CN110988709A - 一种用于电池管理系统的soe和sop联合估计方法 - Google Patents

一种用于电池管理系统的soe和sop联合估计方法 Download PDF

Info

Publication number
CN110988709A
CN110988709A CN201911018723.3A CN201911018723A CN110988709A CN 110988709 A CN110988709 A CN 110988709A CN 201911018723 A CN201911018723 A CN 201911018723A CN 110988709 A CN110988709 A CN 110988709A
Authority
CN
China
Prior art keywords
soe
battery
constraint
current
discharge
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
Application number
CN201911018723.3A
Other languages
English (en)
Inventor
侍壮飞
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.)
Yanfeng Visteon Electronic Technology Nanjing Co Ltd
Original Assignee
Yanfeng Visteon Electronic Technology Nanjing Co Ltd
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 Yanfeng Visteon Electronic Technology Nanjing Co Ltd filed Critical Yanfeng Visteon Electronic Technology Nanjing Co Ltd
Priority to CN201911018723.3A priority Critical patent/CN110988709A/zh
Publication of CN110988709A publication Critical patent/CN110988709A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/3842—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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables

Abstract

本发明公开了用于电池管理系统的SOE和SOP联合估计方法，包括以下步骤：S1、建立电池二阶等效电路模型，得到系统的状态方程和观测方程，并离散化处理；结合标准HPPC实验辨识模型参数，然后对锂离子电池进行恒流脉冲放电实验，获得锂离子电池开路电压和剩余能量SOE数据，并利用MATLAB拟合OCV‑SOE关系曲线；S3、采用改进的粒子滤波估计电池SOE；方法如下：利用中心差分卡尔曼滤波生成粒子滤波算法的建议分布，根据估计误差设置KLD自适应算法选择粒子个数，最后通过残差重采样技术估算锂离子电池能量状态；S4、结合SOE约束、电压约束和电流约束联合约束估算电池SOP。本发明结合KLD自适应粒子数算法，降低算法计算量，提高估计精度以及加快收敛速度。

