CN111812519A - 一种电池参数辨识方法及系统 - Google Patents
一种电池参数辨识方法及系统 Download PDFInfo
- Publication number
- CN111812519A CN111812519A CN202010678884.1A CN202010678884A CN111812519A CN 111812519 A CN111812519 A CN 111812519A CN 202010678884 A CN202010678884 A CN 202010678884A CN 111812519 A CN111812519 A CN 111812519A
- Authority
- CN
- China
- Prior art keywords
- battery
- terminal voltage
- equivalent circuit
- state
- function
- 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
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
Abstract
本发明公开了一种电池参数辨识方法,包括根据电池OCV‑SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。同时公开了相应的系统。本发明采用改进DQN模型优化遗忘因子,通过选权迭代最小二乘法辨识参数,解决了复杂工况下的参数辨识问题,并且提高了辨识精度和鲁棒性。
Description
技术领域
本发明涉及一种电池参数辨识方法及系统,属于电池领域。
背景技术
锂离子电池具有工作电压高、体积小、循环寿命长、自放电率低、无记忆效应等众多优点,已经成为动力储能装置的首选。为了保证电池安全可靠地运行,需要对电池进行健康管理,首先需要实现的就是电池建模。参数辨识算法的好坏直接决定了模型的精确度和鲁棒性。目前最小二乘法应用最多,此外还有极大似然法、预报误差法等,由于电池是时变系统,工况复杂,传统参数辨识不够准确。
发明内容
本发明提供了一种电池参数辨识方法及系统,解决了传统辨识方法不准确的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种电池参数辨识方法,包括,
根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;
将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;
基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数,具体过程为,
根据电池充放电实验数据,拟合电池OCV-SOC曲线;
根据电池OCV-SOC曲线和戴维宁等效电路模型,构建电池端电压函数;
根据电池端电压函数和实际电池端电压,确定电池端电压误差函数。
改进DQN模型中的行为状态函数等于状态值函数和行为优势差值函数之和;其中,行为优势差值函数等于行为优势函数减去当前状态下所有行为优势函数的均值。
改进DQN模型中的行为状态函数公式为,
其中,Q(st,a)为st状态时采取a行为的行为状态值,st为t时刻状态,a为行为,V(st)为状态值,A(st,a)为st状态时采取a行为的优势值,A(st,a′)为st状态时采取a′行为的优势值,a′为a行为所引起的下一个状态时采取的行为,A为优势函数数量。
改进DQN模型中,利用时间差分方法对行为状态函数进行更新,求得最优行为状态值矩阵,获得优化后的遗忘因子。
时间差分方法的目标公式为,
Yt Q=R+γmaxaQ(St+1,a)
其中,Yt Q为时间差分方法的目标,R为奖惩值,γ为衰减因子,Q(St+1,a)为为st+1状态时采取a行为的行为状态值。
基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识,具体过程为,
对电池戴维宁等效电路模型进行离散化处理,得到电池戴维宁等效电路模型的差分方程;
根据差分方程,采用带遗忘因子的递推最小二乘法,得到电池戴维宁等效电路模型参数矩阵的误差方程;
对误差方程进行选权迭代,带入最优遗忘因子,辨识出电池戴维宁等效电路模型的参数。
一种电池参数辨识系统,包括,
电压误差函数模块:根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;
遗忘因子模块:将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;
辨识模块:基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行电池参数辨识方法。
种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行电池参数辨识方法的指令。
本发明所达到的有益效果:本发明采用改进DQN模型优化遗忘因子,通过选权迭代最小二乘法辨识参数,解决了复杂工况下的参数辨识问题,并且提高了辨识精度和鲁棒性。
附图说明
图1为本发明方法的流程图;
图2为戴维宁等效电路模型图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种电池参数辨识方法,包括以下步骤:
步骤1,根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数。
具体过程如下:
11)根据电池充放电实验数据,拟合电池OCV-SOC曲线。
在25℃的环境温度下,以1C的电流对电池进行恒流放电,在电池完全放电后,将电池充分静置一段时间,记录当前电池端电压;然后以1C的电流对电池进行恒流充电,每充入10%的电量将电池充分静置,记录当前端电压,重复此过程直到电池完全充满,也就是以0.1的SOC间隔获取OCV(开路电压)的离散数据点。
在25℃的环境温度下,以1C的电流对电池进行恒流充电,直到电池端电压达到充电截止电压4.2V,再以4.2V的电压对电池进行恒压充电,直到充电电流小于0.05C,将电池充分静置一段时间,记录当前电池端电压;然后以1C的电流对电池进行恒流放电,每放出10%的电量后将电池充分静置,记录当前端电压,重复此过程直到电池完全放电。
对脉冲充电和脉冲放电实验获取的两组OCV数据进行平均处理,然后使用7阶多项式对SOC-OCV曲线进行拟合,拟合公式如下:
Uoc=a1SOC7+a2SOC6+a3SOC5+a4SOC4+a5SOC3+a6SOC2+a7SOC+a8
其中,Uoc为开路电压,a1~a8为多项式拟合的系数。
12)根据电池OCV-SOC曲线和戴维宁等效电路模型,构建电池端电压函数。
戴维宁等效电路模型如图2所示,其中Uoc为开路电压,是关于SOC、充放电倍率(C)和温度(T)等因素的非线性函数;R0为电池欧姆内阻,表示电池内部电极接触内阻、离子和电荷等扩散迁移受到的阻力;Rp和Cp分别表示电池的极化内阻和极化电容,该RC回路用来模拟电池的极化效应;Up为极化电容两端电压,为Up的一阶导数;Ut为负载电压,即电池端电压,是可以直接通过测量获得的重要参数;i为电池工作电流,放电方向为正方向;其中R0、Rp和Cp均为需要辨识的参数。
13)根据电池端电压函数和实际电池端电压,确定电池端电压误差函数。
电池端电压误差函数为:
步骤2,将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子。
改进DQN模型的输入量为电池端电压误差,输出量为行为状态值(也即遗忘因子的最优值)。
为了使后续的选权迭代最小二乘法适应复杂工况,使自身收敛性更好、输出稳定,在传统DQN模型上进行了以下改进:
1)对DQN的收敛性进行改进,采用一种竞争网络取代传统DQN中的单输出网络模型,即行为状态函数自然拆分为状态值函数和行为优势函数两部分,即
Q(st,a)=V(st)+A(st,a)
其中,Q(st,a)为st状态时采取a行为的行为状态值,st为t时刻状态,a为行为,V(st)为状态值,A(st,a)为st状态时采取a行为的优势值;
其中,只有行为优势函数与行为相关,据此,将经典算法神经网络的全连接层分为一个输出状态值V(st)和一个输出行为优势值A(st,a),最后再通过全连接合并成行为状态值Q(st,a)。
当行为状态值一定时,状态和行为有无穷种可行组合,利用行为优势函数A(st,a)期望值为0这一特性,对A(st,a)加以限制,将上式修改为:
其中,A(st,a′)为st状态时采取a′行为的优势值,a′为a行为所引起的下一个状态时采取的行为,A为优势函数数量。
即改进DQN模型中的行为状态函数等于状态值函数和行为优势差值函数之和;其中,行为优势差值函数等于行为优势函数减去当前状态下所有行为优势函数的均值。让A(st,a)期望值为0,进而确保模型快速收敛且输出高效。
2)改进DQN模型中,利用时间差分方法(TD)对行为状态函数进行更新,求得最优行为状态值矩阵,获得优化后的遗忘因子。
时间差分方法的目标公式为:
Yt Q=R+γmaxaQ(St+1,a)
其中,Yt Q为时间差分方法的目标,R为奖惩值,γ为衰减因子,Q(St+1,a)为为st+1状态时采取a行为的行为状态值。
行为状态函数的更新公式为:
其中,at为t时刻的行为。
获得电池端电压误差函数的最优遗忘因子,具体流程如下:
1)随机初始化所有状态和行为对应的行为状态函数;
2)循环每次事件;
3)初始化st为当前序列状态的第一个状态;
4)循环每个事件的每一步;
5)利用概率ε选取行为a,若小概率探索事件没发生,则用贪婪策略选择当前行为状态值最大的行为amax;
6)仿真器中执行行为amax,得到新状态St+1和奖惩值R;
7)判断是否是一个事件的终止状态,若是则TD目标为R,否则计算TD目标Yt Q;
8)通过神经网络的梯度反向传播更新行为状态函数;
9)如果St+1是终止状态,当前轮迭代完毕,否则转到第(5)步。
步骤3,基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
具体过程如下,
31)对电池戴维宁等效电路模型进行离散化处理,对离散后的方程进行线性变换,得到电池戴维宁等效电路模型的差分方程。
离散后的状态方程和量测方程如下:
Ut,k=Uoc,k-Up,k-R0Ik
其中,Ts为采样时间,SOCk表示k时刻的SOC,SOCk-1表示k-1时刻的SOC,Uoc,k表示k时刻的开路电压,Ut,k表示k时刻的端电压,Up,k表示k时刻极化电容两端的电压,Up,k-1表示k-1时刻极化电容两端的电压,Ro为欧姆内阻,CN为电池标定容量,Ik为k时刻的工作电流,Ik-1为k-1时刻的工作电流,η为库伦效率系数。
电池戴维宁等效电路模型的差分方程为:
yk=ayk-1+bIk+cIk-1
其中,yk=Uoc,k-Ut,k为k时刻的输出,a,b,c为参数;
令τ=RpCp,则参数被描述为:
其中,Δt为采样时间差。
32)根据差分方程,采用带遗忘因子的递推最小二乘法,得到电池戴维宁等效电路模型的误差方程;
带遗忘因子的最小二乘法的递推公式为:
33)根据误差方程进行选权迭代法,减少观测向量带来的残差;
选权迭代法准则可表示为:
VTPV=∑Pkvk 2
其中,V为观测向量的拟合残差矩阵,P为观测向量权阵,Pk为第k个观测向量选择的权。
利用IGG法重新选择权重,IGG法的权函数如下:
其中,σ0为观测向量的中误差,k′为人为设定的数值,值很小。
34)带入最优遗忘因子,辨识出电池戴维宁等效电路模型的参数。
上述方法采用改进DQN模型优化遗忘因子,通过选权迭代最小二乘法辨识参数,解决了复杂工况下的参数辨识问题,并且提高了辨识精度和鲁棒性;其中改进DQN模型,解决了传统选权迭代最小二乘法参数固定,无法适应复杂工况的问题;选权迭代最小二乘法辨识电池模型参数,通过削弱观测值中的粗差影响来提升算法的辨识精度。
一种电池参数辨识系统,包括,
电压误差函数模块:根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;
遗忘因子模块:将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;
辨识模块:基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行电池参数辨识方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行电池参数辨识方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种电池参数辨识方法,其特征在于:包括,
根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;
将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;
基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
2.根据权利要求1所述的一种电池参数辨识方法,其特征在于:根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数,具体过程为,
根据电池充放电实验数据,拟合电池OCV-SOC曲线;
根据电池OCV-SOC曲线和戴维宁等效电路模型,构建电池端电压函数;
根据电池端电压函数和实际电池端电压,确定电池端电压误差函数。
3.根据权利要求1所述的一种电池参数辨识方法,其特征在于:改进DQN模型中的行为状态函数等于状态值函数和行为优势差值函数之和;其中,行为优势差值函数等于行为优势函数减去当前状态下所有行为优势函数的均值。
5.根据权利要求1所述的一种电池参数辨识方法,其特征在于:改进DQN模型中,利用时间差分方法对行为状态函数进行更新,求得最优行为状态值矩阵,获得优化后的遗忘因子。
6.根据权利要求5所述的一种电池参数辨识方法,其特征在于:时间差分方法的目标公式为,
Yt Q=R+γmaxaQ(St+1,a)
其中,Yt Q为时间差分方法的目标,R为奖惩值,γ为衰减因子,Q(St+1,a)为为st+1状态时采取a行为的行为状态值。
7.根据权利要求1所述的一种电池参数辨识方法,其特征在于:基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识,具体过程为,
对电池戴维宁等效电路模型进行离散化处理,得到电池戴维宁等效电路模型的差分方程;
根据差分方程,采用带遗忘因子的递推最小二乘法,得到电池戴维宁等效电路模型参数矩阵的误差方程;
对误差方程进行选权迭代,带入最优遗忘因子,辨识出电池戴维宁等效电路模型的参数。
8.一种电池参数辨识系统,其特征在于:包括,
电压误差函数模块:根据电池OCV-SOC曲线和戴维宁等效电路模型,确定电池端电压误差函数;
遗忘因子模块:将电池端电压误差作为预设改进DQN模型的输入,获得电池端电压误差函数的最优遗忘因子;
辨识模块:基于最优遗忘因子,利用选权迭代最小二乘法,对电池戴维宁等效电路模型的参数进行辨识。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678884.1A CN111812519B (zh) | 2020-07-15 | 2020-07-15 | 一种电池参数辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678884.1A CN111812519B (zh) | 2020-07-15 | 2020-07-15 | 一种电池参数辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812519A true CN111812519A (zh) | 2020-10-23 |
CN111812519B CN111812519B (zh) | 2021-04-30 |
Family
ID=72866249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678884.1A Active CN111812519B (zh) | 2020-07-15 | 2020-07-15 | 一种电池参数辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812519B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN114295982A (zh) * | 2021-10-28 | 2022-04-08 | 上海空间电源研究所 | 锂离子电池参数及开路电压辨识方法、系统及介质 |
CN116611241A (zh) * | 2023-05-19 | 2023-08-18 | 上海玫克生储能科技有限公司 | 一种电池参数辨识的方法、装置、存储介质及电子设备 |
CN117538760A (zh) * | 2024-01-10 | 2024-02-09 | 广东电网有限责任公司茂名供电局 | 一种铅酸蓄电池参数辨识方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN106228314A (zh) * | 2016-08-11 | 2016-12-14 | 电子科技大学 | 基于深度增强学习的工作流调度方法 |
CN109117255A (zh) * | 2018-07-02 | 2019-01-01 | 武汉理工大学 | 基于强化学习的异构多核嵌入式系统能耗优化调度方法 |
CN110488203A (zh) * | 2019-07-12 | 2019-11-22 | 武汉大学 | 一种老化锂电池组soc在线估计方法 |
CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 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 |
-
2020
- 2020-07-15 CN CN202010678884.1A patent/CN111812519B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN106228314A (zh) * | 2016-08-11 | 2016-12-14 | 电子科技大学 | 基于深度增强学习的工作流调度方法 |
CN109117255A (zh) * | 2018-07-02 | 2019-01-01 | 武汉理工大学 | 基于强化学习的异构多核嵌入式系统能耗优化调度方法 |
CN110488203A (zh) * | 2019-07-12 | 2019-11-22 | 武汉大学 | 一种老化锂电池组soc在线估计方法 |
CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 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 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN114295982A (zh) * | 2021-10-28 | 2022-04-08 | 上海空间电源研究所 | 锂离子电池参数及开路电压辨识方法、系统及介质 |
CN116611241A (zh) * | 2023-05-19 | 2023-08-18 | 上海玫克生储能科技有限公司 | 一种电池参数辨识的方法、装置、存储介质及电子设备 |
CN116611241B (zh) * | 2023-05-19 | 2024-01-26 | 上海玫克生储能科技有限公司 | 一种电池参数辨识的方法、装置、存储介质及电子设备 |
CN117538760A (zh) * | 2024-01-10 | 2024-02-09 | 广东电网有限责任公司茂名供电局 | 一种铅酸蓄电池参数辨识方法及相关装置 |
CN117538760B (zh) * | 2024-01-10 | 2024-04-23 | 广东电网有限责任公司茂名供电局 | 一种铅酸蓄电池参数辨识方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111812519B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812519B (zh) | 一种电池参数辨识方法及系统 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
Shen et al. | Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
US11156668B2 (en) | Method for iteratively identifying parameters of equivalent circuit model of battery | |
Huria et al. | Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells | |
CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
CN110609232B (zh) | 一种锂离子电池soc估计方法、装置及终端设备 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
KR20190123172A (ko) | 배터리 상태 추정 방법 | |
CN115453399B (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN107843847A (zh) | 一种基于ekf算法的蓄电池soc在线估测方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN111260015A (zh) | 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN114895206B (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN110555226A (zh) | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 | |
CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
Yang et al. | SOC Estimation of Battery Pack Considering Cell Inconsistency | |
CN112666475B (zh) | 一种电动车的电池组的荷电状态估算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |