CN109782188A - 航天器电池组模拟器的soc特性校准方法 - Google Patents
航天器电池组模拟器的soc特性校准方法 Download PDFInfo
- Publication number
- CN109782188A CN109782188A CN201910110480.XA CN201910110480A CN109782188A CN 109782188 A CN109782188 A CN 109782188A CN 201910110480 A CN201910110480 A CN 201910110480A CN 109782188 A CN109782188 A CN 109782188A
- Authority
- CN
- China
- Prior art keywords
- soc
- simulator
- data
- battery group
- curve
- 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
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种航天器电池组模拟器的SOC特性校准系统和方法,所述系统包括模拟器SOC曲线生成模块、标准SOC曲线生成模块和校准模块,其中,模拟器SOC曲线生成模块从实际数据中提取SOC曲线,并利用改进的自适应卡尔曼滤波算法来形成航天器电池组模拟器输出的SOC特性曲线;其中标准SOC曲线生成模块基于二阶RC等效电路模型的建模法建立起航天器电池组的等效电路模型,之后结合递归最小二乘方法来对电路模型进行参数辨识,得到电池的标准模型,用于生成标准SOC曲线。
Description
技术领域
本发明属于仪器仪表校准领域,更具体尤其涉及一种航天器电池组模拟器的SOC特性校准方法。
背景技术
目前,航天器电池组模拟器技术研究在国内还处于起步阶段,在航天器、飞船、空间站等高端大功率航天器电池组模拟器研究领域国内尚属空白。如某卫星平台的航天器电池组模拟器要求对类型为镉镍、氢镍、锂离子,额定容量为从30Ah至300Ah范围内的航天器电池组提供准确模拟,而在实际校准过程中,不可能对航天器电池组模拟器上述如此多种类和容量的空间电池模拟特性进行一一校准,这样既费时间也不可能实现对所有种类和容量的空间电池模拟特性的完全校准。因此,需要对航天器电池组模拟器的模拟适应性展开研究,提取航天器电池组共性特征,对航天器电池组模拟器的适应性进行表征,并开展相应的校准技术与校准装置的研究。
航天器蓄电池模拟器能模拟真实航天器电池组端口输入/输出特性,航天器蓄电池模拟器能够实现对不同种类不同容量的航天器电池组进行模拟,航天器电池组具有复杂的电化学特性,以氢镍电池为例,其充放电的电压值随容量、充放电电流与温度呈非线性变化,其充放电的终止条件也与温度、充放电电流、端电压容量等呈非线性变化;其在充放电过程中的内部温度、压力呈非线性变化。因此,对于航天器电池蓄电池组模拟器,不可仅凭端电压、端电流对其进行准确校准。
发明内容
本发明的目的是提供一种能偶精确校准的系统和方法,具体而言,本发明提供一种航天器电池组模拟器的SOC特性校准系统,其特征在于:包括模拟器SOC曲线生成模块、标准SOC曲线生成模块和校准模块,其中,模拟器SOC曲线生成模块从实际数据中提取SOC曲线,并利用积分法来形成航天器电池组模拟器输出的SOC特性曲线;其中标准SOC曲线生成模块基于二阶RC等效电路模型的建模法建立起航天器电池组的等效电路模型,不断交替更新模型参数与SOC值,从而得到每个时刻的电池组的模型参数和SOC值。
进一步的,其特征在于:所述模拟器SOC曲线生成模块包括数据采集测量单元和数据处理单元,其中数据采集单元负责实时采集系统数据和进行A/D转换,数据处理单元接收数据采集测量单元的数据,并进行数据处理分析,从而得到航天器电池组模拟器的SOC参数值。
进一步的,其特征在于:所述数据处理单元采用改进的自适应卡尔曼滤波算法来对数据进行处理,来精确确定蓄模拟器的SOC值的变化。
进一步的,其特征在于:标准SOC曲线生成模块对于具体的SOC计算过程如下:
(1)匹配系数确定
令xk=[SOC(k) Ue(k) Ud(k)]T,对输出方程(12)线性化处理,即围绕xk-进行泰勒级数展开,略去二次以上项。线性化处理后的匹配系数Ak、Bk、Ck、Dk分别为:
(2)算法状态量初始化
(3)循环迭代计算
循环迭代式中Uk+1为k+1时刻实际测得的端电压,Pk+1为均方估计误差,Lk+1为卡尔曼增益。过程噪声误差Dw与观测噪声误差Dv依据具体系统噪声情况而定。
