CN109888869A - 一种基于迭代学习的锂离子电池充电控制方法 - Google Patents
一种基于迭代学习的锂离子电池充电控制方法 Download PDFInfo
- Publication number
- CN109888869A CN109888869A CN201910168931.5A CN201910168931A CN109888869A CN 109888869 A CN109888869 A CN 109888869A CN 201910168931 A CN201910168931 A CN 201910168931A CN 109888869 A CN109888869 A CN 109888869A
- Authority
- CN
- China
- Prior art keywords
- iteration
- iterative learning
- battery
- lithium ion
- ion 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种基于迭代学习的锂离子电池充电控制方法,包括以下步骤:建立锂离子电池等效电路模型并进行参数拟合;设置电池升压曲线作为期望控制轨迹,并利用参数拟合结果构造迭代学习控制算法;以一次完整的充放电循环作为一次迭代,包含三个阶段,分别为预热阶段、升压阶段和恒压充电阶段,在升压阶段应用迭代学习控制算法,设置初始迭代输入,进入算法训练过程,当电池充电过程升压曲线与期望曲线误差足够小或者达到最大迭代次数停止训练过程,保留最后一次迭代的输入作为后续充电过程升压阶段电流输入。本发明能够实现对锂离子电池充电过程终端电压的精确控制,算法设计不需要进行复杂的电化学建模,算法结构简单、灵活、可实现。
Description
技术领域
本发明涉及智能控制领域,更具体地,涉及一种基于迭代学习的锂离子电池充电控制方法。
背景技术
近年来,随着新能源技术的发展,锂离子电池作为一种具有高能量密度、安全稳定的可充电电池被广泛应用在消费电子,电动汽车以及航天工业中。锂离子电池的充放电过程是一个典型的非线性分布参数系统。在实际应用中,锂离子电池常以多个电池单元组成模块使用,以获得更高的电池续航容量和稳定的电能输出表现,并配备有相对应的电池控制系统。而锂离子电池的充电问题直接影响到锂离子的使用寿命和安全问题,常规的恒流恒压充电是一种无模型的机械式充电方法,无法满足日益变化的各种充电需求,例如快速充电和考虑电池寿命的安全充电等。迭代学习控制方法作为智能控制领域的一个重要分支,自提出以来就受到控制领域学者们广泛的关注和研究。迭代学习控制方法适合用于具有周期重复属性的控制对象,不依赖精确系统建模,反复利用先前训练试验过程的控制信息修正当前控制信号以实现对期望轨迹的精确跟踪,这与锂离子电池模块难以精确建模和充放电过程的重复特性相匹配。本发明尝试把迭代学习控制方法应用在锂离子电池充电过程的升压控制阶段,通过等效电路方法建立锂离子电池模型,并利用模型估计参数辅助构造学习律,算法结构复杂度低,具有良好的鲁棒性,仅需数次迭代作为训练过程就能实现对控制目标的稳定跟踪。
发明内容
本发明的目的是解决现有的恒流恒压充电方法无法满足日益变化的充电需求的缺陷,提出一种基于迭代学习的锂离子电池充电控制方法。
为实现以上发明目的,采用的技术方案是:
一种基于迭代学习的锂离子电池充电控制方法,包括以下步骤:
S1:建立锂离子电池等效电路模型并进行参数拟合;
S2:设置电池升压曲线作为期望控制轨迹,并利用参数拟合结果构造迭代学习控制算法;
S3:以一次完整的充放电循环作为一次迭代,包含三个阶段,分别为预热阶段、升压阶段和恒压充电阶段,在升压阶段应用迭代学习控制算法,设置初始迭代输入,进入算法训练过程,当电池充电过程升压曲线与期望曲线误差足够小或者达到最大迭代次数停止训练过程,保留最后一次迭代的输入作为后续充电过程升压阶段电流输入。
优选的是,所述锂离子电池等效电路模型包括3个模块,分别为可变电压源Uoc,RC电路,以及欧姆电阻Ro。
优选的是,步骤S1所述的电池等效电路模型为非线性时不变系统,其状态空间方程如下:
其中,Rep、Rcp、Cep、Ccp和Ro为需要实测估计的系统参数,Ro为电池模块欧姆电阻,iL和UL分别为充电电流和电池模块终端电压,对应系统的输入和输出;主要采用何等人提出的扩展自适应卡尔曼滤波方法完成以上系统参数的估计,估计的准确性依赖于对噪声先验知识。Uep和Ucp分别用于描述锂离子电池模块充电过程中电化学极化现象和锂离子浓度极化现象所产生的电压,Uoc为开路电压,在等效电路中用一个可变电压源表示,可用关于Soc的函数描述,Soc为电池充电状态,是一个百分比数,其在充电过程中用以下方程描述:
其中,Soc0为锂离子电池初始时刻电量,CN为额定容量,通常表示为电流和时间的乘积,常用单位为安时(AH)。
优选的是,步骤S2所述构造迭代学习控制算法为对于步骤S1中建立的锂离子电池模块等效电路模型引入迭代域的概念,具体为:
其中,k为迭代次数,一次迭代表示一次完整的充放电循环,t代表一次迭代过程即锂离子电池模块一次充电过程中的时间指标,T0为一次迭代过程的时间长度;通过设置合理的升压曲线为期望控制轨迹yd,并由此得到每一次迭代过程中的输出误差如下所述:
ek(t)=yd(t)-yk(t),t∈[0,T0]
由此构造P型迭代学习控制算法为:
L:uk+1(t)=uk(t)+Γek(t)t∈[0,T0],k=0,1,…n
其中uk(t)为第k次迭代的输入信号,ek(t)为第k次迭代的输出误差,Γ为学习增益,而uk+1(t)为第k+1次迭代的输入信号。调节Γ实现算法收敛,需结合等效电路模型参数拟合的结果,满足算法收敛条件,采取高增益学习律,尽量减小训练过程的迭代次数,减小训练过程对电池寿命的损耗。
优选的是,步骤S3所述的训练过程实际是在电池充电过程的升压阶段利用迭代学习控制算法学习系统行为并不断矫正拟合期望控制轨迹的过程,其中三阶段的充电过程,第一阶段的预热阶段使用涓流充电唤醒,在达到预设电压后进入到第二阶段;第二阶段利用迭代学习控制算法实现电池模块升压,达到预设电压后进入到第三阶段;第三阶段采用常规的恒压充电直到整个充电过程的结束。整个过程具体为以下几个阶段
1)设定合理的升压曲线作为迭代学习控制算法的期望控制轨迹yd,根据升压曲线设定涓流充电的截止电压Vs作为初始状态。期望曲线可以在合理范围内依据充电需求灵活设定,例如设定陡峭的曲线以实现在较短时间内尽快提升至截止电压进入恒流充电阶段,或者出于延长电池寿命的考虑设定较为平缓的曲线以避免大电流充电对电池的损耗。设定初始迭代输入信号u0(t),通常设置为零,也可以基于先验知识设定,初始输入越接近期望输入则收敛越快。设定恒压充电阶段的截止电流Icut。
2)开始充电过程的训练阶段,进入第一阶段的涓流充电,该阶段主要以较微弱的恒定电流对低电量状态的锂离子电池模块进行预热充电,当电池工作电压提升至Vs后停止涓流充电进入阶段二。该阶段有两个目的,其一是唤醒电池,低电量状态下的锂离子电池会进入到类似“休眠”的状态,此时电池内部电压较小,需要使用小电流充电唤醒,提高电池电压至可进行大电流充电状态;其二是确保在训练过程中每次充电循环进入到迭代学习控制阶段时电池的内部状态保持一致,满足迭代学习控制算法对于训练过程中每次迭代初始状态一致的要求。
3)进入到升压阶段,这一阶段使用迭代学习控制算法完成锂离子电池模块的升压控制。基于设定好的期望曲线,通过不断的迭代训练,算法将得到与期望曲线相对应的最优输入信号,在完成算法的训练过程后,将该期望输入信号保留至存储器中,后续的充电过程将直接调用存储器内的输入信号对电池进行升压控制。
4)进入到恒压充电阶段,以恒定电压持续充电,此时电池工作在最优充电效率区间。在恒压充电过程中,电池工作电流将逐步下降,当其下降至设定截止值Icut时停止充电过程。
与现有技术相比,本发明的有益效果是:
1)电池充电过程终端电压收敛到期望轨迹;
2)在尽量少的充放电循环内实现算法收敛,减小算法训练过程对电池寿命的损耗等不利影响;
3)能够实现对锂离子电池充电过程终端电压的精确控制,算法设计不需要进行复杂的电化学建模,算法结构简单、灵活、可实现。
附图说明
图1为本发明的流程图;
图2为本发明的等效电路模型图;
图3为本发明实现的流程图;
图4为本发明的迭代学习算法框架图;
图5为本发明的升压阶段示例性仿真终端电压曲线图;
图6为本发明的升压阶段示例性仿真充电电流曲线图;
图7为本发明的升压阶段示例性仿真效果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种基于迭代学习的锂离子电池充电控制方法,请参考图1,包括以下步骤:
S1:建立锂离子电池等效电路模型并进行参数拟合;
S2:设置电池升压曲线作为期望控制轨迹,并利用参数拟合结果构造迭代学习控制算法;
S3:以一次完整的充放电循环作为一次迭代,包含三个阶段,分别为预热阶段、升压阶段和恒压充电阶段,在升压阶段应用迭代学习控制算法,设置初始迭代输入,进入算法训练过程,当电池充电过程升压曲线与期望曲线误差足够小或者达到最大迭代次数停止训练过程,保留最后一次迭代的输入作为后续充电过程升压阶段电流输入。
请参考图2,图2为本发明所建立的锂离子电池模块等效电路图。等效电路建模是一种广泛运用的电池建模方法,通过图示对本发明能有较为直观且更为感性的认识。等效电路主要分为3个模块,分别是可变电压源Uoc,RC电路,以及欧姆电阻Ro。可变电压源代表电池模块开路电压,会随着电池模块充电过程发生改变;二阶RC电路用于表征电池模块在充电过程中的极化现象,其中包括电化学极化和锂离子浓度极化;欧姆电阻即电池内阻。
请参考图3,图3为本发明实施的流程图。本发明实现主要分为三个阶段:1)涓流充电阶段,对电池模块进行唤醒和预热,当电池电压达到Vs时结束该阶段;2)升压阶段,该阶段基于迭代学习控制实现电池模块的升压控制,可依据不同充电需求设定不同的控制目标;3)恒压充电阶段,经过第二阶段的升压,此时电池工作在最大电压区间,达到最优充电效率,在恒压阶段,电池的工作电流将逐步下降,当其下降到截止值Icut时停止充电过程。
本实施例中,步骤S1所述的电池等效电路模型为非线性时不变系统,其状态空间方程如下:
其中,Rep、Rcp、Ccp、Ccp和Ro为需要实测估计的系统参数,Ro为电池模块欧姆电阻,iL和UL分别为充电电流和电池模块终端电压,对应系统的输入和输出;主要采用何等人提出的扩展自适应卡尔曼滤波方法完成以上系统参数的估计,估计的准确性依赖于对噪声先验知识。Uep和Ucp分别用于描述锂离子电池模块充电过程中电化学极化现象和锂离子浓度极化现象所产生的电压,Uoc为开路电压,在等效电路中用一个可变电压源表示,可用关于Soc的函数描述,Soc为电池充电状态,是一个百分比数,其在充电过程中用以下方程描述:
其中,Soc0为锂离子电池初始时刻电量,CN为额定容量,通常表示为电流和时间的乘积,常用单位为安时(AH)。
本实施例中,步骤S2所述构造迭代学习控制算法为对于步骤S1中建立的锂离子电池模块等效电路模型引入迭代域的概念,具体为:
其中,k为迭代次数,一次迭代表示一次完整的充放电循环,t代表一次迭代过程即锂离子电池模块一次充电过程中的时间指标,T0为一次迭代过程的时间长度;通过设置合理的升压曲线为期望控制轨迹yd,并由此得到每一次迭代过程中的输出误差如下所述:
ek(t)=yd(t)-yk(t),t∈[0,T0]
由此构造P型迭代学习控制算法为:
L:uk+1(t)=uk(t)+Γek(t)t∈[0,T0],k=0,1,…n
其中uk(t)为第k次迭代的输入信号,ek(t)为第k次迭代的输出误差,Γ为学习增益,而uk+1(t)为第k+1次迭代的输入信号,如图3所示。调节Γ实现算法收敛,需结合等效电路模型参数拟合的结果,满足算法收敛条件,采取高增益学习律,尽量减小训练过程的迭代次数,减小训练过程对电池寿命的损耗。
本实施例中,步骤S3所述的训练过程实际是在电池充电过程的升压阶段利用迭代学习控制算法学习系统行为并不断矫正拟合期望控制轨迹的过程,其中三阶段的充电过程,第一阶段的预热阶段使用涓流充电唤醒,在达到预设电压后进入到第二阶段;第二阶段利用迭代学习控制算法实现电池模块升压,达到预设电压后进入到第三阶段;第三阶段采用常规的恒压充电直到整个充电过程的结束。整个过程具体为以下几个阶段
1)设定合理的升压曲线作为迭代学习控制算法的期望控制轨迹yd,根据升压曲线设定涓流充电的截止电压Vs作为初始状态。期望曲线可以在合理范围内依据充电需求灵活设定,例如设定陡峭的曲线以实现在较短时间内尽快提升至截止电压进入恒流充电阶段,或者出于延长电池寿命的考虑设定较为平缓的曲线以避免大电流充电对电池的损耗。设定初始迭代输入信号u0(t),通常设置为零,也可以基于先验知识设定,初始输入越接近期望输入则收敛越快。设定恒压充电阶段的截止电流Icut。
2)开始充电过程的训练阶段,进入第一阶段的涓流充电,该阶段主要以较微弱的恒定电流对低电量状态的锂离子电池模块进行预热充电,当电池工作电压提升至Vs后停止涓流充电进入阶段二。该阶段有两个目的,其一是唤醒电池,低电量状态下的锂离子电池会进入到类似“休眠”的状态,此时电池内部电压较小,需要使用小电流充电唤醒,提高电池电压至可进行大电流充电状态;其二是确保在训练过程中每次充电循环进入到迭代学习控制阶段时电池的内部状态保持一致,满足迭代学习控制算法对于训练过程中每次迭代初始状态一致的要求。
3)进入到升压阶段,这一阶段使用迭代学习控制算法完成锂离子电池模块的升压控制。基于设定好的期望曲线,通过不断的迭代训练,算法将得到与期望曲线相对应的最优输入信号,在完成算法的训练过程后,将该期望输入信号保留至存储器中,后续的充电过程将直接调用存储器内的输入信号对电池进行升压控制。
4)进入到恒压充电阶段,以恒定电压持续充电,此时电池工作在最优充电效率区间。在恒压充电过程中,电池工作电流将逐步下降,当其下降至设定截止值Icut时停止充电过程。
请参考图5-7,图5是示例性的电池模块充电过程升压阶段的终端电压曲线图。从图5可看出:训练过程中随着迭代次数的增加,电池模块终端电压逐渐趋近并收敛到期望值。图6是示例性的电池模块充电过程升压阶段的充电电流曲线图。从图6可看出:训练过程中随着迭代次数的增加,不同迭代间充电电流变化逐渐减小,可见其趋于稳定并收敛。图7是示例性的电池模块充电过程升压阶段收敛效果图。使用均方误差描述电池终端电压对期望值的跟踪效果。从图7可看出:训练过程中随着迭代次数的增加,电池模块输出均方误差迅速下降并趋于零,可见算法收敛迅速且稳定。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于迭代学习的锂离子电池充电控制方法,其特征在于,包括以下步骤:
S1:建立锂离子电池等效电路模型并进行参数拟合;
S2:设置电池升压曲线作为期望控制轨迹,并利用参数拟合结果构造迭代学习控制算法;
S3:以一次完整的充放电循环作为一次迭代,包含三个阶段,分别为预热阶段、升压阶段和恒压充电阶段,在升压阶段应用迭代学习控制算法,设置初始迭代输入,进入算法训练过程,当电池充电过程升压曲线与期望曲线误差足够小或者达到最大迭代次数停止训练过程,保留最后一次迭代的输入作为后续充电过程升压阶段电流输入。
2.根据权利要求1所述的一种基于迭代学习的锂离子电池充电控制方法,其特征在于,所述锂离子电池等效电路模型包括3个模块,分别为可变电压源Uoc,RC电路,以及欧姆电阻Ro。
3.根据权利要求1-2任一项所述的一种基于迭代学习的锂离子电池充电控制方法,其特征在于,步骤S1所述的电池等效电路模型为非线性时不变系统,其状态空间方程如下:
其中,Rep、Rcp、Cep、Ccp和Ro为需要实测估计的系统参数,Ro为电池模块欧姆电阻,iL和UL分别为充电电流和电池模块终端电压,对应系统的输入和输出;Uep和Ucp分别用于描述锂离子电池模块充电过程中电化学极化现象和锂离子浓度极化现象所产生的电压,Uoc为开路电压,可用关于Soc的函数描述,Soc为电池充电状态,是一个百分比数,其在充电过程中用以下方程描述:
其中,Soc0为锂离子电池初始时刻电量,CN为额定容量,通常表示为电流和时间的乘积,常用单位为安时AH。
4.根据权利要求1所述的一种基于迭代学习的锂离子电池充电控制方法,其特征在于,步骤S2所述构造迭代学习控制算法为对于步骤S1中建立的锂离子电池模块等效电路模型引入迭代域的概念,具体为:
其中,k为迭代次数,一次迭代表示一次完整的充放电循环,t代表一次迭代过程即锂离子电池模块一次充电过程中的时间指标,T0为一次迭代过程的时间长度;通过设置合理的升压曲线为期望控制轨迹yd,并由此得到每一次迭代过程中的输出误差如下所述:
ek(t)=yd(t)-yk(t),t∈[0,T0]
由此构造P型迭代学习控制算法为:
L:uk+1(t)=uk(t)+Γek(t)t∈[0,T0],k=0,1,…n
其中uk(t)为第k次迭代的输入信号,ek(t)为第k次迭代的输出误差,Γ为学习增益,而uk+1(t)为第k+1次迭代的输入信号。
5.根据权利要求1所述的一种基于迭代学习的锂离子电池充电控制方法,其特征在于,步骤S3所述的训练过程实际是在电池充电过程的升压阶段利用迭代学习控制算法学习系统行为并不断矫正拟合期望控制轨迹的过程,其中三阶段的充电过程,第一阶段的预热阶段使用涓流充电唤醒,在达到预设电压后进入到第二阶段;第二阶段利用迭代学习控制算法实现电池模块升压,达到预设电压后进入到第三阶段;第三阶段采用常规的恒压充电直到整个充电过程的结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168931.5A CN109888869A (zh) | 2019-03-06 | 2019-03-06 | 一种基于迭代学习的锂离子电池充电控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168931.5A CN109888869A (zh) | 2019-03-06 | 2019-03-06 | 一种基于迭代学习的锂离子电池充电控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109888869A true CN109888869A (zh) | 2019-06-14 |
Family
ID=66930988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168931.5A Pending CN109888869A (zh) | 2019-03-06 | 2019-03-06 | 一种基于迭代学习的锂离子电池充电控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109888869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787386A (zh) * | 2021-03-25 | 2021-05-11 | 深圳市小兔充充科技有限公司 | 智能充电控制方法、系统、充电设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982485A (zh) * | 2011-04-20 | 2013-03-20 | 通用电气公司 | 基于生物测定身份信息授权车辆的电池充电的方法和系统 |
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 |
US20180145526A1 (en) * | 2016-11-23 | 2018-05-24 | Robert Bosch Gmbh | Method for fast charging lithium-ion batteries |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
-
2019
- 2019-03-06 CN CN201910168931.5A patent/CN109888869A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982485A (zh) * | 2011-04-20 | 2013-03-20 | 通用电气公司 | 基于生物测定身份信息授权车辆的电池充电的方法和系统 |
US20180145526A1 (en) * | 2016-11-23 | 2018-05-24 | Robert Bosch Gmbh | Method for fast charging lithium-ion batteries |
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 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
Non-Patent Citations (1)
Title |
---|
王丽梅等: "基于经验模态分解算法的永磁直线同步电机迭代学习控制", 《电工技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787386A (zh) * | 2021-03-25 | 2021-05-11 | 深圳市小兔充充科技有限公司 | 智能充电控制方法、系统、充电设备及计算机存储介质 |
CN112787386B (zh) * | 2021-03-25 | 2023-06-27 | 深圳市小兔充充科技有限公司 | 智能充电控制方法、系统、充电设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim | Nonlinear state of charge estimator for hybrid electric vehicle battery | |
Capizzi et al. | Recurrent neural network-based modeling and simulation of lead-acid batteries charge–discharge | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN105891724B (zh) | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 | |
Makeen et al. | Experimental and theoretical analysis of the fast charging polymer lithium-ion battery based on Cuckoo Optimization Algorithm (COA) | |
Hofmann et al. | Dynamics of current distribution within battery cells connected in parallel | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
El Ghossein et al. | Survey on electrical modeling methods applied on different battery types | |
CN105116338B (zh) | 一种基于soc补偿器的并联型电池系统建模方法 | |
Chen et al. | Searching for the optimal current pattern based on grey wolf optimizer and equivalent circuit model of Li-ion batteries | |
CN106872901B (zh) | KiBaM-分数阶等效电路综合特征电池模型及参数辨识方法 | |
Shieh | Fuzzy PWM based on Genetic Algorithm for battery charging | |
Amir et al. | A novel SOC estimation method for lithium ion battery based on improved adaptive PI observer | |
Haddad et al. | Lead acid battery modeling for PV applications | |
CN109888869A (zh) | 一种基于迭代学习的锂离子电池充电控制方法 | |
CN111180814A (zh) | 基于多模块充电器的串联锂离子电池组充电控制方法 | |
Chen et al. | Establishment of second-order equivalent circuit model for bidirectional voltage regulator converter: 48 V-aluminum-ion battery pack | |
CN111856285B (zh) | 一种电动汽车退役电池组等效模型建模方法 | |
CN110907834A (zh) | 一种并联型电池系统建模方法 | |
Liu et al. | RBF network-aided adaptive unscented kalman filter for lithium-ion battery SOC estimation in electric vehicles | |
CN103077291A (zh) | 可设置初始荷电状态的电池充放电过程数字仿真方法 | |
CN114114021B (zh) | 考虑非线性固相扩散的锂离子电池模型及参数辨识方法 | |
CN115712987A (zh) | 一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法 | |
CN113495215B (zh) | 一种虚拟电芯系统及其运行方法和一种孪生电池 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230728 |