CN111985154A - 一种自适应模糊卡尔曼估计soc算法 - Google Patents

一种自适应模糊卡尔曼估计soc算法 Download PDF

Info

Publication number
CN111985154A
CN111985154A CN202010770487.7A CN202010770487A CN111985154A CN 111985154 A CN111985154 A CN 111985154A CN 202010770487 A CN202010770487 A CN 202010770487A CN 111985154 A CN111985154 A CN 111985154A
Authority
CN
China
Prior art keywords
soc
time
battery
algorithm
period
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
Application number
CN202010770487.7A
Other languages
English (en)
Other versions
CN111985154B (zh
Inventor
钱超
王翰超
王云
姜明军
孙艳
刘欢
沈永柏
江梓贤
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.)
Ligao Shandong New Energy Technology Co ltd
Original Assignee
Ligo Shandong New Energy Technology Co ltd
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 Ligo Shandong New Energy Technology Co ltd filed Critical Ligo Shandong New Energy Technology Co ltd
Priority to CN202010770487.7A priority Critical patent/CN111985154B/zh
Publication of CN111985154A publication Critical patent/CN111985154A/zh
Application granted granted Critical
Publication of CN111985154B publication Critical patent/CN111985154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)

Abstract

一种自适应模糊卡尔曼估计SOC算法，包括以下步骤：S1、建立电池的等效电路模型，应用扩展卡尔曼算法建立状态空间方程和观测方程，估计短时极化端电压变量Vst、中时极化端电压变量Vmt、长时极化端电压变量Vlt与电池荷电状态SOC变量；S2、在不同SOC与温度T匹配下，通过电池特性实验设定在电池充放电过程中等效电路模型的等效内阻、各极化电容与极化电阻；S3、实现卡尔曼的预测与更新，实时估计每个采样周期下的SOC的值；S4、在OCV‑SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，引入模糊控制对平台期修正因子进行误差修正，最终的修正因子应用到新一轮的非平台期修正算法的安时积分中。该发明的优点在于：不仅提高了算法的估计精度与算法调试时间，还可以通过定义自动调整方法中的参数使扩展卡尔曼的精度符合相应的要求。

