CN115097309A - 电池soc的在线预测方法、装置、电子设备及存储介质 - Google Patents
电池soc的在线预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115097309A CN115097309A CN202210608972.3A CN202210608972A CN115097309A CN 115097309 A CN115097309 A CN 115097309A CN 202210608972 A CN202210608972 A CN 202210608972A CN 115097309 A CN115097309 A CN 115097309A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- real
- time
- internal resistance
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Abstract
本发明提供一种电池SOC的在线预测方法、装置、电子设备及存储介质。该方法包括:获取基于待测电池的实时状态预测的估计SOC和估计内阻;基于估计SOC和预先存储的对应关系,确定与估计SOC对应的内阻;对应关系为在离线状态下对待测电池进行充放电实验得到的;基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻;权重值用于表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小;基于实时内阻,重新计算待测电池的SOC,得到待测电池的实时状态对应的实时SOC。本发明能够实现电池SOC的在线预测,降低电池SOC的在线预测时的偏差。
Description
技术领域
本发明涉及电动汽车电池管理技术领域,尤其涉及一种电池SOC的在线预测方法、装置、电子设备及存储介质。
背景技术
锂离子电池的能量大、循环寿命长、无污染,是电动汽车动力系统的良好选择。提升动力电池组性价比和保障电动汽车安全性能的一个关键是提高动力锂电池状态估计的精确性和电池管理的可靠性。其中,电池的荷电状态(state of charge,SOC)是电池管理系统中一个重要的状态量,为能量的分配管理提供了依据。
SOC不能直接测量,国内外动力电池SOC的估计方法主要有安培时间计量法、开路电压法、放电试验法等。在实验室中,这些方法能够比较准确地得到电池的剩余电量,而在电动汽车的实际应用中,由于SOC的初始值并不能保证准确,测量电流往往混有噪声,因此仅仅依靠安培时间计量法常常得不到准确的SOC值。在汽车行驶的过程中,开路电压很难测量,而对电池进行放电也是不可行的。
目前存在由于复杂的实际运行环境,导致电池SOC的在线预测偏差较大,实现困难的问题。
发明内容
本发明提供了一种电池SOC的在线预测方法、装置、电子设备及存储介质,能够实现电池SOC的在线预测,降低电池SOC的在线预测时的偏差。
第一方面,本发明提供了一种电池SOC的在线预测方法,包括:获取基于待测电池的实时状态预测的估计SOC和估计内阻;基于估计SOC和预先存储的对应关系,确定与估计SOC对应的内阻;对应关系为在离线状态下对待测电池进行充放电实验得到的;基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻;权重值用于表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小;基于实时内阻,重新计算待测电池的SOC,得到待测电池的实时状态对应的实时SOC。
本发明提供一种电池SOC的在线预测方法,首先对待测电池的实时状态进行初步预测估计,得到估计SOC和估计内阻。然后基于离线状态下对待测电池进行充放电实验得到的对应关系,确定与估计SOC对应的内阻,最后基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,综合确定待测电池的实时状态对应的实时内阻,并基于实时内阻重新计算SOC。由于权重值表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小,如此使得实时内阻更加贴近实时状态对应的实际内阻,提高了实时内阻的准确度,从而提高了进一步重新计算得到的实时SOC的准确度,实现电池SOC的在线预测,降低电池SOC的在线预测时的偏差。
在一种可能的实现方式中,获取基于待测电池的实时状态预测的估计SOC和估计内阻,包括:获取待测电池在第N次使用过程中的实时状态,实时状态包括实时电流和实时电压;将实时电流和实时电压,输入到预先建立的SOC预测模型和内阻预测模型,分别得到估计SOC和估计内阻;SOC预测模型和内阻预测模型为基于待测电池在第N-1次使用结束的状态和第N次使用开始时的状态进行参数更新后得到的。
在一种可能的实现方式中,获取基于待测电池的实时状态预测的估计SOC和估计内阻,之前还包括:获取待测电池在第N次使用开始时的开路电压;获取待测电池在第N-1次使用结束的SOC值和内阻;基于待测电池在第N次使用开始时的开路电压,以及开路电压和SOC之间的对应关系,确定待测电池在第N次使用开始时的SOC;基于待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型;基于待测电池在第N次使用开始时的SOC和开路电压,以及待测电池在第N-1次使用结束的SOC值和内阻,对目标电路模型对应的SOC状态方程和内阻状态方程进行参数更新,得到SOC预测模型和内阻预测模型。
在一种可能的实现方式中,基于待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型,之前还包括:在离线状态、标准工况下,对待测电池分别进行充电实验和放电实验,得到待测电池在充电过程和放电过程中标准电流数据和标准端电压数据;对待测电池在充电过程和放电过程中标准电流数据和标准端电压数据进行拟合,得到待测电池在充电过程和放电过程中每个SOC下的电路模型,并对每个SOC下的电路模型进行参数辨识;对每个SOC下的电路模型进行融合,得到同时适用于充电过程和放电过程的标准电路模型;在离线状态、非标准工况下,对待测电池进行充电实验和放电实验,得到非标准工况下电流数据和端电压数据;基于非标准工况下电流数据和端电压数据,对标准电路模型进行修正,得到适用于一般环境每个SOC下的电路模型。
在一种可能的实现方式中,基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻,之前还包括:获取待测电池在第N次使用开始时的开路电压;基于开路电压,确定与开路电压对应的SOC;基于估计SOC和与开路电压对应的SOC,确定SOC预测模型的可信度;可信度用于表征估计SOC和与开路电压对应的SOC之间的差距大小;基于SOC预测模型的可信度,确定估计内阻的权重值和与估计SOC对应的内阻的权重值。
在一种可能的实现方式中,基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻,包括:基于如下公式,确定待测电池的实时状态对应的实时内阻。
R0=αR0_M+(1-α)R0_K;其中,R0为实时内阻,α为SOC预测模型的可信度,R0_M为估计SOC对应的内阻,R0_K为估计内阻。
在一种可能的实现方式中,SOC预测模型表示为如下公式:
其中,SOC为待测电池的实时状态对应的实时SOC,SOC0为第N次使用开始时的SOC,QN为待测电池的标称容量,η为放电比例系数,I为待测电池的实时电流,Cp为待测电池的极化电容,Rp为待测电池的极化内阻,Up为Cp与Rp并联RC环节的实时电压,Cd为待测电池的扩散电容,Rd为待测电池的扩散内阻,Ud为Cd与Rd并联RC环节的实时电压,U为待测电池的实时端电压,Uocv为待测电池的开路电压,R0为待测电池的实时内阻。
内阻预测模型表示为如下公式:
其中,R0,k+1为k+1时刻实时内阻R0的估计值,R0,k为k时刻实时内阻R0的估计值,λk+1为k+1时刻的系统噪声,Uk+1为k+1时刻待测电池的端电压,Uocv,k+1为k+1时刻待测电池的开路电压,Ik+1为k+1时刻的实时电流,Up,k+1为k+1时刻Rp两端的实时电压,Ud,k+1为k+1时刻Rd两端的电压,vk为k时刻的测量噪声,其中,k时刻和k+1时刻为第N次使用过程中相邻两个时刻。
第二方面,本发明实施例提供了一种电池SOC的在线预测装置,包括:通信模块,用于获取基于待测电池的实时状态预测的估计SOC和估计内阻;处理模块,用于基于估计SOC和预先存储的对应关系,确定与估计SOC对应的内阻;对应关系为在离线状态下对待测电池进行充放电实验得到的;处理模块,还用于基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻;权重值用于表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小;处理模块,还用于基于实时内阻,重新计算待测电池的SOC,得到待测电池的实时状态对应的实时SOC。
第三方面,本发明实施例提供了一种电子设备,其特征在于,所述电子设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
上述第二方面至第四方面中任一种实现方式所带来的技术效果可以参见第一方面对应实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电池SOC的在线预测方法的流程示意图;
图2是本发明实施例提供的另一种电池SOC的在线预测方法的流程示意图;
图3是本发明实施例提供的另一种电池SOC的在线预测方法的流程示意图;
图4是本发明实施例提供的一种充放电电路模型的示意图;
图5是本发明实施例提供的另一种电池SOC的在线预测方法的流程示意图;
图6是本发明实施例提供一种电池SOC的在线预测装置的结构示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本发明的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图通过具体实施例来进行说明。
如背景技术所述,在汽车行驶的过程中,开路电压测量困难,实际运行环境复杂,电池SOC的在线预测偏差较大,实现困难的技术问题。
为解决上述技术问题,本发明实施例采用等效模型与预测方法相结合的手段,同时应用电池在使用过程中的有效信息,对混动系统中的电池的SOC进行在线预测。等效模型采用了电路模型。考虑到混动系统中的电池充放电状态是可能交替存在的,因此在建立模型的时候,充分考虑充、放电对电路参数的影响,建立了电池的充放电通用模型。预测方法采用无迹卡尔曼滤波方法。考虑在线预测时,随着电池的老化,前期建立模型的可信度会下降。本发明实施例通过在线测量电池久置后的开路电压,利用开路电压法得到的SOC值对电池模型的可信度进行估计。本发明实施例根据二阶RC电路模型的可信度,对电池的内阻进行修正,并将修正后的内阻用于SOC的估计,提高SOC的在线预测精度和准确度。
