CN114114048A - 一种电池soc、soh、soe联合估算方法 - Google Patents

一种电池soc、soh、soe联合估算方法 Download PDF

Info

Publication number
CN114114048A
CN114114048A CN202111063432.3A CN202111063432A CN114114048A CN 114114048 A CN114114048 A CN 114114048A CN 202111063432 A CN202111063432 A CN 202111063432A CN 114114048 A CN114114048 A CN 114114048A
Authority
CN
China
Prior art keywords
battery
soc
soe
soh
estimation
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
CN202111063432.3A
Other languages
English (en)
Inventor
李志飞
高科杰
宋忆宁
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.)
Zhejiang Zero Run Technology Co Ltd
Original Assignee
Zhejiang Zero Run 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 Zhejiang Zero Run Technology Co Ltd filed Critical Zhejiang Zero Run Technology Co Ltd
Priority to CN202111063432.3A priority Critical patent/CN114114048A/zh
Publication of CN114114048A publication Critical patent/CN114114048A/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种电池SOC、SOH、SOE联合估算方法，包括以下步骤：步骤S1）读取电池状态初始值和容量初始值；步骤S2）根据电池特性建立电池二阶RC等效电路模型；步骤S3）通过HPPC采集数据，利用最小二乘法对数据辨识获得模型参数；步骤S4）根据状态初始值、容量初始值和模型参数，通过EKF算法建立电池SOC、SOH、SOE联合估算多尺度计算公式；步骤S5）根据实时电压、实时电流和容量初始计算值计算SOC和SOE，当到达时间T后，计算SOH，然后同步更新到SOC、SOE计算中，本方案既能保证计算的实时性和准确性，又能减少计算复杂度。

Description

一种电池SOC、SOH、SOE联合估算方法
技术领域
本发明涉及电池管理技术领域，具体涉及一种电池SOC、SOH、SOE联合估算方法。
背景技术
随着新能源汽车市场占有率逐年增加，储能规模扩大，市场对电池管理系统要求越来越高。SOC(State of Charge,荷电状态)、SOH(State of Health,健康状态)、SOE(State of Energy,能量状态)是电池管理系统关键技术，准确的SOC、SOH、SOE估算可有效避免电池过充、过放、循环寿命衰减过快等不利现象。现阶段，主要的SOC和SOE估算方法类似，为安时积分法、卡尔曼滤波法和神经网络法；SOH估算方法主要为循环容量法、模型法、卡尔曼滤波算法等。因SOC与SOP、SOE相关性大，要求实时性高，SOC估算周期一般在100ms内。SOH是一个长期性参数，对实时性要求低，估算周期可按照小时或天进行。安时积分法简单，但是受电流积分器精度影响大，易产生累计误差；卡尔曼滤波法适用于线性系统，由于电池SOC、SOH估算为非线性系统，所以根据卡尔曼滤波原理采用扩展卡尔曼滤波(ExtendedKalman Filter，EKF)、无迹卡尔曼滤波(Unscended Kalman Filter，UKF)进行非线性系统估算；神经网络法需要大量样本进行训练，方法较为复杂且受电池老化影响较大。SOC、SOH联合估算可以采用双卡尔曼滤波估算，但是进行双卡尔曼滤波计算需要消耗大量计算机内存，对硬件有一定要求。
发明内容
本发明主要是为了解决现有技术中电池SOC、SOH、SOE计算精度低、方法复杂的问题，提供了一种电池SOC、SOH、SOE联合估算方法，采用EKF算法进行SOC、SOH、SOE联合估算，既保证计算的准确性实时性，又能减少计算复杂度。
为了实现上述目的，本发明采用以下技术方案：
一种电池SOC、SOH、SOE联合估算方法，包括以下步骤：步骤S1)读取电池状态初始值和容量初始值；步骤S2)根据电池特性建立电池二阶RC等效电路模型；步骤S3)通过混合脉冲功率性能测试(Hybrid Pulse Power Characteristic，HPPC)采集数据，利用最小二乘法对数据辨识获得模型参数；步骤S4)根据状态初始值、容量初始值和模型参数，通过扩展卡尔曼滤波(Extended Kalman Filter，EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式；步骤S5)先运行SOH计算模块获得容量初始计算值，采集实时电压和实时电流，将实时电压、实时电流和容量初始计算值数据输入到SOC、SOE计算模块中，计算获得SOC值、SOE值，同时将SOC计算中更新后的观测量传入SOH计算模块参与计算，获得SOH值。为了提高电池管理中SOC、SOH、SOE计算的准确性和降低计算复杂程度，本发明提供了一种电池SOC、SOH、SOE联合估算方法，首先读取电池状态初始值和容量初始值，根据电池特性建立电池二阶RC等效电路模型，通过测试确定OCV-SOC、OCV-SOE关系式，即电池SOC和SOE估算观测方程，通过在线或离线的辨识方式获得模型参数，包括电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容；然后根据估算状态方程和估算观测方程，通过扩展卡尔曼滤波(EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式；接着先运行SOH计算模块获得容量初始计算值，采集实时电压和实时电流，将实时电压、实时电流和容量初始计算值数据输入到SOC、SOE计算模块中，计算获得SOC值、SOE值，SOH计算时将SOC计算中更新后的观测量传入SOH计算模块参与运行，然后计算获得SOH值，SOE运行周期设置为0.1s，SOH运行周期设置为3600s。本发明采用EKF算法进行SOC、SOH、SOE联合估算，既保证SOC、SOE估算的实时性、准确性和SOH估算的准确性，又保证降低计算复杂度。
作为优选，所述步骤S4的具体过程，包括以下步骤：步骤S41)根据电池SOC估算状态方程和电池SOC估算观测方程，通过扩展卡尔曼滤波获得电池SOC估算方程矩阵；步骤S42)根据电池SOH估算状态方程，通过扩展卡尔曼滤波获得电池SOH估算方程矩阵；步骤S43)根据电池SOE估算状态方程和电池SOE估算观测方程，通过扩展卡尔曼滤波获得电池SOE估算方程矩阵。本发明根据估算状态方程和估算观测方程，通过扩展卡尔曼滤波(EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式。
作为优选，所述电池二阶RC等效电路模型包括电池开路电压、电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容，所述电池开路电压的正极和电池内电阻的一端连接，所述电池内电阻的另一端与电池极化电阻的一端连接，所述电池极化电阻的另一端与电池浓度差电阻的一端连接，所述电池极化电容与电池极化电阻并联，所述电池浓度差电容与电池浓度差电阻并联，所述电池浓度差电阻的另一端与电池开路电压的负极作为等效电路的输出端。本发明根据电池特性建立电池二阶RC等效电路模型。
作为优选，所述模型参数包括电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容。本发明通过混合脉冲功率性能测试(Hybrid Pulse PowerCharacteristic，HPPC)采集数据，利用最小二乘法对数据辨识获得模型参数。
作为优选，步骤S41中，所述电池SOC估算状态方程为：
Figure BDA0003257456270000021
所述电池SOC估算观测方程为：
yk,l＝Uocv(SOCk,l)-Uk,l*R2-Uk,l*R1-Uk,l*R0+νk,l＝g(xk,l,Uk,l)+νk,l
根据上述电池SOC估算状态方程和电池SOC估算观测方程，通过扩展卡尔曼滤波获得电池SOC估算方程矩阵，所述电池SOC估算方程矩阵为：
Figure BDA0003257456270000031
其中，
Figure BDA0003257456270000032
作为优选，步骤S42中，所述电池SOH估算状态方程为：
Qk+1＝Qk+rk
根据电池SOH估算状态方程，通过扩展卡尔曼滤波获得电池SOH估算方程矩阵，所述电池SOH估算方程矩阵为：
Figure BDA0003257456270000033
作为优选，步骤S41中，所述电池SOE估算状态方程为：
Figure BDA0003257456270000034
所述电池SOE估算观测方程为：
ek,l＝Eocv(SOEK,L)-Uk,l*R2-Uk,l*R1-Uk,l*R0+vk.l＝f(xk.l,Uk.l)+vk.l
根据电池SOE估算状态方程和电池SOE估算观测方程，通过扩展卡尔曼滤波获得电池SOE估算方程矩阵，所述电池SOE估算方程矩阵为：
Figure BDA0003257456270000041
其中，
Figure BDA0003257456270000042
本发明根据估算状态方程和估算观测方程，通过扩展卡尔曼滤波(EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式，既保证SOC、SOE估算的实时性、准确性和SOH估算的准确性，又保证降低计算复杂度。
作为优选，电池SOC观测矩阵值为：
Figure BDA0003257456270000043
本发明根据电池SOC估算状态方程和电池SOC估算观测方程获得上述电池SOC观测矩阵值。
作为优选，电池SOH观测矩阵值为：
Figure BDA0003257456270000044
本发明根据电池SOH估算状态方程获得上述电池SOH观测矩阵值。
作为优选，电池SOE观测矩阵值为：
Figure BDA0003257456270000045
本发明根据电池SOE估算状态方程和电池SOE估算观测方程获得上述电池SOE观测矩阵值。
因此，本发明的优点是：
(1)本发明采用EKF算法进行SOC、SOH、SOE联合估算，既保证SOC、SOE估算的实时性、准确性和SOH估算的准确性，又保证降低计算复杂度；
(2)适用范围广，可应用于各类电池。
附图说明
图1是本发明实施例中电池二阶RC等效电路模型的电路图。
图2是本发明实施例的结构示意图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
一种电池SOC、SOH、SOE联合估算方法，包括以下步骤：步骤S1)读取电池状态初始值和容量初始值；步骤S2)根据电池特性建立电池二阶RC等效电路模型；步骤S3)通过混合脉冲功率性能测试(Hybrid Pulse Power Characteristic，HPPC)采集数据，利用最小二乘法对数据辨识获得模型参数；步骤S4)根据状态初始值、容量初始值和模型参数，通过扩展卡尔曼滤波(Extended Kalman Filter，EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式；步骤S5)先运行SOH计算模块获得容量初始计算值，采集实时电压和实时电流，将实时电压、实时电流和容量初始计算值数据输入到SOC、SOE计算模块中，计算获得SOC值、SOE值，同时将SOC计算中更新后的观测量传入SOH计算模块参与计算，获得SOH值。为了提高电池管理中SOC、SOH、SOE计算的准确性和降低计算复杂程度，本发明提供了一种电池SOC、SOH、SOE联合估算方法，具体步骤为：
1)读取电池状态初始值和容量初始值；
2)根据电池特性建立电池二阶RC等效电路模型，如图1所示，电池二阶RC等效电路模型包括电池开路电压、电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容，所述电池开路电压的正极和电池内电阻的一端连接，所述电池内电阻的另一端与电池极化电阻的一端连接，所述电池极化电阻的另一端与电池浓度差电阻的一端连接，所述电池极化电容与电池极化电阻并联，所述电池浓度差电容与电池浓度差电阻并联，所述电池浓度差电阻的另一端与电池开路电压的负极作为等效电路的输出端，通过测试确定OCV-SOC、OCV-SOE关系式，即电池SOC和SOE估算观测方程；
3)通过混合脉冲功率性能测试(Hybrid Pulse Power Characteristic，HPPC)采集数据，利用最小二乘法对数据辨识获得模型参数，模型参数包括电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容；
4)根据估算状态方程和估算观测方程，通过扩展卡尔曼滤波(EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式，具体为：
41)根据电池SOC估算状态方程
Figure BDA0003257456270000051
和电池SOC估算观测方程yk,l＝Uocv(SOCk,l)-Uk,l*R2-Uk,l*R1-Uk,l*R0+νk,l＝g(xk,l,Uk,l)+νk,l，通过扩展卡尔曼滤波获得电池SOC估算方程矩阵：
Figure BDA0003257456270000061
其中，
Figure BDA0003257456270000062
42)根据电池SOH估算状态方程Qk+1＝Qk+rk，通过扩展卡尔曼滤波获得电池SOH估算方程矩阵：
Figure BDA0003257456270000063
43)根据电池SOE估算状态方程
Figure BDA0003257456270000064
和电池SOC估算观测方程ek,l＝Eocv(SOEK,L)-Uk,l*R2-Uk,l*R1-Uk,l*R0+vk.l＝f(xk.l,Uk.l)+vk.l，通过扩展卡尔曼滤波获得电池SOE估算方程矩阵：
Figure BDA0003257456270000065
其中，
Figure BDA0003257456270000071
根据上述估算状态方程和估算观测方程获得电池SOC、SOH、SOE的观测矩阵值分别为：
Figure BDA0003257456270000072
Figure BDA0003257456270000073
Figure BDA0003257456270000074
其中，EKFx表示SOC估算相关，EKFc表示SOH估算相关，EKFe表示SOE估算相关；k、l为时间系数，
Figure BDA0003257456270000075
为状态估计值，A表示系统矩阵，B、Be表示观测矩阵，Qk为容量，P- k-1,l为误差协方差估计矩阵，var(X0,0)为误差协方差初始值，Pk,l为滤波误差协方差矩阵，
Figure BDA0003257456270000076
r、ζ为系统噪声矩阵，Γ为干扰矩阵，σ、ν、ψ为观测噪声矩阵，K为卡尔曼滤波增益系数，I为单位矩阵，Ck表示观测矩阵值，yk、ek为观测值，Uk为控制向量(测量电流)，Uocv、Eocv为估算电芯端电压，R0为电池内电阻，R1为电池极化电阻，C1为电池极化电容，R2为电池浓度差电阻，C2为电池浓度差电容，t为系统运行周期，Vk为实时电压，Ek为额定容量，t为SOC、SOE运行周期，Q0为电芯出厂额定容量；
5)先运行SOH计算模块获得容量初始计算值，采集实时电压和实时电流，将实时电压、实时电流和容量初始计算值数据输入到SOC、SOE计算模块中，计算获得SOC值、SOE值，SOH计算时将SOC计算中更新后的观测量传入SOH计算模块参与运行，然后计算获得SOH值，SOE运行周期设置为0.1s，SOH运行周期设置为3600s，具体流程如图2所示：
实际上，SOC与SOH和SOH与SOE是同步进行联合估算的，为方便表述，把SOC与SOH和SOH与SOE联合估算分开说明；
51)SOC与SOH联合估算：
511)先进行SOH计算，根据在tk-1,l-1时刻建立的
Figure BDA0003257456270000077
Figure BDA0003257456270000078
进行时间更新，计算出容量值
Figure BDA0003257456270000079
以此作为SOC经过参数建立后的输入值，SOC计算模块进行时间更新；
512)SOC时间更新后获得tk-1,l时刻的状态输出值
Figure BDA00032574562700000710
513)根据SOC时间更新后的数据进行测量更新，获得SOC值；
514)判断时间l是否满足l≥T，若是，进入步骤515)；若否，l＝l+1，返回SOC计算初始步骤在tk-1,l-1时刻建立参数，然后继续按照步骤511)-514)计算直至l≥T成立；
515)SOC计算模块进行数据传输，输出
Figure BDA0003257456270000081
至SOH计算模块，同时k＝k+1,返回SOC计算初始步骤在tk-1,l-1时刻建立参数，然后继续按照步骤511)-514)计算；
516)SOH计算模块根据SOC计算模块在步骤512)和步骤515)输入的不同时刻状态值(即SOC，U1，U2)进行状态误差计算；
517)SOH计算模块在状态误差计算后进行测量更新，输出容量值
Figure BDA0003257456270000082
根据容量值
Figure BDA0003257456270000083
计算出tk时刻SOH值，同时将容量值
Figure BDA0003257456270000084
作为下一时刻容量初始值传入SOH计算模块参数建立步骤，按照步骤511)-517)与SOC进行联合估算。
52)SOH与SOE联合估算：
521)先进行SOH计算，根据在tk-1,l-1时刻建立的
Figure BDA0003257456270000085
Figure BDA0003257456270000086
进行时间更新，计算出容量值
Figure BDA0003257456270000087
以此作为SOE经过参数建立后的输入值，SOE计算模块进行时间更新；
522)SOE计算模块根据时间更新后的数据进行测量更新；
523)SOE计算模块测量更新后获得SOE值，然后将计算获得的数据作为参数建立值进行下一时刻SOE计算，继续步骤521)-523)。

Claims (10)

1.一种电池SOC、SOH、SOE联合估算方法，其特征在于，包括以下步骤：
步骤S1：读取电池状态初始值和容量初始值；
步骤S2：根据电池特性建立电池二阶RC等效电路模型；
步骤S3：通过混合脉冲功率性能测试(Hybrid Pulse Power Characteristic，HPPC)采集数据，利用最小二乘法对数据辨识获得模型参数；
步骤S4：根据状态初始值、容量初始值和模型参数，通过扩展卡尔曼滤波(ExtendedKalman Filter，EKF)建立电池SOC、SOH、SOE联合估算多尺度计算公式；
步骤S5：先运行SOH计算模块获得容量初始计算值，采集实时电压和实时电流，将实时电压、实时电流和容量初始计算值数据输入到SOC、SOE计算模块中，计算获得SOC值、SOE值，同时将SOC计算中更新后的观测量传入SOH计算模块参与计算，获得SOH值。
2.根据权利要求1所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，所述步骤S4的具体过程，包括以下步骤：
步骤S41：根据电池SOC估算状态方程和电池SOC估算观测方程，通过扩展卡尔曼滤波获得电池SOC估算方程矩阵；
步骤S42：根据电池SOH估算状态方程，通过扩展卡尔曼滤波获得电池SOH估算方程矩阵；
步骤S43：根据电池SOE估算状态方程和电池SOE估算观测方程，通过扩展卡尔曼滤波获得电池SOE估算方程矩阵。
3.根据权利要求1所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，所述电池二阶RC等效电路模型包括电池开路电压、电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容，所述电池开路电压的正极和电池内电阻的一端连接，所述电池内电阻的另一端与电池极化电阻的一端连接，所述电池极化电阻的另一端与电池浓度差电阻的一端连接，所述电池极化电容与电池极化电阻并联，所述电池浓度差电容与电池浓度差电阻并联，所述电池浓度差电阻的另一端与电池开路电压的负极作为等效电路的输出端。
4.根据权利要求3所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，所述模型参数包括电池内电阻、电池极化电阻、电池极化电容、电池浓度差电阻和电池浓度差电容。
5.根据权利要求2所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，步骤S41中，所述电池SOC估算状态方程为：
Figure FDA0003257456260000011
所述电池SOC估算观测方程为：
yk，l＝Uocv(SOCk，l)-Uk，l*R2-Uk，l*R1-Uk，l*R0+νk，l＝g(xk，l，Uk，l)+νk，l
所述电池SOC估算方程矩阵为：
Figure FDA0003257456260000021
其中，
Figure FDA0003257456260000022
6.根据权利要求2所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，步骤S42中，所述电池SOH估算状态方程为：
Qk+1＝Qk+rk
所述电池SOC估算方程矩阵为：
Figure FDA0003257456260000023
7.根据权利要求2所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，步骤S43中，所述电池SOE估算状态方程为：
Figure FDA0003257456260000024
所述电池SOC估算观测方程为：
ek，l＝Eocv(SOEK，L)-Uk，l*R2-Uk，l*R1-Uk，l*RO+vk.l＝f(xk.l，Uk.l)+vk.l
所述电池SOC估算方程矩阵为：
Figure FDA0003257456260000031
其中，
Figure FDA0003257456260000032
8.根据权利要求2或5所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，电池SOC观测矩阵值为：
Figure FDA0003257456260000033
9.根据权利要求2或6所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，电池SOH观测矩阵值为：
Figure FDA0003257456260000034
10.根据权利要求2或7所述的一种电池SOC、SOH、SOE联合估算方法，其特征在于，电池SOE观测矩阵值为：
Figure FDA0003257456260000035
CN202111063432.3A 2021-09-10 2021-09-10 一种电池soc、soh、soe联合估算方法 Pending CN114114048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111063432.3A CN114114048A (zh) 2021-09-10 2021-09-10 一种电池soc、soh、soe联合估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111063432.3A CN114114048A (zh) 2021-09-10 2021-09-10 一种电池soc、soh、soe联合估算方法

Publications (1)

Publication Number Publication Date
CN114114048A true CN114114048A (zh) 2022-03-01

Family

ID=80441303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111063432.3A Pending CN114114048A (zh) 2021-09-10 2021-09-10 一种电池soc、soh、soe联合估算方法

Country Status (1)

Country Link
CN (1) CN114114048A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469236A (zh) * 2022-10-28 2022-12-13 北京航空航天大学 电池soc估计方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469236A (zh) * 2022-10-28 2022-12-13 北京航空航天大学 电池soc估计方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN105548896B (zh) 基于n-2rc模型的动力电池soc在线闭环估计方法
CN106054084B (zh) 一种动力电池soc估计方法
CN110196393B (zh) 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法
CN111722118B (zh) 一种基于soc-ocv优化曲线的锂离子电池soc估计方法
CN109669132B (zh) 一种基于变分贝叶斯滤波的电池荷电状态估计方法
CN104267261B (zh) 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法
CN109991548A (zh) 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及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
CN109917299B (zh) 一种锂电池荷电状态的三层滤波估算方法
CN112345939B (zh) 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN109839596B (zh) 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
CN110687462B (zh) 一种动力电池soc与容量全生命周期联合估计方法
CN112305440A (zh) 一种电池剩余电量和健康状态联合估计方法
CN111060822B (zh) 一种基于模型切换及融合的荷电状态估计方法
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
CN110716141B (zh) 一种基于扩展卡尔曼滤波的电池荷电状态估计方法
CN114114048A (zh) 一种电池soc、soh、soe联合估算方法
CN113608126A (zh) 一种不同温度下的锂电池soc在线预估方法
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法
CN115436806A (zh) 一种锂离子电池的soc和soh自适应协同估计方法
CN112485681B (zh) 一种电池soc估算装置
CN115407204A (zh) 基于电池参数补偿的电池荷电状态估算方法及系统
CN112098846B (zh) 一种退役动力锂电池的混合建模方法
CN111505504B (zh) 一种电池荷电状态估计方法及估计器

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