CN113625174B - 一种锂离子电池soc与容量联合估计方法 - Google Patents
一种锂离子电池soc与容量联合估计方法 Download PDFInfo
- Publication number
- CN113625174B CN113625174B CN202110675271.7A CN202110675271A CN113625174B CN 113625174 B CN113625174 B CN 113625174B CN 202110675271 A CN202110675271 A CN 202110675271A CN 113625174 B CN113625174 B CN 113625174B
- Authority
- CN
- China
- Prior art keywords
- soc
- error
- capacity
- estimation
- 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.)
- Active
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池SOC与容量联合估计方法,属于动力电池管理领域。具体步骤为:一,锂离子电池等效电路模型的建立;二,结合电池模型与安时积分模型建立状态空间方程;三,将电池容量衰减量作为电池模型误差在状态方程中表征;四,解耦估计算法得到并行的状态量估计器与模型误差估计器,即误差校正扩展卡尔曼滤波算法可以用来同时估计锂离子电池SOC和容量。本发明提出估计电池模型误差的EKF改进算法,将电池老化导致的容量衰退作为模型误差,使用基于EKF的SOC和模型误差的解耦估计算法,实现对容量的估计,并实时补偿SOC的估计误差。仿真结果表明,本方法不但可以提高SOC估计的准确度,还可以实现对容量误差的估计。
Description
技术领域
本发明属于动力电池管理领域,具体是指一种锂离子电池SOC与容量联合估计方法。
背景技术
车用动力电池为电动汽车提供主要动力,其技术性能和经济成本决定着电动汽车的发展前景。为了提高电池的工作性能和延长电池的使用寿命,良好的电池管理系统(Battery Management System,BMS)已经成为当今电动汽车至关重要的一部分。电池SOC和容量估计是BMS最核心的功能,二者的估算精度和实用性非常重要。
电池荷电状态(State Of Charge,SOC)反映电池的剩余电量。目前主要的SOC估计方法有开路电压法、电化学阻抗法、安时积分法、神经网络法、卡尔曼滤波法等。各种算法存在的问题如下:开路电压法虽然在充放电开始和结束阶段能够较好地估计电池SOC,但充放电过程中因SOC-OCV“平台期”的存在导致SOC估计误差较大,并且因为需要长时间静置电池组才能获取开路电压,与实时性相矛盾,在工程实践中很少单独使用;电化学阻抗法在电池电量较低或较高时能够得到较为准确的SOC估计结果,但是因为电量在中间段时交流阻抗的变化较小,所以SOC估计不准,此外阻抗受电量初始值、温度、老化程度等较大程度的影响,BMS硬件也难以实现,很少用于实际的BMS中;安时积分法简单、实用有效,是目前最常用的SOC估计算法,安时积分法作为开环算法受到SOC初始误差、库伦效率、电流测量误差、容量误差等因素的影响,产生SOC估计误差且会不断累积;神经网络法需要依赖于大量数据集用于训练,且计算复杂,成本高,较少应用于实际;卡尔曼滤波法是目前估计电池SOC的研究重点,作为基于电池模型的闭环估计方法,能够消除SOC初始误差的影响,能够抑制电压及电流传感器噪声等的随机干扰。但是,传统的卡尔曼滤波算法对电池模型的精度有较高要求,如果模型参数与滤波器参数不匹配,会产生有偏差的SOC估计结果甚至可能造成最终的SOC预测结果发散。
电池容量是评价电池健康状况(State Of Health,SOH)的重要指标之一,可以衡量电池的老化程度。电池容量的估算可分为离线估算和在线估算。离线估算电池容量通常是在实验室完成的,对于在线使用的电池并不适用。在线估算电池可用容量的方法主要有以下两种:一是基于离线数据驱动的预测方法,使用大量电池性能的测试数据,从中发现电池性能变化规律用于寿命预测,由数据拟合得到电池相应指标的解析模型,进行电池健康状态预测。但该方法测试数据准备要求高,模型仅适用于对应电池类型,计算量大;二是基于特征的预测,利用电池老化过程中所表现出来的特征参量的演变,建立特征量与电池寿命之间的对应关系用于寿命预测。常用的算法有双卡尔曼滤波算法,这一方法通过建立电池模型以及电池参数衰减的状态空间方程,实现针对SOC和SOH的联合估计。这一算法对电池模型要求较高,同时对外部环境作了过于理想化的假设,导致了其难以很好处理具有偏置的噪声,在特定情况下同样易导致噪声的积累,削弱了SOC与SOH估算的抗干扰能力。
以上各种方法都存在一定的问题。因此,研究一种精度高、可靠实用的SOC和容量估算方法对车用动力电池使用和维护、促进电动汽车的发展具有积极意义。
发明内容
本发明针对现有技术中存在的问题,公开了一种锂离子电池SOC与容量联合估计方法,将容量衰退作为模型误差,实现电池模型误差的识别、估计、补偿,得到更精确的SOC和容量估计值,使电动汽车充分地利用电能,提高行车效率。
本发明是这样实现的:
一种锂离子电池SOC与容量联合估计方法,所述的估算方法包括以下步骤:
步骤一,建立锂离子电池等效电路模型,其作用是用来研究包括电池的端电压、充、放电电流、工作温度外特性之间的关系,表征电池静态特性及动态特性;
步骤二,结合电池模型与安时积分模型建立状态空间方程;
步骤三,将电池容量衰减量作为电池模型误差在状态方程中表征;
步骤四,将以上状态空间方程代入EKF算法迭代式,解耦估计算法得到并行的状态量估计器与模型误差估计器,即误差校正扩展卡尔曼滤波算法用来同时估计锂离子电池SOC和容量。
进一步地,步骤一,建立一阶RC锂离子电池等效电路模型的表达式为:
其中Ut为电池端电压;UOCV为电池开路电压;IB为电流,规定放电时为正,充电时为负;R0为电池欧姆内阻;UP为极化电压;RP与CP分别是极化内阻和极化电容。
进一步地,步骤二,安时积分模型:
其中,SOCk和SOCk+1分别为迭代至第k步和第k+1步的电池荷电状态的数值;η为库伦效率;Δt为系统采样周期;CN为电池标称容量;IB,k为电流值,规定放电为正,充电为负。
则系统的状态空间方程是:
式中w1,k和w2,k分别为系统状态方程中对应于SOC和UP的高斯白噪声项,vk+1为系统观测方程的高斯白噪声项。
进一步地,所述的步骤三具体为:
将电池容量衰减量作为电池模型误差在状态方程中表征,得到以下的状态空间表达式
其中bk为电池容量衰减导致的模型误差。
进一步地,所述步骤四中,将所述状态空间表达式代入EKF算法迭代式,解耦估计算法得到并行的状态量估计器与模型误差估计器,可用来同时估计锂离子电池SOC和容量,
首先,非线性时变系统的状态方程为:
式中,xk和xk-1分别为系统处于k时刻和k-1时刻的状态向量,uk和uk-1分别为系统k时刻和k-1时刻的控制输入向量,f(xk-1,uk-1)是非线性系统的状态方程函数,wk-1为过程噪声,yk为系统k时刻的观测向量,h(xk,uk)为非线性系统的观测方程函数,vk为观测噪声。
进一步地,为了达到线性化处理,采用泰勒公式进行展开,定义
其中,Ak为系统状态转移矩阵,Ck为系统的观测矩阵。
扩展卡尔曼滤波算法的递推过程式可表达如下:
滤波状态初始条件:
假定系统当前处于k时刻,根据系统的状态空间表达式,系统从上一时刻k-1转移到k时刻的状态可由k-1时刻预测:
P表示xk的协方差,
协方差更新:
其中I为单位矩阵。
进一步地,对算法解耦得到并行的SOC估计器与模型误差估计器:
定义:
xk=[SOCk Up,k]T;yk=Ut,k;
进一步地,初始化:当k=0时,
(a)用于SOC估计的标准EKF算法
(b)容量误差估计器算法
进一步地,当k=1,2,……
(a)用于SOC估计的标准EKF算法
时间更新环节
测量更新环节
式中,rx,k是SOC估计器的状态量测量新息。
式中,Kx,k是SOC估计器的卡尔曼增益。
(b)容量误差估计器算法
模型误差时间更新环节
先验模型误差估计值更新:bk=bk-1;
模型误差测量更新环节
式中,Kb,k是容量误差估计器的模型误差量卡尔曼增益。
式中,rb,k是容量误差估计器的模型误差量测量新息。
(c)SOC最优估计
与现有技术相比,本发明的有益效果在于:
本发明不仅保留了安时积分法和扩展卡尔曼滤波法各自的优点,状态量估计器可以滤去误差干扰,从而提高SOC估算精度;同时,并行的模型误差估计器可以估得因容量衰退造成的容量误差,及时地了解电池健康状态,对安时积分方程中的容量及时修正,避免长期积累造成SOC计算误差。本发明实现了电池模型误差的识别和估计,并且能够对状态量的估计结果进行误差补偿,得到更精确的SOC与容量估计值。
附图说明
图1为本发明锂离子电池SOC与容量联合估计方法实施例中所建立的一阶等效电路模型。
图2为本发明锂离子电池SOC与容量联合估计方法实施例中的SOC-OCV关系图。
图3为本发明锂离子电池SOC与容量联合估计方法实施例中SOC与容量并行估计算法流程图。
图4(a)、(b)、(c)为本发明锂离子电池SOC与容量联合估计方法实施例中的结果误差分析图,其中:
图4(a)为EKF与BCEKF两种算法的SOC估计结果;
图4(b)为EKF与BCEKF两种算法的SOC估计误差;
图4(c)为容量误差估计结果。
具体实施方式
下面结合具体实施例对本发明作进一步描述。实施例用来解释本发明,但不作为对本发明的限定。
一种锂离子电池SOC与容量联合估计方法,其特征在于,所述的估算方法包括以下步骤:
步骤一,锂离子电池等效电路模型的建立。
建立等效电路模型是用来研究电池的端电压、充、放电电流、工作温度等外特性之间的关系,能很好地表征电池静态特性及动态特性。建立一阶RC锂离子电池等效电路模型如图1所示,该等效电路模型的表达式为
其中Ut为电池端电压;UOCV为电池开路电压;IB为电流,规定放电时为正,充电时为负;R0为电池欧姆内阻;UP为极化电压;RP与CP分别是极化内阻和极化电容。
本实施例的SOC-OCV关系图如图2所示。电池开路电压UOCV与SOC的拟合函数采用7阶拟合,函数关系表达式如下:
