CN114779089A - 一种基于储能锂电池等效电路模型计算电池荷电状态方法 - Google Patents
一种基于储能锂电池等效电路模型计算电池荷电状态方法 Download PDFInfo
- Publication number
- CN114779089A CN114779089A CN202210439800.8A CN202210439800A CN114779089A CN 114779089 A CN114779089 A CN 114779089A CN 202210439800 A CN202210439800 A CN 202210439800A CN 114779089 A CN114779089 A CN 114779089A
- Authority
- CN
- China
- Prior art keywords
- battery
- bird nest
- energy storage
- charge
- equivalent circuit
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种基于储能锂电池等效电路模型计算电池荷电状态方法,包括:获取储能锂电池等效电路模型的开路电压与电池荷电状态的非线性关系,基于储能锂电池等效电路模型获取待辨识参数,其中,待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容;基于电池的端电压、电流及开路电压在历史时刻的数据和开路电压与荷电状态的非线性关系,采用布谷鸟搜索算法对待辨识参数进行辨识优化,获得待辨识的参数的最优值,根据参数的最优值获得储能锂电池等效电路最优模型;基于储能锂电池等效电路最优模型实现电池荷电状态的在线计算。通过本申请,解决固定的离线电路模型不能很好地契合锂电池实际工况,造成估计储能锂电池荷电状态精度不足的问题。
Description
技术领域
本申请涉及储能锂电池荷电状态估计技术领域,特别设计一种基于储能锂电池等效电路模型计算电池荷电状态方法。
背景技术
储能锂电池荷电状态估计是储能电站能量管理系统的重点和难点。电池荷电状态值无法像电压和电流一样通过测量直接得到,只能通过其它手段进行估计。由于储能锂电池在运行过程中相当于一个黑箱系统,会受到环境、部件老化等多种未知因素的影响,因此准确有效地估计电池荷电状态对提示储能电池的性能具有重要的意义。
常用采用锂电池等效电路模型结合卡尔曼滤波技术估计电池荷电状态的方法,在该方法中,主要以离线电池模型为基础,即通过离线的试验测试数据并结合带遗忘因子的最小二乘参数辨识得到储能锂电池离线等效电路模型,再采用卡尔曼滤波算法估计储能锂电池的荷电状态。这种方法所建立的锂电池等效电路模型的参数是固定不变的,且遗忘因子的取值需要反复经过测试得到,难以确定遗忘因子的最优值,但是储能锂电池在实际工作时,其内部参数往往会发生缓慢变化的,且其参数也随着循环次数的变化而改变。这样使得通过最小二乘法进行参数辨识得到的参数辨识结果不合理。因此,固定的离线电路模型并不能很好地契合储能锂电池的实际工况,造成估计储能锂电池荷电状态精度不足的问题。
发明内容
为了解决现有的固定的离线电路模型并不能很好地契合储能锂电池的实际工况,造成估计储能锂电池荷电状态精度不足的问题。
第一方面,本实施例提供一种基于储能锂电池等效电路模型计算电池荷电状态方法,所述方法包括:
获取所述储能锂电池等效电路模型的开路电压与所述电池荷电状态的非线性关系,基于所述储能锂电池等效电路模型获取待辨识参数,其中,所述待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容;
基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系,采用布谷鸟搜索算法对所述待辨识参数进行辨识优化,获得所述待辨识的参数的最优值,根据所述参数的最优值获得所述储能锂电池等效电路最优模型;
基于所述储能锂电池等效电路最优模型实现所述电池荷电状态的在线计算。
在其中的一些实施例中,基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系,采用布谷鸟搜索算法对所述待辨识参数进行辨识优化包括:
初始化布谷鸟搜索算法,使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值,其中,最优适应度值所对应的鸟巢位置为全局最优解;
迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解,判断是否满足结束迭代的条件,若是,则此时全局最优解表征所述待辨识的参数的最优值;否则,继续迭代更新鸟巢位置,重新计算全局最优解和各鸟巢位置的局部最优解。
在其中的一些实施例中,初始化布谷鸟搜索算法,使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值包括以下步骤:
确定所述待辨识参数的优化范围,并随机初始化M个由所述待辨识参数组成的鸟巢位置;
初始化发现所述鸟巢位置的概率和所述布谷鸟搜索算法的迭代次数,R2-Score为所述鸟巢位置的适应度函数,基于所述待辨识参数构建所述储能锂电池等效电路模型;
获取每个鸟巢位置关于所述电池的端电压、电流及开路电压在历史时刻的数据,记为训练数据;每个鸟巢位置都将所述训练数据随机划分为K组,基于所述K-Fold交叉验证的方法,每个鸟巢位置都可获得K个所述电池荷电状态的值,并根据所述R2-Score获得K个适应度值;选取每个鸟巢位置的所述K个适应度值的平均值作为每个鸟巢位置的适应度值,所述每个适应度值的平均值对应的鸟巢位置为局部最优解,M个适应度值中的最优适应度值对应的鸟巢位置为全局最优解。
在其中的一些实施例中,迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解包括以下步骤:
保留上一次迭代更新鸟巢位置时的全局最优解,基于levy飞行随机行走方式更新其它鸟巢位置;
基于R2-Score获得更新之后鸟巢位置的适应度值,并与上一次迭代更新鸟巢位置时的全局最优解相比,若当前鸟巢位置的适应度值优于上一次迭代鸟巢位置的适应度值,则保留各个鸟巢位置的局部最优解;
基于偏好随机行走方式判断是否更新鸟巢位置,若是,则基于levy飞行随机行走方式更新其它鸟巢位置,并计算更新之后鸟巢位置的适应度值,保留各个鸟巢位置的局部最优解。
在其中的一些实施例中,所述结束迭代的条件包括适应度值是否满足要求或布谷鸟搜索算法是否达到迭代次数。
在其中的一些实施例中,获取所述储能锂电池等效电路模型的开路电压与所述电池荷电状态的非线性关系包括:
基于试验测试,获得多组不同电池荷电状态下的开路电压,并选取八次多项式拟合电池荷电状态和开路电压的曲线。
在其中的一些实施例中,所述R2-Score用于表征电池荷电状态估计值和真实值的拟合程度,所述R2-Score的值越接近于1表示电池荷电状态估计效果越好。
在其中的一些实施例中,所述基于所述储能锂电池等效电路最优模型实现所述电池荷电状态的在线计算包括:
测量储能锂电池内部的电流值和端电压,将所述电流值和端电压作为所述储能锂电池等效电路最优模型的输入量,获取所述开路电压,并基于所述电池荷电状态和开路电压的曲线,获得所述电池荷电状态。
在其中的一些实施例中,所述储能锂电池等效电路模型为一阶戴维宁模型。
第二方面,本申请实施例提供了一种一种计算机可读存储介质,其上存储有能在处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的基于储能锂电池等效电路模型计算电池荷电状态方法。
通过采用上述方案,本申请先建立储能锂电池的等效电路模型,然后采用布谷鸟搜索算法在线对等效电路模型中的参数进行辨识,将辨识得到的最优参数代入等效电路模型中来获得等效电路最优模型,接着根据测量储能锂电池中的端电压与电流,并基于等效电路最优模型,从而获得精准的电池荷电状态。
附图说明
图1本实施例提供的基于储能锂电池等效电路模型计算电池荷电状态的工作过程的示意图。
图2是本实施例提供的基于储能锂电池等效电路模型计算电池荷电状态方法的流程图。
图3是本实施例提供的储能锂电池等效电路模型图。
图4是本实施例提供的采用布谷鸟搜索算法对待辨识参数进行辨识优化的流程图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。然而,本领域的普通技术人员应该明白,可以在没有这些细节的情况下实施本申请。对于本领域的普通技术人员来说,显然可以对本申请所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请不限于所示的实施例,而是符合与本申请所要求保护的范围一致的最广泛范围。
下面结合说明书附图对本申请实施例作进一步详细描述。
荷电状态(SOC)是电池中所存储能量的相对度量,定义为特定时间点可从电芯提取的电荷量与总容量之比,常用百分数表示,其在0与1之间进行取值。当SOC=0时,表示电池完全放完电;当SOC=1时,表示电池完全充满电。准确预估SOC很重要,因为电池管理系统使用SOC估算值来提示用户再次充电前的预期可用电量,保证电池处于安全工作范围内,实施控制策略,并最终提升电池使用寿命。
图1是本实施例提供的基于储能锂电池等效电路模型计算电池荷电状态的工作过程的示意图。如图1所示,通过试验测试,得到不同SOC值下的开路电压(OCV),再采用多项式曲线拟合的方法,得到OCV与SOC特性曲线;然后建立储能锂电池等效电路模型,基于电池在历史时刻的可测量工作数据采用布谷鸟算法对等效电路模型进行参数辨识,得到等效电路最优模型;最后将测量得到的电池端电压与电流输入到等效电路最优模型中,并参考OCV与SOC特性曲线,实现电池荷电状态的在线计算。在工作一段时间后,由于电池老化、工作等因素,不定时地基于电池在历史时刻的工作数据采用布谷鸟算法对等效电路模型进行参数辨识,得到新的等效电路最优模型,来替换上一个等效电路最优模型,由于电池的工作环境、应用场景和时长等外界因素的不同,这里不再明确表明基于电池在历史时刻的工作数据采用布谷鸟算法对等效电路模型进行参数辨识的时间间隔,用户可根据实际需要进行确定。
图2是本实施例提供的基于储能锂电池等效电路模型计算电池荷电状态方法的流程图。如图2所述,该流程包括以下步骤:
步骤S201,获取储能锂电池等效电路模型的开路电压与电池荷电状态的非线性关系,基于储能锂电池等效电路模型获取待辨识参数,其中,待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容。
在获取储能锂电池等效电路模型的开路电压与电池荷电状态的非线性关系之前,还需要完成多组混合脉冲功率性能试验(HPPC),电池在每一阶段的HPPC测试过后,都会静置一段时间,使得电池的电流为零,极化电压逐渐上升,静置一段时间后的端电压值就是电池在不同荷电状态下的开路电压,由此可以得到不同荷电状态下的开路电压。然后再使用高阶多项式去拟合数据,得到储能锂电池等效电路模型的开路电压与电池荷电状态的关系曲线。本申请中考虑到多项式的阶数与关系曲线的精度和计算的复杂度相关,因此采用八次多项式拟合曲线去得到储能锂电池等效电路模型的开路电压与电池荷电状态的非线性关系,即,其中相关的系数可根据试验数据确定。
图3是本实施例提供的储能锂电池等效电路模型图,如图3所示,使用一阶戴维宁模型来建立本申请中储能锂电池等效电路模型。储能锂电池等效电路模型的数学表达式为:和,其中,上述两个数学表达式代表的是储能锂电池等效电路模型的电气关系。通过上述两个数学表达式可以得到端电压的表达式为:。其中,表示电池的欧姆电阻,表示电池的极化内阻,表示电池的极化电容,表示电池的开路电压OCV,表示电池端电压,表示极化电阻两端电压。电池欧姆电阻、电池极化内阻和电池极化电容为储能锂电池等效电路模型中的待辨识参数。本申请中也可使用PNGV、DP、RC、GNL模型来建立储能锂电池等效电路模型,只是需要辨识的参数进行相应的改变,这里不做过多限制。
步骤S202,基于电池的端电压、电流及开路电压在历史时刻的数据和开路电压与荷电状态的非线性关系,采用布谷鸟搜索算法对待辨识参数进行辨识优化,获得待辨识的参数的最优值,根据参数的最优值获得储能锂电池等效电路最优模型。
图4是本实施例提供的采用布谷鸟搜索算法对待辨识参数进行辨识优化的流程图。如图4所述,首先需要初始化布谷鸟搜索算法,使用由待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值,其中,最优适应度值所对应的鸟巢位置为全局最优解。然后,判断初始化鸟巢的适应度值是否满足要求,若是,则根据全局最优解确定待辨识参数的最优值,并基于最优参数建立储能锂电池等效电路模型;否则,迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解,判断适应度值是否满足要求或布谷鸟搜索算法是否达到迭代次数,若是,则此时全局最优解表征待辨识参数的最优值;否则,继续迭代鸟巢位置,重新计算全局最优解和各鸟巢位置的局部最优解。
其中,初始化布谷鸟搜索算法,使用由待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值包括以下步骤:
步骤A-1,确定储能锂电池等效电路模型中电池欧姆电阻、电池极化内阻和电池极化电容这三个待辨识参数的优化范围,并随机初始化M个鸟巢的位置,第m个鸟巢的初始化位置可以表示为:,其中,表示满足高斯分布的随机函数,和分别表示待辨识优化对象的最大值和最小值。
步骤A-2,初始化发现概率和最大迭代次数T,选择R2-Score作为适应度函数。
步骤A-3,根据鸟巢位置中的电池欧姆电阻、电池极化内阻和电池极化电容参数构建等效电路模型。
步骤A-4,根据K-Fold交叉验证的方法,将训练数据随机地分为K组子数据集。
步骤A-5,取K份数据中的1组子数据集为验证集,其它K-1组子数据集为训练集。
步骤A-6,基于训练集对储能锂电池等效电路模型进行训练。
步骤A-7,基于验证集得到荷电状态预测结果,并根据R2-Score得到相应的适应度值。
步骤A-8,每一组子数据集分别作一次验证集,重复步骤A-4A-7,最终取K次适应度值的均值作为鸟巢位置的适应度值。
步骤A-9,重复步骤A-3A-8,得到每一个鸟巢位置的适应度值,取其中的最优适应度值对应的鸟巢位置作为全局最优解,R2-Score可以表示为:,其中,表示在当前鸟巢位置处荷电状态的实际值,表示荷电状态的估计值,表示荷电状态的平均值,R2-Score表征电池荷电状态估计值和真实值的拟合程度,R2-Score的值越接近于1就表示电池荷电状态估计效果越好,此时对应的鸟巢位置也越好,鸟巢位置中包含的参数亦最接近最优参数。
在优化范围内随机初始化M个鸟巢位置,然后再采用K-Fold交叉验证的方法,将训练数据随机地分为K组子数据集进行训练和验证,并根据R2-Score得到相应的适应度值,取K个R2-Score值中的最大值,其对应的鸟巢位置为当前M个鸟巢位置中的最优位置,并将其作为当前鸟巢位置中的全局的最优解。
随后,需要迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解包括以下步骤:
步骤B-1,保留上一次迭代的全局最优解,基于levy飞行随机行走方式更新其它鸟巢位置,levy飞行随机行走方式表达式为:,其中,和分别表示第q+1代和第q代的第i个鸟巢位置,表示步长控制量,为点对点乘法,表示levy随机搜索路线。
步骤B-2,重复步骤A-3A-9,得到当前各个鸟巢位置的适应度值后,若当代鸟巢位置的适应度值优于上一代鸟巢位置的适应度值时,则使用当代鸟巢位置代替上一代鸟巢位置,从而保留各鸟巢的局部最优解。
步骤B-3,基于偏好随机行走方式判断是否更新鸟巢位置,若更新鸟巢位置,则重复步骤B-2,偏好随机行走方式指随机数,若,则按照更新鸟巢位置,否则保留原鸟巢,其中和表示第q代的两个随机鸟巢位置。
步骤B-4,比较得到当前鸟巢位置的全局最优解,若当前鸟巢位置的全局最优解对应的适应度值满足迭代要求或者是布谷鸟搜索算法达到迭代次数,则输出全局最优解对应的鸟巢位置,否则继续重复步骤B-1B-3。
通过使用布谷鸟搜索算法去更新储能锂电池等效电路模型中的带辨识参数,一方面只需要将电池中可测量的参数,比如端电压、开路电压和电流和开路电压与所述荷电状态的非线性关系作为输入,便可以输出电池荷电状态,无需过多考虑建立的电池模型是否精准,因为通过参数辨识的过程可以弥补电池模型不精准的缺陷;另一方面,采用布谷鸟搜索算法进行参数辨识,可以避免出现带遗忘因子的最小二乘参数辨识方法中的遗忘因子选取困难的现象。
另外,在电池出现老化或者工作环境发生巨大变化,导致储能锂电池内的参数发生变化,而之前基于等效电路模型辨识的参数不再适用于当下电池工作情况,本申请采用布谷鸟搜索算法进行参数辨识,可以在线基于历史数据对储能锂电池中的内部参数进行辨识,并将重新辨识得到的最优模型来代替旧的最优模型,确保对储能锂电池荷电状态的准确估计。
步骤S203,基于储能锂电池等效电路最优模型实现电池荷电状态的在线计算。
通过步骤S202可以获得储能锂电池等效电路最优模型,该模型中的参数是最优值。因此,测量当前时刻储能锂电池内部的电流值和端电压值,然后将该电流值和端电压值作为储能锂电池等效电路最优模型的输入值,再参考电池荷电状态和开路电压的曲线,就可以获得精准的电池荷电状态。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于储能锂电池等效电路模型计算电池荷电状态方法,其特征在于,所述方法包括:
获取所述储能锂电池等效电路模型的开路电压与所述电池荷电状态的非线性关系,基于所述储能锂电池等效电路模型获取待辨识参数,其中,所述待辨识参数包括电池欧姆电阻、电池极化内阻和电池极化电容;
基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系,采用布谷鸟搜索算法对所述待辨识参数进行辨识优化,获得所述待辨识的参数的最优值,根据所述参数的最优值获得所述储能锂电池等效电路最优模型;
基于所述储能锂电池等效电路最优模型实现所述电池荷电状态的在线计算。
2.根据权利要求1所述的方法,其特征在于,基于所述电池的端电压、电流及开路电压在历史时刻的数据和所述开路电压与所述荷电状态的非线性关系,采用布谷鸟搜索算法对所述待辨识参数进行辨识优化包括:
初始化布谷鸟搜索算法,使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值,其中,最优适应度值所对应的鸟巢位置为全局最优解;
迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解,判断是否满足结束迭代的条件,若是,则此时全局最优解表征所述待辨识的参数的最优值;否则,继续迭代更新鸟巢位置,重新计算全局最优解和各鸟巢位置的局部最优解。
3.根据权利要求2所述的方法,其特征在于,初始化布谷鸟搜索算法,使用由所述待辨识参数组成的鸟巢位置的适应度函数获取鸟巢位置的适应度值包括以下步骤:
确定所述待辨识参数的优化范围,并随机初始化M个由所述待辨识参数组成的鸟巢位置;
初始化发现所述鸟巢位置的概率和所述布谷鸟搜索算法的迭代次数,R2-Score为所述鸟巢位置的适应度函数,基于所述待辨识参数构建所述储能锂电池等效电路模型;
获取每个鸟巢位置关于所述电池的端电压、电流及开路电压在历史时刻的数据,记为训练数据;每个鸟巢位置都将所述训练数据随机划分为K组,基于所述K-Fold交叉验证的方法,每个鸟巢位置都可获得K个所述电池荷电状态的值,并根据所述R2-Score获得K个适应度值;选取每个鸟巢位置的所述K个适应度值的平均值作为每个鸟巢位置的适应度值,所述每个适应度值的平均值对应的鸟巢位置为局部最优解,M个适应度值中的最优适应度值对应的鸟巢位置为全局最优解。
4.根据权利要求2所述的方法,其特征在于,迭代更新鸟巢位置,计算全局最优解和各鸟巢位置的局部最优解包括以下步骤:
保留上一次迭代更新鸟巢位置时的全局最优解,基于levy飞行随机行走方式更新其它鸟巢位置;
基于R2-Score获得更新之后鸟巢位置的适应度值,并与上一次迭代更新鸟巢位置时的全局最优解相比,若当前鸟巢位置的适应度值优于上一次迭代鸟巢位置的适应度值,则保留各个鸟巢位置的局部最优解;
基于偏好随机行走方式判断是否更新鸟巢位置,若是,则基于levy飞行随机行走方式更新其它鸟巢位置,并计算更新之后鸟巢位置的适应度值,保留各个鸟巢位置的局部最优解。
5.根据权利要求2所述的方法,其特征在于,所述结束迭代的条件包括适应度值是否满足要求或布谷鸟搜索算法是否达到迭代次数。
6.根据权利要求1所述的方法,其特征在于,获取所述储能锂电池等效电路模型的开路电压与所述电池荷电状态的非线性关系包括:
基于试验测试,获得多组不同电池荷电状态下的开路电压,并选取八次多项式拟合电池荷电状态和开路电压的曲线。
7.根据权利要求3所述的方法,其特征在于,所述R2-Score用于表征电池荷电状态估计值和真实值的拟合程度,所述R2-Score的值越接近于1表示电池荷电状态估计效果越好。
8.根据权利要求6所述的方法,其特征在于,所述基于所述储能锂电池等效电路最优模型实现所述电池荷电状态的在线计算包括:
测量储能锂电池内部的电流值和端电压,将所述电流值和端电压作为所述储能锂电池等效电路最优模型的输入量,获取所述开路电压,并基于所述电池荷电状态和开路电压的曲线,获得所述电池荷电状态。
9.根据权利要求1所述的方法,其特征在于,所述储能锂电池等效电路模型为一阶戴维宁模型。
10.一种计算机可读存储介质,其上存储有能在处理器上运行的计算机程序,其特征在于,所述计算机程序能被所述处理器执行时实现如权利要求1-9中任意一项所述的基于储能锂电池等效电路模型计算电池荷电状态方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439800.8A CN114779089A (zh) | 2022-04-25 | 2022-04-25 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439800.8A CN114779089A (zh) | 2022-04-25 | 2022-04-25 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779089A true CN114779089A (zh) | 2022-07-22 |
Family
ID=82432463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210439800.8A Pending CN114779089A (zh) | 2022-04-25 | 2022-04-25 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779089A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
-
2022
- 2022-04-25 CN CN202210439800.8A patent/CN114779089A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165542A (zh) * | 2023-03-01 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
CN116165542B (zh) * | 2023-03-01 | 2023-10-20 | 上海玫克生储能科技有限公司 | 一种电池参数的辨识方法、装置、设备及存储介质 |
CN117310508A (zh) * | 2023-11-30 | 2023-12-29 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
CN117310508B (zh) * | 2023-11-30 | 2024-02-27 | 山东科技大学 | 一种快速准确测量锂电池电变量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
US10466304B2 (en) | Method for estimating a battery state of health | |
CN107785624B (zh) | 一种评估锂电池性能的方法 | |
CN111060834A (zh) | 一种动力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 | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN114779089A (zh) | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 | |
JP6305988B2 (ja) | 処理方法に由来するデータに基づいてエネルギ状態を判定するデバイス及び方法 | |
CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN106772067A (zh) | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 | |
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 | |
CN112580284A (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
Li et al. | A framework for states co-estimation of hybrid energy storage systems based on fractional-order theory | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
JP2014174172A (ja) | バッテリーの残存容量の決定方法 | |
CN115453374A (zh) | 一种锂离子电池荷电状态在线估算方法及系统 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN110726937A (zh) | 用于确定状态噪声协方差矩阵的方法和相应设备 | |
Venugopal et al. | State-of-charge estimation methods for Li-ion batteries in electric vehicles | |
CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及系统 |
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 |