CN115542167A - 一种基于粒子滤波算法的锂电池soc估算方法与系统 - Google Patents

一种基于粒子滤波算法的锂电池soc估算方法与系统 Download PDF

Info

Publication number
CN115542167A
CN115542167A CN202211124291.6A CN202211124291A CN115542167A CN 115542167 A CN115542167 A CN 115542167A CN 202211124291 A CN202211124291 A CN 202211124291A CN 115542167 A CN115542167 A CN 115542167A
Authority
CN
China
Prior art keywords
lithium battery
representing
particle filter
honey source
filter algorithm
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
CN202211124291.6A
Other languages
English (en)
Inventor
李妍
梁惠施
郑嘉琪
周奎
汪德成
诸晓骏
张群
王琼
史梓男
贡晓旭
廖星媛
王姿尧
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.)
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Design Consultation Co ltd
Sichuan Energy Internet Research Institute EIRI Tsinghua University
Economic and Technological Research Institute of State Grid Jiangsu Electric Power 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 State Grid Jiangsu Electric Power Design Consultation Co ltd, Sichuan Energy Internet Research Institute EIRI Tsinghua University, Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Design Consultation Co ltd
Priority to CN202211124291.6A priority Critical patent/CN115542167A/zh
Publication of CN115542167A publication Critical patent/CN115542167A/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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供了一种基于粒子滤波算法的锂电池SOC估算方法与系统，其中该方法包括：根据锂电池内部电路构建等效电路模型；对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数；根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算。本发明通过构建等效电路模型，并使用人工蜂群算法实现等效电路模型参数的辨识，可以在获得精准的模型参数基础上，采用粒子滤波算法对锂电池的SOC值进行估算，不仅简化了计算过程，还可以得到准确的估算结果。