如图1所示,本发明实施例提供了一种电池SOC的在线预测方法,执行主体为电池SOC的在线预测装置,该在线预测方法包括步骤S101-S104。
S101、获取基于待测电池的实时状态预测的估计SOC和估计内阻。
在一些实施例中,待测电池的实时状态是指待测电池在使用过程中的实时状态。示例性的,待测电池的实时状态可以为待测电池在第N次使用过程中的实时状态。
在一些实施例中,实时状态可以包括实时电流和实时电压。
作为一种可能的实现方式,在线预测装置可以接收其他设备发送的估计SOC和估计内阻。
示例性的,其它设备设置有离线状态下测试得到的预测模型,其它设备基于该预测模型预测得到估计SOC和估计内阻。在线预测装置可以通过和其他设备通信,以获取估计SOC和估计内阻。
作为另一种可能的实现方式,在线预测装置还可以通过获取待测电池的实时状态,基于实时状态计算估计SOC和估计内阻。
示例性的,在线预测装置可以基于步骤S1011-S1012,确定估计SOC和估计内阻。
S1011、获取待测电池在第N次使用过程中的实时状态。
其中,实时状态包括实时电流和实时电压。
S1012、将实时电流和实时电压,输入到预先建立的SOC预测模型和内阻预测模型,分别得到估计SOC和估计内阻。
其中,SOC预测模型和内阻预测模型为基于待测电池在第N-1次使用结束的状态和第N次使用开始时的状态进行参数更新后得到的。
在一些实施例中,SOC预测模型可以表示为SOC状态方程。示例性的,SOC状态方程可以表示为如下公式:
其中,SOC为待测电池的实时状态对应的实时SOC,SOC0为第N次使用开始时的SOC,QN为待测电池的标称容量,η为放电比例系数,I为待测电池的实时电流,Cp为待测电池的极化电容,Rp为待测电池的极化内阻,Up为Cp与Rp并联RC环节的实时电压,Cd为待测电池的扩散电容,Rd为待测电池的扩散内阻,Ud为Cd与Rd并联RC环节的实时电压,U为待测电池的实时端电压,Uocv为待测电池的开路电压,R0为待测电池的实时内阻。
作为一种可能的实现方式,在线预测装置可以基于SOC状态方程,通过无迹卡尔曼滤波方法得到估计SOC。
作为另一种可能的实现方式,在线预测装置可以基于SOC状态方程,通过粒子滤波方法得到估计SOC。
在一些实施例中,内阻预测模型可以表示为内阻状态方程。示例性的,内阻状态方程可以表示为如下公式:
其中,R0,k+1为k+1时刻实时内阻R0的估计值,R0,k为k时刻实时内阻R0的估计值,λk+1为k+1时刻的系统噪声,Uk+1为k+1时刻待测电池的端电压,Uocv,k+1为k+1时刻待测电池的开路电压,Ik+1为k+1时刻的实时电流,Up,k+1为k+1时刻Rp两端的实时电压,Ud,k+1为k+1时刻Rd两端的电压,vk为k时刻的测量噪声,其中,k时刻和k+1时刻为第N次使用过程中相邻两个时刻。
作为一种可能的实现方式,在线预测装置可以基于内阻状态方程,通过无迹卡尔曼滤波方法得到估计内阻。
作为另一种可能的实现方式,在线预测装置可以基于内阻状态方程,通过粒子滤波方法得到估计内阻。
S102、基于估计SOC和预先存储的对应关系,确定与估计SOC对应的内阻。
其中,对应关系为在离线状态下对待测电池进行充放电实验得到的。
S103、基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻。
其中,权重值用于表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小。
作为一种可能的实现方式,在线预测装置可以基于如下公式,确定修正后的内阻。
R0=αR0_M+(1-α)R0_K;
其中,R0为实时内阻,α为SOC预测模型的可信度,R0_M为估计SOC对应的内阻,R0_K为估计内阻。
需要说明的是,α可以为SOC预测模型的可信度,用于表征SOC预测模型的可靠程度。如此一来,在线预测装置可以综合考虑离线模型预测和在线预测两方面的因素,基于模型的可信度综合确定实时内阻,使得实时内阻更加贴近实时状态对应的实际内阻,提高了实时内阻的准确度。
S104、基于实时内阻,重新计算待测电池的SOC,得到待测电池的实时状态对应的实时SOC。
作为一种可能的实现方式,在线预测装置可以通过实时内阻,对SOC预测模型进行参数更新,并基于更新后的SOC预测模型计算电池的SOC,从而得到待测电池的实时状态对应的实时SOC。
本发明提供一种电池SOC的在线预测方法,首先对待测电池的实时状态进行初步预测估计,得到估计SOC和估计内阻。然后基于离线状态下对待测电池进行充放电实验得到的对应关系,确定与估计SOC对应的内阻,最后基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,综合确定待测电池的实时状态对应的实时内阻,并基于实时内阻重新计算SOC。由于权重值表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小,如此使得实时内阻更加贴近实时状态对应的实际内阻,提高了实时内阻的准确度,从而提高了进一步重新计算得到的实时SOC的准确度,实现电池SOC的在线预测,降低电池SOC的在线预测时的偏差。
可选的,如图2所示,本发明实施例提供的电池SOC的在线预测方法,在步骤S101之前,该在线预测方法还包括步骤S201-S205。
S201、获取待测电池在第N次使用开始时的开路电压。
S202、获取待测电池在第N-1次使用结束的SOC值和内阻。
S203、基于待测电池在第N次使用开始时的开路电压,以及开路电压和SOC之间的对应关系,确定待测电池在第N次使用开始时的SOC。
S204、基于待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型。
在一些实施例中,电流为正,表示待测电池处于充电状态;电流为负,表示待测电池处于放电状态。
S205、基于待测电池在第N次使用开始时的SOC和开路电压,以及待测电池在第N-1次使用结束的SOC值和内阻,对目标电路模型对应的SOC状态方程和内阻状态方程进行参数更新,得到SOC预测模型和内阻预测模型。
如此一来,本发明实施例可以基于待测电池在第N次使用开始时的状态和第N-1次使用结束的状态,对目标电路模型对应的SOC状态方程和内阻状态方程进行参数更新,使得SOC预测模型和内阻预测模型时效性更强,提高SOC预测模型和内阻预测模型预测时的准确度。
可选的,如图3所示,本发明实施例提供的电池SOC的在线预测方法,在步骤S204之前,该在线预测方法还包括步骤S301-S305。
S301、在离线状态、标准工况下,对待测电池分别进行充电实验和放电实验,得到待测电池在充电过程和放电过程中标准电流数据和标准端电压数据。
在一些实施例中,参考《FreedomCAR电池试验手册》中复合脉冲功率特性试验对电池进行充放电实验,在25℃下对满电的电池以1C速率进行放电,0.1小时后,静置0.5小时,记SOC=0.9,依次进行实验,分别得到放电时SOC=0.8,0.7,……,0.2,0.1的数据。在25℃下对放电完全的电池以1C速率进行充电0.1小时后,静置0.5小时,记SOC=0.1,依次进行实验,得到放电时SOC=0.2,0.3,…,0.8,0.9时的数据。
考虑模型的精度和计算的复杂度,确定模型的形式为二阶RC电路模型。原始二阶RC电路模型中的元件参数为常值。对充放电过程中电池的等效电路模型的研究发现,不仅电池本身存在滞回电压特性,等效电路中各个电路元器件的值,在充放电过程中会出现差异。因此,在对混合动力系统中的电池进行建模时,需要考虑模型充放电过程的通用性,采用改进的充放电通用模型。
如图4所示,本发明实施例提供了一种充放电电路模型。其中,Uocv为待测电池的开路电压,R0为待测电池的实时内阻,Rp为待测电池的极化内阻,Cp为待测电池的极化电容,Rd为待测电池的扩散内阻,Cd为待测电池的扩散电容,Rp、Cp、Rd、Cd都是与待测电池的SOC和充放电状态相关的可变参数。
S302、对待测电池在充电过程和放电过程中标准电流数据和标准端电压数据进行拟合,得到待测电池在充电过程和放电过程中每个SOC下的电路模型,并对每个SOC下的电路模型进行参数辨识。
作为一种可能的实现方式,在线预测装置可以基于图4所示的充放电电路模型,对每个SOC下的电路模型进行参数辨识。
示例性的,利用实验数据得到UOCV和R0:判断测量得到的端电压的数值,当随着时间的变化小于某个阈值时,便认为此时的静止时间足够了,取之后端电压的平均值作为开路电压UOCV。利用充(放)电结束瞬间的电压跳变值,求取此时SOC下的欧姆电阻R0。假设k时刻发生了跳变,则R0的计算公式如下:
其中,R0为实时内阻,u(k)为k时刻待测电池的开路电压,u(k-1)为k-1时刻待测电池的开路电压,i(k)为k时刻待测电池的实时电流,i(k-1)为k-1时刻待测电池的实时电流。
在一些实施例中,Cp为待测电池的极化电容,Rp为待测电池的极化内阻,Cd为待测电池的扩散电容,Rd为待测电池的扩散内阻,Rp、Cp、Rd和Cd等参数,可以利用电池充(放)电电流结束作用后的端电压数据,通过数据拟合方法得到。例如,非线性最小二乘方法。
示例性的,拟合过程中的数学方程式可以为如下公式。
其中,I为待测电池的电流的平均值,T为电流作用的时间,U(t)为t时刻的端电压,Uocv待测电池的开路电压。如此一来,对于放电(充电)过程中每个SOC下的电路参数都进行辨识后,便可以得到充电和放电过程中,每个SOC下的电路参数。
需要说明的是,通过以上步骤可以分别得到充电时和放电时的电池模型,现将其进行联合得到充放电通用模型。由辨识结果可知,开路电压在充放电过程中相差较小,并且依据电池的原理,在充放电转换的过程中并不进行切换,充电模型和放电模型选用同一个开路电压,可通过如下公式计算。
Uocv=(Uocv0+Uocv1);其中,Uocv为充电模型和放电模型共用的开路电压,Uocv0为放电模型的开路电压,Uocv1为充电模型的开路电压。
电路模型中其他参数则按照充电或放电的工况进行切换。当电流为正时,判断为充电,flag=1;电流值为负时,判断为放电,flag=0。当flag=1时,采用充电模型。当flag=0时,采用放电模型。当判断出flag发生0与1之间的变化时,进行模型的切换,即切换电路模型中各个元件的参数,在切换的过程中,遵从各个元件的电气特性进行如下处理:电阻值进行瞬时切换,而电容值按照指数规律进行切换。
示例性的,假设flag由1变到0(即由充电变为放电)时,电容值可通过如下公式计算。
C=C0+(C1-C0)e-t;其中,C为电容值,C1为充电模型中电容值,C0为放电模型中电容值,t为时间。
需要说明的是,t从切换瞬间开始计时。在切换瞬间(t=0+),电容值并不会发生跳变,而是保持为C1,随着时间的推移,C的值按照指数关系逐渐切换到C0。同理可得,flag由0变到1(即由放电变为充电)时的电容值,电容值可通过如下公式计算。
C=C1+(C0-C1)e-t;其中,C为电容值,C1为充电模型中电容值,C0为放电模型中电容值,t为时间。
S303、对每个SOC下的电路模型进行融合,得到同时适用于充电过程和放电过程的标准电路模型。
S304、在离线状态、非标准工况下,对待测电池进行充电实验和放电实验,得到非标准工况下电流数据和端电压数据。
S305、基于非标准工况下电流数据和端电压数据,对标准电路模型进行修正,得到适用于一般环境每个SOC下的电路模型。
需要说明的是,以上完成了对于电池的充放电电路模型的建立,但是充放电的数据均是在标准环境下进行的,即温度25度,充放电电流为1C的情况进行的。而在实际的运行中,环境会对电池的放电容量有比较大的影响,如温度和充放电倍率。因此,在对电池建模进而进行SOC预测的时候,需要考虑外界环境的因素。由于电路的各个元件的参数选取是依据当前的SOC值进行的,因此将所关心的因素融合到SOC值的计算中,进而会影响到不同温度或者不同的充放电倍率下的电路模型。
示例性的,在线预测装置可以将电池在t时刻的剩余电量SOC(t)通过如下公式表示。
其中,QN为待测电池的标称容量,η为放电比例系数,i(τ)为待测电池在τ时刻的放电电流,SOC(0)为待测电池在0时刻的剩余电量。由于在实际工况下,电池的SOC与电池的充放电倍率,电池老化程度和外界温度等因素有关。
考虑到充放电倍率和温度影响较大,将其对SOC的影响统一整合到放电比例系数η中,如下公式所示。
η=ηi×ηT;其中,ηi为充放电倍率对电池SOC的影响,ηT为温度对电池SOC的影响。以25℃下1C放出的电量为标准,即η=1。为了得到ηi和ηT的表达式,本发明实施例可以采取如下步骤。
示例性的,在线预测装置可以通过如下实验,得到非标准工况下电流数据和端电压数据。
(1)25℃环境下,以不同放电倍率对满电的电池进行放电实验,记录下实验温度和所放出的最大容量。
(2)不同温度下,以1C放电倍率对满电的电池进行放电实验,记录下放电倍率和所放出的最大容量。
根据上述实验(1)和(2)的所得数据进行数据拟合,得到ηi和ηT的表达式。
其中,Ci为放电倍率,T为实验温度,ai、bi、ci为与放电倍率相关的拟合系数,aT、bT、cT为与温度相关的拟合系数。
以上便可以得到考虑了充放电模式和环境因素(温度和充放电电流倍率)的通用模型。在此过程中,可以发现,并没有考虑电池在使用过程中老化程度对于SOC预测的影响。因为老化程度不同于温度和放电倍率,是可精确测量的。而对于老化程度的定义,也并没有高度的统一,往往是以电池内阻的改变来进行表征。电池的老化现象对于SOC的影响,可以在在线预测阶段,对SOC进行修正。示例性的,在线预测装置可以通过步骤S101-S104,在在线预测阶段,对SOC进行修正。
如此以来,本发明实施例可以在离线状态下,对标准工况和非标准工况下的电池的电流、电压,分别实验,并基于实验得到的数据综合确定适用于一般环境每个SOC下的电路模型,提高电路模型的普适度。且电路模型是在不同的SOC下测试得到的,提高了电路模型的精准度。
可选的,如图5所示,本发明实施例提供的电池SOC的在线预测方法,在步骤S103之前,该在线预测方法还包括步骤S401-S405。
S401、获取待测电池在第N次使用开始时的开路电压。
S402、基于开路电压,确定与开路电压对应的SOC。
其中,开路电压可以为待测电池第N此使用开始时的端电压。
S403、基于估计SOC和与开路电压对应的SOC,确定SOC预测模型的可信度。
本申请实施例中,可信度用于表征估计SOC和与开路电压对应的SOC之间的差距大小。
S404、基于SOC预测模型的可信度,确定估计内阻的权重值和与估计SOC对应的内阻的权重值。
作为一种可能的实现方式,本发明实施例可以基于如下公式,确定SOC预测模型的可信度。
其中,β为SOC预测模型的可信度的最小值,α为SOC预测模型的可信度,SOC_k为估计SOC,SOC_ocv为开路电压对应的SOC。
需要说明的是,由于内阻的值本身并不大,而在对电流电压进行测量的过程中,总是存在着噪声,因此,初始阶段由估计器得到的内阻值往往也存在误差,而随着程序的进行,这种误差会缩小。因此整体来说,对SOC预测模型赋予较高的可信度。示例性的,β可以为0.7。
如此一来,本发明实施例可以基于SOC预测模型的可信度,确定估计内阻和与估计SOC对应的内阻各自的权重值,综合考虑离线模型预测和在线预测两方面的因素,基于模型的可信度综合确定实时内阻,使得实时内阻更加贴近实时状态对应的实际内阻,提高了实时内阻的准确度。
需要说明的是,对电池的SOC进行在线预测时,需要解决的主要问题为预测模型的可靠性。随着电池的使用,受外界环境和充放电次数的影响,最初建立的电池模型会与真实情况出现偏差,而如果不考虑这种偏差,只是应用最初建立的模型,依据测量得到的外部的数据进行SOC的预测,往往使预测的准确度下降。因此,这里定义了在电池运行过程中SOC预测模型的可信度。为了衡量模型的可靠度,需要找到参考点,即:真实值。通过测量车辆长时间不运行后的电池电压,利用开路电压法估计此时的SOC的值,作为此时的SOC真实值去衡量电路模型的可靠性。由于在建立模型的过程中,已经考虑了温度和充放电倍率对于电池容量的影响,因此,可以认为,在电池运行的过程中,模型可靠性的下降主要是由于电池的老化程度造成的。而电池的老化程度会体现在内阻上,进而影响SOC的预测。为了得到更加精确的SOC预测值,首先应用卡尔曼滤波方法对电池的内阻进行估计,利用模型的可靠性参数对内阻R0进行修正,再用此内阻值进一步对SOC进行预测。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图6示出了本发明实施例提供的一种电池SOC的在线预测装置的结构示意图,该在线预测装置500包括通信模块501和处理模块502。
通信模块501,用于获取基于待测电池的实时状态预测的估计SOC和估计内阻。
处理模块502,用于基于估计SOC和预先存储的对应关系,确定与估计SOC对应的内阻;对应关系为在离线状态下对待测电池进行充放电实验得到的。
处理模块502,还用于基于估计内阻和与估计SOC对应的内阻,以及各自的权重值,确定待测电池的实时状态对应的实时内阻;权重值用于表征估计SOC与待测电池的实时状态对应的实时SOC之间的差距大小。
处理模块502,还用于基于实时内阻,重新计算待测电池的SOC,得到待测电池的实时状态对应的实时SOC。
在一种可能的实现方式中,通信模块501,具体用于获取待测电池在第N次使用过程中的实时状态,实时状态包括实时电流和实时电压;处理模块502,具体用于将实时电流和实时电压,输入到预先建立的SOC预测模型和内阻预测模型,分别得到估计SOC和估计内阻;SOC预测模型和内阻预测模型为基于待测电池在第N-1次使用结束的状态和第N次使用开始时的状态进行参数更新后得到的。
在一种可能的实现方式中,通信模块501,还用于获取待测电池在第N次使用开始时的开路电压;获取待测电池在第N-1次使用结束的SOC值和内阻;处理模块502,还用于基于待测电池在第N次使用开始时的开路电压,以及开路电压和SOC之间的对应关系,确定待测电池在第N次使用开始时的SOC;基于待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型;基于待测电池在第N次使用开始时的SOC和开路电压,以及待测电池在第N-1次使用结束的SOC值和内阻,对目标电路模型对应的SOC状态方程和内阻状态方程进行参数更新,得到SOC预测模型和内阻预测模型。
在一种可能的实现方式中,处理模块502,还用于在离线状态、标准工况下,对待测电池分别进行充电实验和放电实验,得到待测电池在充电过程和放电过程中标准电流数据和标准端电压数据;对待测电池在充电过程和放电过程中标准电流数据和标准端电压数据进行拟合,得到待测电池在充电过程和放电过程中每个SOC下的电路模型,并对每个SOC下的电路模型进行参数辨识;对每个SOC下的电路模型进行融合,得到同时适用于充电过程和放电过程的标准电路模型;在离线状态、非标准工况下,对待测电池进行充电实验和放电实验,得到非标准工况下电流数据和端电压数据;基于非标准工况下电流数据和端电压数据,对标准电路模型进行修正,得到适用于一般环境每个SOC下的电路模型。
在一种可能的实现方式中,处理模块502,还用于获取待测电池在第N次使用开始时的开路电压;基于开路电压,确定与开路电压对应的SOC;基于估计SOC和与开路电压对应的SOC,确定SOC预测模型的可信度;可信度用于表征估计SOC和与开路电压对应的SOC之间的差距大小;基于SOC预测模型的可信度,确定估计内阻的权重值和与估计SOC对应的内阻的权重值。
图7是本发明实施例提供的一种电子设备的结构示意图。如图7所示,该实施例的电子设备600包括:处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603。所述处理器601执行所述计算机程序603时实现上述各方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能,例如,图5所示通信模块501和处理模块502的功能。
示例性的,所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述电子设备600中的执行过程。例如,所述计算机程序603可以被分割成图5所示通信模块501和处理模块502。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述电子设备600的内部存储单元,例如电子设备600的硬盘或内存。所述存储器602也可以是所述电子设备600的外部存储设备,例如所述电子设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述电子设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的模块/单元如果以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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池SOC的在线预测方法,其特征在于,包括:
获取基于待测电池的实时状态预测的估计SOC和估计内阻;
基于所述估计SOC和预先存储的对应关系,确定与所述估计SOC对应的内阻;所述对应关系为在离线状态下对所述待测电池进行充放电实验得到的;
基于所述估计内阻和与所述估计SOC对应的内阻,以及各自的权重值,确定所述待测电池的实时状态对应的实时内阻;所述权重值用于表征所述估计SOC与所述待测电池的实时状态对应的实时SOC之间的差距大小;
基于所述实时内阻,重新计算所述待测电池的SOC,得到所述待测电池的实时状态对应的实时SOC。
2.根据权利要求1所述的电池SOC的在线预测方法,其特征在于,所述获取基于待测电池的实时状态预测的估计SOC和估计内阻,包括:
获取所述待测电池在第N次使用过程中的实时状态,所述实时状态包括实时电流和实时电压;
将所述实时电流和所述实时电压,输入到预先建立的SOC预测模型和内阻预测模型,分别得到所述估计SOC和所述估计内阻;所述SOC预测模型和内阻预测模型为基于所述待测电池在第N-1次使用结束的状态和第N次使用开始时的状态进行参数更新后得到的。
3.根据权利要求2所述的电池SOC的在线预测方法,其特征在于,所述获取基于待测电池的实时状态预测的估计SOC和估计内阻,之前还包括:
获取所述待测电池在第N次使用开始时的开路电压;
获取所述待测电池在第N-1次使用结束的SOC值和内阻;
基于所述待测电池在第N次使用开始时的开路电压,以及开路电压和SOC之间的对应关系,确定所述待测电池在第N次使用开始时的SOC;
基于所述待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型;
基于所述待测电池在第N次使用开始时的SOC和开路电压,以及所述待测电池在第N-1次使用结束的SOC值和内阻,对目标电路模型对应的SOC状态方程和内阻状态方程进行参数更新,得到所述SOC预测模型和内阻预测模型。
4.根据权利要求3所述的电池SOC的在线预测方法,其特征在于,所述基于所述待测电池在第N次使用开始时的SOC,以及所述待测电池在第N次使用过程中的充放电状态,从预先建立的多个电路模型中,确定与该SOC对应的目标电路模型,之前还包括:
在离线状态、标准工况下,对所述待测电池分别进行充电实验和放电实验,得到所述待测电池在充电过程和放电过程中标准电流数据和标准端电压数据;
对所述待测电池在充电过程和放电过程中标准电流数据和标准端电压数据进行拟合,得到所述待测电池在充电过程和放电过程中每个SOC下的电路模型,并对每个SOC下的电路模型进行参数辨识;
对所述每个SOC下的电路模型进行融合,得到同时适用于充电过程和放电过程的标准电路模型;
在离线状态、非标准工况下,对所述待测电池进行充电实验和放电实验,得到非标准工况下电流数据和端电压数据;
基于所述非标准工况下电流数据和端电压数据,对所述标准电路模型进行修正,得到适用于一般环境每个SOC下的电路模型。
5.根据权利要求1所述的电池SOC的在线预测方法,其特征在于,所述基于所述估计内阻和与所述估计SOC对应的内阻,以及各自的权重值,确定所述待测电池的实时状态对应的实时内阻,之前还包括:
获取所述待测电池在第N次使用开始时的开路电压;
基于所述开路电压,确定与所述开路电压对应的SOC;
基于所述估计SOC和所述与所述开路电压对应的SOC,确定SOC预测模型的可信度;所述可信度用于表征所述估计SOC和所述与所述开路电压对应的SOC之间的差距大小;
基于所述SOC预测模型的可信度,确定所述估计内阻的权重值和与所述估计SOC对应的内阻的权重值。
6.根据权利要求5所述的电池SOC的在线预测方法,其特征在于,所述基于所述估计内阻和与所述估计SOC对应的内阻,以及各自的权重值,确定所述待测电池的实时状态对应的实时内阻,包括:
基于如下公式,确定所述待测电池的实时状态对应的实时内阻;
R0=αR0_M+(1-α)R0_K;
其中,R0为所述实时内阻,α为所述SOC预测模型的可信度,R0_M为所述估计SOC对应的内阻,R0_K为所述估计内阻。
7.根据权利要求5所述的电池SOC的在线预测方法,其特征在于,所述SOC预测模型表示为如下公式:
其中,SOC为所述待测电池的实时状态对应的实时SOC,SOC0为第N次使用开始时的SOC,QN为所述待测电池的标称容量,η为放电比例系数,I为所述待测电池的实时电流,Cp为所述待测电池的极化电容,Rp为所述待测电池的极化内阻,Up为Cp与Rp并联RC环节的实时电压,Cd为所述待测电池的扩散电容,Rd为所述待测电池的扩散内阻,Ud为Cd与Rd并联RC环节的实时电压,U为所述待测电池的实时端电压,Uocv为所述待测电池的开路电压,R0为所述待测电池的实时内阻;
所述内阻预测模型表示为如下公式:
其中,R0,k+1为k+1时刻实时内阻R0的估计值,R0,k为k时刻实时内阻R0的估计值,λk+1为k+1时刻的系统噪声,Uk+1为k+1时刻所述待测电池的端电压,Uocv,k+1为k+1时刻所述待测电池的开路电压,Ik+1为k+1时刻的实时电流,Up,k+1为k+1时刻Rp两端的实时电压,Ud,k+1为k+1时刻Rd两端的电压,vk为k时刻的测量噪声,其中,k时刻和k+1时刻为所述第N次使用过程中相邻两个时刻。
8.一种电池SOC的在线预测装置,其特征在于,包括:
通信模块,用于获取基于待测电池的实时状态预测的估计SOC和估计内阻;
处理模块,用于基于所述估计SOC和预先存储的对应关系,确定与所述估计SOC对应的内阻;所述对应关系为在离线状态下对所述待测电池进行充放电实验得到的;
处理模块,还用于基于所述估计内阻和与所述估计SOC对应的内阻,以及各自的权重值,确定所述待测电池的实时状态对应的实时内阻;所述权重值用于表征所述估计SOC与所述待测电池的实时状态对应的实时SOC之间的差距大小;
处理模块,还用于基于所述实时内阻,重新计算所述待测电池的SOC,得到所述待测电池的实时状态对应的实时SOC。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608972.3A CN115097309A (zh) | 2022-05-31 | 2022-05-31 | 电池soc的在线预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608972.3A CN115097309A (zh) | 2022-05-31 | 2022-05-31 | 电池soc的在线预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097309A true CN115097309A (zh) | 2022-09-23 |
Family
ID=83289001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210608972.3A Pending CN115097309A (zh) | 2022-05-31 | 2022-05-31 | 电池soc的在线预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291130A (zh) * | 2022-10-09 | 2022-11-04 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
-
2022
- 2022-05-31 CN CN202210608972.3A patent/CN115097309A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291130A (zh) * | 2022-10-09 | 2022-11-04 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
CN115291130B (zh) * | 2022-10-09 | 2023-01-20 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
Tang et al. | A novel framework for Lithium-ion battery modeling considering uncertainties of temperature and aging | |
Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
CN108717164B (zh) | 电池的荷电状态soc标定方法及系统 | |
Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
CN110011374B (zh) | 一种电池充放电电流的控制方法、系统及终端设备 | |
CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
EP4152022B1 (en) | Method for determining full-charge capacity of battery pack, method for determining state of health of battery pack, system, and apparatus | |
CN110579716A (zh) | 一种电池检测方法及装置 | |
Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
Dai et al. | An improved SOC estimator using time-varying discrete sliding mode observer | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
CA2588334C (en) | Method and system for joint battery state and parameter estimation | |
CN113466725A (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN115097309A (zh) | 电池soc的在线预测方法、装置、电子设备及存储介质 | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
Sakile et al. | Estimation of lithium‐ion battery state of charge for electric vehicles using a nonlinear state observer | |
CN106815406B (zh) | 一种基于特征模型的动力电池soc估算方法 | |
Aggoun et al. | SOC estimation based on OCV and online identification parameters of lithium ion batteries with ADALINE | |
CN112213644B (zh) | 电池荷电状态估算方法及电池管理系统 | |
CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
Hossain et al. | State of charge estimation of li-ion batteries based on adaptive extended kalman filter | |
CN115113061A (zh) | 修正电池soc的方法及相关装置 | |
CN111033930B (zh) | 电池和电池包的荷电状态的估计方法及利用此荷电状态估计方法的电池管理系统 |
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 |