CN113777497A - 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 - Google Patents
一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113777497A CN113777497A CN202111053618.0A CN202111053618A CN113777497A CN 113777497 A CN113777497 A CN 113777497A CN 202111053618 A CN202111053618 A CN 202111053618A CN 113777497 A CN113777497 A CN 113777497A
- Authority
- CN
- China
- Prior art keywords
- battery
- online
- soc
- nth
- circuit voltage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000002245 particle Substances 0.000 claims description 32
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000011088 calibration curve Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及一种退化电池在线SOC、SOH联合估计方法、装置、存储介质和电子设备，该方法包括：获取当前时刻的电流和电压；对电池参数进行在线辨识，得到第n次的电池参数；对电池进行健康状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值；在标准开路电压OCV‑剩余电量SOC对应关系曲线数据库中查询目标曲线；对电池进行剩余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值；根据目标曲线和第n次电池的剩余电量SOC在线估计值，估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电池开路电压和第n次电池的剩余电量SOC在线估计值更新目标曲线。更新标准开路电压OCV‑剩余电量SOC对应关系曲线数据库中的开路电压OCV‑剩余电量SOC对应关系曲线。
Description
技术领域
本公开属于电池系统管理技术领域，具体涉及一种退化电池在线 SOC、SOH联合估计方法、装置、存储介质和电子设备。
背景技术
目前，在国家的大力倡导下，新能源汽车产业飞速发展。在新能源汽 车的储能系统中，由于锂电池生产成本低、功率密度高、安全性好和使用 寿命长等特点，锂电池作为能源被广泛的应用于新能源汽车中。为了保持 锂电池储能系统的安全和可靠性，延长锂电池储能系统的使用寿命，作为 电池管理系统核心的电池荷电状态的精确估算的研究是至关重要的。
在目前，在线SOC估计主要基于等效电路模型，通过采集电池输出 端的电流与电压，采用诸如卡尔曼滤波，扩展卡尔曼滤波，扩展卡尔曼粒 子滤波等算法进行SOC估算。因此，SOC的估计精度严重依赖等效电路 模型的参数精度。目前等效电路模型的参数主要通过，在严苛的实验条件 下获得，但由于电池模型具有明显的非线性、时变性的特点，在新能源汽 车运行期间，随着外界温度、放电倍率等影响因素的影响，等效电路模型 参数也随之发生改变，且随着时间变化，电池的退化也会对SOC估计精 度产生较大的影响。因此在实验条件下，通过离线参数辨识得到一成不变 的电池模型参数及OCV—SOC标定曲线，会大大降低SOC的估计精度。
基于此，有必要提出一种考虑电池退化内部因素，外界参数影响外部 因素的的在线SOC估计系统。
发明内容
本公开的目的是提供一种退化电池在线SOC、SOH联合估计方法、 装置、存储介质和电子设备，用于解决现有技术中由于电池的SOC的估 计精度严重依赖等效电路模型的参数精度，而电池模型具有明显的非线 性、时变性的特点，在新能源汽车运行期间，随着外界温度、放电倍率等 影响因素的影响，等效电路模型参数也随之发生改变，且随着时间变化，电池的退化也会对SOC估计精度产生较大的影响。因此在实验条件下， 通过离线参数辨识得到一成不变的电池模型参数及OCV—SOC标定曲线， 会大大降低SOC的估计精度的技术问题。
为了实现上述目的，本公开的第一方面，一种退化电池在线SOC、SOH 联合估计方法，所述方法包括：
获取当前时刻的电流和电压；
将所述当前时刻的电流、电压以及第n次电池开路电压作为预设电池 参数模型的输入，对电池参数进行在线辨识，得到第n次的电池参数；
根据所述第n次的电池参数对电池进行健康状态SOH在线估计，获 取第n次电池的健康状态SOH在线估计值；
根据电池实时的温度值和所述第n次电池的健康状态SOH在线估计 值在标准开路电压OCV-剩余电量SOC对应关系曲线数据库中查询目标曲 线；
根据所述第n次的电池参数，对电池进行剩余电量SOC在线估计， 获取第n次电池的剩余电量SOC在线估计值；
根据目标曲线和第n次电池的剩余电量SOC在线估计值，估计出电 池开路电压作为第n+1次电池开路电压，用第n+1次电池开路电压和第n 次电池的剩余电量SOC在线估计值更新目标曲线。
更新标准开路电压OCV-剩余电量SOC对应关系曲线数据库中的开路 电压OCV-剩余电量SOC对应关系曲线。
可选地，所述建立用于电池参数在线辨识的电池参数模型，根据所述 电池参数模型对电池参数进行在线辨识，得到第n次的电池参数，包括：
建立电池的一阶RC等效电路模型；
根据所述一阶RC等效电路模型，确定所述电池参数的差分方程；
获取电池当前时刻的电压、电流及温度数据；
设定初始值，根据多自适应遗忘因子递推最小二乘算法在线辨识出所 述第n次的电池参数，其中，所述第n次的电池参数包括第n次的欧姆内 阻R0，极化电阻RP，极化电容CP
可选地，所述对电池进行健康状态SOH在线估计，获取第n次电池 的健康状态SOH在线估计值，包括：
根据电池退化模型，采用阿累尼乌斯锂离子电池寿命公式，计算当前 电池的容量Qnow，可得：
AH＝NDQnom
Qnow＝Qnom-Qloss
其中，Qnom为电池额定电压下的容量，Qloss为电池的容量损失，Ic为电 池放电倍率，通过采集的实时电压与更新的电池容量可以求得，Bk为衰退 系数。通过实验数据得，BIc＝25990·e-0.4727Ic+10620·e0.0067Ic，T为环境温度，R 为摩尔气体常数，AH实际循环安时容量，N为放电倍率，D为放电深度；
根据
计算第n次电池的健康状态SOH在线估计值。
可选地，所述根据所述对应的开路电压OCV-剩余电量SOC对应关系 曲线和所述第n次的电池参数，对电池进行剩余电量SOC在线估计，获 取第n次电池的剩余电量SOC在线估计值，包括：
根据所述电池的伏安特性建立所述电池的一阶RC等效电路模型，确 定所述电池的状态方程；
采用扩展卡尔曼粒子滤波算法进行SOC估算。
可选地，所述采用扩展卡尔曼粒子滤波算法进行SOC估算，包括：
初始化粒子的基本参数；
根据初始概率密度x0～p(x)分布产生N个粒子集合，分配粒子权重；
使用扩展卡尔曼粒子滤波，得到粒子的预测值；
更新粒子权值并进行归一化处理，计算有效粒子数；如果有效粒子数 小于给定阈值，在进行重采样后输出SOC估计值；如果大于给定阈值， 则直接输出SOC估计值。
第二方面，提供一种退化电池在线SOC、SOH联合估计装置，所述 装置包括：
获取模块，用于获取当前时刻的电流和电压；
在线辨识模块，用于将所述当前时刻的电流、电压以及第n次电池开 路电压作为预设电池参数模型的输入，对电池参数进行在线辨识，得到第 n次的电池参数；
SOH在线估计模块，用于根据所述第n次的电池参数对电池进行健康 状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值；
筛选模块，用于根据电池实时的温度值和所述第n次电池的健康状态 SOH在线估计值在标准开路电压OCV-剩余电量SOC对应关系曲线数据库 中查询目标曲线；
SOC在线估计模块，用于根据所述第n次的电池参数，对电池进行剩 余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值；；
更新模块，用于根据目标曲线和第n次电池的剩余电量SOC在线估 计值，估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电池 开路电压和第n次电池的剩余电量SOC在线估计值更新目标曲线；更新 标准开路电压OCV-剩余电量SOC对应关系曲线数据库中的开路电压 OCV-剩余电量SOC对应关系曲线。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序， 所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：上述的计算机可读存储介质； 以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分， 与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限 制。在附图中：
图1是本公开实施例提供的一种退化电池在线SOC、SOH联合估计 方法的流程图。
图2是本公开实施例提供的一种建立用于电池参数在线辨识的电池参 数模型，根据所述电池参数模型对电池参数进行在线辨识，得到第n次的 电池参数的流程图。
图3是本公开实施例提供的一种对电池进行健康状态SOH在线估计， 获取第n次电池的健康状态SOH在线估计值的流程图。
图4是本公开实施例提供的一种根据所述对应的开路电压OCV-剩余 电量SOC对应关系曲线和所述第n次的电池参数，对电池进行剩余电量 SOC在线估计，获取第n次电池的剩余电量SOC在线估计值的方法的流 程图。
图5是本公开实施例提供的一种采用扩展卡尔曼粒子滤波算法进行 SOC估算的方法的流程图。
图6是本公开实施例提供的一种退化电池在线SOC、SOH联合估计 装置的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的 是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制 本公开。
在现有技术中，在线SOC估计主要基于等效电路模型，通过采集电 池输出端的电流与电压，采用诸如卡尔曼滤波，扩展卡尔曼滤波，扩展卡 尔曼粒子滤波等算法进行SOC估算。因此，SOC的估计精度严重依赖等 效电路模型的参数精度。目前等效电路模型的参数主要通过，在严苛的实 验条件下获得，但由于电池模型具有明显的非线性、时变性的特点，在新 能源汽车运行期间，随着外界温度、放电倍率等影响因素的影响，等效电 路模型参数也随之发生改变，且随着时间变化，电池的退化也会对SOC 估计精度产生较大的影响。因此在实验条件下，通过离线参数辨识得到一 成不变的电池模型参数及OCV—SOC标定曲线，会大大降低SOC的估计 精度。而在本申请中，通过在线SOH估计，不断筛选更新的OCV—SOC 曲线，降低电池退化内部因素对在线SOC估计的影响，以及通过更新SOC 估计值计算生成的开路电压值，作为在线参数辨识模块的下一时刻输入 值，并通过实时采集的电流电压，动态更新电池模型参数，降低外部因素 对在线SOC估计的误差影响。
本公开实施例提供一种退化电池在线SOC、SOH联合估计方法，图1 是根据本公开一实施例示出的一种退化电池在线SOC、SOH联合估计方 法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，获取当前时刻的电流和电压。
步骤S12，将所述当前时刻的电流、电压以及第n次电池开路电压作 为预设电池参数模型的输入，对电池参数进行在线辨识，得到第n次的电 池参数。
在本步骤中，建立电池的一阶RC等效电路模型；
根据所述一阶RC等效电路模型，确定所述电池参数的差分方程；
获取电池当前时刻的电压、电流及温度数据；
设定初始值，根据多自适应遗忘因子递推最小二乘算法在线辨识出所 述第n次的电池参数，其中，所述第n次的电池参数包括第n次的欧姆内 阻R0，极化电阻RP，极化电容CP
步骤S13，根据所述第n次的电池参数对电池进行健康状态SOH在线 估计，获取第n次电池的健康状态SOH在线估计值。
在本步骤中，根据电池退化模型，采用阿累尼乌斯锂离子电池寿命公 式，计算当前电池的容量Qnow，可得：
AH＝NDQnom，
Qnow＝Qnom-Qloss，
其中，Qnom为电池额定电压下的容量，Qloss为电池的容量损失，Ic为电 池放电倍率，通过采集的实时电压与更新的电池容量可以求得，Bk为衰退 系数。通过实验数据得，BIc＝25990·e-0.4727Ic+10620·e0.0067Ic，T为环境温度，R 为摩尔气体常数，AH实际循环安时容量，N为放电倍率，D为放电深度；
根据
计算第n次电池的健康状态SOH在线估计值。
步骤S14，根据电池实时的温度值和所述第n次电池的健康状态SOH 在线估计值在标准开路电压OCV-剩余电量SOC对应关系曲线数据库中查 询目标曲线；
步骤S15，根据所述第n次的电池参数，对电池进行剩余电量SOC在 线估计，获取第n次电池的剩余电量SOC在线估计值。
在本步骤中，根据所述电池的伏安特性建立所述电池的一阶RC等效 电路模型，确定所述电池的状态方程；
采用扩展卡尔曼粒子滤波算法进行SOC估算。
其中，初始化粒子的基本参数；
根据初始概率密度x0～p(x)分布产生N个粒子集合，分配粒子权重；
使用扩展卡尔曼粒子滤波，得到粒子的预测值；
更新粒子权值并进行归一化处理，计算有效粒子数；如果有效粒子数 小于给定阈值，在进行重采样后输出SOC估计值；如果大于给定阈值， 则直接输出SOC估计值。
步骤S16，根据目标曲线和第n次电池的剩余电量SOC在线估计值， 估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电池开路电 压和第n次电池的剩余电量SOC在线估计值更新目标曲线。
步骤S17，更新标准开路电压OCV-剩余电量SOC对应关系曲线数据 库中的开路电压OCV-剩余电量SOC对应关系曲线。
如图4所示，本公开还提供一种退化电池在线SOC、SOH联合估计 装置400，包括：
获取模块401，用于获取当前时刻的电流和电压；
在线辨识模块402，用于将所述当前时刻的电流、电压以及第n次电 池开路电压作为预设电池参数模型的输入，对电池参数进行在线辨识，得 到第n次的电池参数；
SOH在线估计模块403，用于根据所述第n次的电池参数对电池进行 健康状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值；
筛选模块404，用于根据电池实时的温度值和所述第n次电池的健康 状态SOH在线估计值在标准开路电压OCV-剩余电量SOC对应关系曲线 数据库中查询目标曲线；
SOC在线估计模块405，用于根据所述第n次的电池参数，对电池进 行剩余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值；；
更新模块406，用于根据目标曲线和第n次电池的剩余电量SOC在线 估计值，估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电 池开路电压和第n次电池的剩余电量SOC在线估计值更新目标曲线；更 新标准开路电压OCV-剩余电量SOC对应关系曲线数据库中的开路电压 OCV-剩余电量SOC对应关系曲线。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在 有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
采用上述装置，通过在线SOH估计，不断筛选更新的OCV—SOC曲 线，降低电池退化内部因素对在线SOC估计的影响，以及通过更新SOC 估计值计算生成的开路电压值，作为在线参数辨识模块的下一时刻输入 值，并通过实时采集的电流电压，动态更新电池模型参数，降低外部因素 对在线SOC估计的误差影响
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不 限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本 公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范 围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特 征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不 必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要 其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (8)
1.一种退化电池在线SOC、SOH联合估计方法，其特征在于，包括：
获取当前时刻的电流和电压；
将所述当前时刻的电流、电压以及第n次电池开路电压作为预设电池参数模型的输入，对电池参数进行在线辨识，得到第n次的电池参数；
根据所述第n次的电池参数对电池进行健康状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值；
根据电池实时的温度值和所述第n次电池的健康状态SOH在线估计值在标准开路电压OCV-剩余电量SOC对应关系曲线数据库中查询目标曲线；
根据所述第n次的电池参数，对电池进行剩余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值；
根据目标曲线和第n次电池的剩余电量SOC在线估计值，估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电池开路电压和第n次电池的剩余电量SOC在线估计值更新目标曲线；
更新标准开路电压OCV-剩余电量SOC对应关系曲线数据库中的开路电压OCV-剩余电量SOC对应关系曲线。
2.根据权利要求1所述的方法，其特征在于，所述建立用于电池参数在线辨识的电池参数模型，根据所述电池参数模型对电池参数进行在线辨识，得到第n次的电池参数，包括：
建立电池的一阶RC等效电路模型；
根据所述一阶RC等效电路模型，确定所述电池参数的差分方程；
获取电池当前时刻的电压、电流及温度数据；
设定初始值，根据多自适应遗忘因子递推最小二乘算法在线辨识出所述第n次的电池参数，其中，所述第n次的电池参数包括第n次的欧姆内阻R0，极化电阻RP，极化电容CP。
3.根据权利要求1所述的方法，其特征在于，所述对电池进行健康状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值，包括：
根据电池退化模型，采用阿累尼乌斯锂离子电池寿命公式，计算当前电池的容量Qnow，可得：
AH＝NDQnom
Qnow＝Qnom-Qloss
其中，Qnom为电池额定电压下的容量，Qloss为电池的容量损失，Ic为电池放电倍率，通过采集的实时电压与更新的电池容量可以求得，Bk为衰退系数。通过实验数据得，BIc＝25990·e-0.4727Ic+10620·e0.0067Ic，T为环境温度，R为摩尔气体常数，AH实际循环安时容量，N为放电倍率，D为放电深度；
根据
计算第n次电池的健康状态SOH在线估计值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述对应的开路电压OCV-剩余电量SOC对应关系曲线和所述第n次的电池参数，对电池进行剩余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值，包括：
根据所述电池的伏安特性建立所述电池的一阶RC等效电路模型，确定所述电池的状态方程；
采用扩展卡尔曼粒子滤波算法进行SOC估算。
5.根据权利要求4所述的方法，其特征在于，所述采用扩展卡尔曼粒子滤波算法进行SOC估算，包括：
初始化粒子的基本参数；
根据初始概率密度x0～p(x)分布产生N个粒子集合，分配粒子权重；
使用扩展卡尔曼粒子滤波，得到粒子的预测值；
更新粒子权值并进行归一化处理，计算有效粒子数；如果有效粒子数小于给定阈值，在进行重采样后输出SOC估计值；如果大于给定阈值，则直接输出SOC估计值。
6.一种退化电池在线SOC、SOH联合估计装置，其特征在于，包括：
获取模块，用于获取当前时刻的电流和电压；
在线辨识模块，用于将所述当前时刻的电流、电压以及第n次电池开路电压作为预设电池参数模型的输入，对电池参数进行在线辨识，得到第n次的电池参数；
SOH在线估计模块，用于根据所述第n次的电池参数对电池进行健康状态SOH在线估计，获取第n次电池的健康状态SOH在线估计值；
筛选模块，用于根据电池实时的温度值和所述第n次电池的健康状态SOH在线估计值在标准开路电压OCV-剩余电量SOC对应关系曲线数据库中查询目标曲线；
SOC在线估计模块，用于根据所述第n次的电池参数，对电池进行剩余电量SOC在线估计，获取第n次电池的剩余电量SOC在线估计值；；
更新模块，用于根据目标曲线和第n次电池的剩余电量SOC在线估计值，估计出电池开路电压作为第n+1次电池开路电压，用第n+1次电池开路电压和第n次电池的剩余电量SOC在线估计值更新目标曲线；更新标准开路电压OCV-剩余电量SOC对应关系曲线数据库中的开路电压OCV-剩余电量SOC对应关系曲线。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
权利要求7中所述的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053618.0A CN113777497B (zh) | 2021-09-09 | 2021-09-09 | 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053618.0A CN113777497B (zh) | 2021-09-09 | 2021-09-09 | 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113777497A true CN113777497A (zh) | 2021-12-10 |
| CN113777497B CN113777497B (zh) | 2023-09-15 |
Family
ID=78842100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111053618.0A Active CN113777497B (zh) | 2021-09-09 | 2021-09-09 | 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113777497B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115629314A (zh) * | 2022-10-14 | 2023-01-20 | 山东师范大学 | 基于改进Jaya的电池参数与状态联合估计方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140232411A1 (en) * | 2011-09-30 | 2014-08-21 | KPIT Cummins Infosytems Ltd | System and method for battery monitoring |
| CN104007395A (zh) * | 2014-06-11 | 2014-08-27 | 北京交通大学 | 锂离子电池荷电状态与参数自适应联合估计方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| KR20170058165A (ko) * | 2015-11-18 | 2017-05-26 | 현대일렉트릭앤에너지시스템(주) | 배터리 수명 상태 추정 시스템 및 그 방법 |
| CN108508366A (zh) * | 2017-02-28 | 2018-09-07 | 霍尼韦尔国际公司 | 铅酸电池的模型参数的在线确定以及soc和soh的计算 |
| CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
| CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
| CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
-
2021
- 2021-09-09 CN CN202111053618.0A patent/CN113777497B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140232411A1 (en) * | 2011-09-30 | 2014-08-21 | KPIT Cummins Infosytems Ltd | System and method for battery monitoring |
| CN104007395A (zh) * | 2014-06-11 | 2014-08-27 | 北京交通大学 | 锂离子电池荷电状态与参数自适应联合估计方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| KR20170058165A (ko) * | 2015-11-18 | 2017-05-26 | 현대일렉트릭앤에너지시스템(주) | 배터리 수명 상태 추정 시스템 및 그 방법 |
| CN108508366A (zh) * | 2017-02-28 | 2018-09-07 | 霍尼韦尔国际公司 | 铅酸电池的模型参数的在线确定以及soc和soh的计算 |
| CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
| CN108508371A (zh) * | 2018-04-09 | 2018-09-07 | 重庆大学 | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 |
| CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115629314A (zh) * | 2022-10-14 | 2023-01-20 | 山东师范大学 | 基于改进Jaya的电池参数与状态联合估计方法及系统 |
| CN115629314B (zh) * | 2022-10-14 | 2024-05-10 | 山东师范大学 | 基于改进Jaya的电池参数与状态联合估计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113777497B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| CN110914696B (zh) | 用于在电池的操作期间估计电池开路池格电压、充电状态以及健康状态的方法和系统 | |
| CN110967645B (zh) | Soc修正方法和装置、电池管理系统和存储介质 | |
| KR102335296B1 (ko) | 무선 네트워크 기반 배터리 관리 시스템 | |
| CN108717164B (zh) | 电池的荷电状态soc标定方法及系统 | |
| JP2008522152A (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 | |
| CN114072685A (zh) | 一种用于估计电池单元的操作参数的方法 | |
| Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
| CN117222904A (zh) | 电池状态推定装置、电力系统 | |
| KR20160002336A (ko) | 듀얼확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체 | |
| CN114169154A (zh) | 膨胀力预测方法、膨胀力预测系统、电子设备及存储介质 | |
| CN109061482B (zh) | 电池健康度预测方法及装置 | |
| CN116990691A (zh) | 一种电池剩余满充时间的评估方法、装置、设备和介质 | |
| CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
| CN114895205A (zh) | 电池模型参数的获取方法、装置、计算机设备、存储介质 | |
| JP2018077199A (ja) | 推定装置 | |
| KR101835377B1 (ko) | 다변량 웨이블릿 변환 기반의 배터리팩 충전상태 추정 방법 및 그 장치 | |
| CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
| CN117452234B (zh) | 改进参数辨识与无穷算法融合的soc估计方法及系统 | |
| CN113777497A (zh) | 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 | |
| CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
| CN113733980B (zh) | 确定动力电池容量的方法、装置、介质及电子设备 | |
| CN113189500A (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
| US11598813B2 (en) | Method and apparatus for estimating a state of charge of a battery | |
| CN116298905A (zh) | 一种钠离子电池荷电状态估算方法及估算装置 |
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 |