CN113433457B - 一种lstm网络辅助卡尔曼滤波soc估算方法 - Google Patents

一种lstm网络辅助卡尔曼滤波soc估算方法 Download PDF

Info

Publication number
CN113433457B
CN113433457B CN202110715903.8A CN202110715903A CN113433457B CN 113433457 B CN113433457 B CN 113433457B CN 202110715903 A CN202110715903 A CN 202110715903A CN 113433457 B CN113433457 B CN 113433457B
Authority
CN
China
Prior art keywords
battery
soc
component
lstm
kalman filtering
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
CN202110715903.8A
Other languages
English (en)
Other versions
CN113433457A (zh
Inventor
刘桂雄
李远茂
李泓沛
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110715903.8A priority Critical patent/CN113433457B/zh
Publication of CN113433457A publication Critical patent/CN113433457A/zh
Application granted granted Critical
Publication of CN113433457B publication Critical patent/CN113433457B/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
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种LSTM网络辅助卡尔曼滤波SOC估算方法，该方法通过工况训练后的LSTM网络，调整自适应无迹卡尔曼滤波估算中的SOC的Sigma点，提高自适应无迹卡尔曼滤波SOC算法的精确性和稳定性；本发明提高了不同温度和不同工况下，自适应无迹卡尔曼滤波SOC算法估算精度和稳定性。

Description

一种LSTM网络辅助卡尔曼滤波SOC估算方法
技术领域
本发明涉及电池管理系统技术领域，尤其涉及一种LSTM网络辅助卡尔曼滤波SOC估算方法。
背景技术
动力电池荷电状态SOC是电池管理系统中重要的评估电池运行状态的参数，电池荷电状态SOC表征电池剩余电量，对车辆的续航里程具有参考价值。而且电池荷电状态SOC是电池其他参数如，电池健康状态(SOH)、电池能量状态(SOE)、电池功率状态(SOP)预测重要依据。
目前国内动力电池的SOC预测方法主要分为安时积分法、等效电路模型法、黑箱模型法。等效电路模型法中自适应无迹卡尔曼滤波算法，在车载动力电池管理系统中得到较为广泛应用。但在负载变化较大的工况下，自适应无迹卡尔曼滤波算法中，SOC估算结果发生不收敛现象。滤波算法递归过程中，协方差变为非正定矩阵等情况。而黑箱模型中，深度学习网络LSTM对动力电池SOC估算结果虽平均绝对误差MAE较大，但其结果SOC估算值波动方差较大。
1)、“一种基于循环神经网络的锂离子电池SOC预测方法”，专利号CN108519556A。该公开了一种基于循环神经网络的锂离子电池SOC预测方法，提供了一种用于估算下一时刻动力电池荷电状态值，预测精度高，训练时长短。所述训练集采用样本为电池恒电流工况放电充电数据。但对随机工况下电池荷电状态估算值误差值波动较大、稳定性较差等问题未提出有效解决方案。而本专利采用循环神经网络辅助自适应无迹卡尔曼滤波的方法，在电池随机充放电功率变化下，提升动力电池荷电状态估算准确性和稳定性。
2)、“一种电动汽车锂离子电池的荷电状态计算方法”，专利号CN109143105A。该发明首先通过滑动窗口算法改进通过数次试验得到的电池外部参数数据以及此时对应的SOC值共同组成的数据集，然后通过改进的循环神经网络即长短时记忆网络方法建立动力电池SOC估算模型，通过试验反复验证得到网络层函数以及梯度调整方法，最后通过设置不同的学习率验证模型的预测结果。本发明可以准确的预测下一时刻SOC值，并且预测精度高，训练时长较短。但该发明未对电池充放电数据作出要求，对随机工况下电池荷电状态估算值容易发生误差值波动较大、稳定性较差等问题。
发明内容
为解决上述技术问题，本发明的目的是提供一种LSTM网络辅助卡尔曼滤波SOC估算方法，提高了自适应卡尔曼滤波算法估算准确性与稳定性。本发明采用LSTM网络辅助自适应卡尔曼滤波算法对其中Sigma点进行调整，有利于减小过度依赖黑箱模型而老化过程无法顾及的影响，同时解决了初始值设置偏差较大下滤波算法发散的问题。
本发明的目的通过以下的技术方案来实现：
一种LSTM网络辅助卡尔曼滤波SOC估算方法，包括以下步骤：
步骤A对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集；
步骤B利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，并采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数；
步骤C利用电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；
步骤D设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算SOC平均绝对误差与测试集估算SOC平均绝对误差不超过2％；
步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
LSTM网络辅助无迹卡尔曼滤波算法Sigma点调整提高了自适应无迹卡尔曼滤波算法的准确性和稳定性，减小了自适应无迹卡尔曼滤波算法初始状态过渡过程的误差值。
附图说明
图1是LSTM网络辅助卡尔曼滤波SOC估算方法实现流程图；
图2是HPPC电池工况下端电压与电流测试图；
图3是某SOC下HPPC工况下开路端电压OCV与对应SOC拟合曲线图；
图4是某SOC下HPPC工况辨识电池参数拟合曲线图；
图5是是辨识动力电池R0的曲线；
图6是训练网络与测试网络所用电池功率工况充放电曲线图；
图7是LSTM预测网络结构框架图；
图8是LSTM网络辅助自适应卡尔曼滤波算法SOC预测结果误差对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为LSTM网络辅助卡尔曼滤波SOC估算方法实现流程，包括：控制动力电池在不同工况下进行HPPC工况与模拟工况测试、利用多项式拟合方法辨识电池内部相关参数、设置LSTM神经网络基本结构参数与训练参数训练网络、利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，提高算法精度、稳定性。
具体包括如下步骤：
步骤10控制温度控制箱在10℃、25℃、40℃下，对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集。图2为HPPC电池工况下端电压与电流测试图。
步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％
步骤20利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，图3为某SOC下HPPC工况下开路端电压OCV与对应SOC拟合曲线图。
OCV(soc)＝a0+a1soc+a2soc1+a3soc2+a4soc3+a5soc4+a6soc5+a7soc6
其中，a0、a1、…、a7为多项式拟合参数。
采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数：欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2。利用一下公式拟合零响应曲线获取电池相关参数：
Figure GDA0003647707020000041
图4为某SOC下HPPC工况辨识电池参数拟合曲线图，电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2内部参数。图5为辨识动力电池R0的曲线。获取图中标点的位置电压与电流
Figure GDA0003647707020000042
其中，ΔU为所标星点与圈点电压差值，Ipulse为HPPC工况放电电流大小。
步骤30利用辨识所得电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；
Figure GDA0003647707020000043
Ud(t)＝OCV(soc)-u1(t)-u2(t)-i(t)R0
其中，Ud(t)为t时刻卡尔曼滤波模型对端电压估计值；u1、u2分别为电化学极化内阻估计电压和浓度极化内阻估计电压值；
Figure GDA0003647707020000044
Figure GDA0003647707020000051
X(i)为k时刻第i个Sigma点的状态向量；n为状态向量个数；λ为缩放比例参数，用来降低总的预测误差，α、β为选取控制采样点的分布状态，P(k|k)为Sigma点集k时刻状态变量协方差矩阵；
Figure GDA0003647707020000052
X(i)(k|k)为一步预测前，k时刻sigma点中的第i个点；
X(i)(k+1|k)＝F[X(i)(k|k),u(k)]
其中，X(i)(k+1|k)为k时刻对前向k+1时刻第i个Sigma点状态向量的一步预测；F[]为递归的状态方程；
Figure GDA0003647707020000053
P(k|k+1)为一步预测及协方差矩阵，w(i)为Sigma点集预测值权值大小。
Figure GDA0003647707020000054
X(i)(k+1|k)为k时刻向前一步预测状态向量的第i个Sigma点；
Z(i)(k+1|k)＝h[X(i)(k+1|k)]
Figure GDA0003647707020000061
Figure GDA0003647707020000062
Figure GDA0003647707020000063
其中，Z(i)(k+1|k)为X(i)(k+1|k)一步预测状态向量第i个Sigma点的观测值，h[]为递归的观测方程；
Figure GDA0003647707020000064
为观测值之间协方差矩阵；
Figure GDA0003647707020000065
为观测值与状态值协方差矩阵；
Figure GDA0003647707020000066
Figure GDA0003647707020000067
Figure GDA0003647707020000068
K(k+1)为卡尔曼滤波增益矩阵，初始值P0＝[0.001,0,0；0,0.001,0；0,0,0.001],Q0＝[0.00001,0,0；0,0.00001,0；0,0,0.00001],R为0.01，完成设置后对被测电池进行卡尔曼滤波SOG递归估算；
步骤40设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算平均绝对误差与测试集估算平均绝对误差不超过2％。图6为训练网络与测试网络所用电池功率工况充放电曲线图。
设置网络相关参数，迭代次数Epoch为500；批大小batch为500；初始回顾时间序列长度LookBack为100；学习率lr为0.001；循环层失活概率dropout为0.5；输入维度3；传递方向个数1；将训练集输入未训练网络，计算网络前向传播估计值SOC；图7为LSTM预测网络结构框架图。
S41前向传播过程：遗忘门、输入门、输出门
x(t)＝[Vt,It,Tt]T
Figure GDA0003647707020000071
Figure GDA0003647707020000072
Figure GDA0003647707020000073
Figure GDA0003647707020000074
Figure GDA0003647707020000075
Figure GDA0003647707020000076
Figure GDA0003647707020000077
当前时刻的输入向量，第j个特征维度，数量为3；
Figure GDA0003647707020000078
包含一个LSTM细胞上一时刻的所有输出；
Figure GDA0003647707020000079
输出门偏置量；
Figure GDA00036477070200000710
输出门输入权重；
Figure GDA00036477070200000711
输出门循环权重。
Figure GDA00036477070200000712
当前时刻t的隐藏状态；
Figure GDA00036477070200000713
包含一个LSTM细胞上一时刻的状态量；
Figure GDA00036477070200000714
偏置量；
Figure GDA00036477070200000715
输入权重；
Figure GDA00036477070200000716
循环权重。
Figure GDA00036477070200000717
当前时刻t的观测量，i为隐藏神经元个数。
S42计算损失值
Figure GDA00036477070200000718
其中soc(t)为t时刻的预测值，soc'为t时刻的测量精确值，n为batch大小，在LSTM神经网络中指每次对训练集中批次训练时间序列长度，LookBack为回顾时间序列长度。
S43后向传播过程更新LSTM神经网络以及线性层网络的权值和偏置
Figure GDA00036477070200000719
Figure GDA00036477070200000720
Figure GDA00036477070200000721
Figure GDA00036477070200000722
Figure GDA00036477070200000723
ωt+1＝ωt+Δθt
其中，mt、nt表示本次迭代的一阶、二阶矩估计，而
Figure GDA0003647707020000081
表示对应的校正后的量，η表示学习率0.001，，μ和v分别表示更新延迟率分别为0.9、0.999，▽L(ω)表示损失函数对ω的梯度，ωt+1表示更新后的权值，t代表训练步数。
步骤50利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％：
S51利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，对估算状态中各分量的调整包括对状态分量均值的调整，其中，对分量均值SOC的调整如下：
Figure GDA0003647707020000082
ωLSTM＝(1-b)/(1-bk)
Figure GDA0003647707020000089
其中，
Figure GDA0003647707020000083
为第k时刻调整后分量均值，
Figure GDA0003647707020000084
为k时刻前一秒卡尔曼滤波估算值，
Figure GDA0003647707020000085
为k时刻前i秒LSTM神经网络预测值，ωLSTM、
Figure GDA00036477070200000810
分别为LSTM网络预测值和卡尔曼滤波算法修正权重，b为k时刻最终衰减终值，设置为0.95。
S52利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，调整其中状态分量均值中的U1,U2分量，ΔU1、ΔU2调整量计算公式如下：
Figure GDA0003647707020000086
Figure GDA0003647707020000087
Figure GDA0003647707020000088
其中，Imax、Imin分别为电池额定工作最大、最小电流值；R1 max、R1 min分别为电池内部相关参数中电化学极化内阻R1测量最大值和最小值；R2 max、R2 min分别为电池内部相关参数中浓度极化内阻R1测量最大值和最小值；
S53利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，其中状态分量调整后均值中的SOC*、U* 1,U* 2分量调整如下：
Figure GDA0003647707020000091
U1 *＝U1+ΔU1
U2 *＝U2+ΔU2
其中，图8为LSTM网络辅助自适应卡尔曼滤波算法SOC预测结果误差对比图。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (2)

1.一种LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述方法包括以下步骤：
步骤A对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集；
步骤B利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，并采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数；
步骤C利用电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；
步骤D设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算SOC平均绝对误差与测试集估算SOC平均绝对误差不超过2％；
步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％；
所述步骤E中对估算状态中各分量的调整包括对状态分量均值的调整，其中，对分量均值SOC的调整如下：
Figure FDA0003647707010000011
ωLSTM＝(1-b)/(1-bk)
Figure FDA0003647707010000012
其中，
Figure FDA0003647707010000013
为第k时刻调整后分量均值，
Figure FDA0003647707010000014
为k时刻前一秒卡尔曼滤波估算值，
Figure FDA0003647707010000015
为k时刻前i秒LSTM神经网络预测值，ωLSTM、
Figure FDA0003647707010000016
分别为LSTM网络预测值和卡尔曼滤波算法修正权重，b为k时刻最终衰减终值；
所述电池不同SOC下电池内部相关参数包括欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2；
所述步骤E中，调整自适应无迹卡尔曼滤波算法中估算状态中各分量包括调整状态分量均值中的U1，U2分量，ΔU1、ΔU2调整量计算公式如下：
Figure FDA0003647707010000021
Figure FDA0003647707010000022
Figure FDA0003647707010000023
其中，Imax、Imin分别为电池额定工作最大、最小电流值；R1 max、R1 min分别为电池内部相关参数中电化学极化内阻R1测量最大值和最小值；R2 max、R2 min分别为电池内部相关参数中浓度极化内阻R2测量最大值和最小值,
Figure FDA0003647707010000024
为第k时刻调整后分量均值，
Figure FDA0003647707010000025
为k时刻前一秒卡尔曼滤波估算值。
2.如权利要求1所述的LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述步骤E中调整自适应无迹卡尔曼滤波算法中估算状态中各分量还包括状态分量调整后均值中的SOC*、U* 1,U* 2分量调整如下：
Figure FDA0003647707010000026
U1 *＝U1+ΔU1
U2 *＝U2+ΔU2
其中，
Figure FDA0003647707010000027
为第k时刻调整后分量均值，U1为调整前估计状态均值，U2为调整前状态分量均值，U* 1为电化学极化电压，U* 2为浓度极化电压。
CN202110715903.8A 2021-06-25 2021-06-25 一种lstm网络辅助卡尔曼滤波soc估算方法 Active CN113433457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110715903.8A CN113433457B (zh) 2021-06-25 2021-06-25 一种lstm网络辅助卡尔曼滤波soc估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110715903.8A CN113433457B (zh) 2021-06-25 2021-06-25 一种lstm网络辅助卡尔曼滤波soc估算方法

Publications (2)

Publication Number Publication Date
CN113433457A CN113433457A (zh) 2021-09-24
CN113433457B true CN113433457B (zh) 2022-06-24

Family

ID=77754815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110715903.8A Active CN113433457B (zh) 2021-06-25 2021-06-25 一种lstm网络辅助卡尔曼滤波soc估算方法

Country Status (1)

Country Link
CN (1) CN113433457B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN109917299A (zh) * 2019-04-08 2019-06-21 青岛大学 一种锂电池荷电状态的三层滤波估算方法
CN111426957A (zh) * 2020-05-19 2020-07-17 华南理工大学 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112163372A (zh) * 2020-09-21 2021-01-01 上海玫克生储能科技有限公司 一种动力电池的soc估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019053557A1 (ja) * 2017-09-14 2019-03-21 株式会社半導体エネルギー研究所 二次電池の異常検知システム及び二次電池の異常検出方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN109917299A (zh) * 2019-04-08 2019-06-21 青岛大学 一种锂电池荷电状态的三层滤波估算方法
CN111426957A (zh) * 2020-05-19 2020-07-17 华南理工大学 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112163372A (zh) * 2020-09-21 2021-01-01 上海玫克生储能科技有限公司 一种动力电池的soc估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
State-of-charge estimation of lithium-ion batteries using LSTM and UKF;Fangfang Yang et al.;《Energy》;20200423;第2页第2栏，第5页第2栏，第6页，第11页，图4 *
基于自适应无迹卡尔曼滤波的动力电池SOC估计;张武 等;《电源技术》;20210131;第14页-15页 *

Also Published As

Publication number Publication date
CN113433457A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Zhang et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles
CN110398691B (zh) 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法
CN109669132B (zh) 一种基于变分贝叶斯滤波的电池荷电状态估计方法
CN113156321B (zh) 一种锂离子电池荷电状态soc的估算方法
CN111722118B (zh) 一种基于soc-ocv优化曲线的锂离子电池soc估计方法
CN111426957B (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN109839596B (zh) 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
CN111060824B (zh) 一种基于模型与算法分步融合的荷电状态估计方法
Ouyang et al. A novel state of charge estimation method for lithium-ion batteries based on bias compensation
CN109917299B (zh) 一种锂电池荷电状态的三层滤波估算方法
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
Fu et al. State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovation cubature Kalman filter
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
Jin et al. SOC estimation of lithium-ion battery considering the influence of discharge rate
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
CN115407205A (zh) 考虑温度影响的多时间尺度soc和soh协同估计方法
CN113805062B (zh) 锂电池等效电路模型参数在线鲁棒自适应辨识方法
Liu et al. Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries
CN113625182A (zh) 一种对电池状态进行在线估计的方法
CN113433457B (zh) 一种lstm网络辅助卡尔曼滤波soc估算方法
CN115629314B (zh) 基于改进Jaya的电池参数与状态联合估计方法及系统
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
CN116699414A (zh) 一种基于ukf-lstm算法的锂电池soc估计方法与系统
CN116718920A (zh) 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法
CN116449219A (zh) 一种改进vffrls的锂电池模型参数辨识方法

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