CN112009252B - 一种动力电池系统故障诊断及容错控制方法 - Google Patents
一种动力电池系统故障诊断及容错控制方法 Download PDFInfo
- Publication number
- CN112009252B CN112009252B CN202011072539.XA CN202011072539A CN112009252B CN 112009252 B CN112009252 B CN 112009252B CN 202011072539 A CN202011072539 A CN 202011072539A CN 112009252 B CN112009252 B CN 112009252B
- Authority
- CN
- China
- Prior art keywords
- fault
- battery
- current sensor
- current
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 230000003190 augmentative effect Effects 0.000 claims abstract description 14
- 230000010287 polarization Effects 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种动力电池系统故障诊断及容错控制方法,采用了以端电压为输入、电流为输出的包含电流传感器故障值在内的增广状态空间方程,通过算法实时估计出电流传感器故障值,当故障值的绝对值超过阈值即可判断传感器发生故障,然后对模型参数辨识和SOC估计进行容错控制。因该方法以电流为输出,故更适合检测电流传感器故障。此外,增广状态空间方程包含传感器故障值有助于后续参数辨识和状态估计的容错控制,提高了系统的可靠性。
Description
技术领域
本发明涉及新能源汽车动力电池系统安全及可靠性技术领域,尤其涉及一种电流传感器的故障诊断及容错控制方法。
背景技术
动力电池管理系统(Battery management system,BMS)中用于实时采集数据的传感器对于管理系统的正常运行及保持电池长时间的最优工作状态来说至关重要。传感器一旦发生故障,会使得汽车电池管理系统对电池的状态估计产生偏差,无法及时起到应有的功能,因此对电池传感器进行故障检测是电池管理系统中不可或缺的一部分。由于单体电池有明确的上下限截止电压,电压传感器故障导致其读数超过上下截止电压时即可快速判断电压传感器出现故障,但对于电流传感器而言,由于其读数并没有明确的上下限范围,且电流在充放电过程中可剧烈变化,因此存在故障难以被及时准确检测到的问题,需必要的故障诊断方法进行及时高效诊断。
目前,对传感器的故障诊断主要是基于模型的方法,而所用电池模型均是以电流为输入、端电压为输出,通过端电压估计值和端电压测量值对比来判断故障是否发生。实际上,在以端电压作为输出的模型中,电流通常是以与欧姆内阻的乘积及与极化电容倒数的乘积的形式出现。而电池欧姆内阻和极化电容倒数均是10-3~10-2数量级的值,这无疑大大降低了电流传感器故障对端电压估计值的影响,故这种方法对电压传感器故障诊断比较适合,但对电流传感器故障诊断能力不强,尤其是无法识别程度较轻的电流传感器故障。此外,目前对于传感器故障诊断研究缺少故障诊断后的容错控制研究。
发明内容
有鉴于此,针对现有电池系统电流传感器故障诊断中所存在的上述技术问题,本发明提出一种电流传感器故障诊断及其容错控制方法,具体包括以下步骤:
准备工作:
选取锂离子动力电池样本作为实验对象建立电池等效电路模型,并进行开路电压测试,基于所述测试结果拟合电池开路电压(Open circuit voltage,OCV)与荷电状态(State of charge,SOC)之间的关系,模型参数通过最小二乘法辨识得到;
步骤一、构建以端电压为输入,电流为输出的模型数学表达式
利用准备工作中建立的电池等效电路模型构建以端电压作为输入,电流作为输出的模型数学表达式,考虑电流传感器故障值对该输入、输出关系的影响;其中,所述极化电压通过递推方式计算;
步骤二、电流传感器故障值估计和电池SOC估计
以端电压、开路电压、荷电状态以及电流传感器故障值作为状态向量,建立增广状态空间方程;基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)获取各离散时刻的状态估计值,并获得估计的电流传感器故障值;
步骤三、故障检测
将由步骤二得到的估计的电流传感器故障值与故障诊断阈值比较,判断电流传感器是否发生故障;若发生电流传感器故障则进行步骤四,反之则返回步骤一进行下一采样时刻状态估计过程;
步骤四、参数容错
当发生电流传感器故障时,利用步骤二得到的电池传感器故障估计值更新模型参数,得到容错后的模型参数,然后返回步骤一进行下一时刻的状态估计过程,得到容错后的SOC,以实现故障容错。
进一步地,所述准备工作中基于一阶等效电路模型建立以电流为输入、端电压为输出的数学表达式,具体形式如下:
V=Voc-Va-IRo
式中,Va为电池极化电容两端的极化电压,为所述极化电压的变化率,I为电池电流,V为端电压,Voc为开路电压OCV,Ra为电池的极化内阻,Ca为电池的极化电容,Ro为电池的欧姆内阻,Ro、Ra和Ca通过最小二乘法辨识得到;
通过以下多项式的形式描述OCV与SOC之间的关系:
Voc=a0+a1S+a2S2+a3S3+a4S4+a5S5+a6S6+a7S7+a8S8
式中,a0,a1,...,a8为多项式拟合系数,通过所述开路电压测试得到;S为SOC,由下式计算:
式中,k表示第k个采样时刻,Q0为电池样本的容量,Δt为采样间隔。
进一步地,所述步骤一还包括:
将准备工作中所建立的电池等效电路模型转换为以端电压作为输入,电流作为输出的以下数学形式:
式中,If,k为电流传感器故障值;当电流为输出而非输入时,当前k时刻极化电压Va,k无法通过准备工作中极化电压公式直接计算,需转化成递推的形式,定义极化电压的变形量和系数δ为:
的递推公式为:
电流递推表达式可转换为:
开路电压Voc,k可根据如下递推式得到:
式中,为Voc对SOC求导。
进一步地,所述步骤二以端电压、开路电压、荷电状态以及电流传感器故障值作为状态向量,建立以下增广状态空间方程基本形式:
式中,uk和yk分别为输入V和输出I,f(·)和h(·)分别为状态方程和测量方程,wk和vk分别为系统噪声和测量噪声;
结合所述步骤一中确定的模型数学表达式,建立具有如下形式状态向量xk的增广状态空间方程:
式中,等号左侧分别为状态向量xk和量测输出yk,等号右侧分别为状态方程f(·)和测量方程h(·)。
针对所建立的增广状态空间方程,采用无迹卡尔曼滤波算法不断进行系统状态的更新,无需使用雅克比运算即可获得实时的状态估计值,提高了算法的鲁棒性,并增强了对状态的跟踪能力。
进一步地,所述步骤三中故障诊断阈值确定过程如下:
加载电池混合脉冲能力脉冲特性(Hybrid pulse power characteristic,HPPC)测试,通过步骤一和步骤二,得到整个放电过程(即SOC从100%下降至0过程)的电流故障值If并得到其统计结果If~(μ,σ),μ和σ分别为均值和方差,定义故障阈值为:J=|μ+3σ|。
进一步地,步骤四所述参数容错过程如下:
由于步骤二中增广状态空间方程中的SOC是在已考虑电流传感器故障值的情况下进行的递推计算,故SOC估计值是在一定程度故障容错后的结果,但准备工作中模型参数辨识过程未考虑电流传感器故障,故利用带有故障信息的模型参数会导致步骤二中SOC估计结果仍有一定误差,故需将步骤二得到电流传感器故障值代入下式:
利用上式和递推最小二乘法获得容错后的电池模型的参数,然后回到步骤一,再次得到精确的电流传感器故障值和容错后的SOC估计值,进一步提高故障诊断精度。
上述本发明所提供的方法相对于现有技术具有如下有益效果:
与传统的以电流为输入、端电压为输出的电池模型不同,本发明提出以端电压为输入,电流为输出的包含电流传感器故障值在内的增广状态空间方程,通过算法实时估计出电流传感器故障值,当故障值的绝对值超过阈值即可判断传感器发生故障,并对模型参数辨识和SOC估计进行容错控制。因该方法以电流为输出,且实时辨识电流传感器故障值,故更适合检测电流传感器故障。此外,增广状态空间方程包含传感器故障值有助于后续参数辨识和状态估计的容错控制,提高了系统的可靠性。
附图说明
图1为本发明方法所提供的流程示意图;
图2为电池的一阶等效电路模型。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明所提供的电流传感器故障诊断及容错控制方法所对应的一个优选实施方式中,如图1所示,具体包括以下步骤:
准备工作、选取锂离子动力电池样本作为实验对象基于如图2所示一阶等效电路模型建立以电流为输入、端电压为输出的如下数学表达式:
V=Voc-Va-IRo
式中,Va为电池极化电容两端的极化电压,为所述极化电压的变化率,V为端电压,Voc为开路电压OCV,I为电池电流,Ra为电池的极化内阻,Ca为电池的极化电容,Ro为电池的欧姆内阻,Ro、Ra和Ca通过最小二乘法辨识得到;
通过以下多项式的形式描述OCV与SOC之间的关系:
Voc=a0+a1S+a2S2+a3S3+a4S4+a5S5+a6S6+a7S7+a8S8
式中,a0,a1,...,a8为多项式拟合系数,通过所述开路电压测试得到;S为SOC,由下式计算:
式中,k表示第k个采样时刻,Q0为电池样本的容量,Δt为采样间隔。
步骤一、构建以端电压为输入,电流为输出的模型数学表达式
将准备工作中所建立的电池等效电路模型转换为以端电压作为输入,电流作为输出的以下形式:
式中,If,k为电流传感器故障值;当电流为输出而非输入时,当前k时刻极化电压Va,k无法通过准备工作中极化电压公式直接计算,需转化成递推的形式,定义极化电压的变形量和系数δ为:
的递推公式为:
电流递推表达式可转换为:
开路电压Voc,k可根据如下递推式得到:
式中,为Voc对SOC求导。
步骤二、电流传感器故障值估计和电池SOC估计
以端电压、开路电压、荷电状态以及电流传感器故障值作为状态向量,建立以下增广状态空间方程基本形式:
式中,uk和yk分别为输入V和输出I,f(·)和h(·)分别为状态方程和测量方程,wk和vk分别为系统噪声和测量噪声;
结合所述步骤一中确定的模型,建立具有如下形式状态向量xk的增广状态空间方程;
式中,等号左侧分别为状态向量xk和量测输出yk,等号右侧分别为状态方程f(·)和测量方程h(·)。
针对所建立的增广状态空间方程,采用无迹卡尔曼滤波算法不断进行系统状态的更新,无需使用雅克比运算即可获得实时的状态估计值,提高了算法的鲁棒性,并增强了对状态的跟踪能力。
步骤三、故障检测
将由步骤二得到的估计的电流传感器故障值与故障诊断阈值比较,判断电流传感器是否发生故障;
所述步骤故障诊断阈值通过以下方式确定:
加载电池HPPC测试,通过步骤一和步骤二,得到整个放电过程(即SOC从100%下降至0过程)的电流故障值If并得到其统计结果If~(μ,σ),μ和σ分别为均值和方差,定义阈值为:J=|μ+3σ|。
当If的绝对值超过阈值J,即可判断电流传感器出现故障,进行步骤四;反之,无电流传感器故障。则返回步骤一进行下一采样时刻的状态估计过程;
步骤四、参数容错
依据所述步骤二的结果,将电流传感器故障值代入下式:
利用上式和递推最小二乘法获得容错后的电池模型的参数,然后回到步骤一,再次得到精确的电流传感器故障值和容错后的SOC估计值,进一步提高故障诊断精度。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种动力电池系统故障诊断及容错控制方法,其特征在于:具体包括以下步骤:
准备工作:
选取锂离子动力电池样本作为实验对象建立电池等效电路模型,并进行开路电压测试,基于所述测试结果拟合电池开路电压OCV与荷电状态SOC之间的关系,模型参数通过最小二乘法辨识得到;基于一阶等效电路模型建立以电流为输入、端电压为输出的数学表达式,具体形式如下:
V=Voc-Va-IRo
式中,Va为电池极化电容两端的极化电压,为所述极化电压的变化率,I为电池电流,V为端电压,Voc为开路电压OCV,Ra为电池的极化内阻,Ca为电池的极化电容,Ro为电池的欧姆内阻,Ro、Ra和Ca通过最小二乘法辨识得到;
通过以下多项式的形式描述OCV与SOC之间的关系:
Voc=a0+a1S+a2S2+a3S3+a4S4+a5S5+a6S6+a7S7+a8S8
式中,a0,a1,...,a8为多项式拟合系数,通过所述开路电压测试得到;S为SOC,由下式计算:
式中,k表示第k个采样时刻,Q0为电池样本的容量,Δt为采样间隔;
步骤一、构建以端电压为输入,电流为输出的模型数学表达式:
利用准备工作中建立的电池等效电路模型构建以端电压作为输入,电流作为输出的模型数学表达式,考虑电流传感器故障值对该输入、输出关系的影响;其中,所述极化电压通过递推方式计算;
步骤二、电流传感器故障值估计和电池SOC估计:
以端电压、开路电压、荷电状态以及电流传感器故障值作为状态向量,建立增广状态空间方程;基于无迹卡尔曼滤波获取各离散时刻的状态估计值,并获得估计的电流传感器故障值;
步骤三、故障检测:
将由步骤二得到的估计的电流传感器故障值与故障诊断阈值比较,判断电流传感器是否发生故障;若发生电流传感器故障则进行步骤四,反之则返回步骤一进行下一采样时刻状态估计过程;
步骤四、参数容错:
当发生电流传感器故障时,利用步骤二得到的电流传感器故障估计值更新模型参数,得到容错后的模型参数,然后返回步骤一进行下一时刻的状态估计过程,得到容错后的SOC,以实现故障容错。
2.如权利要求1所述的方法,其特征在于:所述步骤一还包括:
将准备工作中所建立的电池等效电路模型转换为以端电压作为输入,电流作为输出的以下数学形式:
式中,If,k为电流传感器故障值;当电流为输出而非输入时,当前k时刻极化电压Va,k无法通过准备工作中极化电压公式直接计算,需转化成递推的形式,定义极化电压的变形量和系数δ为:
的递推公式为:
电流递推表达式可转换为:
开路电压Voc,k可根据如下递推式得到:
式中,为Voc对SOC求导。
3.如权利要求2所述的方法,其特征在于:所述步骤二以端电压、开路电压、荷电状态以及电流传感器故障值作为状态向量,建立以下增广状态空间方程基本形式:
式中,uk和yk分别为输入V和输出I,f(·)和h(·)分别为状态方程和测量方程,wk和vk分别为系统噪声和测量噪声;
结合所述步骤一中确定的模型数学表达式,建立具有如下形式状态向量xk的增广状态空间方程:
式中,等号左侧分别为状态向量xk和量测输出yk,等号右侧分别为状态方程f(·)和测量方程h(·)。
4.如权利要求1所述的方法,其特征在于:所述步骤三故障诊断阈值通过以下方式确定:
加载电池混合脉冲能力脉冲特性测试,通过步骤一至步骤二,得到整个放电过程的电流故障值If并统计得到其统计结果If~(μ,σ),μ和σ分别为均值和方差,定义阈值为:J=|μ+3σ|。
5.如权利要求4所述的方法,其特征在于:步骤四所述参数容错过程如下:
将步骤二得到电流传感器故障值代入下式:
利用上式和递推最小二乘法获得容错后的电池模型的参数,然后回到步骤一,再次得到精确的电流传感器故障值和容错后的SOC估计值,进一步提高故障诊断精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072539.XA CN112009252B (zh) | 2020-10-09 | 2020-10-09 | 一种动力电池系统故障诊断及容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072539.XA CN112009252B (zh) | 2020-10-09 | 2020-10-09 | 一种动力电池系统故障诊断及容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112009252A CN112009252A (zh) | 2020-12-01 |
CN112009252B true CN112009252B (zh) | 2023-12-01 |
Family
ID=73527195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072539.XA Active CN112009252B (zh) | 2020-10-09 | 2020-10-09 | 一种动力电池系统故障诊断及容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112009252B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912642B (zh) * | 2022-07-18 | 2022-12-20 | 中科云策(深圳)科技成果转化信息技术有限公司 | 一种基于互联网的人工智能机器人故障预测系统 |
CN116382103B (zh) * | 2023-06-07 | 2023-08-25 | 广东石油化工学院 | 一种生产过程间歇故障及趋势畸变的监测与辨识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103935260A (zh) * | 2014-05-08 | 2014-07-23 | 山东大学 | 一种基于电池安全保护的电池管理方法 |
CN106324521A (zh) * | 2016-09-05 | 2017-01-11 | 北京理工大学 | 一种联合估计动力电池系统参数与荷电状态的方法 |
WO2017154419A1 (ja) * | 2016-03-09 | 2017-09-14 | 日立オートモティブシステムズ株式会社 | 電池管理システム、電池システムおよびハイブリッド車両制御システム |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
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 |
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 |
CN111198327A (zh) * | 2020-02-24 | 2020-05-26 | 北京理工大学 | 一种单体电池内短路故障自检测方法 |
-
2020
- 2020-10-09 CN CN202011072539.XA patent/CN112009252B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103935260A (zh) * | 2014-05-08 | 2014-07-23 | 山东大学 | 一种基于电池安全保护的电池管理方法 |
WO2017154419A1 (ja) * | 2016-03-09 | 2017-09-14 | 日立オートモティブシステムズ株式会社 | 電池管理システム、電池システムおよびハイブリッド車両制御システム |
CN106324521A (zh) * | 2016-09-05 | 2017-01-11 | 北京理工大学 | 一种联合估计动力电池系统参数与荷电状态的方法 |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
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 |
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 |
CN111198327A (zh) * | 2020-02-24 | 2020-05-26 | 北京理工大学 | 一种单体电池内短路故障自检测方法 |
Non-Patent Citations (2)
Title |
---|
单相脉宽调制整流器传感器故障诊断与容错控制;夏金辉;郭源博;张晓华;;电工技术学报(第20期);全文 * |
无人船锂电池管理系统的研究与设计;高波;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112009252A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
CN111610456B (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
CN106291381B (zh) | 一种联合估计动力电池系统荷电状态与健康状态的方法 | |
CN108732508B (zh) | 一种锂离子电池容量的实时估计方法 | |
CN110196393B (zh) | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 | |
CN111198327A (zh) | 一种单体电池内短路故障自检测方法 | |
CN112285570B (zh) | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 | |
CN105021996A (zh) | 储能电站bms的电池soh估算方法 | |
CN111929602B (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
CN106126783B (zh) | 一种锂离子电池变时间尺度模型参数估计方法 | |
CN112009252B (zh) | 一种动力电池系统故障诊断及容错控制方法 | |
CN108828448B (zh) | 基于充电电压曲线融合卡尔曼滤波的电池荷电状态在线估算方法 | |
CN114035086B (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN110196395B (zh) | 蓄电池soc估算方法 | |
CN112285569B (zh) | 一种基于动态阈值模型的电动汽车故障诊断方法 | |
CN107991628B (zh) | 一种基于相关与回归分析的蓄电池模型建模方法 | |
CN115792638A (zh) | 基于电池模型参数辨识的soc-内短路联合估计方法 | |
CN111044924B (zh) | 一种全工况电池剩余容量确定方法及系统 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN111965548B (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
CN117607704A (zh) | 一种考虑不一致性的锂离子电池组微短路故障诊断方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
WO2021035500A1 (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算系统 | |
CN116184248A (zh) | 一种串联电池组的微小短路故障检测方法 |
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 |