Description

一种用于电池管理系统的SOE和SOP联合估计方法
技术领域
本发明属于电池领域，涉及一种用于电池管理系统的SOE和SOP联合估计方法。
背景技术
近年来，能源危机、环境污染以及能源安全等成为制约社会发展的重要因素，因此，电动汽车由于其清洁环保等特性迎来了蓬勃发展。目前，电动汽车的产业化进程面临以下核心问题：1、电池有效储能密度低，且短时间内很难有效提高；2、电池价格昂贵，生产维护成本高；3、电池充电时间长。而要解决以上问题，目前只能从电池管理系统的研发入手。电池管理系统(BMS)作为电动汽车的重要组成部分，可以实时监测电池的电压、温度和电流等，对车载锂电池进行有效控制和管理，从而有效提高电池组使用寿命，提高电动汽车的续航里程，对于电动汽车行业发展至关重要。
电池能量状态(SOE)，可直接反映电池的可利用能量和工作能力，为电力调度提供依据，便于进行续航里程的估计及能量优化管理。而功率状态(SOP)是一定时间间隔内，电池所能释放或者吸收的最大功率，可评估电池最大充放电能力，其准确估计是实现电池能量最大程度利用和功率分配的重要前提条件。因此，电池SOE和SOP是电池管理系统中重要参数，其准确评估具有重大意义。
发明内容
本发明的目的是为了解决上述问题，提供一种用于电池管理系统的SOE和SOP联合估计方法，利用粒子滤波算法估算SOE，通过中心差分卡尔曼产生粒子群的方法改善粒子退化和贫化问题，结合KLD自适应粒子数算法，降低算法计算量，提高估计精度以及加快收敛速度。
为达到上述目的，本发明中采用的技术方案为：一种用于电池管理系统的SOE和SOP联合估计方法，其特征在于，包括以下步骤：
S1、建立电池二阶等效电路模型，得到系统的状态方程和观测方程，并离散化处理；
所述的状态方程为：
Figure BDA0002246514430000021
所述的观测方程为：
UL(k)＝UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+v(k)
式中：SOE(k+)为系统k+1时刻的锂离子电池能量状态，U1(k+1)和U2(k+1)分别表示系统k+1时刻的电极极化和浓度差极化电压值，Δt表示采样时间，R1和R2分别表示电极和浓度差极化电阻，R0为欧姆内阻，τ1和τ2分别表示电极极化和浓度差极化时间，η表示充放电效率，EN表示电池实际能量，i(k)表示系统k时刻的放电电流，w(k)和v(k)表示系统k时刻状态和量测的噪声；
S2、结合标准HPPC实验辨识模型参数，然后对锂离子电池进行恒流脉冲放电实验，获得锂离子电池开路电压和剩余能量状态SOE，然后利用MATLAB拟合OCV-SOE关系曲线；
S3、采用改进的粒子滤波估计电池SOE，利用中心差分卡尔曼滤波生成粒子滤波算法的建议分布，根据估计误差设置KLD自适应算法选择粒子个数，最后通过残差重采样技术估算锂离子电池能量状态SOE；
S4、结合SOE约束、电压约束和电流约束联合约束估算电池SOP。
作为本发明的优选，所述步骤S3的具体步骤如下：
(3-1)初始化：k＝0构造采样点集
Figure BDA0002246514430000031
并将所有的样本权值
Figure BDA0002246514430000032
设为1/N；
(3-2)重要采样：对每一个采样点
Figure BDA0002246514430000033
应用CDKF算法更新粒子得到
Figure BDA0002246514430000034
和
Figure BDA0002246514430000035
(3-3)计算权值：
Figure BDA0002246514430000036
确定粒子的权值
Figure BDA0002246514430000037
并对其归一化；
(3-4)均值与方差估计：
Figure BDA0002246514430000038
Figure BDA0002246514430000039
(3-5)重采样：对
Figure BDA0002246514430000041
进行重新采样，基于估计误差运用KLD自适应滤波，选择粒子个数，产生新的样本集合
Figure BDA0002246514430000042
使得对于任何j均有
Figure BDA0002246514430000043
重新设定权值
Figure BDA0002246514430000044
(3-6)返回过程(3-2)。
作为本发明的优选，所述步骤S4的具体步骤如下：
(4-1)建立电流约束，电池最大峰值放电电流为60A，持续最大放电电流30A，最大持续最大充电电流为12A；
(4-2)建立电压约束，电池在峰值放电电流
Figure BDA0002246514430000045
激励下，端电压下降到较低的截止电压Vmin，可表示为：
Figure BDA0002246514430000046
，
故峰值电流可表示为：
Figure BDA0002246514430000047
其中，当L＝1时，表示电池瞬时放电状态，L>1表示电池持续放电状态；Vmin在电池充电时表示充电截止电压，在电池放电时表示放电截止电压；
(4-3)建立SOE约束，设定动力电池SOE的限值，最大为SOEmax，最小为SOEmin。充电时SOElim取值为SOEmax，放电时SOElim取值为SOEmin。根据电池使用过程中对SOE的限制，瞬时充电峰值电流
Figure BDA0002246514430000051
和瞬时放电峰值电流
Figure BDA0002246514430000052
流分别表示为：
Figure BDA0002246514430000053
Figure BDA0002246514430000054
(4-4)在联合约束下估算峰值功率，根据电流约束、电压约束和SOE约束联合求峰值充放电电流，然后根据以下公式求峰值充放电功率：
Figure BDA0002246514430000055
Figure BDA0002246514430000056
有益效果：
1、利用中心差分卡尔曼滤波(CDKF)生成建议分布，便于实现且更好的近似真实分布的重要密度函数(Importance Density Function,IDF),降低粒子滤波粒子退化或贫化效果,且结合残差重采样技术有效提高SOE估算精度；
2、根据估计误差设置KLD自适应算法，优化粒子个数，降低计算量，提高收敛速度，改善鲁棒性；
3、利用SOE约束、电压约束和电流约束联合约束估算电池SOP，估计精度高，能够充分发挥锂离子电池的功率特性。
附图说明
图1是本发明具体流程图；
图2是电池二阶等效电路模型；
图3是RLS算法辨识模型参数电阻结果；
图4是RLS算法辨识模型参数电容结果；
图5是电池恒流脉冲放电电流电压曲线；
图6是OCV和SOE的关系拟合曲线；
图7是电池2/3C脉冲放电下联合约束和HPPC实验法最大峰值放电功率对比图；
图8是电池1/2C脉冲充电下联合约束和HPPC实验法最大峰值充电功率对比图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合附图和具体实施例对本发明的技术方案做了进一步的详细说明。
本实施例公开了一种用于电池管理系统的SOE和SOP联合估计方法，包括以下步骤：
S1、建立电池二阶等效电路模型，得到系统的状态方程和观测方程，并离散化处理；
所述的状态方程为：
Figure BDA0002246514430000071
所述的观测方程为：
UL(k)＝UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+v(k)
式中：SOE(k+)为系统k+1时刻的锂离子电池能量状态，U1(k+1)和U2(k+1)分别表示系统k+1时刻的电极极化和浓度差极化电压值，Δt表示采样时间，R1和R2分别表示电极和浓度差极化电阻，R0为欧姆内阻，τ1和τ2分别表示电极极化和浓度差极化时间，η表示充放电效率，EN表示电池实际能量，i(k)表示系统k时刻的放电电流，w(k)和v(k)表示系统k时刻状态和量测的噪声。本发明具体流程图如图1所示，锂离子电池二阶等效电路模型图如图2所示。
S2、结合标准HPPC实验辨识模型参数，然后对锂离子电池进行恒流脉冲放电实验，获得锂离子电池开路电压和剩余能量状态SOE，然后利用MATLAB拟合OCV-SOE关系曲线。本发明RLS算法辨识模型参数电阻结果如图3所示，RLS算法辨识模型参数电容结果如图4所示，电池恒流脉冲放电电流电压曲线如图5所示，OCV和SOE的关系拟合曲线如图6所示；
S3、采用改进的粒子滤波估计电池SOE，其具体过程如下：
(1)：初始化：k＝0构造采样点集
Figure BDA0002246514430000081
并将所有的样本权值
Figure BDA0002246514430000082
设为1/N。
(2)重要采样。对每一个采样点
Figure BDA0002246514430000083
应用CDKF算法更新粒子得到
Figure BDA0002246514430000084
和
Figure BDA0002246514430000085
(3)计算权值：
Figure BDA0002246514430000086
确定粒子的权值
Figure BDA0002246514430000087
并对其归一化。
(4)均值与方差估计
Figure BDA0002246514430000088
Figure BDA0002246514430000089
(5)重采样。对
Figure BDA00022465144300000810
进行重新采样，基于估计误差运用KLD自适应滤波，选择粒子个数，产生新的样本集合
Figure BDA00022465144300000811
使得对于任何j均有
Figure BDA00022465144300000812
重新设定权值
Figure BDA00022465144300000813
(6)返回过程(2)。
S4、结合SOE约束、电压约束和电流约束联合约束估算电池SOP。
(1)电流约束
电流约束，是在电池充放电过程中，生产商在电池设计与制造中对电流的限制为最直接约束，即电池的工作电流不超出电池手册规定的最大放电电流
Figure BDA0002246514430000091
与最大充电电流
Figure BDA0002246514430000092
的范围。本论文中Sony VTC6最大充放电电流：在常温下，电池最大峰值放电电流为60A，持续最大放电电流30A，最大持续最大充电电流为12A。
(2)电压约束
电池在峰值放电电流
Figure BDA0002246514430000093
激励下，端电压下降到较低的截止电压Vmin，可表示为：
Figure BDA0002246514430000094
。
故峰值电流可表示为：
Figure BDA0002246514430000095
其中，当L＝1时，表示电池瞬时放电状态，L>1表示电池持续放电状态；Vmin在电池充电时表示充电截止电压，在电池放电时表示放电截止电压。
(3)SOE约束
在电动汽车行驶过程中，对电池SOC需要进行限制以保证电池有足够裕量满足汽车加速爬坡及制动能量回收的需要，避免电池放空或过充，因此需要设定动力电池SOE的限值，最大为SOEmax，最小为SOEmin。充电时SOElim取值为SOEmax，放电时SOElim取值为SOEmin。根据电池使用过程中对SOE的限制，瞬时充电峰值电流
Figure BDA0002246514430000101
和瞬时放电峰值电流
Figure BDA0002246514430000102
流分别表示为：
Figure BDA0002246514430000103
Figure BDA0002246514430000104
(4)联合约束下峰值功率
根据电流约束、电压约束和SOE约束联合求峰值充放电电流，然后根据以下公式求峰值充放电功率：
