CN115389939A - 基于最小二乘法的储能电池荷电和健康状态在线估计方法 - Google Patents

基于最小二乘法的储能电池荷电和健康状态在线估计方法 Download PDF

Info

Publication number
CN115389939A
CN115389939A CN202210838658.4A CN202210838658A CN115389939A CN 115389939 A CN115389939 A CN 115389939A CN 202210838658 A CN202210838658 A CN 202210838658A CN 115389939 A CN115389939 A CN 115389939A
Authority
CN
China
Prior art keywords
energy storage
soc
storage battery
state
charge
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
Application number
CN202210838658.4A
Other languages
English (en)
Inventor
李正烁
刘刚
袁朝勇
严学庆
钱军
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.)
JIANGSU OLITER ENERGY TECHNOLOGY CO LTD
Original Assignee
JIANGSU OLITER ENERGY TECHNOLOGY CO LTD
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 JIANGSU OLITER ENERGY TECHNOLOGY CO LTD filed Critical JIANGSU OLITER ENERGY TECHNOLOGY CO LTD
Priority to CN202210838658.4A priority Critical patent/CN115389939A/zh
Publication of CN115389939A publication Critical patent/CN115389939A/zh
Pending legal-status Critical Current

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。本发明准确在线估计电池充放电过程中电池的荷电状态变化，调度员可以清楚的根据电池当前状态和指令后状态变化下发调度指令，避免过充过放，有利于充分发挥储能电池在电力系统中的应用潜力，提升电力系统的经济性和安全性。

Description

基于最小二乘法的储能电池荷电和健康状态在线估计方法
技术领域
本发明属于储能电池技术领域，具体涉及一种基于最小二乘法的储能电池荷电和健康状态在线估计方法
背景技术
储能是指通过介质或设备，利用化学或物理的方法把能量存储起来，根据应用需求以特定能量形式释放的过程，通常说的储能是指针对电能的储能。储能技术应用广泛，储能的作用主要是提高电力稳定性和可用性，储存的能量可以用做应急能源，也可以用于在电网负荷低的时候储能，在电网高负荷的时候输出能量，用于削峰填谷，减轻电网波动，同时还可以增强可再生能源利用。
随着电力系统、新能源发电(风能、太阳能等)、清洁能源动力汽车等行业的飞速发展，对储能技术尤其大规模储能技术提出了更高的要求。由于风能、太阳能等可再生能源发电具有不连续、不稳定、不可控的特性，可再生能源大规模并入电网会给电网的安全稳定运行带来严重的冲击，而大规模储能系统可有效实现可再生能源发电的调幅调频、平滑输出、跟踪计划发电，从而减小可再生能源发电并网对电网的冲击，提高电网对可再生能源发电的消纳能力，解决弃风、弃光问题。因此，储能技术在电力系统中的广泛应用将成为智能电网发展的一个必然趋势。
为了使储能电池与电力系统(配电网)达到更高的适配度，实现对电网电压、功率调整进行更有效的配合，对储能电池实时状态(特别是荷电状态和健康状态)的准确估计就显得尤为重要。只有掌握单体电池或电池组的实时状态，才能做出准确有效的调度决策，防止过充、过放、过温、短路等故障的发生。为此储能系统必须配备相应的电池管理系统，而荷电状态估算作为bms的核心部分，是操作人员控制电池充放电的依据，对于延长电池寿命和保证电池的安全有着重要意义。
随着可再生能源的大量并网，其不确定性给传统电网带来了诸多新挑战。储能电池由于其强大的缓冲能力，在电力系统中应用的比例不断提高。然而由于储能电池充放电过程中的出力特性不能准确估计，这给电力系统优化调度增加了不安全因素和不经济因素。调度过程中过充过放都会增加事故发生的可能性，也会减少电池的使用寿命。
发明内容
本发明解决的技术问题：提供一种通过电池内部模型参数的构建与辨识来实现荷电状态估计，对多种储能电池均有很好的普适性的基于最小二乘法的储能电池荷电和健康状态在线估计方法。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，包括：首先，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。
具体包括以下步骤：
S1：收集额定工作条件下储能电池的电流和电压数据；
S2：构建储能电池二阶电路内部模型；
S3：建立二阶电路的网络拓扑频域方程，经Z变换得到差分方程，然后利用最小二乘法的辨识模型，基于充放电数据识别模型参数；
S4：根据获得的电池二阶模型进行充放电曲线仿真。
S5：SOC和SOH状态估计
作为优选，步骤S1中，历史数据包括充电和放电两个过程的中的端电压电压、端电流电流数据，数据量的大小应满足下列步骤中求解待定系数的要求。
作为优选，步骤S3中，二阶电路的网络拓扑频域方程为：
Figure BDA0003749314990000021
把电流I当成系统输入，电压U当成系统输出，利用z变换，把上式变换成差分方程的模式，具体公式为：
U(k)＝(1-k1-k2)Uoc(k)+k1U(k-1)+k2U(k-2)+k3I(k-1)+k5I(k-2)
写成最小二乘的形式，可以得到：
Figure BDA0003749314990000022
Figure BDA0003749314990000023
θ＝[(1-k1-k2)Uoc，k1，k2，k3，k4，k5]T
式中：
Figure BDA0003749314990000024
表示数据向量，
Figure BDA0003749314990000025
表示数据向量的转置，k1，k2，k3，k4，k5为待定系数、θ为待定系数向量，可由与实际数据比对获取；
k1，k2，k3，k4，k5和电池模型的参数关系，如下：
Figure BDA0003749314990000031
Figure BDA0003749314990000032
Figure BDA0003749314990000033
Figure BDA0003749314990000034
Figure BDA0003749314990000035
通过求解得到二阶电路模型的元件参数，式中：T为采样时间。
作为优选，步骤S4中，根据已获取的电池内部二阶模型，对电池充放电曲线进行仿真，包括充放电过程中的电压、电流数据。
作为优选，步骤S5中，历史研究表明SOC与Voc有很好的线性相关性，但由于Voc的测量需要一段时间才能达到热力学平衡下的稳定状态，凭借Voc估计SOC只适合离线状态下的状态估计，不能满足在线估计的要求。因此在本步骤中引入电压变化率的概念V′oc，经数据比对发现SOC与1/V′oc也有很好的线性相关性，可建立SOC状态估计公式如下：
SOC(％)＝α·Voc+β·(1/V′oc)+γ
其中Voc为开路电压；
Figure BDA0003749314990000036
为充放电电压变化仿真曲线的斜率，α，β，γ为待定系数，可由与实际数据比对获取。
作为优选，步骤S5中，为满足SOH在线状态估计的要求，建立SOH状态估计公式如下：
SOH(％)＝λ(SOC)·[m·(1/V′oc)+n]
λ(SOC)＝a+b·(SOC)+c·(SOC)2+d·(SOC)3
其中m，n，a，b，c，d为待定系数，可由与实际数据比对获取，λ为与SOC呈三次相关的修正系数，可以看出SOH的估计公式并不依赖循环次数的测量。
有益效果：与现有技术相比，本发明具有以下优点：
本发明的基于最小二乘法的在线估计储能电池荷电状态和健康状态的建模方法，基于最小二乘法对电池内部建立假想二阶内部模型，使用最小二乘法进行参数辨识。根据二阶内部模型进行充放电曲线仿真，利用新颖的估计公式能够更为准确地在线估计电池的荷电状态和健康状态。这将有利于储能电池在电力系统中的并网，更加准确有效地发挥应对不确定性地缓冲作用。与以往的评估方法相比，进一步缩小了仿真模型和实际模型之间的差距，提高了评估精度，并满足在线估计的要求，增强了应用于实际的可能性。经软件模拟预测仿真，和电池实际充放电数据相比较，本模型能够准确的估计储能电池的荷电状态和健康状态。
本发明可以较为准确的估计电池充放电过程中电池的荷电状态变化以及健康状态，调度员可以清楚的根据电池当前状态和指令后状态变化下发调度指令，避免过充过放，这将有利于充分发挥储能电池在电力系统中的应用潜力，提升电力系统的经济性和安全性。
附图说明
图1是本发明方法的流程框图；
图2是储能电池二阶电路内部模型；
图3是锂电池恒流充电过程电压变化仿真曲线；
图4是锂电池恒流充电过程SOC-Voc对应关系曲线。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本发明提出的基于最小二乘法的储能电池的荷电状态估计方法，首先根据储能电池内特性将储能电池的内部结构建模为含有电容、电阻的二阶电路模型。综合考虑电池充放电时端口电压电流及功率曲线和耦合关系，模拟与实际电路特性相比较为精准的电路结构。采用最小二乘方法，利用历史数据和对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。
具体包括以下步骤：
步骤1：收集额定工作条件(额定温度、额定负荷等)下目标型号储能电池的历史数据，包括充电和放电两个过程的中的端电压电压、端电流电流数据，数据量的大小应满足下列步骤中求解待定系数的最低要求。
步骤2：基于储能电池充放电特性构建储能电池二阶电路内部模型；
基于储能电池充放电特性构建含有电阻、电容的电池内部模型，经仿真分析选择建立储能电池二阶电路内部模型，具体如图2所示。R0为电池内部的电阻内阻；R1、R2为极化的电阻；Uoc为整体开路电压；C1以及C2为极化电容；而I为流过内阻的电流；U为电池端的电压。
步骤3：建立二阶电路的网络拓扑频域方程，经Z变换得到一差分方程。根据历史数据，利用最小二乘法求取二阶电路模型中的元件参数，使二阶电路模型在给定输入条件下输出与历史数据相同或近似相同，这样最终得到的仿真模型端口特性与实际储能电池相拟合。
二阶电路的网络拓扑频域方程为：
Figure BDA0003749314990000051
把电流I当成系统输入，电压U当成系统输出，利用z变换，把上式变换成差分方程的模式，具体公式为：
U(k)＝(1-k1-k2)Uoc(k)+k1U(k-1)+k2U(k-2)+k3I(k-1)+k5I(k-2)
写成最小二乘的形式，可以得到：
Figure BDA0003749314990000052
Figure BDA0003749314990000053
θ＝[(1-k1-k2)Uoc，k1，k2，k5，k4，k5]T
式中：
Figure BDA0003749314990000054
表示数据向量，
Figure BDA0003749314990000055
表示数据向量的转置，k1，k2，k3，k4，k5为待定系数、θ为待定系数向量，可由与实际数据比对获取；
k1，k2，k3，k4，k5和电池模型的参数关系，如下：
Figure BDA0003749314990000056
Figure BDA0003749314990000057
Figure BDA0003749314990000058
Figure BDA0003749314990000059
Figure BDA00037493149900000510
通过求解得到二阶电路模型的元件参数。式中：T为采样时间。
以容量为2.55Ah，充放电截止电压分别为4.2V和2.75V的三元锂电池为例进行实验，经过最小二乘拟合获取二阶电路模型的元件参数。
步骤4：根据已获取的电池内部二阶模型，对电池充放电曲线进行仿真，可以获取充放电过程中的电压、电流数据，这里只根据需求获取恒流充电过程电压变化仿真曲线如图3所示。
步骤5：进行荷电状态估计和健康状态估计
历史研究表明SOC与Voc有很好的线性相关性，但由于Voc的测量需要一段时间才能达到热力学平衡下的稳定状态，凭借Voc估计SOC只适合离线状态下的状态估计，不能满足在线估计的要求。因此在本步骤中引入电压变化率的概念V′oc，经数据比对发现SOC与1/V′oc也有很好的线性相关性。可建立SOC状态估计公式如下：
SOC(％)＝α·Voc+β·(1/V′oc)+γ
其中Voc为开路电压；
Figure BDA0003749314990000061
为充放电电压变化仿真曲线的斜率，α，β，γ为待定系数，可由与实际数据比对获取：α＝0.9，β＝-0.04，γ＝-2.5。将其代入SOC状态估计公式有：
SOC(％)＝0.9·Voc-0.04·(1/V′oc)-2.5。
为满足SOH在线状态估计的要求，建立SOH状态估计公式如下：
SOH(％)＝λ(SOC)·[m·(1/V′oc)+n]
λ(SOC)＝a+b·(SOC)+c·(SOC)2+d·(SOC)3
其中m，n，a，b，c，d为待定系数，可由与实际数据比对获取。λ为与SOC呈三次相关的修正系数，可以看出SOH的估计公式并不依赖循环次数的测量，满足在线测量得要求。
基于图3中的曲线可以获取每一充电时刻Voc、V′oc等数据，将多组数据代入SOC状态估计公式与SOH状态估计公式，与离线实际值比对可以求取m，n，a，b，c，d等参数，本实施例中获取的参数为：m＝0.16，n＝0.04，a＝0.7，b＝-1.5，c＝3.3，d＝-0.9。
将其代入SOH状态估计公式有：
SOH(％)＝λ(SOC)·[0.16·(1/V′oc)+0.04]
λ(SOC)＝0.7-1.5·(SOC)+3.3·(SOC)2-0.09·(SOC)3
如以SOC为50％的典型状态为例得到SOH状态估计公式为：SOH(％)＝0.76375·[0.16·(1/V′oc)+0.041]，结合图3中V′oc的数据可以求取SOH实时状态。
由SOC状态估计公式绘制SOC-Voc对应关系曲线如图4所示。
本发明的基于最小二乘法的储能电池的荷电状态和健康状态估计方法，在构建储能电池二阶电路模型的基础上，采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，使电路模型与实际模型的充放电特性相一致，获取最满足端口电路特性的充放电仿真曲线。
首先需要量测目标储能电池充放电过程中端口的电压、电流数据。然后根据储能电池内部特性建立含电阻、电容的二阶电路模型。基于确定好的二阶电路模型，列写电路频域拓扑方程，并经Z变换转化为差分方程形式。将差分方程化为最小二乘形式，并代入充放电过程中量测好的历史数据，求取最符合充放电特性时的二阶电路元件参数。根据获得的电池二阶模型进行充放电曲线仿真，通过建立依靠于电压变化率的SOC、SOH
状态估计表达式，实现储能电池的在线状态估计。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，其特征在于，包括：首先，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。
2.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于，具体包括以下步骤：
S1：收集额定工作条件下储能电池的电流和电压数据；
S2：构建储能电池二阶电路内部模型；
S3：建立二阶电路的网络拓扑频域方程，经Z变换得到差分方程，然后利用最小二乘法的辨识模型，基于充放电数据识别模型参数；
S4：根据获得的电池二阶模型进行充放电曲线仿真；
S5：SOC和SOH状态估计。
3.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S1中，历史数据包括充电和放电两个过程的中的端电压电压、端电流电流数据，数据量的大小应满足下列步骤中求解待定系数的要求。
4.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S3中，二阶电路的网络拓扑频域方程为：
Figure FDA0003749314980000011
把电流I当成系统输入，电压U当成系统输出，利用z变换，把上式变换成差分方程的模式，具体公式为：
U(k)＝(1-k1-k2)Uoc(k)+k1U(k-1)+k2U(k-2)+k3I(k-1)+k5I(k-2)
写成最小二乘的形式，可以得到：
Figure FDA0003749314980000012
Figure FDA0003749314980000013
θ＝[(1-k1-k2)Uoc，k1，k2，k3，k4，k5]T
式中：
Figure FDA0003749314980000014
表示数据向量，
Figure FDA0003749314980000015
表示数据向量的转置，k1，k2，k3，k4，k5为待定系数、θ为待定系数向量，可由与实际数据比对获取；
k1，k2，k3，k4，k5和电池模型的参数关系，如下：
Figure FDA0003749314980000021
Figure FDA0003749314980000022
Figure FDA0003749314980000023
Figure FDA0003749314980000024
Figure FDA0003749314980000025
通过求解得到二阶电路模型的元件参数，式中：T为采样时间。
5.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S4中，根据已获取的电池内部二阶模型，对电池充放电曲线进行仿真，包括充放电过程中的电压、电流数据。
6.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S5中，SOC与Voc有很好的线性相关性，但由于Voc的测量需要一段时间才能达到热力学平衡下的稳定状态，凭借Voc估计SOC只适合离线状态下的状态估计，不能满足在线估计的要求。因此引入电压变化率的概念V′oc，经数据比对发现SOC与1/V′oc有很好的线性相关性，建立SOC状态估计公式如下：
SOC(％)＝α·Voc+β·(1/V′oc)+γ
其中，Voc为开路电压；
Figure FDA0003749314980000026
为充放电电压变化仿真曲线的斜率，α，β，γ为待定系数，由与实际数据比对获取。
7.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S5中，为满足SOH在线状态估计的要求，建立SOH状态估计公式如下：
SOH(％)＝λ(SOC)·[m·(1/V′oc)+n]
λ(SOC)＝a+b·(SOC)+c·(SOC)2+d·(SOC)3
其中，m，n，a，b，c，d为待定系数，由与实际数据比对获取，λ为与SOC呈三次相关的修正系数。
CN202210838658.4A 2022-07-15 2022-07-15 基于最小二乘法的储能电池荷电和健康状态在线估计方法 Pending CN115389939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210838658.4A CN115389939A (zh) 2022-07-15 2022-07-15 基于最小二乘法的储能电池荷电和健康状态在线估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838658.4A CN115389939A (zh) 2022-07-15 2022-07-15 基于最小二乘法的储能电池荷电和健康状态在线估计方法

Publications (1)

Publication Number Publication Date
CN115389939A true CN115389939A (zh) 2022-11-25

Family

ID=84117705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838658.4A Pending CN115389939A (zh) 2022-07-15 2022-07-15 基于最小二乘法的储能电池荷电和健康状态在线估计方法

Country Status (1)

Country Link
CN (1) CN115389939A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908694A (zh) * 2023-07-13 2023-10-20 江苏果下科技有限公司 一种家用储能系统的soh估算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908694A (zh) * 2023-07-13 2023-10-20 江苏果下科技有限公司 一种家用储能系统的soh估算方法
CN116908694B (zh) * 2023-07-13 2024-02-02 江苏果下科技有限公司 一种家用储能系统的soh估算方法

Similar Documents

Publication Publication Date Title
Zheng et al. A novel capacity estimation method for lithium-ion batteries using fusion estimation of charging curve sections and discrete Arrhenius aging model
Kim A technique for estimating the state of health of lithium batteries through a dual-sliding-mode observer
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
Beltran et al. Levelized cost of storage for li-ion batteries used in PV power plants for ramp-rate control
Jinlei et al. Economic operation optimization for 2nd use batteries in battery energy storage systems
CN110350517B (zh) 一种基于运行风险的电动汽车并网配电网络重构方法
CN110931901B (zh) 模拟铅酸电池电气特性的锂电池柔性集成方法与系统
CN108020791A (zh) 一种混合动力船舶磷酸铁锂动力电池组荷电状态估计方法
Guo et al. The SOC estimation of battery based on the method of improved Ampere-hour and Kalman filter
CN108490361A (zh) 一种基于云端反馈的荷电状态SoC计算方法
CN113824111A (zh) 一种光储能场景中储能容量配置和调度方法
CN105207243A (zh) 一种用于风电场实时功率预报修正的电池能量管理方法
Geng et al. State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network
CN112816891A (zh) 一种基于电池组内单体充电曲线差异的电池容量和soc估计方法
Hu et al. Study on SOC estimation of lithium battery based on improved BP neural network
CN114781176B (zh) 一种锂离子电池储能系统集总参数的等效电路参数辨识方法
CN115389939A (zh) 基于最小二乘法的储能电池荷电和健康状态在线估计方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN110031772B (zh) 一种锂离子电池等效内阻的实时估算方法
CN103513188A (zh) 一种电力系统储能站中电池单体的电量计算方法
CN116148670A (zh) 一种电化学储能电站电池寿命估算方法及装置
Meng et al. A fuel cell vehicle power distribution strategy based on PEMFC online identification and ess equivalent consumption calculation
Yalavarthy et al. Review of battery SoC estimating methods and enhanced algorithm for estimating SoC based on OCV-AHC approach
CN114609525A (zh) 基于分数阶容积卡尔曼滤波的动力电池soc估计方法
CN113884901A (zh) 一种电池表面温度分布估计方法及系统

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