广性差。电池的等效电路模型中含有的RC网络的阶数过多,对动力电池管理系统的计算能力要求较高,另外,在实际使用过程中,每隔一段时间就要对动力电池的模型参数进行更新和标定,数据采集不方便,影响了动力电池的持续使用,增加了维护成本。
因此,现在亟需一种动力电池模型参数辨识方法来解决上述现有技术中存在的问题。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的动力电池模型参数辨识方法及系统。
第一方面本发明实施例提供一种动力电池模型参数辨识方法,包括:
基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
第二方面本发明实施例提供了一种动力电池模型参数辨识系统,包括:
变化关系确定模块,用于基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
等效电路建立模块,用于基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
辨识模块,用于辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
第三方面本发明实施例提供了一种动力电池模型参数辨识设备,包括:
处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述所述的一种动力电池模型参数辨识方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的动力电池模型参数辨识方法及系统,通过子空间辨识方法分析组成总电压输出的各电压分量的特性,从而确立电池的等效电路模型结构和元件组成,准确识别出动力电池模型中各个元件的参数值。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种动力电池模型参数辨识方法流程示意图;
图2是本发明实施例提供的电压是电流的积分关系等效电路示意图;
图3是本发明实施例提供的电压是电流的比例关系等效电路示意图;
图4是本发明实施例提供的电压与电流的变化率关系等效电路示意图;
图5是本发明实施例提供的电压在电流变化时的稳态关系等效电路示意图;
图6是本发明实施例提供的一种动力电池模型参数辨识系统结构图;
图7是本发明实施例提供的动力电池模型参数辨识设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,现有技术中,一般电池模型的建立,首先基于实验室数据确定电池模型结构,然后进行参数辨识,该方法的数据样本特征比较单一且数据量较少,因此在实际应用时,电池模型的结构和参数无法完全适应多变且复杂的充放电工况条件,导致模型无法准确模拟并跟踪电池的实际特性。
针对上述问题,图1是本发明实施例提供的一种动力电池模型参数辨识方法流程示意图,如图1所示,包括:
101、基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
102、基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
103、辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
在步骤101中,可以理解的是,本发明实施例提供的电池模型区别于现有技术,是根据子空间辨识法构建的,建立的动力电池状态空间模型是为了能够准确模拟工况充放电条件下,电池电压的变化曲线。进一步的,在步骤101中,通过分析建立的动力电池状态空间模型的输出方程,能够得到各电压分量和电池电流之间的变化关系。
在步骤102中,针对于电压分量和电池电流之间不同类型的变化关系,本发明实施例采用了等效电路模型的方式来进行模拟。可以理解的是,通过等效电路模型,在保持原有电路特性不变的前提下,能够将复杂的电路进行简化,从而使得分析过程也相应的简便。
在步骤103中,可以理解的是,每种等效电路模型中均包含特定的电路元件,本发明实施例可以根据输入电流和各电路模块对应的电压分量,可分别辨识出各电路元件的参数值,从而整合得到整个完整的电池模型,并基于该电池模型来对电池的性能进行估计和预测。
本发明实施例提供的动力电池模型参数辨识方法,通过子空间辨识方法分析组成总电压输出的各电压分量的特性,从而确立电池的等效电路模型结构和元件组成,准确识别出动力电池模型中各个元件的参数值。
在上述实施例的基础上,在所述确定电池总电压的各个电压分量与电池输入电流之间的变化关系之前,所述方法还包括:
实时获取预设时间段内的电池的电流数据和电压数据;
基于子空间辨识法以及所述预设时间段内的电池的电流数据和电压数据,建立所述动力电池状态空间模型。
由上述实施例的内容可知,本发明实施例提供了一种基于子空间辨识法建立的电池模型。可以理解的是,建立电池模型的前提条件是需要获取电池运行的工况数据,一般的,电池的数据主要包括电池的电压数据和电池的电流数据。那么本发明实施例将根据实时采集的电池电压数据和电流数据进行运算,从而得到电池状态空间模型。
具体的,本发明实施例在进行电池的电压数据和电流数据的获取过程中,是按照一定的时间窗口进行获取。时间窗口的长度可根据模型建立的需要进行设置,本发明实施例对此不作具体限定。可以理解的是,本发明实施例在实时获取的同时进行了数据存储,那么当新数据到达时,可以将原先存储最前的数据进行剔除,从而保持数据集的大小不变。
在上述实施例的基础上,所述建立所述动力电池状态空间模型,包括:
对所述电池的电流数据和电压数据进行子空间投影运算,得到目标矩阵;
基于所述目标矩阵,确定所述动力电池状态空间模型的状态序列和输出矩阵,以建立所述动力电池状态空间模型。
在上述实施例的基础上,在所述对所述电池的电流数据和电压数据进行子空间投影运算,得到目标矩阵之后,所述方法还包括:
对所述目标矩阵进行奇异值分解,确定所述目标矩阵的非零奇异值个数;
将所述非零奇异值个数作为所述动力电池状态空间模型的阶数。
由上述实施例的内容可知,本发明实施例提供了一种基于子空间辨识法建立动力电池状态空间模型的方法。具体的建模过程主要包括:
步骤1,将获取的电流数据和电压数据组成Hankel矩阵。
组成过程用公式可以表示为:
在上述四个公式中,下标t决定了Hankel矩阵中行的个数,t至少应大于系统的阶数。元素下标s决定了Hankel矩阵中列的个数,s远大于t。下标p和f表示相对的时间概念,块矩阵Ip(过去的电流输入)和If(将来的电流输入)将矩阵I0|2t-1分为两个行数相等的矩阵。Ip的行边界下移一个输入的行数,形成和输出量u的Hankel矩阵定义方式与输入量类似,本发明实施例在此不再赘述。
步骤2,进行投影运算。将UTf行子空间沿着子空间在上投影,将行子空间沿着子空间在上投影,即定义:
步骤3,进行奇异值分解运算。将Ot进行奇异值分解:
在奇异值分解的结果中,可以根据S1包含的非零奇异值的个数来确定需要建立的电池模型的阶数。具体的,S1包含的非零奇异值的个数等于需要建立的电池模型的阶数。
与此同时,可以验证:
Γt=U1S1 1/2,Γt-1=Γt ,
其中,Γt 表示去掉Γt最后1行后得到的矩阵。
步骤4,对建立的动力电池状态空间模型的状态序列进行计算。具体的,在本发明实施例中,可以将动力电池状态空间模型的状态序列定义为:
其中,状态
步骤5,对动力电池状态空间模型的系统输出矩阵和噪声矩阵进行计算。
在步骤4中计算得到状态序列后,根据输入的电流和电压,利用最小二乘法能够进行估计:
并通过下式计算得到Q、S、R:
其中,是动力电池状态空间模型的系统输出矩阵,Q、S、R为动力电池状态空间模型的噪声矩阵。
在上述实施例的基础上,所述确定电池总电压的各个电压分量与电池输入电流之间的变化关系,包括:
基于所述动力电池状态空间模型的阶数,确定动力电池状态空间模型的输出电压方程;
基于所述动力电池状态空间模型的状态序列和输出矩阵,计算所述输出电压方程对应的各个电压分量;
确定每个电压分量和所述电池输入电流之间的变化关系。
由上述实施例的内容可知,本发明实施例通过子空间辨识法,建立了一个动力电池状态空间模型,并且得到了动力电池状态空间模型的状态序列和输出矩阵。进一步的,根据上述实施例中判断的模型阶数,能够确定动力电池状态空间模型的输出电压方程。
本发明实施例以三阶模型为例进行说明,其余阶数的输出方程可类别三阶模型,本发明实施例在此不再赘述。
三阶模型的输出电压方程可以表示为:
其中,C和D为模型的输出矩阵,且C和D矩阵表达了输出电压与状态量和输入电流的关系,从而能够直接分析输出电压的组成成分。
进一步的,可以将三阶模型的输出电压表示为四部分:
UT1(k)=Cg1*xg1(k);UT2(k)=Cg2*xg2(k);UT3(k)=Cg3*xg3(k);UT4(k)=Dg*I(k)。
每一部分代表一个电压分量,并对每个电压分量和输入电流之间的关系各自进行分析,并根据关系的不同,建立不同的等效电路模型。
在上述实施例的基础上,所述等效电路模型包括:
电容积分模型、R-C模型、电感模型以及欧姆电阻模型。
一般的,电压分量与输入电流的关系可能包括:电压是电流的积分、电压是电流的比例、电压是电流变化率的比例以及电压在电流变化时经一段时间后呈稳态输出四种类型。那么相应的,本发明实施例也提供了电容积分模型、电感模型、欧姆电阻模型以及R-C模型。针对上述四种变化关系,本发明实施例使用了等效电路模型进行模拟,图2是本发明实施例提供的电压是电流的积分关系等效电路示意图,图3是本发明实施例提供的电压是电流的比例关系等效电路示意图,图4是本发明实施例提供的电压与电流的变化率关系等效电路示意图,图5是本发明实施例提供的电压在电流变化时的稳态关系等效电路示意图,那么将各个电路模块串联组合,即可得到最终整个电池的等效电路模型。
在上述实施例的基础上,所述辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值,包括:
获取每个电压分量对应的等效电路模型的函数表达式;
基于最小二乘法,辨识得到每个电压分量对应的等效电路模型中各个电路元件的参数值。
由上述实施例的内容可知,本发明实施例能够根据电压和电流的关系建立等效电路模型,每种等效电路模型由于其电压和电流的关系不同,其包括的电路元件也不同,相应的,也具有不同的函数表达式。
例如:图2所示的等效电路模型用函数表达式可以表示为:
图3所示的等效电路模型用函数表达式可以表示为:
Uohm(k)=Rohm*Iin(k);
图4所示的等效电路模型用函数表达式可以表示为:
图5所示的等效电路模型用函数表达式可以表示为:
其中,Tc为采样时间。式中输入电流Iin已知,输出电压为各电路对应的状态空间输出方程的电压分量。
最后,根据最小二乘法辨识出各个电路元件的参数值,进而得到整个电池的模型,并基于该电池模型来对电池的性能进行估计和预测。
本发明实施例通过将实时采集电池的电流、电压数据,利用子空间辨识方法确定电池模型的阶数,并分析组成总电压输出的各电压分量的特性,依据此确立电池的等效电路模型结构和元件组成,最后结合电路模型的各部分参数与子空间辨识得到的各电压分量的对应关系,进行电路模型的参数辨识,完成整个电池模型的构建与模拟,使得现有技术中存在的问题得以解决。
图6是本发明实施例提供的一种动力电池模型参数辨识系统结构图,如图6所示,所述系统包括:变化关系确定模块601、等效电路建立模块602以及辨识模块603,其中:
变化关系确定模块601用于基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
等效电路建立模块602用于基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
辨识模块603用于辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
具体的如何通过变化关系确定模块601、等效电路建立模块602以及辨识模块603对动力电池模型参数辨识可用于执行图1所示的动力电池模型参数辨识方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例提供的动力电池模型参数辨识系统,通过子空间辨识方法分析组成总电压输出的各电压分量的特性,从而确立电池的等效电路模型结构和元件组成,准确识别出动力电池模型中各个元件的参数值。
本发明实施例提供一种动力电池模型参数辨识设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
图7是本发明实施例提供的动力电池模型参数辨识设备的结构框图,参照图7,所述动力电池模型参数辨识设备,包括:处理器(processor)710、通信接口(CommunicationsInterface)720、存储器(memory)730和总线740,其中,处理器710,通信接口720,存储器730通过总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行如下方法:基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动力电池模型参数辨识方法,其特征在于,包括:
基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
2.根据权利要求1所述的方法,其特征在于,在所述确定电池总电压的各个电压分量与电池输入电流之间的变化关系之前,所述方法还包括:
实时获取预设时间段内的电池的电流数据和电压数据;
基于子空间辨识法以及所述预设时间段内的电池的电流数据和电压数据,建立所述动力电池状态空间模型。
3.根据权利要求2所述的方法,其特征在于,所述建立所述动力电池状态空间模型,包括:
对所述电池的电流数据和电压数据进行子空间投影运算,得到目标矩阵;
基于所述目标矩阵,确定所述动力电池状态空间模型的状态序列和输出矩阵,以建立所述动力电池状态空间模型。
4.根据权利要求3所述的方法,其特征在于,在所述对所述电池的电流数据和电压数据进行子空间投影运算,得到目标矩阵之后,所述方法还包括:
对所述目标矩阵进行奇异值分解,确定所述目标矩阵的非零奇异值个数;
将所述非零奇异值个数作为所述动力电池状态空间模型的阶数。
5.根据权利要求4所述的方法,其特征在于,所述确定电池总电压的各个电压分量与电池输入电流之间的变化关系,包括:
基于所述动力电池状态空间模型的阶数,确定动力电池状态空间模型的输出电压方程;
基于所述动力电池状态空间模型的状态序列和输出矩阵,计算所述输出电压方程对应的各个电压分量;
确定每个电压分量和所述电池输入电流之间的变化关系。
6.根据权利要求5所述的方法,其特征在于,所述辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值,包括:
获取每个电压分量对应的等效电路模型的函数表达式;
基于最小二乘法,辨识得到每个电压分量对应的等效电路模型中各个电路元件的参数值。
7.根据权利要求1-6任一所述的方法,其特征在于,所述等效电路模型包括:
电容积分模型、R-C模型、电感模型以及欧姆电阻模型。
8.一种动力电池模型参数辨识系统,其特征在于,包括:
变化关系确定模块,用于基于子空间辨识法构建的动力电池状态空间模型,确定电池总电压的各个电压分量与电池输入电流之间的变化关系;
等效电路建立模块,用于基于每个电压分量与电池输入电流之间的变化关系,分别建立每个电压分量对应的等效电路模型;
辨识模块,用于辨识所述每个电压分量对应的等效电路模型中各个电路元件的参数值。
9.一种动力电池模型参数辨识设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690166.9A CN109143074B (zh) | 2018-06-28 | 2018-06-28 | 一种动力电池模型参数辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690166.9A CN109143074B (zh) | 2018-06-28 | 2018-06-28 | 一种动力电池模型参数辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143074A true CN109143074A (zh) | 2019-01-04 |
CN109143074B CN109143074B (zh) | 2020-10-30 |
Family
ID=64802580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690166.9A Active CN109143074B (zh) | 2018-06-28 | 2018-06-28 | 一种动力电池模型参数辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143074B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095982A (zh) * | 2019-04-22 | 2019-08-06 | 江苏中科云控智能工业装备有限公司 | 负载特性自动辨识方法、状态空间模型和电源的控制方法 |
CN110161421A (zh) * | 2019-05-22 | 2019-08-23 | 同济大学 | 一种在线重构设定频率范围内电池阻抗的方法 |
CN111426962A (zh) * | 2020-03-23 | 2020-07-17 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
WO2020239030A1 (zh) * | 2019-05-28 | 2020-12-03 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及系统 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN115693898A (zh) * | 2022-09-26 | 2023-02-03 | 国网山东省电力公司潍坊供电公司 | 一种无人机虚拟供电系统及无人机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045971A (zh) * | 2015-07-01 | 2015-11-11 | 西安交通大学 | 一种锂电池分数阶离散化阻抗模型 |
US9658291B1 (en) * | 2012-10-06 | 2017-05-23 | Hrl Laboratories, Llc | Methods and apparatus for dynamic estimation of battery open-circuit voltage |
CN106785109A (zh) * | 2016-11-30 | 2017-05-31 | 上海理工大学 | 电池组存储数据同步方法 |
CN107390138A (zh) * | 2017-09-13 | 2017-11-24 | 山东大学 | 动力电池等效电路模型参数迭代辨识新方法 |
CN107632522A (zh) * | 2017-08-31 | 2018-01-26 | 南京理工大学 | 一种质子交换膜燃料电池非线性状态空间模型辨识方法 |
CN108038340A (zh) * | 2017-12-31 | 2018-05-15 | 南京理工大学 | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 |
-
2018
- 2018-06-28 CN CN201810690166.9A patent/CN109143074B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9658291B1 (en) * | 2012-10-06 | 2017-05-23 | Hrl Laboratories, Llc | Methods and apparatus for dynamic estimation of battery open-circuit voltage |
CN105045971A (zh) * | 2015-07-01 | 2015-11-11 | 西安交通大学 | 一种锂电池分数阶离散化阻抗模型 |
CN106785109A (zh) * | 2016-11-30 | 2017-05-31 | 上海理工大学 | 电池组存储数据同步方法 |
CN107632522A (zh) * | 2017-08-31 | 2018-01-26 | 南京理工大学 | 一种质子交换膜燃料电池非线性状态空间模型辨识方法 |
CN107390138A (zh) * | 2017-09-13 | 2017-11-24 | 山东大学 | 动力电池等效电路模型参数迭代辨识新方法 |
CN108038340A (zh) * | 2017-12-31 | 2018-05-15 | 南京理工大学 | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095982A (zh) * | 2019-04-22 | 2019-08-06 | 江苏中科云控智能工业装备有限公司 | 负载特性自动辨识方法、状态空间模型和电源的控制方法 |
CN110161421A (zh) * | 2019-05-22 | 2019-08-23 | 同济大学 | 一种在线重构设定频率范围内电池阻抗的方法 |
CN110161421B (zh) * | 2019-05-22 | 2020-06-02 | 同济大学 | 一种在线重构设定频率范围内电池阻抗的方法 |
WO2020239030A1 (zh) * | 2019-05-28 | 2020-12-03 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及系统 |
CN111426962A (zh) * | 2020-03-23 | 2020-07-17 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN112816881B (zh) * | 2021-03-12 | 2024-03-22 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN112946487B (zh) * | 2021-05-17 | 2021-08-03 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN115693898A (zh) * | 2022-09-26 | 2023-02-03 | 国网山东省电力公司潍坊供电公司 | 一种无人机虚拟供电系统及无人机 |
CN115693898B (zh) * | 2022-09-26 | 2023-10-13 | 国网山东省电力公司潍坊供电公司 | 一种无人机虚拟供电系统及无人机 |
Also Published As
Publication number | Publication date |
---|---|
CN109143074B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143074A (zh) | 一种动力电池模型参数辨识方法及系统 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
Lin et al. | Estimation of battery state of health using probabilistic neural network | |
Kim et al. | An on-board model-based condition monitoring for lithium-ion batteries | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN106855612B (zh) | 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
Einhorn et al. | Comparison of electrical battery models using a numerically optimized parameterization method | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN112230154A (zh) | 一种锂电池剩余寿命预测方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
CN110568360A (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN107066713A (zh) | 一种预测锂离子电池材料电化学性能的仿真方法 | |
WO2021052540A1 (de) | Zustandswert für wiederaufladbare batterien |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |