CN110146823A - 一种基于信息融合的串联电池组soc估计方法 - Google Patents
一种基于信息融合的串联电池组soc估计方法 Download PDFInfo
- Publication number
- CN110146823A CN110146823A CN201910492563.XA CN201910492563A CN110146823A CN 110146823 A CN110146823 A CN 110146823A CN 201910492563 A CN201910492563 A CN 201910492563A CN 110146823 A CN110146823 A CN 110146823A
- Authority
- CN
- China
- Prior art keywords
- soc
- series
- cell group
- connected cell
- model
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Abstract
本发明涉及一种基于信息融合的串联电池组SOC估计方法,属于电池管理技术领域,包括S1:选定待测串联电池组,收集整理该串联电池组的技术参数,建立该串联电池组的CMM+CDM模型,并确定该串联电池组SOC估计所需的模型参数;S2:组进行涓流充放电和HPPC实验,建立充放电OCV、电路模型参数关于SOC的数据库;模拟DST、UDDS,建立工况测试实验数据库;S3:建立OCV‑SOC关系曲线,得到CMM+CDM模型的电学特性参数;S4:将CMM+CDM模型结合分散滤波器,基于最优算法和充放电特性参数关于SOC的定量关系式得到CMM和单体SOC,权重分配融合每个单体SOC实现串联电池组SOC估计。
Description
技术领域
本发明属于电池管理技术领域,涉及一种基于信息融合的串联电池组SOC估计方法。
背景技术
随着能源危机和全球气候变暖日益严峻,以及一次能源效率低等问题,传统汽车的转型成为各国的重要工业变革。新能源汽车逐渐成为全球工业界和学术界研究的一个热点领域。电池作为新能源汽车的主要能源和关键技术之一,成为专家学者们的重点突破目标。由于电池单体的电芯功率的限制,电动汽车动力电池组通常由成百上千节单体电池通过串并联的方式成组,以满足车辆的能量和功率需求。为了保障电池组在复杂的使用工况下安全、可靠和高效地工作,电池管理系统(BMS)被广泛地用来对电池组进行精细化管理。电池组SOC(荷电状态)的估计不仅是对电池组电量的有效监控,还是电池组均衡管理,故障诊断等的先决条件。鉴于此,电池组的SOC估计具有十分重要的意义。
目前电池组的SOC估计主要集中在串联电池组的SOC估计。串联电池组SOC估计方法主要可分为:基于测量数据直接计算法,基于模型方法以及基于数据驱动的方法。基于测量值直接计算的方法主要含有安时积分法与基于开路电压法。安时积分法,是目前广泛应用到电动汽车BMS中的非常简单的一种SOC估计方法,但是该方法的估计精度主要取决于电流的测量精度和初始的SOC值。开路电压法原理简单,但是很难得到准确的开路电压。基于数据驱动的方法通过大量的数据训练,运用遗传算法,神经网络,支持向量机等先进人工智能算法来进行电池状态估计的一类方法,算法复杂而很能用于实车。基于模型的串联电池组状态估计方法是通过建立的恰当的电池组的等效电路模型,列出对应的状态空间关系方程,通过适当的估计算法来估计电池组的状态。基于模型的SOC估计方法精度取决于模型精度和算法精度。
目前基于模型的串联电池组SOC估计采用的等效电路模型主要有大单体模型(BCM),多单体模型(MCM),最大最小电压单体模型(VVM),均值+偏差模型(MDM)。其中BCM需要通过严格的单体筛选,采用一个单体模型表示整个电池组,因此估计精度不高,且随着电池组老化后不一致性增大,这类模型精度会急剧下降。MCM对每个单体精度高,但缺乏对整组SOC的估计,并且计算量太大。VVM中采用最小电压单体代表放电过程,最大电压单体代表充电过程,能够有效防止电池组的过充过放,但这类模型没考虑单体间SOC不一致的影响,也忽略了电池组SOC和单体间的差异,导致不能准确估计完整SOC范围内的电池组SOC。MDM通过均值模型(CMM)和偏差模型(CDM)的结合可以估计每个单体的SOC,但用CMM表示整个电池组的SOC同样存在和VVM相同的问题,即缺乏对电池组SOC的准确估计。
目前对电池组的SOC估计多采用某个特征单体表示的方案,缺乏一种能够有效估计全SOC范围内电池组SOC的方法,缺乏一种能够涵盖电池组内所有单体信息的SOC估计方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于信息融合的串联电池组SOC的估计方法,利用均值模型CMM+偏差模型CDM模型结合联邦滤波器实现串联电池组每个单体SOC的在线估计,通过分配每个单体SOC权重,进行最优融合得到串联电池组的整组SOC的在线估计值。
为达到上述目的,本发明提供如下技术方案:
一种基于信息融合的串联电池组SOC估计方法,利用扩展卡尔曼滤波算法(EKF),结合联邦滤波器的运用,可以获取每个单体的SOC估计值,然后通过权重分配融合每个单体的信息得到电池组SOC的估计,能够实现电池组整组SOC和电池组内每个单体SOC的在线估计,包括以下步骤:
S1:选定待测串联电池组,收集整理该串联电池组的技术参数,建立该串联电池组的均值模型CMM+偏差模型CDM模型,并确定该串联电池组SOC估计所需的模型参数;
S2:对被测串联电池组进行涓流(例如,C/20A)充放电实验和复合脉冲功率特性测试工况(hybrid pulse power characterization test,HPPC)实验,进而建立充放电OCV、电路模型参数关于SOC的实验数据库。模拟动态应力测试工况DST(dynamic stress test)、城道路循环工况UDDS等实车工况,建立工况测试实验数据库;
S3:利用开路电压OCV和SOC数据库,建立OCV与SOC关系曲线,进行参数辨识得到CMM+CDM模型的电学特性参数;
S4:将串联电池组的CMM+CDM模型结合分散滤波器,基于最优算法以及串联电池组充放电特性参数关于SOC的定量关系式得到CMM和每个单体的SOC,利用权重分配方法融合每个单体SOC以实现准确的串联电池组SOC估计。
进一步,步骤S1中,所述的CMM模型为Rint模型、一阶RC模型、二阶RC模型,多阶RC模型等等效电路模型中的一种,所述的CDM模型为开路电压模型、Rint模型、一阶RC模型中的一种,最终形式根据模型复杂度和模型精度以及不一致性的影响因素确定。
进一步,步骤S2包括以下步骤:
S21:将待测串联电池组在25℃的恒温环境中静置2h;
S22:以C/20A充放电倍率对动力电池组进行充放电,测得该串联电池组和电池单体的OCV和SOC的关系曲线并确定当前阶段该串联电池组和电池单体的可用容量;
S23:进行HPPC测试获取动力电池单体的电流、电压数据;
S24:模拟实车工况(DST,UDDS)实验获取每个电池单体的电流、电压、等实验数据;
S25:将步骤S21-S24获取的实验数据汇总并处理,形成可用的实验数据库。
进一步,步骤S3包括:
S31:利用步骤S2中获取的实验数据获取OCV和SOC间的关系,采用多项式或者其他经验公式进行曲线拟合,得到函数关系曲线;
S32:利用步骤S2中获取的实验数据,采用参数辨识方法辨识得到CMM和CDM的特性参数;
进一步,其中步骤S32中所运用的参数辨识方法为带遗忘因子的递归最小二乘法RLS、粒子群算法(PSO)、扩展卡尔曼滤波器EKF算法或遗传算法(GA)等最优算法中的一种。
进一步,步骤S4包括:
S41:初始化用于CMM和各CDM的SOC估计的最优算法所需的各参数。
S41:利用CMM模型结合最优算法得到均值SOC;
S42:将S41得到的均值SOC作为输入,传给分散滤波器的每个局部滤波器,局部滤波器利用CDM模型结合最优算法得到每个单体SOC;
S43:计算出单体间SOC差异的标准差,根据CMM的SOC值,结合对数正态分布密度函数分配每个单体的融合权重;
S44:主滤波器根据每个单体的权重信息进行最优融合得到串联电池组SOC。
进一步,步骤S42所述的分散滤波器为联邦滤波器;步骤S41~S43所述的最优算法为EKF算法、无迹卡尔曼滤波(UKF)算法、自适应扩展卡尔曼滤波(AEKF)算法和H∞算法中的一种;步骤S43中还包括通过韦伯分布和正态分布权重分配函数进行分配。
本发明的有益效果在于:
本发明采用CMM+CDM电池组模型,能够有效降低电池组内所有单体SOC的计算复杂度;
本发明采用联邦滤波器,有效提高滤波系统的估计效率和容错效果,并且能够通过监察子滤波器而实现单体的故障检测;
EKF构建的算法结构,能够有效的实现整个系统SOC的在线估计,从而实现实车运用;
本发明提出的基于信息融合的电池组SOC估计,既能通过各子滤波器得到准确的单体SOC估计,又能通过权重分配融合每个单体信息得到准确的电池组SOC估计,具有全SOC范围内的高精度估计效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1是本发明所述基于信息融合的串联电池组SOC估计方法流程图;
图2是本发明采用的CMM模型图;
图3是本发明采用的CDM模型图;
图4是本发明联邦滤波器结构图;
图5是本发明采用的对数正态分布密度权重分配函数曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,基于信息融合的串联电池组SOC估计方法可以分为以下步骤:
步骤S1:选定待测串联电池组,收集整理该串联电池组的技术参数,建立该串联电池组的CMM+CDM模型,并确定该串联电池组SOC估计所需的模型参数;
步骤S2:对被测串联电池组进行涓流(例如,C/20A)充放电实验和HPPC实验,进而建立充放电OCV、电路模型参数关于SOC的实验数据库。模拟DST,UDDS等实车工况,建立工况测试实验数据库;
步骤S3:利用开路电压OCV和SOC数据库,建立OCV与SOC关系曲线,进行参数辨识得到CMM+CDM模型的特性参数;
步骤S4:将串联电池组的CMM+CDM模型结合联邦滤波器,基于EKF算法以及串联电池组充放电特性参数关于SOC的定量关系式得到CMM和每个单体的SOC,利用权重分配方法融合每个单体SOC以实现准确的串联电池组SOC估计。
步骤S1具体包括步骤S11~S12。
步骤S11:选定待测串联电池组,建立该动力电池组时域内连续的CMM电学特性模型,并确定CMM的SOC估计所需模型参数。具体地,
参见图2,CMM模型为等效电路模型为Rint模型、一阶RC模型、二阶RC模型,多阶RC模型等等效电路模型中的一种,最终的形式需要综合考虑模型复杂度、模型精度和鲁棒性后确定,以一阶RC模型为例,状态空间方程可表示为:
UT,m=UOCV,m-UP,m-RO,mI
式中UP,m、UOCV,m、RP,m、CP,m、RO,m及UT,m分别代表均值模型的极化电压、开路电压、极化内阻、极化电容、欧姆内阻以及端电压,I是电路中瞬时电流(规定放电为正,充电为负)。
CMM单体SOC定义为:
式中SOCm(t)和SOCm(t0)分别表示CMM单体t时刻的SOC和初始时刻的SOC,ηm为库伦效率,Cm表示CMM单体容量,i(τ)为瞬时电流(放电为正,充电为负)。
进一步,为满足迭代计算需要,各式的离散化方程可写为:
UP,m,k=UP,m,k-1exp(-Δt/τ)+(1-exp(-Δt/τ))RP,mIk-1
UT,m,k=UOCV,m,k-UP,m,k-RO,mIk
式中Δt为采样间隔,k为采样时刻。
步骤S12:选定待测串联电池组,建立该动力电池组时域内连续的CDM电学特性模型,并确定CDM的SOC估计所需模型参数。具体地,
参见图3,CDM模型考虑单体间不一致因素的影响,可以有开路电压模型,Rint模型,一阶RC模型等不同形式,最终需要根据涵盖的不一致性因素,模型精度和计算复杂度共同确定。以考虑SOC不一致和内阻不一致的影响的Rint模型为例,状态空间方程可表示为:
式中表示每个单体开路电压与均值开路电压的差值,表示第k个单体和均值单体的端电压差异,表示每个单体的欧姆内阻和均值欧姆内阻的差值,I是电路中的瞬时电流(规定放电为正,充电为负)。
进一步,为满足迭代计算需要,上式与ΔSOC的离散化方程可写为:
式中i代表组内单体标号。
步骤S2具体包括S21-S25。
步骤S21:将待测串联电池组在25℃的恒温环境中静置2h;
步骤S22:以C/20A充放电倍率对动力电池组进行充放电,测得该串联电池组和电池单体的OCV和SOC的关系曲线并确定当前阶段该串联电池组和电池单体的可用容量;
步骤S23:进行HPPC测试获取动力电池单体的电流、电压数据;
步骤S24:模拟实车工况(DST,UDDS)实验获取每个电池单体的电流、电压、等实验数据;
步骤S25:将此步骤之前获取的实验数据汇总并处理,形成可用的实验数据库。
步骤S3具体包括步骤S31~S33。
步骤S31:利用步骤S2中获取的实验数据获取OCV和SOC间的关系,采用多项式或者其他经验公式进行曲线拟合,得到函数关系曲线;
步骤S32:利用步骤S2中获取的实验数据,采用带遗忘因子的递归最小二乘法RLS或其他参数辨识方法辨识得到CMM和CDM的特性参数;步骤S32包括S321~S322,具体地,
步骤S321:定义ET=UT-UOCV,则CMM极化电压状态方程离散化可写为:
ET,k+1=exp(-Δt/τ)ET,k+(-RO)Ik+1
+(exp(-Δt/τ)RO-(1-exp(-Δt/τ))RP)Ik
根据带遗忘因子递归最小二乘法(RLS)原理,可以构造如下的等式:
yk=Φkθk
式中,Φk=[ET,k-1Ik Ik-1]为数据矩阵,θk=[β1β2β3]T为辨识参数矩阵,yk=ET,k为输出矩阵。由此可运用RLS的运算流程辨识CMM参数。
步骤S322:CDM模型离散化方程写成运用RLS的标准方程为:
数据矩阵
参数矩阵
输出矩阵
由此,可运用RLS的运算流程辨识CDM参数。
步骤S33:基于步骤S2中获取的实验数据以及步骤S32的参数辨识结果,进行数据拟合得到串联电池组CMM+CDM模型参数SOC和电流方向之间的定量关系。
需要说明的是,步骤S32采用的参数辨识方法为RLS,但不局限于该方法,实际使用时还可采用GA,EKF,PSO等最优算法。
步骤S4,请参阅图4,将串联电池组的CMM+CDM模型结合联邦滤波器,基于EKF算法以及串联电池组充放电特性参数关于SOC的定量关系式得到CMM和每个单体的SOC,利用权重分配方法融合每个单体SOC以实现准确的串联电池组SOC估计。具体地,步骤S4包含步骤S41-S46。
步骤S41:初始化用于CMM和各CDM的SOC估计的EKF算法所需的各参数。
步骤S42:利用CMM模型结合EKF算法得到均值SOCm,k;
CMM采用一阶RC模型,离散化方程可重新写为:
UT,m,k=UOCV,m,k-UP,m,k-RO,mIk
基于EKF算法的状态矩阵为x=[SOCm UP,m],输入矩阵u=I,输出矩阵y=UT,m,并定义矩阵:
Dk=UOCV,m,k-UP,m,k-RO,muk-Ckxk
则CMM的状态空间方程可简化为:
根据上式的状态方程和输出方程,可运用EKF的算法流程迭代计算CMM每个时刻的SOCm,k值。
步骤S43:将S42得到的均值SOCm,k作为输入,传给联邦滤波器每个局部滤波器,局部滤波器利用CDM模型结合EKF算法得到每个单体
CDM采用的Rint模型,状态矩阵
观测方程:
定义矩阵
由此每个偏差模型可基于EKF算法流程得到值,并结合均值SOCm,k得到每个单体的值。
步骤S44:参见图5,计算出串联电池组单体间SOC差异的标准差,根据CMM的SOCm,k值,结合对数正态分布密度函数分配每个单体的融合权重,具体包括步骤S441-S443;
步骤S441:由步骤S43得到的每个单体的值,及步骤S42得到的均值SOCm,k值,计算出电池组单体间SOC分布的标准差:
步骤S442:根据均值SOCm,k分布区间,以及标准差σpack,k的大小,做出此时刻的权重分布曲线。
对数正态分布密度函数选作权重分配函数,分布函数写为:
上式中的参数μ和σ根据SOCm,k以及σpack,k的函数确定:
μk=ln(SOCm,k±ak)
σk=bkσpack,k±ck
式中ak,bk,ck为线性变化参数,其值大小需根据SOCm,k区间以及σpack,k大小共同确定。
步骤S443:各单体根据插值法确定融合的权重值。
步骤S45:主滤波器根据每个单体的权重信息进行最优融合得到串联电池组SOCpack,k。
k=k+1,迭代步骤S42~S45,在每个采样时刻得到每个单体的SOC和基于信息融合的电池组SOC。
需要说明的是,步骤S41~S43采用的SOC估计方法为EKF,对于实际的电池管理系统,可以针对不同的观测精度,将其算法UKF、AEKF和H∞算法,或其组合。
需要说明的是,步骤S44采用的权重分配函数为对数正态分布密度函数,在实际使用时,根据电池组内单体SOC不一致的分布,还可采用正态分布,韦伯分布等权重分配函数。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于信息融合的串联电池组SOC估计方法,其特征在于:包括以下步骤:
S1:选定待测串联电池组,收集整理该串联电池组的技术参数,建立该串联电池组的均值模型CMM+偏差模型CDM模型,并确定该串联电池组SOC估计所需的模型参数;
S2:对被测串联电池组进行C/20A涓流充放电实验和复合脉冲功率特性测试工况HPPC实验,建立充放电OCV、电路模型参数关于SOC的实验数据库;模拟动态应力测试工况DST、城道路循环工况UDDS,建立工况测试实验数据库;
S3:利用开路电压OCV和SOC数据库,建立OCV与SOC关系曲线,进行参数辨识得到CMM+CDM模型的电学特性参数;
S4:将串联电池组的CMM+CDM模型结合分散滤波器,基于最优算法以及串联电池组充放电特性参数关于SOC的定量关系式得到CMM和每个单体的SOC,利用权重分配方法融合每个单体SOC以实现串联电池组SOC估计。
2.根据权利要求1所述的基于信息融合的串联电池组SOC估计方法,其特征在于:步骤S1中,所述的CMM模型为Rint模型、一阶RC模型、二阶RC模型,多阶RC模型等效电路模型中的一种,所述的CDM模型为开路电压模型、Rint模型、一阶RC模型中的一种,最终形式根据模型复杂度和模型精度以及不一致性的影响因素确定。
3.根据权利要求1所述的基于信息融合的串联电池组SOC估计方法,其特征在于:步骤S2包括以下步骤:
S21:将待测串联电池组在25℃的恒温环境中静置2h;
S22:以C/20A充放电倍率对动力电池组进行充放电,测得该串联电池组和电池单体的OCV和SOC的关系曲线并确定当前阶段该串联电池组和电池单体的可用容量;
S23:进行HPPC测试获取动力电池单体的电流、电压数据;
S24:模拟DST、UDDS实车工况实验获取每个电池单体的电流、电压实验数据;
S25:将步骤S21-S24获取的实验数据汇总并处理,形成可用的实验数据库。
4.根据权利要求1所述的基于信息融合的串联电池组SOC估计方法,其特征在于:步骤S3包括:
S31:利用步骤S2中获取的实验数据获取OCV和SOC间的关系,采用多项式或其他经验公式进行曲线拟合,得到函数关系曲线;
S32:利用步骤S2中获取的实验数据,采用参数辨识方法辨识得到CMM和CDM的特性参数。
5.根据权利要求4所述的基于信息融合的串联电池组SOC估计方法,其特征在于:其中步骤S32中所运用的参数辨识方法为带遗忘因子的递归最小二乘法RLS、粒子群算法PSO、扩展卡尔曼滤波器EKF算法或遗传算法GA中的一种。
6.根据权利要求1所述的基于信息融合的串联电池组SOC估计方法,其特征在于:步骤S4包括:
S41:初始化用于CMM和各CDM的SOC估计的最优算法所需的各参数;
S41:利用CMM模型结合最优算法得到均值SOC;
S42:将S41得到的均值SOC作为输入,传给分散滤波器的每个局部滤波器,局部滤波器利用CDM模型结合最优算法得到每个单体SOC;
S43:计算出单体间SOC差异的标准差,根据CMM的SOC值,结合对数正态分布密度函数分配每个单体的融合权重;
S44:主滤波器根据每个单体的权重信息进行最优融合得到串联电池组SOC。
7.根据权利要求6所述的基于信息融合的串联电池组SOC估计方法,其特征在于:步骤S42所述的分散滤波器为联邦滤波器;步骤S41~S43所述的最优算法为EKF算法、无迹卡尔曼滤波UKF算法、自适应扩展卡尔曼滤波AEKF算法和H∞算法中的一种;步骤S43中还包括通过韦伯分布和正态分布权重分配函数进行分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492563.XA CN110146823A (zh) | 2019-06-06 | 2019-06-06 | 一种基于信息融合的串联电池组soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492563.XA CN110146823A (zh) | 2019-06-06 | 2019-06-06 | 一种基于信息融合的串联电池组soc估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110146823A true CN110146823A (zh) | 2019-08-20 |
Family
ID=67590754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492563.XA Withdrawn CN110146823A (zh) | 2019-06-06 | 2019-06-06 | 一种基于信息融合的串联电池组soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146823A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN113900026A (zh) * | 2021-09-23 | 2022-01-07 | 盐城工业职业技术学院 | 一种环艺割草机电池组荷电状态预估方法 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114156567A (zh) * | 2021-11-19 | 2022-03-08 | 同济大学 | 一种基于机器学习的动力电池热管理系统 |
CN114200308A (zh) * | 2021-12-03 | 2022-03-18 | 西安理工大学 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
CN115144756A (zh) * | 2022-06-27 | 2022-10-04 | 深圳市冰旭科技有限公司 | 一种基于5gnb-iot技术的新能源安全预警管理系统及方法 |
CN116298933A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种串联电池组的soc估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
US20150239364A1 (en) * | 2014-02-21 | 2015-08-27 | GM Global Technology Operations LLC | System and method of monitoring a performance level of a battery |
CN107247235A (zh) * | 2017-05-19 | 2017-10-13 | 江苏大学 | 一种考虑并联电池差异的电池组容量估算方法 |
CN105607009B (zh) * | 2016-02-01 | 2018-05-01 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
US20180143258A1 (en) * | 2016-11-23 | 2018-05-24 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating battery state |
CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
WO2019050279A1 (ko) * | 2017-09-06 | 2019-03-14 | 주식회사 민테크 | 배터리 재사용 수명 진단 방법 |
-
2019
- 2019-06-06 CN CN201910492563.XA patent/CN110146823A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
US20150239364A1 (en) * | 2014-02-21 | 2015-08-27 | GM Global Technology Operations LLC | System and method of monitoring a performance level of a battery |
CN105607009B (zh) * | 2016-02-01 | 2018-05-01 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
US20180143258A1 (en) * | 2016-11-23 | 2018-05-24 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating battery state |
CN107247235A (zh) * | 2017-05-19 | 2017-10-13 | 江苏大学 | 一种考虑并联电池差异的电池组容量估算方法 |
WO2019050279A1 (ko) * | 2017-09-06 | 2019-03-14 | 주식회사 민테크 | 배터리 재사용 수명 진단 방법 |
CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
Non-Patent Citations (2)
Title |
---|
YUEJIU ZHENG等: "Cell state-of-charge inconsistency estimation for LiFePO4 battery pack in hybrid electric vehicles using mean-difference model", 《APPLIED ENERGY》 * |
张利等: "锂离子电池SOC与模型参数联合估算研究", 《电子测量与仪器学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN111220920B (zh) * | 2019-11-22 | 2023-04-25 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN113900026A (zh) * | 2021-09-23 | 2022-01-07 | 盐城工业职业技术学院 | 一种环艺割草机电池组荷电状态预估方法 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN113960476B (zh) * | 2021-09-23 | 2023-10-17 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114156567A (zh) * | 2021-11-19 | 2022-03-08 | 同济大学 | 一种基于机器学习的动力电池热管理系统 |
CN114156567B (zh) * | 2021-11-19 | 2024-03-26 | 同济大学 | 一种基于机器学习的动力电池热管理系统 |
CN114200308A (zh) * | 2021-12-03 | 2022-03-18 | 西安理工大学 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
CN114200308B (zh) * | 2021-12-03 | 2024-03-15 | 西安理工大学 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
CN115144756A (zh) * | 2022-06-27 | 2022-10-04 | 深圳市冰旭科技有限公司 | 一种基于5gnb-iot技术的新能源安全预警管理系统及方法 |
CN116298933A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种串联电池组的soc估计方法 |
CN116298933B (zh) * | 2023-05-18 | 2023-08-08 | 西南交通大学 | 一种串联电池组的soc估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146823A (zh) | 一种基于信息融合的串联电池组soc估计方法 | |
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
Meng et al. | An overview and comparison of online implementable SOC estimation methods for lithium-ion battery | |
Li et al. | Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries | |
EP3109656B1 (en) | Method and apparatus for estimating state of battery | |
CN104267354B (zh) | 一种动力电池的峰值功率预测方法 | |
CN106443480B (zh) | 一种锂离子电池系统soc估算方法 | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN103197251B (zh) | 一种动力锂电池二阶rc等效模型的辨识方法 | |
Zhao et al. | Lithium-ion batteries state of charge prediction of electric vehicles using RNNs-CNNs neural networks | |
Cao et al. | A novel adaptive state of charge estimation method of full life cycling lithium‐ion batteries based on the multiple parameter optimization | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
CN102937704B (zh) | 一种动力电池rc等效模型的辨识方法 | |
CN102981125B (zh) | 一种基于rc等效模型的动力电池soc估计方法 | |
CN107390127A (zh) | 一种soc估算方法 | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
CN102520365B (zh) | 快速电池剩余电量估计系统及其方法 | |
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 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN107831448B (zh) | 一种并联型电池系统的荷电状态估计方法 | |
CN109061477A (zh) | 一种电池soc估算算法的验证评价方法与装置 | |
Boujoudar et al. | Lithium-ion batteries modeling and state of charge estimation using artificial neural network | |
CN104242393A (zh) | 基于动态soc估算系统的电池管理系统 | |
CN112710955B (zh) | 一种用于提高电池容量估计精度的算法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190820 |