CN114460471A - 基于贝叶斯概率的动力电池多算法融合soc估计方法 - Google Patents
基于贝叶斯概率的动力电池多算法融合soc估计方法 Download PDFInfo
- Publication number
- CN114460471A CN114460471A CN202210135245.XA CN202210135245A CN114460471A CN 114460471 A CN114460471 A CN 114460471A CN 202210135245 A CN202210135245 A CN 202210135245A CN 114460471 A CN114460471 A CN 114460471A
- Authority
- CN
- China
- Prior art keywords
- power battery
- soc
- terminal voltage
- algorithm
- observer
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法,包括:构建相应的等效电路模型,对等效电路模型对应的模型参数进行参数辨识;基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器;在动态应力测试工况下,采集动力电池的关联参数,输入各个观测器以输出对应的端电压预测值和SOC估计值;基于不同时刻下的端电压预测值与对应实测值之间的残差,结合贝叶斯概率分配对应的加权值;基于对应的加权值对各个观测器输出的SOC估计值进行加权累加,生成对应的融合SOC估计值。本发明能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补,从而能够在动力电池的整个充放电区间保持SOC估计全局最优。
Description
技术领域
本发明涉及电动汽车动力电池管理技术领域,具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法。
背景技术
动力电池目前广泛地应用于电动汽车领域,其是影响电动汽车整车性能的关键因素,其对行驶里程、加速能力、最大爬坡度会产生直接的影响。电池电荷状态(State ofCharge,SOC)估计,是电池管理系统研究的核心和难点,动力电池的非线性特性使得许多滤波方法难以得到准确的估计结果。现有技术中,对于动力电池状态的管理与分析中常使用等效电路模型,通过基于电池动态特性和工作原理而由电阻、电容和电压源组成的动态特性的电路网络,来描述电池的开路电压,欧姆内阻以及电池内部反应过程的极化和扩散现象,然后通过相应滤波算法对动力电池SOC进行估计。
目前,动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法。安时计量法偏重于应用场合,在线、方便、准确但是需要测量设备精度高;开路电压法只适用于电池静置足够长时间后进行估计,不能实时估计;神经网络能够在线估计,缺点是需要相似电池的大量训练数据。为此,公开号为CN111098755A的中国专利公开了《一种电动汽车动力电池SOC估计方法》,包括:通过间歇恒流放电法测取动力电池的电流与电压,通过多项式拟合法确定动力电池的OCV-SOC的函数关系式;建立动力电池二阶RC等效电路模型,推导其辨识模型;构建改进的混沌引力搜索算法的流程,完成辨识;针对锂离子电池非线性系统建立电池的状态空间模型,构建高斯-厄米特滤波算法的流程,并与改进的混沌引力搜索算法组成联合估计算法。
上述现有方案中的动力电池SOC估计方法通过模型参数辨识和SOC估计的联合估计来提升SOC估计的实时性。但申请人发现,现有的动力电池SOC估计方法一般依赖单个估计算法完成SOC估计,而单一估计算法无法保证在整个充放电区间对动力电池状态的估计一直保持最准确,即无法实现在动力电池的整个充放电区间始终保持SOC估计最优。为此,申请人想到通过多种估计算法来实现动力电池的全局SOC估计,使得能够在动力电池的整个充放电区间保持SOC估计全局最优。然而,如何设计一种能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补的框架是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于贝叶斯概率的动力电池多算法融合SOC估计方法,能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补,从而能够在动力电池的整个充放电区间保持SOC估计全局最优,并保证动力电池SOC估计的准确性。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于贝叶斯概率的动力电池多算法融合SOC估计方法,包括以下步骤:
S1:基于对应的动力电池构建相应的等效电路模型,然后通过用于表征动力电池端电压和SOC的关联参数对等效电路模型对应的模型参数进行参数辨识;
S2:基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器;
S3:在动态应力测试工况下,基于等效电路模型采集动力电池的关联参数;然后将动力电池的关联参数分别输入各个观测器以输出对应的端电压预测值和SOC估计值;
S4:基于不同时刻下各个观测器输出的端电压预测值与对应实测值之间的残差,结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值;
S5:基于对应的加权值对各个观测器输出的SOC估计值进行加权累加,生成对应的融合SOC估计值。
优选的,步骤S1中,等效电路模型包括但不限于Rint模型、Thevenin模型和DP模型。
优选的,步骤S1中,等效电路模型为Thevenin模型,其电路方程如下:
式中:Ut表示动力电池的端电压;UD表示动力电池RC并联环节的电压降;Uoc表示动力电池的理想电压源;Ri表示动力电池的欧姆内阻;RD表示动力电池的极化电阻;CD表示动力电池的极化电容;iL表示动力电池流过的电流。
优选的,步骤S1中,用于表征动力电池端电压和SOC的关联参数包括但不限于动力电池的端电压、充放电电流以及表面温度数据。
优选的,步骤S1中,以采样时间Δt为间隔采集动力电池的端电压、充放电电流以及表面温度数据,然后通过动力电池的端电压、充放电电流以及表面温度数据对等效电路模型对应的模型参数进行参数辨识。
优选的,步骤S1中,参数辨识的方法包括但不限于卡尔曼滤波、H∞卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法和最小均方根算法。
优选的,步骤S2中,首先基于等效电路模型构建对应的状态方程和测量方程,然后基于状态方程和测量方程结合对应的估计算法构建用于预测动力电池端电压和SOC的观测器。
优选的,步骤S2中,多种估计算法包括但不限于EKF算法、AEKF算法和H∞算法。
优选的,步骤S4中,具体包括如下步骤:
S401:计算k时刻第i个观测器输出的端电压预测值与实测值之间的偏差;
S402:基于端电压预测值与实测值之间的偏差计算各个观测器在k时刻的端电压残差均值和端电压残差均方差;
S403:基于端电压残差均值和端电压残差均方差计算各个观测器在k时刻的条件概率密度函数;
S404:基于各个观测器在k时刻的条件概率密度函数计算各个观测器在k时刻的加权值;
优选的,步骤S5中,通过如下公式计算融合SOC估计值:
式中:ZF,k表示融合SOC值;Zk,i表示第i个观测器在k时刻输出的SOC估计值。
本发明的动力电池多算法融合SOC估计方法与现有技术相比,具有如下有益效果:
本发明通过多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器,使得能够通过多种估计算法实现动力电池的SOC估计,进而有利于实现在整个充放电区间对动力电池状态的估计一直保持最准确,即能够在动力电池的整个充放电区间保持SOC估计全局最优,从而能够保证动力电池SOC估计的准确性。
其次,本发明通过端电压预测值与实测值之间的残差结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值,使得能够有效的融合多种估计算法的SOC估计结果并实现多种估计算法的互补,并且相比于单一估计算法,具有更平滑、更准确的SOC估计结果,从而能够保证动力电池SOC估计的准确性。
最后,本发明在动态应力测试工况下采集动力电池的关联参数,使得能够模拟动力电池在电动车实际行驶状态下的工况变化情况,从而能够进一步提高动力电池SOC估计的准确性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于贝叶斯概率的动力电池多算法融合SOC估计方法的逻辑框图;
图2为基于贝叶斯概率的动力电池多算法融合SOC估计方法的流程示意图;
图3(a)为各个观测器(估计算法)融合前后SOC估计值与实验值对比的总体示意图;
图3(b)和图3(c)是图3(a)中两个不同位置的局部示意图;
图4为动态应力测试工况下各观测器(估计算法)融合前后的SOC误差分析结果。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种基于贝叶斯概率的动力电池多算法融合SOC估计方法。
如图1和图2所示,基于贝叶斯概率的动力电池多算法融合SOC估计方法,包括:
S1:基于对应的动力电池构建相应的等效电路模型,然后通过用于表征动力电池端电压和SOC的关联参数对等效电路模型对应的模型参数进行参数辨识;本实施例中,参数辨识的方法包括但不限于卡尔曼滤波、H∞卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法和最小均方根算法。
S2:基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器;
S3:在动态应力测试工况下,基于等效电路模型采集动力电池的关联参数;然后将动力电池的关联参数分别输入各个观测器以输出对应的端电压预测值和SOC估计值;
S4:基于不同时刻下各个观测器输出的端电压预测值与对应实测值之间的残差,结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值;
S5:基于对应的加权值对各个观测器输出的SOC估计值进行加权累加,生成对应的融合SOC估计值。
本发明通过多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器,使得能够通过多种估计算法实现动力电池的SOC估计,进而有利于实现在整个充放电区间对动力电池状态的估计一直保持最准确,即能够在动力电池的整个充放电区间保持SOC估计全局最优,从而能够保证动力电池SOC估计的准确性。其次,本发明通过端电压预测值与实测值之间的残差结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值,使得能够有效的融合多种估计算法的SOC估计结果并实现多种估计算法的互补,并且相比于单一估计算法,具有更平滑、更准确的SOC估计结果,从而能够保证动力电池SOC估计的准确性。最后,本发明在动态应力测试工况下采集动力电池的关联参数,使得能够模拟动力电池在电动车实际行驶状态下的工况变化情况,从而能够进一步提高动力电池SOC估计的准确性。
具体实施过程中,等效电路模型包括但不限于Rint模型、Thevenin模型和DP模型。
本实施例中,等效电路模型为Thevenin模型,其电路方程如下:
式中:Ut表示动力电池的端电压;UD表示动力电池RC并联环节的电压降;Uoc表示动力电池的理想电压源;Ri表示动力电池的欧姆内阻;RD表示动力电池的极化电阻;CD表示动力电池的极化电容;iL表示动力电池流过的电流。
需要说明的是,Rint模型和DP模型均是现有的等效电路模型,这里不在赘述。
本发明通过上述的Thevenin模型,能够有效的采集动力电池的关联参数并辅助构建观测器,从而能够辅助实现动力电池的SOC估计。
具体实施过程中,用于表征动力电池端电压和SOC的关联参数包括但不限于动力电池的端电压、充放电电流以及表面温度数据。具体的,以采样时间Δt为间隔采集动力电池的端电压、充放电电流以及表面温度数据,然后通过动力电池的端电压、充放电电流以及表面温度数据对等效电路模型对应的模型参数进行参数辨识。
本发明将动力电池的端电压、充放电电流以及表面温度数据作为表征动力电池端电压和SOC的关联参数,使得各个观测器能够有效的基于关联参数实现动力电池端电压和SOC的预测和估计,进而能够更好的为各个观测器输出的SOC估计值分配对应的加权值,从而能够有效的融合多种估计算法的SOC估计结果并实现多种估计算法的互补。
具体实施过程中,首先基于等效电路模型构建对应的状态方程和测量方程,然后基于状态方程和测量方程结合对应的估计算法构建用于预测动力电池端电压和SOC的观测器。具体的,状态方程是根据电池参数之间的关系得到的一个方程,例如在Thevenin模型中,状态方程就是根据Thevenin模型的电路图得到的参数关系。观测方程是根据测量得到的方程,比如拟合OCV-SOC的关系,这个关系就是观测方程。两个方程都能够对所求量进行估计。
具体实施过程中,多种估计算法包括但不限于EKF算法、AEKF算法和H∞算法。
具体的,EKF算法、AEKF算法和H∞算法的具体流程如下:
1)EKF算法流程:
2)AEKF算法流程:
3)H∞算法流程:
本实施例以同时采用EKF算法、AEKF算法和H∞算法三种估计算法为例进行说明:
步骤S4中,具体包括如下步骤:
S401:计算k时刻第i个观测器输出的端电压预测值与实测值之间的偏差,其中,i=1,2,3;
S402:基于端电压预测值与实测值之间的偏差计算各个观测器在k时刻的端电压残差均值和端电压残差均方差;
S403:基于端电压残差均值和端电压残差均方差计算各个观测器在k时刻的条件概率密度函数;
S404:基于各个观测器在k时刻的条件概率密度函数计算各个观测器在k时刻的加权值;
本发明通过上述步骤,能够有效的实现通过端电压预测值与实测值之间的残差结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值,使得能够有效的融合多种估计算法的SOC估计结果并实现多种估计算法的互补,并且相比于单一估计算法,具有更平滑、更准确的SOC估计结果,从而能够保证动力电池SOC估计的准确性。
具体的,通过如下公式计算融合SOC估计值:
式中:ZF,k表示融合SOC值;Zk,i表示第i个观测器在k时刻输出的SOC估计值。
为了更好的说明本发明多算法融合SOC估计方法的优势,申请人进行了相应的仿真实验,其中:
图3(a)表示三个观测器(估计算法)融合前后的SOC估计值与实验值对比,其中,FUSE表示融合后的结果,Reference表示实验值。通过图3(b)和图3(c)可以看出,本发明的多算法融合SOC估计方法相比各单个估计算法具有更平滑的SOC估计结果,在估计SOC的整个过程中具有更好的跟随性。
图4为动态应力测试工况下本发明的多算法融合SOC估计方法融合前后SOC误差分析。其中,图4(a)为各观测器(估计算法)融合前后电池SOC估计最大误差统计,融合后(FUSE)的SOC估计最大误差为0.0046高于AEKF算法,低于EKF算法和H∞算法;图4(b)为各观测器(估计算法)融合前后SOC估计平均误差统计,融合后(FUSE)SOC估计平均误差为0.0023,低于EKF算法和H∞算法;图4(c)为各算法融合前后SOC估计均方误差统计,融合后(FUSE)SOC估计均方根误差为0.0024,只高于AEKF算法。
上述仿真结果表明在动态应力测试工况下,通过本发明的多算法融合SOC估计方法得到的融合SOC估计值整体上在预测精度上优于融合前的单一估计算法。并且,相比于三个单一估计算法,本发明的多算法融合SOC估计方法能可靠地精确预测动力电池的SOC。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于,包括以下步骤:
S1:基于对应的动力电池构建相应的等效电路模型,然后通过用于表征动力电池端电压和SOC的关联参数对等效电路模型对应的模型参数进行参数辨识;
S2:基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器;
S3:在动态应力测试工况下,基于等效电路模型采集动力电池的关联参数;然后将动力电池的关联参数分别输入各个观测器以输出对应的端电压预测值和SOC估计值;
S4:基于不同时刻下各个观测器输出的端电压预测值与对应实测值之间的残差,结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值;
S5:基于对应的加权值对各个观测器输出的SOC估计值进行加权累加,生成对应的融合SOC估计值。
2.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S1中,等效电路模型包括但不限于Rint模型、Thevenin模型和DP模型。
4.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S1中,用于表征动力电池端电压和SOC的关联参数包括但不限于动力电池的端电压、充放电电流以及表面温度数据。
5.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S1中,以采样时间Δt为间隔采集动力电池的端电压、充放电电流以及表面温度数据,然后通过动力电池的端电压、充放电电流以及表面温度数据对等效电路模型对应的模型参数进行参数辨识。
6.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S1中,参数辨识的方法包括但不限于卡尔曼滤波、H∞卡尔曼滤波、遗传算法、粒子群算法、递推最小二乘算法和最小均方根算法。
7.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S2中,首先基于等效电路模型构建对应的状态方程和测量方程,然后基于状态方程和测量方程结合对应的估计算法构建用于预测动力电池端电压和SOC的观测器。
8.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S2中,多种估计算法包括但不限于EKF算法、AEKF算法和H∞算法。
9.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法,其特征在于:步骤S4中,具体包括如下步骤:
S401:计算k时刻第i个观测器输出的端电压预测值与实测值之间的偏差;
S402:基于端电压预测值与实测值之间的偏差计算各个观测器在k时刻的端电压残差均值和端电压残差均方差;
S403:基于端电压残差均值和端电压残差均方差计算各个观测器在k时刻的条件概率密度函数;
S404:基于各个观测器在k时刻的条件概率密度函数计算各个观测器在k时刻的加权值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135245.XA CN114460471A (zh) | 2022-02-14 | 2022-02-14 | 基于贝叶斯概率的动力电池多算法融合soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135245.XA CN114460471A (zh) | 2022-02-14 | 2022-02-14 | 基于贝叶斯概率的动力电池多算法融合soc估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114460471A true CN114460471A (zh) | 2022-05-10 |
Family
ID=81412714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210135245.XA Pending CN114460471A (zh) | 2022-02-14 | 2022-02-14 | 基于贝叶斯概率的动力电池多算法融合soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460471A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330964A (zh) * | 2023-12-01 | 2024-01-02 | 聊城大学 | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 |
-
2022
- 2022-02-14 CN CN202210135245.XA patent/CN114460471A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330964A (zh) * | 2023-12-01 | 2024-01-02 | 聊城大学 | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Online capacity estimation of lithium-ion batteries with deep long short-term memory networks | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
Goebel et al. | Prognostics in battery health management | |
Li et al. | Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries | |
CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
CN109633472B (zh) | 一种锂电池单体的荷电状态估计算法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
Li et al. | Review of lithium-ion battery state of charge estimation | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN113093017A (zh) | 一种锂离子电池等效电路模型在线构建方法 | |
Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
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 | |
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 | |
CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
CN115097313A (zh) | 适用于多工况全电量区间的动力电池状态估算方法 | |
Feng et al. | Intelligent battery management for electric and hybrid electric vehicles: A survey | |
Zhao et al. | Digital twin-driven estimation of state of charge for Li-ion battery | |
CN114460471A (zh) | 基于贝叶斯概率的动力电池多算法融合soc估计方法 | |
Pózna et al. | Model identification and parameter estimation of lithium ion batteries for diagnostic purposes | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
CN116699414A (zh) | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 |
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 |