CN111413620A - 一种基于集员滤波的锂电池电荷状态估计方法 - Google Patents

一种基于集员滤波的锂电池电荷状态估计方法 Download PDF

Info

Publication number
CN111413620A
CN111413620A CN202010260914.7A CN202010260914A CN111413620A CN 111413620 A CN111413620 A CN 111413620A CN 202010260914 A CN202010260914 A CN 202010260914A CN 111413620 A CN111413620 A CN 111413620A
Authority
CN
China
Prior art keywords
ellipsoid
battery
state
model
measurement
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
CN202010260914.7A
Other languages
English (en)
Inventor
魏善碧
柴毅
余笑
王辉阳
王昱
吴睿
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202010260914.7A priority Critical patent/CN111413620A/zh
Publication of CN111413620A publication Critical patent/CN111413620A/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]
    • G01R31/367—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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于集员滤波的锂电池电荷状态估计方法，属于电池管理技术领域。该方法包括以下几个步骤：S1：采用Thevenin模型建立等效电路模型，由基尔霍夫定律推导等效电路模型的电压电流方程；S2：利用测得的电压，电流信号及最小二乘法进行电池模型参数辨识；S3：跟踪因为电池老化损坏和负载等复杂情况变化导致的参数变化，通过模型参数的在线矫正，因为变化的负载等情况导致的电池模型误差就能够得到相应的补偿；S4：采用椭球集员估计算法，获得更为精确的被估计值，得到更准确的状态估计结果。

Description

一种基于集员滤波的锂电池电荷状态估计方法
技术领域
本发明属于电池管理技术领域，涉及一种基于集员滤波的锂电池电荷状态估计方法。
背景技术
在新型智能微电网与纯电动汽车领域，锂离子电池以其功率密度与能量密度高、循环寿命长以及自放电率低等优势得到了广泛的应用。而锂离子电池储能系统的高度非线性、温度敏感特性以及明显老化等特性使锂离子电池储能系统的监测与控制面临诸多挑战。而电池荷电状态反映了电池内部剩余存储能量水平，是电池管理系统一定要准确实时监控和评估的重要参数。因此，对锂离子电池的荷电状态估计是电池管理系统的首要工作。
锂电池荷电状态估计发展到今天，算法得到了很大的发展，在估计准则、解方程组的技术、优化方法、提高估计效率等方面衍生出许多新技术、新理论。目前主流的开路电压法只能在静态的环境下使用，神经网络法因为计算成本大和训练方法受到限制，而扩展卡尔曼滤波算法因为有着闭环、在线估计等优势得到了发展，但其存在系统统计噪声的不确定性和当前滤波值对旧数据的过度依赖等问题，使得电池荷电状态估计收敛速度变慢以及误差变大。
针对以上问题，为了既能克服上述缺陷，又可以满足在线应用的实时性和有效性，本发明提出一种扩展集员估计算法，其估计结果是一个100％包含真值的成员集合，将当前估计的非线性系统线性化，然后通过采用适宜的算法限制其高阶项，以获得收敛的更新可行集合。
发明内容
有鉴于此，本发明的目的在于提供一种基于集员滤波的锂电池电荷状态估计方法。
为达到上述目的，本发明提供如下技术方案：
一种基于集员滤波的锂电池电荷状态估计方法，该方法包括以下步骤：
步骤一：电池模型的建立；
采用Thevenin模型建立等效电路模型，由基尔霍夫定律推导等效电路模型的电压电流方程；
结合实际容量与放电倍率的关系，定义安时法的电池荷电方程：通过离散化电压电流方程和电池荷电方程得到状态方程以及测量方程；
测量方程中包括开路电压关于电池荷电的非线性函数；
步骤二：模型的参数辨识；
利用测得的电压，电流信号及最小二乘法进行电池模型参数辨识；
步骤三：电池模型参数的校正；
跟踪因为电池老化损坏和负载等复杂情况变化导致的参数变化，通过模型参数的在线矫正，因为变化的负载等情况导致的电池模型误差就能够得到相应的补偿；
步骤四：椭球集员滤波；
采用椭球集员估计算法，包括时间更新算法以及量测更新两个步骤，通过不断优化来获取适当的参数，使得求得的包含参数集的椭球体积尽可能小，即获得更为精确的被估计值，得到更准确的状态估计结果。
可选的，所述步骤三具体为：
定义扰动输入gk仿真由于电池老化等原因造成的参数的变化，扰动的状态空间方程设计为式：
Figure BDA0002439254960000021
其中Ed为扰动分配矩阵；
统一后的状态空间模型为：
Figure BDA0002439254960000022
其中，
Figure BDA0002439254960000023
Figure BDA0002439254960000031
v(k)∈Vk。
可选的，所述步骤四具体为：
假设已经计算出k-1时刻包含状态集合Θ(k-1)的椭球E(k-1)；
由当前时刻新的数据y(k)和有界测量回归向量ΦT(k)，计算约束集合S(k)；
计算k时刻的状态集合Θ(k)，其中
Figure BDA0002439254960000039
利用准则函数来最优化参数得到包含参数真值的最优外定界椭球集合E(k)。
可选的，所述椭球集员估计算法包括时间更新和测量更新两个过程：
a.时间更新过程：
(1)初始化状态椭球E0(xk,Pk)，其中xk为椭球中心，Pk为椭球半径；
(2)通过状态转移矩阵Ad,k-1与过程噪声Wk-1来得到一步预测状态的时间更新椭球Ek|k-1；
(3)已经包含k-1时刻状态可行集的椭球
Figure BDA0002439254960000032
则包含集合
Figure BDA0002439254960000033
的时间更新椭球Ek|k-1的中心
Figure BDA0002439254960000034
b.测量更新过程：
(1)根据测量向量yk构成的量测集合和时间更新过程中得到的描述状态转移可行集合的时间更新椭球Ek|k-1来得到包含被估计状态的可行状态集合，即量测更新椭球Ek；
(2)由量测向量yk和量测噪声向量vk限定的状态集合为：
Figure BDA0002439254960000035
量测更新过程的目的是得到
Figure BDA0002439254960000036
即得到量测更新椭球Ek为包含时间更新椭球集合Ek|k-1和状态集合
Figure BDA0002439254960000037
交集的集合；前提条件是
Figure BDA0002439254960000038
即估计的可行集合包含yk和测量噪声的边界。
本发明的有益效果在于：本发明中从噪声的不确定性和锂电池荷电的非线性出发，充分考虑噪声的边界条件，经理论分析与数值实验，引入有效的椭球集员估计算法，解决在不确定噪声分布特性条件下的状态估计问题。引入椭球集员估计，提高估计的可信度。
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为本发明采用的Thevenin电路模型的等效电路图；
图2为本发明所述电池电荷状态估计方法的流程图；
图3为椭球集员估计算法流程图。
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。
发明中采用椭球集员估计，提高估计的可信度。所涉及的一种基于集员滤波的锂电池电荷状态估计方法，包括以下的三个步骤，
步骤一：采用Thevenin模型建立等效电路模型，由基尔霍夫定律推导等效电路模型的电压电流方程；结合实际容量与放电倍率的关系，定义安时法的电池荷电方程：通过离散化电压电流方程和电池荷电方程得到状态方程以及测量方程；测量方程中包括开路电压关于电池荷电的非线性函数；
步骤二：利用测得的电压，电流信号及最小二乘法进行电池模型参数辨识；
步骤三：跟踪因为电池老化损坏和负载等复杂情况变化导致的参数变化，通过模型参数的在线矫正，因为变化的负载等情况导致的电池模型误差就能够得到相应的补偿。
步骤四：采用椭球集员估计算法，包括时间更新算法以及量测更新两个步骤，通过不断优化来获取适当的参数，使得求得的包含参数集的椭球体积尽可能小，即获得更为精确的被估计值，得到更准确的状态估计结果。
图1为本发明采用的Thevenin电路模型的等效电路图，锂电池模型的准确建立是估计电池荷电状态的基础，目前大部分的电池模型包括电化学模型、等效电路模型等。本发明充分的考虑到模型的精度和模型结构的复杂度，采用现在等效电路模型中最常见也是最常用的Thevenin电路模型作为基础模型。
图1中Uoc代表的是电池的开路电压，Ut代表电池的端电压，R1为极化内阻，C1为极化电容，两者一起构成的RC网络用来模拟锂离子电池的极化效应，U1为RC网络两端电压，R0为电池的欧姆内阻，IL为外部负载流过的电流。
图2为本发明所述电池电荷状态估计方法的流程图。
由基尔霍夫定律和欧姆定律可以得到其电压电流方程为：
Figure BDA0002439254960000051
将该等效电路模型离散化可以得到：
Figure BDA0002439254960000052
其中，U1,k表示k时刻RC网络的端电压，Δt表示采样时间，这里为1s，Ut,k表示k时刻电池的端电压，Uoc,k为k时刻电池的开路电压，该变量是与电池的荷电状态z相关的函数。
为了得到不同时刻较为准确的电池荷电状态SOC的估计值，结合实际容量与放电倍率的关系，定义安时法的SOC方程，如下：
Figure BDA0002439254960000053
其中SOC(t0)表示电池的初始SOC的值，IL表示流过电池的电流值，η为电池的充放电效率，利用积分矩形近似，以及采样时间Δt，可以将式(3)表示成离散状态方程，如式(4)所示：
Figure BDA0002439254960000061
其中，zk表示k时刻SOC值，CN,k表示k时刻的电池最大可用容量，IL,k表示k时刻的电流输入，η＝1。
因锂离子电池呈现强烈的非线性，因此在SOC估计时必须对电池模型在稳态工作点附近进行局部线性化，考虑到传感器工作过程中测量噪声级模型误差，可以得到该动态电池模型的状态空间表达为：
Figure BDA0002439254960000062
其中xk＝[zk,U1,k]T；
Figure BDA0002439254960000063
Cd＝[κ,-1]；Dd＝[-R0]；
Figure BDA0002439254960000064
式中，α＝exp(-Δt/R1C1),Ld和Md为误差分配矩阵，dk为模型参数误差矩阵，wk为过程噪声，vk为系统噪声。当SOC在极小的范围内变化时，锂电池的开路电压Uoc和SOC之间的关系能够采用斜率为κ的斜坡函数近似，即Uoc＝κ×z。
然后对模型参数向量离线初始化，采用带遗忘因子的最小二乘法对锂电池模型参数辨识，最小二乘法参数估计式如下所示：
Figure BDA0002439254960000065
首先进行初始化，然后对数据采集构造Ek和hk，计算最小二乘增益K和误差协方差矩阵P，可以得到
Figure BDA0002439254960000066
再计算模型预测误差e和更新模型参数向量θ，则可以得到
Figure BDA0002439254960000067
定义扰动输入gk仿真由于电池老化等原因造成的参数的变化，扰动的状态空间方程设计为式：
Figure BDA0002439254960000071
其中Ed为扰动分配矩阵。
由式(2)、(4)、(5)、(7)可以得到统一后的状态空间模型为：
Figure BDA0002439254960000072
其中，
Figure BDA0002439254960000073
Figure BDA0002439254960000074
v(k)∈Vk。
在本实施例中，所采用椭球状态估计的集员估计算法如图3所示，具体过程如下：
假设已经计算出k-1时刻包含状态集合Θ(k-1)的椭球E(k-1)；
由当前时刻新的数据y(k)和有界测量回归向量ΦT(k)，计算约束集合S(k)；
计算k时刻的状态集合Θ(k)，其中
Figure BDA0002439254960000075
利用准则函数来最优化参数得到包含参数真值的最优外定界椭球集合E(k)。
推算法包括时间更新和测量更新两个过程。
a.时间更新过程：
(1)初始化状态椭球E0(xk,Pk)，其中xk为椭球中心，Pk为椭球半径；
(2)通过状态转移矩阵Ad,k-1与过程噪声Wk-1来得到一步预测状态的时间更新椭球Ek|k-1。
(3)已经包含k-1时刻状态可行集的椭球
Figure BDA0002439254960000081
则包含集合
Figure BDA0002439254960000082
的时间更新椭球Ekk-1的中心
Figure BDA0002439254960000083
b.测量更新过程：
(1)根据测量向量yk构成的量测集合和时间更新过程中得到的描述状态转移可行集合的时间更新椭球Ek|k-1来得到包含被估计状态的可行状态集合，即量测更新椭球Ek。
(2)由量测向量yk和量测噪声向量vk限定的状态集合为：
Figure BDA0002439254960000084
量测更新过程的目的是得到
Figure BDA0002439254960000085
即得到量测更新椭球Ek为包含时间更新椭球集合Ek|k-1和状态集合
Figure BDA0002439254960000086
交集的集合。前提条件是
Figure BDA0002439254960000087
也就是说估计的可行集合包含yk和测量噪声的边界。
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 (4)

1.一种基于集员滤波的锂电池电荷状态估计方法，其特征在于：该方法包括以下步骤：
步骤一：电池模型的建立；
采用Thevenin模型建立等效电路模型，由基尔霍夫定律推导等效电路模型的电压电流方程；
结合实际容量与放电倍率的关系，定义安时法的电池荷电方程：通过离散化电压电流方程和电池荷电方程得到状态方程以及测量方程；
测量方程中包括开路电压关于电池荷电的非线性函数；
步骤二：模型的参数辨识；
利用测得的电压，电流信号及最小二乘法进行电池模型参数辨识；
步骤三：电池模型参数的校正；
跟踪因为电池老化损坏和负载的复杂情况变化导致的参数变化，通过模型参数的在线矫正，因为变化的负载情况导致的电池模型误差就能够得到相应的补偿；
步骤四：椭球集员滤波；
采用椭球集员估计算法，包括时间更新算法以及量测更新两个步骤，通过不断优化来获取适当的参数，使得求得的包含参数集的椭球体积尽可能小，即获得更为精确的被估计值，得到更准确的状态估计结果。
2.根据权利要求1所述的一种基于集员滤波的锂电池电荷状态估计方法，其特征在于：所述步骤三具体为：
定义扰动输入gk仿真由于电池老化原因造成的参数的变化，扰动的状态空间方程设计为式：
Figure FDA0002439254950000011
其中Ed为扰动分配矩阵；
统一后的状态空间模型为：
Figure FDA0002439254950000021
其中，
Figure FDA0002439254950000022
Figure FDA0002439254950000023
v(k)∈Vk。
3.根据权利要求1所述的一种基于集员滤波的锂电池电荷状态估计方法，其特征在于：所述步骤四具体为：
假设已经计算出k-1时刻包含状态集合Θ(k-1)的椭球E(k-1)；
由当前时刻新的数据y(k)和有界测量回归向量ΦT(k)，计算约束集合S(k)；
计算k时刻的状态集合Θ(k)，其中
Figure FDA0002439254950000024
利用准则函数来最优化参数得到包含参数真值的最优外定界椭球集合E(k)。
4.根据权利要求3所述的一种基于集员滤波的锂电池电荷状态估计方法，其特征在于：所述椭球集员估计算法包括时间更新和测量更新两个过程：
a.时间更新过程：
(1)初始化状态椭球E0(xk,Pk)，其中xk为椭球中心，Pk为椭球半径；
(2)通过状态转移矩阵Ad,k-1与过程噪声Wk-1来得到一步预测状态的时间更新椭球Ekk-1；
(3)已经包含k-1时刻状态可行集的椭球
Figure FDA0002439254950000025
则包含集合
Figure FDA0002439254950000026
的时间更新椭球Ekk-1的中心
Figure FDA0002439254950000031
b.测量更新过程：
(1)根据测量向量yk构成的量测集合和时间更新过程中得到的描述状态转移可行集合的时间更新椭球Ekk-1来得到包含被估计状态的可行状态集合，即量测更新椭球Ek；
(2)由量测向量yk和量测噪声向量vk限定的状态集合为：
Figure FDA0002439254950000032
量测更新过程的目的是得到
Figure FDA0002439254950000033
即得到量测更新椭球Ek为包含时间更新椭球集合Ekk-1和状态集合
Figure FDA0002439254950000034
交集的集合；前提条件是
Figure FDA0002439254950000035
即估计的可行集合包含yk和测量噪声的边界。
CN202010260914.7A 2020-04-03 2020-04-03 一种基于集员滤波的锂电池电荷状态估计方法 Pending CN111413620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260914.7A CN111413620A (zh) 2020-04-03 2020-04-03 一种基于集员滤波的锂电池电荷状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260914.7A CN111413620A (zh) 2020-04-03 2020-04-03 一种基于集员滤波的锂电池电荷状态估计方法

