CN110728037B - 电池容量闭环融合预测方法 - Google Patents

电池容量闭环融合预测方法 Download PDF

Info

Publication number
CN110728037B
CN110728037B CN201910916316.8A CN201910916316A CN110728037B CN 110728037 B CN110728037 B CN 110728037B CN 201910916316 A CN201910916316 A CN 201910916316A CN 110728037 B CN110728037 B CN 110728037B
Authority
CN
China
Prior art keywords
capacity
model
prediction
parameter
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.)
Active
Application number
CN201910916316.8A
Other languages
English (en)
Other versions
CN110728037A (zh
Inventor
郑岳久
崔一凡
周龙
吴路平
沈安琪
施治贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910916316.8A priority Critical patent/CN110728037B/zh
Publication of CN110728037A publication Critical patent/CN110728037A/zh
Application granted granted Critical
Publication of CN110728037B publication Critical patent/CN110728037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种电池容量闭环融合预测方法，通过电池当前充放电循环的电压和电流数据，结合基于数据驱动的容量估计模型进行当前容量值QE,k的估计；同时将电池温度、循环数和充放电倍率数据输入基于经验模型的容量预测模型中，结合原经验模型参数xk‑1得出当前容量的前馈预测值QP,k(xk‑1)；以QP,k(xk‑1)和QE,k的差结合经验模型参数反馈修正系数Kx对xk‑1进行反馈修正，得到最新修正的经验模型参数xk，再以xk再次估计当前的容量值QP,k(xk)；以QE,k和QP,k(xk)之差结合容量反馈修正KQ，对容量预测序列进行最后的融合修正，实现容量的闭环融合预测。不仅解决基于经验模型的容量预测模型参数失配问题，同时降低基于数据驱动的容量估计不确定性。

Description

电池容量闭环融合预测方法
技术领域
本发明涉及一种电池容量预测技术，特别涉及一种基于经验模型的前馈预测与基于数据驱动的反馈融合校正的电池容量闭环融合预测方法。
背景技术
在节能环保的时代背景下，电动汽车成为汽车行业发展的必然趋势，电池容量是电动汽车的一个重要参数，其估算方法是电池管理系统中的关键技术。
电池容量的预测模型普遍采用经验模型。最常见的经验模型主要根据工作温度、充放电倍率、循环次数及累计充放电量等参数，实现电池容量估计和预测。但这种模型存在两个问题，首先，经验模型一般是根据实验室有限变化的循环工况而建立，难以适应实际变工况条件下的寿命预测。其次，经验模型的参数标定使用实验室数据，电池在使用时因工况和单体不一致性问题，造成实际条件下经验模型参数与实验室标定参数可能存在较大的差距，即因经验模型为开环模型，其参数存在失配问题，从而导致实际使用的精度大幅下降。
基于数据驱动的容量估计模型可以实现电池容量的闭环估计，其主要分为两大类方法，第一大类是基于充放电电量变化/对应SOC变化的方法，其中基于充放电容量测试或标定的方法也可以认为是这一方法的特殊的一种。此外还有一大类的方法为基于映射特征的容量估计方法，包括基于充电曲线，IC曲线或EIS，DRT曲线等一些特征点为映射的容量估计。基于数据驱动的容量估计模型都只能进行当前容量的估计而无法进行容量预测，此外，除了基于充放电容量标定方法外，其他基于数据驱动的容量估计模型都因数据和模型的噪声而存在估计容量的不确定性。
发明内容
本发明是针对经验模型的容量预测模型参数失配，导致预测精度下降的问题，提出了一种电池容量闭环融合预测方法，将数据驱动的容量估计模型和经验模型的容量预测模型相结合构成闭环融合预测，提高容量估计精度。
本发明的技术方案为：一种电池容量闭环融合预测方法，具体包括如下步骤：
1)通过电池当前充放电循环的电压和电流数据，结合基于数据驱动的容量估计模型进行当前容量值QE,k的估计；同时将电池温度、循环数和充放电倍率数据输入基于经验模型的容量预测模型中，结合上一融合校正阶段的经验模型参数xk-1得出当前容量的前馈预测值QP,k(xk-1)；
2)以前馈预测值QP,k(xk-1)和当前容量估计值QE,k的差结合经验模型参数反馈修正系数Kx对原有的经验模型参数xk-1进行反馈修正，得到最新修正的经验模型参数xk，之后以新的经验模型参数再次估计当前的容量值QP,k(xk)；
3)以数据驱动的容量估计模型获得的容量估计值QE,k和经验模型估计的当前容量值QP,k(xk)之差结合容量反馈修正参数KQ，对容量预测序列进行最后的融合修正，实现容量的闭环融合预测。
所述基于经验模型的容量前馈预测模型选取包括以下两种方法，第一种：建立离散化的Arrhenius寿命模型，其可实现变工况条件下的寿命衰减预测；第二种：基于大量历史充放电及容量衰减数据，建立神经网络模型，基于机器学习实现容量预测。
所述基于经验模型的容量前馈预测模型选取离散化Arrhenius寿命模型时，采用卡尔曼滤波或PID方式得到参数修正量Kx，再对上一融合校正阶段的经验模型参数xk-1进行修正，得到修正后的经验模型参数xk；基于经验模型的容量前馈预测模型选取神经网络模型时，上一融合校正阶段的经验模型参数xk-1由直接采用误差的反向传播神经网络得到的参数修正量Kx进行反馈修正，得到修正后的经验模型参数xk。
所述基于数据驱动的容量估计模型选取基于特定部分充电曲线线性映射的容量估计方法，即寻找一个特定的部分充电曲线段，在整个电池老化过程中，特定部分充电曲线段间的充电电量与电池总容量呈线性关系。
本发明的有益效果在于：本发明电池容量闭环融合预测方法，不仅能够解决基于经验模型的容量预测模型参数失配问题，同时降低基于数据驱动的容量估计不确定性，实现容量的闭环融合预测。
附图说明
图1为本发明电池容量前馈预测与反馈融合校正控制流程图；
图2为本发明举例的特定部分充电曲线的确定方法示意图；
图3为某款动力电池的容量估计与预测结果图；
图4为某款动力电池的容量估计与预测的误差结果图。
具体实施方式
基于经验模型的电池容量前馈预测与基于数据驱动的反馈融合校正方法，其中关键参数为经验模型参数反馈修正系数Kx、经验模型参数xk及容量反馈修正参数KQ，具体步骤如下：
S1、首先通过电池当前充放电循环的电压电流等数据，结合基于数据驱动的容量估计模型进行当前容量值QE,k的估计；同时将电池温度、循环数和充放电倍率等数据输入基于经验模型的容量预测模型中，结合上一融合校正阶段的经验模型参数xk-1得出当前容量的前馈预测值QP,k(xk-1)，其中k表示容量测量次数(k＝0,1,2…；0次代表电池初始状态容量测试)。