Description

一种基于粒子滤波算法的锂电池SOC估算方法与系统
技术领域
本发明属于电池SOC估算技术领域，更具体地说，是涉及一种基于粒子滤波算法的锂电池SOC估算方法与系统。
背景技术
随着能源紧缺和全球环境恶化的问题日益严峻，开发新能源等节能减排技术已经引起了全世界各国的关注。目前，具有自放电小、能量密度高和循环寿命长等优异性能的锂电池现已在光伏储能电站、电动汽车、通讯等领域得到广泛的应用。而为了满足应用对象的性能需求，通常将多块锂电池进行串并联组合，从而增大输出电压、输出电流及容量，但是这也给电池增加了安全隐患，在电池实际运行过程中，常常伴随着过充、过放、过热以及电池不一致性等问题的产生，导致电池的使用效率降低和电池的使用寿命缩短，且随着电池循环次数的增加，电池不一致性的问题会越来越明显，对于上述状况需要采取相应的措施进行应对。通常，借助电池管理系统实现对电池的均衡管理和荷电状态(state of charge，SOC)、健康状态(state of health，SOH)的估算。其中，锂电池SOC是评估电池剩余可用能量的重要指标之一，快速准确的评估锂电池SOC可以防止由于电池过充过放等导致的永久性内部恶化现象的发生，提升锂电池的安全性。
同时，由于锂电池内部存在复杂的物理化学反应，且在SOC的估算过程中受到电流、电压、温度等多个因素的影响，很难通过直接检测得到电池SOC值，只能通过这些影响因素进行推算间接得到，而电流、电压等参数在锂电池的实际运行过程中会不断发生变化，因此实时估算锂电池的SOC值非常困难，如何实现锂电池SOC值在线精确的估算成为锂电池技术的一大难点。
目前，国内外研究电池SOC值的获取方法主要是从电池内部和电池外部两个方面入手，电池内部入手主要是通过对电池内部机理的研究，基于物质能量守恒定律结合电池的物理性质计算电池的剩余电量。从电池外部入手则是需要构建数学模型，在获取电池运行状态下外部输入参数的基础上，借助相应的算法对电池的SOC值进行估算。有学者利用开路电压法准确估算出电池的SOC，操作方法简单，但是该方法在估算过程中需要将电池进行长时间的静置，不能对电池SOC进行在线估算。而安时积分法也可以在较短的时间内获取准确的电池SOC值，但是由于难以获取准确的SOC初始值，该方法在估算过程中会出现误差累计。另有学者使用改进的粒子滤波算法估算电池的SOC值，但该方法在粒子重采样阶段，仅仅根据权值和阈值大小的对比对粒子进行重排，忽略了粒子集枯竭现象，从而对锂电池SOC的估算精度造成影响。
发明内容
本发明的目的在于提供一种基于粒子滤波算法的锂电池SOC估算方法与系统，旨在解决现有对锂电池SOC的估算精度低的问题。
为实现上述目的，本发明采用的技术方案是：
一种基于粒子滤波算法的锂电池SOC估算方法，包括以下步骤：
步骤1：根据锂电池内部电路构建等效电路模型；
步骤2：对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；
步骤3：使用人工蜂群算法对等效电路模型中作为输出参数的锂电池的端电压进行辨识，得到最优阻抗参数；
步骤4：根据所述最优阻抗参数，使用粒子滤波算法对锂电池的SOC值进行估算。
优选的，所述步骤1中等效电路模型的微分方程为：
Figure BDA0003847736860000021
式中，R1表示电化学极化的电阻，R2表示浓差极化的电阻，C1表示电化学极化的电容，C2表示浓差极化的电容，R0表示欧姆内阻，Ut表示端电压，U1表示电化学极化电压，U2表示浓差极化电压，Uoc表示开路电压，I表示锂电池工作电流。
优选的，所述步骤3：使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数，包括：
步骤3.1：确定人工蜂群算法的输入/输出参数；其中，锂电池的工作电流作为输入参数并视为侦察蜂，锂电池的端电压作为输出参数并视为最优蜜源；
步骤3.2：使用侦察蜂在近邻搜索蜜源；
步骤3.3：根据蜜源花蜜量所对应的适应度函数判断蜜源的好坏，并确定出最优蜜源位置；
步骤3.4：根据最优蜜源位置得到最优阻抗参数。
优选的，所述步骤3.2：使用侦察蜂在近邻搜索蜜源，包括：
采用公式：
Figure BDA0003847736860000031
在近邻搜索蜜源；其中，xid＝[R0 R1 R2 C1 C2]T，
Figure BDA0003847736860000032
为[-1，1]的随机数，i＝k+1(k＝1，2，…，99)，k表示一个不等于i的蜜源，d＝1，2，…，5，id表示当前蜜源的的位置，xkd表示已选择的蜜源附近的蜜源，x′id表示选择的蜜源。
优选的，所述适应度函数为：
Figure BDA0003847736860000033
其中，ek表示适应度函数，
Figure BDA0003847736860000034
表示模型端电压，Ut表示实测的端电压。
优选的，所述步骤4：根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算，包括：
