CN115047346A - 一种锂电池soc估计的高阶卡尔曼滤波算法 - Google Patents
一种锂电池soc估计的高阶卡尔曼滤波算法 Download PDFInfo
- Publication number
- CN115047346A CN115047346A CN202210383236.2A CN202210383236A CN115047346A CN 115047346 A CN115047346 A CN 115047346A CN 202210383236 A CN202210383236 A CN 202210383236A CN 115047346 A CN115047346 A CN 115047346A
- Authority
- CN
- China
- Prior art keywords
- equation
- state
- soc
- battery
- lithium battery
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池SOC估计的高阶卡尔曼滤波算法,包括以下步骤:S1、锂电池充放电动态过程建模,采用一阶戴维宁等效模型对电池的充放电特性来进行软测量;S2、建立用于描述电池SOC估计的非线性状态模型和测量模型,隐变量引入扩维建模;S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。通过蒙特卡洛仿真试验对电池SOC的EKF和HEKF估计值进行比较,本发明所述的方法具有更高的估计精度。因此,本发明采用上述锂电池SOC估计的高阶卡尔曼滤波算法,能够解决现有的算法估计精度低的问题。
Description
技术领域
本发明涉及高阶卡尔曼滤波算法技术领域,尤其是涉及一种锂电池SOC估计的高阶卡尔曼滤波算法。
背景技术
近些年来,由于能源短缺与环境污染的加重,新能源与新材料的研究与快速发展,促使电动汽车技术愈加成熟,也已经走进大众生活。电动汽车不同于传统汽车,具有节能、零排放和低噪声等优点,其使用的充电锂离子电池不仅具有高效率、高能量密度、低维护和长循环寿命等优点,还可以减少碳排放为遏制全球变暖做出贡献,因此已成为电动汽车主要应用电源之一。
电池荷电状态(State of charge,SOC)是指动力电池剩余容量与最大可用容量之比,精确预测电池SOC将决定是否能够最大限度的利用电池能量,也是锂电池安全稳定运行的前提和关键。锂电池SOC估计的难点在于无法直接测得,并且其内在系统具有高度非线性性,这些都给估计的准确性带来很大的困难。
电动汽车锂电池组SOC的实时精确估计不仅可以反映汽车的续航里程,同时也能指示不同电池间容量大小,改善电池的一致性,发挥整体性能。越精确的估计锂电池SOC,就能够越好地提高电动汽车的能源利用率。当对锂电池SOC估计不足时,就会增加电池的额外充放电次数,消耗电池的寿命。估计超标时则会对电动汽车行驶过程产生危害,引发热失控。
从应用角度出发,对电池的SOC估计方法主要有库伦计数法、开路电压法和基于电池等效模型方法等。最常用的估计方法为库伦计数法和卡尔曼滤波等。库伦计数法其实质是将电池内部结构和外部特性忽略,只考虑流入与流出电池的负载电流,来对电池SOC估计。优点是简单快捷,而缺点在于,由于库伦计数法是开环预测,缺少反馈修正环节,无法根据电池当前特性,对估计值进行校正;因此会不断产生误差,并随时间的增加累积。当误差累积到一定程度时,库伦计数法因无法得到更为精确的电池SOC估计值,从而会导致过度充电或过度放电,致使电池内阻增大,容量下降,综合性能下降甚至会使电池产生爆炸。
刘浩考虑到电动汽车的运行工况使用扩展卡尔曼滤波(Extend Kalman Filter,EKF)对库伦计数法修正,从而避免了庞大的数据处理,实现了快速有效的估算电池SOC。EKF滤波算法往往以库伦计数法为基础,以对电池SOC估计达到更高精度为目的而使用的算法,可以从包含噪声的一系列测量中,较为精确估计非线性动态系统的状态。但是由于EKF算法仅有在一阶线性逼近,使用了泰勒展开,舍弃了所有二阶及以上高阶项,常造成大的舍入误差;并随着非线性的增强,对非线性系统状态的估计精度也就会越来越低,甚至会导致滤波器发散。
发明内容
本发明的目的是提供一种锂电池SOC估计的高阶卡尔曼滤波算法,解决现有的算法估计精度低的问题。
为实现上述目的,本发明提供了一种锂电池SOC估计的高阶卡尔曼滤波算法,包括以下步骤:
S1、锂电池充放电动态过程建模,采用一阶戴维宁等效模型对电池的充放电特性来进行软测量;
S2、隐变量引入扩维建模,
一类非线性系统方程为
x(k+1)=A(0)(k)x(k)+A(1)(k)f(1)(x(k))+…+A(r)(k)f(r)(x(k))+w(k) (1)
y(k+1)=C(0)(k+1)x(k+1)+C(1)(k+1)f(1)(x(k+1))+…+C(r)(k+1)f(r)(x(k+1))+v(k+1) (2)
式中,x(k)∈Rn是状态向量;y(k)∈Rm是测量向量;f(*)(A)是关于状态的非线性函数;w(k)是均值为零,方差为Q的高斯白噪声;v(k)是均值为零,方差为R的高斯白噪声;
令
α(l)(k):=f(l)(x(k));l=1,2,…,r (3)
是相对于原始变量x(k)的隐变量函数,简称隐变量;状态方程(1)与测量方程(2)等价改写为
对状态变量x(k)与隐变量完全扩维
X(k)=[x(k) α(1)(k) … α(r)(k)]T (6)
建立隐变量之间的线性动态关系
式(4)和(7)分别再等价描述为
记
W(k)=[w(k) w(1)(k) … w(r)(k)]T (11)
H(k)=[C(0)(k+1) C(1)(k+1) … C(r)(k+1)] (12)
扩维状态X(k)的状态模型和观测模型为
X(k+1)=F(k)X(k)+W(k) (13)
y(k+1)=H(k+1)X(k+1)+v(k+1) (14)
S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。
优选的,所述步骤S1中,电池的电压动态方程为
Ut=Uoc-IRo-Up (15)
式中,Ut表示端电压;Uoc表示开路电压;Up表示极化电压;Ro表示欧姆电阻;I表示流过电池的负载电流;
采用激励响应分析方法模拟电池的浓差极化和电化学极化效应;其零输入响应和零状态响应分别描述为:
Up=Up(0)e-t/τ (16)
Up=IRp(1-e-t/τ) (17)
在放电过程中,通过将电池视作零输入响应和零状态响应的叠加,
式中,Rp表示极化电阻;Cp表示极化容量;τp表示时间常数;Δt表示采样间隔,k表示第k个采样周期;
库仑计数法计算电池SOC,利用积分的思想,建立电池在充放电过程中电池SOC的动态过程
式中,zc表示库仑计数法计算出的SOC;ηi是库仑效率;Ca是最大可用容量;L是总采样时间;Ca为标称容量2.2Ah;
戴维宁模型方程中的四个参数Uoc、Rp、Cp和τp与SOC的关系,分别用多阶多项式拟合为
其中,ao、a1、...、a6、b0、b1、b2、c0、c1、c2、d0、d1和d2等参数,通过利用遗传算法(GA)辨识。
优选的,所述步骤S3中,
锂电池状态方程和测量方程为
y(k)=Uoc(k)-x1(k)-Ro(k)I(k)+v(k) (22)
其中,
将式(23)分别带入式(21)状态方程和式(22)测量方程中,
记
αl(k):=xl+1(k),l=1,2,3,4,5 (27)
则式(24)、(25)和(26)分别改写成
式(6)中的扩维变量X(k)为
X(k)=[x1(k),x2(k),α1(k),α2(k),α3(k),α4(k),α5(k)]T (31)
参照式(7),式(27)定义的隐变量动态关系为:
式(10)中系统矩阵F(k)和式(11)中建模误差W(k)分别为
W(k)=[w1(k),w2(k),w3(k),w4(k),w5(k),w6(k),w7(k)]T (35)
则原状态方程式(13)改写为
X(k+1)=A(k)X(k)+W(k)+U(k) (37)
将测量方程式(14)改写为
y(k)=c1x1(k)+c2x2(k)+c3α1(k)+c4α2(k)
+c5α3(k)+c6α4(k)+c7α5(k)+u(k)+v(k) (38)
Y(k)=H(k)X(k)+u(k)+v(k) (39)
其中
H(k)=[c1 c2 c3 c4 c5 c6 c7] (40)
以式(37)作为状态方程,式(38)作为测量方程进行卡尔曼滤波。
优选的,所述卡尔曼滤波包括以下步骤:
步骤一:设置状态观察器的初始值:X(0),P(0),Q(0),R(0);
步骤二:时间更新方程
系统状态估计:
状态误差协方差矩阵的估计:
P(k+1|k)=F(k)P(k|k)FT(k)+Q (45)
步骤三:测量更新方程
增益矩阵:
K(k+1)=P(k+1|k)HT(k)×(H(k)P(k+1|k)HT(k)+R)-1 (46)
系统状态估计的修正:
状态误差协方差矩阵的估计:
P(k+1|k+1)=[I-K(k+1)H(k)]P(k+1|k) (48)。
本发明所述的一种锂电池SOC估计的高阶卡尔曼滤波算法的优点和积极效果是:
1、本发明提出了一种基于高阶项扩维的锂电池SOC估计的Kalman滤波方法,利用戴维宁原理建立锂电池电阻电容之间关系的一阶等效电路模型,针对SOC的估计精度,本发明所设计的新型高阶Kalman滤波器性能远高于EKF的性能。
2、本发明提出的电池SOC估计方法采用一阶RC等效模型,该模型不涉及复杂的电化学分析过程,并且所采用算法精度较高,因此具有可行性和实用性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的一阶RC等效电路模型;
图2为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF估计值与真实值对比图;
图3为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF估计误差对比图;
图4为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF蒙特卡洛试验平均误差绝对值对比图;
图5为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的EKF和HEKF的OCV-SOC曲线图对比图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例
一种锂电池SOC估计的高阶卡尔曼滤波算法,包括以下步骤:
S1、锂电池充放电动态过程建模,采用一阶戴维宁等效模型对电池的充放电特性来进行软测量,如图1所示,电池等效电路模型可以来平衡计算效率与预测精度。
池的电压动态方程为
Ut=Uoc-IRo-Up (15)
式中,Ut表示端电压;Uoc表示开路电压;Up表示极化电压;Ro表示欧姆电阻;I表示流过电池的负载电流。
在等效电路模型中,由于极化电阻与极化电容无法直接测量获得;因此采用激励响应分析方法模拟电池的浓差极化和电化学极化效应;其零输入响应和零状态响应分别描述为:
Up=Up(0)e-t/τ (16)
Up=IRp(1-e-t/τ) (17)
在放电过程中,通过将电池视作零输入响应和零状态响应的叠加,则
式中,Rp表示极化电阻;Cp表示极化容量;τp表示时间常数;Δt表示采样间隔,k表示第k个采样周期。
库仑计数法计算电池SOC是根据SOC的定义,利用积分的思想,建立电池在充放电过程中电池SOC的动态过程如下
式中,zc表示库仑计数法计算出的SOC;ηi是库仑效率;Ca是最大可用容量;L是总采样时间;Ca为标称容量2.2Ah。
戴维宁模型方程中的四个参数Uoc、Rp、Cp和τp与SOC的关系,分别用多阶多项式拟合为
其中,ao、a1、...、a6、b0、b1、b2、c0、c1、c2、d0、d1和d2等参数,通过利用现有的遗传算法(GA)辨识。辨识的模型参数值如表1所示。
表1模型参数值
S2、隐变量引入扩维建模,
对一类非线性系统方程表示为
x(k+1)=A(0)(k)x(k)+A(1)(k)f(1)(x(k))+…+A(r)(k)f(r)(x(k))+w(k) (1)
y(k+1)=C(0)(k+1)x(k+1)+C(1)(k+1)f(1)(x(k+1))+…+C(r)(k+1)f(r)(x(k+1))+v(k+1) (2)
式中,x(k)∈Rn是状态向量;y(k)∈Rm是测量向量;f(*)(A)是关于状态的非线性函数;w(k)是均值为零,方差为Q的高斯白噪声;v(k)是均值为零,方差为R的高斯白噪声。
首先令
α(l)(k):=f(l)(x(k));l=1,2,…,r (3)
是相对于原始变量x(k)的隐变量函数,简称隐变量;状态方程(1)与测量方程(2)等价改写为
对状态变量x(k)与隐变量完全扩维
X(k)=[x(k) α(1)(k) … α(r)(k)]T (6)
建立隐变量之间的线性动态关系
式(4)和(7)分别再等价描述为
若记
W(k)=[w(k) w(1)(k) … w(r)(k)]T (11)
H(k)=[C(0)(k+1) C(1)(k+1) … C(r)(k+1)] (12)
则扩维状态X(k)的状态模型和观测模型为
X(k+1)=F(k)X(k)+W(k) (13)
y(k+1)=H(k+1)X(k+1)+v(k+1) (14)
S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。
锂电池状态方程和测量方程为
y(k)=Uoc(k)-x1(k)-Ro(k)I(k)+v(k) (22)
其中,
其中,ao、a1、...、a6、b0、b1、b2、c0、c1、c2、d0、d1和d2等参数数值如表1所示。
将式(23)分别带入式(21)状态方程和式(22)测量方程中,
若记
αl(k):=xl+1(k),l=1,2,3,4,5 (27)
则式(24)、(25)和(26)分别改写成
式(6)中的扩维变量X(k)为
X(k)=[x1(k),x2(k),α1(k),α2(k),α3(k),α4(k),α5(k)]T (31)
参照式(7),式(27)定义的隐变量动态关系为:
式(10)中系统矩阵F(k)和式(11)中建模误差W(k)分别为
W(k)=[w1(k),w2(k),w3(k),w4(k),w5(k),w6(k),w7(k)]T (35)
则原状态方程式(13)改写为
X(k+1)=A(k)X(k)+W(k)+U(k) (37)
将测量方程式(14)改写为
y(k)=c1x1(k)+c2x2(k)+c3α1(k)+c4α2(k)
+c5α3(k)+c6α4(k)+c7α5(k)+u(k)+v(k) (38)
Y(k)=H(k)X(k)+u(k)+v(k) (39)
其中
H(k)=[c1 c2 c3 c4 c5 c6 c7] (40)
以式(37)作为状态方程,式(38)作为测量方程进行卡尔曼滤波。
卡尔曼滤波包括以下步骤:
步骤一:设置状态观察器的初始值:X(0),P(0),Q(0),R(0);
步骤二:时间更新方程
系统状态估计:
状态误差协方差矩阵的估计:
P(k+1|k)=F(k)P(k|k)FT(k)+Q (45)
步骤三:测量更新方程
增益矩阵:
K(k+1)=P(k+1|k)HT(k)×(H(k)P(k+1|k)HT(k)+R)-1 (46)
系统状态估计的修正:
状态误差协方差矩阵的估计:
P(k+1|k+1)=[I-K(k+1)H(k)]P(k+1|k) (48)。
以电动汽车车载锂电池为研究对象,所采用数据均来自NASA电池数据库。本实施例实验采用的数据于室温24摄氏度,使用4A振幅和50%占空比的0.05Hz方波负载曲线进行放电。
在蒙特卡洛实验1000次之后,对于电池SOC估计的平均均方误差如表2。
表2蒙特卡洛仿真实验平均均方误差值
蒙特卡洛实验共进行了三次,与EKF相比,本发明所述的高阶卡尔曼滤波器(HEKF)算法可以将电池SOC的估计精度提高17.79%,因此,本发明所提出的滤波器性能良好。
图2为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF估计值与真实值对比图。如图所示,可以很明显的看到HEKF方法产生的估计值要比EKF产生的估计值更加贴近真实值。图3为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF估计误差对比图。如图所示,显然HEKF较EKF方法更加准确,可以实现更高精度的电池SOC估计。图4为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的电池SOC的EKF和HEKF蒙特卡洛试验平均误差绝对值对比图。如图所示,可以看出EKF的误差数值总体上大于HEKF方法,由此可见HEKF的精确性较EKF方法有一定的提高。图5为本发明一种锂电池SOC估计的高阶卡尔曼滤波算法实施例的EKF和HEKF的OCV-SOC曲线图对比图。如图所示,显而易见,HEKF方法得到的OCV-SOC曲线更加贴合实际值,因此可以得出结论,所提出的滤波器性能良好。
因此,本发明采用上述锂电池SOC估计的高阶卡尔曼滤波算法,能够解决现有的算法估计精度低的问题。
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进行限制,尽管参照较佳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:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于,包括以下步骤:
S1、锂电池充放电动态过程建模,采用一阶戴维宁等效模型对电池的充放电特性来进行软测量;
S2、隐变量引入扩维建模,
一类非线性系统方程为
x(k+1)=A(0)(k)x(k)+A(1)(k)f(1)(x(k))+…+A(r)(k)f(r)(x(k))+w(k) (1)
y(k+1)=C(0)(k+1)x(k+1)+C(1)(k+1)f(1)(x(k+1))+…+C(r)(k+1)f(r)(x(k+1))+v(k+1) (2)
令
α(l)(k):=f(l)(x(k));l=1,2,…,r (3)
是相对于原始变量x(k)的隐变量函数,简称隐变量;状态方程(1)与测量方程(2)等价改写为
对状态变量x(k)与隐变量完全扩维
X(k)=[x(k) α(1)(k)…α(r)(k)]T (6)
建立隐变量之间的线性动态关系
式(4)和(7)分别再等价描述为
记
W(k)=[w(k) w(1)(k)…w(r)(k)]T (11)
H(k)=[C(0)(k+1) C(1)(k+1)…C(r)(k+1)] (12)
扩维状态X(k)的状态模型和观测模型为
X(k+1)=F(k)X(k)+W(k) (13)
y(k+1)=H(k+1)X(k+1)+v(k+1) (14)
S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。
2.根据权利要求1所述的一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于:所述步骤S1中,电池的电压动态方程为
Ut=Uoc-IRo-Up (15)
式中,Ut表示端电压;Uoc表示开路电压;Up表示极化电压;Ro表示欧姆电阻;I表示流过电池的负载电流;
采用激励响应分析方法模拟电池的浓差极化和电化学极化效应;其零输入响应和零状态响应分别描述为:
Up=Up(0)e-t/τ (16)
Up=IRp(1-e-t/τ) (17)
在放电过程中,通过将电池视作零输入响应和零状态响应的叠加,
式中,Rp表示极化电阻;Cp表示极化容量;τp表示时间常数;Δt表示采样间隔,k表示第k个采样周期;
库仑计数法计算电池SOC,利用积分的思想,建立电池在充放电过程中电池SOC的动态过程
式中,zc表示库仑计数法计算出的SOC;ηi是库仑效率;Ca是最大可用容量;L是总采样时间;Ca为标称容量2.2Ah;
戴维宁模型方程中的四个参数Uoc、Rp、Cp和τp与SOC的关系,分别用多阶多项式拟合为
其中,ao、a1、...、a6、b0、b1、b2、c0、c1、c2、d0、d1和d2等参数,通过利用遗传算法(GA)辨识。
3.根据权利要求1所述的一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于:所述步骤S3中,
锂电池状态方程和测量方程为
y(k)=Uoc(k)-x1(k)-Ro(k)I(k)+v(k) (22)
其中,
将式(23)分别带入式(21)状态方程和式(22)测量方程中,
记
αl(k):=xl+1(k),l=1,2,3,4,5 (27)
则式(24)、(25)和(26)分别改写成
式(6)中的扩维变量X(k)为
X(k)=[x1(k),x2(k),α1(k),α2(k),α3(k),α4(k),α5(k)]T (31)
参照式(7),式(27)定义的隐变量动态关系为:
式(10)中系统矩阵F(k)和式(11)中建模误差W(k)分别为
W(k)=[w1(k),w2(k),w3(k),w4(k),w5(k),w6(k),w7(k)]T (35)
则原状态方程式(13)改写为
X(k+1)=A(k)X(k)+W(k)+U(k) (37)
将测量方程式(14)改写为
y(k)=c1x1(k)+c2x2(k)+c3α1(k)+c4α2(k)+c5α3(k)+c6α4(k)+c7α5(k)+u(k)+v(k) (38)
Y(k)=H(k)X(k)+u(k)+v(k) (39)
其中
H(k)=[c1 c2 c3 c4 c5 c6 c7] (40)
以式(37)作为状态方程,式(38)作为测量方程进行卡尔曼滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383236.2A CN115047346A (zh) | 2022-04-12 | 2022-04-12 | 一种锂电池soc估计的高阶卡尔曼滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383236.2A CN115047346A (zh) | 2022-04-12 | 2022-04-12 | 一种锂电池soc估计的高阶卡尔曼滤波算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115047346A true CN115047346A (zh) | 2022-09-13 |
Family
ID=83157118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210383236.2A Pending CN115047346A (zh) | 2022-04-12 | 2022-04-12 | 一种锂电池soc估计的高阶卡尔曼滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184248A (zh) * | 2023-04-24 | 2023-05-30 | 广东石油化工学院 | 一种串联电池组的微小短路故障检测方法 |
-
2022
- 2022-04-12 CN CN202210383236.2A patent/CN115047346A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184248A (zh) * | 2023-04-24 | 2023-05-30 | 广东石油化工学院 | 一种串联电池组的微小短路故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105093122B (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
Sun et al. | Improved parameter identification and state-of-charge estimation for lithium-ion battery with fixed memory recursive least squares and sigma-point Kalman filter | |
CN111537894A (zh) | 一种用于估计锂电池soc和sop的方法 | |
Ma et al. | Co-estimation of state of charge and state of health for lithium-ion batteries based on fractional-order model with multi-innovations unscented Kalman filter method | |
CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
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 | |
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 | |
CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
Li et al. | A linear recursive state of power estimation method based on fusion model of voltage and state of charge limitations | |
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 | |
CN112269133A (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
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 | |
CN115047346A (zh) | 一种锂电池soc估计的高阶卡尔曼滤波算法 | |
CN112731157A (zh) | 一种基于数据驱动的锂离子电池容量估计方法 | |
CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
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 | |
CN115113053A (zh) | 一种基于高自适应性滤波算法的锂电池soc估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 |
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 |