S2、其次，以前馈预测值QP,k(xk-1)和当前容量估计值QE,k的差结合经验模型参数反馈修正系数Kx对原有的经验模型参数xk-1进行反馈修正，得到最新修正的经验模型参数xk，之后以新的经验模型参数再次估计当前的容量值QP,k(xk)。
S3、最后以数据驱动的容量估计模型获得的容量估计值QE,k和经验模型估计的当前容量值QP,k(xk)之差结合容量反馈修正参数KQ，对容量预测序列进行最后的融合修正，实现容量的闭环融合预测。
在本发明提出的容量闭环融合预测方法的框架下，基于经验模型的预测模型，容量预测经验模型参数的反馈修正算法，基于数据驱动的容量估计模型，以及融合修正算法均存在多种选择。
基于经验模型的容量前馈预测模型选取包括以下两种方法：1)建立离散化的Arrhenius寿命模型(DAAM)，其可实现变工况条件下的寿命衰减预测；2)基于大量历史充放电及容量衰减数据，建立神经网络模型，基于机器学习实现容量预测。两种容量前馈预测模型都能够保证一定的精度，适用于上述融合估计方法。
当容量预测经验模型为神经网络模型时，其经验模型参数xk-1一般由直接采用误差的反向传播神经网络得到的参数修正量Kx进行反馈修正，得到修正后的经验模型参数xk。而在容量预测经验模型为离散化Arrhenius寿命模型(DAAM)时，可以采用如卡尔曼滤波，或PID等方式得到参数修正量Kx，进而再对经验模型参数xk-1进行修正，得到修正后的经验模型参数xk。同样，容量融合修正算法则可以采用如卡尔曼滤波算法得到容量反馈修正参数KQ，进一步再计算。
其中离散化Arrhenius寿命模型是为了描述电池在变温度工况下电池实际衰减规律，考虑以阿伦尼乌斯模型为基础模型，并对其进行适当变形并简单离散化后得到的，式(1)为电池稳态工况下模型
其中ξ(n)为充放电循环n次后相对容量衰减量；A为大于零的常数；Eα为激活能，单位为J/mol；R为气体常数，单位为J/(mol·k)；Z为指数；T为绝对温度；n为充放电循环次数。
由式(1)变形、求导并简单离散化后得到：
其中：
对于新电池，初始状态容量损失为0，循环一次后容量损失计算如式(4)所示，此后可以通过式(5)迭代计算，得到电池衰减后的容量。
相应的，根据循环n次后相对容量衰减量ξ(n)转换得到容量衰减模型容量估计结果：
CA(n)＝(1-ξ(n))·C0 (5)
式中：CA(n)为n次充放电循环后电池容量衰减模型估计的容量，单位Ah；C0指电池初始容量，单位Ah。
基于数据驱动的容量估计模型包括：
1)基于充放电电量变化/对应SOC变化的方法，如式(6)所示，其中基于充放电容量测试或标定的方法也可以认为是这一方法的特殊的一种；
其中Cnorm为电池容量；ΔQ为从t1时刻到t2时刻的累计充电电量(若累计放电，则ΔQ为负)；Δsoc为从t1时刻到t2时刻的SOC变化量；I(t)为t时刻的充或放电流；soc(t1)为t1时刻的SOC值；soc(t2)为t2时刻的SOC值；t1、t2分别为选取的时刻。
2)基于IC曲线部分特征点的非线性映射关系进行容量估计，如式(7)所示，建立输入量与状态之间的非线性映射关系f，通过对IC曲线特征进行分析获得该关系。
状态＝f(输入量) (7)
利用查表法确定映射关系f后，对于在实际运行过程中的电池，定期采用恒定的电流(如C/3)在标定过程中所使用的电压范围[vp-δ-,vp+δ+]内进行部分充/放电，其中vP为峰值电压，δ-为电压下区间间隔，δ+为电压上区间间隔；然后根据部分充放电的结果，利用如LEAN方法计算特征值，可以直接查表/映射关系得出此时电池的容量Q。
3)基于特定的部分充电曲线线性映射容量估计方法，这一方法的基本思想是试图寻找一个特定的部分充电曲线段，在整个电池老化过程中，特定部分充电曲线段间的充电电量与电池总容量呈线性关系。图2给出了这种特定部分充电曲线段的确定方法。首先我们得到寿命实验中全过程的充电曲线。曲线U0＝f(t0)代表了具有容量为Q0的新电池，实线Uk＝f(tk)代表了某一状态下的具有容量为Qk的老化电池。对于任意两条充电电压水平线UA和UB，其中UB>UA，容易得到新和老电池在UA和UB电压段充电曲线段间的充电电量分别为Q0,AB和Qk,AB，而特定部分充电曲线的线性容量衰减假设应该在任意老化条件下均满足式(8)
其中λk为比例系数；
这一方法的实质为使用遗传算法或粒子群算法等最优化方法，获得满足线性容量衰减假设的最优特定部分充电曲线，在通过式(8)的变形式(9)进一步求得容量。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明实施例中，基于经验模型的容量前馈预测模型选取离散化Arrhenius寿命模型，基于数据驱动的容量估计模型选取基于特定部分充电曲线线性映射的容量估计方法，经验模型容量预测模型参数的反馈修正算法以及最后的融合修正算法均选择扩展卡尔曼滤波。图3给出了利用两个EKF(扩展卡尔曼滤波器)进行容量预测经验模型参数的反馈修正和容量融合预测的迭代过程。
在EKFx中，我们进行离散化Arrhenius寿命模型参数的修正，以模型参数作为状态量，表示为
其中A为大于零的常数；Eα为激活能，单位为J/mol；R为气体常数，单位为J/(mol·k)；Z为指数；下标k表示容量测量次数。
而状态方程为
其中yk+1为nk+1个循环时由基于特定部分充电曲线线性映射的容量估计方法获得的容量QE(nk+1)，g(xk,nk+1)是离散化Arrhenius寿命模型在nk+1个循环时由参数xk获得的前馈容量，即QP(xk,nk+1)，Wk和Vk为系统和测量噪声，由EKF的假设，它们是均值为0的独立高斯分布噪声，其协方差分别为TF是状态转移矩阵。
滤波方程初始条件：xk|k＝uk，Pk|k＝pk (12)
参数状态估计时间更新:xk+1|k＝TFxk|k (13)
误差协方差时间更新:
卡尔曼增益矩阵：Kk+1＝Pk+1|k[Pk+1|k+Sk+1]-1 (15)
参数状态估计测量更新：xk+1|k+1＝xk+1|k+Kk+1·ek+1 (16)
误差协方差测量更新：Pk+1|k+1＝[I-Kk+1]Pk+1|k (17)
其中Sk+1为测量噪声Vk+1的协方差；I为单位对角矩阵；Rk为系统噪声Wk的协方差；xk|k和Pk|k分别为初始模型参数及误差协方差，根据公式(13)和(14)xk|k和Pk|k先进行时间更新后输出xk+1|k和Pk+1|k，xk+1|k与yk+1作差得到ek+1，与公式(15)得到的卡尔曼增益矩阵一起送入测量更新，通过公式(16)和(17)得到更新后的xk+1|k+1和Pk+1|k+1。
经验模型模型参数由多个历史估计结果拟合得到，所以需要历史数据来修正模型参数。这里，将模型参数xk输入阿伦尼乌斯容量衰减模型，预测循环nk+1时电池容量，并计算出nk+1时刻至n1时刻所有容量衰减模型容量估计值QP(xk,ni)与对应位置上容量在线辨识值QE(ni)之间的误差ξk+1，为了加速状态量的收敛，我们将历史误差信息考虑在内，即
而TF为
其中M为3×1阶整合矩阵，用于调节状态转移参数变化。
容量估计过程：在EKFl中，可进一步进行容量融合预测，此时将电池容量作为状态量lk，而状态方程为
其中lk+1是k+1时刻的系统状态最优解；g(xk+1,nk+1)为转换函数，表示的是离散化Arrhenius寿命模型在nk+1个循环时由参数xk+1参数获得的前馈容量，即QP(xk+1,nk+1)，uk+1仍是nk+1个循环时由基于特定部分充电曲线线性映射的容量估计方法获得的容量QE(nk+1)，H为观测矩阵，可取为1；wk和vk为系统和测量噪声，同样假设它们是均值为0的独立高斯分布噪声，其协方差分别为
滤波方程初始条件：P′k|k＝p′k (21)
误差协方差时间更新:P′k+1|k＝p′k|k+R′k (22)
卡尔曼增益矩阵：K'k+1＝P′k+1|k[H·P′k+1|k·H'+S'k+1]-1 (23)
参数状态估计测量更新：lk+1|k+1＝lk+1|k+K'k+1·e'k+1 (24)
误差协方差测量更新：P′k+1|k+1＝[I'-K'k+1·H]P′k+1|k (25)
其中S'k+1为测量噪声Vk+1的协方差；I'为单位对角矩阵；R'k为系统噪声Wk的协方差；P′k|k为误差协方差，根据公式(22)先对P′k|k进行误差协方差时间更新输出P′k+1|k，lk+1与uk+1作差得到e'k+1，与公式(23)得到的卡尔曼增益矩阵一起送入测量更新，通过公式(24)和(25)得到更新后的lk+1|k+1和P′k+1|k+1。
如图3为某款动力电池的容量估计与预测结果图；图4为某款动力电池的容量估计与预测的误差结果图。相比在线容量估计，融合容量估计和预测在初始阶段有较大的误差，这是由于初始的离散化Arrhenius寿命模型参数与实际情况失配。通过历史“误差”信息ζ在EKFx系统中的引入，模型参数较快实现了收敛，在约100个循环左右，模型参数实现了稳定，模型参数稳定后，融合预测的误差控制在1％以内。

Claims (4)

1.一种电池容量闭环融合预测方法，其特征在于，具体包括如下步骤：
1)通过电池当前充放电循环的电压和电流数据，结合基于数据驱动的容量估计模型进行当前容量值QE,k的估计；同时将电池温度、循环数和充放电倍率数据输入基于经验模型的容量前馈预测模型中，结合上一融合校正阶段的经验模型参数xk-1得出当前容量的前馈预测值QP,k(xk-1)；
2)以前馈预测值QP,k(xk-1)和当前容量估计值QE,k的差结合经验模型参数反馈修正系数Kx对原有的经验模型参数xk-1进行反馈修正，得到最新修正的经验模型参数xk，之后以新的经验模型参数再次估计当前的容量值QP,k(xk)；
3)以数据驱动的容量估计模型获得的容量估计值QE,k和经验模型估计的当前容量值QP,k(xk)之差结合容量反馈修正参数KQ，对容量预测序列进行最后的融合修正，实现容量的闭环融合预测。
2.根据权利要求1所述电池容量闭环融合预测方法，其特征在于，所述基于经验模型的容量前馈预测模型选取包括以下两种方法，第一种：建立离散化的Arrhenius寿命模型，其可实现变工况条件下的寿命衰减预测；第二种：基于大量历史充放电及容量衰减数据，建立神经网络模型，基于机器学习实现容量预测。
3.根据权利要求2所述电池容量闭环融合预测方法，其特征在于，所述基于经验模型的容量前馈预测模型选取离散化Arrhenius寿命模型时，采用卡尔曼滤波或PID方式得到参数修正量Kx，再对上一融合校正阶段的经验模型参数xk-1进行修正，得到修正后的经验模型参数xk；基于经验模型的容量前馈预测模型选取神经网络模型时，上一融合校正阶段的经验模型参数xk-1由直接采用误差的反向传播神经网络得到的参数修正量Kx进行反馈修正，得到修正后的经验模型参数xk。
4.根据权利要求1所述电池容量闭环融合预测方法，其特征在于，所述基于数据驱动的容量估计模型选取基于特定部分充电曲线线性映射的容量估计方法，即寻找一个特定的部分充电曲线段，在整个电池老化过程中，特定部分充电曲线段间的充电电量与电池总容量呈线性关系。
CN201910916316.8A 2019-09-26 2019-09-26 电池容量闭环融合预测方法 Active CN110728037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910916316.8A CN110728037B (zh) 2019-09-26 2019-09-26 电池容量闭环融合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910916316.8A CN110728037B (zh) 2019-09-26 2019-09-26 电池容量闭环融合预测方法

Publications (2)

Publication Number Publication Date
CN110728037A CN110728037A (zh) 2020-01-24
CN110728037B true CN110728037B (zh) 2023-07-21

Family

ID=69218352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910916316.8A Active CN110728037B (zh) 2019-09-26 2019-09-26 电池容量闭环融合预测方法

Country Status (1)

Country Link
CN (1) CN110728037B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111610447A (zh) * 2020-05-22 2020-09-01 上海理工大学 一种基于开路电压的电池容量估计方法
CN111880100A (zh) * 2020-08-07 2020-11-03 同济大学 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法
CN112198434B (zh) * 2020-09-29 2023-05-19 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN114487865A (zh) * 2020-10-28 2022-05-13 比亚迪股份有限公司 电池soc估算方法、电池管理系统和计算机可读存储介质
CN116577680A (zh) * 2023-07-13 2023-08-11 无锡大派电子有限公司 一种锂电池析锂检测方法及其装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006057468A1 (en) * 2004-11-29 2006-06-01 Lg Chem, Ltd. Method and system for battery state and parameter estimation
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN107728074A (zh) * 2017-10-23 2018-02-23 上海理工大学 一种考虑传感器与模型误差的锂电池荷电状态估计方法
CN108072845A (zh) * 2017-12-20 2018-05-25 上海理工大学 基于不完整充电电压曲线的锂电池容量估计方法
CN109239614A (zh) * 2018-11-12 2019-01-18 合肥工业大学 一种考虑传感器中漂移电流值的锂电池soc估计方法
CN109814041A (zh) * 2019-01-16 2019-05-28 上海理工大学 一种锂离子电池双卡尔曼滤波容量估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006057468A1 (en) * 2004-11-29 2006-06-01 Lg Chem, Ltd. Method and system for battery state and parameter estimation
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN107728074A (zh) * 2017-10-23 2018-02-23 上海理工大学 一种考虑传感器与模型误差的锂电池荷电状态估计方法
CN108072845A (zh) * 2017-12-20 2018-05-25 上海理工大学 基于不完整充电电压曲线的锂电池容量估计方法
CN109239614A (zh) * 2018-11-12 2019-01-18 合肥工业大学 一种考虑传感器中漂移电流值的锂电池soc估计方法
CN109814041A (zh) * 2019-01-16 2019-05-28 上海理工大学 一种锂离子电池双卡尔曼滤波容量估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三元锂电池荷电状态估计的传感器误差影响;郑岳久;许霜霜;张振东;;汽车安全与节能学报(第02期);全文 *
基于EKF的船舶动力锂电池剩余容量估算;雷津;邓磊;李小谦;姚川;;电子测量技术(第12期);全文 *

Also Published As

Publication number Publication date
CN110728037A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110728037B (zh) 电池容量闭环融合预测方法
Shu et al. An adaptive multi-state estimation algorithm for lithium-ion batteries incorporating temperature compensation
CN109164391B (zh) 一种动力电池荷电状态在线估算方法及系统
JP4473823B2 (ja) 電気エネルギー蓄積器のための複数の部分モデルを用いた状態量およびパラメータの推定装置
Zheng et al. A capacity prediction framework for lithium-ion batteries using fusion prediction of empirical model and data-driven method
Xiong et al. A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles
CN105068008B (zh) 利用车载充电机辨识电池参数的电池荷电状态估计方法
WO2017104497A1 (ja) 二次電池制御システム
CN113625174B (zh) 一种锂离子电池soc与容量联合估计方法
CN111060820A (zh) 一种基于二阶rc模型的锂电池soc、sop估计方法
CN109004251B (zh) 一种固体氧化物燃料电池系统的智能控制方法
CN104714188A (zh) 量测噪声方差阵相匹配的电池电荷状态估计方法与系统
CN114779107A (zh) 一种考虑温度影响的锂离子电池soc估计方法
CN112666475B (zh) 一种电动车的电池组的荷电状态估算方法
CN116368707A (zh) 智能电池管理系统和方法
CN111781529A (zh) 基于电动汽车云端数据的电池组单体容量估计方法和装置
KR20230175191A (ko) 재충전 가능한 배터리 셀 또는 배터리를 충전하기 위한 충전 신호를 제어하기 위한 방법 및 디바이스
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
CN113125969A (zh) 基于aukf的电池数据处理方法、设备和介质
CN108347072B (zh) 用于运行混合能量存储器系统的方法
CN112462281A (zh) 一种基于气液动力学模型带参数修正的soc估计方法及系统
CN114295987B (zh) 一种基于非线性卡尔曼滤波的电池soc状态估计方法
WO2020186269A1 (en) Battery monitoring system
CN116298913A (zh) 一种基于在线离线辨识结合的锂电池荷电状态估计方法
CN114779081A (zh) 车辆电池寿命的互学习预测方法、装置及存储介质

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
GR01 Patent grant
GR01 Patent grant