CN111931325A - 一种融合环境温度的车用动力电池soc估算方法 - Google Patents

一种融合环境温度的车用动力电池soc估算方法 Download PDF

Info

Publication number
CN111931325A
CN111931325A CN202010505225.8A CN202010505225A CN111931325A CN 111931325 A CN111931325 A CN 111931325A CN 202010505225 A CN202010505225 A CN 202010505225A CN 111931325 A CN111931325 A CN 111931325A
Authority
CN
China
Prior art keywords
soc
model
state
battery
estimation
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
CN202010505225.8A
Other languages
English (en)
Inventor
庞辉
郭龙
武龙星
牟联晶
晋佳敏
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010505225.8A priority Critical patent/CN111931325A/zh
Publication of CN111931325A publication Critical patent/CN111931325A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种融合环境温度的车用动力电池SOC估算方法，包括以下步骤：首先，构建考虑环境温度因素的锂离子电池等效电路模型；再通过模型参数的识别；然后使用动态工况试验数据对步骤S1建立的模型进行仿真层面验证；最后，基于扩展卡尔曼滤波构建考虑环境温度的状态观测器对步骤S1建立的模型进行应用层面验证。本发明中提出的建模方法在终端电压估算和SOC准确估计中均能控制在较小的误差范围，验证了所提出模型的有效性和精确性，提高了电动车辆在宽温度范围的应用，解决了由不同环境温度引起的模型不准确而导致的状态估算误差较大等问题，对应用于电动车辆电池管理系统的状态估算和能量管理具有重大意义。

Description

一种融合环境温度的车用动力电池SOC估算方法
技术领域
本发明属于锂离子电池技术领域，具体涉及一种融合环境温度的车用动力电池SOC估算方法。
背景技术
锂离子动力电池是新能源汽车(New energy vehicle,NEV)的主要能量供给者，其具有轻量化、低放电率和高能量密度等诸多优点，在NEV中获得了广泛应用。需要说明的是，锂电池的精确建模和参数估计对电池荷电状态的估算至关重要,这成为开发高效的电池能量管理系统(Battery Management System,BMS)最具挑战的任务和难点之一。另外，状态估计是BMS的关键部分，SOC的准确估计至关重要。
为此，国内外诸多研究人员对锂离子电池的数学模型开展了大量研究。其主要包括电化学模型和等效电路模型。由于等效电路模型在计算电池外特性方面有参数少，建模方便和计算简单的特点，因此等效电路模型应用广泛。另外，由于环境温度的影响，电池SOC难以准确估计。
需要注意的是，本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本发明目的在于提供了一种融合环境温度的车用动力电池SOC估算方法，解决了现有技术中由不同环境温度引起的模型不准确而导致的状态估算误差较大的技术问题。
为实现上述目的本发明采用如下技术方案：
该融合环境温度的车用动力电池SOC估算方法，包括以下步骤：
S1：构建考虑环境温度的锂离子电池等效电路模型；
S2：通过遗忘因子最小二乘法对所述步骤S1中锂离子电池等效电路模型的参数识别，分别得到不同环境下的模型参数；
S3：结合动态工况试验数据对提出的由参数识别结果所建立的锂离子电池等效电路模型进行仿真层面验证；
S4：利用测量所得的动态工况实验数据与模型仿真所得到的终端电压仿真数据对比，对所述步骤S1建立的模型进行应用层面验证，基于扩展卡尔曼滤波方法得到车用动力电池SOC估算。
进一步地，上述步骤S1中锂离子电池等效电路模型的数学关系式为：
Figure BDA0002526297170000021
其中，Ut为电池端电压；UOC表示开路电压；R为欧姆内阻；R1(Tamb)和C1(Tamb)分别为电化学极化电阻和电化学极化分数阶电容并且是坏境温度Tamb的函数；R2(Tamb)和C2(Tamb)分别为浓度极化电阻和浓度极化分数阶电容且是坏境温度Tamb的函数；I表示负载电流；U1和U2分别表示电化学极化电压和浓度极化电压。
进一步地，上述步骤S4中应用层面验证具体为：
对式(1)离散化可得：
Figure BDA0002526297170000022
其中，Δt为采样时间，I(k)为输入电流；
SOC关系式离散化可得：
Figure BDA0002526297170000031
定义X(k)＝[SOC(k),U1(k),U2(k)]T作为系统的状态变量，Y(k)为输出电压，即终端电压；
则系统的状态空间方程为：
Figure BDA0002526297170000032
其中，ω和υ表示高斯噪声，g(X(k))表示电池终端电压的函数，则矩阵A和B为：
Figure BDA0002526297170000033
基于式(4)的电池状态空间方程，将上述模型结合EKF算法，步骤如下：
Step 1:初始化
状态初始化:X0＝E[X0]
协方差初始化:P0＝E[(X0-E(X0))(X0-E(X0))T]
噪声初始化:Q和R(ω和ν均为高斯噪声)；
Step 2:状态预测
k时刻的状态预估值可由k-1时刻的状态值计算得到:
Figure BDA0002526297170000034
式中，
Figure BDA0002526297170000035
表示k时刻的预测结果；
k时刻的终端电压预估值为：
Yk＝g(Xk)+Rk (6)
k时刻的协方差预估为：
Pk/k-1＝Ak-1Pk-1Ak-1 T+Qk-1 (7)
Step 3:更新校正
根据实际观测电压y(k)，更新系统的状态值和协方差
(1)计算矩阵Hk(雅可比矩阵)
Figure BDA0002526297170000041
其中，
Figure BDA0002526297170000042
为式(4)的二阶泰勒展开对SOC的导数；
(2)卡尔曼增益计算
Kk＝Pk/k-1Hk T(HkPk/k-1Hk T+Rk)-1 (9)
(3)测量更新
k时刻状态较正方程为：
Figure BDA0002526297170000043
k时刻的误差协方差更新方程为：
Pk/k＝Pk/k-1-KkHkPk/k-1 (11)。
本发明的有益效果：
本发明中提出的建模方法在终端电压估算和SOC准确估计中均能控制在较小的误差范围，验证了所提出模型的有效性和精确性，提高了电动车辆在宽温度范围的应用，解决了由不同环境温度引起的模型不准确而导致的状态估算误差较大等问题，对应用于电动车辆电池管理系统的状态估算和能量管理具有重大意义。
附图说明
图1为本发明中车用锂电池SOC估算方法的具体实施步骤图；
图2为本发明考虑环境温度的等效电路模型示意图；
图3为本发明的不同环境温度下的OCV-SOC-Tamb关系示意图；
图4为本发明的不同环境温度下的放电容量与环境温度关系示意图；
图5为本发明基于FFLS方法的参数辨识结果示意图；
图6为本发明在环境温度-10℃ DST工况下终端电压仿真值与不考虑环境温度模型仿真值及试验值对比示意图；
图7为两种模型在-10℃ DST工况下终端电压试验值与仿真值误差示意图；
图8为本发明在环境温度50℃ DST工况下终端电压仿真值与不考虑环境温度模型仿真值及试验值对比示意图；
图9为两种模型在50℃ DST工况下终端电压试验值与仿真值误差示意图；
图10为本发明在环境温度-10℃ DST工况下SOC仿真值与不考虑环境温度模型仿真值及试验值对比示意图；
图11为两种模型在-10℃ DST工况下SOC试验值与仿真值误差示意图；
图12为本发明在环境温度50℃ DST工况下SOC仿真值与不考虑环境温度模型仿真值及试验值对比示意图；
图13为两种模型在50℃ DST工况下SOC试验值与仿真值误差示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征或特性可以以任何合适的方式结合在一个或更多实施方式中。
如图1所示，该融合环境温度的车用动力电池SOC估算方法，具体包括以下步骤：
S1：构建考虑环境温度的锂离子电池等效电路模型；
S2：通过遗忘因子最小二乘法对所述步骤S1中锂离子电池等效电路模型的参数识别，分别得到不同环境下的模型参数；
S3：结合动态工况试验数据对提出的由参数识别结果所建立的锂离子电池等效电路模型进行仿真层面验证；
S4：利用测量所得的动态工况实验数据与模型仿真所得到的终端电压仿真数据对比，对所述步骤S1建立的模型进行应用层面验证，基于扩展卡尔曼滤波方法得到车用动力电池SOC估算。
步骤S1中，构建的电池等效电路模型，其中数学关系式为：
Figure BDA0002526297170000061
式(1)中，Ut为电池端电压；UOC表示开路电压(Open Circuit Voltage,OCV)；R为欧姆内阻；R1(Tamb)和C1(Tamb)分别为电化学极化电阻和电化学极化分数阶电容并且是坏境温度Tamb的函数；R2(Tamb)和C2(Tamb)分别为浓度极化电阻和浓度极化分数阶电容且是坏境温度Tamb的函数；I表示负载电流；U1和U2分别表示电化学极化电压和浓度极化电压。
步骤S2中，由于电池测试数据庞大的特点，使用锂电池动态工况测试数据，采用遗忘因子最小二乘法(Forgetting factor least square,FFLS)对该等效电路模型参数进行辨识，分别得到不同环境温度下的模型参数。
Stept-1对终端电压计算式(1)进行拉普拉斯变换，可得
Figure BDA0002526297170000062
Stept-2求出系统的传递函数G(s)
Figure BDA0002526297170000063
Stept-3采用双线性变换离散化
令
Figure BDA0002526297170000071
则
Figure BDA0002526297170000072
其中，ai(i＝1,2…,5)为常数。
Stept-4将上步所得离散系统传递函数转化为时域差分方程为
y(k)＝a1y(k-1)+a2y(k-2)+a3I(k)+a4I(k-1)+a5I(k-2)
其中，y(k)＝UOC(k)-UL(k)，y(k)表示压差，I(k)为输入电流
Stept-5定义
Figure BDA0002526297170000073
Stept-6定义采样误差为e(k),
Figure BDA0002526297170000079
Stept-7计算递归终止条件J(θ)
针对
Figure BDA0002526297170000074
可计算出
Figure BDA0002526297170000075
Stept-8引入遗忘因子λ，FFLS递推计算式如下：
Figure BDA0002526297170000076
Stept-9代入
Figure BDA0002526297170000077
可得参数ai(i＝1,2,…,5)值。
Stept-10对Stept-3传递函数使用逆双线性规则，
令,
Figure BDA0002526297170000078
则
Figure BDA0002526297170000081
Stept-11综合对比Stept-2和Stept-10中相对应的系数即可得R0,R1,C1,R2和C2.
步骤S3中，搭建考虑环境温度影响的锂离子电池等效电路模型，使用DST工况(Dynamic stress test,DST)分别在三种不同环境温度下进行仿真层面的验证，并得到相应的平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean SquaredError,RMSE)。
步骤S4中，应用层面验证具体为
对式(1)离散化可得：
Figure BDA0002526297170000082
其中，Δt为采样时间，I(k)为输入电流。
SOC关系式离散化可得：
Figure BDA0002526297170000083
定义X(k)＝[SOC(k),U1(k),U2(k)]T作为系统的状态变量，Y(k)为输出电压，即终端电压。
则系统的状态空间方程为：
Figure BDA0002526297170000084
其中，ω和υ表示高斯噪声，g(X(k))表示电池终端电压的函数，则矩阵A和B为：
Figure BDA0002526297170000091
基于式(4)的电池状态空间方程，将上述模型结合EKF算法，步骤如下：
Step 1:初始化
状态初始化:X0＝E[X0]
协方差初始化:P0＝E[(X0-E(X0))(X0-E(X0))T]
噪声初始化:Q和R(ω和ν均为高斯噪声)
Step 2:状态预测
k时刻的状态预估值可由k-1时刻的状态值计算得到:
Figure BDA0002526297170000092
式中，
Figure BDA0002526297170000093
表示k时刻的预测结果。
k时刻的终端电压预估值为：
Yk＝g(Xk)+Rk (6)
k时刻的协方差预估为：
Pk/k-1＝Ak-1Pk-1Ak-1 T+Qk-1 (7)
Step 3:更新校正
根据实际观测电压y(k)，更新系统的状态值和协方差
(1)计算矩阵Hk(雅可比矩阵)
Figure BDA0002526297170000094
其中，
Figure BDA0002526297170000095
为式(4)的二阶泰勒展开对SOC的导数。
(2)卡尔曼增益计算
Kk＝Pk/k-1Hk T(HkPk/k-1Hk T+Rk)-1 (9)
(3)测量更新
k时刻状态较正方程为：
Figure BDA0002526297170000101
k时刻的误差协方差更新方程为：
Pk/k＝Pk/k-1-KkHkPk/k-1 (11)
本发明为了验证由参数识别结果所建立电池等效电路模型的准确性，首先在MATLAB/Simulink环境下建立了考虑环境温度影响的等效电路模型及不考虑环境温度的模型。其次，通过FFLS算法对模型参数识别，并通过DST工况对提出的由参数识别结果所建立电池模型进行仿真层面的验证，利用实验测量所得的DST动态工况实验数据与模型仿真所得到的终端电压仿真数据对比，分别如图6，8所示，其误差由图7，9所示。最后，两种模型基于EKF方法得到锂电池SOC的预估，并与实验数据进行对比，分别如图10，12所示，其误差由图11，13所示。
可以得到两种模型不同环境温度DST工况下终端电压预估的RMSE均方根误差和平均绝对误差MAE，分别在低温-10℃和高温50℃时，-10℃时MAE值最多降低了52.6％，RMSE值降低了45.1％。50℃时，MAE值最多降低了51.5％，RMSE值最多降低了45.1％。另外，在-10℃时MAE值最多降低了55.0％，RMSE值降低了52.6％。50℃时，MAE值最多降低了56.3％，RMSE值最多降低了52.9％。
通过仿真和应用层面的数据表明，本发明中提出的建模方法在终端电压估算和SOC准确估计中均能控制在较小的误差范围，验证了本发明所提出模型的有效性和精确性，提高了电动车辆在宽温度范围的应用，解决了由不同环境温度引起的模型不准确而导致的状态估算误差较大等问题，对应用于电动车辆电池管理系统的状态估算和能量管理具有重大意义。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (3)

1.一种融合环境温度的车用动力电池SOC估算方法，其特征在于，包括以下步骤：
S1：构建考虑环境温度的锂离子电池等效电路模型；
S2：通过遗忘因子最小二乘法对所述步骤S1中锂离子电池等效电路模型的参数识别，分别得到不同环境下的模型参数；
S3：结合动态工况试验数据对提出的由参数识别结果所建立的锂离子电池等效电路模型进行仿真层面验证；
S4：利用测量所得的动态工况实验数据与模型仿真所得到的终端电压仿真数据对比，对所述步骤S1建立的模型进行应用层面验证，基于扩展卡尔曼滤波方法得到车用动力电池SOC估算。
2.根据权利要求1所述的融合环境温度的车用动力电池SOC估算方法，其特征在于，所述步骤S1中锂离子电池等效电路模型的数学关系式为：
Figure FDA0002526297160000011
其中，Ut为电池端电压；UOC表示开路电压；R为欧姆内阻；R1(Tamb)和C1(Tamb)分别为电化学极化电阻和电化学极化分数阶电容并且是坏境温度Tamb的函数；R2(Tamb)和C2(Tamb)分别为浓度极化电阻和浓度极化分数阶电容且是坏境温度Tamb的函数；I表示负载电流；U1和U2分别表示电化学极化电压和浓度极化电压。
3.根据权利要求1所述的融合环境温度的车用动力电池SOC估算方法，其特征在于，所述步骤S4中应用层面验证具体为：
对式(1)离散化可得：
Figure FDA0002526297160000021
其中，Δt为采样时间，I(k)为输入电流；
SOC关系式离散化可得：
Figure FDA0002526297160000022
定义X(k)＝[SOC(k),U1(k),U2(k)]T作为系统的状态变量，Y(k)为输出电压，即终端电压；
则系统的状态空间方程为：
Figure FDA0002526297160000023
其中，ω和υ表示高斯噪声，g(X(k))表示电池终端电压的函数，则矩阵A和B为：
Figure FDA0002526297160000024
基于式(4)的电池状态空间方程，将上述模型结合EKF算法，步骤如下：
Step 1:初始化
状态初始化:X0＝E[X0]
协方差初始化:P0＝E[(X0-E(X0))(X0-E(X0))T]
噪声初始化:Q和R(ω和ν均为高斯噪声)；
Step 2:状态预测
k时刻的状态预估值可由k-1时刻的状态值计算得到:
Figure FDA0002526297160000031
式中，
Figure FDA0002526297160000032
表示k时刻的预测结果；
k时刻的终端电压预估值为：
Yk＝g(Xk)+Rk (6)
k时刻的协方差预估为：
Pk/k-1＝Ak-1Pk-1Ak-1 T+Qk-1 (7)
Step 3:更新校正
根据实际观测电压y(k)，更新系统的状态值和协方差
(1)计算矩阵Hk(雅可比矩阵)
Figure FDA0002526297160000033
其中，
Figure FDA0002526297160000034
为式(4)的二阶泰勒展开对SOC的导数；
(2)卡尔曼增益计算
Kk＝Pk/k-1Hk T(HkPk/k-1Hk T+Rk)-1 (9)
(3)测量更新
k时刻状态较正方程为：
Figure FDA0002526297160000035
k时刻的误差协方差更新方程为：
Pk/k＝Pk/k-1-KkHkPk/k-1 (11)。
CN202010505225.8A 2020-06-05 2020-06-05 一种融合环境温度的车用动力电池soc估算方法 Pending CN111931325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505225.8A CN111931325A (zh) 2020-06-05 2020-06-05 一种融合环境温度的车用动力电池soc估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505225.8A CN111931325A (zh) 2020-06-05 2020-06-05 一种融合环境温度的车用动力电池soc估算方法

Publications (1)

Publication Number Publication Date
CN111931325A true CN111931325A (zh) 2020-11-13

Family

ID=73316424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505225.8A Pending CN111931325A (zh) 2020-06-05 2020-06-05 一种融合环境温度的车用动力电池soc估算方法

Country Status (1)

Country Link
CN (1) CN111931325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114021A (zh) * 2021-11-12 2022-03-01 山东大学 考虑非线性固相扩散的锂离子电池模型及参数辨识方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110395141A (zh) * 2019-06-27 2019-11-01 武汉理工大学 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN110795851A (zh) * 2019-10-30 2020-02-14 西安理工大学 一种考虑环境温度影响的锂离子电池建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110395141A (zh) * 2019-06-27 2019-11-01 武汉理工大学 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN110795851A (zh) * 2019-10-30 2020-02-14 西安理工大学 一种考虑环境温度影响的锂离子电池建模方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114021A (zh) * 2021-11-12 2022-03-01 山东大学 考虑非线性固相扩散的锂离子电池模型及参数辨识方法
CN114114021B (zh) * 2021-11-12 2022-09-09 山东大学 考虑非线性固相扩散的锂离子电池模型及参数辨识方法

Similar Documents

Publication Publication Date Title
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
CN110398691B (zh) 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法
CN110488194B (zh) 一种基于电化学阻抗模型的锂电池soc估算方法及其系统
CN107422269B (zh) 一种锂电池在线soc测量方法
CN111581904B (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN111929581B (zh) 一种动力锂电池内外部温度预测方法
CN110308405B (zh) 不同环境温度下锂离子电池荷电状态及健康状态估计方法
He et al. State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter
Huang et al. Soc estimation of li-ion battery based on improved ekf algorithm
CN110824363B (zh) 一种基于改进ckf的锂电池soc和soe联合估算方法
Li et al. Estimation algorithm research for lithium battery SOC in electric vehicles based on adaptive unscented Kalman filter
CN104535934A (zh) 在线前馈补偿的动力电池电荷状态估计方法与系统
CN109839596B (zh) 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
CN112379270B (zh) 一种电动汽车动力电池荷电状态滚动时域估计方法
Xia et al. Joint estimation of the state-of-energy and state-of-charge of lithium-ion batteries under a wide temperature range based on the fusion modeling and online parameter prediction
CN113190969B (zh) 一种基于信息评估机制的锂电池模型参数辨识方法
CN111650517B (zh) 一种电池荷电状态估算方法
CN114545262A (zh) 一种针对损失数据的锂离子电池参数辨识及soc估计方法
Lai et al. A joint state-of-health and state-of-energy estimation method for lithium-ion batteries through combining the forgetting factor recursive least squares and unscented Kalman filter
Jin et al. SOC estimation of lithium-ion battery considering the influence of discharge rate
Long et al. Model parameters online identification and SOC joint estimation for lithium-ion battery based on a composite algorithm
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
CN113671377A (zh) 一种基于改进ekf算法的锂电池soc估算方法
CN115166530A (zh) 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法
CN117110891A (zh) 锂离子电池荷电状态估计值的计算方法和计算装置

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