CN111751750A - 基于模糊ekf的多阶段闭环锂电池soc估算方法 - Google Patents
基于模糊ekf的多阶段闭环锂电池soc估算方法 Download PDFInfo
- Publication number
- CN111751750A CN111751750A CN202010566316.2A CN202010566316A CN111751750A CN 111751750 A CN111751750 A CN 111751750A CN 202010566316 A CN202010566316 A CN 202010566316A CN 111751750 A CN111751750 A CN 111751750A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- lithium battery
- estimation
- fuzzy
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000010354 integration Effects 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 230000010287 polarization Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 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]
- G01R31/385—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
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提出了一种基于模糊EKF的多阶段闭环锂电池SOC估算方法。本发明首先建立锂电池的等效电路模型;然后通过实验确定锂电池不同荷电状态SOC处的开路电压以及电池等效模型参数,拟合得到开路电压和SOC的函数关系;再根据锂电池的等效电路模型,并结合安时积分法得出基于扩展卡尔曼滤波的状态方程和观测方程。通过比较每一时刻两次步长不同的扩展卡尔曼滤波的结果判断目前对于观测噪声协方差的估计是否准确。结合模糊控制自适应调整扩展卡尔曼滤波算法中观测噪声协方差的值,利用荷电状态的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈。本发明提高了锂电池SOC估算精度。
Description
技术领域
本发明属于锂电池状态估算技术领域,具体涉及一种基于模糊EKF的多阶段闭环锂电池SOC估算方法。
背景技术
随着环境污染和能源危机日益严重,电动汽车因其动力源环保清洁等优点备受关注。锂离子动力电池是电动汽车的重要组成部分,荷电状态(state of charge,SOC)是反映电池剩余容量状况的参数,提供电动汽车所能行驶的剩余里程信息、保证电池工作在合理的电压范围内,延长电池的寿命。电池SOC无法直接测量,受环境温度、内阻及电压等因素的影响,所以精确估算电池SOC具有重要意义。
目前SOC估算的方法主要有安时积分法、开路电压法、卡尔曼滤波法、神经网络法以及它们的各种组合算法。安时法是SOC估计最常用的方法,该方法通过将电流在时间上积分来计算电池的剩余容量,它的估计精度很大程度上依赖于传感器的精度,且其计算过程依赖于初始SOC值。开路电压法主要利用查表法获取不同开路电压下的SOC值,然而准确地获取动力电池的开路电压需要很长的静置时间,不能用于实时监测。神经网络算法依赖大量的样本进行数据训练。卡尔曼滤波算法具有估算精度高、计算简单等优点,所以应用卡尔曼滤波算法估算成为研究的热点。
在传统的卡尔曼滤波算法,一般都假设过程噪声协方差Q的值和观测噪声协方差R的值固定不变。但是,在电池工作过程中,传感器的噪声水平会受不同的充放电工况和外界环境的影响,会影响卡尔曼滤波算法的估计精度。在电池实际充放电状态下,观测噪声统计特性随实际工况条件剧烈变化,有很强的随机性。因此,如果在滤波过程中采用恒定不变的R作为观测噪声协方差的值是不合理的,必然会造成跟踪结果的较大误差。
发明内容
本发明针对现有技术的不足,提供了一种基于模糊EKF的多阶段闭环锂电池SOC估算方法。
本发明将模糊控制和扩展卡尔曼滤波结合,解决了现有技术存在的协方差矩阵估计不准的问题,并将SOC估计分成三个阶段处理,利用荷电状态的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈,从而实现状态估计的闭环,提高了估算的精度,包括如下步骤:
步骤1、建立锂电池的Thevenin等效电路模型。
步骤2、对Thevenin等效电路模型进行参数辨识,通过HPPC实验确定锂电池不同荷电状态SOC处的开路电压以及电池等效模型参数,通过MATLAB拟合得到开路电压和SOC的函数关系,并求出模型的欧姆内阻、极化内阻、极化电容和不同荷电状态SOC的关系。
步骤3、根据锂电池的等效电路模型,并结合安时积分法得出基于扩展卡尔曼滤波的状态方程和观测方程。然后通过比较每一个时刻两次步长不同的模糊扩展卡尔曼滤波的估计值的关系来判断是否需要调整观测噪声协方差R的值。
步骤4、结合模糊控制自适应调整扩展卡尔曼滤波算法中观测噪声协方差R的值,利用荷电状态的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈,最终迭代计算实时获得锂电池的荷电状态SOC值,从而实现状态估计的闭环估计系统。
本发明的有益效果:本发明在扩展卡尔曼滤波法的基础上,研究了步长对SOC估计精度的影响,通过步长分别为1和n的扩展卡尔曼滤波得到当前时刻的两个滤波结果,根据两个结果判断滤波状态是否发生了重大变化,结合模糊控制自适应调整观测噪声协方差。此外,考虑到同时调整过程噪声协方差和观测噪声协方差容易造成滤波发散,本发明采用只调整观测噪声协方差的方法,降低了滤波发散的可能性;并利用荷电状态的估计结果,将SOC估计过程分三段处理,实时调整阈值的大小,为荷电状态估计算法提供反馈,从而实现状态估计的闭环估计,提高了估算的精度。
