CN115863805A - 一种基于模型预测控制的电动汽车快速充电方法及装置 - Google Patents
一种基于模型预测控制的电动汽车快速充电方法及装置 Download PDFInfo
- Publication number
- CN115863805A CN115863805A CN202211505317.1A CN202211505317A CN115863805A CN 115863805 A CN115863805 A CN 115863805A CN 202211505317 A CN202211505317 A CN 202211505317A CN 115863805 A CN115863805 A CN 115863805A
- Authority
- CN
- China
- Prior art keywords
- model
- charging
- battery
- current
- follows
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于模型预测控制的电动汽车快速充电方法及装置,属于锂电池充电技术领域,其中方法包括:建立锂离子电池电‑热‑老化耦合模型,辨识模型参数;根据测量得到的电池表面温度、端电压,利用状态观测器估计电池核心温度以及内部状态变量;以电池最高核心温度和最大端电压为约束,构建充电优化模型,在模型预测控制框架下优化充电策略;优化求解的快速充电决策电流输入到基于规则的闭环反馈控制中,确定当前时刻的电动汽车快速充电电流。本发明能够智能兼顾电动汽车充电过程的快速性、安全性与寿命预期,实现安全及耐久性快速充电,基于模型预测控制及有效集算法求解强非线性电池模型和快速充电的多目标优化问题,提升了充电策略的在线应用能力。
Description
技术领域
本发明属于锂电池充电技术领域,尤其是一种基于模型预测控制的电动汽车快速充电方法及装置。
背景技术
锂离子电池广泛应用于电动汽车动力系统,但是电动汽车的充电速度一直是电动汽车便捷性的最大障碍之一,也是影响电动汽车进一步推广的重要原因。显然,提高充电电流是加快充电速度最直接且有效的方式,但这也易于导致电池过热、寿命快速衰退等问题,严重时甚至会引发热失控、起火、爆炸等灾难性事故。
基于规则的充电方法应用广泛,例如,传统的恒流恒压充电法、多阶段恒流充电法等。但此类方法难以保证充电的综合最优性,且物理约束过于简单,无法避免电池过热与快速衰退,可能造成安全事故。相比而言,考虑电池关键中间状态约束的基于模型充电优化控制方法,利用电化学机理模型、等效电路模型等,构建不同的目标函数和约束,并采用模型预测控制、动态规划等优化控制算法实现快速充电,能够优化充电电流以实现多个充电目标的智能兼顾,提升了充电策略的鲁棒性。但是,受限于强非线性的电池模型、高计算复杂度的多目标优化求解,基于模型的快速充电方法在线应用困难。
综上所述,现阶段仍缺少一种可在线应用的兼顾快速性、安全性与寿命预期的电动汽车快速充电方法。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种基于模型预测控制的电动汽车快速充电方法,通过建立具有安全和健康意识的优化充电准则,采用有效集算法进行充电优化问题求解,从而实现遵从离子锂电池理化极限的快速充电。
本发明解决技术问题所采用的技术方案是:
本发明的第一方面是提供了一种基于模型预测控制的电动汽车快速充电方法,包括如下步骤:
建立锂离子电池电-热-老化耦合模型,辨识模型参数;
根据测量得到的电池表面温度、端电压,利用状态观测器估计电池核心温度以及内部状态变量;
以电池最高核心温度和最大端电压为约束,构建充电优化模型,在模型预测控制框架下优化充电策略;
优化求解的快速充电决策电流输入到基于规则的闭环反馈控制中,确定当前时刻的电动汽车快速充电电流。
进一步地,所述锂离子电池电-热-老化耦合模型包括电学模型、热模型、老化模型,
所述电学模型采用二阶RC等效电路模型,由一个恒压源、一个内阻和两对电容电阻组成,根据基尔霍夫电流电压定律,用以下方程描述等效电路模型的状态变量:
式中,I为工作电流,Cn为额定容量,V1和V2表示极化电压,参数R1、C1、R2和C2分别表示两对电容电阻;
电池端电压计算公式为:
Vt(t)=Vo(SoC(t))-V1(t)-V2(t)-RsI(t)
式中,Vo为开路电势,Rs为内阻;
所述热模型为:
式中,Ts和Tc分别表示电池表面温度和核心温度,Tf表示环境温度,Ru、Rc、Cc和Cs分别表示对流换热热阻、导热热阻、芯热容和表面热容,产热量Q(t)由下式计算得到:
Q(t)=I(t)·[V1(t)+V2(t)+Rs·I(t)]
所述老化模型为:
式中,ΔCn表示容量损失百分比,R表示理想气体常数,指数因子z=0.55,变量c表示充电倍率,Ah是累积安时吞吐量,指数前因子B是充电倍率的函数,内部的平均温度Ta由下式计算,
活化能Ea(c)由下式计算,
Ea(c)=(31700-370.3·c)J/mol
吞吐量Ah(c)和电池寿命终止前的总循环数N的计算式如下:
N(c,Ta)=3600Ah(c,Ta)/Cn
电池健康状态SOH衰减由下式计算,
式中,Δt表示电流的持续时间,k表示采样时刻。
进一步地,采用批量最小二乘法辨识模型参数,令UL=Vt-Vo,得到二阶RC等效电路模型的传递函数如下式:
采用双线性变换将传递函数从s域变换到z域,采样频率取为1Hz,得到系统离散化传递函数,
b1-b5计算关系如下:
由系统离散化传递函数可以得到模型离散差分方程,
UL(k)=b1UL(k-1)+b2UL(k-2)+b3I(k)+b4I(k-1)+b5I(k-2)
式中,k表示采样时刻,
经过N+2个时刻的采样后,有如下一组输入输出数据关系,
根据如下批量最小二乘法公式,最终计算出待辨识参数Rs、R1、C1、R2和C2;
其中,β、φ和Y分别表示如下:
进一步地,定义系统的状态向量x(t),输入向量u(t)以及可测输出向量y(t)如下,
x(t)=[V1(t),V2(t),SoC(t),Ts(t),Tc(t)]T
u(t)=[I(t),Tf(t)]T
y(t)=[Vt(t),Ts(t)]T
由一阶泰勒展开线性化,得到离散化的系统矩阵F和输出矩阵G,表达式如下:
根据此离散化的系统状态空间表达,结合状态观测器、扩展卡尔曼滤波算法程序,实现电池SoC和Tc的估计。
进一步地,充电优化模型目标函数如下:
其中,ω1,ω2和ω3分别表示各项的权重,针对任意的预测窗口大小M,描述寿命衰退Csoh、充电速度Csoc和电流波动Csmooth的表达式如下:
其中,1/Cmax=1/(3600Cn),k表示采样时刻,N表示电池寿命终止前的总循环数,I为工作电流,SoC0表示当前时刻的荷电状态,SoCtar表示目标SOC。
本发明的第二方面是提供了一种基于模型预测控制的电动汽车快速充电装置,包括:
模型参数辨识模块,用于对模型的关键参数进行筛选并辨识,得到辨识值;
电池状态估计模块,利用状态观测器,得到估计结果;
基于模型的快速充电控制模块,基于状态估计结果对电动汽车进行快速充电,并基于模型预测控制及有效集算法对快速充电阶段进行优化处理;
基于规则的阈值判断模块,用于判断电池端电压是否达到预设电压阈值,若未达到,则继续以基于模型的优化电流对电动汽车进行充电,否则采用恒压充电规则对电动汽车进行充电。
进一步地,所述状态观测器为粒子滤波、扩展卡尔曼滤波、龙贝格观测器、滑膜观测器中的一种。
本发明的优点和积极效果是:
本发明能够智能兼顾电动汽车充电过程的快速性、安全性与寿命预期,实现安全及耐久性快速充电,基于模型预测控制及有效集算法求解强非线性电池模型和快速充电的多目标优化问题,提升了充电策略的在线应用能力。
附图说明
图1为本发明实施例提供的一种基于模型预测控制的电动汽车快速充电方法的流程图;
图2为本发明实施例提供的一种锂离子电池电-热-老化耦合模型耦合关系示意图;
图3为本发明实施例中基于模型预测控制和基于规则反馈控制的充电优化策略示意图;
图4为本发明实施例中一种基于模型预测控制的电动汽车快速充电方法的验证结果;
图5为本发明实施例中一种基于模型预测控制的电动汽车快速充电装置的结构示意图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
图1提供了一种基于模型预测控制的电动汽车快速充电方法,包括以下步骤:
S1.开展锂离子电池测试,建立锂离子电池电-热-老化耦合模型,辨识模型参数。
在本申请的实施例中,为表征电池内部详细状态,建立锂离子电池电-热-老化耦合模型,耦合关系如图2所示。开展多倍率下恒流充放电、HPPC、DST及FUDS动态工况、电化学阻抗等电池测试,确定关键模型参数。
电池的电学模型采用二阶RC等效电路模型,模型由一个恒压源、一个内阻和两对电容电阻组成。恒压源用以描述电池开路电势(OCV)和SOC之间的关系,两对电容电阻则模拟了电池充放电过程中的极化现象。根据基尔霍夫电流电压定律,可用以下方程描述等效电路模型的状态变量。
式中,I为工作电流,Cn为额定容量,V1和V2表示极化电压。参数R1、C1、R2和C2分别表示两对电容电阻。
电池端电压可由以上状态变量计算得到:
Vt(t)=Vo(SoC(t))-V1(t)-V2(t)-RsI(t)
式中,Vo为开路电势,Rs为内阻。
采用的热模型是将圆柱电池的核心温度和表面温度作为两个状态变量,根据能量守恒定律,建立起二者及环境之间的热量交换关系:
式中,Ts和Tc分别表示电池表面温度和核心温度,Ru、Rc、Cc和Cs分别表示对流换热热阻、导热热阻、芯热容和表面热容。产热量Q(t)可由下式计算得到。
Q(t)=I(t)·[V1(t)+V2(t)+Rs·I(t)]
基于能量吞吐量的模型可用于模拟预测电池的老化过程:
式中,ΔCn表示容量损失百分比,R表示理想气体常数,指数因子z=0.55。变量c表示充电倍率,Ah是累积安时吞吐量,指数前因子B是充电倍率的函数。内部的平均温度Ta可由下式计算。
活化能Ea(c)可由下式计算。
Ea(c)=(31700-370.3·c)J/mol
一般认为锂离子动力电池的额定容量衰减至初始额定容量的80%后,电池达到寿命终止条件,可以得到吞吐量Ah(c)和电池寿命终止前的总循环数N的计算式分别如下。
N(c,Ta)=3600Ah(c,Ta)/Cn
于是,电池健康状态(SOH)衰减可由下式计算。
式中,Δt表示电流的持续时间。至此完成了锂离子电池的电热耦合建模和老化建模。
采用批量最小二乘法辨识模型参数。令UL=Vt-Vo,得到二阶RC等效电路模型的传递函数如下式。
采用双线性变换将传递函数从s域变换到z域,采样频率取为1Hz,得到系统离散化传递函数。
b1-b5计算关系如下,b1~b5表示待定参数,由系统离散化传递函数给出。
由系统离散化传递函数可以得到模型离散差分方程。
UL(k)=b1UL(k-1)+b2UL(k-2)+b3I(k)+b4I(k-1)+b5I(k-2)
经过N+2个时刻的采样后,有如下一组输入输出数据关系。
根据如下批量最小二乘法公式,最终计算出待辨识参数Rs、R1、C1、R2和C2。
其中,β、φ和Y分别表示如下。
参数β、φ和Y是通过上面三个公式定义的,β表示参数向量,φ和Y没有具体含义。
至此完成了锂离子电池的模型参数辨识。
S2.根据测量得到的电池表面温度、端电压,利用状态观测器估计电池核心温度、SOC等难以直接测量的内部状态变量。
定义系统的状态向量x(t),输入向量u(t)以及可测输出向量y(t)如下。
x(t)=[V1(t),V2(t),SoC(t),Ts(t),Tc(t)]T
u(t)=[I(t),Tf(t)]T
y(t)=[Vt(t),Ts(t)]T
由一阶泰勒展开线性化,可以得到离散化的系统矩阵F和输出矩阵G,表达式如下。
根据此离散化的系统状态空间表达,结合龙伯格观测器、扩展卡尔曼滤波等算法程序,可以实现电池SoC和Tc的估计。
S3.充电控制流程如图3所示,首先定义基于模型预测控制的电动汽车快速充电优化目标函数如下。
其中,针对任意的预测窗口大小M,描述寿命衰退Csoh、充电速度Csoc和电流波动Csmooth的表达式如下。
其中,1/Cmax=1/(3600Cn),SoC0表示当前时刻的SOC。目标函数可以改写为如下形式。
特殊地,在本发明实施例中取预测窗口M=2,优化问题可表达如下。
s.t.Ax≥b,M=2
b=[-Imax-Imax Tc,0-Tmax Tc,0-Tmax]T
采用有效集算法求解上述二次规划问题的流程如表1所示。
表1有效集算法流程
S4.优化求解的快速充电决策电流输入到基于规则的闭环反馈控制中,避免模型误差引起的电池端电压、核心温度超调,确定当前时刻的电动汽车快速充电电流,如图3所示。
在本专利实施例中,将仿真得到的模型预测控制(MPC)充电策略的电流应用于真实的电池充电过程。如图4所示,相比于传统的CCCV充电策略,所提出的MPC充电策略能更好地兼顾充电快速性与电芯温度约束,其电流控制结果近似于一种多阶段恒流恒压充电:①起始阶段各个约束均未触发,因此以6C倍率上限进行恒流充电以提升充电速度;②随后电芯内部温度触发阈值,开始进入恒温充电模式,期间电流切换至约4C;③最后阶段充电端电压触发上限,充电过渡至CV阶段,充电电流迅速减小,电芯温度随之下降。综合来看,MPC充电策略在充电时间上略高于6C CCCV策略,显著低于4C与2C CCCV策略。与此同时,MPC策略下电池最高核心温度与4C CCCV策略基本相同,显著低于6C CCCV策略。可以看出,所提出MPC策略可认为兼具6C CCCV的充电速度与4C CCCV的充电温度约束特性,是两者的理想平衡。
经过200个充放电循环后,MPC策略与6C CCCV充电策略下电池的具体容量损失情况如表2所示。前100次循环中,MPC充电策略作用下的电池容量损失相比6C恒流恒压充电策略减少了13.1%。前200次循环中,MPC充电策略作用下的电池容量损失相比6C恒流恒压充电策略减少了56.6%。与预期一致,温度约束与老化惩罚机制对提高电池寿命起到了明显的作用。循环充放电实验也表明,相比6C CCCV充电策略,MPC充电策略能够有效抑制电池老化。综上所述,所提出的充电策略能有效保证电池各内部状态不超过规定约束,同时实现了充电速度与老化抑制之间的优化平衡。
表2不同充电策略的容量损失
图5是本发明实施例提供的一种基于模型预测控制的电动汽车快速充电装置的结构示意图,参考图5,该快速充电装置100包括:模型参数辨识模块101、电池状态估计模块102、基于模型的充电控制模块103、基于规则的阈值判断模块104。
模型参数辨识模块,用于对模型的关键参数进行筛选并辨识,得到辨识值;
电池状态估计模块,利用粒子滤波、扩展卡尔曼滤波、龙贝格观测器、滑膜观测器中的一种状态估计方法,得到估计结果;
基于模型的快速充电控制模块,基于状态估计结果对电动汽车进行快速充电,并基于模型预测控制及有效集算法对快速充电阶段进行优化处理;
基于规则的阈值判断模块,用于判断电池端电压是否达到预设电压阈值,若未达到,则继续以基于模型的优化电流对电动汽车进行充电,否则采用恒压充电规则对电动汽车进行充电。
本发明实施例所提供的电动汽车快速充电装置可执行本发明任意实施例所提供的电动汽车快速充电方法,具备执行方法相应的功能模块和有益效果,可用于电动车辆电池管理系统或直流充电桩。
值得注意的是,上述电动汽车快速充电装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
可选地,所述的一种基于模型预测控制的电动汽车快速充电装置,所述充电电流大小包括0C-6C,其中,C为电池一小时完全放电时的电流强度;所述恒压充电规则的截止条件为充电电流降至0.05C,或人为干预停止充电。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于模型预测控制的电动汽车快速充电方法,其特征在于,包括如下步骤:
建立锂离子电池电-热-老化耦合模型,辨识模型参数;
根据测量得到的电池表面温度、端电压,利用状态观测器估计电池核心温度以及内部状态变量;
以电池最高核心温度和最大端电压为约束,构建充电优化模型,在模型预测控制框架下优化充电策略;
优化求解的快速充电决策电流输入到基于规则的闭环反馈控制中,确定当前时刻的电动汽车快速充电电流。
2.根据权利要求1所述的方法,其特征在于,所述锂离子电池电-热-老化耦合模型包括电学模型、热模型、老化模型,
所述电学模型采用二阶RC等效电路模型,由一个恒压源、一个内阻和两对电容电阻组成,根据基尔霍夫电流电压定律,用以下方程描述等效电路模型的状态变量:
式中,I为工作电流,Cn为额定容量,V1和V2表示极化电压,参数R1、C1、R2和C2分别表示两对电容电阻;
电池端电压计算公式为:
Vt(t)=Vo(SoC(t))-V1(t)-V2(t)-RsI(t)
式中,Vo为开路电势,Rs为内阻;
所述热模型为:
式中,Ts和Tc分别表示电池表面温度和核心温度,Tf表示环境温度,Ru、Rc、Cc和Cs分别表示对流换热热阻、导热热阻、芯热容和表面热容,产热量Q(t)由下式计算得到:
Q(t)=I(t)·[V1(t)+V2(t)+Rs·I(t)]
所述老化模型为:
式中,ΔCn表示容量损失百分比,R表示理想气体常数,指数因子z=0.55,变量c表示充电倍率,Ah是累积安时吞吐量,指数前因子B是充电倍率的函数,内部的平均温度Ta由下式计算,
活化能Ea(c)由下式计算,
Ea(c)=(31700-370.3·c)J/mol
吞吐量Ah(c)和电池寿命终止前的总循环数N的计算式如下:
N(c,Ta)=3600Ah(c,Ta)/Cn
电池健康状态SOH衰减由下式计算,
式中,Δt表示电流的持续时间,k表示采样时刻。
6.一种基于模型预测控制的电动汽车快速充电装置,其特征在于,包括:
模型参数辨识模块,用于对模型的关键参数进行筛选并辨识,得到辨识值;
电池状态估计模块,利用状态观测器,得到估计结果;
基于模型的快速充电控制模块,基于状态估计结果对电动汽车进行快速充电,并基于模型预测控制及有效集算法对快速充电阶段进行优化处理;
基于规则的阈值判断模块,用于判断电池端电压是否达到预设电压阈值,若未达到,则继续以基于模型的优化电流对电动汽车进行充电,否则采用恒压充电规则对电动汽车进行充电。
7.根据权利要求6所述的基于模型预测控制的电动汽车快速充电装置,其特征在于,所述状态观测器为粒子滤波、扩展卡尔曼滤波、龙贝格观测器、滑膜观测器中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505317.1A CN115863805A (zh) | 2022-11-29 | 2022-11-29 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505317.1A CN115863805A (zh) | 2022-11-29 | 2022-11-29 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115863805A true CN115863805A (zh) | 2023-03-28 |
Family
ID=85667357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211505317.1A Pending CN115863805A (zh) | 2022-11-29 | 2022-11-29 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115863805A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116653645A (zh) * | 2023-07-26 | 2023-08-29 | 中南大学 | 重载货运列车自组网电池状态监测下的自适应充电方法、系统及介质 |
CN116805813A (zh) * | 2023-08-24 | 2023-09-26 | 中国华能集团清洁能源技术研究院有限公司 | 基于反馈的电池快速充电控制方法及装置 |
CN117236200A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
CN117318255A (zh) * | 2023-11-30 | 2023-12-29 | 北京中铁建电气化设计研究院有限公司 | 一种基于大数据可视化的电池状态分析系统及方法 |
CN117578679A (zh) * | 2024-01-15 | 2024-02-20 | 太原理工大学 | 基于强化学习的锂电池智能充电控制方法 |
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
-
2022
- 2022-11-29 CN CN202211505317.1A patent/CN115863805A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116653645A (zh) * | 2023-07-26 | 2023-08-29 | 中南大学 | 重载货运列车自组网电池状态监测下的自适应充电方法、系统及介质 |
CN116653645B (zh) * | 2023-07-26 | 2023-10-24 | 中南大学 | 重载货运列车自组网电池状态监测下的自适应充电方法、系统及介质 |
CN116805813A (zh) * | 2023-08-24 | 2023-09-26 | 中国华能集团清洁能源技术研究院有限公司 | 基于反馈的电池快速充电控制方法及装置 |
CN116805813B (zh) * | 2023-08-24 | 2023-12-12 | 中国华能集团清洁能源技术研究院有限公司 | 基于反馈的电池快速充电控制方法及装置 |
CN117236200A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
CN117236200B (zh) * | 2023-11-16 | 2024-02-02 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
CN117318255A (zh) * | 2023-11-30 | 2023-12-29 | 北京中铁建电气化设计研究院有限公司 | 一种基于大数据可视化的电池状态分析系统及方法 |
CN117318255B (zh) * | 2023-11-30 | 2024-02-20 | 北京中铁建电气化设计研究院有限公司 | 一种基于大数据可视化的电池状态分析系统及方法 |
CN117578679A (zh) * | 2024-01-15 | 2024-02-20 | 太原理工大学 | 基于强化学习的锂电池智能充电控制方法 |
CN117578679B (zh) * | 2024-01-15 | 2024-03-22 | 太原理工大学 | 基于强化学习的锂电池智能充电控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
CN115863805A (zh) | 一种基于模型预测控制的电动汽车快速充电方法及装置 | |
Wang et al. | A framework for state-of-charge and remaining discharge time prediction using unscented particle filter | |
Li et al. | Optimized charging of lithium-ion battery for electric vehicles: Adaptive multistage constant current–constant voltage charging strategy | |
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 | |
Yang et al. | State-of-health estimation for the lithium-ion battery based on support vector regression | |
Zheng et al. | Investigating the error sources of the online state of charge estimation methods for lithium-ion batteries in electric vehicles | |
Wang et al. | An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles | |
Wang et al. | A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy | |
Sassi et al. | Comparative study of ANN/KF for on-board SOC estimation for vehicular applications | |
Watrin et al. | Multiphysical lithium-based battery model for use in state-of-charge determination | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
Liu et al. | A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter | |
CN104956233A (zh) | 电池状态推断装置 | |
CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
CN114928133A (zh) | 一种用于锂离子电池的充电控制方法、系统、设备和介质 | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
Yu et al. | Study of hysteresis voltage state dependence in lithium-ion battery and a novel asymmetric hysteresis modeling | |
Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
Zhong et al. | An operation efficacy-oriented predictive control management for power-redistributable lithium-ion battery pack | |
Li et al. | Joint estimation of SOC and SOH for lithium-ion batteries based on EKF multiple time scales |
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 |