CN114660464A - 一种锂离子电池荷电状态估算方法 - Google Patents

一种锂离子电池荷电状态估算方法 Download PDF

Info

Publication number
CN114660464A
CN114660464A CN202210278923.8A CN202210278923A CN114660464A CN 114660464 A CN114660464 A CN 114660464A CN 202210278923 A CN202210278923 A CN 202210278923A CN 114660464 A CN114660464 A CN 114660464A
Authority
CN
China
Prior art keywords
soc
model
state
lithium ion
neural network
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
CN202210278923.8A
Other languages
English (en)
Inventor
周娟
林加顺
杨晓全
吴乃豪
王梅鑫
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202210278923.8A priority Critical patent/CN114660464A/zh
Publication of CN114660464A publication Critical patent/CN114660464A/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]
    • G01R31/367—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (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荷电状态估算方法，包括以下步骤：建立锂离子电池的二阶RC等效电路模型；获取电池模型状态空间方程；使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；基于扩展卡尔曼滤波初步估算SOC过程中的相关变量训练BP神经网路模型；使用联合BP神经网络的扩展卡尔曼滤波算法估算电池SOC。本发明通过将BP神经网络与扩展卡尔曼滤波算法进行融合，能够优化算法对电池模型精度的依赖，实现对锂离子电池荷电状态的精确估计。

Description

一种锂离子电池荷电状态估算方法
技术领域
本发明属于锂离子电池技术领域，应用于锂离子电池管理系统，具体涉及一种锂离子电池荷电状态估算方法。
背景技术
锂离子电池的荷电状态(State of charge,SOC)是判断电池状态的重要依据之一。精确估算电池SOC可以为电池管理系统均衡策略的制定提供有效帮助，从而延长电池使用寿命，提高电池安全性。然而，锂离子电池内部的电化学反应复杂多变，其SOC无法直接测量获取，仅能基于电池相关物理量通过一定方法估算获得。
目前国内外常见的SOC估算方法包括：(1)安时积分法，计算简单，但电流测量误差会在积分过程中不断累积；(2)开路电压法，需要足够长的静置时间，难以应用于实时估计；(3)机器学习法，包括神经网络法、支持向量机法等，需要大量全面的样本数据进行训练，估算效果依赖于所选数据与训练方法；(4)自适应滤波法，包括非线性卡尔曼滤波算法、粒子滤波算法等。
扩展卡尔曼滤波算法是非线性卡尔曼滤波算法中的常用算法，该算法是在高斯假设前提下的次优估计，对SOC初值偏差和系统噪声有较好的鲁棒性，但扩展卡尔曼滤波算法的估算精度受限于电池模型精度。
发明内容
针对上述现有技术存在的问题，本发明提供了一种锂离子电池荷电状态估算方法，该方法通过联合BP神经网络对扩展卡尔曼滤波算法中进行改进，降低扩展卡尔曼滤波算法在SOC估算过程中对电池模型精度的依赖并提高SOC估算精度。
为实现上述目的，本发明提供了如下方案：本发明提供了一种锂离子电池荷电状态估算方法，包括如下步骤：
步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，利用所述等效电路模型和电池模型参数，得到模型状态空间方程；
步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；
步骤4、训练BP神经网络模型：选取扩展卡尔曼滤波估算过程中的相关变量作为BP神经网络输入，输出为SOC误差值，训练BP神经网络模型；
步骤5、联合估算：在新的扩展卡尔曼滤波估算锂离子电池SOC过程中，使用BP神经网络模型输出实时参与状态变量一步预测。
优选地，所述步骤4中BP神经网络输入为扩展卡尔曼滤波算法初步估算锂离子电池SOC过程中的电池模型输出端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率，输出为SOC估算误差。
优选地，所述步骤5中经BP神经网络模型参与后的状态变量一步预测：
xk|k-1＝Axk-1|k-1+Bik-1+Hk-1SOCBP,k-1
其中，xk|k-1为状态变量k时刻一步预测值，Ik-1为k-1时刻电池工作电流，xk-1|k-1为k-1时刻状态变量最优估计值，Hk-1为k-1时刻卡尔曼滤波增益，SOCBP,k-1为BP神经网络的SOC估算误差值，A、B分别为系统传递矩阵与输入矩阵。
本发明公开了以下技术效果：
相比一般的扩展卡尔曼滤波算法，本发明提出的一种联合BP神经网络的扩展卡尔曼滤波算法能够有效降低算法对锂离子电池模型精度的依赖，并提升SOC估算精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种锂离子电池荷电状态估算方法的流程框图示意。
图2为锂离子电池二阶RC等效电路模型。
图3为25℃美国联邦城市驾驶工况电流。
图4-1、4-2分别为25℃美国联邦城市驾驶工况下两种算法(扩展卡尔曼滤波算法EKF、本发明提出的联合BP神经网络的扩展卡尔曼滤波算法BPNN-EKF)的SOC估算结果示意图。
图5-1、5-2分别为25℃美国联邦城市驾驶工况下两种算法(扩展卡尔曼滤波算法EKF、本发明提出的联合BP神经网络的扩展卡尔曼滤波算法BPNN-EKF)的SOC估算误差示意图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
参见图1，图1为本发明实施例的一种锂离子电池荷电状态估算方法，包括如下步骤：
步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数。
步骤1中锂离子电池的二阶RC等效电路模型如图2所示，由一个受控电压源、两个RC环节和一个欧姆内阻R0串联组成，受控电压源表示电池开路电压，RC环节(R1、C1、R2、C2)为极化内阻与极化内容，用于模拟电池电化学极化与浓差极化，电池欧姆内阻用于模拟电池欧姆极化过程。
步骤1具体按照以下步骤实施：
步骤1.1、静置法通过对满电状态电池以一恒定倍率间断性进行放电并充分静置(以10％SOC为间隔)，获取电池的开路电压Uoc与SOC数据；
步骤1.2、采用最小二乘法拟合开路电压Uoc与SOC间的关系，使用9阶多项式Uoc＝a1*SOC9+a2*SOC8+a3*SOC7+a4*SOC6+a5*SOC5+a6*SOC4+a7*SOC3+a8*SOC2+a9*SOC+a10进行拟合，获得开路电压Uoc与SOC间的函数关系；
步骤1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到欧姆内阻；
步骤1.4、通过公式
Figure BDA0003552792610000021
获得电化学极化时间常数τ1、浓差极化时间常数τ2；通过公式
Figure BDA0003552792610000022
得到电化学极化内阻R1,、浓差极化电阻R2，所述电化学极化时间常数τ1与所述电化学极化内阻R1的比值为第一极化电容C1，所述浓差极化时间常数τ2与所述浓差极化内阻R2的比值为第二极化电容C2；其中，U1为第一RC环节的端电压，U2为第二RC环节的端电压，Uoc为电池的开路电压，I为电池的工作电流，U为电池的端电压；
步骤1.5、根据不同的荷电状态执行所述步骤1.3至步骤1.4，得到不同荷电状态下电池模型参数。
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，利用所述等效电路模型和电池模型参数，得到模型状态空间方程。
步骤2所建立的模型状态空间方程，包括状态方程和观测方程，如下：
Figure BDA0003552792610000031
Uk＝Uoc,k-U1,k-U2,k-R0Ik+vk
其中，T为采样周期，wk为过程噪声，vk为测量噪声，CN为电池额定容量，soc表示电池荷电状态，k代表当前时刻迭代计算步数。
状态空间方程可以简化为：
xk＝Axk-1+BIk-1+wk-1
Uk＝Uoc,k-U1,k-U2,k-R0Ik+vk
其中，
Figure BDA0003552792610000032
步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态。
步骤3具体按照以下步骤实施：
步骤3.1、对所述模型观测方程在状态变量的估测值附近进行一阶泰勒展开，采用一阶近似并忽略其余高次项的方式实现系统的线性化：
Uk＝Cxk-IkR0+vk+m
Figure BDA0003552792610000033
其中，m为一阶泰勒展开产生的误差，可忽略不计；C为状态变量的输出矩阵；
步骤3.2、设置状态变量初始值x0，状态误差协方差初始值P0，以及过程噪声协方差Q和测量噪声协方差R初始值；
步骤3.3、根据电池此时的SOC，结合步骤1中获得的不同SOC下电池模型参数，得到电池模型参数。对于不在对应关系内的荷电状态SOC值，采用四舍五入方法得到临近SOC对应的参数值代替；
步骤3.4、状态变量一步预测：xk|k-1＝Axk-1|k-1+BIk-1，其中，xk|k-1为状态变量k时刻一步预测值，Ik-1为k-1时刻工作电流，xk-1|k-1为k-1时刻状态变量最优估计值；
测量矩阵更新：Uk|k-1＝Uoc,k|k-1-U1,k|k-1-U2,k|k-1-R0Ik，Uk|k-1为k时刻一步预测端电压观测值，Uoc,k|k-1为k时刻一步预测开路电压值，U1,k|k-1为k时刻一步预测第一RC环节端电压值，U2,k|k-1为k时刻一步预测第二RC环节端电压值；
步骤3.5预测误差协方差矩阵：Pk|k-1＝APk-1|k-1AT+Q，Pk-1|k-1为k-1时刻误差协方差，AT为矩阵A的转置，Pk|k-1为k时刻误差协方差一步预测值；
步骤3.6、卡尔曼滤波增益：Hk＝Pk|k-1CT(CPk|k-1CT+R)-1，Hk为k时刻卡尔曼滤波增益；
步骤3.7、更新状态变量的最优估计值xk|k，协方差矩阵Pk|k:
xk|k＝xk|k-1+Hk(Uk-Uk|k-1)
Pk|k＝[I-HkC]Pk|k-1
步骤3.8、循环步骤3.3至3.7，实时估算锂离子电池荷电状态。
步骤4、训练BP神经网络模型：选取扩展卡尔曼滤波估算过程中的相关变量作为BP神经网络输入，输出为SOC误差值，训练BP神经网络模型；
步骤4中使用的BP神经网络模型结构包括三层神经网络：输入层、隐含层和输出层。输入向量是模型端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率，输出向量为SOC估算误差，隐含层的节点数由穷举法获得为20，故得到该神经网络的模型结构为5-20-1。
步骤4具体按以下步骤实施：
步骤4.1、数据处理：
选取扩展卡尔曼滤波算法初步估算锂离子电池SOC过程中的模型输出端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率作为BP神经网络输入，输出为SOC估算误差；
将所述输入数据进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：
Figure BDA0003552792610000041
其中，D表示所述输入数据中任意一类，Dk表示k时刻的数据，Dmin表示最小的数据值，Dmax表示最大的数据值；
将归一化处理后的模型输出端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率进行维度变更处理并连接为符合BP神经网络结构的输入向量Xk，对应的数据标签Yt为SOC估算误差；
将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。
步骤4.2、训练BP神经网络：
初始化所述的BP神经网络的各参数值，包括权重和阈值；
将步骤4.1得到的训练集输入到初始化后的BP神经网络中，通过前向传播计算得到BP神经网络输出的SOC估算误差值；
训练BP神经网络的损失函数loss，计算公式如下：
Figure BDA0003552792610000051
其中，y表示BP神经网路的标签数据，y表示BP神经网络的SOC估算误差值，N表示训练集的数据长度，i表示数据序号
根据计算出的损失函数loos值，采用后向传播算法更新BP神经网络的权重和阈值；
重复上述步骤(不包括初始化BP神经网络)直至BP神经网络收敛，完成训练，获得BP神经网络模型。
步骤5、联合估算：在新的扩展卡尔曼滤波估算锂离子电池SOC过程中，使用BP神经网络模型输出实时参与状态变量一步预测。
步骤5中经BP神经网络参与后的状态变量一步预测如下：
xk|k-1＝Axk-1|k-1+BIk-1+Hk-1SOCBP,k-1
其中，SOCBP,k-1为BP神经网络的SOC估算误差值。
为了验证本发明估算SOC的效果，以松下公司生产额定容量3.4Ah的三元锂离子电池NCR18650B作为研究对象，进行模拟工况实验。模拟工况为25℃下美国联邦城市驾驶工况(Federal Urban Driving Schedule,FUDS),充放电电流如图3所示。由图4-1，图4-2，图5-1和图5-2可知，相比于扩展卡尔曼滤波算法，本发明提出的联合BP神经网络的扩展卡尔曼滤波算法具有更高的SOC估算精度，并且在电池电量较低，电池模型精度下降时，联合算法仍然保持着较好的估算效果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种锂离子电池荷电状态估算方法，其特征在于，该方法主要包括以下步骤：
步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，利用所述等效电路模型和电池模型参数，获取模型状态空间方程；
步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；
步骤4、训练BP神经网络模型：选取扩展卡尔曼滤波估算过程中的相关变量作为BP神经网络输入，输出为SOC误差值，训练BP神经网络模型；
步骤5、联合估算：在新的扩展卡尔曼滤波估算锂离子电池SOC过程中，使用BP神经网络模型输出实时参与状态变量一步预测。
2.根据权利要求1所述的一种锂离子电池荷电状态估算方法，其特征在于，所述步骤4中BP神经网络输入为扩展卡尔曼滤波算法初步估算锂离子电池SOC过程中的电池模型输出端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率，输出为SOC估算误差。
3.根据权利要求1所述的一种锂离子电池荷电状态估算方法，其特征在于，所述步骤5中经BP神经网络参与后的状态变量一步预测如下：
xk|k-1＝Axk-1|k-1+BIk-1+Hk-1SOCBP,k-1
其中，xk|k-1为状态变量k时刻一步预测值，Ik-1为k-1时刻电池工作电流，xk-1|k-1为k-1时刻状态变量最优估计值，Hk-1为k-1时刻卡尔曼滤波增益，SOCBP,k-1为BP神经网络的SOC估算误差值，A、B分别为系统传递矩阵与输入矩阵。
CN202210278923.8A 2022-03-18 2022-03-18 一种锂离子电池荷电状态估算方法 Pending CN114660464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210278923.8A CN114660464A (zh) 2022-03-18 2022-03-18 一种锂离子电池荷电状态估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210278923.8A CN114660464A (zh) 2022-03-18 2022-03-18 一种锂离子电池荷电状态估算方法

Publications (1)

Publication Number Publication Date
CN114660464A true CN114660464A (zh) 2022-06-24

Family

ID=82031475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210278923.8A Pending CN114660464A (zh) 2022-03-18 2022-03-18 一种锂离子电池荷电状态估算方法

Country Status (1)

Country Link
CN (1) CN114660464A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车
CN116500457A (zh) * 2023-06-26 2023-07-28 西北工业大学 一种神经元网络融合rc等效电路模型估计电池soc的方法
CN116699412A (zh) * 2023-05-17 2023-09-05 盐城工学院 一种储能电池模组的剩余容量估算方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车
CN116699412A (zh) * 2023-05-17 2023-09-05 盐城工学院 一种储能电池模组的剩余容量估算方法
CN116500457A (zh) * 2023-06-26 2023-07-28 西北工业大学 一种神经元网络融合rc等效电路模型估计电池soc的方法
CN116500457B (zh) * 2023-06-26 2023-09-19 西北工业大学 一种神经元网络融合rc等效电路模型估计电池soc的方法

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
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN111007400A (zh) 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN110554324B (zh) 一种soc和soh联合估计方法
CN111060834A (zh) 一种动力电池健康状态估算方法
CN111948560A (zh) 基于多因子评估模型的锂电池健康状态估算方法
CN110824363B (zh) 一种基于改进ckf的锂电池soc和soe联合估算方法
CN107589379A (zh) 一种在线估计锂电池soc和阻抗的方法
CN111337832A (zh) 一种动力电池多维度融合soc和soh在线联合估算的方法
CN111428433B (zh) 基于混合滤波的锂离子电池状态计算方法
CN109839599B (zh) 基于二阶ekf算法的锂离子电池soc估计方法
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN112083331A (zh) 一种提升锂离子电池荷电状态估计精度的融合方法
CN113156321A (zh) 一种锂离子电池荷电状态soc的估算方法
CN112557906A (zh) 一种动力电池全生命周期内soc和容量在线联合估计方法
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN112816879A (zh) 一种用于变工况车用动力电池SoE在线估计方法
CN113702843A (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
CN112858916A (zh) 一种基于模型与数据驱动融合的电池包荷电状态估计方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc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
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法

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