CN112649746A - 一种结合电路等效和递推迭代的荷电状态估计方法 - Google Patents

一种结合电路等效和递推迭代的荷电状态估计方法 Download PDF

Info

Publication number
CN112649746A
CN112649746A CN201910957342.5A CN201910957342A CN112649746A CN 112649746 A CN112649746 A CN 112649746A CN 201910957342 A CN201910957342 A CN 201910957342A CN 112649746 A CN112649746 A CN 112649746A
Authority
CN
China
Prior art keywords
state
charge
model
lithium ion
ion battery
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
CN201910957342.5A
Other languages
English (en)
Inventor
史卫豪
王顺利
于春梅
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.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201910957342.5A priority Critical patent/CN112649746A/zh
Publication of CN112649746A publication Critical patent/CN112649746A/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]
    • G01R31/385—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
    • 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

Abstract

本发明涉及一种结合电路等效和递推迭代的荷电状态估计方法，其特点是，通过扩展卡尔曼算法将系统中的非线性函数通过泰勒级数展开，得到一个近似的线性化模型；在滤波误差及一步预测误差较小时不需计算标称轨迹，提高估算荷电状态的速度；在系统状态的变化频率和幅度较大时，可以通过增大采样频率和提高运算速度来达到较好的跟踪效果；建立Thevenin等效电路模型弥补了内阻模型无法表征锂电池动态特性的缺点，并加入RC回路表征电池内部的极化效应，对电池具有更好的表征效果；该方法在考虑锂离子电池工作基础上，基于等效模型电路，改进以卡尔曼为基础的迭代计算过程，实现锂离子电池组荷电状态估算模型的建立和荷电状态的数学迭代运算算法的可靠运行。

Description

一种结合电路等效和递推迭代的荷电状态估计方法
技术领域
本发明涉及一种结合电路等效和递推迭代的荷电状态估计方法，该方法针对锂离子电池组荷电状态的快速估算目标，提出了一种扩展卡尔曼滤波方法，其基本原理为结合信号与噪声的状态空间模型，采用上一次的估计量递推预测，采用当前的观测量修正更新，由此估计所关注的状态；通过在卡尔曼滤波算法基础上求取状态方程和观测方程的偏导，得到状态方程和量程方程的泰勒级数展开式，将非线性映射函数进行线性化，以得到对应于卡尔曼滤波迭代计算中所对应的系矩阵；从而将其转化成一个近似的线性化模型，在对于滤波误差及预测误差较小时，对荷电状态实现有效、实时和精确的估算；建立Thevenin等效电路模型在一定程度上弥补了内阻模型无法表征锂离子电池动态特性的缺点，并加入RC回来表征电池内部的极化效应，对电池具有更好的表征效果；在电池等效电路模型基础上运用扩展卡尔曼算法实现锂离子电池组荷电状态估算模型的建立和荷电状态值的数学迭代运算；该方法是一种基于现代控制理论的锂离子电池组状态估算方法，属于新能源测控领域。
背景技术
锂离子电池在新能源领域的应用越来越广泛，其状态检测也越来越受到重视；其中能否准确估计锂离子电池荷电状态，关系到能否充分发挥电池的性能，对锂离子电池实现实时状态检测与安全控制具有重要的意义；然而锂离子电池通常在复杂动力工况下工作，其状态检测容易受到环境噪声的影响；且锂离子电池在使用过程中其内部电化学反应复杂，常伴随有极化效应，欧姆效应等，加之复杂工况下放电电流多变，电池内部温度，电池自放电以及材料多次循环使用老化等因素的干扰，使得传统的估计锂离子电池荷电状态的算法很难得出实时、准确的锂离子电池荷电状态；并且荷电状态的获取很大程度上依赖于针对电池特性而建立的等效模型；但由于锂离子电池内部结构复杂，在复杂工况下使用时常表现出强烈的非线性特性，使得传统的等效模型很难完整正确表征锂离子电池的特性，等效建模与状态估计仍存在许多问题与不足之处；因此，针对如何根据锂离子电池的工作特性建立等效模型，并采用正确合适的算法对电池荷电状态进行估计，对锂离子电池进行实时监测和安全控制，对提高电池使用效率具有重要的意义。近几年来国内外各大高校研究机构针对如何建立能够表征锂离子电池工作特性的等效模型，以及准确估计荷电状态的方法问题，开展了大量的研究工作：麻省理工学院、宾州州立大学、英国利兹大学、美国南卡大学和国家可再生能源室等单位，均针对锂离子电池参数检测、等效建模和状态估计等内容展开了深入研究；我国清华大学、北京理工大学、中国科学技术大学、浙江大学、北京交通大学、重庆大学和哈尔滨工业大学等科研单位也同步展开研究，并取得了丰硕的成果；这些研究为锂离子电池成组等效建模、荷电状态状态估计提供了重要参考依据；在锂离子电池荷电状态荷电状态估计过程中，电池等效模型的构建占有重要的地位；荷电状态的准确估计在很大程度上依赖于等效模型，尤其是其对于电池动态特性的表征程度；在目前的应用中，常见的电池模型有电化学模型、神经网络模型以及等效电路模型等；等效电路模型将电池在使用过程中表现出的复杂动态特性，具体为电路回路中的动态响应，运用电路知识以及微积分原理建立电路方程来对电池特性进行研究；因为其具有极大方便性，该方法在工程领域得到了广泛应用。
目前，在锂离子电池荷电状态估计中常用的方法有开路电压法，安时积分法神经网络法以及卡尔曼滤波法等；开路电压法采用开路电压与荷电状态之间存在的一一对应关系，通过获取电池开路电压值来获取荷电状态值，以达到估计的目的；安时积分法从定义出发，以电流在时间上的积分来计算荷电状态，是一种较传统的方法；神经网络法通过处理大量的电池实时输入输出数据来估计锂离子电池荷电状态；卡尔曼滤波法通过不断的迭代运算，获取最小方差意义上的最优解；由于电池在使用过程中内部复杂的电化学反应使其常表现出强烈的非线性特性，加之传统算法自身存在的一些缺陷，使得以上方法在处理非线性系统时往往不能准确的估计出锂离子电池荷电状态，常存在估计精度不高，误差大的问题；因此近年来研究人员针对这些问题，在传统算法的基础上又提出了一些改进的算法；锂离子电池复杂的内部结构使得其在使用过程中表现出强烈的非线性特性，这对传统的锂离子电池荷电状态估计方法提出了新的要求；同时荷电状态估计对于等效模型的依赖，又使得模型选择与构建十分重要；因此，在多种工况条件下，电池的等效电路建模与荷电状态估计仍需进一步开展。
现有锂离子电池组BMS应用中，基于安时积分和开路电压的荷电状态估算方法，未能准确表征荷电状态估算中存在的累积误差，并且不能结合当前状态进行参数修正；通过现有荷电状态估算方法分析，基于扩展卡尔曼算法研究，将非线性状态空间模型进行线性化；对一般的非线性系统，首先围绕状态值将系统中的非线性函数通过泰勒级数展开并略去二阶及以上的项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成对目标状态的滤波估计等处理；在滤波误差（估计值和真实值的偏差）及一步预测误差（该时刻与上一时刻的状态估计值之差）较小时不必预先计算标称轨迹（过程噪声和观测噪声均为0时非线性方程的解），因此可以快速估算荷电状态；在系统状态的变化频率和幅度较大时，可以通过增大采样频率和提高运算速度来达到较好的跟踪效果；针对锂离子电池组的荷电状态估算问题，结合实际单片机处理方法和迭代计算过程的优势分析，提出改进卡尔曼算法并开展迭代计算方法研究，实现了荷电状态估算模型的构建与实验验证。
发明内容
本发明的目的是克服现有锂离子电池组荷电状态估算方法的不足，提供一种基于扩展卡尔曼的锂离子电池组荷电状态估算方法，解决锂离子电池成组应用中荷电状态值精确、快速估算问题。
本发明主要用于求取锂离子电池组荷电状态估算，通过在卡尔曼滤波算法的基础上进行在线线性处理非线性函数关系即将非线性化的状态空间模型进行线性化，实现了锂离子电池组荷电状态值的有效迭代计算，并提高估算速度和精度。
本发明是基于锂离子电池组动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于扩展卡尔曼算法的锂离子电池组荷电状态估算方法，具有较强的适用性；针对锂离子电池组荷电状态值精确估算目标，本发明建立Thevenin等效电路模型在一定程度上弥补了内阻模型无法表征锂离子电池动态特性的缺点，并加入RC回来表征电池内部的极化效应，对电池具有更好的表征效果；本发明可为不同应用场景下的锂离子电池组荷电状态估算模型的建立和荷电状态值计算提供方法参考，具有计算简洁、适应性好和精度高的优点。
附图说明
图1是本发明算法流程图。
图2是荷电状态估算迭代流程图。
具体实施方式
以下将对本发明的基于扩展卡尔曼的锂离子电池组荷电状态估算方法结合附图作进一步的详细描述；本发明针对锂离子电池成组应用时的荷电状态估算问题，提出了一种锂离子电池组基于扩展卡尔曼的锂离子电池组荷电状态估算方法；扩展卡尔曼滤波算法（Extended Kalman Filter，EKF）实际上是一个非线性化线性的过程，通过前一个时间估计下一个时刻的值，应用系统输入输出的观测值，来不断更新，从而实现最优估计；采用扩展卡尔曼滤波法估计锂离子电池荷电状态时，要求过程噪声和观测噪声为近似高斯分布的白噪声，这也是所有卡尔曼滤波法的一个局限性，在这种情况下才可以方便对过程噪声和观测噪声的协方差进行控制；在估计的过程中应用泰勒展开算法将锂离子电池的系统模型展开，再去掉高阶项以后剩下一个一阶线性化模型；在得到线性化模型以后再进一步通过卡尔曼滤波器来对锂离子电池荷电状态进行估计，其扩展卡尔曼的算法流程如图1所示。
扩展卡尔曼滤波算法是在普通卡尔曼滤波算法的基础上改进过来的；卡尔曼滤波算法是把非线性空间方程通过泰勒展开，舍去二阶及以上的高阶项，得到近似的线性空间方程，然后对线性空间方程应用卡尔曼滤波算法，从而估计当前空间状态，适用于离散非线性系统；离散非线性系统空间其表达方程和观测方程如式（1）所示。
Figure 759976DEST_PATH_IMAGE002
式（1）第1部分表示状态方程，第二部分表示观测方程；K是离散时间，
Figure RE-728756DEST_PATH_IMAGE002
是n维状态向量，
Figure RE-707207DEST_PATH_IMAGE003
是m维观测向量，
Figure RE-538897DEST_PATH_IMAGE004
和
Figure RE-152150DEST_PATH_IMAGE005
是相互独立的高斯白噪声；为了应用卡尔曼滤波，对非线性函数
Figure RE-512724DEST_PATH_IMAGE006
和
Figure RE-227739DEST_PATH_IMAGE007
围绕
Figure RE-863120DEST_PATH_IMAGE008
进行一阶泰勒展开；展开结果如式（2）所示。
Figure RE-301186DEST_PATH_IMAGE009
对式（1）,令AK、BK、CK、DK的值如式（3）所示。
Figure RE-629399DEST_PATH_IMAGE010
则式（1）可以线性化为如式（4）所示。
Figure 558353DEST_PATH_IMAGE014
运用Kalman滤波基本方程对线性化后的模型进行递推，便可以得出扩展Kalman滤波算法的递推过程如式（5）所示。
Figure 233048DEST_PATH_IMAGE016
式（5）中，P是均方误差，K是卡尔曼增益；I是n×m单位阵；Q和R分别是
Figure DEST_PATH_484725DEST_PATH_IMAGE013
和
Figure DEST_PATH_233107DEST_PATH_IMAGE014
的方差，一般不随系统变化；滤波初值和滤波方差分别为X(0)=E[X(0)]，P(0)=var[X(0)]；（k+1）周期中滤波步骤如下：先由k时刻的状态
Figure DEST_PATH_860398DEST_PATH_IMAGE015
和均方误差
Figure DEST_PATH_837581DEST_PATH_IMAGE016
估计当前时刻的状态和均方误差得到先验状态
Figure DEST_PATH_702769DEST_PATH_IMAGE017
和先验均方误差
Figure DEST_PATH_372784DEST_PATH_IMAGE018
，然后计算当前时刻的卡尔曼增益
Figure 221197DEST_PATH_IMAGE027
，；最后用
Figure 511364DEST_PATH_IMAGE027
修正先验状态得到当前时刻的状态
Figure DEST_PATH_535410DEST_PATH_IMAGE020
，并且修正先验均方误差得到当前时刻的均方误差
Figure DEST_PATH_422332DEST_PATH_IMAGE021
。
获得了戴维南模型中的主要参数后，根据电压电流的关系得到状态空间方程如式（6）所示。
Figure 686365DEST_PATH_IMAGE031
将三式联合并离散化可得状态方程如式（7）所示。
Figure 158935DEST_PATH_IMAGE033
观测方程如式（8）所示。
Figure RE-979718DEST_PATH_IMAGE024
将所得的方程一阶泰勒线性化处理后，得到
Figure RE-194799DEST_PATH_IMAGE025
的值如式（9）所示。
Figure RE-769131DEST_PATH_IMAGE026
第一步，状态预测，计算k时刻的预测值如式（10）所示。
Figure 358786DEST_PATH_IMAGE040
第二步，协方差的预测，通过计算
Figure 580820DEST_PATH_IMAGE041
的估计误差，求取对应的
Figure 993347DEST_PATH_IMAGE041
的协方差矩阵如式（11）所示。
Figure 457564DEST_PATH_IMAGE043
第三步，计算卡尔曼增益，求取在k时刻的卡尔曼增益如式（12）所示。
Figure 639146DEST_PATH_IMAGE044
第四步，对状态的更新，根据实时测量/获得的开路电压
Figure 828819DEST_PATH_IMAGE045
来估计现有的状态的最优估计值如式（13）所示。
Figure 666325DEST_PATH_IMAGE047
第五步，更新噪声协方差，根据卡尔曼增益和上一时刻的噪声协方差来更新噪声协方差如式（14）所示。
Figure 170119DEST_PATH_IMAGE048
对荷电状态基本迭代计算过程如图2所示。
计算时，五个步骤要不断地循环，估计的状态也会不断地更新，从而使更新过程中，估计值更逼近真实值。
锂离子电池的荷电状态估计表述如式（15）第一部分所示；在表达式中，参数
Figure DEST_PATH_IMAGE002
为电池的剩余电量，参数
Figure DEST_PATH_IMAGE004
为额定容量；在实际测量过程中，电流参数容易被直接检测，因此锂离子电池荷电状态的计算过程，可用式（15）第二部分进行表示，这是现用的荷电状态计算方法，具有计算简单的特点。
Figure 157163DEST_PATH_IMAGE052
上述表达式中，参数荷电状态 I 为电流I条件下的荷电状态值，参数Q t 为剩余的电量，参数Q 0 为额定容量；对于荷电状态估计的连续时间实现过程，可用式第一部分数学表达式进行表示；离散化处理后用于离散时间的电池荷电状态估计的技术实现，可表示成如式（16）所示。
Figure 963183DEST_PATH_IMAGE054
离散化的荷电状态估计模型便于实现数字系统的控制；在实际应用中，都要应用离散化的荷电状态估计模型。
综上所述，针对锂离子电池组荷电状态准确估计目标，考虑到估计精度、计算复杂度和算法稳定性等各方面因素，本发明提出了一种基于扩展卡尔曼的锂离子电池组荷电状态估计方法；在充分考虑锂离子电池组工作的基础上，结合等效电路模型的建立，实现了锂离子电池组荷电状态估算的迭代计算；对锂离子电池荷电状态的快速准确估算和对锂离子电池组工作状态的实时监测提供了准确的数据保障。
本发明仅以锂离子电池荷电状态的估算为例进行了扩展法尔曼算法的快速准确估算锂离子电池荷电状态的算法流程说明；同时在承认本发明精神的前提下，热诚的欢迎本领域相关技术人员对该发明进行扩展补充和改善。

Claims (3)

1.一种结合电路等效和递推迭代的荷电状态估计方法，其特征在于，提出了扩展卡尔曼方法，通过Thevenin等效模型，实现了扩展卡尔曼滤波算法对锂离子电池组荷电状态的有效迭代计算，通过将开路电压与喝点状态的非线性函数展开成泰勒级数，得到近似的线性化模型，有效、实时和精确的实现荷电状态估算。
2.根据权利要求1所述的一种结合电路等效和递推迭代的荷电状态估计方法，其特征在于，围绕荷电状态预测值将开路电压与荷电状态的非线性函数展开成泰勒级数并略去二阶以上的项，从而得到近似的线性化模型，有效、实时和精确的实现荷电状态估算。
3.根据权利要求1所述的一种结合电路等效和递推迭代的荷电状态估计方法，其特征在于，Thevenin等效电路模型在一定程度上弥补了内阻模型无法表征锂离子电池动态特性的缺点，加入RC回来表征电池内部的极化效应，对电池具有更好的表征效果。
CN201910957342.5A 2019-10-10 2019-10-10 一种结合电路等效和递推迭代的荷电状态估计方法 Pending CN112649746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910957342.5A CN112649746A (zh) 2019-10-10 2019-10-10 一种结合电路等效和递推迭代的荷电状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910957342.5A CN112649746A (zh) 2019-10-10 2019-10-10 一种结合电路等效和递推迭代的荷电状态估计方法

Publications (1)

Publication Number Publication Date
CN112649746A true CN112649746A (zh) 2021-04-13

Family

ID=75342419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910957342.5A Pending CN112649746A (zh) 2019-10-10 2019-10-10 一种结合电路等效和递推迭代的荷电状态估计方法

Country Status (1)

Country Link
CN (1) CN112649746A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608442A (zh) * 2021-08-05 2021-11-05 杭州电子科技大学 基于特征函数的非线性状态模型系统的状态估计方法
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529398A (zh) * 2013-10-28 2014-01-22 哈尔滨工业大学 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN106443473A (zh) * 2016-10-09 2017-02-22 西南科技大学 一种动力锂离子电池组soc估算方法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN107843847A (zh) * 2017-10-31 2018-03-27 武汉科技大学 一种基于ekf算法的蓄电池soc在线估测方法
CN108287316A (zh) * 2018-01-15 2018-07-17 厦门大学 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
CN109001643A (zh) * 2018-08-28 2018-12-14 西南科技大学 一种基于二分法迭代的静态soc估算方法
CN109669134A (zh) * 2019-02-27 2019-04-23 浙江科技学院 一种基于卡尔曼滤波法的soc的估算方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529398A (zh) * 2013-10-28 2014-01-22 哈尔滨工业大学 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN106443473A (zh) * 2016-10-09 2017-02-22 西南科技大学 一种动力锂离子电池组soc估算方法
CN107843847A (zh) * 2017-10-31 2018-03-27 武汉科技大学 一种基于ekf算法的蓄电池soc在线估测方法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN108287316A (zh) * 2018-01-15 2018-07-17 厦门大学 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
CN109001643A (zh) * 2018-08-28 2018-12-14 西南科技大学 一种基于二分法迭代的静态soc估算方法
CN109669134A (zh) * 2019-02-27 2019-04-23 浙江科技学院 一种基于卡尔曼滤波法的soc的估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张方亮: "基于EKF的锂离子蓄电池荷电状态估算方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608442A (zh) * 2021-08-05 2021-11-05 杭州电子科技大学 基于特征函数的非线性状态模型系统的状态估计方法
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

Similar Documents

Publication Publication Date Title
CN105116343B (zh) 最小二乘支持向量机的动力电池电荷状态估计方法及系统
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
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
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
CN104714188A (zh) 量测噪声方差阵相匹配的电池电荷状态估计方法与系统
CN106154168B (zh) 数据驱动的动力电池荷电状态估计方法
CN110703114A (zh) 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法
CN111060823A (zh) 一种基于dp模型的低温环境下电池sop在线估计方法
Xiong et al. Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter
CN105203963A (zh) 一种基于开路电压滞回特性的荷电状态的估计方法
CN105223512A (zh) 基于电池特性的动态矫正剩余电量的方法
CN105116346A (zh) 一种串联型锂离子电池系统及其荷电状态估计方法
CN112649747A (zh) 一种分数阶扩展卡尔曼的锂电池soc估算方法
CN112649746A (zh) 一种结合电路等效和递推迭代的荷电状态估计方法
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN106443496A (zh) 一种带改进型噪声估计器的电池荷电状态估计方法
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN112462281A (zh) 一种基于气液动力学模型带参数修正的soc估计方法及系统
CN116047308A (zh) 一种基于pid控制与dekf的锂电池soc估算方法
CN107402356B (zh) 一种基于动态参数辨识的ekf估算铅酸电池soc方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN112487748B (zh) 一种考虑时频域特性的锂离子电池分数阶模型建立方法
CN112964997B (zh) 一种无人机锂离子电池峰值功率自适应估算方法
CN112114255B (zh) 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210413

WD01 Invention patent application deemed withdrawn after publication