附图说明
图1为锂电池Thevenin等效电路模型;
图2为算法的原理图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明提出了一种基于模糊EKF的多阶段闭环锂电池SOC估算方法,包括如下步骤:
步骤1、如图1所示,建立锂电池的Thevenin等效电路模型。
步骤1中,Thevenin等效电路模型中一个RC并联电路和一个电阻串联,可以很好模拟电池的欧姆内阻和极化内阻,能够准确地反应电池工作特性,其中,UL为电池端电压,iL为电池电流,Uoc为开路电压,R0为欧姆内阻,Rp为极化内阻,Cp为极化电容,Up为极化电容两端的电压。
步骤2、对电池Thevenin等效电路模型进行参数辨识,通过HPPC实验确定锂电池不同荷电状态SOC处的开路电压以及电池等效模型参数,通过MATLAB拟合得到开路电压和SOC的函数关系,并求出模型的欧姆内阻、极化内阻、极化电容和SOC的关系。
本步骤具体为:
步骤2.1,按电池充电标准满充电池,搁置电池1h;以24A的电流对电池进行10s的放电,再静止40s,然后以24A的电流对电池进行10s的充电,再静止40s,同时记录电池端电压的变化情况;恒流放电至HPPC要求的SOC测试点,充分静置,然后重复以上步骤,直至测试完所有测试点。
步骤2.2,根据HPPC实验数据,利用MATLAB拟合出Uoc和SOC的函数关系,结合最小二乘法即可获得相应的参数值,可以得出欧姆内阻、极化内阻、极化电容和SOC的对应关系。
步骤3、根据锂电池的等效电路模型,并结合安时积分法得出基于扩展卡尔曼滤波的状态方程和观测方程。然后通过比较每一个时刻两次步长不同的模糊扩展卡尔曼滤波的估计值的关系来判断是否需要调整观测噪声协方差R的值。
本步骤具体为:
步骤3.1,根据等效电路模型,得到锂电池的数学模型为:
UL=Uoc-R0iL-Up (1)
Uoc=F(SOCk) (3)
根据电池数学模型,并结合安时积分法可以得出基于EKF进行SOC估计得电池非线性状态空间模型,将以上各式联合并离散化后得状态方程:
观测方程如下:
算法递归估算过程如下:
(1)预测状态值更新:
(2)误差协方差时间更新:
Pk+1|k=AkPkAk T+Q (7)
(3)卡尔曼增益更新:
(4)最有估计更新
(5)最优估计值误差协方差更新:
Pk+1=(1-Lk+1Ck+1)Pk+1|k (10)
(6)观测噪声协方差值更新
R(k)=uR(k-1) (11)
步骤3.2,定义每一个采样间隔记为一个步长,那么在每个采样时刻,都可以通过步长分别为1和n的两次扩展卡尔曼滤波得到当前状态的滤波结果,判断是否发生了重大变化;时刻k(k>n)的两个滤波估计量分别记作和为了衡量和之间的差异,定义一个新的变量,称之为变化度m,则有:
步骤3.3,根据变化度m的大小调整观测噪声协方差R的值,当m大于设定的阈值m1时,认为滤波状态发生了较大的变化,观测值在滤波结果中占的比重过大,过分相信观测值,此时需要增大观测噪声协方差R的值,降低观测值在滤波结果的比重,取R=μR,其中μ>1。当m远小于阈值m1时,认为滤波状态稳定,需要降低观测噪声协方差R的值,取R=μR,其中0<μ<1,提高观测值的可靠性。当m在阈值m1附近,观测噪声协方差R的值保持不变。
步骤4、结合模糊控制自适应调整扩展卡尔曼滤波算法中观测噪声协方差R的值,利用荷电状态的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈,最终迭代计算实时获得锂电池的荷电状态SOC值,从而实现状态估计的闭环估计系统。
本步骤具体为:
步骤4.1,在模糊控制器中,将变化度m作为模糊控制器的输入,将调整因子μ作为系统的输出。定义m的三个模糊子集分别为Bigger(B),Mid(M)和Lower(L)。定义μ的三个模糊子集分别为Increase(I),Stay(S)和Decrease(D)。根据隶属函数类型和参数设置,制定模糊推理规则为:
(1)If m=Bigger,then μ=Increase;(2)If m=Mid,thenμ=Stay;(3)If m=Lower,then μ=Decrease;
其中,L远低于阈值m1,M为在阈值m1附近,B远大于阈值m1,I为增大,S为保持不变,D为减小。
通过模糊控制器的设计,结合变化度和荷电状态SOC,利用模糊控制器调节调整因子μ,可以实现观测噪声协方差R值的实时自适应调整,再将经过调整的观测噪声协方差R传递到卡尔曼滤波算法的增益系数中,实现算法的结合和参数的动态调整。
步骤4.2,迭代计算实时获得锂电池的荷电状态SOC值,还可以利用荷电状态的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈,从而实现状态估计的闭环估计系统。
具体为:根据实验数据分析得知,当SOC的值在30%-80%之间荷电状态SOC的值变化平稳,无需调整阈值m1的值,直接通过变化度m和阈值m1关系调整观测噪声协方差R的值。迭代计算实时获得锂电池的荷电状态SOC值。当SOC的值在30%以下或者80%以上时,荷电状态SOC在这两个阶段短时间内变化较大,造成变化度m值会过大,导致频繁的修改观测噪声协方差的值,使观测噪声协方差的值过大,所以需要调高阈值m1的值,然后再判断是否需要通过上述的模糊规则调整观测噪声协方差R的值,从而实现状态估计的闭环估计系统。
Claims (4)
1.基于模糊EKF的多阶段闭环锂电池SOC估算方法,包括如下步骤:
步骤1、建立锂电池的Thevenin等效电路模型;
步骤2、对Thevenin等效电路模型进行参数辨识,通过脉冲放电实验确定锂电池不同荷电状态SOC处的开路电压以及电池等效模型参数;
通过MATLAB拟合得到开路电压和荷电状态SOC的函数关系,并求出模型的欧姆内阻、极化内阻、极化电容和荷电状态SOC的关系;
步骤3、根据等效电路模型,并结合安时积分法得出基于扩展卡尔曼滤波的状态方程和观测方程;
每一个时刻通过两次步长不同的扩展卡尔曼滤波得到当前时刻的两个滤波估计状态值,通过比较这两个值之间的关系判断目前观测噪声协方差的值是否准确;
步骤4、结合模糊控制自适应调整扩展卡尔曼滤波算法中观测噪声协方差的值,最终迭代计算实时获得锂电池的荷电状态SOC;
同时利用荷电状态SOC的估计结果分段实时调整阈值的大小,为荷电状态估计算法提供反馈,实现状态估计的闭环估计。
3.根据权利要求2所述的基于模糊EKF的多阶段闭环锂电池SOC估算方法,其特征在于:
步骤4中模糊控制器的输入为变化度m,模糊控制器的输出为观测噪声协方差的调整因子。
4.根据权利要求2所述的基于模糊EKF的多阶段闭环锂电池SOC估算方法,其特征在于:
当荷电状态SOC的值在30%-80%之间,荷电状态SOC的值变化平稳,无需调整阈值m1的值,直接通过变化度m和阈值m1关系调整观测噪声协方差的值;迭代计算实时获得锂电池的荷电状态SOC值;
当荷电状态SOC的值在30%以下或者80%以上时,调高阈值m1的值,然后再判断是否需要通过模糊规则调整观测噪声协方差的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566316.2A CN111751750B (zh) | 2020-06-19 | 2020-06-19 | 基于模糊ekf的多阶段闭环锂电池soc估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566316.2A CN111751750B (zh) | 2020-06-19 | 2020-06-19 | 基于模糊ekf的多阶段闭环锂电池soc估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751750A true CN111751750A (zh) | 2020-10-09 |
CN111751750B CN111751750B (zh) | 2023-10-20 |
Family
ID=72675529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566316.2A Active CN111751750B (zh) | 2020-06-19 | 2020-06-19 | 基于模糊ekf的多阶段闭环锂电池soc估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751750B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858929A (zh) * | 2021-03-16 | 2021-05-28 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
CN116500461A (zh) * | 2023-06-29 | 2023-07-28 | 安徽锐能科技有限公司 | 电池滞回模型下的soc估计方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
WO2013052944A1 (en) * | 2011-10-06 | 2013-04-11 | Isis Innovation Limited | Periodic artifact reduction from biomedical signals |
CN104360282A (zh) * | 2014-11-19 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
CN108594135A (zh) * | 2018-06-28 | 2018-09-28 | 南京理工大学 | 一种用于锂电池均衡充放电控制的soc估算方法 |
CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
CN110187282A (zh) * | 2019-06-03 | 2019-08-30 | 珠海东帆科技有限公司 | 电池荷电状态估算方法和估算装置 |
CN110632520A (zh) * | 2019-10-17 | 2019-12-31 | 西安工业大学 | 一种动力电池soc的估算装置及其估算方法 |
CN111291471A (zh) * | 2020-01-17 | 2020-06-16 | 中山大学 | 一种基于l1正则无迹变换的约束多模型滤波方法 |
-
2020
- 2020-06-19 CN CN202010566316.2A patent/CN111751750B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013052944A1 (en) * | 2011-10-06 | 2013-04-11 | Isis Innovation Limited | Periodic artifact reduction from biomedical signals |
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN104360282A (zh) * | 2014-11-19 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
CN108594135A (zh) * | 2018-06-28 | 2018-09-28 | 南京理工大学 | 一种用于锂电池均衡充放电控制的soc估算方法 |
CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
CN110187282A (zh) * | 2019-06-03 | 2019-08-30 | 珠海东帆科技有限公司 | 电池荷电状态估算方法和估算装置 |
CN110632520A (zh) * | 2019-10-17 | 2019-12-31 | 西安工业大学 | 一种动力电池soc的估算装置及其估算方法 |
CN111291471A (zh) * | 2020-01-17 | 2020-06-16 | 中山大学 | 一种基于l1正则无迹变换的约束多模型滤波方法 |
Non-Patent Citations (5)
Title |
---|
李鲍: "基于优化扩展卡尔曼滤波的SOC估算研究及应用", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 035 - 504 * |
林程等: "基于模糊卡尔曼滤波算法的动力电池SOC估计", 《电源技术》 * |
林程等: "基于模糊卡尔曼滤波算法的动力电池SOC估计", 《电源技术》, no. 09, 20 September 2016 (2016-09-20), pages 1836 - 1839 * |
林鹏峰: "磷酸铁锂电池建模及其荷电状态估计算法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 042 - 2670 * |
邓青: "基于改进EKF算法锂电池SOC估算的研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 042 - 3285 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858929A (zh) * | 2021-03-16 | 2021-05-28 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
CN116500461A (zh) * | 2023-06-29 | 2023-07-28 | 安徽锐能科技有限公司 | 电池滞回模型下的soc估计方法及系统 |
CN116500461B (zh) * | 2023-06-29 | 2023-10-27 | 安徽锐能科技有限公司 | 电池滞回模型下的soc估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111751750B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106918789B (zh) | 一种soc-soh联合在线实时估计和在线修正方法 | |
CN108445406B (zh) | 一种动力电池健康状态估计方法 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN111751750B (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
CN108535661B (zh) | 一种基于模型误差谱的动力电池健康状态在线估计方法 | |
CN109828215A (zh) | 一种提升电池单体soc估算精度的方法和系统 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
Ouyang et al. | A novel state of charge estimation method for lithium-ion batteries based on bias compensation | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN110196395B (zh) | 蓄电池soc估算方法 | |
CN114035072A (zh) | 一种基于云边协同的电池组多状态联合估计方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
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 | |
CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
CN113759258B (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN117388715B (zh) | 一种串联锂电池组的soc和sop联合估计方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
CN116718920B (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
WO2021035500A1 (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算系统 | |
CN116794517A (zh) | 基于分数阶卡尔曼滤波的锂离子电池soc估计方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: 315400 North Ring Road, Yuyao City, Ningbo, Zhejiang Province, No. 6 Patentee after: ZHEJIANG GBS ENERGY Co.,Ltd. Address before: 310018 No.2 street, Baiyang street, Qiantang New District, Hangzhou City, Zhejiang Province Patentee before: HANGZHOU DIANZI University |