CN115130293A - 一种双重扰动下基于多胞滤波的动力电池温度估计方法 - Google Patents
一种双重扰动下基于多胞滤波的动力电池温度估计方法 Download PDFInfo
- Publication number
- CN115130293A CN115130293A CN202210706888.5A CN202210706888A CN115130293A CN 115130293 A CN115130293 A CN 115130293A CN 202210706888 A CN202210706888 A CN 202210706888A CN 115130293 A CN115130293 A CN 115130293A
- Authority
- CN
- China
- Prior art keywords
- time
- temperature
- noise
- power battery
- estimation
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种双重扰动下基于多胞滤波的动力电池温度估计方法,属于动力电池状态估计技术领域。所述方法包括建立未知但有界噪声与高斯噪声混合的动力电池电热模型,基于多胞空间模型和已知噪声的概率分布情况,设计多胞更新策略,构造状态估计器,基于均方误差最小和多胞空间最小得到满足一定概率分布的噪声和未知但有界噪声的最优权重,而非取相同权重,从而提高了包含状态真值的估计区间的准确性。相比于现有的结合随机和集员的混合噪声双重滤波的状态估计方法,本申请方法状态估计精度更高,由于结果区间更小,因此可进一步确定估计具体值。
Description
技术领域
本发明涉及一种双重扰动下基于多胞滤波的动力电池温度估计方法,属于动力电池状态估计技术领域。
背景技术
动力电池作为一种绿色、清洁的化学能源,在科研和工程实践中有着广阔的研究背景。动力电池的广泛应用对电池的性能提出了较高的要求,安全性和可靠性是电池储能系统最关键的问题。为了保证整个储能系统的安全运行,需要对电池的运行状态进行实时、准确的状态估计。
众所周知,电池运行状态下存在很多噪声,因此对于电池的运行状态的估计需要考虑噪声的问题。传统的状态估计方法通常假设动力电池系统运行过程中存在的噪声满足一定的概率分布,使用随机噪声类方法例如卡尔曼滤波实现状态估计;但动力电池工作环境复杂,系统噪声中有些噪声的概率分布很难完全获得,或者其根本就不符合一定的概率分布,因此导致状态估计的结果不准确。为了解决这一问题,有学者提出了集员估计方法,该方法只要求系统的噪声有界,并不需要知道噪声分布等统计特性。在表示状态估计区域时,可以采用椭球、区间、多胞体等几何体表示,但集员估计得到的是状态变量的可行集而不是具体的估计值,同时因为该方法对于满足一定概率分布的噪声没有针对性考虑,因此其所得到的状态估计结果的可行集存在进一步收缩的空间。
由上可知,现有状态估计方法仅针对某一种不确定噪声进行计算,对于两种噪声同时存在的双重扰动系统,仅单独使用随机噪声类方法或集员估计方法对估计结果都是不利的。为了充分利用两种方法的优势,保证可靠的估计结果,结合两种噪声的双重滤波技术研究在状态估计领域也受到大家的重视。但目前一些关于双重滤波的状态估计研究中,在估计过程中选择相同的权重处理各种随机和未知但有界的混合噪声,但复杂的实际运行环境中的各种随机噪声和未知但有界噪声不可能是相同的,导致此类状态估计方法得到的估计结果也不够精确。
发明内容
为了解决目前随机和未知但有界的混合噪声双重扰动下电池状态估计精度不高的问题,本发明提供了一种双重扰动下基于多胞滤波的动力电池温度估计方法,所述方法包括:
Step1:建立未知但有界噪声与高斯噪声混合的动力电池电热模型;
可选的,所述Step1建立的未知但有界噪声与高斯噪声混合的动力电池电热模型为:
其中,xk=[x1,k,x2,k]T=[Tc,k,Ts,k]T为温度变量,Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度,uk=[Qgen,k,Te,k]T为k时刻的输入矩阵,Qgen表示电池核心的发热功率;Te,k表示k时刻的环境温度,wk∈<0,W>表示k时刻未知但有界的扰动噪声,表示k时刻服从高斯分布的扰动噪声;vk∈<0,V>表示k时刻未知但有界的测量噪声,表示k时刻服从高斯分布的测量噪声;A表示状态空间矩阵,B表示输入矩阵,C表示输出矩阵;yk为输出变量,即动力电池运行状态下的温度测量值。
可选的,所述Step2包括:
若k=0,则根据动力电池初始运行时刻的核心温度和表面温度设定初始时刻的最优估计值,继而根据初始时刻温度的最优估计值确定下一时刻温度的预测值;
Pk+1|k=APkAT+Q (5)
Hk+1|k=[AHk W] (6)
其中,Hk为k时刻未知但有界部分的估计误差的生成矩阵;W为未知但有界扰动噪声的生成矩阵。
可选的,所述Step3包括:
C为输出矩阵;R为服从高斯分布的测量噪声的协方差矩阵;
Hk+1=[(I-Kk+1C)Hk+1|k Kk+1V] (11)
V为未知但有界测量噪声的生成矩阵;
Kk+1是k+1时刻的最优增益,根据(10)和(11)得到最优准则为:
求解上式(12)所示的最优准则得到最优增益Kk+1:
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计;
可选的,所述Step4包括:
可选的,所述Step1包括:
根据动力电池的电化学机理,建立动力电池等效电路,根据所述动力电池等效电路,得到如下方程:
其中,R1和Cp1分别为动力电池的电化学极化内阻和电容,R1和Cp1二者并联后两端的电压是U1;R2和Cp2分别为动力电池的浓差极化电阻和电容,R2和Cp2二者并联后两端的电压是U2;I为放电电流;
根据动力电池的热模型,建立未知但有界噪声与高斯噪声混合的动力电池电热模型;
根据动力电池产热原理,建立动力电池的热模型:
其中,Ts与Tc分别表示电池表面温度和电池核心温度,Te表示环境温度;Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数;Rc表示电池核心与表面之间的热阻;Ru表示电池表面与冷却空气之间的对流电阻;Qgen=I(Uoc-U)=I(RoI+U1+U2)表示电池核心的发热功率,Ro为动力电池内阻,Uoc为电池内部电源,U为电池两端电压;
以发热功率Qgen和环境温度Te为输入,电池核心温度Tc和表面温度Ts为温度变量,对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后,得到公式(1)所示的未知但有界噪声与高斯噪声混合的动力电池电热模型。
可选的,所述方法还包括:
根据动力电池热模型得到参数矩阵A、B,表达式分别为:
其中,Δt为采样时间。
本申请还提供上述方法在动力电池生产中的应用。
本发明有益效果是:
通过获取动力电池的等效电路模型和热模型以建立未知但有界噪声与高斯噪声混合的动力电池电热模型,基于卡尔曼滤波思想,设计了多胞空间更新策略,构造了状态估计器,同时考虑均方误差最小和多胞空间最小两个评价指标,得到双重滤波器的最优权重,也即针对满足一定概率分布的噪声和未知但有界噪声这两种噪声确定其最优权重,而非取相同权重,从而使得所估计出的状态区间更接近于动力电池运行状态下的真实温度,有效地提高了包含状态真值的估计区间的准确性。相比于现有的结合随机和未知但有界的混合噪声双重滤波的状态估计方法,本申请方法状态估计精度更高。
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他的附图。
图1是本发明一个实施例中公开的一种双重扰动下基于多胞滤波的动力电池温度估计方法的流程图。
图2是一种动力电池等效电路模型图。
图3是本发明一个实施例中公开的动力电池正常工作运行状态下,本发明估计动力电池核心温度上下界、现有方法估计上下界和核心温度真值的对比图。
图4是本发明一个实施例中公开的动力电池正常工作运行状态下,本发明估计动力电池表面温度上下界、现有方法估计上下界和表面真值的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种双重扰动下基于多胞滤波的动力电池温度估计方法,参见图1,所述方法包括:
Step1:建立未知但有界噪声与高斯噪声混合的动力电池电热模型为:
其中,xk=[x1,k,x2,k]T=[Tc,k,Ts,k]T为状态变量,Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度,uk=[Qgen,k,Te,k]T为k时刻的输入矩阵,Qgen表示电池核心的发热功率;Te,k表示k时刻的环境温度,wk∈<0,W>表示k时刻未知但有界的扰动噪声,W表示未知但有界扰动噪声的生成矩阵;表示k时刻服从高斯分布的扰动噪声,表示服从高斯分布的扰动噪声的协方差矩阵;vk∈<0,V>表示k时刻未知但有界的测量噪声,V表示未知但有界测量噪声的生成矩阵;表示k时刻服从高斯分布的测量噪声,R表示服从高斯分布的测量噪声的协方差矩阵;A表示状态空间矩阵,B表示输入矩阵,C表示输出矩阵;yk为输出变量,即动力电池运行状态下的温度测量值;
Pk+1|k=APkAT+Q (5)
Hk+1|k=[AHk W] (6)
Hk+1=[(I-Kk+1C)Hk+1|k Kk+1V] (11)
Kk+1是k+1时刻的最优增益,根据(10)和(11)得到最优准则为:
求解(12)得到最优增益Kk+1:
实施例二
本实施例提供一种双重扰动下基于多胞滤波的动力电池温度估计方法,参见图1,所述方法包括:
步骤一:根据动力电池的电化学机理,建立动力电池等效电路模型;
根据动力电池的电化学机理,建立图2所示的动力电池等效电路,根据该动力电池等效电路,得到如下方程:
其中,R1和Cp1分别为动力电池的电化学极化内阻和电容,R1和Cp1二者并联后两端的电压是U1;R2和Cp2分别为动力电池的浓差极化电阻和电容,R2和Cp2二者并联后两端的电压是U2;I为放电电流。
步骤二,根据动力电池的热模型,建立未知但有界噪声与高斯噪声混合的动力电池电热模型;
根据动力电池产热原理,建立动力电池的热模型:
其中,Ts与Tc分别表示电池表面温度和电池核心温度,Te表示环境温度;Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数;Rc表示电池核心与表面之间的热阻;Ru表示电池表面与冷却空气之间的对流电阻;Qgen=I(Uoc-U)=I(RoI+U1+U2)表示电池核心的发热功率,Ro为动力电池内阻,Uoc为电池内部电源,U为电池两端电压。
以发热功率Qgen和环境温度Te为输入,电池核心温度Tc和表面温度Ts为状态,对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后,建立未知但有界噪声与高斯噪声混合的动力电池电热模型为:
其中,xk=[x1,k,x2,k]T=[Tc,k,Ts,k]T为状态变量,Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度,uk=[Qgen,k,Te,k]T为k时刻的输入矩阵,Qgen表示电池核心的发热功率;Te,k表示k时刻的环境温度,wk∈<0,W>表示k时刻未知但有界的扰动噪声,表示k时刻服从高斯分布的扰动噪声;vk∈<0,V>表示k时刻未知但有界的测量噪声,表示k时刻服从高斯分布的测量噪声;A表示状态空间矩阵,B表示输入矩阵,C表示输出矩阵,yk为输出变量, 为系统的参数矩阵,k为离散时间。
Pk+1|k=APkAT+Q (5)
Hk+1|k=[AHk W] (6)
Hk+1=[(I-Kk+1C)Hk+1|k Kk+1V] (11)
Kk+1是k+1时刻的最优增益,根据(10)和(11)得到最优准则为:
求解(12)得到最优增益Kk+1:
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计;
在本实例中,在预定时间范围内,执行步骤一至步骤五后,得到状态估计区间,实现动力电池运行状态的估计。
图3和图4分别为采用本申请提供的方法和现有方法(现有方法可参考Anextended zonotopic and Gaussian Kalman filter(EZGKF)merging set-membershipand stochastic paradigms:Toward non-linear filtering and fault detection)对动力电池核心温度状态变量估计区间变化图和表面温度状态变量的估计区间变化图。其中,图3为对动力电池核心温度的估计结果的对比;图4为对动力电池表面温度的估计结果的对比。
从图3和图4可以看出,现有的估计方法和本申请所提出的估计方法都能实现对动力电池核心温度和表面温度的状态估计,状态真值位于估计区间范围内,但是,本申请所提出的方法由于针对满足一定概率分布的噪声和未知但有界噪声这两种噪声确定其最优权重,而非取相同权重,因此估计的温度值区间更小,更加准确。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
2.根据权利要求1所述的方法,其特征在于,所述Step1建立的未知但有界噪声与高斯噪声混合的动力电池电热模型为:
3.根据权利要求2所述的方法,其特征在于,所述Step2包括:
若k=0,则根据动力电池初始运行时刻的核心温度和表面温度设定初始时刻的最优估计值,继而根据初始时刻温度的最优估计值确定下一时刻温度的预测值;
Pk+1|k=APkAT+Q (5)
Hk+1|k=[AHk W] (6)
其中,Hk为k时刻未知但有界部分的估计误差的生成矩阵;W为未知但有界扰动噪声的生成矩阵。
4.根据权利要求3所述的方法,其特征在于,所述Step3包括:
C为输出矩阵;R为服从高斯分布的测量噪声的协方差矩阵;
Hk+1=[(I-Kk+1C)Hk+1|k Kk+1V] (11)
V为未知但有界测量噪声的生成矩阵;
Kk+1是k+1时刻的最优增益,根据(10)和(11)得到最优准则为:
求解上式(12)所示的最优准则得到最优增益Kk+1:
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计;
6.根据权利要求5所述的方法,其特征在于,所述Step1包括:
根据动力电池的电化学机理,建立动力电池等效电路,根据所述动力电池等效电路,得到如下方程:
其中,R1和Cp1分别为动力电池的电化学极化内阻和电容,R1和Cp1二者并联后两端的电压是U1;R2和Cp2分别为动力电池的浓差极化电阻和电容,R2和Cp2二者并联后两端的电压是U2;I为放电电流;
根据动力电池的热模型,建立未知但有界噪声与高斯噪声混合的动力电池电热模型;
根据动力电池产热原理,建立动力电池的热模型:
其中,Ts与Tc分别表示电池表面温度和电池核心温度,Te表示环境温度;Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数;Rc表示电池核心与表面之间的热阻;Ru表示电池表面与冷却空气之间的对流电阻;Qgen=I(Uoc-U)=I(RoI+U1+U2)表示电池核心的发热功率,Ro为动力电池内阻,Uoc为电池内部电源,U为电池两端电压;
以发热功率Qgen和环境温度Te为输入,电池核心温度Tc和表面温度Ts为温度变量,对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后,得到公式(1)所示的未知但有界噪声与高斯噪声混合的动力电池电热模型。
