CN114720881A - 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 - Google Patents
一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 Download PDFInfo
- Publication number
- CN114720881A CN114720881A CN202210367705.1A CN202210367705A CN114720881A CN 114720881 A CN114720881 A CN 114720881A CN 202210367705 A CN202210367705 A CN 202210367705A CN 114720881 A CN114720881 A CN 114720881A
- Authority
- CN
- China
- Prior art keywords
- soc
- parameter
- lithium battery
- initial value
- forgetting factor
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明公开了一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法。该方法包括建立锂电池二阶戴维宁等效电路模型;通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系;测量初始开路电压获得初始的SOC;将初始SOC带入参数拟合表达式得到此SOC对应的参数值;将各参数反带入递推公式得到改进初值带遗忘因子递推最小二乘法的初值;最后采用改进初值带遗忘因子递推最小二乘法进行参数辨识。本发明解决了带遗忘因子递推最小二乘法的初值选取困难的问题,提高了参数辨识的精度,具有实用意义。
Description
技术领域
本发明涉及锂电池领域,尤其涉及锂电池的参数辨识方法
背景技术
目前,可再生能源与电动汽车的发展已经成为能源领域的亮点。其中,电池储能技术在电动汽车领域有广阔的发展前景。锂电池是电动汽车的核心装置,它具有高能量密度、长循环寿命、安全可靠、适应性强,没有记忆效应等优点而被广泛使用。锂电池内部状态的估计需要准确的模型,通常采用等效电路模型描述电池的电化学过程。
锂电池参数辨识算法决定了辨识精度。常用的参数辨识方法主要有电路分析法(CA)、粒子群算法(PSO)、遗传算法(GA)和递推最小二乘算法(RLS)。电路分析法是离线辨识方法,计算简单,但是不能实时辨识参数并且参数辨识精度较低。粒子群算法辨识精度比较高,但是需要对参数进行反复辨识,计算速度慢,计算结果与初始粒子的选取有关。遗传算法对电池进行参数辨识的效果较好,但其迭代次数过多,算法复杂、计算量大,且结果对于初始种群的依赖度较高。RLS 算法辨识精度高,可以进行在线辨识,但是随着协方差矩阵的增大导致旧数据在递推过程中占较大比重因而存在“数据饱和”问题。因此在RLS算法中引入遗忘因子λ以减小旧数据的权重、增加新数据的权重。同时,参数初始值的选取对带遗忘因子递推最小二乘辨识算法(FFRLS)的精度和收敛速度有很大影响,如果参数设置不合理,精度往往较差,算法收敛速度很慢甚至可能出现迭代不收敛情况。
发明内容
本发明提出一种改进初值带遗忘因子递推最小二乘算法(IIV-FFRLS)的锂电池参数辨识方法,用于解决带遗忘因子递推最小二乘辨识算法初值选取困难的问题。该算法有比较精确的迭代初值,可以加快算法收敛速度,提高辨识精度。
本发明的技术方案如下:
步骤1:建立锂电池二阶戴维宁等效电路模型;
步骤2:通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系;
步骤3:测量初始开路电压获得初始的SOC;
步骤4:将初始SOC带入参数拟合表达式得到此SOC对应的参数值;
步骤5:将各参数反带入递推公式得到改进初值带遗忘因子递推最小二乘法的初值;
步骤6:采用改进初值带遗忘因子递推最小二乘法进行参数辨识。
优先地,建立等效电路模型。该等效电路模型采用二阶戴维宁模型,该模型由一个电压源、一个欧姆内阻以及两个RC并联网络组成。电压源UOC表示电池的开路电压,是与荷电状态(SOC)有关的非线性函数;欧姆内阻R0表示电极、电解液、隔膜对Li+的阻碍作用;R1C1网络表示锂电池的浓度差极化效应,R2C2网络表示锂离子电池的电化学极化效应。其中Ut表示锂电池的端电压,I表示锂电池电流(放电为正),U1、U2表示极化电压。
电路方程式表示为:
假设SOC的初始值是SOC0,根据安时电流法,可以得到SOC的表达式:
式中,η是锂电池的库伦效率,常温下一般取1。Qc是锂电池的额定容量。将锂电池等效电路模型与安时电流法结合,取状态变量xk=[SOCk,U1,k,U2,k]T,输入变量为I(k),输出变量为yk=[Ut,k],得到锂电池状态空间表达式为:
式中,T为采样周期,wk为系统噪声,vk为测量噪声。
进一步地,通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系。
步骤2.1:HPPC工况:(1)对电池进行恒流恒压充电至满容量并充分静置; (2)以1C电流脉冲放电,持续时间10s;放电结束后静置40s。(3)以1C电流脉冲充电,持续10s,充电后静置3min;(4)以0.5C电流恒流放电12min,使SOC降低10%,放电结束后静置20min。(5)循环步骤(1)~(4),直到SOC降到10%以下。
步骤2.2:分析HPPC工况电压曲线可以得到以下结论:
1)t1~t2时间段放电开始,锂电池端电压从U1骤降为U2,是由于欧姆内阻 R0引起的电压变化;
2)t2~t3时间段是由于放电电流对极化电容充电引起的锂电池端电压的变化;
3)t3~t4时间段放电结束,锂电池端电压从U3骤升为U4,是由于欧姆内阻 R0引起的电压变化;
4)t4~t5时间段是放电结束后的静置阶段,是由于极化电容放电引起的锂电池端电压的变化;
由结论1)和3)可以计算出欧姆内阻的值,其中I是锂电池电流。
由结论2)和4)可以得到端电压Ut和时间t的关系。
通过HPPC工况求得SOC每变化10%对应的参数。
步骤2.3:将HPPC工况辨识获得的参数通过三次Hermite插值进行拟合,得到各参数与SOC的关系。
步骤2.4:间歇恒流放电工况:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1/3C恒流放电30min,使SOC降低10%,放电结束后静置40min; (3)循环步骤(2),直到SOC降到10%以下。
步骤2.5:通过间歇恒流放电工况求得SOC每变化10%对应的开路电压。
步骤2.6:将开路电压通过三次Hermite插值进行拟合,获得SOC-OCV拟合曲线。
进一步地,测量锂电池初始开路电压,通过SOC-OCV拟合曲线获得锂电池初始SOC。
进一步地,将初始SOC带入参数拟合表达式得到此SOC对应的R0、R1、 R2、C1、C2。
进一步地,带遗忘因子递推最小二乘算法的递推公式为:
式中,和是第k-1次和第k次的估计值;K(k)是第k次的增益矩阵,误差与增益矩阵的乘积是k时刻的修正值,P(k-1)和P(k) 是第k-1次和第k次的误差协方差矩阵;λ是遗忘因子,一般取0.95~1。
由端口电压方程(1)可以得到系统的频域传递函数为:
U(s)=UOC(s)-Ut(s)(8)
式中,s是拉普拉斯算子,进而得到锂电池二阶模型的传递函数为:
式中,a1,a2,a3,a4,a5为待辨识参数,令
取τ1为浓度差极化时间常数,取τ2为电化学极化时间常数,θ1、θ2、θ3、θ4、θ5为中间参数,将待辨识参数写成式(12)。
标准差分形式写为:
U(k)=a1U(k-1)+a2U(k-2)+a3I(k)+a4I(k-1)+a5I(k-2)(13)
回归形式写为:
通过式(12)反推求出中间参数θ1、θ2、θ3、θ4、θ5。
通过式(16)(17)求解等效电路模型参数
进一步地,将参数R0、R1、R2、C1、C2反带入递推公式(11)(12)得到迭代初始参数a1,a2,a3,a4,a5。
进一步地,将初始参数a1,a2,a3,a4,a5作为改进初值带遗忘因子递推最小二乘算法初值进行参数辨识。
本发明对比已有技术具有以下有益效果:
1.采用改进初值带遗忘因子递推最小二乘算法进行锂电池参数辨识时,相比于带遗忘因子递推最小二乘算法,有比较准确的迭代初值。在算法辨识全过程中平均绝对误差误差较小,精度高。
2.采用改进初值带遗忘因子递推最小二乘算法进行锂电池参数辨识时,在算法辨识初期误差就开始收敛,收敛速度快。
3.采用改进初值带遗忘因子递推最小二乘算法进行锂电池参数辨识时,均方根误差较小,算法鲁棒性好。
附图说明
图1为改进初值带遗忘因子递推最小二乘法算法流程
图2为二阶戴维宁等效电路图
图3为HPPC工况电流图
图4为HPPC工况电压图
图5为工况1绝对误差对比图
图6为工况2绝对误差对比图
图7为工况3绝对误差对比图
图8为工况4绝对误差对比图
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,一种基于改进初值带遗忘因子递推最小二乘算法的锂电池参数辨识方法,主要包括以下步骤:
步骤1:建立锂电池二阶戴维宁等效电路模型;
步骤2:通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系;
步骤3:测量初始开路电压获得初始的SOC;
步骤4:将初始SOC带入参数拟合表达式得到此SOC对应的参数值;
步骤5:将各参数反带入递推公式得到改进初值带遗忘因子递推最小二乘法的初值;
步骤6:采用改进初值带遗忘因子递推最小二乘法进行参数辨识。
所述步骤1,建立等效电路模型。该等效电路模型采用二阶戴维宁模型,如图2所示:该模型由一个电压源、一个欧姆内阻以及两个RC并联网络组成。电压源UOC表示电池的开路电压,是与荷电状态(SOC)有关的非线性函数;欧姆内阻R0表示电极、电解液、隔膜对Li+的阻碍作用;R1C1网络表示锂电池的浓度差极化效应,R2C2网络表示锂离子电池的电化学极化效应。其中Ut表示锂电池的端电压,I表示锂电池电流(放电为正),U1、U2表示极化电压。
电路方程式表示为:
假设SOC的初始值是SOC0,根据安时电流法,可以得到SOC的表达式:
式中,η是锂电池的库伦效率,常温下一般取1。Qc是锂电池的额定容量。将锂电池等效电路模型与安时电流法结合,取状态变量xk=[SOCk,U1,k,U2,k]T,输入变量为I(k),输出变量为yk=[Ut,k],得到锂电池状态空间表达式为:
式中,T为采样周期,wk为系统噪声,vk为测量噪声。
所述步骤2,通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系。
步骤2.1:HPPC工况:(1)对电池进行恒流恒压充电至满容量并充分静置; (2)以1C电流脉冲放电,持续时间10s;放电结束后静置40s。(3)以1C电流脉冲充电,持续10s,充电后静置3min;(4)以0.5C电流恒流放电12min,使SOC降低10%,放电结束后静置20min。(5)循环步骤(1)~(4),直到SOC降到10%以下。 HPPC工况电流、电压曲线如图3、图4所示。
步骤2.2:分析HPPC工况电压曲线可以得到以下结论:
1)t1~t2时间段放电开始,锂电池端电压从U1骤降为U2,是由于欧姆内阻 R0引起的电压变化;
2)t2~t3时间段是由于放电电流对极化电容充电引起的锂电池端电压的变化;
3)t3~t4时间段放电结束,锂电池端电压从U3骤升为U4,是由于欧姆内阻 R0引起的电压变化;
4)t4~t5时间段是放电结束后的静置阶段,是由于极化电容放电引起的锂电池端电压的变化;
由结论1)和3)可以计算出欧姆内阻的值,其中I是锂电池电流。
由结论2)和4)可以得到端电压Ut和时间t的关系。
通过HPPC工况求得SOC每变化10%对应的参数如表1所示。
表1二阶戴维宁等效电路模型参数离线辨识结果
步骤2.3:将HPPC工况辨识获得的参数通过三次Hermite插值进行拟合,得到各参数与SOC的关系。
步骤2.4:间歇恒流放电工况:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1/3C恒流放电30min,使SOC降低10%,放电结束后静置40min; (3)循环步骤(2),直到SOC降到10%以下。
步骤2.5:通过间歇恒流放电工况求得SOC每变化10%对应的开路电压。
步骤2.6:将开路电压通过三次Hermite插值进行拟合,获得SOC-OCV拟合曲线。
所述步骤3,测量锂电池初始开路电压,通过SOC-OCV拟合曲线获得锂电池初始SOC。
所述步骤4,将初始SOC带入参数拟合表达式得到此SOC对应的R0、R1、 R2、C1、C2。
进一步地,带遗忘因子递推最小二乘算法的递推公式为:
式中,和是第k-1次和第k次的估计值;K(k)是第k次的增益矩阵,误差与增益矩阵的乘积是k时刻的修正值,P(k-1)和P(k) 是第k-1次和第k次的误差协方差矩阵;λ是遗忘因子,一般取0.95~1。
由端口电压方程(1)可以得到系统的频域传递函数为:
U(s)=UOC(s)-Ut(s) (8)
式中,s是拉普拉斯算子,进而得到锂电池二阶模型的传递函数为:
式中,a1,a2,a3,a4,a5为待辨识参数,令
取τ1为浓度差极化时间常数,取τ2为电化学极化时间常数,θ1、θ2、θ3、θ4、θ5为中间参数,将待辨识参数写成式(12)。
标准差分形式写为:
U(k)=a1U(k-1)+a2U(k-2)+a3I(k)+a4I(k-1)+a5I(k-2)(13)
回归形式写为:
通过式(12)反推求出中间参数θ1、θ2、θ3、θ4、θ5。
通过式(16)(17)求解等效电路模型参数
所述步骤5,将参数R0、R1、R2、C1、C2反带入递推公式(11)(12)得到迭代初始参数a1,a2,a3,a4,a5。
所述步骤6,将初始参数a1,a2,a3,a4,a5作为改进初值带遗忘因子递推最小二乘算法初值进行参数辨识。
通过实验测试工况对算法进行验证。
工况1:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1C电流脉冲放电,直到锂电池端电压下降到放电截止电压。
工况2:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1C电流脉冲放电12min,静置20min;(3)以1C电流脉冲放电,直到锂电池端电压下降到放电截止电压。
工况3:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)对锂电池进行循环动态压力(DynamicStressTest,DST)测试,直到锂电池端电压下降到放电截止电压。
工况4:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1C电流脉冲放电12min,静置20min;(3)对锂电池进行DST测试,直到锂电池端电压下降到放电截止电压。
实验工况1、2是恒流放电工况,初始的SOC分别是100%、80%;实验工况3、4是DST工况,初始的SOC分别是100%、80%。对于不同工况,得到迭代初始值如表2所示。
表2各工况迭代初始值
分别对工况1至工况4进行参数辨识,每种工况采用带遗忘因子递推最小二乘算法(FFRLS)与改进初值带遗忘因子递推最小二乘算法(IIV-FFRLS)进行参数辨识。两种算法的遗忘因子设置为0.995。图5、图6、图7和图8为各工况的绝对误差对比图。
采用平均绝对误差和均方根误差对四种算法辨识结果进行分析,验证参数辨识算法的准确性。平均绝对误差和均方根误差如式(18)所示,4种实验工况通过两种算法辨识得到的平均绝对误差和均方根误差如表3所示。
表3各工况EMAE和ERMSE的对比
从结果可以看出,对于简单的恒流放电工况以及复杂的DST工况,改进初值带遗忘因子递推最小二乘算法比带遗忘因子递推最小二乘算法收敛速度快。从表3各工况的EMAE和ERMSE可知,改进初值带遗忘因子递推最小二乘算法在各工况辨识过程中,EMAE最小,辨识精度最高,ERMSE最小,算法鲁棒性最好。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法,主要包括以下步骤:
步骤1:建立锂电池二阶戴维宁等效电路模型;
步骤2:通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系;
步骤3:测量初始开路电压获得初始的SOC;
步骤4:将初始SOC带入参数拟合表达式得到此SOC对应的参数值;
步骤5:将各参数反带入递推公式得到改进初值带遗忘因子递推最小二乘法的初值;
步骤6:采用改进初值带遗忘因子递推最小二乘法进行参数辨识。
2.根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法,其特征在于:步骤1所建立的锂电池二阶戴维宁等效电路模型的参数包括R0、R1、R2、C1、C2以及开路电压Uoc。
3.根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法锂电池参数辨识方法,其特征在于:步骤2中通过HPPC工况确定各参数与SOC的函数关系,通过间歇恒流放电工况确定开路电压与SOC的函数关系;
步骤2.1:HPPC工况:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1C电流脉冲放电,持续时间10s;放电结束后静置40s。(3)以1C电流脉冲充电,持续10s,充电后静置3min;(4)以0.5C电流恒流放电12min,使SOC降低10%,放电结束后静置20min。(5)循环步骤(1)~(4),直到SOC降到10%以下。
步骤2.2:通过HPPC工况求得SOC每变化10%对应的参数。
步骤2.3:将HPPC工况辨识获得的参数通过三次Hermite插值进行拟合,得到各参数与SOC的关系。
步骤2.4:间歇恒流放电工况:(1)对电池进行恒流恒压充电至满容量并充分静置;(2)以1/3C恒流放电30min,使SOC降低10%,放电结束后静置40min;(3)循环步骤(2),直到SOC降到10%以下。
步骤2.5:通过间歇恒流放电工况求得SOC每变化10%对应的开路电压。
步骤2.6:将开路电压通过三次Hermite插值进行拟合,获得SOC-OCV拟合曲线。
4.根据根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法锂电池参数辨识方法,其特征在于:测量锂电池初始开路电压,通过SOC-OCV拟合曲线获得锂电池初始SOC。
5.根据根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法锂电池参数辨识方法,其特征在于:将初始SOC带入参数拟合表达式得到此SOC对应的R0、R1、R2、C1、C2。
6.根据根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法锂电池参数辨识方法,其特征在于:将参数R0、R1、R2、C1、C2反带入递推公式得到迭代初始参数a1,a2,a3,a4,a5。
7.根据根据权利1所述的一种基于改进初值带遗忘因子递推最小二乘法锂电池参数辨识方法,其特征在于:将初始参数a1,a2,a3,a4,a5作为改进初值带遗忘因子递推最小二乘法算法的初值并进行参数辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367705.1A CN114720881A (zh) | 2022-04-08 | 2022-04-08 | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367705.1A CN114720881A (zh) | 2022-04-08 | 2022-04-08 | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114720881A true CN114720881A (zh) | 2022-07-08 |
Family
ID=82241696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367705.1A Pending CN114720881A (zh) | 2022-04-08 | 2022-04-08 | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720881A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436812A (zh) * | 2022-09-23 | 2022-12-06 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
-
2022
- 2022-04-08 CN CN202210367705.1A patent/CN114720881A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436812A (zh) * | 2022-09-23 | 2022-12-06 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
CN115436812B (zh) * | 2022-09-23 | 2023-08-04 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN111060820A (zh) | 一种基于二阶rc模型的锂电池soc、sop估计方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN113238157B (zh) | 一种通过对电动汽车退役电池进行ai检测来筛选的方法 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
CN111856178A (zh) | 一种基于锂离子电容器电化学特征的soc分区估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
CN111208433A (zh) | 电池二阶rc等效电路模型参数辨识的方法及装置 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
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 | |
CN112147514A (zh) | 基于rls的锂电池全工况自适应等效电路模型 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
CN117169724A (zh) | 一种锂电池soc和soh联合估计方法 | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池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 | |
Liu et al. | State-of-charge co-estimation of Li-ion battery based on on-line adaptive extended Kalman filter carrier tracking algorithm |
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 |