CN111722118B - 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 - Google Patents
一种基于soc-ocv优化曲线的锂离子电池soc估计方法 Download PDFInfo
- Publication number
- CN111722118B CN111722118B CN202010572703.7A CN202010572703A CN111722118B CN 111722118 B CN111722118 B CN 111722118B CN 202010572703 A CN202010572703 A CN 202010572703A CN 111722118 B CN111722118 B CN 111722118B
- Authority
- CN
- China
- Prior art keywords
- ocv
- soc
- current
- constant
- lithium ion
- 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
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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
Abstract
本发明涉及一种基于SOC‑OCV优化曲线的锂离子电池SOC估计方法,包括以下步骤:1)在一恒定温度下,对锂离子电池进行恒流恒压充电至截止倍率;2)在相同恒定温度下,对锂离子电池进行小电流恒流放电实验,获得小电流恒流放电OCV变化曲线;3)在相同恒定温度下,对锂离子电池进行HPPC测试实验,获得不同HPPC测试点的OCV值;4)采用PSO算法根据不同HPPC测试点OCV值对小电流恒流放电OCV变化曲线进行拟合优化得到SOC‑OCV优化曲线;5)根据SOC‑OCV优化曲线结合EKF算法进行SOC的闭环估计。与现有技术相比,本发明结合HPPC测试与小电流恒流放电两种方法的优点对SOC‑OCV曲线进行优化,减小HPPC测试过程中需要静置的次数,节省测试时间,提高低SOC区间SOC估计精度。
Description
技术领域
本发明涉及锂离子电池荷电状态预测技术领域,尤其是涉及一种基于二阶RC模型和SOC-OCV优化曲线的锂离子电池SOC估计方法。
背景技术
锂离子电池由于具有能量密度高、寿命长、环境友好等优点,目前作为动力源在新能源汽车中得到广泛应用,为了保证锂电池安全可靠工作,电池管理系统被设计来对锂电池进行实时监控与管理,而电池状态估计是电池管理系统的基础和核心,国内外关于锂电池状态估计的研究成果非常丰富,这些研究大多是以锂电池模型为基础的,锂电池模型包括电化学模型、等效电路模型、神经网络模型等,其中等效电路模型由于结构简单、精度较高等优点被广泛采用。
电池状态估计过程中,需要电池的SOC-OCV曲线作为标准来对模型参数进行辨识与端电压估计,在传统的HPPC测试方法测试某一温度SOC-OCV曲线过程中,在测试完一个点的OCV后,一般需要搁置三个小时才能继续测试下一个点的OCV,该方法在测试点得到的OCV很准确,但是HPPC测试耗时严重;且通过插值法获得其他点OCV,但是插值得到的OCV并不符合电池的特性,特别在低SOC区域OCV曲线的非线性严重,降低了低SOC区间SOC的估计精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,包括以下步骤:
1)在一恒定温度下,对锂离子电池进行恒流恒压充电至截止倍率;
2)在相同恒定温度下,对锂离子电池进行小电流恒流放电实验,获得小电流恒流放电OCV变化曲线;
3)在相同恒定温度下,对锂离子电池进行HPPC测试实验,获得不同HPPC测试点的OCV值;
4)采用PSO算法根据不同HPPC测试点OCV值对小电流恒流放电OCV变化曲线进行拟合优化得到SOC-OCV优化曲线;
5)根据SOC-OCV优化曲线结合EKF算法进行SOC的闭环估计。
所述的步骤1)中,恒定温度设为25摄氏度。
所述的步骤1)中,对锂离子电池进行恒流恒压充电至截止倍率,其中,恒流为1/3C,恒压为锂离子电池上限截止电压,截止倍率为1/20C。
所述的步骤2)中,对锂离子电池进行小电流恒流放电实验,其中,小电流为1/30C。
所述的步骤3)中,对锂离子电池进行HPPC测试实验具体为:
对锂离子电池以每隔10%SOC为1个循环,共计进行11个循环的HPPC测试实验,获得11个测试点的OCV值。
所述的步骤4)具体包括以下步骤:
41)根据步骤3)中HPPC测试得到的不同测试点的OCV值,将步骤2)中得到的小电流恒流放电OCV变化曲线进行平移与变换,使平移后的小电流恒流放电OCV变化曲线与测试点的OCV值在所有测试点的误差之和最小;
42)采用PSO算法对优化后的SOC与OCV的表达式进行求解获得最优的加权系数,完成拟合优化得到SOC-OCV优化曲线。
所述的步骤42)中,则优化后的SOC与OCV的表达式分别为:
s=s1+w1·C
u=u1+w2·C
其中,s和u分别为优化后的SOC与OCV,s1与u1分别为小电流恒流放电OCV变化曲线的SOC与OCV,w1与w2为加权系数,C为常量.
所述的步骤42)中,PSO算法的优化目标函数为:
D1(i)=s(i)-sHPPC(i)
D2(i)=u(i)-uHPPC(i)
其中,G为SOC-OCV优化曲线在全部的HPPC测试点的OCV和SOC误差之和,s(i)和sHPPC(i)分别为第i个测试点处优化后和HPPC测试得到的SOC,u(i)与uHPPC(i)分别为第i个测试点处优化后和HPPC测试得到的OCV,D1(i)、D2(i)为中间参量。
所述的步骤5)具体包括以下步骤:
51)基于二阶RC模型确定离散化状态空间模型;
52)根据离散化状态空间模型,采用EKF算法进行SOC的闭环估计。
所述的步骤51)中,以SOC、U1、U2作为状态变量,充放电电流I作为输入量,端电压Ut作为输出量,离散化状态空间模型具体为:
Ut,k=Uocv-R0Ik-U1,k-U2,k+vk
其中,Δt为采样周期,C0为电池容量,Uocv为开路电压,wk和vk分别为电流和电压的测量噪声,τ1为等效电路模型中R1C1网络的时间常数,τ2为等效电路模型中R2C2网络的时间常数,R1为R1C1网络的极化内阻,R2为R2C2网络的极化内阻,Ik为充放电电流,U1为R1C1网络的端电压,U2为R2C2网络的端电压,R0为欧姆电阻。
与现有技术相比,本发明具有以下优点:
一、相比现有的21个循环HPPC测试获取SOC-OCV曲线方法,本发明采用11个循环HPPC测试和小倍率恒流放电实验即可完成SOC的估计,大大节省了时间。
二、锂电池在HPPC测试点得到的SOC-OCV值是准确的,但HPPC需要较长的测试时间,因此一般是选取一定数量的测试点进行离散测试,测试点之间的SOC-OCV通过插值得到,但是插值得到的SOC-OCV不能很好的反应锂电池的非线性特征,特别是在低SOC区间非线性十分严重,而小电流恒流放电测试则能得到连续的SOC-OCV曲线,具有正确的非线性趋势但准确性需要提高,本发明结合了两种方法的优点,充分利用HPPC测试在离散测试点的准确性及小电流恒流放电测试的连续性与趋势准确性,得到的优化SOC-OCV曲线能反映锂电池在整个SOC区间特别是低SOC区间SOC-OCV曲线非线性的特性,因此采用基于优化SOC-OCV曲线的SOC估计,使得整个区间特别是低SOC区间的SOC估计精度得到提高。
附图说明
图1为本发明的估计过程图。
图2为本发明的优化结果。
图3为本发明的等效电路模型图。
图4为实施例中的SOC估计误差。
具体实施方式
下面将结合示意图对本发明所采用的技术方案作进一步的说明。
本发明提供了一种SOC-OCV曲线的测试方法和基于优化SOV-OCV曲线的SOC估计方法,该方法在节省了测得SOC-OCV曲线所使用时间的同时提高了低SOC区间SOC的估计精度。
如图1所示,图1给出了SOC-OCV曲线的测试方法和基于优化SOV-OCV曲线的SOC估计过程,首先在某一恒定温度下,对电池进行恒流恒压充点至截止倍率,然后在同一恒定温度下,对电池进行1/30C恒流放电实验,获得小电流恒流放电OCV变化曲线并对电池进行HPPC测试实验,获得不同测试点OCV,接着利用PSO算法根据不同测试点OCV对小电流放电OCV变化曲线进行优化,最后,使用SOC-OCV优化曲线,结合EKF算法进行SOC闭环估计。
下面具体描述本发明的估计方法:
步骤S1,在某一恒定温度下(例如25摄氏度),对电池进行恒流恒压充点至截止倍率,其中,恒流指1/3C,恒压指电池上限截止电压,截止倍率为1/20C。
步骤S2,在同一温度下对电池进行1/30C恒流放电实验,获得小电流恒流放电OCV变化曲线。
步骤S3,对电池进行11个循环(每隔10%SOC为一循环)HPPC测试实验,获得不同测试点(0%,10%,20%……)OCV。
步骤S4,根据步骤S3和步骤S4得到的实验结果确定优化SOC-OCV曲线,改步骤S4具体包括如下:
步骤S4.1,根据步骤S3中得到的HPPC测试不同测试点OCV,将步骤S2中得到的获得小电流恒流放电OCV变化曲线进行平移与变换,使平移后的小电流恒流放电OCV变化曲线与不同测试点OCV在所有测试点的误差之和最小。优化后的SOC与OCV的表达式分别为:
s=s1+w1·C (1)
u=u1+w2·C (2)
式中,s与u分别为优化后的SOC与OCV,s1与u1分别为小电流恒流放电得到的SOC与OCV,w1与w2为加权系数,C为常量。
步骤S4.2,用粒子群算法求解最优加权系数w1与w2,优化的目标函数为:
式中,G为所求的优化SOC-OCV曲线在11个HPPC测试点的OCV和SOC误差之和;D1(i)与D2(i)的表达式分别如下:
D1(i)=s(i)-sHPPC(i) (4)
D2(i)=u(i)-uHPPC(i) (5)
式中,s(i)与sHPPC(i)分别表示第i个测试点处优化后和HPPC测试的SOC;u(i)与uHPPC(i)分别表示第i个测试点处优化后和HPPC测试得出的OCV。
步骤S4.3,粒子群(PSO)算法迭代方法为:在PSO算法中,由粒子表示的潜在解通过跟踪最优粒子飞过问题空间在D维搜索空间中,由n个粒子组成群,其中第i个粒子位置表示为D维向量Xid=(xi1,xi2,...,xiD)T,其速度表示为Vid=(vi1,vi2,...,viD)T,单个极值表示为Pid=(pi1,pi2,...,piD)T,群极值表示为Pgd=(pg1,pg2,...,pgD)T,迭代过程中的粒子速度与位置更新之间存在如下关系:
式中:ω为惯性权重;d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;c1、c2为加速度系数;r1、r2为服从(0,1)内均匀分布的随机数。
通过PSO算法优化得出w1与w2,进而得到优化SOC-OCV曲线如图2所示。
步骤S5,使用SOC-OCV优化曲线,结合EKF算法进行SOC闭环估计,该步骤S5具体包括如下:
步骤S5.1,基于二阶RC模型确定离散化状态空间模型:
对于一个动态非线性系统,一般可以用以下状态空间模型来进行描述。
xk+1=f(xk,uk)+wk (7)
yk=g(xk,uk)+vk (8)
对如图3所示的2RC等效电路模型,结合安时积分法,以SOC、U1、U2作为状态变量,充放电电流I作为输入量,端电压Ut作为输出量,得到离散化的状态空间方程为:
Ut,k=Uocv-R0Ik-U1,k-U2,k+vk (10)
式中:Δt为采样周期;C0为电池容量;Uocv为开路电压;wk和vk分别是电流、电压的测量噪声。
步骤S5.2,卡尔曼滤波算法的初始化及迭代方程为:
初始化:
当k=0时,设定:
迭代计算:
当k=1,2,…
其中,和分别是状态方程和输出方程的一阶泰勒展开系数,称为系数矩阵,Lk是卡尔曼增益,Σω和Σv分别是输入测量噪音ωk和输出测量噪音νk的协方差矩阵,Pk是状态估计误差的协方差矩阵,表明状态估计的不确定性。
本实例得到SOC估计误差如图4所示。
本发明提供的基于优化SOC-OCV曲线的SOC估计方法,在确定SOC-OCV曲线时,相比传统的21个循环HPPC测试获取SOC-OCV曲线方法,用11个循环HPPC测试和小倍率恒流放电实验节省了时间;另外,基于优化SOC-OCV曲线的SOC估计,由于很好的预测了低SOC区间SOC-OCV曲线非线性的特性,电池低SOC区间SOC估计精度得到了提高。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (7)
1.一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,包括以下步骤:
1)在一恒定温度下,对锂离子电池进行恒流恒压充电至截止倍率;
2)在相同恒定温度下,对锂离子电池进行小电流恒流放电实验,获得小电流恒流放电OCV变化曲线;
3)在相同恒定温度下,对锂离子电池进行HPPC测试实验,获得不同HPPC测试点的OCV值;
4)采用PSO算法根据不同HPPC测试点OCV值对小电流恒流放电OCV变化曲线进行拟合优化得到SOC-OCV优化曲线;
5)根据SOC-OCV优化曲线结合EKF算法进行SOC的闭环估计;
所述的步骤4)具体包括以下步骤:
41)根据步骤3)中HPPC测试得到的不同测试点的OCV值,将步骤2)中得到的小电流恒流放电OCV变化曲线进行平移与变换,使平移后的小电流恒流放电OCV变化曲线与测试点的OCV值在所有测试点的误差之和最小;
42)采用PSO算法对优化后的SOC与OCV的表达式进行求解获得最优的加权系数,完成拟合优化得到SOC-OCV优化曲线;
所述的步骤42)中,则优化后的SOC与OCV的表达式分别为:
s=s1+w1·C
u=u1+w2·C
其中,s和u分别为优化后的SOC与OCV,s1与u1分别为小电流恒流放电OCV变化曲线的SOC与OCV,w1与w2为加权系数,C为常量;
所述的步骤42)中,PSO算法的优化目标函数为:
D1(i)=s(i)-sHPPC(i)
D2(i)=u(i)-uHPPC(i)
其中,G为SOC-OCV优化曲线在全部的HPPC测试点的OCV和SOC误差之和,s(i)和sHPPC(i)分别为第i个测试点处优化后和HPPC测试得到的SOC,u(i)与uHPPC(i)分别为第i个测试点处优化后和HPPC测试得到的OCV,D1(i)、D2(i)为中间参量。
2.根据权利要求1所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤1)中,恒定温度设为25摄氏度。
3.根据权利要求1所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤1)中,对锂离子电池进行恒流恒压充电至截止倍率,其中,恒流为1/3C,恒压为锂离子电池上限截止电压,截止倍率为1/20C。
4.根据权利要求1所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤2)中,对锂离子电池进行小电流恒流放电实验,其中,小电流为1/30C。
5.根据权利要求1所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤3)中,对锂离子电池进行HPPC测试实验具体为:
对锂离子电池以每隔10%SOC为1个循环,共计进行11个循环的HPPC测试实验,获得11个测试点的OCV值。
6.根据权利要求1所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤5)具体包括以下步骤:
51)基于二阶RC模型确定离散化状态空间模型;
52)根据离散化状态空间模型,采用EKF算法进行SOC的闭环估计。
7.根据权利要求6所述的一种基于SOC-OCV优化曲线的锂离子电池SOC估计方法,其特征在于,所述的步骤51)中,以SOC、U1、U2作为状态变量,充放电电流I作为输入量,端电压Ut作为输出量,离散化状态空间模型具体为:
Ut,k=Uocv-R0Ik-U1,k-U2,k+vk
其中,Δt为采样周期,C0为电池容量,Uocv为开路电压,wk和vk分别为电流和电压的测量噪声,τ1为等效电路模型中R1C1网络的时间常数,τ2为等效电路模型中R2C2网络的时间常数,R1为R1C1网络的极化内阻,R2为R2C2网络的极化内阻,Ik为充放电电流,U1为R1C1网络的端电压,U2为R2C2网络的端电压,R0为欧姆电阻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572703.7A CN111722118B (zh) | 2020-06-22 | 2020-06-22 | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572703.7A CN111722118B (zh) | 2020-06-22 | 2020-06-22 | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722118A CN111722118A (zh) | 2020-09-29 |
CN111722118B true CN111722118B (zh) | 2023-02-10 |
Family
ID=72569925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572703.7A Active CN111722118B (zh) | 2020-06-22 | 2020-06-22 | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722118B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286325B (zh) * | 2019-07-29 | 2021-07-20 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
CN112379280B (zh) * | 2020-11-10 | 2022-12-27 | 南京理工大学 | 基于恒压恒流充电曲线的电池模型参数与ocv-soc关系确定方法 |
CN112946498B (zh) * | 2021-01-29 | 2023-05-23 | 蜂巢能源科技有限公司 | 电动势曲线的获得方法和装置、及处理器 |
CN113109717B (zh) * | 2021-03-27 | 2022-02-18 | 浙江大学 | 一种基于特征曲线优化的锂电池荷电状态估算方法 |
CN113341319B (zh) * | 2021-04-19 | 2023-02-21 | 北京交通大学 | 基于参数插值获取任意温度和倍率下放电曲线的方法 |
CN113471561B (zh) * | 2021-07-01 | 2023-06-27 | 四川长虹电源有限责任公司 | 一种确定锂离子电池活化工艺的方法 |
CN114744310B (zh) * | 2022-02-11 | 2023-02-03 | 长安大学 | 基于soc自适应分阶的动力锂电池两步充电方法 |
CN115980605A (zh) * | 2022-09-19 | 2023-04-18 | 伏达半导体(合肥)股份有限公司 | 用于表征多个电池单元的方法、电池参数估算装置和方法 |
CN117031283A (zh) * | 2023-09-05 | 2023-11-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种评估可重构锂电池储能系统soc的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014045706A1 (ja) * | 2012-09-18 | 2014-03-27 | 株式会社豊田自動織機 | 充電状態推定装置及び充電状態推定方法 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN108152750A (zh) * | 2017-12-26 | 2018-06-12 | 深圳先进技术研究院 | 一种电动汽车的电池充放电参数识别方法和系统 |
CN108829911A (zh) * | 2018-04-16 | 2018-11-16 | 西南科技大学 | 一种开路电压与soc函数关系优化方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
CN110646741A (zh) * | 2019-09-20 | 2020-01-03 | 天合光能股份有限公司 | 一种锂离子电池等效电路模型的参数获取方法 |
CN111060820A (zh) * | 2019-11-28 | 2020-04-24 | 上海理工大学 | 一种基于二阶rc模型的锂电池soc、sop估计方法 |
-
2020
- 2020-06-22 CN CN202010572703.7A patent/CN111722118B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014045706A1 (ja) * | 2012-09-18 | 2014-03-27 | 株式会社豊田自動織機 | 充電状態推定装置及び充電状態推定方法 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN108152750A (zh) * | 2017-12-26 | 2018-06-12 | 深圳先进技术研究院 | 一种电动汽车的电池充放电参数识别方法和系统 |
CN108829911A (zh) * | 2018-04-16 | 2018-11-16 | 西南科技大学 | 一种开路电压与soc函数关系优化方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
CN110646741A (zh) * | 2019-09-20 | 2020-01-03 | 天合光能股份有限公司 | 一种锂离子电池等效电路模型的参数获取方法 |
CN111060820A (zh) * | 2019-11-28 | 2020-04-24 | 上海理工大学 | 一种基于二阶rc模型的锂电池soc、sop估计方法 |
Non-Patent Citations (1)
Title |
---|
基于交互式多模型卡尔曼滤波的电池荷电状态估计;夏小虎等;《信息与控制》;20171015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111722118A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Zhang et al. | State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles | |
CN105301509B (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
Zhang et al. | A battery State of Charge estimation method with extended Kalman filter | |
CN107533105A (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN110688808A (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN110221221A (zh) | 锂离子电池荷电状态和健康状态联合估计方法 | |
CN109143097A (zh) | 一种计及温度和循环次数的锂离子电池soc估计方法 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN113466725A (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN111027203A (zh) | 一种超级电容soc计算方法 | |
CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN110927582B (zh) | 一种基于多种sigma点的锂电池SOC估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN112213644B (zh) | 电池荷电状态估算方法及电池管理系统 |
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 |