CN114895190B - 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备 - Google Patents

基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备 Download PDF

Info

Publication number
CN114895190B
CN114895190B CN202210544102.4A CN202210544102A CN114895190B CN 114895190 B CN114895190 B CN 114895190B CN 202210544102 A CN202210544102 A CN 202210544102A CN 114895190 B CN114895190 B CN 114895190B
Authority
CN
China
Prior art keywords
soc
elm
training
battery
value
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.)
Active
Application number
CN202210544102.4A
Other languages
English (en)
Other versions
CN114895190A (zh
Inventor
杜常清
任重
邵建波
颜伏伍
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210544102.4A priority Critical patent/CN114895190B/zh
Publication of CN114895190A publication Critical patent/CN114895190A/zh
Application granted granted Critical
Publication of CN114895190B publication Critical patent/CN114895190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。所述方法包括：步骤1至步骤6。本发明不需要在不同温度下建立等效电路模型和进行参数识别，仅需要利用ELM即可训练得到电池模型，所得的电池模型不仅精度更高，能够更精确地反应电池端电压，而且能够大大节省建模时间，将由ELM训练的电池模型与EKF结合进行SOC估算，基于ELM‑EKF的SOC估算方法具有更高的精度和更好的鲁棒性。

Description

基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备
技术领域
本发明实施例涉及电池管理技术领域，尤其涉及一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。
背景技术
为解决能源消耗和空气污染等环境问题，电动汽车已成为新能源汽车的主要发展趋势。动力电池作为电动汽车的核心装置，为了更好地维护和使用它，电池管理系统不可或缺，其核心功能之一是估算电池的荷电状态(state of charge,SOC)。电池的SOC相当于燃油车的油表，反映当前状态下电池的剩余可用容量。准确的SOC估算不仅能够防止对电池系统的“滥用”，还能够延长电池使用寿命，提高电池系统的使用效率。目前相关方法存在需要建立准确的电池等效电路模型，以及受训练数据的质量影响较大等缺陷。因此，开发一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。
第一方面，本发明的实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法，包括：步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值βi，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：
min||Hβ-T||2,β∈RL*m
其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：
β＝(HTH)-1HT·T
隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述进行扩展卡尔曼滤波的循环，包括：
初始化状态变量：以及协方差矩阵：/>初始化噪声变量：w、v、Q和R，Q和R分别为高斯噪声w和v的协方差矩阵；状态预测：k时刻的状态变量预估值根据状态方程由k-1时刻的状态值计算得到，同时计算协方差矩阵，即
其中Ak为系统矩阵；
测量更新：
计算卡尔曼增益Kk
根据实测的端电压与预测端电压之间的差值校正模型的状态变量，并且更新协方差矩阵：
其中zk为实测端电压，l为单位矩阵，为通过ELM电池模型计算的预测端电压，通过两者之差来更新状态变量和协方差矩阵，Ck为观测矩阵，通过如下公式计算：
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，系统矩阵Ak包括：
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述即由ELM训练的电池模型，包括：
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述使用前向传播原理计算隐藏层的输出，包括：
其中ai和bi为随机生成的隐藏层的权值和偏差，xj为ELM的输入，即当前时刻的电流、SOC和上一时刻的电压，f(ai,bi,xj)为隐藏层的激活函数，采用双曲正切函数，H为隐藏层的输出，L为隐藏层神经元的个数。
在上述方法实施例内容的基础上，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述RMSE和MAE，包括：
其中N为训练集中样本的总数量，yest,k代表输出预测值，yref,k代表输出真实值。
第二方面，本发明的实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算装置，包括：第一主模块，用于实现步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；第二主模块，用于实现步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；第三主模块，用于实现步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；第四主模块，用于实现步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；第五主模块，用于实现步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；第六主模块，用于实现步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。
第三方面，本发明的实施例提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法。
本发明实施例提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备，不需要在不同温度下建立等效电路模型和进行参数识别，仅需要利用ELM即可训练得到电池模型，所得的电池模型不仅精度更高，能够更精确地反应电池端电压，而且能够大大节省建模时间，将由ELM训练的电池模型与EKF结合进行SOC估算，基于ELM-EKF的SOC估算方法具有更高的精度和更好的鲁棒性。
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，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图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为本发明实施例提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法流程图；
图2为本发明实施例提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图；
图4为本发明实施例提供的ELM电池模型的预测端电压与实测端电压对比的示意图；
图5为本发明实施例提供的ELM-EKF算法SOC估算结果与实际SOC对比的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法，参见图1，该方法包括：步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。基于10℃、30℃和50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算其MAE和RMSE，评估该方法的性能。图5中上半部分图像和下半部分图像分别为30℃下，ELM-EKF的预测SOC与真实SOC之间的对比，以及两者之间的SOC误差，其中还包含用来对比的基于ECM-EKF的预测结果。根据图5中上半部分图像可以看到，基于ELM-EKF的方法能够在SOC初值不准确的情况下，快速收敛至真实SOC值附近，且收敛速度明显比基于ECM-EKF的方法快。其次，根据图5中下半部分图像可以明显看到，基于ELM-EKF方法的SOC估算误差均小于±2％，而基于ECM-EKF方法的SOC误差均大于基于ELM-EKF方法的误差。30℃下，基于ELM-EKF方法的MAE和RMSE分别为0.62％和0.95％，而基于ECM-EKF方法的MAE和RMSE分别为1.67％和2.39％，即精度分别提高了62.9％和60％。此外，在10℃和50℃下，基于ELM-EKF方法的MAE和RMSE分别为1.30％和1.70％(10℃)，1.4％和1.68％(50℃)，均比基于ECM-EKF的方法低。结果表明，基于ELM-EKF的SOC估算方法不仅能够更快更准确的建立电池模型，而且能够在不同温度下实现对SOC更精确的估算，满足实际使用需求。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值βi，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：
min||Hβ-T||2,β∈RL*m
其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：
β＝(HTH)-1HT·T
隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述进行扩展卡尔曼滤波的循环，包括：
初始化状态变量：以及协方差矩阵：/>初始化噪声变量：w、v、Q和R，Q和R分别为高斯噪声w和v的协方差矩阵；状态预测：k时刻的状态变量预估值根据状态方程由k-1时刻的状态值计算得到，同时计算协方差矩阵，即
其中Ak为系统矩阵；
测量更新：
计算卡尔曼增益Kk
根据实测的端电压与预测端电压之间的差值校正模型的状态变量，并且更新协方差矩阵：
其中zk为实测端电压，l为单位矩阵，为通过ELM电池模型计算的预测端电压，通过两者之差来更新状态变量和协方差矩阵，Ck为观测矩阵，通过如下公式计算：
值得说明的是，带有上标的变量，如中的上标“-”表示状态量的预测值，其中的右上标“-”号表示该状态变量未经过校正，而如/>变量中的“+”符号表示该状态变量已经过校正。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，系统矩阵Ak包括：
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述即由ELM训练的电池模型，包括：
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述使用前向传播原理计算隐藏层的输出，包括：
其中ai和bi为随机生成的隐藏层的权值和偏差，xj为ELM的输入，即当前时刻的电流、SOC和上一时刻的电压，f(ai,bi,xj)为隐藏层的激活函数，采用双曲正切函数，H为隐藏层的输出，L为隐藏层神经元的个数。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，所述RMSE和MAE，包括：
其中N为训练集中样本的总数量，yest,k代表输出预测值，yref,k代表输出真实值。
确定最佳的隐藏层神经元个数。隐藏层的神经元个数是神经网络最重要的超参数之一，它既影响网格的精度，又决定着网格的复杂度。循环步骤3和步骤4四十次，将隐藏层神经元个数从10个开始每次增加1个，并且比较每次训练结束后的MAE和RMSE，从而根据最小MAE和RMSE确定最佳隐藏层神经元个数。图4中上半部分的图像为隐藏层神经元个数为30时，ELM电池模型的输出端电压与ECM电池模型的输出端电压以及真实端电压的对比，附图4中下半部分的图像为端电压的误差。可以看到，ELM电池模型的端电压输出能够更好的追踪真实端电压，其MAE和RMSE分别为3.68mV和4.78mV，相比ECM电池模型的MAE和RMSE为12.71mV和17.32mV，分别降低了71.1％％和72.4％。
本发明实施例提供的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，不需要在不同温度下建立等效电路模型和进行参数识别，仅需要利用ELM即可训练得到电池模型，所得的电池模型不仅精度更高，能够更精确地反应电池端电压，而且能够大大节省建模时间，将由ELM训练的电池模型与EKF结合进行SOC估算，基于ELM-EKF的SOC估算方法具有更高的精度和更好的鲁棒性。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算装置，该装置用于执行上述方法实施例中的基于极限学习和扩展卡尔曼滤波的荷电量估算方法。参见图2，该装置包括：第一主模块，用于实现步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；第二主模块，用于实现步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；第三主模块，用于实现步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；第四主模块，用于实现步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；第五主模块，用于实现步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；第六主模块，用于实现步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。
本发明实施例提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，采用图2中的若干模块，不需要在不同温度下建立等效电路模型和进行参数识别，仅需要利用ELM即可训练得到电池模型，所得的电池模型不仅精度更高，能够更精确地反应电池端电压，而且能够大大节省建模时间，将由ELM训练的电池模型与EKF结合进行SOC估算，基于ELM-EKF的SOC估算方法具有更高的精度和更好的鲁棒性。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第一子模块，用于实现所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值βi，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：
min||Hβ-T||2,β∈RL*m
其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：
β＝(HTH)-1HT·T
隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第二子模块，用于实现所述进行扩展卡尔曼滤波的循环，包括：
初始化状态变量：以及协方差矩阵：/>初始化噪声变量：w、v、Q和R，Q和R分别为高斯噪声w和v的协方差矩阵；状态预测：k时刻的状态变量预估值根据状态方程由k-1时刻的状态值计算得到，同时计算协方差矩阵，即
其中Ak为系统矩阵；
测量更新：
计算卡尔曼增益Kk
根据实测的端电压与预测端电压之间的差值校正模型的状态变量，并且更新协方差矩阵：
其中zk为实测端电压，l为单位矩阵，为通过ELM电池模型计算的预测端电压，通过两者之差来更新状态变量和协方差矩阵，Ck为观测矩阵，通过如下公式计算：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第三子模块，用于实现系统矩阵Ak包括：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第四子模块，用于实现所述即由ELM训练的电池模型，包括：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第五子模块，用于实现所述使用前向传播原理计算隐藏层的输出，包括：
其中ai和bi为随机生成的隐藏层的权值和偏差，xj为ELM的输入，即当前时刻的电流、SOC和上一时刻的电压，f(ai,bi,xj)为隐藏层的激活函数，采用双曲正切函数，H为隐藏层的输出，L为隐藏层神经元的个数。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于极限学习和扩展卡尔曼滤波的荷电量估算装置，还包括：第六子模块，用于实现所述RMSE和MAE，包括：
其中N为训练集中样本的总数量，yest,k代表输出预测值，yref,k代表输出真实值。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的一些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，包括：步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。
2.根据权利要求1所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值βi，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：
min||Hβ-T||2,β∈RL*m
其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：
β＝(HTH)-1HT·T
隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。
3.根据权利要求2所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述进行扩展卡尔曼滤波的循环，包括：
初始化状态变量：以及协方差矩阵：/>初始化噪声变量：w、v、Q和R，Q和R分别为高斯噪声w和v的协方差矩阵；状态预测：k时刻的状态变量预估值根据状态方程由k-1时刻的状态值计算得到，同时计算协方差矩阵，即
其中Ak为系统矩阵；
测量更新：
计算卡尔曼增益Kk
根据实测的端电压与预测端电压之间的差值校正模型的状态变量，并且更新协方差矩阵：
其中zk为实测端电压，l为单位矩阵，为通过ELM电池模型计算的预测端电压，通过两者之差来更新状态变量和协方差矩阵，Ck为观测矩阵，通过如下公式计算：
4.根据权利要求3所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，系统矩阵Ak包括：
5.根据权利要求4所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述即由ELM训练的电池模型，包括：
6.根据权利要求5所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述使用前向传播原理计算隐藏层的输出，包括：
其中ai和bi为随机生成的隐藏层的权值和偏差，xj为ELM的输入，即当前时刻的电流、SOC和上一时刻的电压，f(ai,bi,xj)为隐藏层的激活函数，采用双曲正切函数，H为隐藏层的输出，L为隐藏层神经元的个数。
7.根据权利要求6所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述RMSE和MAE，包括：
其中N为训练集中样本的总数量，yest,k代表输出预测值，yref,k代表输出真实值。
8.一种基于极限学习和扩展卡尔曼滤波的荷电量估算装置，其特征在于，包括：第一主模块，用于实现步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；第二主模块，用于实现步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；第三主模块，用于实现步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：
其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，Cm是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；第四主模块，用于实现步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；第五主模块，用于实现步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义xk＝[SOCk,Vk-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，yk为系统输出，即当前时刻的端电压，则系统的状态空间方程为：
xk+1＝f(xk,uk)+wk
yk＝g(xk,uk)+vk
其中wk和vk表示高斯噪声，uk为系统的输入，f(xk,uk)表示状态方程，g(xk,uk)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；第六主模块，用于实现步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至7任一项权利要求所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。
CN202210544102.4A 2022-05-18 2022-05-18 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备 Active CN114895190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210544102.4A CN114895190B (zh) 2022-05-18 2022-05-18 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210544102.4A CN114895190B (zh) 2022-05-18 2022-05-18 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备

Publications (2)

Publication Number Publication Date
CN114895190A CN114895190A (zh) 2022-08-12
CN114895190B true CN114895190B (zh) 2024-04-09

Family

ID=82724619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210544102.4A Active CN114895190B (zh) 2022-05-18 2022-05-18 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备

Country Status (1)

Country Link
CN (1) CN114895190B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061496A (zh) * 2018-08-10 2018-12-21 安徽力高新能源技术有限公司 一种利用扩展卡尔曼滤波算法估算锂电池soc的方法
CN111796519A (zh) * 2020-06-14 2020-10-20 武汉理工大学 一种基于极限学习机的多输入多输出系统自动控制方法
CN112083334A (zh) * 2020-08-11 2020-12-15 昆明理工大学 一种基于数据驱动的锂离子电池荷电状态估计方法
AU2020103886A4 (en) * 2020-12-04 2021-02-11 Nanjing Forestry University A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061496A (zh) * 2018-08-10 2018-12-21 安徽力高新能源技术有限公司 一种利用扩展卡尔曼滤波算法估算锂电池soc的方法
CN111796519A (zh) * 2020-06-14 2020-10-20 武汉理工大学 一种基于极限学习机的多输入多输出系统自动控制方法
CN112083334A (zh) * 2020-08-11 2020-12-15 昆明理工大学 一种基于数据驱动的锂离子电池荷电状态估计方法
AU2020103886A4 (en) * 2020-12-04 2021-02-11 Nanjing Forestry University A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Envelope expansion with core collapse – III. Similarity isothermal shocks in a magnetofluid;Cong Yu 等;Monthly Notices of the Royal Astronomical Society;20060731;第370卷(第1期);全文 *
基于自适应CKF的锂离子电池SOC估算;徐万;谢长君;邓坚;黄亮;;电池;20200825(04);全文 *
电动汽车电池状态估计算法及其应用研究;邵建波;cnki硕士学位论文电子期刊;20220224;全文 *

Also Published As

Publication number Publication date
CN114895190A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
CN110888059B (zh) 基于改进随机森林联合容积卡尔曼的荷电状态估计算法
CN111695301A (zh) 电池电荷状态的预测方法及预测装置、存储介质、设备
CN109444758A (zh) 电池荷电状态估计方法、装置、存储介质及计算机设备
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN115563704B (zh) 电池状态预测模型的优化方法、容量预测方法及相关装置
CN115221798B (zh) 一种电池热过程时空建模预测方法、系统、设备及介质
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN113205233A (zh) 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
CN116643196A (zh) 一种融合机理与数据驱动模型的电池健康状态估计方法
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
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
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
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
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
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN114167295A (zh) 基于多算法融合的锂离子电池soc估算方法与系统
CN116299015B (zh) 电池状态评估方法、装置、电子设备及存储介质
CN114895190B (zh) 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
Chu et al. Parameter identification and SOC estimation of lithium-ion batteries based on AGCOA-ASRCKF
CN117074951A (zh) 锂电池荷电状态的估计方法、装置、设备及可读存储介质
CN117110880A (zh) 一种用于云端-边缘端协同的电池多状态联合估计方法
CN116908691A (zh) 一种锂电池模型参数辨识方法
CN116593917A (zh) 一种基于时频双流特征表征的锂电池健康状态估计方法

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
GR01 Patent grant
GR01 Patent grant