Description

一种自适应模糊卡尔曼估计SOC算法
技术领域
本发明涉及动力电池管理系统领域，尤其涉及一种自适应模糊卡尔曼估计 SOC算法。
背景技术
电动汽车动力电池的荷电状态(State Of Charge，SOC)可以用来刻画电池当前的状态，对于车辆的运行至关重要。电池管理系统(Battery Management System，BMS)中最关键的是对电池的SOC状态进行估计，SOC估计的精确度可以提高电动汽车的续驶里程，也可以对电池的故障判断提供有效的保障。SOC 估计中主要有安时积分、卡尔曼滤波以及神经网络等。
由于目前卡尔曼滤波是根据电池的开路电压与SOC表(OCV-SOC)查特定电压与温度下的SOC的值，但是由于磷酸铁锂的OCV-SOC的平台期内无法通过开路电压来有效的获取SOC的值，所以扩展卡尔曼在磷酸铁锂的平台期的 SOC估计误差较大，在实际应用中可能会导致平台期前后SOC跳变的情况，也很难反应出SOC的真实状态。
发明内容
为了实现在磷酸铁锂电池平台期的SOC估计精度与跳变问题，以及随着电池的使用导致衰退的情形而无法有效估计出电池的SOC，本发明提供一种自适应模糊卡尔曼估计SOC算法。本发明采用以下技术方案：
一种自适应模糊卡尔曼估计SOC算法，包括以下步骤：
S1、建立电池的等效电路模型，应用扩展卡尔曼算法建立状态空间方程和观测方程，估计短时极化端电压变量Vst、中时极化端电压变量Vmt、长时极化端电压变量Vlt与电池荷电状态SOC变量；
S2、在不同SOC与温度T匹配下，通过电池特性实验设定在电池充放电过程中等效电路模型的等效内阻、各极化电容与极化电阻；
S3、对电池SOC估计搭建传统扩展卡尔曼算法，通过将状态空间方程与观测方程应用到卡尔曼方程中，实现卡尔曼的预测与更新，实时估计每个采样周期下的SOC的值；
S4、在OCV-SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，引入模糊控制对平台期修正因子进行误差修正，最终的修正因子应用到新一轮的非平台期修正算法的安时积分中。
本发明的优点在于：本发明在扩展卡尔曼估计SOC算法的基础上，引入模糊控制对扩展卡尔曼的平台期进行修正，使磷酸铁锂电池在平台期也较精确的估计出SOC且避免SOC跳变。
附图说明
图1为锂电池三阶等效电路模型。
图2为磷酸铁锂开路电压与SOC关系曲线。
图3为调节SOC估计误差的模糊逻辑图。
图4为对某一段时间内的持续充电数据进行仿真的效果图。
具体实施方式
一种自适应模糊卡尔曼估计SOC算法，包括以下步骤：
S1、建立电池的三阶等效电路模型，如图1所示，应用扩展卡尔曼算法估计出以下状态变量，包含短时极化端电压、中时极化端电压、长时极化端电压与电池荷电状态SOC，状态空间方程与观测方程如下：
x(k)＝A·x(k-1)+B·Ibat(k)+v(k) (1)
Vterm(k)＝C·x(k)+R0·Ibat(k)+w(k) (2)
Figure DEST_PATH_FDA0002616408160000011
Figure BDA0002616408170000022
τst＝Rst·Cst
τmt＝Rmt·Cmt
τlt＝Rlt·Clt
其中k为当前时刻，k-1为上一时刻，x为状态变量，Voc为电池SOC查 OCV-SOC的开路电压，S为电池SOC，Vterm为实时测量的终端电压，R0为电池内阻，Ibat(k)为k时刻充放电电流，v(k)为k时刻的状态噪声，w(k)为k时刻的观测噪声，Ts为采样周期，Cuse为电池最大可用容量，其中A为状态转移矩阵，B为激励矩阵，C为观测矩阵；Vst、Vmt、Vlt为别为短时、中时、长时极化端电压；τst、τmt、τlt分别为短时、中时、长时时间常数，Rst、Rmt、Rlt为短时、中时、长时极化电阻，Cst、Cmt、Clt分别为短时、中时、长时极化电容。
S2、通过电池特性实验定义好各SOC与温度T下的等效内阻、各极化电容与极化电阻，在电池充放电过程中根据不同的SOC与T匹配此时的等效电阻与各极化电阻、电容可以使估计过程更加灵活，提升估计精度。
S3、对电池SOC估计搭建传统扩展卡尔曼算法，通过卡尔曼的预测与更新方程实时估计每个采样周期下的SOC的值。
具体地说，将步骤S1获得的状态空间方程与观测方程应用到卡尔曼方程如下：
Figure BDA0002616408170000031
P-(k)＝AP(k-1)AT+Q (4)
K(k)＝P-(k)CT(CP-(k)CT+R)-1 (5)
Figure BDA0002616408170000032
P(k)＝(I-K(k)C)P-(k) (7)
Figure BDA0002616408170000033
其中，方程(3)通过上一时刻的状态变量x(k-1)与激励Ibat(k-1)计算出当前时刻的预估计值
Figure BDA0002616408170000034
方程(4)根据上一时刻的状态转移协方差矩阵 P(k-1)与噪声协方差矩阵Q更新出当前时刻的状态转移协方差预估计值P-(k)；方程(5)利用预估计出的状态转移协方差P-(k)与观测噪声方差R来计算出卡尔曼系数K(k)，由K(k)与观测值y(k)与预估计值的残差更新出当前时刻的状态估计值
Figure BDA0002616408170000035
并同步更新当前时刻的状态转移协方差矩阵P(k)。
S4、在OCV-SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，并引入模糊控制对平台期修正因子进行误差修正，最终的修正因子会应用到新一轮的非平台期修正算法的安时积分中，使非平台期的安时积分与EKF所估计出的偏差起来越小，在新一轮平台期的修正安时积分的误差将逐渐减小，从而能精准估计出磷酸铁锂平台期的SOC值。
具体如下：
S41、设计模糊控制器，用安时积分与扩展卡尔曼滤波分别估计的SOC的偏差绝对值与当前SOC作为模糊控制器的输入，模糊修正因子fac作为输出，分别对输入与输出变量进行模糊化，建立相应的隶属度函数，依据实验数据标定出模糊规则，完成后的模糊逻辑见图3。
S42、将电芯OCV-SOC曲线划分为SOC低(SOClo)、SOC平台期(SOCplatform)与 SOC高(SOChi)三段,过渡点分别为K1与K2，如图2所示，当SOC位于SOClo或 SOChi时激活EKF估计SOC。且此时使用SOCEKF作为SOC的最终估计值SOCest。在K1check与K2check处验证平台期修正算法的误差并通过模糊控制对平台期修正因子再修正；令最终的平台期修正因子为
Figure BDA0002616408170000041
算法初次运行时
Figure BDA0002616408170000042
经过每次修正后将
Figure BDA0002616408170000043
存至非易失性存储器中，下次修正取出作为基准修正因子进行迭代。
S43A、当为充电状态且满足SOCinit+X≤K1时，其中X为定义SOC变化的最小有效值，SOCinit为初始状态时的SOC估计值，满足充电校准条件,通过安时积分计算[init,K1]期间的SOC变化量为ΔSOCAH，EKF估计出的SOC变化量为ΔSOCEKF＝SOCEKF(K1)-SOCinit；考虑到安时积分电流的传感器噪声与精度问题，会导致两种算法估计的结果不同，两种算法估计SOC变化值的偏差为ΔSOCdiff＝ΔSOCEKF-ΔSOCAH；将K1点的修正因子
Figure BDA0002616408170000044
作为此次平台期的安时积分SOCAHfix的修正因子；
Figure BDA0002616408170000045
其中i为充电电流，C为标称容量，平台期的SOCest为SOCAHfix；
当SOCest＝K2时，再次激活EKF估计SOC，当SOCest＝K2check时，对平台期修正算法进行验证：具体步骤如下：
S43A1、考虑到EKF在非平台期估计SOC更精确，修正安时积分估计的SOC 误差SOCerr＝|SOCEKF(K2check)-SOCAHfix(K2check)|；记
Figure BDA0002616408170000051
S442、应用S41步骤的模糊控制器，选取SOCerr与K2check作为输入，计算出误差修正因子fac(K2check)。
S43A3、根据误差再次修正后的修正因子
Figure BDA0002616408170000052
可以认为是一次充电过程的平台期修正，将此时的
Figure BDA0002616408170000053
写入非易失性存储器。
S53B、同理当放电满足SOCest-X≥K2时，其中X为定义SOC变化的最小有效值，满足放电校准条件，此时的安时积分需要考虑到上次的修正因子，从非易失性存储器中读取
Figure BDA0002616408170000054
[init,K2]期间应用了上一轮修正因子的安时积分计算出的SOC变化量为ΔSOCAH，再与这段时间计算出的ΔSOCEKF进行比较，计算出 K2点的修正因子
Figure BDA0002616408170000055
由于应用了上一轮的平台期修正因子
Figure BDA0002616408170000056
Figure BDA0002616408170000057
相较于充电时计算的
Figure BDA0002616408170000058
更接近于1，从而能使在放电经过平台期后的K1值估计出的 SOCAHfix(K1)与实际的SOC的误差渐渐缩小，随着充放电循环满足平台期修正算法的校准条件次数越多，估计出的SOC精度将越高。
通过上述方法，对某一段时间内的持续充电数据进行仿真，如图4所示，通过仿真可以看出，在只有扩展卡尔曼滤波对磷酸铁锂电池进行SOC估计时，在平台期下(25％左右)可以看出，真实SOC与扩展卡尔曼算法较一致，但是进行平台期后，由于扩展卡尔曼的状态估计过程需要通过查OCV-SOC表,未能获取准确的SOC值，使得扩展卡尔曼估计的SOC值与真实SOC值偏差越来越大，当 SOC超过80％以后，由于离开平台期，扩展卡尔曼与真实SOC的偏差有减少的趋势，但是仍然无法反应出真实SOC的值，通过引入模糊控制算法对扩展卡尔曼算法在磷酸铁锂电池OCV-SOC平台期的修正，在刚进入平台期后即开始对扩展卡尔曼算法进行修正，使得SOC估计在平台期过程中逐渐向真实SOC进行修正，在SOC为60％左右与真实SOC同步性较理想，可以看出模糊自适应扩展卡尔曼算法对磷酸铁锂的SOC估计效果很好。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (4)

1.一种自适应模糊卡尔曼估计SOC算法，其特征在于，包括以下步骤：
S1、建立电池的等效电路模型，应用扩展卡尔曼算法建立状态空间方程和观测方程，估计短时极化端电压变量Vst、中时极化端电压变量Vmt、长时极化端电压变量Vlt与电池荷电状态SOC变量；
S2、在不同SOC与温度T匹配下，通过电池特性实验设定在电池充放电过程中等效电路模型的等效内阻、各极化电容与极化电阻；
S3、对电池SOC估计搭建传统扩展卡尔曼算法，通过将状态空间方程与观测方程应用到卡尔曼方程中，实现卡尔曼的预测与更新，实时估计每个采样周期下的SOC的值；
S4、在OCV-SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，引入模糊控制对平台期修正因子进行误差修正，最终的修正因子应用到新一轮的非平台期修正算法的安时积分中。
2.根据权利要求1所述的一种自适应模糊卡尔曼估计SOC算法，其特征在于，步骤S1中，所述状态空间方程和观测方程分别为：
x(k)＝A·x(k-1)+B·Ibat(k)+v(k) (1)
Vterm(k)＝C·x(k)+R0·Ibat(k)+w(k) (2)
其中，
Figure FDA0002616408160000011
Figure FDA0002616408160000012
τst＝Rst·Cst
τmt＝Rmt·Cmt
τlt＝Rlt·Clt
公式中k为当前时刻，k-1为上一时刻，x为状态变量，Voc为电池SOC查OCV-SOC的开路电压，S为电池SOC，Vterm为实时测量的终端电压，R0为电池内阻，Ibat(k)为k时刻充放电电流，v(k)为k时刻的状态噪声，w(k)为k时刻的观测噪声，Ts为采样周期，Cuse为电池最大可用容量，其中A为状态转移矩阵，B为激励矩阵，C为观测矩阵；Vst、Vmt、Vlt为别为短时、中时、长时极化端电压；τst、τmt、τlt分别为短时、中时、长时时间常数，Rst、Rmt、Rlt为短时、中时、长时极化电阻，Cst、Cmt、Clt分别为短时、中时、长时极化电容。
3.根据权利要求2所述的一种自适应模糊卡尔曼估计SOC算法，其特征在于，步骤S3中，将步骤S1获得的状态空间方程与观测方程应用到卡尔曼方程如下：
Figure FDA0002616408160000021
P-(k)＝AP(k-1)AT+Q (4)
K(k)＝P-(k)CT(CP-(k)CT+R)-1 (5)
Figure FDA0002616408160000022
P(k)＝(I-K(k)C)P-(k) (7)
Figure FDA0002616408160000023
其中，方程(3)通过上一时刻的状态变量x(k-1)与激励Ibat(k-1)计算出当前时刻的预估计值
Figure FDA0002616408160000024
方程(4)根据上一时刻的状态转移协方差矩阵P(k-1)AT与噪声协方差矩阵Q更新出当前时刻的状态转移协方差预估计值P-(k)；方程(5)利用预估计出的状态转移协方差P-(k)与观测噪声方差R来计算出卡尔曼系数K(k)，由K(k)与观测值y(k)与预估计值的残差更新出当前时刻的状态估计值
Figure FDA0002616408160000025
并同步更新当前时刻的状态转移协方差矩阵P(k)。
4.根据权利要求3所述的一种自适应模糊卡尔曼估计SOC算法，其特征在于，步骤S4具体为：
S41、设计模糊控制器，用安时积分与扩展卡尔曼滤波分别估计的SOC的偏差绝对值与当前SOC作为模糊控制器的输入，模糊修正因子fac作为输出，分别对输入与输出变量进行模糊化，建立相应的隶属度函数，依据实验数据标定出模糊规则集；
S42、将电芯OCV-SOC曲线划分为SOC低(SOClo)、SOC平台期(SOCplatform)与SOC高(SOChi)三段,过渡点分别为K1与K2；当SOC位于SOClo或SOChi时激活EKF估计SOC，且此时使用SOCEKF作为SOC的最终估计值SOCest；在K1check与K2check处分别验证放电与充电平台期修正算法的误差并应用模糊控制对平台期修正因子再修正；令最终的平台期修正因子为
Figure FDA0002616408160000038
算法初次运行时
Figure FDA0002616408160000039
经过每次修正后将
Figure FDA0002616408160000037
存至非易失性存储器中，下次修正取出作为基准修正因子进行迭代；
S43A、当电池为充电状态且满足SOCinit+X≤K1时，其中X为定义SOC变化的最小有效值，SOCinit为初始状态时的SOC估计值SOCest，满足充电校准条件,通过安时积分计算[init,K1]期间的SOC变化量为ΔSOCAH，EKF估计出的SOC变化量为ΔSOCEKF＝SOCEKF(K1)-SOCinit；两种算法估计SOC变化值的偏差为ΔSOCdiff＝ΔSOCEKF-ΔSOCAH；将K1点的修正因子
Figure FDA0002616408160000032
作为此次平台期的安时积分SOCAHfix的修正因子；
Figure FDA0002616408160000033
其中i为充电电流，C为标称容量，此时使用SOCAHfix作为SOC的最终估计值SOCest；
当SOCest＝K2时，再次激活EKF估计SOC，认为EKF算法可以在[K2,K2check]期间逼近于真实值且当SOCest＝K2check时，对平台期修正算法进行验证：具体步骤如下：
S43A1、修正安时积分估计的SOC误差SOCerr＝|SOCEKF(K2check)-SOCAHfix(K2check)|；记
Figure FDA0002616408160000031
S43A2、应用S41步骤的模糊控制器，选取SOCerr与K2check作为输入，计算出误差修正因子fac(K2check)；
S43A3、根据误差再次修正后的修正因子
Figure FDA00026164081600000310
将此时的
Figure FDA0002616408160000035
写入非易失性存储器；
S53B、当为放电状态且满足SOCest-X≥K2时，满足放电校准条件，从非易失性存储器中读取
Figure FDA0002616408160000034
[init,K2]期间应用了上一轮修正因子的安时积分计算出的SOC变化量为ΔSOCAH，再与这段时间计算出的ΔSOCEKF进行比较，计算出K2点的修正因子
Figure FDA0002616408160000036
重复上述修正。
CN202010770487.7A 2020-08-04 2020-08-04 一种自适应模糊卡尔曼估计soc算法 Active CN111985154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010770487.7A CN111985154B (zh) 2020-08-04 2020-08-04 一种自适应模糊卡尔曼估计soc算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010770487.7A CN111985154B (zh) 2020-08-04 2020-08-04 一种自适应模糊卡尔曼估计soc算法

Publications (2)

Publication Number Publication Date
CN111985154A true CN111985154A (zh) 2020-11-24
CN111985154B CN111985154B (zh) 2023-08-22

Family

ID=73444443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010770487.7A Active CN111985154B (zh) 2020-08-04 2020-08-04 一种自适应模糊卡尔曼估计soc算法

Country Status (1)

Country Link
CN (1) CN111985154B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112485680A (zh) * 2020-11-27 2021-03-12 浙江零跑科技有限公司 一种电池soc估算方法
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
CN115754755A (zh) * 2021-09-02 2023-03-07 比亚迪股份有限公司 电池荷电状态的估计方法和装置
CN117269801A (zh) * 2023-11-22 2023-12-22 潍柴新能源动力科技有限公司 电池荷电状态的确定方法、确定装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678305A (zh) * 2013-12-02 2015-06-03 北汽福田汽车股份有限公司 电池荷电状态soc的计算方法及装置
CN109061496A (zh) * 2018-08-10 2018-12-21 安徽力高新能源技术有限公司 一种利用扩展卡尔曼滤波算法估算锂电池soc的方法
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
CN111044916A (zh) * 2020-01-02 2020-04-21 北京理工大学 一种动力电池的参数与全区间soc联合估计的方法
CN111216595A (zh) * 2020-01-03 2020-06-02 安徽力高新能源技术有限公司 基于锂电池等效电路模型的重度混合动力汽车soc校准方法
CN111289911A (zh) * 2020-04-03 2020-06-16 深圳天邦达新能源技术有限公司 基于电池的soc估算方法、装置以及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678305A (zh) * 2013-12-02 2015-06-03 北汽福田汽车股份有限公司 电池荷电状态soc的计算方法及装置
CN109061496A (zh) * 2018-08-10 2018-12-21 安徽力高新能源技术有限公司 一种利用扩展卡尔曼滤波算法估算锂电池soc的方法
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
CN111044916A (zh) * 2020-01-02 2020-04-21 北京理工大学 一种动力电池的参数与全区间soc联合估计的方法
CN111216595A (zh) * 2020-01-03 2020-06-02 安徽力高新能源技术有限公司 基于锂电池等效电路模型的重度混合动力汽车soc校准方法
CN111289911A (zh) * 2020-04-03 2020-06-16 深圳天邦达新能源技术有限公司 基于电池的soc估算方法、装置以及电子设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
L. ZHONGXIAOI ETAL: "《Alternate Adaptive Extended Kalman Filter and Ampere-hour Counting Method to Estimate the State of Charge》", 《2018 IEEE INTERNATIONAL POWER ELECTRONICS AND APPLICATION CONFERENCE AND EXPOSITION (PEAC)》 *
方磊;陈勇;赵理;殷康胜;郑阳;: "基于模糊控制的扩展卡尔曼滤波SOC估计研究", 系统仿真学报, no. 01 *
林程;张潇华;熊瑞;: "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 *
王贤;宋政湘;杨;耿英三;: "基于扩展卡尔曼滤波算法的新型液态金属电池的荷电状态在线估算", 电力电容器与无功补偿, no. 05 *
邓宫泰;马磊;贾俊波;韩明;: "基于模型估计的LiFePO_4电池EKF滤波算法SOC估计研究", 电源技术, no. 10 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112485680A (zh) * 2020-11-27 2021-03-12 浙江零跑科技有限公司 一种电池soc估算方法
CN112485680B (zh) * 2020-11-27 2024-04-23 浙江零跑科技股份有限公司 一种电池soc估算方法
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
CN115754755A (zh) * 2021-09-02 2023-03-07 比亚迪股份有限公司 电池荷电状态的估计方法和装置
CN117269801A (zh) * 2023-11-22 2023-12-22 潍柴新能源动力科技有限公司 电池荷电状态的确定方法、确定装置和电子设备
CN117269801B (zh) * 2023-11-22 2024-03-01 潍柴新能源动力科技有限公司 电池荷电状态的确定方法、确定装置和电子设备

Also Published As

Publication number Publication date
CN111985154B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111985154B (zh) 一种自适应模糊卡尔曼估计soc算法
CN113466723B (zh) 确定电池荷电状态的方法及装置，电池管理系统
CN110596593B (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
CN109164391B (zh) 一种动力电池荷电状态在线估算方法及系统
CN110441694B (zh) 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法
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
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN109143102B (zh) 一种安时积分估算锂电池soc方法
CN109669132B (zh) 一种基于变分贝叶斯滤波的电池荷电状态估计方法
CN105223506A (zh) 使用双扩展卡尔曼滤波器的电池状态估计方法和系统
CN112379270B (zh) 一种电动汽车动力电池荷电状态滚动时域估计方法
CN114280478A (zh) 电池组的ocv-soc曲线更新方法、电池管理系统及车辆
CN115932591A (zh) 基于pid-ekf的锂电池soc估算方法、系统、介质及电子设备
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN110716146A (zh) 一种动力电池开路电压的估计方法
CN116990691A (zh) 一种电池剩余满充时间的评估方法、装置、设备和介质
CN111999654A (zh) 一种自适应扩展卡尔曼估计soc算法
CN113671377A (zh) 一种基于改进ekf算法的锂电池soc估算方法
CN114740385A (zh) 一种自适应的锂离子电池荷电状态估计方法
CN114397578A (zh) 一种锂离子电池剩余电量估计方法
CN110726937A (zh) 用于确定状态噪声协方差矩阵的方法和相应设备
CN116718920B (zh) 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法
CN117706370A (zh) 一种电化学储能荷电状态估计方法及装置
CN117074980A (zh) 基于安时积分参考补偿的磷酸铁锂电池soc估计方法
CN115015763A (zh) Soc估算校准方法、设备及介质

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
CB02 Change of applicant information

Address after: Room 501, No. 8, No. 300, Changjiang Road, Yantai Economic and Technological Development Zone, Yantai Area, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province, 264006

Applicant after: Ligao (Shandong) New Energy Technology Co.,Ltd.

Address before: No. 300, Changjiang Road, Yantai Economic and Technological Development Zone, Shandong Province

Applicant before: LIGO (Shandong) New Energy Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 15 Hengyang Road, Guxian Street, Yantai Economic and Technological Development Zone, Shandong Province, China 265503

Patentee after: Ligao (Shandong) New Energy Technology Co.,Ltd.

Country or region after: China

Address before: Room 501, No. 8, No. 300, Changjiang Road, Yantai Economic and Technological Development Zone, Yantai Area, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province, 264006

Patentee before: Ligao (Shandong) New Energy Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address