考虑在卡尔曼滤波中加入遗忘因子,取消过早的历史数据对当前估计的影响。由此可加快滤波的收敛速度。更改如下:
其中α为遗忘因子。
对上述循环迭代计算中的第二个方程更改如下
同时考虑当估计误差大于一定条件时,则更新两个误差矩阵。由此可避免卡尔曼滤波的发散同时增加了滤波计算的稳定性。条件如下:
当满足条件时,进行如下更新过程:
Rk=Rk-1+1/LR(R*-Rk-1)
此处e为误差,K为卡尔曼增益,P为协方差矩阵,R和Dw为更新的过程和观测误差。
基于改进的自适应卡尔曼滤波算法的SOC计算在循环迭代过程中需要实时更新模型参数以得到准确的SOC值,因此本算法将模型参数和SOC进行联合计算,不断交替更新模型参数与SOC值。
进一步的,其特征在于:曲线校准模块包括波形测量模块、误差分析模块和波形对比模块。
进一步的,其特征在于:波形测量模块建立的基本数学模型为:
I=Is
Is=C1C2C3C5IT
Vt=C4T
其中,为t1时刻的电荷状态值,为初始t0时刻的电荷状态值,CA为蓄电池初始容量,σ为常量,I为充放电电流,Vt为充放电时间。C1为分流系数,C2为采集系数,C3为滤波系数,C4为计时器系数,C5为积分系数。Is为数字化电流测量值,T为数字化时间测量值。
本发明的航天器电池组模拟器SOC特性曲线校准方法可高效、准确的采集、存储、分析数据,将数据以波形、数字等形式直观、有效地反映给客户,并将数据存储到数据库,为客户高效、准确的对航天器电池组模拟器SOC特性校准有效的依据和保障。
附图说明
图1是本发明系统结构图。
图2是滑动平均滤波算法示意图。
图3是二阶RC等效电路模型。
图4是SOC测量系统积分电路图。
具体实施方式
为了使本技术领域人员更好的理解本发明,下面结合附图和实施方法对本发明作进一步的详细描述。
如图1所示,航天器电池组模拟器包括模拟器的SOC特性校准系统包括SOC曲线生成模块、标准SOC曲线生成模块、校准模块。
其中模拟器SOC曲线生成模块,对电池模拟器输出的数据进行采集、处理、估算和优化,得到模拟器SOC曲线。
其中,标准曲线生成模块根据用户选定的电池种类,电池负载,环境温度等电池参数生成相应的电池标准模型,并在此模型的基础上形成标准的SOC曲线。优选地,该模块还包括配置设置、数据库搜索、人机交互等至少或几个功能。
其中,曲线校准模块在上述的两个模块生成的测试SOC曲线和标准SOC曲线的基础上,将实测SOC曲线数据与标准SOC曲线数据进行对比,并进行数据校准和曲线补偿。优选地,该模块还包括波形显示,定量评价等功能。
关于模拟器SOC曲线生成模块:
1.数据采集
在数据采集时,优选从实际数据中采用滑动平均滤波的方法对原始数据进行处理,得到噪声小的有用的电流和电压的数据。
具体来讲,滑动平均滤波法就是相当于有一个固定长度为L的滑动窗口,沿离散时间序列滑动。每滑动一个采样间隔,窗口前面进入一个新的数据,窗口后面去掉一个旧的数据,这样在窗口中始终有L个“最新”的数据,如图2所示。只要每次在滑动后把窗口中的L个数据进行算术平均,就可得到一组经过滑动平均滤波的新序列,其表达式为:
式中L为滑动窗口的宽度,x为滤波器的输入,y是滤波器的输出,n为数据长度,k为滑动下标。
L点滑动平均滤波器的频率响应是:
令
式中为频率响应,DL(ejω)为该频率响应的振幅函数。
如图2所示,可以看到滑动平均滤波相当于一个低通滤波器,衰减了较高频率的信号,对数据起到平滑的作用。利用这个特点,通过合理设置窗口宽度,我们就可以在抑制噪声的同时尽可能保存信号,从而达到提高信噪比的目的。从另一个角度来看,滑动窗口内的数据在求平均时,由于噪声是随机的不会积累,而信号会积累,所以信号得以突显出来。
2.数据处理,生成模拟器SOC特性曲线生成
在形成航天器电池组模拟器输出的SOC特性曲线时,理论上来说,通过对单位时间内流入流出电池组的电流进行累积,可以获得电池组每一轮放电过程中能够放出的电荷数量,从而可以确定蓄电池的SOC值的变化。所以,SOC的计算公式为:
其中,为t1时刻的电荷状态值,为初始t0时刻的电荷状态值,CA为蓄电池初始容量,η为充放电系数,i为充放电电流,t为充放电时间。由于电池的参数随着放电的增加而变化,因此此处结合卡尔曼滤波来对电池的参数进行实时估计,同时将SOC作为电池的状态变量来实时估计。
图3所示电池模型,以荷电状态SOC、两电容上的电压Ue、Ud为状态变量,端电流It为输入量,端电压Ut为输出量,离散化后的状态空间方程为:
状态方程是线性方程,式中ηc为库仑效率,通过电池充放电实验得到;Qn为电池额定容量;T为采样周期;It(k)为k时刻的端电流。输出方程由于Uoc(SOC(k))使其成为一个非线性函数,因此模型的状态空间是非线性的,可利用扩展卡尔曼滤波(EKF)算法进行SOC计算。
3.SOC计算
针对本发明采用的二阶RC模型,具体的SOC计算过程如下:
(1)匹配系数确定
令xk=[SOC(k) Ue(k) Ud(k)]T,。对输出方程(12)线性化处理,即围绕x^k-进行泰勒级数展开,略去二次以上项。线性化处理后的匹配系数Ak、Bk、Ck、Dk分别为:
(2)算法状态量初始化
(3)循环迭代计算
循环迭代式中Uk+1为k+1时刻实际测得的端电压,Pk+1为均方估计误差,Lk+1为卡尔曼增益。过程噪声误差Dw与观测噪声误差Dv依据具体系统噪声情况而定。
考虑在卡尔曼滤波中加入遗忘因子,取消过早的历史数据对当前估计的影响。由此可加快滤波的收敛速度。更改如下:
其中α为遗忘因子。
对上述循环迭代计算中的第二个方程更改如下
同时考虑当估计误差大于一定条件时,则更新两个误差矩阵。由此可避免卡尔曼滤波的发散同时增加了滤波计算的稳定性。条件如下:
当满足条件时,进行如下更新过程:
Rk=Rk-1+1/LR(R*-Rk-1)
此处e为误差,K为卡尔曼增益,P为协方差矩阵,R和Dw为更新的过程和观测误差。
基于改进的自适应卡尔曼滤波算法的SOC计算在循环迭代过程中需要实时更新模型参数以得到准确的SOC值,因此本算法将模型参数和SOC进行联合计算,不断交替更新模型参数与SOC值。而基于EKF算法的SOC计算在循环迭代过程中需要实时更新模型参数才能得到准确的SOC值。因此考虑将模型参数作为状态进行更新,加入高斯噪声。
其中,上面公式中SOC初始值优选地采用开路电压法,由于电池的SOC作为状态来实时更新,因此其初始值对之后的SOC计算影响并不是很大。(如果仅仅用安时积分来计算SOC的话,初始值影响会比较大,会存在累积误差;但如果通过卡尔曼滤波来更新,这种影响会小很多,因此初始值并不是主要的影响原因,可以选择开路电压法)
标准SOC曲线生成模块
1.建立航天器电池组等效电路模型
特性校准标准曲线提取需要先建立航天器电池组等效电路模型,考虑到航天器电池组的充放电过程复杂,各参量间互相影响且呈非线性关系,必须建立一个有效的等效电路模型来模拟航天器电池组的上述复杂特性,本发明提出一种模型法,该方法基于二阶RC等效电路模型,适用于多种电池的建模电路模型如图3所示,其包括电源和两个串联第一并联RC环节和第二RC并联环节,图中,UOCV代表开路电压(open circuit voltage,OCV);R0为欧姆内阻;Re和Ce为电化学极化内阻与电容,构成一个RC并联环节;Rd和Cd为浓差极化内阻与电容,构成另一个RC并联环节;Ut为端电压,It为端电流。
如图所示的系统输入是端电流It,输出U为开路电压UOCV与端电压Ut之差,由基尔霍夫定律与拉布拉斯变换导出频域算式:
则电池模型的传递函数为:
利用双线性变换得到离散后的传递函数形式:
由上式转化成差分形式可得:
U(k)=-α1U(k-1)-α2U(k-2)+β0I(k)+β1I(k-1)+β2I(k-2)
对上式进行整理,令:
θ=[α1 α2 β0 β1 β2]
hT(k)=[-U(k-1) -U(k-2) I(k) I(k-1) I(k-2)]
最小二乘形式为:
U(k)=hT(k)θ+e(k)
然后利用改进的RLS算法递推式可求出θ=[α1 α2 β0 β1 β2]的值,可得下列方程组,T为采样周期。
利用改进的RLS算法,通过获取的离线的电流电压随时间变化的数据便可利用递推式求出当前时刻θ=[α1 α2 β0 β1 β2]的值,然后通过求解方程组得到当前时刻的模型参数。通过不断的迭代直至模型参数收敛,收敛的参数即为所求的该模型下的参数。
当模型参数确定时,整个二阶RC等效电路模型也确定下来。此时,只需变化负载,即模型的输入,即可获取该模型下的标准SOC曲线。
关于曲线校准模块:
1)波形对比
SOC波形对比方法如下:根据此前得出的航天器电池组模拟器SOC特性校准的标准曲线和测试与试验数据对这些数据进行统计分析得到另一条测试的SOC特性曲线,并将这两条曲线进行对比。具体来说,包括对波形进行特征提取、误差分析,使用曲线卷积方法来衡量波形的相似程度。
本发明中测得的各点为离散的数据点,应当对两个离散序列进行卷积运算,从而确定两条曲线的相似度。本发明采取矩阵离散卷积算法。
两个离散序列x(n)与y(n)的卷积和f(n)定义为:
两个从n=0开始的序列x(n)=x(n)u(n)和y(n)=y(n)u(n)的卷积和为
上式右边因子u(n)表示卷积和的结果也是一个从n=0开始的序列。
从n=n1开始的长度为N1的加窗序列和从n=n2开始长度为N2的加窗序列的卷积和,其中
则
所得的卷积和也是一个加窗序列,从n=n1+n2开始,长度为N1+N2-1。
由以上卷积运算可知,两有限长序列卷积后仍为有限长序列,长度为两序列长度之和减1,结果的起始位置为两序列起始位置之和,截止位置为两序列截止位置之和。据此,可以得到卷积结果的位置向量。
本项目采取矩阵离散卷积算法具体步骤如下:
步骤1:输入SOC特性校准的标准曲线的点序列f1(k)和测试所得的曲线的点序列f2(k)。
步骤2:由这两个有限长序列长度分别为M和N的点序列f1(k)和f2(k)构造出M×N维矩阵A,并计算出矩阵A中的元素aij=f1(i)f2(j),其中(i=0,1,L,M-1;j=0,1,L,N-1)。
步骤3:计算卷积和,即
步骤4:计算完两条曲线的卷积和之后,再取卷积后最大值。
步骤5:两条曲线的相似度即为卷积最大值的比值。
当测试所得的曲线与SOC特性校准的标准曲线一致时,相似度为1。当测试所得的曲线与SOC特性校准的标准曲线不一致时,取卷积后最大值的比值为两条曲线的相似度。
3.误差分析
必须要考虑航天器电池组模拟器SOC参数测量的误差,所述误差来源主要包括:
(1)分流系数C1引入的不确定度u1
选择精密分流器,要求低温漂系数、高准确度和稳定度,分流器引入的不确定度:u1≈2.0×10-4。
(2)采集系数C2引入的不确定度u2
影响采集器引入不确定度的主要因素有:前置放大器噪声引入的不确定度分量;量化误差引入的不确定度分量;时基抖动引入的不确定度分量;电压采样的基准电压引入的不确定0度分量;ADC积分及微分误差引入的不确定度分量。
前置放大器噪声引入的不确定度分量:2×10-5
量化误差引入的不确定度分量:2×10-6
时基抖动引入的不确定度分量:1×10-7
电压采样的基准电压引入的不确定度分量:3×10-5
ADC积分及微分误差引入的不确定度分量:5×10-5
则,数据采集器引入的不确定度:
(3)滤波系数C3引入的不确定度u3
在航天器电池组模拟器充放电电流测量过程中,由于采用高速数据采集的方案,则周围电路和外部环境可能会给采集到的数据引入不可预期的谐波干扰及噪声,为此,需设计合适的滤波器模块,滤除数据中不期望的异常值、谐波干扰和噪声,引入的不确定度:u3≈5.0×10-3。
(4)计时器系数C4引入的不确定度u4
计时器收到晶振频率准确度及计时芯片内核时钟主频的影响,计时器引入的不确定度u4≈1.0×10-6。
(5)积分系数C5引入的不确定度u5
积分器容易给系统引入较大的积分累积误差,且随着积分时间的加长,累积误差越来越大,可设计具备收敛特性的积分算法,使得积分累积误差控制较小的范围内,积分器引入的不确定度:u5≈8.0×10-3。
(6)相关性分析
参量其各不相关。
综上所述,航天器电池组模拟器SOC测量的合成不确定度为:
假定总体不确定度服从正态分布,选择置信系数k=2(置信概率为0.95),则航天器电池组模拟器SOC测量扩展不确定度为:
U=k×uc≈2.0%
SOC值为比例值,取值范围为0~1,则SOC测量允许绝对误差理论值为±0.02。
所述系统还具有人机交互功能、参数配置功能、数据存储功能、数据显示功能、数据自动解析功能、数据检索功能、数据回放功能、系统校准、用户管理功能等。
以上所述仅是本发明的优选实施方式,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润饰,这些改进和润饰也应视为本发明的保护范围。此外,尽管本说明书中使用了一些特定的术语,但这些术语仅仅是为了方便说明,并不对本发明构成任何限制。
Claims (6)
1.一种航天器电池组模拟器的SOC特性校准系统,其特征在于:包括模拟器SOC曲线生成模块、标准SOC曲线生成模块和校准模块,其中,模拟器SOC曲线生成模块从实际数据中提取SOC曲线,并利用积分法来形成航天器电池组模拟器输出的SOC特性曲线;其中标准SOC曲线生成模块基于二阶RC等效电路模型的建模法建立起航天器电池组的等效电路模型,不断交替更新模型参数与SOC值,从而得到每个时刻的电池组的模型参数和SOC值。
2.根据权利要求1所述的校准系统,其特征在于:所述模拟器soc曲线生成模块包括数据采集测量单元和数据处理单元,其中数据采集单元负责实时采集系统数据和进行A/D转换,数据处理单元接收数据采集测量单元的数据,并进行数据处理分析,从而得到航天器电池组模拟器的SOC参数值。
3.根据权利要求2所述的校准系统,其特征在于:所述数据处理单元采用积分法来对数据进行处理,来精确确定蓄模拟器的SOC值的变化。
4.根据权利要求2所述的校准系统,其特征在于:标准SOC曲线生成模块对于具体的SOC计算过程包括如下步骤:匹配系数确定、算法状态量初始化、循环迭代计算。
5.根据权利要求1-4任一项所述的校准系统,其特征在于:曲线校准模块包括波形测量模块、误差分析模块和波形对比模块。
6.一种航天器电池组模拟器的SOC特性校准方法,其特征在于:采用权利要求1-5任一项所述的系统进行校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110480.XA CN109782188B (zh) | 2019-02-11 | 2019-02-11 | 航天器电池组模拟器的soc特性校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110480.XA CN109782188B (zh) | 2019-02-11 | 2019-02-11 | 航天器电池组模拟器的soc特性校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782188A true CN109782188A (zh) | 2019-05-21 |
CN109782188B CN109782188B (zh) | 2022-03-04 |
Family
ID=66503131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110480.XA Active CN109782188B (zh) | 2019-02-11 | 2019-02-11 | 航天器电池组模拟器的soc特性校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782188B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927579A (zh) * | 2019-10-29 | 2020-03-27 | 浙江大学城市学院 | 应用于电池能量存储系统主控制模式的电池soc管理方法 |
CN112327174A (zh) * | 2021-01-05 | 2021-02-05 | 江苏时代新能源科技有限公司 | 电池的soc修正方法及装置、电池管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105264709A (zh) * | 2013-06-14 | 2016-01-20 | Hrl实验室有限责任公司 | 用于感测电化学装置的内部温度的方法和设备 |
CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
CN104360282B (zh) * | 2014-11-19 | 2017-07-21 | 奇瑞新能源汽车技术有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
CN106501724B (zh) * | 2016-10-28 | 2018-11-06 | 合肥工业大学 | 一种基于rls和ekf算法的全钒液流电池soc估计方法 |
-
2019
- 2019-02-11 CN CN201910110480.XA patent/CN109782188B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105264709A (zh) * | 2013-06-14 | 2016-01-20 | Hrl实验室有限责任公司 | 用于感测电化学装置的内部温度的方法和设备 |
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
CN104360282B (zh) * | 2014-11-19 | 2017-07-21 | 奇瑞新能源汽车技术有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
CN106501724B (zh) * | 2016-10-28 | 2018-11-06 | 合肥工业大学 | 一种基于rls和ekf算法的全钒液流电池soc估计方法 |
Non-Patent Citations (1)
Title |
---|
刘江: "基于RLS与EKF算法的锂电池SOC估计", 《测控技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927579A (zh) * | 2019-10-29 | 2020-03-27 | 浙江大学城市学院 | 应用于电池能量存储系统主控制模式的电池soc管理方法 |
CN110927579B (zh) * | 2019-10-29 | 2021-09-03 | 浙江大学城市学院 | 应用于电池能量存储系统主控制模式的电池soc管理方法 |
CN112327174A (zh) * | 2021-01-05 | 2021-02-05 | 江苏时代新能源科技有限公司 | 电池的soc修正方法及装置、电池管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109782188B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105301509B (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 | |
CN108072847B (zh) | 一种动力锂电池模型参数辨识和剩余电量的估计方法 | |
CN106054085B (zh) | 一种基于温度用于估计电池soc的方法 | |
CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和系统 | |
CN110398691A (zh) | 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 | |
CN106291381B (zh) | 一种联合估计动力电池系统荷电状态与健康状态的方法 | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN110361652A (zh) | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 | |
Huria et al. | Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN106772067B (zh) | 多时间尺度估计动力电池荷电状态与健康状态的方法 | |
CN104267261B (zh) | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 | |
CN110488194A (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN109991548A (zh) | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及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 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN108445421A (zh) | 一种面向空间应用的锂离子电池健康状态在线估计方法 | |
CN110133505A (zh) | 一种基于变参数模型的动力电池充放电状态观测方法 | |
CN105182245A (zh) | 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法 | |
CN110196393A (zh) | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 | |
CN107167741A (zh) | 一种基于神经网络的锂电池soc观测方法 | |
CN105182246A (zh) | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 | |
CN109782188A (zh) | 航天器电池组模拟器的soc特性校准方法 | |
Yan et al. | Electric vehicle battery soc estimation based on gnl model adaptive kalman filter | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |