CN113702836B - 一种基于emd-gru锂离子电池荷电状态估计方法 - Google Patents
一种基于emd-gru锂离子电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN113702836B CN113702836B CN202110837086.3A CN202110837086A CN113702836B CN 113702836 B CN113702836 B CN 113702836B CN 202110837086 A CN202110837086 A CN 202110837086A CN 113702836 B CN113702836 B CN 113702836B
- Authority
- CN
- China
- Prior art keywords
- current
- lithium ion
- ion battery
- gru
- time sequence
- 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
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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于EMD‑GRU锂离子电池荷电状态估计方法,具体为:步骤1,对锂离子电池进行脉冲电流放电,直至电池电压降到放电截止电压时停止放电,采集放电电流、电池电压、温度及SOC(t)时间序列;步骤2,采用经验模态分解EMD算法对采集放电电流进行分解,将电流时间序列分解成不同频率的子电流集时间序列和残差电流时间序列;步骤3,将子电流集时间序列和残差电流时间序列以及电池电压、温度进行归一化处理;步骤4,基于门控循环单元GRU建立子电流集、电压和温度时间序列的SOC估计模型并进行锂离子电池SOC估计。本发明解决了现有技术中存在的循环神经网络锂离子电池SOC估计丢失中长期电流时间序列的问题。
Description
技术领域
本发明属于锂电池状态估计方法技术领域,涉及一种基于EMD-GRU锂离子电池荷电状态估计方法。
背景技术
锂离子电池因其能量密度高,自放电率低,无记忆效应等优点,被广泛电动汽车及各个领域,逐渐成为未来诸多重要领域的关键和支撑。然而锂离子电池作为电动汽车核心技术仍面临者诸多瓶颈,续航里程及安全性能成为用户关注的重点。为了提高电动汽车续航里程及安全性能,国内外的高校、公司及科研机构都将电池管理系统(BatteryManagement System,BMS)技术作为重要的发展方向。
锂离子电池荷电状态(State of Charge,SOC)精准评估及预测是BMS的关键功能之一。精确的SOC值能够表征电池电量使用情况和充放电程度,制定理想的电池充放电策略;单体电池由于制造工艺的差异,在使用过程中的电量变化不一致,进而影响整个电池组的工作效率,需要通过控制每个电池单体的SOC值平衡单体电池间的差异;此外,SOC影响电池管理决策的制定,是电池管理系统分配电量的依据。然而电池在使用过程中,其负载变化大,使用环境多变,并且SOC是电池的内部状态参数,无法直接测量得到,使得SOC估计问题一直是研究热点。
工程应用中通常采用开路电压法、安时积分法(库伦积分法)或二者相结合的方法估计SOC,但是估计精度不高。近几年,学者提出循环神经网络的方法(RNN、LSTM和GRU)应用于锂离子电池SOC估计当中,神经网络法高度非线性特点和电池相契合,故可以很好的应用。输入层的输入量一般为电池的电压,电流,电池温度,电池内阻,循环次数等,输出为电池的SOC,但循环神经网络的锂离子电池SOC估计在面对较长时间序列时,会出现丢失部分中长期序列信息的情况,影响模型预测精度。
发明内容
本发明的目的是提供一种基于EMD-GRU锂离子电池荷电状态估计方法,解决了现有技术中存在的循环神经网络锂离子电池SOC估计丢失中长期电流时间序列的问题。
本发明所采用的技术方案是,一种基于EMD-GRU锂离子电池荷电状态估计方法,具体按照如下步骤实施:
步骤1,对锂离子电池进行脉冲电流放电,直至电池电压降到放电截止电压时停止放电,采集放电电流i(t)、电池电压u(t)、温度T(t)及SOC(t)时间序列;
步骤2,采用经验模态分解EMD算法对步骤1采集的采集放电电流i(t)进行分解,将电流时间序列分解成不同频率的子电流集时间序列和残差电流时间序列;
步骤3,将步骤2得到的子电流集时间序列和残差电流时间序列以及电池电压u(t)、温度T(t)进行归一化处理;
步骤4,基于门控循环单元GRU建立子电流集、电压和温度时间序列的SOC估计模型并进行锂离子电池SOC估计。
本发明的特征还在于,
步骤1对锂离子电池进行脉冲电流放电前,将锂离子电池电量充满,即SOC=100%,锂离子电池静置在恒温恒湿箱中,静置时间为1-3小时,然后进行脉冲电流放电。
步骤1中进行采样的采样频率为脉冲电流最大频率的十倍及以上。
步骤2具体为:
步骤2.1,找到放电电流i(t)的所有极大值和极小值点,采用三次样条插值得到上下包络线emax(t)和emin(t),计算上下包络线的均值m(t):
步骤2.2,将放电电流i(t)与上下包络平均值m(t)进行差值,获得剩余分量h1(t):
h1(t)=i(t)-m(t) (2)
步骤2.3,判断h1(t)是否满足固有模态分量的两个条件,不满足的话,用h1(t)作为新的时间序列返回步骤2.1,直到剩余分量h1(t)满足固有模态分量的两个条件为止,固有模态分量c1(t)记为:
c1(t)=h1(t) (3);
其中,固有模态分量的两个基本条件:1)h1(t)函数局部极值点和过零点的个数相等或者相差不超过一个;2)在任意时刻范围内,由局部最大值和最小值所形成的包络曲线的平均值必须为零;
步骤2.4,将放电电流i(t)减去固有模态分量c1(t),求出残差r1(t):
r1(t)=i(t)-c1(t) (4);
步骤2.5,将残差r1(t)作为新的信号重复步骤2.1~2.4,分别得到c2(t)和r2(t),如此不断循环,当残差满足终止条件后结束,得到了固有模态分量c1(t)、c2(t)、…、cn(t)即为不同频率的子电流集,最后得到的rn(t)即为残差电流;
其中,终止条件为:当最后的残差rn(t)是单调递增或者单调递减信号或者残差幅值不大于信号幅度的百分之一。
步骤3具体为:
子电流集c1(t)、c2(t)、…、cn(t)、残差电流rn(t)、电压u(t)、温度T(t)构成输入集x(t),SOC(t)构成输出集y(t),分别对输入集各个元素采用公式(5)进行归一化,归一化公式如下:
式中,x′(t)为各元素归一化后输入集,a为各个元素的平均值,b为各个元素的标准差。
步骤4具体为:
步骤4.1,采用输入集x′(t)作为GRU网络的输入,输出集y(t)作为GRU网络的输出,GRU模型公式如下:
式中,x′(t)为第t时刻隐含层的输入,h(t)为第t时刻当前层的输出,h(t-1)为第t-1时刻当前层的输出,z(t)和r(t)分别为更新门和重置门,是输入x′(t)和前一时刻输出h(t-1)的汇总,σ为sigmoid激活函数,tanh为双曲正切函数,Wr为重置门训练参数矩阵,Wz为更新门训练参数矩阵,其中[]表示两个向量相连,*表示矩阵的乘积;
步骤4.2,采用反向传播算法BPTT算法对GRU模型进行训练,得到误差最小的参数矩阵即最优GRU模型,误差函数如下:
式中,y(t)为第t时刻实际输出,WO为输出层参数矩阵;
步骤4.3,重新按照步骤1、步骤2和步骤3方法得到后一段时间锂离子电池子电流集c′1(t)、c′2(t)、…、c′n(t)、残差电流r′n(t)、电压u′(t)、温度T′(t)作为锂离子电池SOC估计输入集,结合步骤4.2中最优GRU模型,得到模型输出即为SOC估计值。
本发明的有益效果是:
本发明首先在脉冲放电下采集锂离子电池电压、电流、温度和SOC数据;其次采用EMD对电流数据进行预处理,把电流数据分解为子电流集和残差电流,残差电流呈现平稳趋势可以提高中长期时间序列预测的精度;最后基于GRU建立子电流、电压和温度时间序列的SOC估计模型,对锂离子电池SOC估计精度高,实现动态估计,解决循环神经网络锂离子电池SOC估计丢失中长期电流时间序列的问题。
附图说明
图1是本发明一种基于EMD-GRU锂离子电池SOC估计方法的总流程图;
图2是本发明一种基于EMD-GRU锂离子电池SOC估计方法脉冲电流放电图;
图3是本发明一种基于EMD-GRU锂离子电池SOC估计方法EMD电流时间序列分解流程图;
图4是本发明一种基于EMD-GRU锂离子电池SOC估计方法GRU结构框图;
图5是本发明一种基于EMD-GRU锂离子电池SOC估计方法电流分布和测量电压实例测量图;
图6是本发明一种基于EMD-GRU锂离子电池SOC估计方法估计结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于EMD-GRU锂离子电池荷电状态估计方法,其流程如图1所示,具体按照如下步骤实施:
步骤1,对锂离子电池进行脉冲电流放电前,将锂离子电池电量充满,即SOC=100%,锂离子电池静置在恒温恒湿箱中,静置时间为1-3小时,然后进行脉冲电流放电,直至电池电压降到放电截止电压时停止放电,采集放电电流i(t)、电池电压u(t)、温度T(t)及SOC(t)时间序列,采样频率为脉冲电流最大频率的十倍及以上;脉冲激励信号的选取原则是对被测对象充分激励,同时保证不会对电池造成损害。因此采用脉冲电流对锂离子电池进行循环放电,脉冲电流如图2所示,实验结束后,采用恒流恒压将电池充满电,以备后续使用。
步骤2,采用经验模态分解EMD算法对步骤1采集的采集放电电流i(t)进行分解,将电流时间序列分解成不同频率的子电流集时间序列和残差电流时间序列,电流时间序列是影响SOC最重要的成分,故本发明分解电流时间序列;如图3所示,具体为:
步骤2.1,找到放电电流i(t)的所有极大值和极小值点,采用三次样条插值得到上下包络线emax(t)和emin(t),计算上下包络线的均值m(t):
步骤2.2,将放电电流i(t)与上下包络平均值m(t)进行差值,获得剩余分量h1(t):
h1(t)=i(t)-m(t) (2)
步骤2.3,判断h1(t)是否满足固有模态分量的两个条件,不满足的话,用h1(t)作为新的时间序列返回步骤2.1,直到剩余分量h1(t)满足固有模态分量的两个条件为止,固有模态分量c1(t)记为:
c1(t)=h1(t) (3);
其中,固有模态分量的两个基本条件:1)h1(t)函数局部极值点和过零点的个数相等或者相差不超过一个;2)在任意时刻范围内,由局部最大值和最小值所形成的包络曲线的平均值必须为零;
步骤2.4,将放电电流i(t)减去固有模态分量c1(t),求出残差r1(t):
r1(t)=i(t)-c1(t) (4);
步骤2.5,将残差r1(t)作为新的信号重复步骤2.1~2.4,分别得到c2(t)和r2(t),如此不断循环,当残差满足终止条件后结束,得到了固有模态分量c1(t)、c2(t)、…、cn(t)即为不同频率的子电流集,最后得到的rn(t)即为残差电流;
其中,终止条件为:当最后的残差rn(t)是单调递增或者单调递减信号或者残差幅值不大于信号幅度的百分之一;
步骤3,将步骤2得到的子电流集时间序列和残差电流时间序列以及电池电压u(t)、温度T(t)进行归一化处理;具体为:
子电流集c1(t)、c2(t)、…、cn(t)、残差电流rn(t)、电压u(t)、温度T(t)构成输入集x(t),SOC(t)构成输出集y(t),分别对输入集各个元素采用公式(5)进行归一化,归一化公式如下:
式中,x′(t)为各元素归一化后输入集,a为各个元素的平均值,b为各个元素的标准差;
步骤4,基于门控循环单元GRU建立子电流集、电压和温度时间序列的SOC估计模型并进行锂离子电池SOC估计,如图4所示,具体为:
步骤4.1,采用输入集x′(t)作为GRU网络的输入,输出集y(t)作为GRU网络的输出,GRU模型公式如下:
式中,x′(t)为第t时刻隐含层的输入,h(t)为第t时刻当前层的输出,h(t-1)为第t-1时刻当前层的输出,z(t)和r(t)分别为更新门和重置门,是输入x′(t)和前一时刻输出h(t-1)的汇总,σ为sigmoid激活函数,tanh为双曲正切函数,Wr为重置门训练参数矩阵,Wz为更新门训练参数矩阵,其中[]表示两个向量相连,*表示矩阵的乘积;
步骤4.2,采用反向传播算法BPTT算法对GRU模型进行训练,得到误差最小的参数矩阵即最优GRU模型,误差函数如下:
式中,y(t)为第t时刻实际输出,WO为输出层参数矩阵;
步骤4.3,重新按照步骤1、步骤2和步骤3方法得到后一段时间锂离子电池子电流集c′1(t)、c′2(t)、…、c′n(t)、残差电流r′n(t)、电压u′(t)、温度T′(t)作为锂离子电池SOC估计输入集,结合步骤4.2中最优GRU模型,得到模型输出即为SOC估计值。
实施例
本发明采用美国马里兰大学高级生命周期工程中心的数据仓库中的公共数据集。试验中,将电池A123放置在温度室中,测量电池的温度。电流分布和测量电压如图5所示。很明显,动态应力测试DST数据集(图5顶部)与联邦城市驾驶时间表FUDS数据集(图5中部)和US06数据集(图5底部)都不同。US06和FUDS与DST在放电电流和电压上有明显的差异,因此以DST和FUDS数据集作为训练数据集,US06和作为测试数据集,可以很好地验证GRU网络的泛化能力。DST配置文件的温度为0℃、10℃、25℃、30℃、40℃、50℃,与FUDS和US06配置文件相同。
采用GRU模型,输入维度为8,输出维度为1,隐含层有两层节点个数为32,batch_size为100。如图6所示,为EMD-GRU锂离子电池SOC估计图,左边是训练,右边是测试,测试最终MSE误差<0.5%,满足估计需求。
Claims (5)
1.一种基于EMD-GRU锂离子电池荷电状态估计方法,其特征在于,具体按照如下步骤实施:
步骤1,对锂离子电池进行脉冲电流放电,直至电池电压降到放电截止电压时停止放电,采集放电电流i(t)、电池电压u(t)、温度T(t)及SOC(t)时间序列;
步骤2,采用经验模态分解EMD算法对步骤1采集的采集放电电流i(t)进行分解,将电流时间序列分解成不同频率的子电流集时间序列和残差电流时间序列;
所述步骤2具体为:
步骤2.1,找到放电电流i(t)的所有极大值和极小值点,采用三次样条插值得到上下包络线emax(t)和emin(t),计算上下包络线的均值m(t):
步骤2.2,将放电电流i(t)与上下包络平均值m(t)进行差值,获得剩余分量h1(t):
h1(t)=i(t)-m(t) (2)
步骤2.3,判断h1(t)是否满足固有模态分量的两个条件,不满足的话,用h1(t)作为新的时间序列返回步骤2.1,直到剩余分量h1(t)满足固有模态分量的两个条件为止,固有模态分量c1(t)记为:
c1(t)=h1(t) (3);
其中,固有模态分量的两个基本条件:1)h1(t)函数局部极值点和过零点的个数相等或者相差不超过一个;2)在任意时刻范围内,由局部最大值和最小值所形成的包络曲线的平均值必须为零;
步骤2.4,将放电电流i(t)减去固有模态分量c1(t),求出残差r1(t):
r1(t)=i(t)-c1(t) (4);
步骤2.5,将残差r1(t)作为新的信号重复步骤2.1~2.4,分别得到c2(t)和r2(t),如此不断循环,当残差满足终止条件后结束,得到了固有模态分量c1(t)、c2(t)、…、cn(t)即为不同频率的子电流集,最后得到的rn(t)即为残差电流;
其中,终止条件为:当最后的残差rn(t)是单调递增或者单调递减信号或者残差幅值不大于信号幅度的百分之一;
步骤3,将步骤2得到的子电流集时间序列和残差电流时间序列以及电池电压u(t)、温度T(t)进行归一化处理;
步骤4,基于门控循环单元GRU建立子电流集、电压和温度时间序列的SOC估计模型并进行锂离子电池SOC估计。
2.根据权利要求1所述的一种基于EMD-GRU锂离子电池荷电状态估计方法,其特征在于,所述步骤1对锂离子电池进行脉冲电流放电前,将锂离子电池电量充满,即SOC=100%,锂离子电池静置在恒温恒湿箱中,静置时间为1-3小时,然后进行脉冲电流放电。
3.根据权利要求2所述的一种基于EMD-GRU锂离子电池荷电状态估计方法,其特征在于,所述步骤1中进行采样的采样频率为脉冲电流最大频率的十倍及以上。
4.根据权利要求1所述的一种基于EMD-GRU锂离子电池荷电状态估计方法,其特征在于,所述步骤3具体为:
子电流集c1(t)、c2(t)、…、cn(t)、残差电流rn(t)、电压u(t)、温度T(t)构成输入集x(t),SOC(t)构成输出集y(t),分别对输入集各个元素采用公式(5)进行归一化,归一化公式如下:
式中,x′(t)为各元素归一化后输入集,a为各个元素的平均值,b为各个元素的标准差。
5.根据权利要求4所述的一种基于EMD-GRU锂离子电池荷电状态估计方法,其特征在于,所述步骤4具体为:
步骤4.1,采用输入集x′(t)作为GRU网络的输入,输出集y(t)作为GRU网络的输出,GRU模型公式如下:
式中,x′(t)为第t时刻隐含层的输入,h(t)为第t时刻当前层的输出,h(t-1)为第t-1时刻当前层的输出,z(t)和r(t)分别为更新门和重置门,是输入x′(t)和前一时刻输出h(t-1)的汇总,σ为sigmoid激活函数,tanh为双曲正切函数,Wr为重置门训练参数矩阵,Wz为更新门训练参数矩阵,其中[]表示两个向量相连,*表示矩阵的乘积;
步骤4.2,采用反向传播算法BPTT算法对GRU模型进行训练,得到误差最小的参数矩阵即最优GRU模型,误差函数如下:
式中,y(t)为第t时刻实际输出,WO为输出层参数矩阵;
步骤4.3,重新按照步骤1、步骤2和步骤3方法得到后一段时间锂离子电池子电流集c′1(t)、c′2(t)、…、c′n(t)、残差电流r′n(t)、电压u′(t)、温度T′(t)作为锂离子电池SOC估计输入集,结合步骤4.2中最优GRU模型,得到模型输出即为SOC估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837086.3A CN113702836B (zh) | 2021-07-23 | 2021-07-23 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837086.3A CN113702836B (zh) | 2021-07-23 | 2021-07-23 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702836A CN113702836A (zh) | 2021-11-26 |
CN113702836B true CN113702836B (zh) | 2023-08-18 |
Family
ID=78650370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837086.3A Active CN113702836B (zh) | 2021-07-23 | 2021-07-23 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702836B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测系统 |
CN112782594A (zh) * | 2020-12-24 | 2021-05-11 | 杭州电子科技大学 | 考虑内阻的数据驱动算法估算锂电池soc的方法 |
CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
AU2021102629A4 (en) * | 2021-04-22 | 2021-07-08 | Huazhong University Of Science And Technology | Lithium battery thermal runaway multi-level detection and early warning system and judgment method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
-
2021
- 2021-07-23 CN CN202110837086.3A patent/CN113702836B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测系统 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN112782594A (zh) * | 2020-12-24 | 2021-05-11 | 杭州电子科技大学 | 考虑内阻的数据驱动算法估算锂电池soc的方法 |
CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
AU2021102629A4 (en) * | 2021-04-22 | 2021-07-08 | Huazhong University Of Science And Technology | Lithium battery thermal runaway multi-level detection and early warning system and judgment method |
Non-Patent Citations (1)
Title |
---|
基于门控递归神经网络的电网日峰值负荷预测;吴福疆;计算技术与自动化;第39卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113702836A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
CN110525269B (zh) | Soc的电池组均衡控制方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN112526348A (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 | |
An et al. | State of energy estimation for lithium-ion battery pack via prediction in electric vehicle applications | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
Wang et al. | A comparative study of fractional-order models for lithium-ion batteries using Runge Kutta optimizer and electrochemical impedance spectroscopy | |
Sun et al. | Study of parameters identification method of li-ion battery model for EV power profile based on transient characteristics data | |
CN103983919A (zh) | 一种基于gm(1,n)灰色模型的电池寿命预测方法 | |
CN106291376A (zh) | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN103983833B (zh) | 基于gm(1,1)灰色模型的电池开路电压预测方法 | |
CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
CN115453399A (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN115754372A (zh) | 一种变温度循环的锂离子电池老化测试方法 | |
Xing et al. | Lithium-ion battery state-of-charge estimation based on a dual extended Kalman filter and BPNN correction | |
CN111965544A (zh) | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
Chen et al. | A bias correction based state-of-charge estimation method for multi-cell battery pack under different working conditions | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
CN113702836B (zh) | 一种基于emd-gru锂离子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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |