CN113466712A - 一种电池剩余容量的获取方法 - Google Patents

一种电池剩余容量的获取方法 Download PDF

Info

Publication number
CN113466712A
CN113466712A CN202110789093.0A CN202110789093A CN113466712A CN 113466712 A CN113466712 A CN 113466712A CN 202110789093 A CN202110789093 A CN 202110789093A CN 113466712 A CN113466712 A CN 113466712A
Authority
CN
China
Prior art keywords
battery
model
equivalent circuit
parameter
data
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
CN202110789093.0A
Other languages
English (en)
Inventor
周奎
梁惠施
史梓男
贡晓旭
孙爱春
杨一飞
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.)
Beijing Xiqing Energy Technology Co ltd
Original Assignee
Beijing Xiqing Energy Technology Co ltd
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 Beijing Xiqing Energy Technology Co ltd filed Critical Beijing Xiqing Energy Technology Co ltd
Priority to CN202110789093.0A priority Critical patent/CN113466712A/zh
Publication of CN113466712A publication Critical patent/CN113466712A/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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本发明公开了一种电池剩余容量的获取方法，通过建立电池等效电路模型，然后利用带遗忘因子的最小二乘法参数辨识，从而在电池正常运行状态建立准确的电池模型；在电池剩余容量估算方面，本方法通过建立的电池模型和历史运行数据，计算模型参数与寿命的相应关系，综合电池多因子建立健康度评估的模型，实时在线监测电池状态。本发明提供的一种电池剩余容量的获取方法，解决现在技术所存在的精确识别对电池造成一定的破坏性，且工作量大，实际运行中难以实现；算法确定后无法在线修改完善，通用性不强；电池概率模型的参数提取工作量大，且模型的准确性有待考量的问题。本发明作用效果显著，适于广泛推广。

Description

一种电池剩余容量的获取方法
技术领域
本发明涉及新能源技术领域，特别涉及，一种电池剩余容量的获取方法。
背景技术
近年来，随着国家新能源的发展和供电可靠性的提高，利用超大型电池组进行电力存储的储能电站作为智能电网的、互联网智慧能源的支撑技术，迎来了迅猛的发展。锂离子电池凭借稳定性高、容量大、使用寿命长、绿色环保等显著优势，在储能电站上获得广泛的应用。为保证储能站电池的正常使用和供电稳定性，及时对锂电池的剩余使用容量进行估计是十分必要的，但其受诸多因素影响，且与电池的老化机理相关，很多参数难以实时测量，所以SOH(State OfHealth蓄电池容量、健康度、性能状态,即蓄电池满充容量相对额定容量的百分比)估计的复杂性和难度很高，实时性也较差。
电池SOH表征当前电池对于电能的存储能力，以百分比的形式定量描述当前电池的性能状态。电池健康度评价的对象是电池的老化程度，随着电池的老化，其存储能力与快速充放电能力都会不断下降，其内部反映则为电池容量衰减和内阻增加，因此通常将电池容量和内阻作为评价SOH的依据。
目前估算SOH估算方法主要有：模型法、数据驱动算法、特征法。模型法：通过建立电池的电化学模型和老化机理模型进行分析。数据驱动法：以电池的大量测试数据作为原始样本，通过机器学习计算相应的电池演变规律。特征法：依据电池老化过程所表现出的特征参量的演变，建立特征量与电池SOH的映射关系。
目前锂电池剩余容量估算存在以下几个问题：1)精确的电池老化机制模型识别会对电池造成一定的破坏性，且工作量大，模型复杂，储能站电池的实际运行中难以实现；2)数据驱动的算法需要大量准确的电池全寿命实验数据，进行多次的机器学习，但算法确定后无法在线修改完善，通用性不强；3)电池概率模型的参数提取需要考虑大量的外部因素，过程简单，但工作量大，且模型的准确性有待考量。
发明内容
针对上述缺陷，本发明解决的技术问题在于，提供一种电池剩余容量的获取方法，以解决现在技术所存在的精确识别对电池造成一定的破坏性，且工作量大，实际运行中难以实现；算法确定后无法在线修改完善，通用性不强；电池概率模型的参数提取工作量大，且模型的准确性有待考量的问题。
本发明提供了一种电池剩余容量的获取方法，包括：
步骤1、根据电池的工作状态情况，建立电池的等效电路模型；
步骤2、基于RLS算法建立等效电路模型中参数的辨识模型，实时对等效电路模型中的各参数进行辨识；
步骤3、基于电池历史运行数据和历史剩余容量数据，辨识出等效电路模型中各参数与电池剩余容量的关系，进而建立多因子评估模型；
步骤4、将多因子评估模型应用于在线运行场景中，多因子评估模型中接入电池的实时数据，辨识各个健康因子并对电池剩余容量进行计算，实现电池剩余容量的实时、在线评估。
优选地，所述步骤2具体步骤包括：
步骤2.1、将输入辨识模型的电池数据作为辨识模型的数据变量，构建辨识模型的数据矩阵和参数矩阵：
Figure BDA0003160347120000021
其中UOC,k为k时刻的电池开路电压，Ut,k为k时刻的端电压，iL,k为k时刻的电流值，ci为与等效电路模型参数相关的系数，Φn,k为辨识模型的数据变量，θn,k为辨识模型的参数变量，k为当前时刻，n为等效电路模型的阶数；
步骤2.2、基于RLS算法即带遗忘因子的最小二乘递推方法，得到与数据变量Φn,k对应的最小二乘法增益和协方差：
Figure BDA0003160347120000022
其中μ为遗忘因子，KLn,k为算法的增益，PLn,k为状态估计值的误差协方差矩阵，yk为等效电路模型的传递函数；
步骤2.3、基于最小二乘法增益和协方差，得到辨识模型为：yk＝Φn,kθn,k，通过辨识模型实时对等效电路模型中的各参数进行辨识。
优选地，所述步骤3具体步骤包括：
步骤3.1、分别对辨识得到的等效电路模型中各参数与历史剩余容量数据的关系进行拟合，确定出电池剩余容量与等效电路模型中各参数的函数关系fi(Xi)；
步骤3.2、将电池剩余容量作为因变量，等效电路模型中各参数作为自变量，综合等效电路模型中的各个参数建立多因子评估模型C＝∑αifi(Xi)，对电池剩余容量进行联合估计，其中C为联合估计的电池剩余容量，Xi为等效电路模型中的参数，αi为加权系数。
优选地，所述步骤3.2中加权系数的获取步骤包括：基于电池历史剩余容量数据和fi(Xi)数据，采用最小二乘递推方法，对多因子评估模型中的加权系数αi进行标定，取误差最小的一组加权系数组合作为多因子评估模型中的加权系数组合。
优选地，所述步骤2.2中，通过改变μ的取值调整历史数据对于递推结果的影响程度，获得稳定的递推结果估计值，其中μ的取值范围为[0.9,1]。
优选地，所述步骤2.3中辨识模型实时对健康因子进行辨识的具体步骤为：通过辨识模型实时对参数变量进行辨识，基于参数变量的辨识结果，对等效电路模型中的各参数进行解析，实现等效电路模型中各参数的辨识。
优选地，所述步骤2中等效电路模型中的参数包括欧姆内阻、极化电阻和极化电容。
优选地，所述步骤4中电池的实时数据包括电池管理系统所监测的电池电压、电流、温度数据。
由上述方案可知，本发明提供的一种电池剩余容量的获取方法，将电池运行的数据利用RLS算法进行参数辨识；基于电池模型参数进行剩余容量健康度评估；在电池运行参数方面；本方法通过建立电池等效电路模型，然后利用带遗忘因子的最小二乘法参数辨识，从而在电池正常运行状态建立准确的电池模型；在电池剩余容量估算方面，本方法通过建立的电池模型和历史运行数据，计算模型参数与寿命的相应关系，综合电池多因子建立健康度评估的模型，实时在线监测电池状态。本发明解决现在技术所存在的精确识别对电池造成一定的破坏性，且工作量大，实际运行中难以实现；算法确定后无法在线修改完善，通用性不强；电池概率模型的参数提取工作量大，且模型的准确性有待考量的问题，作用效果显著，适于广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电池剩余容量的获取方法的过程框图一；
图2为本发明实施例提供的一种电池剩余容量的获取方法的过程框图二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
请一并参阅图1至图2，现对本发明提供的一种电池剩余容量的获取方法的一种具体实施方式进行说明。该种电池剩余容量的获取方法的具体步骤包括：
S1、根据电池的工作状态情况，建立电池的等效电路模型即n-RC模型，将等效电路模型中的欧姆内阻、极化电阻、极化电容作为健康因子；
S2、基于带遗忘因子的RLS(Recursive Least Squares最小二乘递推)算法建立等效电路模型中参数的辨识模型，基于电池电压、电流数据计算相应的最小二乘法增益和协方差，实时对等效电路模型中的各参数即欧姆内阻、极化电阻和极化电容的数值进行辨识；
S2中等效电路模型中的参数包括欧姆内阻、极化电阻和极化电容。
S2具体步骤包括：
S2.1、将输入辨识模型的电池数据作为辨识模型的数据变量，构建辨识模型的数据矩阵和参数矩阵：
Figure BDA0003160347120000051
其中UOC,k为k时刻的电池开路电压，Ut,k为k时刻的端电压，iL,k为k时刻的电流值(对应等效电路模型的总电流)，ci(c1,c2,...,c2n+1)为与等效电路模型参数相关的系数，Φn,k为辨识模型的数据变量(即由输入的电池电压、电流数据组成)，θn,k为辨识模型的参数变量，k为当前时刻，n为等效电路模型的阶数；
S2.2、基于RLS算法即带遗忘因子的最小二乘递推方法，得到与辨识模型的数据变量对应的最小二乘法增益和协方差：
Figure BDA0003160347120000052
其中μ为遗忘因子，KLn,k为算法的增益，PLn,k为状态估计值的误差协方差矩阵，yk为等效电路模型的传递函数；
S2.2中，通过改变μ的取值调整历史数据对于递推结果的影响程度，获得稳定的递推结果估计值，从而克服传统最小二乘递推方法难以获得稳定估计结果的缺点，μ的建议取值范围为[0.9,1]，优选的可以为[0.95,1]，μ越接近于1时，历史数据对于递推结果的影响越大。
S2.3、基于最小二乘法增益和协方差，得到辨识模型为：yk＝Φn,kθn,k，通过辨识模型实时对等效电路模型中的各参数进行辨识。
S2.3中辨识模型实时对健康因子进行辨识的具体步骤为：通过辨识模型实时对参数变量进行辨识，基于参数变量的辨识结果，对等效电路模型中的各参数进行解析，实现等效电路模型中各参数的辨识，确定等效电路模型中的参数。
S3、基于电池历史运行数据和历史剩余容量数据，辨识出等效电路模型中各参数与电池剩余容量的关系，进而建立多因子评估模型；
S3具体步骤包括：
S3.1、运用S2中的辨识模型获取等效电路模型中各参数数据，分别对辨识得到的等效电路模型中各参数与历史剩余容量数据的关系进行拟合，确定出电池剩余容量与各模型参数的函数关系fi(Xi)，从而实现对电池剩余容量的估计；
电池剩余容量与各模型参数的函数关系可以为线性或非线性关系，非线性关系可以为指数关系、多项式关系等。
S3.2、为进一步减少电池剩余容量的估计误差，将电池剩余容量作为因变量，等效电路模型中各参数作为自变量，综合各个模型参数建立多因子评估模型C＝∑αifi(Xi)，对电池剩余容量进行联合估计，其中C为联合估计的电池剩余容量，Xi为等效电路模型中的参数，αi为加权系数。
S3.2中加权系数的获取步骤包括：基于电池历史剩余容量数据和fi(Xi)数据，采用最小二乘递推方法，对多因子评估模型中的加权系数αi进行标定，取误差最小的一组加权系数组合作为多因子评估模型中的加权系数组合。
S4、将多因子评估模型应用于在线运行场景中，多因子评估模型中实时接入电池的实时数据，辨识各个健康因子Xi并对电池剩余容量进行计算，实现电池剩余容量的实时、在线评估，电池剩余容量可视化展示，便于检测人员实时获取电池的健康度。
S4中电池的实时数据包括BMS(Battery Management System电池管理系统)所监测的电池单体电压、电流、温度数据。
该种电池剩余容量的获取方法可以应用于锂电池剩余容量的在线实时计算，主要实现以下功能：
1)针对储能电站正常运行时参数模型建立困难的问题，通过建立带遗忘因子的最小二乘递推算法进行在线参数辨识，建立储能电站锂电池的等效电路模型；
2)对储能电站电池的电池健康状态以剩余容量SOH的形式及时地在线计算，并可视化展示电池的健康度，保证电池的安全稳定运行；
3)由于电池的实时数据是作为多因子评估模型实时输入的变化参数，所以该方法能够在储能电站改变运行状态后进行多因子评估模型的算法的修正，保证多因子评估模型对电池运行预测的准确性。
与现有技术相比，该种电池剩余容量的获取方法将电池运行的数据利用RLS算法进行参数辨识；基于电池模型参数进行剩余容量健康度评估；在电池运行参数方面；本方法通过建立电池等效电路模型，然后利用带遗忘因子的最小二乘法参数辨识，从而在电池正常运行状态建立准确的电池模型；在电池剩余容量估算方面，本方法通过建立的电池模型和历史运行数据，计算模型参数与寿命的相应关系，综合电池多因子建立健康度评估的模型，实时在线监测电池状态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种电池剩余容量的获取方法，其特征在于，具体步骤包括：
步骤1、根据电池的工作状态情况，建立电池的等效电路模型；
步骤2、基于RLS算法建立等效电路模型中参数的辨识模型，实时对等效电路模型中的各参数进行辨识；
步骤3、基于电池历史运行数据和历史剩余容量数据，辨识出等效电路模型中各参数与电池剩余容量的关系，进而建立多因子评估模型；
步骤4、将多因子评估模型应用于在线运行场景中，多因子评估模型中接入电池的实时数据，辨识各个健康因子并对电池剩余容量进行计算，实现电池剩余容量的实时、在线评估。
2.根据权利要求1所述的一种电池剩余容量的获取方法，其特征在于，所述步骤2具体步骤包括：
步骤2.1、将输入辨识模型的电池数据作为辨识模型的数据变量，构建辨识模型的数据矩阵和参数矩阵：
Figure FDA0003160347110000011
其中UOC,k为k时刻的电池开路电压，Ut,k为k时刻的端电压，iL,k为k时刻的电流值，ci为与等效电路模型参数相关的系数，Φn,k为辨识模型的数据变量，θn,k为辨识模型的参数变量，k为当前时刻，n为等效电路模型的阶数；
步骤2.2、基于RLS算法即带遗忘因子的最小二乘递推方法，得到与数据变量Φn,k对应的最小二乘法增益和协方差：
Figure FDA0003160347110000012
其中μ为遗忘因子，KLn,k为算法的增益，PLn,k为状态估计值的误差协方差矩阵，yk为等效电路模型的传递函数；
步骤2.3、基于最小二乘法增益和协方差，得到辨识模型为：yk＝Φn,kθn,k，通过辨识模型实时对等效电路模型中的各参数进行辨识。
3.根据权利要求2所述的一种电池剩余容量的获取方法，其特征在于，所述步骤3具体步骤包括：
步骤3.1、分别对辨识得到的等效电路模型中各参数与历史剩余容量数据的关系进行拟合，确定出电池剩余容量与等效电路模型中各参数的函数关系fi(Xi)；
步骤3.2、将电池剩余容量作为因变量，等效电路模型中各参数作为自变量，综合等效电路模型中的各个参数建立多因子评估模型C＝∑αifi(Xi)，对电池剩余容量进行联合估计，其中C为联合估计的电池剩余容量，Xi为等效电路模型中的参数，αi为加权系数。
4.根据权利要求3所述的一种电池剩余容量的获取方法，其特征在于，所述步骤3.2中加权系数的获取步骤包括：基于电池历史剩余容量数据和fi(Xi)数据，采用最小二乘递推方法，对多因子评估模型中的加权系数αi进行标定，取误差最小的一组加权系数组合作为多因子评估模型中的加权系数组合。
5.根据权利要求2所述的一种电池剩余容量的获取方法，其特征在于，所述步骤2.2中，通过改变μ的取值调整历史数据对于递推结果的影响程度，获得稳定的递推结果估计值，其中μ的取值范围为[0.9,1]。
6.根据权利要求2所述的一种电池剩余容量的获取方法，其特征在于，所述步骤2.3中辨识模型实时对健康因子进行辨识的具体步骤为：通过辨识模型实时对参数变量进行辨识，基于参数变量的辨识结果，对等效电路模型中的各参数进行解析，实现等效电路模型中各参数的辨识。
7.根据权利要求1所述的一种电池剩余容量的获取方法，其特征在于，所述步骤2中等效电路模型中的参数包括欧姆内阻、极化电阻和极化电容。
8.根据权利要求1所述的一种电池剩余容量的获取方法，其特征在于，所述步骤4中电池的实时数据包括电池管理系统所监测的电池电压、电流、温度数据。
CN202110789093.0A 2021-07-13 2021-07-13 一种电池剩余容量的获取方法 Pending CN113466712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789093.0A CN113466712A (zh) 2021-07-13 2021-07-13 一种电池剩余容量的获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789093.0A CN113466712A (zh) 2021-07-13 2021-07-13 一种电池剩余容量的获取方法

Publications (1)

Publication Number Publication Date
CN113466712A true CN113466712A (zh) 2021-10-01

Family

ID=77880038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789093.0A Pending CN113466712A (zh) 2021-07-13 2021-07-13 一种电池剩余容量的获取方法

Country Status (1)

Country Link
CN (1) CN113466712A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509677A (zh) * 2022-01-30 2022-05-17 北京西清能源科技有限公司 一种电池剩余容量多因子评估方法、系统及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170058165A (ko) * 2015-11-18 2017-05-26 현대일렉트릭앤에너지시스템(주) 배터리 수명 상태 추정 시스템 및 그 방법
CN107576919A (zh) * 2017-10-20 2018-01-12 广东石油化工学院 基于armax模型的动力电池荷电状态估算系统及方法
CN111323705A (zh) * 2020-03-19 2020-06-23 山东大学 基于鲁棒递归最小二乘的电池参数辨识方法及系统
CN111337832A (zh) * 2019-12-30 2020-06-26 南京航空航天大学 一种动力电池多维度融合soc和soh在线联合估算的方法
CN111948560A (zh) * 2020-07-30 2020-11-17 西安工程大学 基于多因子评估模型的锂电池健康状态估算方法
CN113030752A (zh) * 2021-04-12 2021-06-25 安徽理工大学 一种基于变遗忘因子在线参数辨识和soc联合估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170058165A (ko) * 2015-11-18 2017-05-26 현대일렉트릭앤에너지시스템(주) 배터리 수명 상태 추정 시스템 및 그 방법
CN107576919A (zh) * 2017-10-20 2018-01-12 广东石油化工学院 基于armax模型的动力电池荷电状态估算系统及方法
CN111337832A (zh) * 2019-12-30 2020-06-26 南京航空航天大学 一种动力电池多维度融合soc和soh在线联合估算的方法
CN111323705A (zh) * 2020-03-19 2020-06-23 山东大学 基于鲁棒递归最小二乘的电池参数辨识方法及系统
CN111948560A (zh) * 2020-07-30 2020-11-17 西安工程大学 基于多因子评估模型的锂电池健康状态估算方法
CN113030752A (zh) * 2021-04-12 2021-06-25 安徽理工大学 一种基于变遗忘因子在线参数辨识和soc联合估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAVEH SARRAFAN, ET AL: "Real-time estimation of model parameters and state-of-charge of lithiumion batteries in electric vehicles using recursive least-square with forgetting factor", 《2018 IEEE INTERNATIONAL CONFERENCE ON POWER ELECTRONICS, DRIVES AND ENERGY SYSTEMS》, pages 2 - 5 *
言理等: "电动汽车动力电池荷电状态和健康状态估算方法", 《广东石油化工学院学报》, vol. 31, no. 1, pages 54 - 58 *
陈猛等: "锂离子电池健康状态多因子在线估计方法", 《西安交通大学学报》, vol. 54, no. 1, pages 170 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509677A (zh) * 2022-01-30 2022-05-17 北京西清能源科技有限公司 一种电池剩余容量多因子评估方法、系统及电子设备

Similar Documents

Publication Publication Date Title
Liu et al. The remaining useful life prediction by using electrochemical model in the particle filter framework for lithium-ion batteries
Lyu et al. A new method for lithium-ion battery uniformity sorting based on internal criteria
CN112834945A (zh) 评估模型建立方法、电池健康状态评估方法及相关产品
CN111913109B (zh) 一种电池峰值功率的预测方法及装置
CN111781504A (zh) 一种锂离子动力电池老化状态识别与开路电压重构方法
CN112014735A (zh) 一种基于全寿命周期的电芯老化寿命预测方法及装置
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
Sadabadi et al. Model-based state of health estimation of a lead-acid battery using step-response and emulated in-situ vehicle data
CN111781503A (zh) 一种锂离子储能电池soc在线估算方法
CN109901072B (zh) 基于历史数据与实验室测试数据的退役电池参数检测方法
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
CN112989690A (zh) 一种混合动力汽车锂电池多时间尺度荷电状态估计方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
Guo et al. Parameter identification of fractional‐order model with transfer learning for aging lithium‐ion batteries
CN114675187A (zh) 一种物理机理和机器学习融合的锂离子电池寿命预测方法
CN115219918A (zh) 一种基于容量衰退组合模型的锂离子电池寿命预测方法
CN113466728B (zh) 一种两阶段电池模型参数在线辨识的方法与系统
Kamali et al. Novel SOH estimation of lithium-ion batteries for real-time embedded applications
CN114966411A (zh) 一种基于电池充电片段数据快速进行电池容量估算的方法
CN113466712A (zh) 一种电池剩余容量的获取方法
CN116819364A (zh) 电池健康度的确定方法、应用方法、电子设备及存储介质
CN111308352A (zh) 一种锂离子的电池衰减估算方法

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