Figure BDA0002246514430000105
Figure BDA0002246514430000106
本发明电池2/3C脉冲放电下联合约束和HPPC实验法最大峰值放电功率对比图如图7所示，1/2C脉冲充电下联合约束和HPPC实验法最大峰值充电功率对比图如图8所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种用于电池管理系统的SOE和SOP联合估计方法，其特征在于，包括以下步骤：
S1、建立电池二阶等效电路模型，得到系统的状态方程和观测方程，并离散化处理；
所述的状态方程为：
Figure RE-FDA0002397368250000011
所述的观测方程为：
UL(k)＝UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+v(k)
式中：SOE(k+)为系统k+1时刻的锂离子电池能量状态，U1(k+1)和U2(k+1)分别表示系统k+1时刻的电极极化和浓度差极化电压值，Δt表示采样时间，R1和R2分别表示电极和浓度差极化电阻，R0为欧姆内阻，τ1和τ2分别表示电极极化和浓度差极化时间，η表示充放电效率，EN表示电池实际能量，i(k)表示系统k时刻的放电电流，w(k)和v(k)表示系统k时刻状态和量测的噪声；
S2、结合标准HPPC实验辨识模型参数，然后对锂离子电池进行恒流脉冲放电实验，获得锂离子电池开路电压和剩余能量状态SOE，然后利用MATLAB拟合OCV-SOE关系曲线；
S3、采用改进的粒子滤波估计电池SOE，利用中心差分卡尔曼滤波生成粒子滤波算法的建议分布，根据估计误差设置KLD自适应算法选择粒子个数，最后通过残差重采样技术估算锂离子电池能量状态SOE；
S4、结合SOE约束、电压约束和电流约束联合约束估算电池SOP。
2.根据权利要求1所述的用于一种电池管理系统的SOE和SOP联合估计方法，其特征在于，所述步骤S3的具体步骤如下：
(3-1)初始化：k＝0构造采样点集
Figure RE-FDA0002397368250000012
并将所有的样本权值
Figure RE-FDA0002397368250000021
设为1/N；
(3-2)重要采样：对每一个采样点
Figure RE-FDA0002397368250000022
应用CDKF算法更新粒子得到
Figure RE-FDA0002397368250000023
和
Figure RE-FDA0002397368250000024
(3-3)计算权值：
Figure RE-FDA0002397368250000025
确定粒子的权值
Figure RE-FDA0002397368250000026
并对其归一化；
(3-4)均值与方差估计：
Figure RE-FDA0002397368250000027
Figure RE-FDA0002397368250000028
(3-5)重采样：对
Figure RE-FDA0002397368250000029
进行重新采样，基于估计误差运用KLD自适应滤波，选择粒子个数，产生新的样本集合
Figure RE-FDA00023973682500000210
使得对于任何j均有
Figure RE-FDA00023973682500000211
重新设定权值
Figure RE-FDA00023973682500000212
(3-6)返回过程(3-2)。
3.根据权利要求1所述的用于一种电池管理系统的SOE和SOP联合估计方法，其特征在于，所述步骤S4的具体步骤如下：
(4-1)建立电流约束，电池最大峰值放电电流为60A，持续最大放电电流30A，最大持续最大充电电流为12A；
(4-2)建立电压约束，电池在峰值放电电流
Figure RE-FDA00023973682500000213
激励下，端电压下降到较低的截止电压Vmin，可表示为：
Figure RE-FDA0002397368250000031
，
故峰值电流可表示为：
Figure RE-FDA0002397368250000032
其中，当L＝1时，表示电池瞬时放电状态，L>1表示电池持续放电状态；Vmin在电池充电时表示充电截止电压，在电池放电时表示放电截止电压；
(4-3)建立SOE约束，设定动力电池SOE的限值，最大为SOEmax，最小为SOEmin。充电时SOElim取值为SOEmax，放电时SOElim取值为SOEmin。根据电池使用过程中对SOE的限制，瞬时充电峰值电流
Figure RE-FDA0002397368250000033
和瞬时放电峰值电流
Figure RE-FDA0002397368250000034
流分别表示为：
Figure RE-FDA0002397368250000035
Figure RE-FDA0002397368250000036
(4-4)在联合约束下估算峰值功率，根据电流约束、电压约束和SOE约束联合求峰值充放电电流，然后根据以下公式求峰值充放电功率：
Figure RE-FDA0002397368250000037
Figure RE-FDA0002397368250000038
CN201911018723.3A 2019-10-24 2019-10-24 一种用于电池管理系统的soe和sop联合估计方法 Pending CN110988709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911018723.3A CN110988709A (zh) 2019-10-24 2019-10-24 一种用于电池管理系统的soe和sop联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911018723.3A CN110988709A (zh) 2019-10-24 2019-10-24 一种用于电池管理系统的soe和sop联合估计方法

Publications (1)

Publication Number Publication Date
CN110988709A true CN110988709A (zh) 2020-04-10

Family

ID=70082353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911018723.3A Pending CN110988709A (zh) 2019-10-24 2019-10-24 一种用于电池管理系统的soe和sop联合估计方法

Country Status (1)

Country Link
CN (1) CN110988709A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109716A (zh) * 2021-04-06 2021-07-13 江苏大学 一种基于电化学模型的锂电池sop估算方法
CN113189489A (zh) * 2021-05-08 2021-07-30 东风汽车集团股份有限公司 基于电热耦合电池模型的sop预测系统及其预测方法、存储介质
CN113238150A (zh) * 2021-05-24 2021-08-10 哈尔滨工业大学 基于状态估计算法的电池实时发热功率获取方法
CN113311341A (zh) * 2020-12-17 2021-08-27 延锋伟世通电子科技（南京）有限公司 一种汽车电池管理系统的cmu单元的eol下线检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106515740A (zh) * 2016-11-14 2017-03-22 江苏大学 基于icdkf的分布式电驱动汽车行驶状态参数估计算法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
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
CN110196393A (zh) * 2019-05-31 2019-09-03 中国矿业大学 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106515740A (zh) * 2016-11-14 2017-03-22 江苏大学 基于icdkf的分布式电驱动汽车行驶状态参数估计算法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
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
CN110196393A (zh) * 2019-05-31 2019-09-03 中国矿业大学 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
WEIGE ZHANG ET AL.: "Adaptive unscented Kalman filter based state of energy and power capability estimation approach for lithium-ion battery", 《JOURNAL OF POWER SOURCES》 *
XU ZHANG ET AL.: "A novel method for lithium-ion battery state of energy and state of power estimation based on multi-time-scale filter", 《APPLIED ENERGY》 *
宋海亮: "海空环境下单站无源定位滤波算法研究", 《中国博士学位论文全文数据库信息科技辑》 *
曹洁 等: "一种高精度自适应粒子滤波算法", 《兰州理工大学学报》 *
王君: "基于粒子滤波的动力锂离子电池的功率状态和能量状态估计研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
罗元 等: "基于自适应多提议分布粒子滤波的蒙特卡洛定位算法", 《计算机应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113311341A (zh) * 2020-12-17 2021-08-27 延锋伟世通电子科技（南京）有限公司 一种汽车电池管理系统的cmu单元的eol下线检测方法
CN113109716A (zh) * 2021-04-06 2021-07-13 江苏大学 一种基于电化学模型的锂电池sop估算方法
CN113189489A (zh) * 2021-05-08 2021-07-30 东风汽车集团股份有限公司 基于电热耦合电池模型的sop预测系统及其预测方法、存储介质
CN113238150A (zh) * 2021-05-24 2021-08-10 哈尔滨工业大学 基于状态估计算法的电池实时发热功率获取方法
CN113238150B (zh) * 2021-05-24 2022-10-04 哈尔滨工业大学 基于状态估计算法的电池实时发热功率获取方法

Similar Documents

Publication Publication Date Title
Panchal et al. Cycling degradation testing and analysis of a LiFePO4 battery at actual conditions
CN109507611B (zh) 一种电动汽车的soh修正方法及系统
CN110988709A (zh) 一种用于电池管理系统的soe和sop联合估计方法
CN103344917B (zh) 一种锂电池循环寿命快速测试方法
CN107003357B (zh) 基于无线网络的电池管理系统
CN104749533B (zh) 一种锂离子电池健康状态在线估算方法
CN108919137B (zh) 一种考虑不同电池状态的电池老化状态估计方法
CN103869256B (zh) 一种基于交流阻抗测试动力锂离子电池soh的估算方法
CN108983108B (zh) 一种动力电池组峰值功率估计方法
CN102756661B (zh) 车用电池荷电状态的确定方法及装置
CN104007395B (zh) 锂离子电池荷电状态与参数自适应联合估计方法
CN106814329A (zh) 一种基于双卡尔曼滤波算法的电池soc在线估计方法
CN107656210A (zh) 一种估算电池电量状态的方法
CN105425154B (zh) 一种估计电动汽车的动力电池组的荷电状态的方法
CN109031133B (zh) 一种动力电池的soc修正方法
CN109557477A (zh) 一种电池系统健康状态估算方法
CN111308356A (zh) 一种带加权的安时积分的soc估算方法
CN103698713A (zh) 一种锂离子电池健康状态评估方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN104122447A (zh) 一种电动汽车动力电池组直流阻抗的在线估算方法
CN110275118B (zh) 一种功率型动力电池健康状态估算方法
CN108732499A (zh) 一种检测锂离子电池循环寿命的方法和系统
CN111257770B (zh) 一种电池包功率估算方法
CN113109716A (zh) 一种基于电化学模型的锂电池sop估算方法
CN112757962A (zh) 一种bms校准电池可用容量的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200410