9.权利要求1-8任一所述的方法在动力电池生产中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706888.5A CN115130293A (zh) | 2022-06-21 | 2022-06-21 | 一种双重扰动下基于多胞滤波的动力电池温度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706888.5A CN115130293A (zh) | 2022-06-21 | 2022-06-21 | 一种双重扰动下基于多胞滤波的动力电池温度估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130293A true CN115130293A (zh) | 2022-09-30 |
Family
ID=83380931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210706888.5A Pending CN115130293A (zh) | 2022-06-21 | 2022-06-21 | 一种双重扰动下基于多胞滤波的动力电池温度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130293A (zh) |
-
2022
- 2022-06-21 CN CN202210706888.5A patent/CN115130293A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
Zou et al. | Electrochemical estimation and control for lithium-ion battery health-aware fast charging | |
Zhang et al. | A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles | |
WO2022105104A1 (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN111929581B (zh) | 一种动力锂电池内外部温度预测方法 | |
CN111199122A (zh) | 基于多物理场的质子交换膜燃料电池水淹故障诊断方法 | |
CN105572596B (zh) | 锂电池soc估算方法及系统 | |
CN112580284B (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN103529400A (zh) | 一种具有温度自适应补偿的电池容量预测方法 | |
CN113093016B (zh) | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
Ren et al. | Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery | |
Liu et al. | A novel fuzzy‐extended Kalman filter‐ampere‐hour (F‐EKF‐Ah) algorithm based on improved second‐order PNGV model to estimate state of charge of lithium‐ion batteries | |
CN114899523B (zh) | 一种锂离子电池单体热失控核心温度估计方法 | |
CN114497818B (zh) | 一种低温环境下锂离子电池的内部快速加热方法 | |
Li et al. | SOC Estimation of Lithium‐Ion Battery for Electric Vehicle Based on Deep Multilayer Perceptron | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
Wang et al. | State of health estimation of lithium-ion battery in wide temperature range via temperature-aging coupling mechanism analysis | |
Liu et al. | State of energy estimation for lithium-ion batteries using adaptive fuzzy control and forgetting factor recursive least squares combined with AEKF considering temperature | |
CN115130293A (zh) | 一种双重扰动下基于多胞滤波的动力电池温度估计方法 | |
Xu et al. | A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter | |
CN111413620A (zh) | 一种基于集员滤波的锂电池电荷状态估计方法 | |
CN115542167A (zh) | 一种基于粒子滤波算法的锂电池soc估算方法与系统 |
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 |