CN110579714A - 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 - Google Patents
一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 Download PDFInfo
- Publication number
- CN110579714A CN110579714A CN201910680177.3A CN201910680177A CN110579714A CN 110579714 A CN110579714 A CN 110579714A CN 201910680177 A CN201910680177 A CN 201910680177A CN 110579714 A CN110579714 A CN 110579714A
- Authority
- CN
- China
- Prior art keywords
- battery
- bas
- elmannn
- soc
- algorithm
- 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
-
- 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
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于动力电池管理系统领域,尤其涉及一种基于BAS优化ElmanNN‑AH法电池SOC双态切换算法。本发明采用BAS算法对ElmanNN中的权值进行优化,并依据ElmanNN与修正安时法切换的方法,对于不同电池状态切换不同的估计算法。消除了安时积分法初始SOC难测量和误差累计的缺点,同时减少了神经网络的训练数据和训练次数,减轻了工作量。
Description
技术领域
本发明属于动力电池管理系统领域,尤其涉及一种基于BAS优化 ElmanNN-AH法电池SOC双态切换算法。
背景技术
荷电状态(State of Charge,SOC)是动力电池管理系统中最为重要的参数。但由于化学电池内部复杂,该参数无法直接测得,只能依据模型或相应的算法估计得到。
目前,SOC的估计方法有很多种,但各种单一方法都是优点与缺陷并存。开路电压法测得的SOC十分接近电动势,因此可以作为电池 SOC标准。但是,测量时要使电池静置一段时间,无法在工作中使用;安时积分法计算简单,但是其估计精度依赖于初始SOC值和累积误差的大小;内阻法测量精度高,并且SOC与内阻关系密切,但是电池内阻的测量过于困难;数学模型和等效电路估计法,通过稳态试验获得模型参数与变量之间的函数关系,因此函数关系固定,很难反应电池工作中的动态特性;基于神经网络的模型估计方法是目前的热点,有无需具体数学模型、自学习能力强等优点,但是也存在样本数据对模型影响较大、易陷入局部最优、训练时间长等缺点。
发明内容
为了解决现有技术SOC的估计误差大、估计工作量大的问题,本发明提供一种更为精确的SOC的估计算法,即采用BAS算法对ElmanNN 中的权值进行优化,并依据ElmanNN与修正安时法切换的方法,对于不同电池状态切换不同的估计算法,这样的切换模式估计算法有效提高SOC估计精度。
本发明基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,包括以下步骤:
步骤1依据动力电池OCV实况采集到的开路电压判断电池状态;
步骤2当开路电压Uoc满足3V<Uoc<3.4V时,采用模式一的算法;当电池开路电压3V≥Uoc或Uoc≥3.4V时,采用模式二的算法。
所述模式一包括以下步骤:
步骤1.1采集数据:电池端电压、电流倍率、环境温度进行采、电池的循环次数、出厂时间;
步骤1.2将采集数据代入BAS算法优化的ElmanNN的S模型算出电池SOC值。
所述BAS算法优化的ElmanNN的S模型的步骤为:
步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值;
步骤1.12将得到的最优初始权阈值应用到已经设定好的
ElmanNN中。
所述模式二包括以下步骤:
步骤2.1判断前一刻是否为工作状态;
步骤2.2若否,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用OCV法准确测量SOC值;若是,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用修正安时积分法进行估算。
所述修正安时积分法引入寿命因素γ、温度因素CT及效率因素η对安时积分法进行修正,其修正后的公式为:
其中,
通过采用BAS优化ElmanNN-AH法电池SOC双态切换算法,最有益之处为消除了安时积分法初始SOC难测量和误差累计的缺点,同时减少了ElmanNN-AH训练数据和训练次数,减轻了工作量;此外BAS 优化算法因没有过多参数需要调整、易实现、精度高、收敛快等优点,在优化ElmanNN最优权值过程中,解决了传统ElmanNN稳定性差且随机初始化易陷入局部最优的问题。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明基于BAS优化ElmanNN-AH法电池SOC双态切换算法方法实施的流程图;
图2为本发明动力电池放电OCV-SOC曲线示意图;
图3为本发明ElamnNN拓扑结构示意图;
图4为本发明BAS算法优化ElmanNN流程示意图;
具体实施方式
本发明基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,包括以下步骤:
步骤1、依据动力电池OCV实况采集到的开路电压判断电池状态。动力电池电压采集模块采集电池端电压,虽然测得的是电池端电压,与电池开路电压之间会有一个电池内阻与电压乘积的一个压差,但是由于电池内阻过小,对电压测量影响不是太大。因此,我们认为测得的就是开路电压。
步骤2、当开路电压Uoc满足3V<Uoc<3.4V时,采用模式一的算法。当电池开路电压3V≥Uoc或Uoc≥3.4V时,采用模式二的算法。
【实施例一】
所述模式一包括以下步骤:
步骤1.1采集数据:电池端电压、电流倍率、环境温度进行采、电池的循环次数、出厂时间;
步骤1.2将采集数据代入BAS算法优化的ElmanNN的S模型算出电池SOC值。
所述BAS算法优化的ElmanNN的S模型的步骤为:
步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值;
步骤1.12将得到的最优初始权阈值应用到已经设定好的 ElmanNN中。
进一步的,模式一:基于BAS算法优化的ElmanNN模型在线估计SOC的具体流程为:
1.ElmanNN的构建
ElmanNN(Neural Networks)是一种典型的动态递归神经网络,它是在BP网络基本结构的基础上,在隐含层增加一个承接层,作为一步延时算子,达到记忆的目的。
网络拓扑结构如图3所示,其中网络拓扑结构为:
(1)输入层参数:端电压、电流倍率、温度、循环次数、出厂时间;
(2)隐藏层参数:采用试凑法确定隐节点数的大致范围,并通过实验对比,确定最终最优的隐含层节点数;
(3)承接层参数:作为延迟算子记忆隐层前一时刻的历史输出值,内部反馈网络的加入增加了网络本身处理动态信息的能力;
(4)输出层参数:电池SOC;
而神经网络中隐含层激活函数:代价函数:
具体网络训练过程中前向传播过程为:
首先因为输入参数范围差别较大,需要先对输入参数进行归一化处理;输入层到隐含层承接层到输入层隐含层的接收
ElmanNN在训练中,反复输入参数,反复计算代价函数,并采用梯度下降反向传播更迭各层网络的权值和阈值,最终实现网络训练。
在使用阶段,输入相应参数,得到输出SOC:
2.BAS算法
BAS(天牛须搜索算法)算法是一种基于天牛觅食原理的适用于多目标函数优化的新算法。
建模过程如下:
(1)创建天牛须朝向的随机向量且做归一化处理
式中:rands()为随机函数;n表示空间维度。
(2)创建天牛左右须空间坐标
式中:xrt表示天牛右须在第t次迭代时的位置坐标;xlt表示天牛左须在第t次迭代时的位置坐标;xt表示天牛在第t次迭代时的质心坐标;d0表示两须之间的距离。
(3)根据适应度函数判断左右须气味强度,
即f(xl)和f(xr)的强度,f(x)函数为适应度函数。
(4)迭代更新天牛的位置
式中:δt表示在第t次迭代时的步长因子
3.BAS算法优化ElmanNN
BAS算法优化ElmanNN算法,即用BAS算法寻找ElmanNN的最优初始权阈值,并将其应用到已经设定好的网络中,从而构造出最终的训练模型。构建过程如下:
(1)创建天牛须朝向的随机向量,定义空间维度k,设模型结构为M-N-1,M为输入层神经元个数,N为隐含层神经元个数,输出层神经元个数为1,则搜索空间维度k=M·N+N·1+N+1
(2)步长因子δ可以用来控制天牛的区域搜索能力,初始步长应尽可能的大,使之足以覆盖当前的搜索区域而不至于陷入局部极小,本专利采用线性递减权值以保证搜索的精细化,即:
δt+1=δt·λ
式中:λ取[0,1]之间靠近1的数,本文中λ=0.94
(3)适应度函数以测试数据的均方根误差MSE作为适应度评价函数,用于推进对空间区域的搜索。函数为:
式中:N为训练集样本数;tsim(i)为第i个样本的模型输出值;yi为第i个样本的实际值。因此,算法迭代停止时适应度函数值最小的位置即为问题所求的最优解。
(4)初始天牛参数取[-0.5,0.5]之间的随机数作为天牛须算法的初始解集,即天牛的初始位置,并将其保存在bestX中。
(5)根据适应度函数计算在初始位置时的适应度函数值,保存在bestY中。
(6)解的更新依BAS中的左右须位置,分别求左右须的适应度函数值f(xl)和f(xr),比较其强度并更新天牛位置,即调整ElmanNN 的权、阈值,并计算在当前位置下的适应度函数值。若此时的适应度函数值优于bestY,更新bestY,bestX。
(7)迭代是否停止判断适应度函数值是否达到设定的精度 (1×10-3)或迭代进行到最大次数,否则继续迭代。
(8)算法停止迭代时,bestX中的解为训练的最优解,即ElmanNN 的最优初始权阈值。将上述最优解带入ElmanNN中进行二次训练学习,最终形成BAS-Elman预测模型。
本专利选相对误差和决定系数两个评价指标来评价模型的性能,其公式如下:
式中:为第i个样本的预测值;yi(i=1,2,...,n)为第i个样本的真实值;n为样品数目;且相对误差越小,表明模型性能越好;决定系数范围在[0,1]内,愈接近于1,表明模型性能愈好,反之,愈趋近于0,表明模型性能愈差。
这样便运用BAS优化了ElmanNN的综合性能,加快模型收敛速度,减少模型训练时间。
ElmanNN模型的最大优点就是摆脱了非线性问题数学建模的复杂性,只要有合适的ElmanNN拓扑结构和适当的训练,就能实现高精度的估计。但由于训练数据量巨大,因此只取平台期的数据对网络进行训练,减小工作量。修正安时积分法是电池SOC预估的基本方法,算法简单可靠。但是,难以测量初始SOC值和误差的累计限制了该方法的准确性。因此,与ElmanNN结合的双态切换法在平台期内可准确测得SOC值,在切换发生时,初始SOC就是前一时刻平台期的SOC,不用再进行测量,而且数值准确;误差累积与积分时间相关,因此,采取修正安时法在电压爬坡期而不是整个区间,减少了积分时间,同时也减少误差累计。
【实施例二】
所述模式二包括以下步骤:
步骤2.1判断前一刻是否为工作状态;
步骤2.2若否,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用OCV法准确测量SOC值;若是,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用修正安时积分法进行估算。
所述修正安时积分法引入寿命因素γ、温度因素CT及效率因素η对安时积分法进行修正。
进一步的模式二:基于修正安时积分法在线估计SOC
当实测端电压估算出的OCV值处于爬坡区时,SOC估计策略切换成修正安时积分法。
安时积分法定义式:
基于安时计量法对SOC的计算,主要有影响因素如:SOC初值的确定,寿命因素,温度因素,效率因素等。
因为安时积分法是解决时间段内电量变化,而剩余电量依赖于SOC初值,而安时积分法无法直接计算出初始SOC。当电池从未工作状态切换到工作状态时,长时间静止未放电的电池可以采用OCV法准确测量SOC值;
寿命因素γ。由于化学电池内部活性物的化学反应,无论电池是否使用,其容量从出厂开始就一直减小。由于循环寿命和日历寿命同时存在,因此,引入老化系数修正安时积分法公式。
温度因素CT。温度会影响电池的内阻和老化程度,也同时影响离子活性从而影响实际可放电容量。根据不同温度下,对电池组总容量进行估计,获得对应的容量,从而引入温度系数修正安时积分法公式。
效率因素η。不同的放电倍率下,电池内化学能作热功占总功的比例不一样,而且热辐射会进一步改变内阻。因此,引入一个平均充放电效率修正安时积分法公式,以适用于不同充放电倍率。
综上因素考虑,修正安时积分法公式:
其中,
当模式判别完成后,只需要输入实时电流,通过时间积分,便可以准确获得电压位于充放电末期的电池SOC。
与现有技术相比,本发明基于BAS优化ElmanNN-AH法电池SOC 双态切换算法的优点为:
1.双态切换法将两种模式联合起来预估电池SOC,消除了安时积分法初始SOC难测量和误差累计的缺点,同时减少了神经网络的训练数据和训练次数,减轻了工作量;
2.双态切换法结合了神经网络法自学习能力强、非线性预估良好和修正安时积分法工作简单高效的双重优点。
3.BAS优化算法因没有过多参数需要调整、易实现、精度高、收敛快等优点,在优化ElmanNN最优权值过程中,解决了传统神经网络易陷入局部最优的问题。
4.ElmanNN动态反馈型网络能够内部反馈、存储和利用过去时刻输出信息,既可以实现静态系统的建模,还能实现动态系统的映射并直接反应系统的动态特性,在计算能力及网络稳定性方面都比传统 BP神经网络更胜一筹。
Claims (5)
1.一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,其特征在于,包括以下步骤:
步骤1依据动力电池OCV实况采集到的开路电压判断电池状态;
步骤2当开路电压Uoc满足3V<Uoc<3.4V时,采用模式一的算法;当电池开路电压3V≥Uoc或Uoc≥3.4V时,采用模式二的算法。
2.根据权利要求1所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,其特征在于:所述模式一包括以下步骤:
步骤1.1采集数据:电池端电压、电流倍率、环境温度进行采、电池的循环次数、出厂时间;
步骤1.2将采集数据代入BAS算法优化的ElmanNN的S模型算出电池SOC值。
3.根据权利要求2所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,其特征在于:所述BAS优化的ElmanNN的S模型的步骤为:
步骤1.11用BAS算法寻找ElmanNN的最优初始权阈值;
步骤1.12将得到的最优初始权阈值应用到已经设定好的ElmanNN中。
4.根据权利要求1所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,其特征在于:所述模式二包括以下步骤:
步骤2.1判断前一刻是否为工作状态;
步骤2.2若否,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用OCV法准确测量SOC值;若是,则采集数据:电池端电压、电流倍率、环境温度,将采集数据利用修正安时积分法进行估算。
5.根据权利要求4所述的一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法,其特征在于:所述修正安时积分法引入寿命因素γ、温度因素CT及效率因素η对安时积分法进行修正,其修正后的公式为:
其中,。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680177.3A CN110579714A (zh) | 2019-07-26 | 2019-07-26 | 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680177.3A CN110579714A (zh) | 2019-07-26 | 2019-07-26 | 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110579714A true CN110579714A (zh) | 2019-12-17 |
Family
ID=68810867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910680177.3A Pending CN110579714A (zh) | 2019-07-26 | 2019-07-26 | 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110579714A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN113189511A (zh) * | 2020-01-14 | 2021-07-30 | 新普科技股份有限公司 | 可判断电池芯的老化程度差异的方法及其电池芯诊断系统 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN114861879A (zh) * | 2022-05-05 | 2022-08-05 | 哈尔滨理工大学 | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102347517A (zh) * | 2011-06-29 | 2012-02-08 | 重庆长安汽车股份有限公司 | 一种寿命状态自适应型soc估算方法及系统 |
CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
CN204789949U (zh) * | 2015-07-21 | 2015-11-18 | 桂林电子科技大学 | 电动汽车动力电池soc检测装置 |
CN106501726A (zh) * | 2016-11-18 | 2017-03-15 | 新誉集团有限公司 | 电池荷电状态的估算方法、电池管理系统及soc估算方法 |
US20170363690A1 (en) * | 2016-06-15 | 2017-12-21 | Honda Motor Co., Ltd. | Device and method for estimating battery state |
CN107991623A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 一种考虑温度和老化程度的电池安时积分soc估计方法 |
CN108051756A (zh) * | 2017-12-14 | 2018-05-18 | 株洲广锐电气科技有限公司 | 蓄电池soc的估算方法、系统及存储介质 |
-
2019
- 2019-07-26 CN CN201910680177.3A patent/CN110579714A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102347517A (zh) * | 2011-06-29 | 2012-02-08 | 重庆长安汽车股份有限公司 | 一种寿命状态自适应型soc估算方法及系统 |
CN103472403A (zh) * | 2013-09-17 | 2013-12-25 | 浙江省计量科学研究院 | 一种基于pngv等效电路模型的动力电池soc复合估计方法 |
CN204789949U (zh) * | 2015-07-21 | 2015-11-18 | 桂林电子科技大学 | 电动汽车动力电池soc检测装置 |
US20170363690A1 (en) * | 2016-06-15 | 2017-12-21 | Honda Motor Co., Ltd. | Device and method for estimating battery state |
CN106501726A (zh) * | 2016-11-18 | 2017-03-15 | 新誉集团有限公司 | 电池荷电状态的估算方法、电池管理系统及soc估算方法 |
CN107991623A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 一种考虑温度和老化程度的电池安时积分soc估计方法 |
CN108051756A (zh) * | 2017-12-14 | 2018-05-18 | 株洲广锐电气科技有限公司 | 蓄电池soc的估算方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
孙逢春等: "《装甲车辆混合动力电传动技术 第2版》", 31 December 2016, 国防工业出版社 * |
王甜甜等: "基于 BAS-BP 模型的风暴潮灾害损失预测", 《海洋环境科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113189511A (zh) * | 2020-01-14 | 2021-07-30 | 新普科技股份有限公司 | 可判断电池芯的老化程度差异的方法及其电池芯诊断系统 |
CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN113985294B (zh) * | 2021-12-29 | 2022-04-01 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN114861879A (zh) * | 2022-05-05 | 2022-08-05 | 哈尔滨理工大学 | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110579714A (zh) | 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 | |
JP6789240B2 (ja) | リチウム硫黄電池の健康状態および充電状態を決定するための方法および装置 | |
Qays et al. | Recent progress and future trends on the state of charge estimation methods to improve battery-storage efficiency: A review | |
CN108872866B (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
Xiong et al. | A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter | |
WO2022105104A1 (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN110554324B (zh) | 一种soc和soh联合估计方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
CN109031147B (zh) | 一种磷酸铁锂电池组的soc估算方法 | |
CN112444749A (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN105203963A (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
US20200067146A1 (en) | Method, system and device for active balance control of battery pack | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
Ren et al. | Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions | |
CN113419177B (zh) | 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |
|
RJ01 | Rejection of invention patent application after publication |