CN112526348A - 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 - Google Patents
一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 Download PDFInfo
- Publication number
- CN112526348A CN112526348A CN202011293629.1A CN202011293629A CN112526348A CN 112526348 A CN112526348 A CN 112526348A CN 202011293629 A CN202011293629 A CN 202011293629A CN 112526348 A CN112526348 A CN 112526348A
- Authority
- CN
- China
- Prior art keywords
- parameter
- identification
- innovation
- battery
- model
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于多新息递推贝叶斯算法的电池模型参数辨识方法,包括以下步骤:步骤1)通过间歇恒流放电法测取一定时间内的锂离子电池端电压、负载电流数据,通过多项式拟合法确定其OCV‑SOC的函数关系;步骤2)确定锂离子电池的双极化等效电路模型,建立表示电池参数辨识向量和系统输出关系的系统方程;步骤3)构建多新息递推贝叶斯算法的辨识流程。本发明的有益效果为:本发明建立了锂离子电池参数辨识的ARX模型,利用新息修正技术对前一刻的结果进行修正,基于多新息的辨识方法引入了新息长度参量,克服坏数据对参数估计的影响,提高参数估计精度,由参数辨识结果可以看出,本方法辨识精度高,具有工程价值。
Description
技术领域
本发明涉及锂离子电池技术领域,尤其涉及一种基于多新息递推贝叶斯算法的电池模型参数辨识方法。
背景技术
随着交通运输业的发展,资源短缺、环境污染和安全问题日益严重,新能源产业兴起,新能源汽车受到越来越多的关注。相应地,储能系统由于其可灵活配置、响应速度快和易运行维护等优点已成为推动可再生能源消耗的革命性技术,电池储能在新能源接入领域具有广泛的应用前景。锂离子电池具有寿命长、低自放电效应和能量密度高等特性,已成为目前主要的电池储能元件。锂离子电池是非线性时变的电化学系统,受工作环境温度和工况影响较大,且电池管理系统(battery management system,BMS)只能检测到电池端电压以及负载电流,是一个典型的黑箱系统,为了对锂离子电池内部多种状态进行估计和预测,需要建立高精度的电池模型。对电池参数的准确辨识是实现BMS精确管理的先决条件。
目前在电池模型参数辨识算法方面,最小二乘算法和群智能算法等因具备在线辨识的能力而被广泛研究。最小二乘算法在线跟踪时变参数过程中存在随着数据量增大而出现数据饱和的问题。群智能算法,如粒子群优化及其改进算法可以较好地适用于不同工况,但也存在计算量大和过早收敛的问题。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于多新息递推贝叶斯算法的电池模型参数辨识方法,该方法将锂离子电池模型参数辨识过程中的单新息修正加以推广,标量新息扩展成新息矩阵,基于多新息的递推贝叶斯辨识算法引入了新息长度参量,可以克服坏数据对参数估计的影响,提高参数估计精度,具有较强的鲁棒性,在电池系统,可以减小电流突变对结果的影响。
本发明是通过如下措施实现的:一种基于多新息递推贝叶斯算法的电池模型参数辨识方法,其中,具体包括以下步骤:
步骤1)通过间歇恒流放电法测取时长为21211秒的锂离子电池端电压、负载电流数据。通过多项式拟合法确定其OCV-SOC的函数关系;
步骤2)确定锂离子电池的双极化等效电路模型,建立表示电池参数辨识向量和系统输出关系的系统方程;
步骤3)构建多新息递推贝叶斯算法的辨识流程;
作为本发明提供的一种基于多新息递推贝叶斯算法的电池模型参数辨识方法进一步优化方案,所述步骤2)具体包括如下步骤:
步骤2-1)建立锂离子电池的双极化模型,根据模型建立锂离子电池电气量关系:
Qn为电池的额定容量,SOC定义为剩余容量与标称容量之比,可以表示为:
以电流I为输入,端电压U为输出,[SOC,U1,U2]T为状态变量建立双极化模型的离散化状态空间方程和输出方程如下:
式(3)和式(4)中,Δt为采样周期,Uoc、U对应的是电池开路电压与端电压,C1、C2两端的电压分别用U1、U2表示,Romc是欧姆内阻。R1、C1表征电化学极化反应,电压快速变化过程;R2、C2表征浓差极化反应,电压缓慢稳定的变化过程。
步骤2-2)建立双极化模型的电池参数辨识模型:
采用双线性变化s=2(1-z-1)/T(1+z-1)(T为采样周期),将上式从s平面映射到z平面,可以得到:
其中,τ1=R1C1,τ2=R2C2,a=Romc,b=τ1τ2,c=τ1+τ2,d=Romc+R1+R2,e=Romc(τ1+τ2)+R1τ1+R2τ2。
传递函数离散化后得到的差分方程为:
令y(t)=U(t)-Uoc(t),可以得到符合锂离子电池进行参数辨识的带外加输入的自回归(AutoRegressive with exogenous input,ARX)模型为:
因为b=τ1τ2,c=τ1+τ2,可以得到:
作为本发明提供的一种基于多新息递推贝叶斯算法的电池模型参数辨识方法进一步优化方案,所述步骤3)具体包括如下步骤:
步骤3-1)推导递推贝叶斯辨识算法:
贝叶斯辨识算法的核心思想是将要估计的参数视为随机变量,通过最大化参数的后验概率密度函数p(θ|Dk)得到参数的估计。θ为需要辨识的参数。使用贝叶斯理论,参数θ的后验概率密度函数表示为:
在上式中,基于参数θ和k-1时刻及以前的输入输出集合D(k-1),系统的输出变量y(k)的先验概率密度函数记为p(y(k)|θ,D(k-1))。p(θ|D(k-1))是未知的,假设其遵循与P(k-1)的正态分布:
其中,n是参数向量θ的维数,n=dimθ=5。
将公式(14)和(15)代入公式(13)中,那么,p(θ|D(k-1))可以重新表示为
最大化后验概率函数,即
可以得到
其中,
引入中间变量L(k),得到的递推贝叶斯算法为:
考虑数据长度为p,定义输出向量Y(p,k),信息矩阵Φ(p,k),噪声向量V(p,k),
得到的辨识模型为:
Y(p,k)=ΦT(p,k)θ+V(p,k) (20)
根据多新息理论将标量新息e(t)扩展成新息向量E(p,k):
中间向量L(k)∈Rn扩展成Γ(p,k)∈Rn×p(n为待辨识向量维数)。
根据步骤3-1)建立锂离子电池多新息递推贝叶斯算法:
步骤3-3)初始化待辨识参数θ,协方差矩阵P,方差值σv以及数据长度p;
步骤3-4)根据OCV-SOC关系得到Uoc(k)与SOC(k);
步骤3-6)构建新息矩阵E(p,k)、输出矩阵Y(p,k)和信息矩阵Φ(p,k);
步骤3-7)更新待辨识参数的中间向量Γ(k);
步骤3-9)更新待辨识参数的协方差矩阵P(k);
P(k)=[I-Γ(k)ΦT(k)]P(k-1) (25)
步骤3-10)判断是否满足辨识终止时间,若满足,辨识结束输出辨识结果;否则,k=k+1,返回到步骤3-4);
步骤3-11)根据步骤3-10)辨识参数θ结果,结合式(10)至式(12)求得电池Romc,R1,R2,C1,C2。
进一步地,根据参数辨识模型输出的锂离子电池参数Romc,R1,R2,C1,C2以及工作电流值I,结合状态空间表达式(3)和式(4),求得端电压预测值,与实际测试值进行比较,可以评估算法的有效性及准确性。
与现有技术相比,本发明的有益效果为:
(1)、本发明建立了锂离子电池参数辨识的ARX模型,利用新息修正技术对前一刻的结果进行修正,基于多新息的辨识方法引入了新息长度参量,克服坏数据对参数估计的影响,提高参数估计精度。
(2)、相比于递推贝叶斯算法,多新息递推贝叶斯算法可以很好地辨识各个模型参数,该算法在输入电流存在不稳定振荡时参数估计值保持相对稳定,由于参数初始值的选取与实际值有一定误差,在辨识初期波动较为明显,随着辨识的持续运行,参数估计值逐渐趋于稳定。
(3)、递推贝叶斯算法与多新息递推贝叶斯算法的模型端电压预测都比较接近实际测试值,但在搁置到放电或者放电到搁置时,电流发生突变时,多新息递推贝叶斯算法比较稳定,误差较小。
(4)、多新息递推贝叶斯算法的辨识精度较高,输出的估计值与真实值非常接近,具有工程价值。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明的锂离子电池双极化模型图;
图2为本发明的多新息递推贝叶斯算法的总体流程图;
图3为本发明的总体结构框图;
图4为本发明的测试电压电流曲线图;
图5为本发明实施例中的OCV-SOC的9次拟合曲线图;
图6为本发明的递推贝叶斯算法得到的参数Romc,R1,R2,C1,C2在线辨识曲线图;
图7为本发明的递推贝叶斯算法得到的端电压预测曲线;
图8为本发明的多新息递推贝叶斯算法得到的参数Romc,R1,R2,C1,C2在线辨识曲线图;
图9为本发明的多新息递推贝叶斯算法得到的端电压预测曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图9,本实施例以松下锂离子电池NCR-18650B为对象展开研究,标定电压为3.7V,电池容量为3400mAh。电池以恒流充电方式(0.5C)充至截止电压,待静置1h后,电池为满电状态。电池以间歇恒流放电模式工作:放电5min,静置30min,放电电流为3400mA,放电倍率为1C。重复该过程直至电压降至放电截止电压。测试电压曲线与电流曲线如图4所示。通过该实验验证了多新息递推贝叶斯算法可以很好地辨识各个模型参数,该算法在输入电流存在不稳定振荡时参数估计值保持相对稳定,由于参数初始值的选取与实际值有出入,在辨识初期波动较为明显,随着辨识的持续运行,参数估计值逐渐趋于稳定。与递推贝叶斯算法进行比较,精确度高。
本发明提供一种基于多新息递推贝叶斯算法的电池模型参数辨识方法,包括下列步骤:
步骤1)通过间歇恒流放电法测取一定时间内的锂离子电池端电压、负载电流数据。采样周期为1Hz,一共采集到了21211组数据。通过时安法对SOC进行求解,在MATLAB中利用多项式拟合函数polyfit进行曲线拟合确定其OCV-SOC的函数关系;
Uoc=408.8953SOC9-2086.5148SOC8+4486.3357SOC7-5290.2456SOC6+3737.8499SOC5-1630.8013SOC4+440.5232SOC3-72.3449SOC2+7.3498SOC+3.1240
步骤2)确定锂离子电池的双极化等效电路模型,建立表示电池参数辨识向量和系统输出关系的系统方程;
步骤3)构建多新息递推贝叶斯算法的辨识流程;
作为本发明提供的一种基于多新息递推贝叶斯算法的电池模型参数辨识方法进一步优化方案,所述步骤2)具体包括如下步骤:
步骤2-1)建立锂离子电池的双极化模型,根据模型建立锂离子电池电气量关系:
Qn为电池的额定容量,SOC定义为剩余容量与标称容量之比,可以表示为:
以电流I为输入,端电压U为输出,[SOC,U1,U2]T为状态变量建立双极化模型的离散化状态空间方程和输出方程如下:
式(3)和式(4)中,Δt为采样周期,Uoc、U对应的是电池开路电压与端电压,C1、C2两端的电压分别用U1、U2表示,Romc是欧姆内阻。R1、C1表征电化学极化反应,电压快速变化过程;R2、C2表征浓差极化反应,电压缓慢稳定的变化过程。
步骤2-2)建立双极化模型的电池参数辨识模型:
采用双线性变化s=2(1-z-1)/T(1+z-1)(T为采样周期,设置为1s),将上式从s平面映射到z平面,可以得到:
其中,τ1=R1C1,τ2=R2C2,a=Romc,b=τ1τ2,c=τ1+τ2,d=Romc+R1+R2,e=Romc(τ1+τ2)+R1τ1+R2τ2。
传递函数离散化后得到的差分方程为:
令y(t)=U(t)-Uoc(t),可以得到符合锂离子电池进行参数辨识的带外加输入的自回归(AutoRegressive with exogenous input,ARX)模型为:
因为b=τ1τ2,c=τ1+τ2,可以得到:
具体地,所述步骤3)具体包括如下步骤:
步骤3-1)推导递推贝叶斯辨识算法:
贝叶斯辨识算法的核心思想是将要估计的参数视为随机变量,通过最大化参数的后验概率密度函数p(θ|Dk)得到参数的估计。θ为需要辨识的参数。使用贝叶斯理论,参数θ的后验概率密度函数表示为:
在上式中,基于参数θ和k-1时刻及以前的输入输出集合D(k-1),系统的输出变量y(k)的先验概率密度函数记为p(y(k)|θ,D(k-1))。p(θ|D(k-1))是未知的,假设其遵循与P(k-1)的正态分布:
其中,n是参数向量θ的维数,n=dimθ=5。
将公式(14)和(15)代入公式(13)中,那么,p(θ|D(k-1))可以重新表示为
最大化后验概率函数,即
可以得到
其中,
引入中间变量L(k),得到的递推贝叶斯算法为:
考虑数据长度为p,定义输出向量Y(p,k),信息矩阵Φ(p,k),噪声向量V(p,k),
得到的辨识模型为:
Y(p,k)=ΦT(p,k)θ+V(p,k) (20)
根据多新息理论将标量新息e(t)扩展成新息向量E(p,k):
中间向量L(k)∈Rn扩展成Γ(p,k)∈Rn×p(n为待辨识向量维数)。
根据步骤3-1)建立锂离子电池多新息递推贝叶斯算法:
步骤3-3)初始化待辨识参数θ,协方差矩阵P,方差值σv以及数据长度p,实施例中,方差值σv=0.1,数据长度p=5;
步骤3-4)根据OCV-SOC关系得到Uoc(k)与SOC(k);
步骤3-6)构建新息矩阵E(p,k)、输出矩阵Y(p,k)和信息矩阵Φ(p,k);
步骤3-7)更新待辨识参数的中间向量Γ(k);
步骤3-9)更新待辨识参数的协方差矩阵P(k);
P(k)=[I-Γ(k)ΦT(k)]P(k-1) (25)
步骤3-10)判断是否满足辨识终止时间kmax=21211,所述终止条件为遍历所有时刻,即k=kmax,若满足,辨识结束输出辨识结果;否则,k=k+1,返回到步骤3-4);
步骤3-11)根据步骤3-10)辨识参数θ结果,结合式(10)至式(12)求得电池Romc,R1,R2,C1,C2。
进一步地,根据参数辨识模型输出的锂离子电池参数Romc,R1,R2,C1,C2以及工作电流值I,结合状态空间表达式(3)和式(4),求得端电压预测值,与实际测试值进行比较,可以评估算法的有效性及准确性。
本实施例所用的OCV-SOC关系曲线如图5所示,参数Romc,R1,R2,C1,C2的实时在线辨识曲线如图8所示。通过对每一时刻所辨识出来的参数和对应时刻的工作电流对双极化模型的端电压进行预测,结果如图9所示。将模型参数预测电压值与实际测试值比较来评估参数辨识的准确性。为进行比较,本发明给出了递推贝叶斯算法的结果图,如图6和图7所示。
相比于递推贝叶斯算法,多新息递推贝叶斯算法可以很好地辨识各个模型参数,该算法在输入电流存在不稳定振荡时参数估计值保持相对稳定,由于参数初始值的选取与实际值有一定误差,在辨识初期波动较为明显,随着辨识的持续运行,参数估计值逐渐趋于稳定。
递推贝叶斯算法与多新息递推贝叶斯算法的模型端电压预测都比较接近实际测试值,但在搁置到放电或者放电到搁置时,电流发生突变时,多新息递推贝叶斯算法比较稳定,误差较小。
可以看出,多新息递推贝叶斯算法的辨识精度较高,输出的估计值与真实值非常接近,具有工程价值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多新息递推贝叶斯算法的电池模型参数辨识方法,其特征在于,包括以下步骤:
步骤1)通过间歇恒流放电法测取时长为21211秒的锂离子电池端电压、负载电流数据,通过多项式拟合法确定其OCV-SOC的函数关系;
步骤2)确定锂离子电池的双极化等效电路模型,建立表示电池参数辨识向量和系统输出关系的系统方程;
步骤3)构建多新息递推贝叶斯算法的辨识流程。
2.根据权利要求1所述的基于多新息递推贝叶斯算法的电池模型参数辨识方法,其特征在于,所述步骤2)具体包括如下步骤:
步骤2-1)建立锂离子电池的双极化模型,根据模型建立锂离子电池电气量关系:
Qn为电池的额定容量,SOC定义为剩余容量与标称容量之比,可以表示为:
以电流I为输入,端电压U为输出,[SOC,U1,U2]T为状态变量建立双极化模型的离散化状态空间方程和输出方程如下:
式(3)和式(4)中,Δt为采样周期,Uoc、U对应的是电池开路电压与端电压,C1、C2两端的电压分别用U1、U2表示,Romc是欧姆内阻,R1、C1表征电化学极化反应,电压快速变化过程;R2、C2表征浓差极化反应,电压缓慢稳定的变化过程;
