CN110320472A - 一种用于矿用锂电池的自修正soc估计方法 - Google Patents
一种用于矿用锂电池的自修正soc估计方法 Download PDFInfo
- Publication number
- CN110320472A CN110320472A CN201910414377.4A CN201910414377A CN110320472A CN 110320472 A CN110320472 A CN 110320472A CN 201910414377 A CN201910414377 A CN 201910414377A CN 110320472 A CN110320472 A CN 110320472A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- soc
- lithium battery
- 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
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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种用于矿用锂电池的自修正SOC估计方法,根据锂电池日常充放电情况下对锂电池SOC预测进行自修正,该系统自修正是根据电池组本身的充放电状态不同,通过对于电池组模型进行修正,同时由于粒子生成的随机性使得SOC估计结果的可实现性增强;由于电池模型的通用性,对于电池模型的递归最小二乘识别方式使得模型的准确性会不断提高且不会因为放电电流变化过大而造成模型不准确。对于粒子滤波估计的SOC使得加大了对于非高斯噪声情况下SOC估计的准确性;可以解决不同电池个体特性不同而SOC预测差异的不准确估计现象,减少随着充放电状态的变化,最终有效的增强矿用锂电池的稳定性和安全性。
Description
技术领域
本发明涉及一种锂电池SOC估计方法,具体是一种用于矿用锂电池的自修正SOC估计方法。
背景技术
电池是设备动力的供应部分,各种电子设备、检测设备以及通信系统的正常通信等都要依靠电力来维持,日常生活生产中是否可以为需电设备及时提供电力,维持其安全稳定的运行与电源的选择和管理有密切联系。近些年,随着锂电池技术的不断发展,锂电池与其他蓄电池相比,具有体积小、质量轻、高能量密度等优点,备受各生产企业、煤矿用户的青睐。随着对锂离子电池研究的不断深入,通过在正负极材料、添加剂、粘结剂、掺杂和包覆、电解液配方以及工艺等方面的持续研究,单体锂离子电池在能量密度、功率特性、安全性、寿命等方面的性能得到显著的提高,电池的温度适用范围也得到了拓展。尤其是正极材料的技术不断取得进展,先后出现了磷酸钴锂、磷酸锰锂和磷酸铁锂等多种类型的锂离子电池。磷酸铁锂材料以其较高的克容量,稳定的充放电平台,良好的安全性能,较好的低温性能以及良好的循环寿命,目前已在动力电池和备用电源领域广泛应用。井下监测通讯设备大都采用内部放置或者外接蓄电池作为后备电源。在使用过程中,一般为了达到电压等级和能量等级的要求,需要多节磷酸铁锂电池串并联使用,在使用过程中,过充电、过放电和温度过高都会影响其使用寿命和性能,因此,需要对由多个锂离子电池单体串联构成的矿用锂离子电池组电源进行电源管理,实际应用在矿用监控设备(如信号采集装置等)供电电源的电源管理系统几乎没有或不完善,使得供电电源供电电压不稳定,容量损耗大,过充、过放等,这严重影响安全性和使用寿命。
锂离子电池的状态参数估计为一个笼统的概念,其包括许多具体参数:如电荷状态(SOC,State OfCharge)、放电深度(DOD,Depth OfDischarge)、健康状态(SOH,State OfHealth)、功能状态(SOF,State OfFunction)、能量状态(SOE,State OfEnergy)、故障及安全状态(SOS,State OfSafety)等。其中最重要的估计参数为电荷状态SOC。电池的电荷状态(SOC)是指电池可以释放出来的所有电量与其在满电荷状态下能够放出的能量的比值。将一次充放电计为一个周期或一次循环,随着充放电次数的增加,锂离子电池内部发生的化学反应会导致电池极性、电解液和隔膜等的消耗,导致电池内阻增大等变化从而造成电池容量发生不可逆的衰减退化,从而影响了电池的实际容量。随着电池容量的不断衰减,对于锂离子电池的许多应用而言,锂离子电池在完全充电状态下,实际容量下降至额定容量的70%~80%时视为失效。在电池的使用过程中适时的了解电池的健康状态,提前获知其实际容量信息以指导电池的运行维护,并对老化的电池做以更换,才能保障电池组的正常工作,进而减少损失,对预防安全事故具有重要意义。因此如何根据锂电源的状态调整相应锂电池管理策略并对锂电源的电荷状态进行修正,进而有效增强矿用锂电池的稳定性和安全性,是本行业的研究方向。
发明内容
针对上述现有技术存在的问题,本发明提供一种用于矿用锂电池的自修正SOC估计方法,能实时根据锂电池的放电情况对SOC进行修正,从而使得出的SOC估计值尽可能接近真实状态,有效增强矿用锂电池的稳定性和安全性。