UOCV(SOCk+1)=83.212*SOCk 7-302.18*SOCk 6+445.2*SOCk 5-341.85*SOCk 4+146.86*SOCk 3-35.578*SOCk 2+4.8137*SOCk+2.9606
为方便起见,将本发明所提出的算法简称为BCEKF(Bias-corrected EKF)算法。
步骤二,结合电池模型与安时积分模型建立状态空间方程。
EKF原理处理的系统是离散化的,因此需要对模型离散化处理。其中,安时积分模型的离散化较为简单,可直接得出:
其中,SOCk和SOCk+1分别为迭代至第k步和第k+1步的电池荷电状态的数值;η为库伦效率;Δt为系统采样周期;CN为电池标称容量;IB,k为电流值,规定放电为正,充电为负。
则系统的状态空间方程是:
式中w1,k和w2,k分别为系统状态方程中对应于SOC和UP的高斯白噪声项,vk+1为系统观测方程的高斯白噪声项。
步骤三,将电池容量衰减量作为电池模型误差在状态方程中表征,得到以下的状态空间表达式
其中bk为电池容量衰减导致的模型误差。
步骤四,将以上状态空间方程代入EKF算法迭代式,解耦估计算法得到并行的状态量估计器与模型误差估计器,可以用来同时估计锂离子电池SOC和容量。
首先,非线性时变系统的状态方程为:
式中,xk和xk-1分别为系统处于k时刻和k-1时刻的状态向量,uk和uk-1分别为系统k时刻和k-1时刻的控制输入向量,f(xk-1,uk-1)是非线性系统的状态方程函数,wk-1为过程噪声,yk为系统k时刻的观测向量,h(xk,uk)为非线性系统的观测方程函数,vk为观测噪声。
为了达到线性化处理的目的,采用泰勒公式进行展开,定义
其中,Ak为系统状态转移矩阵,Ck为系统的观测矩阵。
扩展卡尔曼滤波(EKF)算法的递推过程式可表达如下:
滤波状态初始条件:
假定系统当前处于k时刻,根据系统的状态空间表达式,系统从上一时刻k-1转移到k时刻的状态可由k-1时刻预测:
P表示xk的协方差,
协方差更新:
其中I为单位矩阵。
对算法解耦得到并行的SOC估计器与模型误差估计器:
定义:
xk=[SOCk Up,k]T;yk=Ut,k;
1.初始化:当k=0时,
(a)用于SOC估计的标准EKF算法
(b)容量误差估计器算法
2.当k=1,2,……
(a)用于SOC估计的标准EKF算法
时间更新环节
测量更新环节
式中,rx,k是SOC估计器的状态量测量新息。
式中,Kx,k是SOC估计器的卡尔曼增益。
(b)容量误差估计器算法
模型误差时间更新环节
先验模型误差估计:bk=bk-1;
模型误差测量更新环节
式中,Kb,k是容量误差估计器的模型误差量卡尔曼增益。
式中,rb,k是容量误差估计器的模型误差量测量新息。
(c)SOC最优估计
以上提供了SOC与容量的并行估计算法,其流程如图3所示。
考虑一种电池容量衰退的情形:EKF、BCEKF算法的SOC初值都设为100%;电池当前的容量真实值Ca与标称容量CN存在1Ah的误差;电池从满电状态开始经过8个完整的UDDS工况放至接近空电,验证结果由图4(a)-(c)给出。
图4(a)为EKF与BCEKF两种算法的SOC估计结果。可以看到,EKF与BCEKF均能够有效地对SOC值进行估计。由图4(b)可以看出,EKF全局的最大SOC估计误差不超过1.2%,而BCEKF算法在误差的有效估计与补偿下,能够更精确地对SOC值进行估计,其全局最大SOC估计误差不超过0.3%。图4(c)表明了本发明提出的算法在能够更加准确地估计SOC的同时还能够快速追踪容量误差至1Ah的真实值,即可以有效估计电池当前的真实容量。
本发明从电池模型误差的角度展开研究,将电池老化导致的容量衰退作为模型误差,提出了一种能够同时估计SOC和容量的算法。以上仿真结果表明,该算法对电动汽车的复杂工况有较好的适应性,可以实现电池容量的实时在线估计,并且提高SOC估计的准确度。
以上所述仅是本发明的优选实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (10)
1.一种锂离子电池SOC与容量联合估计方法,其特征在于,所述的估计方法包括以下步骤:
步骤一,建立锂离子电池等效电路模型,其作用是用来研究包括电池的端电压、充、放电电流、工作温度外特性之间的关系,表征电池静态特性及动态特性;
步骤二,结合电池模型与安时积分模型建立状态空间方程;
步骤三,将电池容量衰减量作为电池模型误差在状态方程中表征;
步骤四,将以上状态空间方程代入EKF算法迭代式,解耦估计算法得到并行的状态量估计器与模型误差估计器,即误差校正扩展卡尔曼滤波算法用来同时估计锂离子电池SOC和容量。
6.根据权利要求5所述的一种锂离子电池SOC与容量联合估计方法,其特征在于,
为了达到线性化处理,采用泰勒公式进行展开,定义
其中,Ak为系统状态转移矩阵,Ck为系统的观测矩阵,
扩展卡尔曼滤波算法的递推过程式可表达如下:
滤波状态初始条件:
假定系统当前处于k时刻,根据系统的状态空间表达式,系统从上一时刻k-1转移到k时刻的状态可由k-1时刻预测:
P表示xk的协方差,
10.根据权利要求9所述的一种锂离子电池SOC与容量联合估计方法,其特征在于,
当k=1,2,……
(a)用于SOC估计的标准EKF算法
时间更新环节
测量更新环节
式中,rx,k是SOC估计器的状态量测量新息,
式中,Kx,k是SOC估计器的卡尔曼增益,
(b)容量误差估计器算法
模型误差时间更新环节
先验模型误差估计值更新:bk=bk-1;
模型误差测量更新环节
式中,Kb,k是容量误差估计器的模型误差量卡尔曼增益,
式中,rb,k是容量误差估计器的模型误差量测量新息,
(c)SOC最优估计
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675271.7A CN113625174B (zh) | 2021-06-18 | 2021-06-18 | 一种锂离子电池soc与容量联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675271.7A CN113625174B (zh) | 2021-06-18 | 2021-06-18 | 一种锂离子电池soc与容量联合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113625174A CN113625174A (zh) | 2021-11-09 |
CN113625174B true CN113625174B (zh) | 2022-06-03 |
Family
ID=78378167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675271.7A Active CN113625174B (zh) | 2021-06-18 | 2021-06-18 | 一种锂离子电池soc与容量联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625174B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545260B (zh) * | 2022-02-25 | 2022-10-18 | 威胜电气有限公司 | 一种电池容量解耦的锂电池荷电状态估计方法 |
CN115116554A (zh) * | 2022-06-29 | 2022-09-27 | 上海玫克生储能科技有限公司 | 电化学模型的电场解耦方法及装置 |
CN115164886B (zh) * | 2022-07-22 | 2023-09-05 | 吉林大学 | 车载gnss/ins组合导航系统比例因子误差补偿方法 |
CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014220236A (ja) * | 2013-04-11 | 2014-11-20 | 株式会社東芝 | 二次電池装置 |
CN106909716A (zh) * | 2017-01-19 | 2017-06-30 | 东北电力大学 | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 |
CN109143102A (zh) * | 2018-08-10 | 2019-01-04 | 安徽力高新能源技术有限公司 | 一种安时积分估算锂电池soc方法 |
CN110221221A (zh) * | 2019-04-24 | 2019-09-10 | 吉林大学 | 锂离子电池荷电状态和健康状态联合估计方法 |
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
CN112649747A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种分数阶扩展卡尔曼的锂电池soc估算方法 |
CN112946481A (zh) * | 2021-01-29 | 2021-06-11 | 南京邮电大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10353007B2 (en) * | 2015-05-28 | 2019-07-16 | Mitsubishi Electric Corporation | Rechargeable battery parameter estimation apparatus and rechargeable battery parameter estimation method for calculating first and second coefficients which are partial derivatives of an estimated value of the battery state-of-charge |
-
2021
- 2021-06-18 CN CN202110675271.7A patent/CN113625174B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014220236A (ja) * | 2013-04-11 | 2014-11-20 | 株式会社東芝 | 二次電池装置 |
CN106909716A (zh) * | 2017-01-19 | 2017-06-30 | 东北电力大学 | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 |
CN109143102A (zh) * | 2018-08-10 | 2019-01-04 | 安徽力高新能源技术有限公司 | 一种安时积分估算锂电池soc方法 |
CN110221221A (zh) * | 2019-04-24 | 2019-09-10 | 吉林大学 | 锂离子电池荷电状态和健康状态联合估计方法 |
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
CN112649747A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种分数阶扩展卡尔曼的锂电池soc估算方法 |
CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
CN112946481A (zh) * | 2021-01-29 | 2021-06-11 | 南京邮电大学 | 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 |
Non-Patent Citations (3)
Title |
---|
A multiscale framework with extended Kalman filter for lithium-ion battery SOC and capacity estimation;Chao Hua等;《Applied Energy》;20110915;第694–704页 * |
基于KF的锂离子电池SOC估计的模型误差研究;穆嘉毅;《中国优秀博硕士学位论文全文数据库(硕士)》;20191115(第11期);第2-4章 * |
锂离子电池SOC及容量的多尺度联合估计;杨世春等;《北京航空航天大学学报》;20200831;第46卷(第8期);第1-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113625174A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
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 | |
CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
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 | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
CN109669134A (zh) | 一种基于卡尔曼滤波法的soc的估算方法 | |
CN104569835A (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
CN111323705A (zh) | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 | |
CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
CN111537895B (zh) | 一种多参数联合估算soc的方法 | |
KR100901252B1 (ko) | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 | |
CN112595979B (zh) | 一种考虑非充分激励的锂电池参数在线辨识方法及系统 | |
CN105425153A (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
EP2430697A1 (en) | Method for determining extent and type of capacity fade | |
CN105699910A (zh) | 一种锂电池剩余电量在线估计方法 | |
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 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN113219344A (zh) | 一种铅酸蓄电池soc估计方法 | |
CN112379270A (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
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 | |
CN115494398A (zh) | 一种基于融合滤波策略的电池soc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 |