步骤2-2)建立双极化模型的电池参数辨识模型:
采用双线性变化s=2(1-z-1)/T(1+z-1),T为采样周期,将上式从s平面映射到z平面,可以得到:
其中,τ1=R1C1,τ2=R2C2,a=Romc,b=τ1τ2,c=τ1+τ2,d=Romc+R1+R2,e=Romc(τ1+τ2)+R1τ1+R2τ2。
传递函数离散化后得到的差分方程为:
令y(t)=U(t)-Uoc(t),可以得到符合锂离子电池进行参数辨识的带外加输入的自回归(AutoRegressive with exogenous input,ARX)模型为:
因为b=τ1τ2,c=τ1+τ2,可以得到:
3.根据权利要求1所述的基于多新息递推贝叶斯算法的电池模型参数辨识方法,其特征在于,所述步骤3)具体包括如下步骤:
步骤3-1)推导递推贝叶斯辨识算法:
贝叶斯辨识算法是将要估计的参数视为随机变量,通过最大化参数的后验概率密度函数p(θ|Dk)得到参数的估计,θ为需要辨识的参数,使用贝叶斯理论,参数θ的后验概率密度函数表示为:
在上式中,基于参数θ和k-1时刻及以前的输入输出集合D(k-1),系统的输出变量y(k)的先验概率密度函数记为p(y(k)|θ,D(k-1)),p(θ|D(k-1))是未知的,假设其遵循与P(k-1)的正态分布:
其中,n是参数向量θ的维数,n=dimθ=5;
将公式(14)和(15)代入公式(13)中,那么,p(θ|D(k-1))可以重新表示为
最大化后验概率函数,即
可以得到
其中,
引入中间变量L(k),得到的递推贝叶斯算法为:
考虑数据长度为p,定义输出向量Y(p,k),信息矩阵Φ(p,k),噪声;向量V(p,k),
得到的辨识模型为:
Y(p,k)=ΦT(p,k)θ+V(p,k) (20)
根据多新息理论将标量新息e(t)扩展成新息向量E(p,k):
中间向量L(k)∈Rn扩展成Γ(p,k)∈Rn×p,n为待辨识向量维数;
根据步骤3-1)建立锂离子电池多新息递推贝叶斯算法:
步骤3-3)初始化待辨识参数θ,协方差矩阵P,方差值σv以及数据长度p;
步骤3-4)根据OCV-SOC关系得到Uoc(k)与SOC(k);
步骤3-6)构建新息矩阵E(p,k)、输出矩阵Y(p,k)和信息矩阵Φ(p,k);
步骤3-7)更新待辨识参数的中间向量Γ(k);
步骤3-9)更新待辨识参数的协方差矩阵P(k);
P(k)=[I-Γ(k)ΦT(k)]P(k-1) (25)
步骤3-10)判断是否满足辨识终止时间,若满足,辨识结束输出辨识结果;否则,k=k+1,返回到步骤3-4);
步骤3-11)根据步骤3-10)辨识参数θ结果,结合式(10)至式(12)求得电池Romc,R1,R2,C1,C2。
4.根据权利要求1-3任一项所述的基于多新息递推贝叶斯算法的电池模型参数辨识方法,其特征在于,根据参数辨识模型输出的锂离子电池参数Romc,R1,R2,C1,C2以及工作电流值I,结合状态空间表达式(3)和式(4),求得端电压预测值,与实际测试值进行比较,可以评估算法的有效性及准确性。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293629.1A CN112526348B (zh) | 2020-11-18 | 2020-11-18 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
PCT/CN2021/089498 WO2022105104A1 (zh) | 2020-11-18 | 2021-04-25 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293629.1A CN112526348B (zh) | 2020-11-18 | 2020-11-18 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112526348A true CN112526348A (zh) | 2021-03-19 |
CN112526348B CN112526348B (zh) | 2021-11-09 |
Family
ID=74981142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011293629.1A Active CN112526348B (zh) | 2020-11-18 | 2020-11-18 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112526348B (zh) |
WO (1) | WO2022105104A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN113420494A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种超级电容贝叶斯概率融合建模方法 |
CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
CN114896829A (zh) * | 2022-07-14 | 2022-08-12 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186464B (zh) * | 2023-04-27 | 2023-07-07 | 广东石油化工学院 | 基于高阶最小二乘法的非线性输入输出系统参数辨识方法 |
CN117216720B (zh) * | 2023-11-07 | 2024-02-23 | 天津市普迅电力信息技术有限公司 | 一种分布式光伏有功的多系统数据融合方法 |
CN117310508B (zh) * | 2023-11-30 | 2024-02-27 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223134A (zh) * | 2011-06-10 | 2011-10-19 | 李庆松 | 永磁同步电机伺服系统参数在线辨识的装置与方法 |
CN105572727A (zh) * | 2014-10-16 | 2016-05-11 | 中国石油化工股份有限公司 | 基于孔隙流体参数频变反演的储层流体识别方法 |
CN109188293A (zh) * | 2018-11-08 | 2019-01-11 | 武汉理工大学 | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 |
CN110286332A (zh) * | 2019-06-17 | 2019-09-27 | 南通大学 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
CN110378571A (zh) * | 2019-06-25 | 2019-10-25 | 河海大学 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9077182B2 (en) * | 2013-01-29 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for estimating state of charge for lithium-ion batteries |
CN107844627A (zh) * | 2017-09-25 | 2018-03-27 | 北京理工大学 | 一种仅输出时变结构模态参数贝叶斯估计方法 |
CN108647434A (zh) * | 2018-05-10 | 2018-10-12 | 燕山大学 | 一种基于改进粒子滤波算法的二元荷电状态估算方法 |
CN109669132B (zh) * | 2019-01-21 | 2020-09-22 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN110275113A (zh) * | 2019-06-25 | 2019-09-24 | 内蒙古工业大学 | 一种锂电池荷电状态估计方法 |
CN111098755B (zh) * | 2019-11-21 | 2023-04-07 | 南通大学 | 一种电动汽车动力电池soc估计方法 |
CN112526348B (zh) * | 2020-11-18 | 2021-11-09 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
-
2020
- 2020-11-18 CN CN202011293629.1A patent/CN112526348B/zh active Active
-
2021
- 2021-04-25 WO PCT/CN2021/089498 patent/WO2022105104A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223134A (zh) * | 2011-06-10 | 2011-10-19 | 李庆松 | 永磁同步电机伺服系统参数在线辨识的装置与方法 |
CN105572727A (zh) * | 2014-10-16 | 2016-05-11 | 中国石油化工股份有限公司 | 基于孔隙流体参数频变反演的储层流体识别方法 |
CN109188293A (zh) * | 2018-11-08 | 2019-01-11 | 武汉理工大学 | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 |
CN110286332A (zh) * | 2019-06-17 | 2019-09-27 | 南通大学 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
CN110378571A (zh) * | 2019-06-25 | 2019-10-25 | 河海大学 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
侍壮飞: ""三元锂离子电池SOC在线估计算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
卫志农: ""基于多新息最小二乘算法的锂电池参数辨识"", 《电力系统自动化》 * |
黑文洁: ""基于等效电路模型的锂离子电池模型参数辨识算法对比研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN113125965B (zh) * | 2021-04-01 | 2021-11-19 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN112946487A (zh) * | 2021-05-17 | 2021-06-11 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN112946487B (zh) * | 2021-05-17 | 2021-08-03 | 杭州华塑科技股份有限公司 | 一种参数辨识方法、装置、存储介质及计算机设备 |
CN113420494A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种超级电容贝叶斯概率融合建模方法 |
CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
CN114896829A (zh) * | 2022-07-14 | 2022-08-12 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN114896829B (zh) * | 2022-07-14 | 2022-09-30 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022105104A1 (zh) | 2022-05-27 |
CN112526348B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112526348B (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
Ouyang et al. | Enhancing the estimation accuracy in low state-of-charge area: A novel onboard battery model through surface state of charge determination | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
Liu et al. | State of charge and online model parameters co-estimation for liquid metal batteries | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
Bavand et al. | Online estimations of li-ion battery SOC and SOH applicable to partial charge/discharge | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
Takyi-Aninakwa et al. | A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
Duan et al. | State of charge estimation of lithium-ion batteries based on second-order adaptive extended Kalman filter with correspondence analysis | |
Kong et al. | A novel parameter adaptive method for state of charge estimation of aged lithium batteries | |
Ahmed et al. | A scaling approach for improved open circuit voltage modeling in Li-ion batteries | |
CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
Cui et al. | Online Identification and Reconstruction of Open-Circuit Voltage for Capacity and Electrode Aging Estimation of Lithium-Ion Batteries | |
Huang et al. | Estimation of maximum available capacity of lithium-ion battery based on multi-view features extracted from reconstructed charging curve | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN113156316B (zh) | 盐水电池soc估算算法 | |
Huang et al. | Electrochemical model-based aging characterization of lithium-ion battery cell in electrified vehicles | |
Zhou et al. | Data-driven battery state-of-health estimation and prediction using IC based features and coupled model | |
Saqli et al. | An overview of State of Charge (SOC) and State of Health (SOH) estimation methods of Li-ion batteries | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 |
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 |