为了实现上述目的,本发明采用的技术方案是:一种用于矿用锂电池的自修正SOC估计方法,具体步骤为:
A、根据锂电池的出厂测试数据绘制对应的SOC-OCV的曲线,所述出厂测试数据为测试不同电荷状态下的对应开路电压值及对应的欧姆内阻值;
B、预先设定矿用锂电池的等效电路模型,然后根据得出的SOC-OCV的曲线和欧姆内阻值对设定的等效电路模型进行初步参数辨识,等效电路模型为已知带修正电量系数的改进二阶RC环路,并根据matlab编程的RLS方式调整等效电路模型的各个参数;
C、在矿用锂电池进行放电过程中实时检测锂电池的端电压值和放电电流值,然后将实时检测的端电压值和放电电流值反馈代入步骤B得出的等效电路模型进行动态参数辨识,进而使等效电路模型根据实时检测的数据对各个参数进行修正;
D、根据修正的等效电路模型、当前测得的放电电流值及端电压值,采用改进后的粒子滤波算法对锂电池的SOC进行估计,具体过程为:
根据修正的等效电路模型确定其系统观测方程和系统状态方程,
设x(k)=[SOC(k) U1(k) U2(k)]T,则
设:
τ1=R1*C1,τ2=R2*C2,R1、R2、C1、C2为两个RC环路对应的电阻电容值,η为充放电效率常数,T为数据采样频率;
并选择过程噪声Ek,最终得到系统状态方程为:
Xk=Ak-1+Bk-1Ik-1+Ek-1
将观测方程加上系统观测噪声V(k)后,最终得出系统观测方程为:
Uk=Uoc(SOCk)-U1(k)-U2(k)-R0*I(k)+V(k)
Uoc为与SOC有关的开路电压(即二阶电路中的电量修正部分),U1为第一个RC环路的电压,U2为第二个RC环路的电压,R0为欧姆内阻;
采用粒子群优化算法对粒子滤波算法进行优化估计SOC,具体为:
①初始化粒子参数:粒子个数、初始粒子集合粒子权重数值噪声方差为设定值,噪声方差为根据实际噪声的估计值,并根据实际情况进行修改;
②对粒子滤波算法进行优化:设当前时刻为A时刻,以上一时刻(即A-1时刻)的SOC估计为均值的均匀分布并进行采样成该时刻的粒子集合同步更新系统的状态方程中各个状态值,通过观测方程计算出对应观测值,从而更新粒子权重数值
③根据更新后的粒子集合和粒子权重数值将粒子权重进行重新配比后输出新的粒子;
④重采样:先对粒子进行重采样判断,计算有效权重粒子个数设Ns为预先设定的有效粒子数的阈值,初始值为2/3*N,通过Neff”Ns判断是否重采样,当Neff<Ns时,表明有效粒子数不够,进行重采样,采用粒子群优化算法进行重采样,更新粒子群粒子最优和群体最优,得到的群体最优即为最后输出的最优粒子,输出
⑤继续获取下一时刻的放电电流值及端电压值,并将获取的数值重复步骤②至④;如此循环,直至无放电电流值及端电压值输入后,循环结束则估计方法完成。
进一步,所述采用粒子群优化算法进行重采样的具体过程为:首先确定最大迭代次数,以及将粒子的权值方程设置为适应度函数,初始化粒子速度和粒子位置,计算粒子函数值,确定Pbest、Gbest的值,利用如下式
式中,ω为惯性因子,取值范围为0到1;ω的大小关系到粒子搜索的范围,通常ω越大粒子搜索范围越大;c1和c2为非负的加速常数,形容迭代过程中粒子的步长,一般取值为2;r1和r2为服从均匀分布的两个随机数,取值为0到1;
利用上式对粒子进行更新,对于更新后的粒子群求解函数值、Pbest值、Gbest值,待运行到设定误差或迭代最大次数后,停止计算并输出结果,得到新的估计值为当前时刻的SOC估计数值。
与现有技术相比,本发明根据锂电池日常充放电情况下对锂电池SOC预测进行自修正,SOC随着实时自修正的方式,可以解决不同电池个体特性不同而SOC预测差异的不准确估计现象,减少随着充放电状态的变化,充放电次数增加发生的传感器测量误差以及模型计算误差的累计叠加效果。该系统自修正是根据电池组本身的充放电状态不同,通过对于电池组模型进行修正,同时由于粒子生成的随机性使得SOC估计结果的可实现性增强;由于电池模型的通用性,对于电池模型的递归最小二乘识别方式使得模型的准确性会不断提高且不会因为放电电流变化过大而造成模型不准确。对于粒子滤波估计的SOC使得加大了对于非高斯噪声情况下SOC估计的准确性;最终有效的增强矿用锂电池的稳定性和安全性。
附图说明
图1是本发明的SOC自修正整体流程图;
图2是本发明中粒子滤波算法对SOC的估计流程图。
具体实施方式
下面将对本发明做进一步说明。
一种用于矿用锂电池的自修正SOC估计方法,具体步骤为:
A、根据锂电池的出厂测试数据绘制对应的SOC-OCV的曲线,所述出厂测试数据为测试不同电荷状态下的对应开路电压值及对应的欧姆内阻值;
B、预先设定矿用锂电池的等效电路模型,然后根据得出的SOC-OCV的曲线和欧姆内阻值对设定的等效电路模型进行初步参数辨识,等效电路模型为已知带修正电量系数的改进二阶RC环路,并根据matlab编程的RLS方式调整等效电路模型的各个参数;
C、在矿用锂电池进行放电过程中实时检测锂电池的端电压值和放电电流值,然后将实时检测的端电压值和放电电流值反馈代入步骤B得出的等效电路模型进行动态参数辨识,进而使等效电路模型根据实时检测的数据对各个参数进行修正;
D、根据修正的等效电路模型、当前测得的放电电流值及端电压值,采用改进后的粒子滤波算法对锂电池的SOC进行估计,具体过程为:
根据修正的等效电路模型确定其系统观测方程和系统状态方程,
设x(k)=[SOC(k) U1(k) U2(k)]T,则
设:
τ1=R1*C1,τ2=R2*C2,R1、R2、C1、C2为两个RC环路对应的电阻电容值,η为充放电效率常数,T为数据采样频率;
并选择过程噪声Ek,最终得到系统状态方程为:
Xk=Ak-1+Bk-1Ik-1+Ek-1
将观测方程加上系统观测噪声V(k)后,最终得出系统观测方程为:
Uk=Uoc(SOCk)-U1(k)-U2(k)-R0*I(k)+V(k)
Uoc为与SOC有关的开路电压(即二阶电路中的电量修正部分),U1为第一个RC环路的电压,U2为第二个RC环路的电压,R0为欧姆内阻;
采用粒子群优化算法对粒子滤波算法进行优化估计SOC,具体为:
②初始化粒子参数:粒子个数、初始粒子集合粒子权重数值噪声方差为设定值,噪声方差为根据实际噪声的估计值,并根据实际情况进行修改;
②对粒子滤波算法进行优化:设当前时刻为A时刻,以上一时刻(即A-1时刻)的SOC估计为均值的均匀分布并进行采样成该时刻的粒子集合同步更新系统的状态方程中各个状态值,通过观测方程计算出对应观测值,从而更新粒子权重数值
③根据更新后的粒子集合和粒子权重数值将粒子权重进行重新配比后输出新的粒子;
④重采样:先对粒子进行重采样判断,计算有效权重粒子个数设Ns为预先设定的有效粒子数的阈值,初始值为2/3*N,通过Neff”Ns判断是否重采样,当Neff<Ns时,表明有效粒子数不够,进行重采样,采用粒子群优化算法进行重采样,更新粒子群粒子最优和群体最优,得到的群体最优即为最后输出的最优粒子,输出相比于普通粒子滤波,使用粒子群优化算法(即PSO)进行重采样可以减少普通粒子滤波的粒子数目,提高实时性;此外如果粒子数目过小系统鲁棒性会降低易受到粒子贫乏现象的影响,尤其是在观测量较准确或似然概率位于先验概率尾部的情况下,普通粒子滤波的预估性能很差。使用粒子群优化算法将采样分布向后验概率较高的区域移动,避免了粒子贫乏现象的产生同时提高状态预估精度。此外,由于锂电池在使用前的静置时间未知,由于电池的自放电现象使得电池的初始电量会改变,PSOPF可以解决系统初始状态未知情况下的预估问题,明显降低所需粒子数,提高系统鲁棒性。
⑤继续获取下一时刻的放电电流值及端电压值,并将获取的数值重复步骤②至④;如此循环,直至无放电电流值及端电压值输入后,循环结束则估计方法完成。
进一步,所述采用粒子群优化算法进行重采样的具体过程为:首先确定最大迭代次数,以及将粒子的权值方程设置为适应度函数,初始化粒子速度和粒子位置,计算粒子函数值,确定Pbest、Gbest的值,利用如下式
式中,ω为惯性因子,取值范围为0到1;ω的大小关系到粒子搜索的范围,通常ω越大粒子搜索范围越大;c1和c2为非负的加速常数,形容迭代过程中粒子的步长,一般取值为2;r1和r2为服从均匀分布的两个随机数,取值为0到1;
利用上式对粒子进行更新,对于更新后的粒子群求解函数值、Pbest值、Gbest值,待运行到设定误差或迭代最大次数后,停止计算并输出结果,得到新的估计值为当前时刻的SOC估计数值。
Claims (2)
1.一种用于矿用锂电池的自修正SOC估计方法,其特征在于,具体步骤为:
A、根据锂电池的出厂测试数据绘制对应的SOC-OCV的曲线,所述出厂测试数据为测试不同电荷状态下的对应开路电压值及对应的欧姆内阻值;
B、预先设定矿用锂电池的等效电路模型,然后根据得出的SOC-OCV的曲线和欧姆内阻值对设定的等效电路模型进行初步参数辨识,等效电路模型为已知带修正电量系数的改进二阶RC环路,并根据matlab编程的RLS方式调整等效电路模型的各个参数;
C、在矿用锂电池进行放电过程中实时检测锂电池的端电压值和放电电流值,然后将实时检测的端电压值和放电电流值反馈代入步骤B得出的等效电路模型进行动态参数辨识,进而使等效电路模型根据实时检测的数据对各个参数进行修正;
D、根据修正的等效电路模型、当前测得的放电电流值及端电压值,采用改进后的粒子滤波算法对锂电池的SOC进行估计,具体过程为:
根据修正的等效电路模型确定其系统观测方程和系统状态方程,
设x(k)=[SOC(k) U1(k) U2(k)]T,则
设:
τ1=R1*C1,τ2=R2*C2,R1、R2、C1、C2为两个RC环路对应的电阻电容值,η为充放电效率常数,T为数据采样频率;
并选择过程噪声Ek,最终得到系统状态方程为:
Xk=Ak-1+Bk-1Ik-1+Ek-1
将观测方程加上系统观测噪声V(k)后,最终得出系统观测方程为:
Uk=Uoc(SOCk)-U1(k)-U2(k)-R0*I(k)+V(k)
Uoc为与SOC有关的开路电压,U1为第一个RC环路的电压,U2为第二个RC环路的电压,R0为欧姆内阻;
采用粒子群优化算法对粒子滤波算法进行优化估计SOC,具体为:
①初始化粒子参数:粒子个数、初始粒子集合粒子权重数值噪声方差为设定值;
②对粒子滤波算法进行优化:设当前时刻为A时刻,以上一时刻的SOC估计为均值的均匀分布并进行采样成该时刻的粒子集合同步更新系统的状态方程中各个状态值,通过观测方程计算出对应观测值,从而更新粒子权重数值
③根据更新后的粒子集合和粒子权重数值将粒子权重进行重新配比后输出新的粒子;
④重采样:先对粒子进行重采样判断,计算有效权重粒子个数设Ns为预先设定的有效粒子数的阈值,通过Neff,,Ns判断是否重采样,当Neff<Ns时,表明有效粒子数不够,进行重采样,采用粒子群优化算法进行重采样,更新粒子群粒子最优和群体最优,得到的群体最优即为最后输出的最优粒子,输出
⑤继续获取下一时刻的放电电流值及端电压值,并将获取的数值重复步骤②至④;如此循环,直至无放电电流值及端电压值输入后,循环结束则估计方法完成。
2.根据权利要求1所述的一种用于矿用锂电池的自修正SOC估计方法,其特征在于,所述采用粒子群优化算法进行重采样的具体过程为:首先确定最大迭代次数,以及将粒子的权值方程设置为适应度函数,初始化粒子速度和粒子位置,计算粒子函数值,确定Pbest、Gbest的值,利用如下式
式中,ω为惯性因子,取值范围为0到1;c1和c2为非负的加速常数,形容迭代过程中粒子的步长;r1和r2为服从均匀分布的两个随机数,取值为0到1;
利用上式对粒子进行更新,对于更新后的粒子群求解函数值、Pbest值、Gbest值,待运行到设定误差或迭代最大次数后,停止计算并输出结果,得到新的估计值为当前时刻的SOC估计数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414377.4A CN110320472B (zh) | 2019-05-17 | 2019-05-17 | 一种用于矿用锂电池的自修正soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414377.4A CN110320472B (zh) | 2019-05-17 | 2019-05-17 | 一种用于矿用锂电池的自修正soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320472A true CN110320472A (zh) | 2019-10-11 |
CN110320472B CN110320472B (zh) | 2021-06-01 |
Family
ID=68113176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910414377.4A Active CN110320472B (zh) | 2019-05-17 | 2019-05-17 | 一种用于矿用锂电池的自修正soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320472B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983479A (zh) * | 2020-08-04 | 2020-11-24 | 珠海迈巨微电子有限责任公司 | 电池物理模型实时建立方法、更新方法及电池监控设备 |
CN112098846A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
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 |
CN113740745A (zh) * | 2020-05-29 | 2021-12-03 | 北京金风科创风电设备有限公司 | 电池检测方法、装置、介质及系统 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472398A (zh) * | 2013-08-19 | 2013-12-25 | 南京航空航天大学 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
CN103487047A (zh) * | 2013-08-06 | 2014-01-01 | 重庆邮电大学 | 一种基于改进粒子滤波的移动机器人定位方法 |
US20140210418A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating State of Charge for Lithium-Ion Batteries |
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
CN104574442A (zh) * | 2015-01-14 | 2015-04-29 | 南京邮电大学 | 自适应粒子群优化粒子滤波运动目标跟踪方法 |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106354964A (zh) * | 2016-09-08 | 2017-01-25 | 厦门理工学院 | 电动汽车用锂离子电容器荷电状态估计方法 |
CN106600624A (zh) * | 2016-12-06 | 2017-04-26 | 昆山鲲鹏无人机科技有限公司 | 基于粒子群的粒子滤波视频目标跟踪方法 |
CN107367698A (zh) * | 2017-08-25 | 2017-11-21 | 北京交通大学 | 电动汽车锂电池组的健康状态预测方法 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN109061508A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种电动汽车锂电池soh的估计方法 |
CN109164392A (zh) * | 2018-08-22 | 2019-01-08 | 清华大学深圳研究生院 | 一种动力电池的soc估算方法 |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
CN109596984A (zh) * | 2018-12-12 | 2019-04-09 | 上海电力学院 | 一种基于粒子滤波算法的电池荷电状态的估计方法 |
US10895602B2 (en) * | 2018-01-30 | 2021-01-19 | Primearth Ev Energy Co., Ltd. | Battery assembly state estimation device and battery assembly state estimation method |
-
2019
- 2019-05-17 CN CN201910414377.4A patent/CN110320472B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140210418A1 (en) * | 2013-01-29 | 2014-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for Estimating State of Charge for Lithium-Ion Batteries |
CN103487047A (zh) * | 2013-08-06 | 2014-01-01 | 重庆邮电大学 | 一种基于改进粒子滤波的移动机器人定位方法 |
CN103472398A (zh) * | 2013-08-19 | 2013-12-25 | 南京航空航天大学 | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
CN104574442A (zh) * | 2015-01-14 | 2015-04-29 | 南京邮电大学 | 自适应粒子群优化粒子滤波运动目标跟踪方法 |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106354964A (zh) * | 2016-09-08 | 2017-01-25 | 厦门理工学院 | 电动汽车用锂离子电容器荷电状态估计方法 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN106600624A (zh) * | 2016-12-06 | 2017-04-26 | 昆山鲲鹏无人机科技有限公司 | 基于粒子群的粒子滤波视频目标跟踪方法 |
CN107367698A (zh) * | 2017-08-25 | 2017-11-21 | 北京交通大学 | 电动汽车锂电池组的健康状态预测方法 |
US10895602B2 (en) * | 2018-01-30 | 2021-01-19 | Primearth Ev Energy Co., Ltd. | Battery assembly state estimation device and battery assembly state estimation method |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
CN109164392A (zh) * | 2018-08-22 | 2019-01-08 | 清华大学深圳研究生院 | 一种动力电池的soc估算方法 |
CN109061508A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种电动汽车锂电池soh的估计方法 |
CN109596984A (zh) * | 2018-12-12 | 2019-04-09 | 上海电力学院 | 一种基于粒子滤波算法的电池荷电状态的估计方法 |
Non-Patent Citations (3)
Title |
---|
SAI SHAO ET.AL: "On-line estimation of state-of-charge of Li-ion batteries in electric vehicle using the resampling particle filter", 《TRANSPORTATION RESEARCH》 * |
吴兰花 等: "一种基于优化粒子滤波的锂电池SOC估计算法", 《福州大学学报(自然科学版)》 * |
龚蒋: "矿用锂电源管理系统及检测平台设计研究", 《万方学位论文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740745A (zh) * | 2020-05-29 | 2021-12-03 | 北京金风科创风电设备有限公司 | 电池检测方法、装置、介质及系统 |
CN111983479A (zh) * | 2020-08-04 | 2020-11-24 | 珠海迈巨微电子有限责任公司 | 电池物理模型实时建立方法、更新方法及电池监控设备 |
CN112098846A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
CN112098846B (zh) * | 2020-08-17 | 2021-10-22 | 四川大学 | 一种退役动力锂电池的混合建模方法 |
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 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110320472B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN110320472A (zh) | 一种用于矿用锂电池的自修正soc估计方法 | |
CN110061531B (zh) | 储能电池的均衡方法 | |
EP2762907B1 (en) | Apparatus and method for estimating state of charge of battery | |
CN102074757B (zh) | 一种锂离子电池荷电状态的估算方法 | |
CN204269787U (zh) | 一种锂离子电池低温性能一致性的检测系统 | |
CN104051810B (zh) | 一种锂离子储能电池系统soc估算快速修正方法 | |
CN105759213A (zh) | 一种测量蓄电池剩余容量soc的方法 | |
CN111239629B (zh) | 一种退役锂电池的梯次利用状态区间划分方法 | |
CN112684356B (zh) | 一种锂离子电池的循环测试方法 | |
CN101458310A (zh) | 一种电池一致性的评价方法 | |
CN111257770B (zh) | 一种电池包功率估算方法 | |
CN111366863B (zh) | 一种基于低温循环的锂离子电池寿命加速预判方法 | |
CN107618397A (zh) | 电池管理系统 | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
WO2023159708A1 (zh) | 一种电池常带电自保养的控制方法及常带电自保养的电池 | |
CN117154268B (zh) | 一种基于水系钠离子储能电池柜的soc校正方法、装置、设备及存储介质 | |
CN108732499A (zh) | 一种检测锂离子电池循环寿命的方法和系统 | |
CN112485673A (zh) | 一种基于动态多安全约束的电池充放电峰值功率预测方法 | |
Zhang et al. | An improved Peukert battery model of nonlinear capacity considering temperature effect | |
Chen et al. | Performance of inconsistency in lithium-ion battery packs for battery energy storage systems | |
CN112649734A (zh) | 基于改进pngv模型和扩展卡尔曼算法的soc估算方法 | |
Wang et al. | SOC Estimation of Lithium-ion Batteries Based on Extended Kalman Filter | |
Sinkaram et al. | Capacity study of lithium ion battery for hybrid electrical vehicle (HEV) a simulation approach | |
Somakettarin et al. | An experimental study on modeling of transient response and parameters identification for Mn-type Li-Ion battery with temperature dependency |
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 |