步骤4.1：根据锂电池的SOC值，初始化粒子数和粒子权重；
步骤4.2：对每一个粒子的权重进行更新并归一化，得到归一化后的粒子权重；
步骤4.3：对每一个粒子进行重采样，得到新的粒子集；
步骤4.4：使用状态方程对锂电池的SOC进行估算，得到估算完成的SOC值。
优选的，所述状态方程表达式为：
Figure BDA0003847736860000035
其中，vk表示系统的观测噪声，wk表示系统的过程噪声，Δt表示系统的采样周期，xk+1表示粒子的下一个状态，ik表示放电电流，ηi表示放电效率，ηT表示充电效率，ηn表示转换效率，Qn表示电池的额定容量，yk+1表示状态观测值，K0、k1、k3、k4表示常数项系数，R表示电池电阻值，n表示电池循环次数。
本发明还提供了一种基于粒子滤波算法的锂电池SOC估算系统，包括：
等效电路模型构建模块，用于根据锂电池内部电路构建等效电路模型；
曲线拟合模块，用于对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；
参数辨识模块，用于使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数；
SOC值估算模块，用于根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于粒子滤波算法的锂电池SOC估算中的步骤。
本发明提供的一种基于粒子滤波算法的锂电池SOC估算方法与系统的有益效果在于：与现有技术相比，本发明通过构建等效电路模型，并使用人工蜂群算法实现等效电路模型参数的辨识，可以在获得精准的模型参数基础上，采用粒子滤波算法对锂电池的SOC值进行估算，不仅简化了计算过程，还可以得到准确的估算结果。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于粒子滤波算法的锂电池SOC估算方法流程图；
图2为本发明实施例提供的锂电池等效电路模型示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的目的在于提供一种基于粒子滤波算法的锂电池SOC估算方法与系统，旨在解决现有对锂电池SOC的估算精度低的问题。
请参阅图1，一种基于粒子滤波算法的锂电池SOC估算方法，包括以下步骤：
步骤1：根据锂电池内部电路构建等效电路模型；
图2为本发明根据锂电池内部电路构建的等效电路模型(即二阶等效电路模型)。二阶等效电路模型，即双极化(dual polarization，DP)模型在计算过程较为便利的同时也保障了估算结果的准确性。因此本发明选用DP模型，来描述锂电池的动态特性。其DP模型的微分方程为：
Figure BDA0003847736860000051
式中，R1表示电化学极化的电阻，R2表示浓差极化的电阻，C1表示电化学极化的电容，C2表示浓差极化的电容，R0表示欧姆内阻，Ut表示端电压，U1表示电化学极化电压，U2表示浓差极化电压，Uoc表示开路电压，I表示锂电池工作电流。
步骤2：对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；
在实际应用中，本发明可根据供应商给的电池运行数据得到OCV曲线，并采用Lsqcurvefit函数对该曲线进行拟合，其拟合公式如下：
Uoc＝a1SOC6+a2SOC5+a3SOC4+a4SOC3+a5SOC2+a6SOC+b
其中，a1、a2、a3、a4、a5、a6、b表示常数项系数，Uoc表示开路电压。
步骤3：使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数；
进一步的，步骤3包括：
步骤3.1：确定人工蜂群算法的输入/输出参数；其中，锂电池的工作电流作为输入参数并视为侦察蜂，锂电池的端电压作为输出参数并视为最优蜜源。
进一步的，在本发明实施例中，本发明还要设定种群的参数初始值，由于人工蜂群算法(ABC算法)是在5维空间进行求解进而对问题进行优化的方法，因此本发明假设引领蜂、观察蜂和蜜源的数量相同，其中，且以模型端电压
Figure BDA0003847736860000068
与实测电压Ut的差值的绝对值作为适应度函数进而对蜜源的优劣进行评判。
步骤3.2：使用侦察蜂在近邻搜索蜜源；
需要说明的是，侦察蜂在近邻搜索蜜源，可以找到蜜源的称为引领蜂，否则称为观察蜂，引领蜂在近邻搜索蜜源，其表达式为：
Figure BDA0003847736860000061
其中，xid＝[R0 R1 R2 C1 C2]T，
Figure BDA0003847736860000062
为[-1，1]的随机数，i＝k+1(k＝1，2，…，99)，d＝1，2，…，5，xkd表示已选择的蜜源附近的蜜源，x′id表示选择的蜜源。
步骤3.3：根据蜜源花蜜量所对应的适应度函数判断蜜源的好坏，并确定出最优蜜源位置；其中，适应度函数为：
Figure BDA0003847736860000063
其中，ek表示适应度函数，
Figure BDA0003847736860000064
表示模型端电压，Ut表示实测的端电压。
具体的，当新蜜源优于原蜜源时，更新蜜源的位置，并计算出观察蜂的跟随概率(观察蜂通过跟随概率选择蜜源)，计算公式如下：
Figure BDA0003847736860000065
Figure BDA0003847736860000066
其中，Pi表示跟随概率，fi表示第i个蜜源的适应度值，fitj表示第j个种群的适应度值，abs(fi)表示第i个蜜源的适应值的绝对值。
步骤3.4：根据最优蜜源位置得到最优阻抗参数。
经过步骤3.1-3.3的迭代过程，即可确定出最优蜜源位置，即可精确辨识到DP模型在最小电压误差下的最优阻抗参数值。
步骤4：根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算。
进一步的，所述步骤4包括：
步骤4.1：根据锂电池的SOC值初始化粒子数和粒子权重；
在本发明实施例中，可采用先验概率p(x0)产生N个SOC初始粒子
Figure BDA0003847736860000069
其相应的粒子权重{q0 i}N i＝1＝1/N。
步骤4.2：对每一个粒子的权重进行更新并归一化得到归一化后的粒子权重；
需要说明的是，在步骤4.2中，本发明更新粒子权重采用公式为：
Figure BDA0003847736860000067
Figure BDA0003847736860000071
归一化权值的公式为：
Figure BDA0003847736860000072
Figure BDA0003847736860000073
表示先验条件概率，
Figure BDA0003847736860000074
表示粒子权重值，
Figure BDA0003847736860000075
Figure BDA0003847736860000076
表示目标状态的后验概率分布。
步骤4.3：对每一个粒子进行重采样得到新的粒子集；
进一步的，在重新采样之前，本发明需要计算最小均方估计，计算公式为：
Figure BDA0003847736860000077
然后计算有效粒子数Neff，计算公式为：Neff＝1/
Figure BDA0003847736860000078
当Neff≤Ns时，Ns表示设定的阈值，可以得到若干粒子集
Figure BDA0003847736860000079
步骤4.4：使用状态方程对锂电池的SOC进行估算得到估算完成的SOC值。
进一步的，本发明的步骤4.4包括：
(1)采用状态方程对未知参数
Figure BDA00038477368600000710
进行预测，
Figure BDA00038477368600000711
表示电池SOC值。
(2)根据程序结束条件判断程序是否结束，若未结束，则回到更新粒子权重步骤继续执行。
需要说明的是，在粒子滤波算法对电池SOC进行估算过程中，其状态方程表达式如下：
Figure BDA00038477368600000712
其中，vk表示系统的观测噪声，wk表示系统的过程噪声，Δt表示系统的采样周期。xk+1表示粒子的下一个状态，ik表示放电电流，ηi表示放电效率，ηT表示充电效率，ηn表示转换效率，Qn表示电池的额定容量，yk+1表示状态观测值，K0、k1、k3、k4表示常数项系数，R表示电池电阻值，n表示电池循环次数。
本发明通过构建等效电路模型，并使用人工蜂群算法实现等效电路模型参数的辨识，可以在获得精准的模型参数基础上，采用粒子滤波算法对锂电池的SOC值进行估算，不仅简化了计算过程，还可以得到准确的估算结果，有利于锂电池得到更广泛的发展与应用。
本发明还提供了一种基于粒子滤波算法的锂电池SOC估算系统，包括：
等效电路模型构建模块，用于根据锂电池内部电路构建等效电路模型；
曲线拟合模块，用于对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；
参数辨识模块，用于使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数；
SOC值估算模块，用于根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于粒子滤波算法的锂电池SOC估算中的步骤。
本发明提供的一种基于粒子滤波算法的锂电池SOC估算方法与系统的有益效果在于：与现有技术相比，本发明通过构建等效电路模型，并使用人工蜂群算法实现等效电路模型参数的辨识，可以在获得精准的模型参数基础上，采用粒子滤波算法对锂电池的SOC值进行估算，不仅简化了计算过程，还可以得到准确的估算结果。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，包括以下步骤：
步骤1：根据锂电池内部电路构建等效电路模型；
步骤2：对所述锂电池的OCV曲线进行拟合，得到等效电路模型中锂电池的开路电压；
步骤3：使用人工蜂群算法对等效电路模型中作为输出参数的锂电池的端电压进行辨识，得到最优阻抗参数；
步骤4：根据所述最优阻抗参数，使用粒子滤波算法对锂电池的SOC值进行估算。
2.如权利要求1所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述步骤1中基于双极化(DP)等效电路模型的微分方程为：
Figure FDA0003847736850000011
式中，R1表示电化学极化的电阻，R2表示浓差极化的电阻，C1表示电化学极化的电容，C2表示浓差极化的电容，R0表示欧姆内阻，Ut表示端电压，U1表示电化学极化电压，U2表示浓差极化电压，Uoc表示开路电压，I表示锂电池工作电流。
3.如权利要求1所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述步骤3：使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数，包括：
步骤3.1：确定人工蜂群算法的输入/输出参数；其中，锂电池的工作电流作为输入参数并视为侦察蜂，锂电池的端电压作为输出参数并视为最优蜜源；
步骤3.2：使用侦察蜂在近邻搜索蜜源；
步骤3.3：根据蜜源花蜜量所对应的适应度函数判断蜜源的好坏，并确定出最优蜜源位置；
步骤3.4：根据最优蜜源位置得到最优阻抗参数。
4.如权利要求3所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述步骤3.2：使用侦察蜂在近邻搜索蜜源，包括：
采用公式：
Figure FDA0003847736850000021
在近邻搜索蜜源；其中，xid＝[R0 R1 R2 C1 C2]T，
Figure FDA0003847736850000022
为[-1,1]的随机数，i＝k+1(k＝1,2,…,99)，k表示一个不等于i的蜜源，d＝1,2,…,5，id表示当前蜜源的位置，xkd表示已选择的蜜源附近的蜜源，x'id表示选择的蜜源。
5.如权利要求3所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述步骤3.3：根据蜜源花蜜量所对应的适应度函数判断蜜源的好坏，并确定出最优蜜源位置，所述适应度函数为：
Figure FDA0003847736850000023
其中，ek表示适应度函数，
Figure FDA0003847736850000024
表示模型端电压，Ut表示实测的端电压。
6.如权利要求1所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述步骤4：根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算，包括：
步骤4.1：根据锂电池的SOC值，初始化粒子数和粒子权重；
步骤4.2：对每一个粒子的权重进行更新并归一化，得到归一化后的粒子权重；
步骤4.3：对每一个粒子进行重采样，得到新的粒子集；
步骤4.4：使用状态方程对锂电池的SOC进行估算，得到估算完成的SOC值。
7.如权利要求6所述的一种基于粒子滤波算法的锂电池SOC估算方法，其特征在于，所述状态方程表达式为：
Figure FDA0003847736850000025
其中，vk表示系统的观测噪声，wk表示系统的过程噪声，Δt表示系统的采样周期，xk+1表示粒子的下一个状态，ik表示放电电流，ηi表示放电效率，ηT表示充电效率，ηn表示转换效率，Qn表示电池的额定容量，yk+1表示状态观测值，K0、k1、k3、k4表示常数项系数，R表示电池电阻值，n表示电池循环次数。
8.一种基于粒子滤波算法的锂电池SOC估算系统，其特征在于，包括：
等效电路模型构建模块，用于根据锂电池内部电路构建等效电路模型；
曲线拟合模块，用于对所述锂电池的OCV曲线进行拟合得到等效电路模型中锂电池的开路电压；
参数辨识模块，用于使用人工蜂群算法对等效电路模型的参数进行辨识得到最优阻抗参数；
SOC值估算模块，用于根据所述最优阻抗参数使用粒子滤波算法对锂电池的SOC值进行估算。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1到7中任一项记载的一种基于粒子滤波算法的锂电池SOC估算中的步骤。
CN202211124291.6A 2022-09-15 2022-09-15 一种基于粒子滤波算法的锂电池soc估算方法与系统 Pending CN115542167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211124291.6A CN115542167A (zh) 2022-09-15 2022-09-15 一种基于粒子滤波算法的锂电池soc估算方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211124291.6A CN115542167A (zh) 2022-09-15 2022-09-15 一种基于粒子滤波算法的锂电池soc估算方法与系统

Publications (1)

Publication Number Publication Date
CN115542167A true CN115542167A (zh) 2022-12-30

Family

ID=84726643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211124291.6A Pending CN115542167A (zh) 2022-09-15 2022-09-15 一种基于粒子滤波算法的锂电池soc估算方法与系统

Country Status (1)

Country Link
CN (1) CN115542167A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686919A (zh) * 2024-02-01 2024-03-12 昆明理工大学 基于优化电化学模型的锂电池soc和soh估计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686919A (zh) * 2024-02-01 2024-03-12 昆明理工大学 基于优化电化学模型的锂电池soc和soh估计方法
CN117686919B (zh) * 2024-02-01 2024-04-19 昆明理工大学 基于优化电化学模型的锂电池soc和soh估计方法

Similar Documents

Publication Publication Date Title
CN106909716B (zh) 计及容量损耗的磷酸铁锂电池建模及soc估计方法
CN107368619B (zh) 一种扩展卡尔曼滤波soc估算方法
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
CN110261779A (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
CN108107372A (zh) 基于soc分区估算的蓄电池健康状况量化方法及系统
CN107121643A (zh) 锂离子电池健康状态联合估计方法
Shi et al. State-of-health estimation for lithium battery in electric vehicles based on improved unscented particle filter
CN107589379A (zh) 一种在线估计锂电池soc和阻抗的方法
Elmahdi et al. Fitting the OCV-SOC relationship of a battery lithium-ion using genetic algorithm method
CN112526352B (zh) 一种退役锂离子电池的soh估计方法
CN109239602A (zh) 一种动力电池的欧姆内阻的估算方法
Cai et al. Research state of charge estimation tactics of nickel-hydrogen battery
CN112528472A (zh) 一种多新息混合Kalman滤波和H无穷滤波算法
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
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
CN114814591A (zh) 一种锂电池soe估算方法、装置及系统
CN112580289A (zh) 一种混合电容器功率状态在线估计方法及系统
CN117368767A (zh) 一种基于安时积分法的锂电池荷电状态预估方法及系统
CN115542167A (zh) 一种基于粒子滤波算法的锂电池soc估算方法与系统
CN113900027B (zh) 电池soc估算方法、装置以及控制单元和计算机可读存储介质
CN114839537A (zh) 电池荷电状态预测方法和装置
CN117113026A (zh) 一种基于线性回归预测的锌溴液流电池soc评估方法
CN117371230A (zh) 一种计及极化效应的锂离子电池参数辨识方法
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法

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
CB03 Change of inventor or designer information

Inventor after: Li Yan

Inventor after: Zheng Jiaqi

Inventor after: Wang Decheng

Inventor after: Zhu Xiaojun

Inventor after: Zhang Qun

Inventor after: Wang Qiong

Inventor before: Li Yan

Inventor before: Gong Xiaoxu

Inventor before: Liao Xingyuan

Inventor before: Wang Ziyao

Inventor before: Liang Huishi

Inventor before: Zheng Jiaqi

Inventor before: Zhou Kui

Inventor before: Wang Decheng

Inventor before: Zhu Xiaojun

Inventor before: Zhang Qun

Inventor before: Wang Qiong

Inventor before: Shi Zinan

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20230621

Address after: 210008 No. 251, Gulou District, Jiangsu, Zhongshan Road, Nanjing

Applicant after: STATE GRID JIANGSU ECONOMIC Research Institute

Address before: 210008 No. 251, Gulou District, Jiangsu, Zhongshan Road, Nanjing

Applicant before: STATE GRID JIANGSU ECONOMIC Research Institute

Applicant before: SICHUAN ENERGY INTERNET RESEARCH INSTITUTE, TSINGHUA University

Applicant before: STATE GRID JIANGSU ELECTRIC POWER DESIGN CONSULTATION CO.,LTD.

TA01 Transfer of patent application right