CN112379275A - 一种多参数修正的动力电池soc估计方法及估计系统 - Google Patents

一种多参数修正的动力电池soc估计方法及估计系统 Download PDF

Info

Publication number
CN112379275A
CN112379275A CN202011320658.2A CN202011320658A CN112379275A CN 112379275 A CN112379275 A CN 112379275A CN 202011320658 A CN202011320658 A CN 202011320658A CN 112379275 A CN112379275 A CN 112379275A
Authority
CN
China
Prior art keywords
power battery
parameters
model
algorithm
parameter
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
CN202011320658.2A
Other languages
English (en)
Inventor
胡斌
赵春阳
周思达
王淼
史更新
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.)
Cetc Energy Co ltd
Original Assignee
CETC 18 Research Institute
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 CETC 18 Research Institute filed Critical CETC 18 Research Institute
Priority to CN202011320658.2A priority Critical patent/CN112379275A/zh
Publication of CN112379275A publication Critical patent/CN112379275A/zh
Pending legal-status Critical Current

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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种多参数修正的动力电池SOC估计方法及估计系统，属于新能源舰艇技术领域，包括：S1：对动力电池进行充放电测试；以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；S2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；S3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；S4：基于滤波算法对动力电池SOC进行估计；S5：按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。本发明采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性SOC估计。

Description

一种多参数修正的动力电池SOC估计方法及估计系统
技术领域
本发明属于新能源舰艇技术领域，具体涉及一种多参数修正的动力电池SOC估计方法及估计系统。
背景技术
近年来，随着船舶业的快速发展，纯电动舰艇成为新能源舰艇的重要组成部分之一，在国内舰艇总量的占比逐年升高。然而以动力电池为基础的纯电动舰艇仍面临诸多难题，如动力电池管理问题。采用串联或并联形式连接的动力电池组在实际运行时难以管理，在各种复杂工况下动力电池老化问题、极端工况与安全边界问题等制约着纯电动舰艇的推广应用，全生命周期下动力电池的高效管理也是电池管理的难题。
动力电池SOC(State of charge)表征了动力电池剩余可用容量，其准确度影响动力电池安全使用边界、充放电控制等多种基础功能，从而对动力电池全生命周期管理具有重要影响。提高动力电池SOC估算精度十分重要。目前，在电池管理系统中的SOC估算主要通过各种滤波算法完成，依靠预先标定的参数写入电池管理系统中，难以随全生命周期与使用环境自适应变更。因此，实现各类参数的自适应修正，提高动力电池SOC估计精度具有重要应用意义。
发明内容
本发明为解决公知技术中存在的技术问题，提供一种多参数修正的动力电池SOC估计方法及估计系统，采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性SOC估计。
本发明的第一目的是提供一种多参数修正的动力电池SOC估计方法，包括：
S1：对动力电池进行充放电测试；具体为：以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；
S2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
S3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
S4：基于滤波算法对动力电池SOC进行估计；
S5：在S4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
优选地，所述离散方程为：
Figure BDA0002792802110000021
上式中：
Ro为所述动力电池的欧姆内阻；
Rp为所述动力电池的电化学极化电阻；
Cp为所述动力电池的电化学极化电容；
Rd为所述动力电池的浓差极化电阻；
Cd为所述动力电池的浓差极化电容；
UL为所述动力电池的端电压；
IL为所述动力电池的电流；
Up为所述动力电池的电化学极化电压；
Ud为所述动力电池系统在k时刻的浓差极化电压；
所转化成的系统状态空间方程如下所示：
Figure BDA0002792802110000022
优选地，所述动力电池等效电路模型参数包括：动力电池电化学极化内阻、电化学极化电容、浓差极化电阻、浓差极化电容，以及欧姆内阻；将待辨识参数表示为下述向量形式：
X＝[Ro Rp Cp Rd Cd]T。
优选地，在S3中使用的参数辨识算法，使用粒子群优化算法完成；下式为算法状态更新方程
vk+1＝ωivk+c1rand1[popt，k-xk]+c2rand2[gopt，k-xk]
xk+1＝xk+vk
式中：v是粒子群优化速度；x是当前优化解；ωi是惯性权重；c1和c2是学习率因子；popt和gopt是优化函数。
优选地，使用模型拟合的端电压曲线与实际的电压曲线之间的均方误差，参数辨识算法使用过程如下：
S3.1：初始化参数，指定算法内参数，给定待辨识向量初始参数，按高斯概率分布以初始参数为均值随机生成一定数量的粒子；
S3.2：对每个粒子，按当前辨识参数迭代拟合端电压曲线，与真实采样曲线比对计算方差作为优化函数；
S3.3：对所有粒子，计算其当前时刻的个体最优解与群体最优解；
S3.4：计算每个粒子的更新速度，计算更新后状态，作为下一时刻迭代的初值；
S3.5：重复进行S3.2-S3.4，直至拟合误差小于目标值或迭代次数达到上限。
优选地，S4具体为：
建立滤波器系统方程为：
Figure BDA0002792802110000031
其中：η为充电效率，Ts为系统采样间隔，C为当前电池容量；
用于滤波器观测的状态方程为：
Ut＝Uocv-Up-Ud-Uohm
用于滤波器的状态空间矩阵为：
Figure BDA0002792802110000032
Figure BDA0002792802110000033
Figure BDA0002792802110000034
优选地，在S5中，使用的模型参数包括：动力电池模型参数，滤波器模型参数。
优选地，在S5中：
采用Sage-Husa算法对滤波器模型过程噪声与量测噪声参数进行自适应修正；
采用双滤波器联合估计算法对动力电池模型参数与动力电池SOC进行联合估计实现自适应修正；
采用累计安时数修正方式对动力电池当前容量、充电效率进行自适应修正。
本发明的第二目的是提供一种多参数修正的动力电池SOC估计系统，至少包括：
测试模块：对动力电池进行充放电测试；具体为：以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；
构建模块：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
辨识模块：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
估计模块：基于滤波算法对动力电池SOC进行估计；
修正模块：在S4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
本发明具有的优点和积极效果是：
1、本发明提供的动力电池SOC估计方法，综合考虑在实际使用过程中存在的各类干扰因素并采取相应的自适应算法进行修正，算法具有极高的鲁棒性，可应对实际动力电池SOC估计过程中存在的各类干扰因素。
2、本发明提供的动力电池SOC估计方法，采用模型仿真与滤波修正结合的方式，提高了机理形式下动力电池SOC估计精度，并适用于实际运行中存在的各种干扰。
3、本发明使用了不同时间尺度的修正方法，降低了在实际使用时对嵌入式系统的计算需求，降低计算量并保证模型精度。
附图说明
图1是本发明优选实例中动力电池二阶等效电路图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，
本发明的技术方案为：
一种多参数修正的动力电池SOC估计方法，采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性SOC估计算法。包括如下步骤：
步骤1：对动力电池进行充放电测试，以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T。
步骤2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程。
步骤3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数。
步骤4：基于滤波算法对动力电池SOC进行估计；
步骤5：在步骤4进行过程中，按一定的较大间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时修正动力电池容量。
优选的，本发明可采用容积粒子滤波器进行SOC估计。本发明所使用的改进容积粒子滤波器主要包括：
(1)采用容积粒子滤波方法解决锂电池的非线性系统状态跟踪问题。建立的锂离子电池二阶等效电路模型具有较强的非线性过程。常规的卡尔曼滤波在非线性系统状态估算问题时精度较低，本发明基于贝叶斯估计，采用容积准则方法近似计算预测过程中的非线性积分，从而获得较好的计算精度。
(2)采用平方根滤波方法解决协方差矩阵失真问题。根据协方差矩阵定义，协方差矩阵在理论上是正定矩阵。但在计算过程中，常因噪声干扰、计算机舍入误差扥问题导致协方差矩阵出现非正定现象，进而导致滤波发散。本发明基于矩阵分解，采用QR分解方法将协方差矩阵分解为正定的平方根矩阵，保证了滤波收敛性。
P＝xTx
(3)采用自适应滤波法提高系统稳定性。系统的过程噪声与观测噪声是系统本身固有的、具有强不确定性与时变性的非先验信息。在滤波过程中采用错误的噪声值不仅会导致系统偏离真值，同时也可能导致系统发散。本发明采用Sage-Husa法对噪声进行自适应修正，有效修正噪声的协方差矩阵，提高了算法稳定性。
如发明内容所述：
如步骤2所述，所建立的动力电池系统模型采用二阶等效电路模型，得到对应的离散方程为：
Figure BDA0002792802110000061
上式中：
Ro为所述动力电池的欧姆内阻；
Rp为所述动力电池的电化学极化电阻；
Cp为所述动力电池的电化学极化电容；
Rd为所述动力电池的浓差极化电阻；
Cd为所述动力电池的浓差极化电容；
UL为所述动力电池的端电压；
IL为所述动力电池的电流；
Up为所述动力电池的电化学极化电压；
Ud为所述动力电池系统在k时刻的浓差极化电压；
所转化成的系统状态空间方程如下所示：
Figure BDA0002792802110000062
如步骤3所述：所需辨识的动力电池参数包括：动力电池电化学极化内阻、电化学极化电容、浓差极化电阻、浓差极化电容，以及欧姆内阻。将待辨识参数表示为下述向量形式：
X＝[Ro Rp Cp Rd Cd]T
优选地，在步骤三中使用的参数辨识算法，可使用粒子群优化算法完成。下式为算法状态更新方程
vk+1＝ωivk+c1rand1[popt，k-xk]+c2rand2[gopt，k-xk]
xk+1＝xk+vk
式中：v是粒子群优化速度；x是当前优化解；ωi是惯性权重；c1和c2是学习率因子；popt和gopt是优化函数。在本专利中，我们使用模型拟合的端电压曲线与实际的电压曲线之间的均方误差。本专利使用的参数辨识算法使用过程如下：
步骤3.1：初始化参数，指定算法内参数，给定待辨识向量初始参数，按高斯概率分布以初始参数为均值随机生成一定数量的粒子；
步骤3.2：对每个粒子，按当前辨识参数迭代拟合端电压曲线，与真实采样曲线比对计算方差作为优化函数；
步骤3.3：对所有粒子，计算其当前时刻的个体最优解与群体最优解；
步骤3.4：按公式计算每个粒子的更新速度，计算更新后状态，作为下一时刻迭代的初值；
步骤3.5：重复进行步骤3.2-3.4，直至拟合误差小于目标值或迭代次数达到上限。
如步骤四所述：基于建立的动力电池二阶等效电路模型及辨识的参数，结合滤波算法进行SOC估计。
建立的滤波器系统方程为：
Figure BDA0002792802110000071
如上式所示：η为充电效率，Ts为系统采样间隔，C为当前电池容量。
用于滤波器观测的状态方程为：
Ut＝Uocv-Up-Ud-Uohm
用于滤波器的状态空间矩阵为：
Figure BDA0002792802110000072
Figure BDA0002792802110000081
Figure BDA0002792802110000082
如步骤5所述的模型参数修正方法，在本专利中使用的模型参数主要包括：动力电池模型参数，滤波器模型参数。因此在实际使用过程中需设计算法对该参数进行修正。如优选方案所述：
采用Sage-Husa算法对滤波器模型过程噪声与量测噪声参数进行自适应修正；
采用双滤波器联合估计算法对动力电池模型参数与动力电池SOC进行联合估计实现自适应修正；
采用累计安时数修正方式对动力电池当前容量、充电效率等进行自适应修正；
如步骤5所述的模型参数修正方法，对各类参数修正具有不同的需求。模型参数过程噪声与量测噪声参数应在较短时间间隔内进行修正，参数自适应估计算法随SOC估计同时进行，而动力电池容量、效率修正应在较长时间间隔内进行。三种修正方式应具有不同尺度的修正频率，如SOC估计频率为1Hz，则噪声修正频率为100Hz，容量修正频率为1000Hz。
一种多参数修正的动力电池SOC估计系统，包括：
测试模块：对动力电池进行充放电测试；具体为：以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；
构建模块：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
辨识模块：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
估计模块：基于滤波算法对动力电池SOC进行估计；
修正模块：在S4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (9)

1.一种多参数修正的动力电池SOC估计方法，其特征在于，至少包括：
S1：对动力电池进行充放电测试；具体为：以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；
S2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
S3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
S4：基于滤波算法对动力电池SOC进行估计；
S5：在S4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
2.根据权利要求1所述的多参数修正的动力电池SOC估计方法，其特征在于，所述离散方程为：
Figure FDA0002792802100000011
上式中：
Ro为所述动力电池的欧姆内阻；
Rp为所述动力电池的电化学极化电阻；
Cp为所述动力电池的电化学极化电容；
Rd为所述动力电池的浓差极化电阻；
Cd为所述动力电池的浓差极化电容；
UL为所述动力电池的端电压；
IL为所述动力电池的电流；
Up为所述动力电池的电化学极化电压；
Ud为所述动力电池系统在k时刻的浓差极化电压；
所转化成的系统状态空间方程如下所示：
Figure FDA0002792802100000021
3.根据权利要求1所述的多参数修正的动力电池SOC估计方法，其特征在于，所述动力电池等效电路模型参数包括：动力电池电化学极化内阻、电化学极化电容、浓差极化电阻、浓差极化电容，以及欧姆内阻；将待辨识参数表示为下述向量形式：
X＝[Ro Rp Cp Rd Cd]T。
4.根据权利要求1所述的多参数修正的动力电池SOC估计方法，其特征在于，在S3中使用的参数辨识算法，使用粒子群优化算法完成；下式为算法状态更新方程
vk+1＝ωivk+c1rand1[popt，k-xk]+c2rand2[gopt，k-xk]
xk+1＝xk+vk
式中：v是粒子群优化速度；x是当前优化解；ωi是惯性权重；c1和c2是学习率因子；popt和gopt是优化函数。
5.根据权利要求4所述的多参数修正的动力电池SOC估计方法，其特征在于，使用模型拟合的端电压曲线与实际的电压曲线之间的均方误差，参数辨识算法使用过程如下：
S3.1：初始化参数，指定算法内参数，给定待辨识向量初始参数，按高斯概率分布以初始参数为均值随机生成一定数量的粒子；
S3.2：对每个粒子，按当前辨识参数迭代拟合端电压曲线，与真实采样曲线比对计算方差作为优化函数；
S3.3：对所有粒子，计算其当前时刻的个体最优解与群体最优解；
S3.4：计算每个粒子的更新速度，计算更新后状态，作为下一时刻迭代的初值；
S3.5：重复进行S3.2-S3.4，直至拟合误差小于目标值或迭代次数达到上限。
6.根据权利要求1所述的多参数修正的动力电池SOC估计方法，其特征在于，S4具体为：
建立滤波器系统方程为：
Figure FDA0002792802100000022
其中：η为充电效率，Ts为系统采样间隔，C为当前电池容量；
用于滤波器观测的状态方程为：
Ut＝Uocv-Up-Ud-Uohm
用于滤波器的状态空间矩阵为：
Figure FDA0002792802100000031
Figure FDA0002792802100000032
Figure FDA0002792802100000033
7.根据权利要求1所述的多参数修正的动力电池SOC估计方法，其特征在于，在S5中，使用的模型参数包括：动力电池模型参数，滤波器模型参数。
8.根据权利要求7所述的多参数修正的动力电池SOC估计方法，其特征在于，在S5中：
采用Sage-Husa算法对滤波器模型过程噪声与量测噪声参数进行自适应修正；
采用双滤波器联合估计算法对动力电池模型参数与动力电池SOC进行联合估计实现自适应修正；
采用累计安时数修正方式对动力电池当前容量、充电效率进行自适应修正。
9.一种多参数修正的动力电池SOC估计系统，其特征在于，至少包括：
测试模块：对动力电池进行充放电测试；具体为：以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；
构建模块：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
辨识模块：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
估计模块：基于滤波算法对动力电池SOC进行估计；
修正模块：在S4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
CN202011320658.2A 2020-11-23 2020-11-23 一种多参数修正的动力电池soc估计方法及估计系统 Pending CN112379275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011320658.2A CN112379275A (zh) 2020-11-23 2020-11-23 一种多参数修正的动力电池soc估计方法及估计系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011320658.2A CN112379275A (zh) 2020-11-23 2020-11-23 一种多参数修正的动力电池soc估计方法及估计系统

Publications (1)

Publication Number Publication Date
CN112379275A true CN112379275A (zh) 2021-02-19

Family

ID=74589065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011320658.2A Pending CN112379275A (zh) 2020-11-23 2020-11-23 一种多参数修正的动力电池soc估计方法及估计系统

Country Status (1)

Country Link
CN (1) CN112379275A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087808A (zh) * 2023-02-03 2023-05-09 上海玫克生储能科技有限公司 一种电化学模型参数辨识过程的电流修正方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105093121A (zh) * 2015-07-10 2015-11-25 桂林电子科技大学 似然度函数粒子滤波的动力电池电荷状态估计方法和系统
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法
CN108732509A (zh) * 2018-06-06 2018-11-02 哈尔滨工业大学 一种面向空间应用的锂离子电池荷电状态的在线估计方法
CN111428433A (zh) * 2020-04-10 2020-07-17 湖南经研电力设计有限公司 基于混合滤波的锂离子电池状态计算方法
CN111537894A (zh) * 2020-05-29 2020-08-14 合肥工业大学 一种用于估计锂电池soc和sop的方法
CN111624499A (zh) * 2020-04-22 2020-09-04 宁波飞拓电器有限公司 一种soc估计的基于参数估计准则的自适应滤波方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105093121A (zh) * 2015-07-10 2015-11-25 桂林电子科技大学 似然度函数粒子滤波的动力电池电荷状态估计方法和系统
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法
CN108732509A (zh) * 2018-06-06 2018-11-02 哈尔滨工业大学 一种面向空间应用的锂离子电池荷电状态的在线估计方法
CN111428433A (zh) * 2020-04-10 2020-07-17 湖南经研电力设计有限公司 基于混合滤波的锂离子电池状态计算方法
CN111624499A (zh) * 2020-04-22 2020-09-04 宁波飞拓电器有限公司 一种soc估计的基于参数估计准则的自适应滤波方法
CN111537894A (zh) * 2020-05-29 2020-08-14 合肥工业大学 一种用于估计锂电池soc和sop的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087808A (zh) * 2023-02-03 2023-05-09 上海玫克生储能科技有限公司 一种电化学模型参数辨识过程的电流修正方法及系统
CN116087808B (zh) * 2023-02-03 2023-09-29 上海玫克生储能科技有限公司 一种电化学模型参数辨识过程的电流修正方法及系统

Similar Documents

Publication Publication Date Title
CN107422269B (zh) 一种锂电池在线soc测量方法
Chu et al. Non-destructive fast charging algorithm of lithium-ion batteries based on the control-oriented electrochemical model
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
CN103616647B (zh) 一种用于电动汽车电池管理系统的电池剩余电量估计方法
Zheng et al. An accurate parameters extraction method for a novel on-board battery model considering electrochemical properties
US11327118B2 (en) Battery capacity estimation method and battery capacity estimation device
Azis et al. State of charge (SoC) and state of health (SoH) estimation of lithium-ion battery using dual extended kalman filter based on polynomial battery model
Nejad et al. Online battery state of power prediction using PRBS and extended Kalman filter
CN112615075A (zh) 电池快速充电方法及计算机设备
CN109001640A (zh) 一种动力电池的数据处理方法和装置
EP4033585A1 (en) Estimation device, estimation method, and computer program
CN113156321A (zh) 一种锂离子电池荷电状态soc的估算方法
CN114705990B (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
Bockrath et al. State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries
Liu et al. A new method for state of charge and capacity estimation of lithium-ion battery based on dual strong tracking adaptive H infinity filter
He et al. A novel adaptive particle swarm optimization algorithm based high precision parameter identification and state estimation of lithium-ion battery
CN112379275A (zh) 一种多参数修正的动力电池soc估计方法及估计系统
CN117110891A (zh) 锂离子电池荷电状态估计值的计算方法和计算装置
Jian et al. Comparison of SOC estimation performance with different training functions using neural network
CN114114019A (zh) 一种锂离子电池soc估计方法
CN113125969A (zh) 基于aukf的电池数据处理方法、设备和介质
Vishnu et al. Adaptive integral correction-based state of charge estimation strategy for lithium-ion cells
Shrivastava et al. Lithium-ion battery model parameter identification using modified adaptive forgetting factor-based recursive least square algorithm
CN115047346A (zh) 一种锂电池soc估计的高阶卡尔曼滤波算法
CN108427080A (zh) 混合动力船舶的动力电池组的荷电状态计算方法

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
TA01 Transfer of patent application right

Effective date of registration: 20211123

Address after: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant after: The 18th Research Institute of China Electronics Technology Group Corporation

Applicant after: CETC Energy Co.,Ltd.

Address before: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant before: The 18th Research Institute of China Electronics Technology Group Corporation

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221010

Address after: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant after: CETC Energy Co.,Ltd.

Address before: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant before: The 18th Research Institute of China Electronics Technology Group Corporation

Applicant before: CETC Energy Co.,Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant after: CETC Blue Sky Technology Co.,Ltd.

Address before: 300384 No. 6 Huake No. 7 Road, Binhai New Area, Tianjin Binhai High-tech Industrial Development Zone

Applicant before: CETC Energy Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219

RJ01 Rejection of invention patent application after publication