CN111999654A - 一种自适应扩展卡尔曼估计soc算法 - Google Patents
一种自适应扩展卡尔曼估计soc算法 Download PDFInfo
- Publication number
- CN111999654A CN111999654A CN202010770346.5A CN202010770346A CN111999654A CN 111999654 A CN111999654 A CN 111999654A CN 202010770346 A CN202010770346 A CN 202010770346A CN 111999654 A CN111999654 A CN 111999654A
- Authority
- CN
- China
- Prior art keywords
- soc
- time
- state
- battery
- extended kalman
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 230000010287 polarization Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000007599 discharging Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 4
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 2
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种自适应扩展卡尔曼估计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、通过N周期内的dSOCdiff(i),i∈(0,N)值的变化来自动调整状态噪声协方差Q与状态观测噪声方差R。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
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扩展卡尔曼估计 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。其中安时积分比较信赖 于传感器的精度与初始SOC,神经网络相对比较复杂,需要大量的学习数据, 对硬件的要求比较高,卡尔曼滤波相对安时积分对电池的初始SOC不过于信赖 且可以减弱传感器的误差,但卡尔曼滤波为了能更好的表征电池状态,需要对各噪声方差进行反复的标定才能使卡尔曼滤波效果较好。
发明内容
为了实现在短期历史数据内自动调整出卡尔曼算法的有效参数,提高算法 的估计精度与算法调试时间,为此,本发明提供一种自适应扩展卡尔曼估计SOC 算法。本发明采用以下技术方案:
一种自适应扩展卡尔曼估计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、记录电流Ibat与电压Vterm的N个周期的历史数据,周期为Δt,利用安时 积分与扩展卡尔曼计算出的SOC的值分别为SOCAH与SOCEKF,SOCAH与SOCEKF的 实时SOC偏差表示为SOCdiff(i)=SOCAH(i)-SOCEKF(i),i∈(0,N),再进行微分 得出dSOCdiff(i)=(SOCdiff(i)-SOCdiff(i-1))/Δt;给定扩展卡尔曼算法中 的初始状态噪声协方差矩阵Q0与观测噪声方差R0,通过N周期内的 dSOCdiff(i),i∈(0,N)值的变化来自动调整状态噪声协方差Q与状态观测噪声方 差R。
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,通过自动 调节卡尔曼算法中的状态噪声协方差与观测噪声方差来提高扩展卡尔曼算法的 可靠性,能在短期历史数据内自动调整出卡尔曼算法的有效参数,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。
附图说明
图1为锂电池三阶等效电路模型。
图2为步骤S4中自动调整状态噪声协方差Q与状态观测噪声方差R的流程图。
图3为电池持续放电,针对观测协方差R(1)~R(4)的不断更新,仿真 获得的最终观测噪声方差R的结果图。
图4为电池持续放电,针对状态协方差Q(1)~Q(4)的不断更新,仿真 获得的最终状态噪声协方差Q的结果图。
具体实施方式
一种自适应扩展卡尔曼估计SOC算法,包括以下步骤:
S1、建立电池的三阶等效电路模型,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)
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,Vst、Vmt、Vlt为别为 短时、中时、长时极化端电压,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为充放电电流,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:
P-(k)=AP(k-1)AT+Q (4)
K(k)=P-(k)CT(CP-(k)CT+R)-1 (5)
P(k)=(I-K(k)C)P-(k) (7)
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 计值并同步更新当前时刻的状态转移协方差矩阵P(k)。
S4、记录电流Ibat与终端电压Vterm的N个周期的历史数据,周期为Δt,利用 安时积分与扩展卡尔曼计算出的SOC的值分别为SOCAH与SOCEKF,SOCAH与 SOCEKF的实时SOC偏差表示为SOCdiff(i)=SOCAH(i)-SOCEKF(i),i∈(0,N),再 进行微分得出dSOCdiff(i)=(SOCdiff(i)-SOCdiff(i-1))/Δt;给定扩展卡尔 曼算法中的初始状态噪声协方差矩阵Q0与观测噪声方差R0,通过N周期内的 dSOCdiff(i),i∈(0,N)值的变化来自动调整状态噪声协方差Q与状态观测噪声方 差R。
具体的如图1所示:
S41、判断状态观测噪声方差R;判断dSOCdiff(i),i∈(0,N)能否在后N/K1周 期内,其中K1为设定值,其中K1=1.2,能否单调收敛至[-M1,M1],考虑后N/K 是为了考虑状态初值较真实值偏差大时的情况,M1是认为扩展卡尔曼算法的估 计值在合理范围内的边界值,假设当前第j次调整状态观测噪声方差R,若不满 足dSOCdiff单调收敛至[-M1,M1],则令Rj+1=ηRj,η为观测噪声R的调整系数, 直至满足dSOCdiff在后N/K1周期内单调收敛至[-M1,M1],此时的Rend为最终 的观测噪声方差R;
S42、判断状态噪声协方差Q的值;判断dSOCdiff(i),i∈(0,N)能否在后N/K 周期内收敛至[-M2,M2],其中M2<M1/K2且K2>5,K2大小可调;假设第jj次 的Qjj仍然无法在后N/K周期内收敛至[-M2,M2],令Qjj+1=λQjj,λ为状态噪 声协方差Q的调整系数,直至满足dSOCdiff在后N/K1周期内收敛至[-M2,M2], 此时的Qend为最终的状态噪声协方差Q。
使用上述方法,对某一段时间的持续放电数据进行仿真,如图2所示,通 过仿真可以看出,针对R的调节,通过不断的更新R的值可以使扩展卡尔曼的估 计值可以与真实SOC的误差越来越小,两者的同步性也较好;从图3可以看出随 着Q的不断调整,可以看出状态估计过程中EKF估计值在周期内不再反复跳动, 可以很好的与真实SOC一直维持在比较小的误差范围内。
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 (5)
1.一种自适应扩展卡尔曼估计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、记录电流Ibat与电压Vterm的N个周期的历史数据,周期为Δt,利用安时积分与扩展卡尔曼计算出的SOC的值分别为SOCAH与SOCEKF,SOCAH与SOCEKF的实时SOC偏差表示为SOCdiff(i)=SOCAH(i)-SOCEKF(i),i∈(0,N),再进行微分得出dSOCdiff(i)=(SOCdiff(i)-SOCdiff(i-1))/Δt;给定扩展卡尔曼算法中的初始状态噪声协方差矩阵Q0与观测噪声方差R0,通过N周期内的dSOCdiff(i),i∈(0,N)值的变化来自动调整状态噪声协方差Q与状态观测噪声方差R。
2.根据权利要求1所述的一种自适应扩展卡尔曼估计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,
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所述的一种自适应扩展卡尔曼估计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:
P-(k)=AP(k-1)AT+Q (4)
K(k)=P-(k)CT(CP-(k)CT+R)-1 (5)
P(k)=(I-K(k)C)P-(k) (7)
4.根据权利要求3所述的一种自适应扩展卡尔曼估计SOC算法,其特征在于,步骤S4具体为:
S41、判断状态观测噪声方差R;判断dSOCdiff(i),i∈(0,N)能否在后N/K1周期内,其中K1为设定值,能否单调收敛至[-M1,M1],考虑后N/K是为了考虑状态初值较真实值偏差大时的情况,M1是认为扩展卡尔曼算法的估计值在合理范围内的边界值,假设当前第j次调整状态观测噪声方差R,若不满足dSOCdiff单调收敛至[-M1,M1],则令Rj+1=ηRj,η为观测噪声R的调整系数,直至满足dSOCdiff在后N/K1周期内单调收敛至[-M1,M1],此时的Rend为最终的观测噪声方差R;
S42、判断状态噪声协方差Q的值;判断dSOCdiff(i),i∈(0,N)能否在后N/K周期内收敛至[-M2,M2],其中M2<M1/K2且K2>5,K2大小可调;假设第jj次的Qjj仍然无法在后N/K周期内收敛至[-M2,M2],令Qjj+1=λQjj,λ为状态噪声协方差Q的调整系数,直至满足dSOCdiff在后N/K1周期内收敛至[-M2,M2],此时的Qend为最终的状态噪声协方差Q。
5.根据权利要求4所述的一种自适应扩展卡尔曼估计SOC算法,其特征在于,K1=1.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770346.5A CN111999654B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应扩展卡尔曼估计soc算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770346.5A CN111999654B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应扩展卡尔曼估计soc算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111999654A true CN111999654A (zh) | 2020-11-27 |
CN111999654B CN111999654B (zh) | 2023-05-12 |
Family
ID=73462720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770346.5A Active CN111999654B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应扩展卡尔曼估计soc算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999654B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964997A (zh) * | 2021-01-21 | 2021-06-15 | 西南科技大学 | 一种无人机锂离子电池峰值功率自适应估算方法 |
CN113125962A (zh) * | 2021-04-21 | 2021-07-16 | 东北大学 | 一种温度时变下的钛酸锂电池状态估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013072928A2 (en) * | 2011-09-30 | 2013-05-23 | Kpit Cummins Infosystems Limited | A system and method for determining state of charge of a battery |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
CN108646191A (zh) * | 2018-05-10 | 2018-10-12 | 西安交通大学 | 一种基于dafekf的电池荷电状态估计方法 |
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 |
CN109164391A (zh) * | 2018-07-12 | 2019-01-08 | 杭州神驹科技有限公司 | 一种动力电池荷电状态在线估算方法及系统 |
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 |
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 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
-
2020
- 2020-08-04 CN CN202010770346.5A patent/CN111999654B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013072928A2 (en) * | 2011-09-30 | 2013-05-23 | Kpit Cummins Infosystems Limited | A system and method for determining state of charge of a battery |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
CN108646191A (zh) * | 2018-05-10 | 2018-10-12 | 西安交通大学 | 一种基于dafekf的电池荷电状态估计方法 |
CN109164391A (zh) * | 2018-07-12 | 2019-01-08 | 杭州神驹科技有限公司 | 一种动力电池荷电状态在线估算方法及系统 |
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 |
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 |
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 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
Non-Patent Citations (2)
Title |
---|
HUIZONG FENG 等: "State of Charge Estimation of Power Lithium Battery Based on Extended Kalman Filter", 《2019 CHINESE AUTOMATION CONGRESS》 * |
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》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964997A (zh) * | 2021-01-21 | 2021-06-15 | 西南科技大学 | 一种无人机锂离子电池峰值功率自适应估算方法 |
CN113125962A (zh) * | 2021-04-21 | 2021-07-16 | 东北大学 | 一种温度时变下的钛酸锂电池状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111999654B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
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 | |
US10838010B2 (en) | Automatic method for estimating the capacitance of a cell of a battery | |
JP4473823B2 (ja) | 電気エネルギー蓄積器のための複数の部分モデルを用いた状態量およびパラメータの推定装置 | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
CN109669132B (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
US20070145953A1 (en) | Device and method for estimating the inputtable/outputtable power of a secondary battery | |
CN111985154B (zh) | 一种自适应模糊卡尔曼估计soc算法 | |
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 | |
CN111999654A (zh) | 一种自适应扩展卡尔曼估计soc算法 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
CN110716146A (zh) | 一种动力电池开路电压的估计方法 | |
CN111027203B (zh) | 一种超级电容soc计算方法 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN113671377A (zh) | 一种基于改进ekf算法的锂电池soc估算方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
CN117074980A (zh) | 基于安时积分参考补偿的磷酸铁锂电池soc估计方法 | |
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 | |
CN115480166A (zh) | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 | |
CN113030741B (zh) | 基于aukf的电池模型参数和soc估算方法、设备和介质 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |