CN111999654B - 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 PDF

Info

Publication number
CN111999654B
CN111999654B CN202010770346.5A CN202010770346A CN111999654B CN 111999654 B CN111999654 B CN 111999654B CN 202010770346 A CN202010770346 A CN 202010770346A CN 111999654 B CN111999654 B CN 111999654B
Authority
CN
China
Prior art keywords
state
soc
time
battery
equation
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.)
Active
Application number
CN202010770346.5A
Other languages
English (en)
Other versions
CN111999654A (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
Ligao 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 Ligao Shandong New Energy Technology Co ltd filed Critical Ligao Shandong New Energy Technology Co ltd
Priority to CN202010770346.5A priority Critical patent/CN111999654B/zh
Publication of CN111999654A publication Critical patent/CN111999654A/zh
Application granted granted Critical
Publication of CN111999654B publication Critical patent/CN111999654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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

一种自适应扩展卡尔曼估计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)
Figure GDA0002686856810000031
Figure GDA0002686856810000032
τst＝Rst·Cst
τmt＝τmt·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：
Figure GDA0002686856810000033
P-(k)＝AP(k-1)AT+Q   (4)
K(k)＝P-(k)CT(CP-(k)CT+R)-1   (5)
Figure GDA0002686856810000034
P(k)＝(I-K(k)C)P-(k)   (7)
Figure GDA0002686856810000035
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 GDA0002686856810000041
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 GDA0002686856810000042
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/M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 (4)

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dSOCdif(i)＝(SOCdif(i)-SOCdiff(i-1))/Δt；给定扩展卡尔曼算法中的初始状态状态噪声协方差与状态观测噪声协方差，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与状态观测噪声协方差R；
步骤S4具体为：
S41、判断状态观测噪声协方差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/K1周期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协方差R，若不满足dSOCdiff单调收敛至[-M1，M1]，则令Rj+1＝ηRj，η为状态观测噪声协方差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为最终的状态观测噪声协方差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/K1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/K1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。
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分别为短时、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)
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)AT与状态噪声协方差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)与状态观测噪声协方差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)。
4.根据权利要求3所述的一种自适应扩展卡尔曼估计S0C算法，其特征在于，K1＝1.2。
CN202010770346.5A 2020-08-04 2020-08-04 一种自适应扩展卡尔曼估计soc算法 Active CN111999654B (zh)

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 CN111999654A (zh) 2020-11-27
CN111999654B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112964997B (zh) * 2021-01-21 2022-03-29 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
State of Charge Estimation of Power Lithium Battery Based on Extended Kalman Filter;Huizong Feng 等;《2019 Chinese Automation Congress》;20200213;第518-523页 *
基于改进EKF算法锂电池SOC估算的研究;邓青;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190115(第01期);第C042-3285页 *

Also Published As

Publication number Publication date
CN111999654A (zh) 2020-11-27

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
CN107422269B (zh) 一种锂电池在线soc测量方法
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
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
CN111999654B (zh) 一种自适应扩展卡尔曼估计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
CN111985154B (zh) 一种自适应模糊卡尔曼估计soc算法
CN111060824B (zh) 一种基于模型与算法分步融合的荷电状态估计方法
CN109917299B (zh) 一种锂电池荷电状态的三层滤波估算方法
CN112305440A (zh) 一种电池剩余电量和健康状态联合估计方法
CN111027203B (zh) 一种超级电容soc计算方法
CN114740357A (zh) 一种并联电池组支路电流、荷电状态和功率状态的联合估计方法
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN114184962A (zh) 一种多算法融合的锂离子电池soc和soh联合估算方法
CN110716146A (zh) 一种动力电池开路电压的估计方法
CN113625182A (zh) 一种对电池状态进行在线估计的方法
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
CN111751750A (zh) 基于模糊ekf的多阶段闭环锂电池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
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
CN115684940A (zh) 一种锂电池健康状态评估方法

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
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