CN111679196A - 一种pngv模型参数的在线辨识方法、装置、计算机设备 - Google Patents
一种pngv模型参数的在线辨识方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111679196A CN111679196A CN202010361944.7A CN202010361944A CN111679196A CN 111679196 A CN111679196 A CN 111679196A CN 202010361944 A CN202010361944 A CN 202010361944A CN 111679196 A CN111679196 A CN 111679196A
- Authority
- CN
- China
- Prior art keywords
- matrix
- current
- equivalent
- initial
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 362
- 230000010287 polarization Effects 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims description 36
- 230000007704 transition Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000652 nickel hydride Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明实施例提供了一种PNGV模型参数的在线辨识方法、装置、计算机设备。本发明实施例提供的技术方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
Description
【技术领域】
本发明涉及通信技术领域,尤其涉及一种PNGV模型参数的在线辨识方法、装置、计算机设备。
【背景技术】
电池是小巧、能量密度高、功率特性好的能量来源装置,被广泛应用于诸如储能电站、手机、平板电脑等设备中。因应用工况以及工作环境不同,而所需的电池性能也有很大差异。为了选取满足所需的电池,需要对电池的性能以及参数进行测试和分析。PNGV模型以其非线性特性好、精度高等优势,被广泛应用于电池的性能分析、状态估计上。由于PNGV模型相比Rint模型以及Thevenin模型来说,模型较为复杂,进而其模型参数的在线辨识变得非常困难。目前就如何快速且精准地在线辨识PNGV模型的模型参数并没有好的方法。
【发明内容】
有鉴于此,本发明实施例提供了一种PNGV模型参数的在线辨识方法、装置、计算机设备,可以快速且精准地辨识模型参数。
一方面,本发明实施例提供了一种PNGV模型参数的在线辨识方法,所述方法包括:
获取电池的多个端电压和多个环路电流;
构建初始的协方差矩阵和初始等效参数矩阵;
根据当前的端电压和当前的环路电流,生成当前状态矩阵;
根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
可选地,根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,包括:
根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵;
根据当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数;
根据初始的协方差矩阵、当前的增益矩阵和当前状态矩阵,生成当前的协方差矩阵;
根据多个等效参数,生成PNGV模型的多个模型参数;
对所述电池的电压和电流按照采样周期进行采样,生成下一个的端电压和下一个的环路电流;
对采样次数进行加1处理;
判断采样次数是否大于采样阈值;
若判断出采样次数小于或等于采样阈值,将下一个的端电压作为当前的端电压,将下一个的环路电流作为当前的环路电流,并根据当前的端电压和当前的环路电流生成当前状态矩阵;将当前的协方差矩阵作为初始的协方差矩阵;将当前等效参数矩阵作为初始等效参数矩阵,并继续执行根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵的步骤。
可选地,根据多个等效参数生成PNGV模型的多个模型参数,包括:
通过模型参数计算公式对多个等效参数进行计算,生成PNGV模型的多个模型参数,其中,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,a、b、c、h和τp为过渡参数,R为电池欧姆内阻值,Ts为采样周期,Uocv为电池的开路电压值,Cp为极化电容值,Rp为极化电阻值,Cb为等效电容值。
可选地,根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵,包括:
可选地,根据当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数,包括:
通过公式θi=θi-1+Gi[Ui-φT iθi-1]对当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵进行计算,生成当前等效参数矩阵,其中,θi为当前等效参数矩阵,且θi=[α β γ λ η ω ξ σ μ ρ]T,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,θi-1为初始等效参数矩阵,Ui为当前的端电压,Gi为当前的增益矩阵,φi为当前状态矩阵。
可选地,根据初始的协方差矩阵、当前的增益矩阵和当前状态矩阵,生成当前的协方差矩阵,包括:
通过公式Pi=Pi-1-GiφT iPi-1对初始的协方差矩阵、当前的增益矩阵和当前状态矩阵进行计算,生成当前的协方差矩阵,其中,Pi为当前的协方差矩阵,Pi-1为初始的协方差矩阵,Gi为当前的增益矩阵,φi为当前状态矩阵。
可选地,构建初始的协方差矩阵和初始等效参数矩阵,包括:
根据多个端电压和多个环路电流,构造第一矩阵和第二矩阵;
通过公式θi-1=(ΦTΦ)-1ΦTU,对第一矩阵和第二矩阵进行计算,生成初始等效参数矩阵,其中,θi-1为初始等效参数矩阵,Φ为第一矩阵,U为第二矩阵;
通过公式Pi-1=(ΦTΦ)-1,对第一矩阵进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,Φ为第一矩阵;或者,
将初始等效参数矩阵设置为0;
通过公式Pi-1=σ2II对设置的单位矩阵和指定系数进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,σ2为指定系数,II为单位矩阵。
另一方面,本发明实施例提供了一种PNGV模型参数的在线辨识装置,包括:
获取单元,用于获取电池的多个端电压和多个环路电流;
构建单元,用于构建初始的协方差矩阵和初始等效参数矩阵;
第一生成单元,用于根据当前的端电压和当前的环路电流,生成当前状态矩阵;
第二生成单元,用于根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
另一方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述PNGV模型参数的在线辨识方法。
另一方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现上述PNGV模型参数的在线辨识方法。
本发明实施例的方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,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它的附图。
图1为本发明实施例提供的一种PNGV模型的结构示意图;
图2为本发明实施例提供的一种PNGV模型参数的在线辨识方法的流程图;
图3为本发明实施例提供的又一种PNGV模型参数的在线辨识方法的流程图;
图4为本发明实施例提供的一种PNGV模型参数的在线辨识装置的结构示意图;
图5为本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述设定阈值,但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一设定阈值也可以被称为第二设定阈值,类似地,第二设定阈值也可以被称为第一设定阈值。
图1为本发明实施例提供的一种PNGV模型的结构示意图,如图1所示,该新一代汽车伙伴计划(partnership for a new generation of vehicle,简称:PNGV)模型包括串联连接的等效电容C2、电池欧姆内阻R2、电压源U1和并联结构1。其中,并联结构1包括并联连接的极化电阻R1和极化电容C1。PNGV模型还包括环路电流I1,规定充电时环路电流I1的值为正。
如图1所示,PNGV模型还包括正极2和负极3,等效电容C2的第一端与负极3连接,等效电容C2的第二端与电池欧姆内阻R2的第一端连接,电池欧姆内阻R2的第二端与电压源U1的第一端连接,电压源U1的第二端与并联结构1的第一端连接,并联结构1的第二端与正极2连接,正极2与负极3形成开路端。
如图1所示,PNGV模型为电池等效模型,可以作为电池外部特性仿真的对象,根据该PNGV模型构建以下状态方程:
其中,UL为电池的端电压,Uocv为电池的开路电压,Cb为等效电容C2的等效电容值,Rp为极化电阻R1的极化电阻值,Cp为极化电容C1的极化电容值,R为电池欧姆内阻R2的电池欧姆内阻值,I为环路电流值,Up为极化电容C1的电压,τp为过渡参数。
由上述状态方程可知,若要分析电池的特性和估计电池的状态参数,则需要先计算出PNGV模型的模型参数,该模型参数包括开路电压Uocv、等效电容值Cb、极化电阻值Rp、极化电容值Cp和电池欧姆内阻值R。
作为一种可选方案,为了便于模型参数的计算,可将状态方程离散化,生成下述差分方程:
其中,为i时刻的端电压,ULi-1为i-1时刻的端电压,为i-2时刻的端电压,为i-3时刻的端电压,为i-4时刻的端电压,Ii为i时刻的环路电流值,Ii-1为i-1时刻的环路电流值,Ii-2为i-2时刻的环路电流值,Ii-3为i-3时刻的环路电流值,Ii-4为i-4时刻的环路电流值,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数。后续为了通过模型参数计算公式计算出开路电压Uocv、等效电容值Cb、极化电阻值Rp、极化电容值Cp和电池欧姆内阻值R,首先需要通过任意的辨识算法计算出等效参数α、β、γ、λ、η、ω、ξ、σ、μ和ρ,其中,辨识算法包括但不限于最小二乘一类的算法、机器学习一类的算法等,以下通过递推最小二乘(RLS)算法进行示例性展示。
本实施例中,PNGV模型的精度较高,可以较为准确地反映出电池的静态和动态的特性,可以作为估计电池状态的理想模型,且该模型适用于任意类型的电池、任意连接形式的电池组和/或单体电池、任意类型电池的任意串联和/或并联和/或串并联形式的电池组和/或单体电池的仿真,电池类型包括但不限于一次电池、二次电池,例如:碱性干电池、镍氢电池或锂离子电池。
本发明实施例提供的技术方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
图2为本发明实施例提供的一种PNGV模型参数的在线辨识方法的流程图,如图2所示,该方法包括:
步骤101、获取电池的多个端电压和多个环路电流。
本实施例中,PNGV模型为电池的等效电路模型。
步骤102、构建初始的协方差矩阵和初始等效参数矩阵。
步骤103、根据当前的端电压和当前的环路电流,生成当前状态矩阵。
步骤104、根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
本发明实施例提供的技术方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
图3为本发明实施例提供的又一种PNGV模型参数的在线辨识方法的流程图,如图3所示,该方法包括:
步骤201、获取电池的多个端电压和多个环路电流。
本实施例中,各步骤由具有计算能力的设备的处理器执行,其中,具有计算能力的设备包括但不限于用户设备、计算机设备、单片机;处理器包括但不限于中央处理器(central processing unit,简称:CPU)。
具体地,对电池的电压和电流按照采样周期进行采样,生成多个端电压和多个环路电流。其中,采样周期可根据实际情况进行设置。
本实施例中,PNGV模型为电池的等效电路模型。
本实施例中,一个端电压对应一个环路电流。
本实施例中,对PNGV模型的电压和电流进行i次采样,其中,i大于指定次数。作为一种可选方案,指定次数为5次,即:i大于或等于5。
步骤202、构建初始的协方差矩阵和初始等效参数矩阵。
本实施例中,步骤202具体包括:
步骤2021、根据多个端电压和多个环路电流,构造第一矩阵和第二矩阵。
本实施例中,根据多个端电压和多个环路电流构造初始状态矩阵φi=[1i Ui-1Ui-2 Ui-3 Ui-4 Ii Ii-1 Ii-2 Ii-3 Ii-4],其中,φi为i时刻的初始状态矩阵,Ui-1为i-1时刻的端电压,Ui-2为i-2时刻的端电压,Ui-3为i-3时刻的端电压,Ui-4为i-4时刻的端电压,Ii为i时刻的环路电流值,Ii-1为i-1时刻的环路电流值,Ii-2为i-2时刻的环路电流值,Ii-3为i-3时刻的环路电流值,Ii-4为i-4时刻的环路电流值;再根据状态矩阵构造第一矩阵Φ=[φT i;φT i+1;...;φT I],其中,Φ为第一矩阵,φT i为i时刻的初始状态矩阵的转置,φT i+1为i+1时刻的初始状态矩阵的转置,φT I为I时刻的初始状态矩阵的转置。
本实施例中,根据多个端电压构造第二矩阵U=[Ui Ui+1 ... UI]T,其中,Ui为i时刻的端电压,Ui+1为i+1时刻的端电压,UI为I时刻的端电压。
步骤2022、通过公式θi-1=(ΦTΦ)-1ΦTU,对第一矩阵和第二矩阵进行计算,生成初始等效参数矩阵,其中,θi-1为初始等效参数矩阵,Φ为第一矩阵,U为第二矩阵。
步骤2033、通过公式Pi-1=(ΦTΦ)-1,对第一矩阵进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,Φ为第一矩阵。
作为一种可选方案,步骤202具体包括:
步骤2024、将初始等效参数矩阵设置为0。
具体地,初始等效矩阵θi-1表示为θi-1=[0 0 0 0 0 0 0 0 0 0]T。
步骤2025、通过公式Pi-1=σ2II对设置的单位矩阵和指定系数进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,σ2为指定系数,II为单位矩阵。
本实施例中,指定系数σ2为常数,可根据实际情况进行设置。
步骤203、根据当前的端电压和当前的环路电流生成当前状态矩阵。
本实施例中,采样周期可根据实际情况进行设置。
本实施例中,对电池的电压进行采样生成当前的端电压Ui,对PNGV模型的电流进行采样生成当前的环路电流值Ii。
本实施例中,根据当前的端电压和当前的环路电流构造当前状态矩阵φi=[1iUi-1 Ui-2 Ui-3 Ui-4 Ii Ii-1 Ii-2 Ii-3 Ii-4],其中,φi为i时刻的初始状态矩阵(即:当前状态矩阵),Ui-1为i-1时刻的端电压,Ui-2为i-2时刻的端电压,Ui-3为i-3时刻的端电压,Ui-4为i-4时刻的端电压,Ii为i时刻的环路电流值,Ii-1为i-1时刻的环路电流值,Ii-2为i-2时刻的环路电流值,Ii-3为i-3时刻的环路电流值,Ii-4为i-4时刻的环路电流值。
步骤204、根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵。
步骤205、根据当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数。
作为一种可选方案,等效参数的数量为10个。
具体地,通过公式θi=θi-1+Gi[Ui-φT iθi-1]对当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵进行计算,生成当前等效参数矩阵,其中,θi为当前等效参数矩阵,且θi=[α β γ λ η ω ξ σ μ ρ]T,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,θi-1为初始等效参数矩阵,Ui为当前的端电压,Gi为当前的增益矩阵,φi为当前状态矩阵。
步骤206、根据初始的协方差矩阵、当前的增益矩阵和当前状态矩阵,生成当前的协方差矩阵。
具体地,通过公式Pi=Pi-1-GiφT iPi-1对初始的协方差矩阵、当前的增益矩阵和当前状态矩阵进行计算,生成当前的协方差矩阵,其中,Pi为当前的协方差矩阵,Pi-1为初始的协方差矩阵,Gi为当前的增益矩阵,φi为当前状态矩阵。
步骤207、根据多个等效参数,生成PNGV模型的多个模型参数。
作为一种可选方案,模型参数的数量为5个。
具体地,通过模型参数计算公式对多个等效参数进行计算,生成PNGV模型的多个模型参数,其中,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,a、b、c、h和τp为过渡参数,R为电池欧姆内阻值,Ts为采样周期,Uocv为电池的开路电压值,Cp为极化电容值,Rp为极化电阻值,Cb为等效电容值。
步骤208、对电池的电压和电流按照采样周期进行采样,生成下一个的端电压和下一个的环路电流。
本实施例中,采样周期可根据实际情况进行设置。
步骤209、对采样次数进行加1处理。
本实施例中,每对PNGV模型的电压和电流进行一次采样,对采样次数进行相应的加1处理。
步骤210、判断采样次数是否大于采样阈值,若是,流程结束;若否,执行步骤211。
本实施例中,采样阈值可根据实际情况进行设置。
步骤211、将下一个的端电压作为当前的端电压,将下一个的环路电流作为当前的环路电流,并根据当前的端电压和当前的环路电流生成当前状态矩阵。
本实施例中,将采集的下一个端电压作为当前的端电压Ui,将采集的下一个环路电流作为当前的环路电流值Ii。
本实施例中,根据当前的端电压和当前的环路电流构造当前状态矩阵φi=[1iUi-1 Ui-2 Ui-3 Ui-4 Ii Ii-1 Ii-2 Ii-3 Ii-4],其中,φi为i时刻的初始状态矩阵(即:当前状态矩阵),Ui-1为i-1时刻的端电压,Ui-2为i-2时刻的端电压,Ui-3为i-3时刻的端电压,Ui-4为i-4时刻的端电压,Ii为i时刻的环路电流值,Ii-1为i-1时刻的环路电流值,Ii-2为i-2时刻的环路电流值,Ii-3为i-3时刻的环路电流值,Ii-4为i-4时刻的环路电流值。
步骤212、将当前的协方差矩阵作为初始的协方差矩阵,将当前等效参数矩阵作为初始等效参数矩阵,继续执行步骤204。
具体地,将当前的协方差矩阵Pi作为初始的协方差矩阵Pi-1,将当前等效参数矩阵θi作为初始等效参数矩阵θi-1,继续执行步骤204,进行下一次迭代运算。
本实施例提供的PNGV模型参数的在线辨识方法适用于任意类型的电池、任意连接形式的电池组和/或单体电池、任意类型电池的任意串联和/或并联和/或串并联形式的电池组和/或单体电池的模型参数的生成;利用本实施例提供的PNGV模型参数的在线辨识方法生成模型参数,可以为状态参数的估计提供基础,进而可以保持新能源发电系统与电网之间的稳定性,使得新能源发电系统发挥出最佳性能,状态参数包括但不限于荷电状态(State of Charge,简称:SOC)、功率状态(State of Power,简称:SOP)以及寿命状态(State of Health,简称:SOH)。
本发明实施例提供的PNGV模型参数的在线辨识方法的技术方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
图4为本发明实施例提供的一种PNGV模型参数的在线辨识装置的结构示意图,该装置用于执行上述PNGV模型参数的在线辨识方法,如图4所示,该装置包括:获取单元11、构建单元12、第一生成单元13和第二生成单元14。
获取单元11用于获取电池的多个端电压和多个环路电流;
构建单元12用于构建初始的协方差矩阵和初始等效参数矩阵;
第一生成单元13用于根据当前的端电压和当前的环路电流,生成当前状态矩阵;
第二生成单元14用于根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
本发明实施例中,第二生成单元14具体包括:第一生成子单元141、第二生成子单元142、第三生成子单元143、第四生成子单元144、采集子单元145、累加子单元146、判断子单元147和确定子单元148。
第一生成子单元141用于根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵。
第二生成子单元142用于根据当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵生成当前等效参数矩阵,当前等效参数矩阵包括多个等效参数。
第三生成子单元143用于根据初始的协方差矩阵、当前的增益矩阵和当前状态矩阵,生成当前的协方差矩阵。
第四生成子单元144用于根据多个等效参数,生成PNGV模型的多个模型参数。
采集子单元145用于对电池的电压和电流按照采样周期进行采样,生成下一个的端电压和下一个的环路电流。
累加子单元146用于对采样次数进行加1处理。
判断子单元147用于判断采样次数是否大于采样阈值。
确定子单元148用于若判断子单元147判断出采样次数小于或等于采样阈值,将下一个的端电压作为当前的端电压,将下一个的环路电流作为当前的环路电流,并根据当前的端电压和当前的环路电流生成当前状态矩阵;将当前的协方差矩阵作为初始的协方差矩阵;将当前等效参数矩阵作为初始等效参数矩阵,并触发第一生成子单元141继续执行根据初始的协方差矩阵和当前状态矩阵,生成当前的增益矩阵的步骤。
本发明实施例中,第四生成子单元144具体用于通过模型参数计算公式对多个等效参数进行计算,生成PNGV模型的多个模型参数,其中,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,a、b、c、h和τp为过渡参数,R为电池欧姆内阻值,Ts为采样周期,Uocv为电池的开路电压值,Cp为极化电容值,Rp为极化电阻值,Cb为等效电容值。
本发明实施例中,第二生成子单元142具体用于通过公式θi=θi-1+Gi[Ui-φT iθi-1]对当前的增益矩阵、初始等效参数矩阵、当前的端电压和当前状态矩阵进行计算,生成当前等效参数矩阵,其中,θi为当前等效参数矩阵,且θi=[α β γ λ η ω ξ σ μ ρ]T,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,θi-1为初始等效参数矩阵,Ui为当前的端电压,Gi为当前的增益矩阵,φi为当前状态矩阵。
本发明实施例中,第三生成子单元14具体用于通过公式Pi=Pi-1-GiφT iPi-1对初始的协方差矩阵、当前的增益矩阵和当前状态矩阵进行计算,生成当前的协方差矩阵,其中,Pi为当前的协方差矩阵,Pi-1为初始的协方差矩阵,Gi为当前的增益矩阵,φi为当前状态矩阵。
本发明实施例中,构建单元12具体用于根据多个端电压和多个环路电流,构造第一矩阵和第二矩阵;通过公式θi-1=(ΦTΦ)-1ΦTU,对第一矩阵和第二矩阵进行计算,生成初始等效参数矩阵,其中,θi-1为初始等效参数矩阵,Φ为第一矩阵,U为第二矩阵;通过公式Pi-1=(ΦTΦ)-1,对第一矩阵进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,Φ为第一矩阵;或者,将初始等效参数矩阵设置为0;通过公式Pi-1=σ2II对设置的单位矩阵和指定系数进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,σ2为指定系数,II为单位矩阵。
本发明实施例的方案中,获取电池的多个端电压和多个环路电流;构建初始的协方差矩阵和初始等效参数矩阵;根据当前的端电压和当前的环路电流,生成当前状态矩阵;根据初始的协方差矩阵、当前状态矩阵和多个端电压,更新初始等效参数矩阵生成多个等效参数,并根据多个等效参数生成PNGV模型的多个模型参数,多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值,从而可以快速且精准地辨识模型参数。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述PNGV模型参数的在线辨识方法的实施例的各步骤,具体描述可参见上述PNGV模型参数的在线辨识方法的实施例。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述PNGV模型参数的在线辨识方法的实施例的各步骤,具体描述可参见上述PNGV模型参数的在线辨识方法的实施例。
图5为本发明实施例提供的一种计算机设备的示意图。如图5所示,该实施例的计算机设备30包括:处理器31、存储器32以及存储在存储32中并可在处理器31上运行的计算机程序33,该计算机程序33被处理器31执行时实现实施例中的应用于PNGV模型参数的在线辨识方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器31执行时实现实施例中应用于PNGV模型参数的在线辨识装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备30包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,图5仅仅是计算机设备30的示例,并不构成对计算机设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Proceing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital ignal Proceor,DP)、专用集成电路(Application pecific Integrated Circuit,AIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32可以是计算机设备30的内部存储单元,例如计算机设备30的硬盘或内存。存储器32也可以是计算机设备30的外部存储设备,例如计算机设备30上配备的插接式硬盘,智能存储卡(mart Media Card,MC),安全数字(ecure Digital,D)卡,闪存卡(FlahCard)等。进一步地,存储器32还可以既包括计算机设备30的内部存储单元也包括外部存储设备。存储器32用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种PNGV模型参数的在线辨识方法,其特征在于,所述PNGV模型为电池的等效电路模型;所述方法包括:
获取所述电池的多个端电压和多个环路电流;
构建初始的协方差矩阵和初始等效参数矩阵;
根据所述当前的端电压和所述当前的环路电流,生成当前状态矩阵;
根据所述初始的协方差矩阵、所述当前状态矩阵和所述多个端电压,更新所述初始等效参数矩阵生成多个等效参数,并根据所述多个等效参数生成所述PNGV模型的多个模型参数,所述多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
2.根据权利要求1所述的PNGV模型参数的在线辨识方法,其特征在于,所述根据所述初始的协方差矩阵、所述当前状态矩阵和所述多个端电压,更新所述初始等效参数矩阵生成多个等效参数,并根据所述多个等效参数生成所述PNGV模型的多个模型参数,包括:
根据所述初始的协方差矩阵和所述当前状态矩阵,生成当前的增益矩阵;
根据所述当前的增益矩阵、所述初始等效参数矩阵、所述当前的端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数;
根据所述初始的协方差矩阵、所述当前的增益矩阵和所述当前状态矩阵,生成当前的协方差矩阵;
根据所述多个等效参数,生成所述PNGV模型的多个模型参数;
对所述电池的电压和电流按照采样周期进行采样,生成下一个的端电压和下一个的环路电流;
对采样次数进行加1处理;
判断所述采样次数是否大于采样阈值;
若判断出所述采样次数小于或等于采样阈值,将所述下一个的端电压作为所述当前的端电压,将所述下一个的环路电流作为所述当前的环路电流,并根据所述当前的端电压和所述当前的环路电流生成当前状态矩阵;将所述当前的协方差矩阵作为所述初始的协方差矩阵;将所述当前等效参数矩阵作为初始等效参数矩阵,并继续执行所述根据所述初始的协方差矩阵和所述当前状态矩阵,生成当前的增益矩阵的步骤。
5.根据权利要求2所述的PNGV模型参数的在线辨识方法,其特征在于,所述根据所述当前的增益矩阵、所述初始等效参数矩阵、所述当前的端电压和所述当前状态矩阵生成当前等效参数矩阵,所述当前等效参数矩阵包括所述多个等效参数,包括:
通过公式θi=θi-1+Gi[Ui-φT iθi-1]对所述当前的增益矩阵、所述初始等效参数矩阵、所述当前的端电压和所述当前状态矩阵进行计算,生成当前等效参数矩阵,其中,θi为当前等效参数矩阵,且θi=[α β γ λ η ω ξ σ μ ρ]T,α、β、γ、λ、η、ω、ξ、σ、μ和ρ为等效参数,θi-1为初始等效参数矩阵,Ui为当前的端电压,Gi为当前的增益矩阵,φi为当前状态矩阵。
6.根据权利要求2所述的PNGV模型参数的在线辨识方法,其特征在于,所述根据所述初始的协方差矩阵、所述当前的增益矩阵和所述当前状态矩阵,生成当前的协方差矩阵,包括:
通过公式Pi=Pi-1-GiφT iPi-1对所述初始的协方差矩阵、所述当前的增益矩阵和所述当前状态矩阵进行计算,生成当前的协方差矩阵,其中,Pi为当前的协方差矩阵,Pi-1为初始的协方差矩阵,Gi为当前的增益矩阵,φi为当前状态矩阵。
7.根据权利要求1所述的PNGV模型参数的在线辨识方法,其特征在于,所述构建初始的协方差矩阵和初始等效参数矩阵,包括:
根据多个所述端电压和多个所述环路电流,构造第一矩阵和第二矩阵;
通过公式θi-1=(ΦTΦ)-1ΦTU,对所述第一矩阵和所述第二矩阵进行计算,生成初始等效参数矩阵,其中,θi-1为初始等效参数矩阵,Φ为第一矩阵,U为第二矩阵;
通过公式Pi-1=(ΦTΦ)-1,对所述第一矩阵进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,Φ为第一矩阵;或者,
将初始等效参数矩阵设置为0;
通过公式Pi-1=σ2II对设置的单位矩阵和指定系数进行计算,生成初始的协方差矩阵,其中,Pi-1为初始的协方差矩阵,σ2为指定系数,II为单位矩阵。
8.一种PNGV模型参数的在线辨识装置,其特征在于,所述装置包括:
获取单元,用于获取所述电池的多个端电压和多个环路电流;
构建单元,用于构建初始的协方差矩阵和初始等效参数矩阵;
第一生成单元,用于根据所述当前的端电压和所述当前的环路电流,生成当前状态矩阵;
第二生成单元,用于根据所述初始的协方差矩阵、所述当前状态矩阵和所述多个端电压,更新所述初始等效参数矩阵生成多个等效参数,并根据所述多个等效参数生成所述PNGV模型的多个模型参数,所述多个模型参数包括电池欧姆内阻值、极化电容值、极化电阻值、开路电压值和等效电容值。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的PNGV模型参数的在线辨识方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的PNGV模型参数的在线辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361944.7A CN111679196A (zh) | 2020-04-30 | 2020-04-30 | 一种pngv模型参数的在线辨识方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361944.7A CN111679196A (zh) | 2020-04-30 | 2020-04-30 | 一种pngv模型参数的在线辨识方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111679196A true CN111679196A (zh) | 2020-09-18 |
Family
ID=72433976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361944.7A Pending CN111679196A (zh) | 2020-04-30 | 2020-04-30 | 一种pngv模型参数的在线辨识方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679196A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447818A (zh) * | 2021-06-03 | 2021-09-28 | 北方工业大学 | 电池等效电路模型的辨识方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
CN103793605A (zh) * | 2014-01-26 | 2014-05-14 | 浙江省计量科学研究院 | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 |
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 |
CN109239602A (zh) * | 2018-09-18 | 2019-01-18 | 清华大学深圳研究生院 | 一种动力电池的欧姆内阻的估算方法 |
CN109444758A (zh) * | 2018-12-03 | 2019-03-08 | 湖南金杯新能源发展有限公司 | 电池荷电状态估计方法、装置、存储介质及计算机设备 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN110007237A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池放电特性实验测试系统及其方法 |
CN110780205A (zh) * | 2019-12-06 | 2020-02-11 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种新型的磷酸铁锂电池pngv等效电路模型及参数辨识方法 |
-
2020
- 2020-04-30 CN CN202010361944.7A patent/CN111679196A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
CN103793605A (zh) * | 2014-01-26 | 2014-05-14 | 浙江省计量科学研究院 | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 |
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 |
CN109239602A (zh) * | 2018-09-18 | 2019-01-18 | 清华大学深圳研究生院 | 一种动力电池的欧姆内阻的估算方法 |
CN109444758A (zh) * | 2018-12-03 | 2019-03-08 | 湖南金杯新能源发展有限公司 | 电池荷电状态估计方法、装置、存储介质及计算机设备 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN110007237A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池放电特性实验测试系统及其方法 |
CN110780205A (zh) * | 2019-12-06 | 2020-02-11 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种新型的磷酸铁锂电池pngv等效电路模型及参数辨识方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447818A (zh) * | 2021-06-03 | 2021-09-28 | 北方工业大学 | 电池等效电路模型的辨识方法及系统 |
CN113447818B (zh) * | 2021-06-03 | 2023-07-14 | 北方工业大学 | 电池等效电路模型的辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
Shen et al. | Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach | |
KR102156404B1 (ko) | 배터리 셀 성능 테스트 장치 및 방법 | |
EP3786653B1 (en) | Battery state estimation method | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN109633453A (zh) | 电池参数在线辨识方法、装置及计算机可读存储介质 | |
US20230417834A1 (en) | Method, system and storage medium for solid-phase concentration correction of lithium batteries | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN114705990B (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
Sadabadi et al. | Model-based state of health estimation of a lead-acid battery using step-response and emulated in-situ vehicle data | |
US11835587B2 (en) | Method for determining full-charge capacity of battery pack, method for determining state of health of battery pack, system, and apparatus | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
CN111208433A (zh) | 电池二阶rc等效电路模型参数辨识的方法及装置 | |
CN112147514A (zh) | 基于rls的锂电池全工况自适应等效电路模型 | |
CN112733427A (zh) | 锂离子电池的负极电位估算模型建立方法及计算机设备 | |
CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN110456283B (zh) | 获取电芯内阻参数的方法及装置 | |
CN115512777A (zh) | 一种基于容量变化率的电化学模型参数辨识方法和系统 | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
CN111679196A (zh) | 一种pngv模型参数的在线辨识方法、装置、计算机设备 | |
CN111208435A (zh) | 电池模型参数估计方法及装置 |
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: 20200918 |