CN115097321A - 基于数字孪生的锂电池eis和soh估计方法 - Google Patents
基于数字孪生的锂电池eis和soh估计方法 Download PDFInfo
- Publication number
- CN115097321A CN115097321A CN202211036750.5A CN202211036750A CN115097321A CN 115097321 A CN115097321 A CN 115097321A CN 202211036750 A CN202211036750 A CN 202211036750A CN 115097321 A CN115097321 A CN 115097321A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- digital twin
- battery
- electrochemical impedance
- circuit voltage
- 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.)
- Granted
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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池状态参数估计及SOX预测技术领域,提供了基于数字孪生的锂电池EIS和SOH估计方法。该方法包括:构建基于分数阶微分方程的锂电池云端数字孪生模型,通过车载TBOX将电压传感器开路电压和电流传感器采集的工作电流的孪生数据不断传输至云端服务器中,对状态参数进行的迭代优化;构建状态参数滤波器,获得预估电化学阻抗谱;建立锂电池电化学阻抗增长的回归模型,将其引入非参数化的粒子滤波器框架,对锂电池的SOH进行估算,获得锂电池的SOH。本发明检测精度高,为电池最大输出功率SOP的计算提供参考,提升对状态参数和电池健康度的估算精度,能够准确地模拟电池的衰退变化过程。
Description
技术领域
本发明涉及电池状态参数估计及SOX预测技术领域,尤其涉及基于数字孪生的锂电池EIS和SOH估计方法。
背景技术
电池管理系统(BMS)是新能源汽车的核心技术之一,是管理车载动力电池和整车动力输出与整车安全的重要核心电控单元。电池管理系统的主要功能是实时监测动力电池的荷电状态(SOC),并估算电池的健康状态(SOH),以便为车载控制系统的决策提供实时的参考信息,达到充分发挥电动汽车优越性能,避免电池过冲过放和延长电池使用寿命的目的。
目前电池SOH的估算还尚不成熟。现在国内外产业界常用的SOH估测方法有两种。第一种是基于大数据的数据驱动方法,即通过大量的测试获得电池在运行过程中的各项参数变化的数据集,再通过神经网络、强化学习、深度学习等具有较强非线性的人工智能算法来训练模型,使其能够通过开路电压、电流等容易测量的参数来估测电池的SOH,这类方法需要消耗大量的时间进行模型的训练和学习,且训练数据集的数量和质量对SOH估测的准确度影响过大,无法部署应用于资源极度紧张的车载嵌入式控制器实现在线SOH估算。第二种是基于参数识别的方法,即基于电化学理论,建立电池的电化学模型,在实验室中利用大型实验设备对电池性能衰减过程进行测试后,选取一些随着电池性能衰减而变化的参数(如电池的电化学阻抗),制作成经验数据表,在具体应用时通过测量相关参数查表的方式来估测电池的SOH,这种方法虽然不需要进行大量实验,且可部署于车载嵌入式系统实现在线SOH估算,但是由于实验需要用到专门的电化学工作站、阻抗分析测量仪等大型设备且不能针对所有车辆实际运行工况开展全工况数据采集,因此此方法灵活性较差,无法应对复杂多变的车辆实际运行场景,其结果准确度与鲁棒性易受环境因素影响。
发明内容
有鉴于此,本发明提供了基于数字孪生的锂电池EIS和SOH估计方法,以解决现有技术中锂电池SOH估算精度较低的问题。
本发明提供了基于数字孪生的锂电池EIS和SOH估计方法,包括以下步骤:
步骤S1利用等效电路模型,构建基于分数阶微分方程的锂电池云端数字孪生模型,锂电池运行过程中,车载电压传感器和电流传感器分别采集开路电压和工作电流,通过车载TBOX实时传输至云端服务器中,并对所述锂电池云端数字孪生模型的状态参数进行迭代优化;
步骤S2构建状态参数滤波器,获得锂电池云端数字孪生模型中的预估电化学阻抗谱;
步骤S21将所述锂电池运行过程中测量获得的开路电压和工作电流输入至状态参数滤波器中,得到低通滤波后的开路电压和工作电流的分数阶导数,将所述低通滤波后的开路电压和电流的分数阶导数输入至所述锂电池云端数字孪生模型,采用递归最小二乘法进行迭代优化,获得所述锂电池云端数字孪生模型的状态向量;
步骤S22基于状态参数滤波器和递归最小二乘法,计算出所述锂电池云端数字孪生模型中的容抗和阻抗参数,对所述锂电池云端数字孪生模型进行实时更新,通过阻抗估计函数计算得到所述锂电池在运行过程中的预估电化学阻抗谱;
步骤S3基于所述预估电化学阻抗谱和锂电池云端数字孪生模型中的实测电化学阻抗谱,建立锂电池电化学阻抗谱增长的回归模型,将所述回归模型引入非参数化的粒子滤波器框架,对锂电池的SOH进行估算,获得所述锂电池的SOH。
进一步地,所述步骤S1中车载电压传感器和电流传感器采集开路电压和工作电流的采集精度为0.01,采集频率为50Hz。
进一步地,所述步骤S2中构建状态参数滤波器的表达式如下:
其中,,F(s)是电化学阻抗谱函数,s是电化学阻抗谱函数中的复变量,α 0,α 1,…,为状态参数滤波器中各子项的系数,n,…,n(N f -1),nN f 是状态参数滤波器中各子项的阶数,N f 是状态参数滤波器的分数阶状态空间表示的维数。
进一步地,所述步骤S22中的预估电化学阻抗谱的表达式如下:
其中,Z(s)、R 0、R 1、C 1、C 2分别是锂电池云端数字孪生模型中的电化学阻抗谱、欧姆内阻、极化内阻、极化电容、扩散电容。
进一步地,所述步骤S3中锂电池电化学阻抗谱增长的回归模型的表达式为:
R = p 1 m 3 + p 2 m 2 + p 3 m + p 4
其中,R表示电化学阻抗,p 1,p 2,p 3,p 4是回归模型参数,m是循环指数。
进一步地,所述开路电压和工作电流的采集,包括:
所述开路电压和工作电流通过CAN总线传输至电子控制单元;
所述电子控制单元通过所述车载TBOX传输并存储在所述云端服务器。
本发明与现有技术相比存在的有益效果是:
1.检测精度高:本发明建立了基于分数阶的锂电池云端数字孪生模型,通过TBOX将电池运行过程中开路电压和工作电流信息传输到数字孪生模型中,通过状态参数滤波器、递归最小二乘法和粒子滤波器框架下的回归模型预测,能够较为精确的估算出电池的电化学阻抗谱和电池的健康度。
2.实时性强:通过TBOX将电池运行过程中的开路电压和工作电流传输到云端数字孪生模型中进行计算分析,并将计算得到的结果返回到车端进行电池健康度的实时更新,为电池最大输出功率SOP的计算提供参考,延长电池的使用寿命。
3.精细化管理:通过TBOX将电池运行过程中产生的数据传送并存储到云端,随着电池的运行,会生成一个电池衰退过程的数据集,利用该数据集能够对估测算法进行优化,提升对状态参数和电池健康度的估算精度。
4.自适应性强:相较于传统的电池健康度估算方法,本发明采用的方法通过TBOX上传的电池开路电压和工作电流信息,对云端数字孪生模型中的电阻和电容参数进行实时的修正,能够准确地模拟电池的衰退变化过程。
5.迁移性强:基于分数阶的微分方程的云端数字孪生模型对车载锂电池的通用性较好,只需较少且容易测量的锂电池参数,就能实现对锂电池的电化学阻抗谱和健康度进行精确地估算。
附图说明
为了更清楚地说明本发明中的技术方案,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明的基于数字孪生的锂电池EIS和SOH估计方法流程图;
图2是本发明提供的分数阶电路等效模型图。
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。
下面将结合附图详细说明根据本发明的基于数字孪生的锂电池EIS和SOH估计方法。
图1是本发明的基于数字孪生的锂电池EIS和SOH估计方法流程图。如图1所示,该锂电池EIS和SOH估计方法包括:
步骤S1利用等效电路模型,构建基于分数阶微分方程的锂电池云端数字孪生模型,锂电池运行过程中,车载电压传感器和电流传感器分别采集开路电压和工作电流,通过车载TBOX实时传输至云端服务器中,并对所述锂电池云端数字孪生模型的状态参数进行迭代优化;
本发明通过TBOX将电池运行过程中产生的数据传送并存储到云端,随着电池的运行,会生成一个电池衰退过程的数据集,利用该数据集能够对估测算法进行优化,提升对状态参数和电池健康度的估算精度,实现了精细化管理。并能够对云端数字孪生模型中的电阻和电容参数进行实时的修正,能够准确地模拟电池的衰退变化过程。
图2是本发明提供的分数阶电路等效模型图。
在等效电路模型的基础上,针对模型中的电容中频响应较差的问题,通过利用等效电路模型来代替电容模型,构建基于分数阶微分方程的锂电池云端数字孪生模型。并通过车载TBOX将电池运行过程中开路电压和工作电流的孪生数据不断传输到云端服务器中,实现云端数字孪生模型与电池实体的连接和交互,同时根据车载传感器测量电池的工作温度、开路电压、电流信号对云端数字孪生模型的状态参数进行不断的迭代优化。本发明通过建立了基于分数阶等效电路模型的锂电池云端数字孪生模型,通过TBOX将汽车动力电池与云端服务器相互连接,通过上传电池运行过程中工作温度、开路电压和电流的孪生数据,不断优化迭代云端数字孪生模型的状态参数,提升了数字孪生模型的精度以及在各个频段的响应特性,其中,车载传感器包括电压传感器和电流传感器。
所述步骤S1中车载电压传感器和电流传感器采集开路电压和工作电流的采集精度为0.01,采集频率为50Hz。
开路电压和工作电流的采集,包括:
开路电压和工作电流通过CAN总线传输至电子控制单元;
电子控制单元通过车载TBOX传输并存储在云端服务器。
通过TBOX将电池运行过程中的开路电压和工作电流传输到云端数字孪生模型中进行计算分析,并将计算得到的结果返回到车端进行电池健康度的实时更新,为电池最大输出功率SOP的计算提供参考,延长电池的使用寿命,实用性强。
步骤S2构建状态参数滤波器,获得锂电池云端数字孪生模型中的预估电化学阻抗谱;
步骤S21将锂电池运行过程中测量获得的开路电压和工作电流输入至状态参数滤波器中,得到低通滤波后的开路电压和工作电流的分数阶导数,将低通滤波后的开路电压和电流的分数阶导数输入至锂电池云端数字孪生模型,采用递归最小二乘法进行迭代优化,获得锂电池云端数字孪生模型的状态向量;
步骤S2中构建状态参数滤波器的表达式如下:
其中,,F(s)是电化学阻抗谱函数,s是电化学阻抗谱函数中的复变量,α 0,α 1,…,为状态参数滤波器中各子项的系数,n,…,n(N f -1),nN f 是状态参数滤波器中各子项的阶数,N f 是状态参数滤波器的分数阶状态空间表示的维数。
步骤S22基于状态参数滤波器和最小递归最小二乘法,计算出锂电池云端数字孪生模型中的容抗和阻抗参数,对锂电池云端数字孪生模型进行实时更新,通过阻抗估计函数计算得到锂电池在运行过程中的预估电化学阻抗谱;
预估电化学阻抗谱的表达式如下:
其中,Z(s)、R 0、R 1、C 1、C 2分别是锂电池云端数字孪生模型中的电化学阻抗谱、欧姆内阻、极化内阻、极化电容、扩散电容。
本发明采用状态参数滤波器、递归最小二乘法和粒子滤波器框架下的回归模型预测,能够精确的估算出电池的电化学阻抗谱和电池的健康度,检测度高。
步骤S3基于所述预估电化学阻抗谱和锂电池云端数字孪生模型中的实测电化学阻抗谱,建立锂电池电化学阻抗谱增长的回归模型,将所述回归模型引入非参数化的粒子滤波器框架,对锂电池的SOH进行估算,获得所述锂电池的SOH。
锂电池电化学阻抗谱增长的回归模型的表达式为:
R = p 1 m 3 + p 2 m 2 + p 3 m + p 4
其中,R表示电化学阻抗,p 1,p 2,p 3,p 4是回归模型参数,m是循环指数。
将所得到的回归模型引入非参数化的粒子滤波器框架,对电池的SOH和剩余使用寿命进行较为精准的估算。
其中,x k 为k时刻回归模型的状态向量,z k 为k时刻的电池电化学阻抗测量值,q k 为k时刻过程噪声,v k 为k时刻测量噪声,f k-1(x k-1)为k-1时刻的回归模型的状态方程,h k (x k )为k时刻系统的测量方程。
本发明基于分数阶的微分方程的云端数字孪生模型对车载锂电池的通用性较好,只需较少且容易测量的锂电池参数,实现对锂电池的电化学阻抗谱和健康度进行精确地估算。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
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,均应包含在本发明的保护范围之内。
Claims (7)
1.基于数字孪生的锂电池EIS和SOH估计方法,其特征在于,包括以下步骤:
步骤S1利用等效电路模型,构建基于分数阶微分方程的锂电池云端数字孪生模型,锂电池运行过程中,车载电压传感器和电流传感器分别采集开路电压和工作电流,通过车载TBOX实时传输至云端服务器中,并对所述锂电池云端数字孪生模型的状态参数进行迭代优化;
步骤S2构建状态参数滤波器,获得锂电池云端数字孪生模型中的预估电化学阻抗谱;
步骤S21将所述锂电池运行过程中测量获得的开路电压和工作电流输入至状态参数滤波器中,得到低通滤波后的开路电压和工作电流的分数阶导数,将所述低通滤波后的开路电压和电流的分数阶导数输入至所述锂电池云端数字孪生模型,采用递归最小二乘法进行迭代优化,获得所述锂电池云端数字孪生模型的状态向量;
步骤S22基于状态参数滤波器和递归最小二乘法,计算出所述锂电池云端数字孪生模型中的容抗和阻抗参数,对所述锂电池云端数字孪生模型进行实时更新,通过阻抗估计函数计算得到所述锂电池在运行过程中的预估电化学阻抗谱;
步骤S3基于所述预估电化学阻抗谱和锂电池云端数字孪生模型中的实测电化学阻抗谱,建立锂电池电化学阻抗谱增长的回归模型,将所述回归模型引入非参数化的粒子滤波器框架,对锂电池的SOH进行估算,获得所述锂电池的SOH。
2.根据权利要求1所述的锂电池EIS和SOH估计方法,其特征在于,所述步骤S1中车载电压传感器和电流传感器采集开路电压和工作电流的采集精度为0.01,采集频率为50Hz。
6.根据权利要求1所述的锂电池EIS和SOH估计方法,其特征在于,所述步骤S3中锂电池电化学阻抗谱增长的回归模型的表达式为:
R = p 1 m 3 + p 2 m 2 + p 3 m + p 4
其中,R表示电化学阻抗,p 1,p 2,p 3,p 4是回归模型参数,m是循环指数。
7.根据权利要求1所述的锂电池EIS和SOH估计方法,其特征在于,所述开路电压和工作电流的采集,包括:
所述开路电压和工作电流通过CAN总线传输至电子控制单元;
所述电子控制单元通过所述车载TBOX传输并存储在所述云端服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036750.5A CN115097321B (zh) | 2022-08-29 | 2022-08-29 | 基于数字孪生的锂电池eis和soh估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036750.5A CN115097321B (zh) | 2022-08-29 | 2022-08-29 | 基于数字孪生的锂电池eis和soh估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115097321A true CN115097321A (zh) | 2022-09-23 |
CN115097321B CN115097321B (zh) | 2022-11-15 |
Family
ID=83300300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036750.5A Active CN115097321B (zh) | 2022-08-29 | 2022-08-29 | 基于数字孪生的锂电池eis和soh估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021239894A1 (en) * | 2020-05-28 | 2021-12-02 | Stabl Energy Gmbh | Modular energy storage system |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114062786A (zh) * | 2022-01-07 | 2022-02-18 | 北京航空航天大学 | 一种基于数字孪生和可编程电阻的eis在线测量方法 |
CN114692365A (zh) * | 2020-12-29 | 2022-07-01 | 北京昇科能源科技有限责任公司 | 云端一体电池全生命周期智慧管控架构及其方法 |
CN114722625A (zh) * | 2022-04-24 | 2022-07-08 | 上海玫克生储能科技有限公司 | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 |
CN114814691A (zh) * | 2022-03-09 | 2022-07-29 | 中国科学技术大学 | 一种基于数字孪生的锂电池系统电压传感器故障诊断方法 |
-
2022
- 2022-08-29 CN CN202211036750.5A patent/CN115097321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021239894A1 (en) * | 2020-05-28 | 2021-12-02 | Stabl Energy Gmbh | Modular energy storage system |
CN114692365A (zh) * | 2020-12-29 | 2022-07-01 | 北京昇科能源科技有限责任公司 | 云端一体电池全生命周期智慧管控架构及其方法 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114062786A (zh) * | 2022-01-07 | 2022-02-18 | 北京航空航天大学 | 一种基于数字孪生和可编程电阻的eis在线测量方法 |
CN114814691A (zh) * | 2022-03-09 | 2022-07-29 | 中国科学技术大学 | 一种基于数字孪生的锂电池系统电压传感器故障诊断方法 |
CN114722625A (zh) * | 2022-04-24 | 2022-07-08 | 上海玫克生储能科技有限公司 | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 |
Non-Patent Citations (2)
Title |
---|
朱静 等: "质子交换膜燃料电池系统数字孪生故障诊断模型研究", 《控制理论与应用》 * |
闫啸宇 等: "锂离子电池容量衰退机理与影响因素研究", 《北京航空航天大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115097321B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
CN109143108B (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
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 | |
CN108445408A (zh) | 一种基于参数估计ocv的全温度soc估计方法 | |
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
CN115877232A (zh) | 一种基于卡尔曼滤波的锂离子电池内部温度估计方法 | |
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 | |
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 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN115469228A (zh) | 可重构网络式储能系统电池荷电状态估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
Ye et al. | Co-estimation of lithium-ion battery state-of-charge and state-of-health based on fractional-order model | |
Jin et al. | A novel robust back propagation neural networkdual extended Kalman filter model for state-ofcharge and state-of-health co-estimation of lithiumion batteries | |
Deng et al. | An improved algorithm of SOC testing based on open-circuit voltage-ampere hour method | |
CN115097321B (zh) | 基于数字孪生的锂电池eis和soh估计方法 | |
Cai et al. | D-ukf based state of health estimation for 18650 type lithium battery |
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 |