Publications (1)

Publication Number Publication Date
CN111413620A true CN111413620A (zh) 2020-07-14

Family

ID=71493391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260914.7A Pending CN111413620A (zh) 2020-04-03 2020-04-03 一种基于集员滤波的锂电池电荷状态估计方法

Country Status (1)

Country Link
CN (1) CN111413620A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282152A (zh) * 2021-12-31 2022-04-05 四川大学 一种基于Consensus-ADMM的带估计约束的非线性集值滤波方法
CN114897091A (zh) * 2022-05-27 2022-08-12 江南大学 一种高端电池智能工厂端级数据融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402353A (zh) * 2017-06-30 2017-11-28 中国电力科学研究院 一种对锂离子电池的荷电状态进行滤波估计的方法及系统
CN108008320A (zh) * 2017-12-28 2018-05-08 上海交通大学 一种锂离子电池荷电状态与模型参数自适应联合估计方法
CN108072847A (zh) * 2018-01-29 2018-05-25 西南交通大学 一种动力锂电池模型参数辨识和剩余电量的估计方法
CN110441694A (zh) * 2019-07-23 2019-11-12 哈尔滨工业大学（威海） 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402353A (zh) * 2017-06-30 2017-11-28 中国电力科学研究院 一种对锂离子电池的荷电状态进行滤波估计的方法及系统
CN108008320A (zh) * 2017-12-28 2018-05-08 上海交通大学 一种锂离子电池荷电状态与模型参数自适应联合估计方法
CN108072847A (zh) * 2018-01-29 2018-05-25 西南交通大学 一种动力锂电池模型参数辨识和剩余电量的估计方法
CN110441694A (zh) * 2019-07-23 2019-11-12 哈尔滨工业大学（威海） 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUI XIONG等: "A set membership theory based parameter and state of charge co-estimation method for all-climate batteries", 《JOURNAL OF CLEANER PRODUCTION》 *
艾贤策: "车用锂离子超级电容器性能研究及管理系统设计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
魏婧雯: "储能锂电池系统状态估计与热故障诊断研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282152A (zh) * 2021-12-31 2022-04-05 四川大学 一种基于Consensus-ADMM的带估计约束的非线性集值滤波方法
CN114282152B (zh) * 2021-12-31 2023-05-26 四川大学 一种基于Consensus-ADMM的带估计约束的非线性集值滤波方法
CN114897091A (zh) * 2022-05-27 2022-08-12 江南大学 一种高端电池智能工厂端级数据融合方法
CN114897091B (zh) * 2022-05-27 2024-05-10 江南大学 一种高端电池智能工厂端级数据融合方法

Similar Documents

Publication Publication Date Title
Huang et al. Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation
Lai et al. Capacity estimation of lithium-ion cells by combining model-based and data-driven methods based on a sequential extended Kalman filter
Yang et al. A novel method on estimating the degradation and state of charge of lithium-ion batteries used for electrical vehicles
Ouyang et al. Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor
Li et al. State-of-charge estimation tolerant of battery aging based on a physics-based model and an adaptive cubature Kalman filter
Zhang et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
Wei et al. Enhanced online model identification and state of charge estimation for lithium-ion battery with a FBCRLS based observer
Tang et al. Model migration based battery power capability evaluation considering uncertainties of temperature and aging
Wang et al. An adaptive working state iterative calculation method of the power battery by using the improved Kalman filtering algorithm and considering the relaxation effect
Xiong et al. A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter
Tian et al. Lithium-ion battery health estimation with real-world data for electric vehicles
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
Zheng et al. An accurate parameters extraction method for a novel on-board battery model considering electrochemical properties
Huang et al. Soc estimation of li-ion battery based on improved ekf algorithm
Li et al. A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles
Wang et al. A comprehensive working state monitoring method for power battery packs considering state of balance and aging correction
Wei et al. Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries
CN112595979B (zh) 一种考虑非充分激励的锂电池参数在线辨识方法及系统
CN104242393A (zh) 基于动态soc估算系统的电池管理系统
Ouyang et al. A novel state of charge estimation method for lithium-ion batteries based on bias compensation
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN112379270B (zh) 一种电动汽车动力电池荷电状态滚动时域估计方法
CN111413620A (zh) 一种基于集员滤波的锂电池电荷状态估计方法
Takyi-Aninakwa et al. Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties

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: 20200714