CN116298933B - 一种串联电池组的soc估计方法 - Google Patents
一种串联电池组的soc估计方法 Download PDFInfo
- Publication number
- CN116298933B CN116298933B CN202310561919.7A CN202310561919A CN116298933B CN 116298933 B CN116298933 B CN 116298933B CN 202310561919 A CN202310561919 A CN 202310561919A CN 116298933 B CN116298933 B CN 116298933B
- Authority
- CN
- China
- Prior art keywords
- model
- soc
- battery
- battery pack
- cluster
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000032683 aging Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000010287 polarization Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池状态估计技术领域,公开了一种串联电池组的SOC估计方法,包括以下步骤:步骤1:获取电池老化数据,构建基于SVR的容量估计模型;步骤2:获取电池组充电数据,基于聚类算法构建均值‑差异模型;步骤3:采用步骤1的模型更新每一簇电池的容量,基于HIF‑AEKF完成对每一簇电池的SOC估计;步骤4:基于各簇电池的SOC估计值,完成对串联电池组的SOC估计;本发明基于聚类算法建立了电池组模型,在保证模型精度的同时极大地降低了模型复杂度,减少了后续状态估计算法的计算量;结合了HIF和AEKF算法的优点,能够快速实现对电池组中每个单体SOC的最优估计。
Description
技术领域
本发明涉及电池状态估计技术领域,具体涉及一种串联电池组的SOC估计方法。
背景技术
目前,锂离子动力电池已经成为电动汽车的首选动力电池,然而单体电池的容量和电压决定其无法直接驱动电动汽车行驶,为了满足负载对功率、容量以及电压的需求,通常需要将若干个单体电池串并联合成电池组使用。
然而,动力电池在生产和使用过程中的条件不可能做到完全一致,动力电池之间的不一致性主要体现初始状态和使用状态上。初始状态不一致指的是因材质不均和工艺参数的问题,导致同一批次的动力电池在容量、内阻和开路电压等方面不完全一致。虽然这种参数的不一致可以通过最初对电池的一致性筛选来尽量降低,然而使用状态的不一致却是不可避免的,如环境温度、成组方式、放电深度以及充放电倍率等,进而导致电池单体在后续使用中参数老化的不一致。
由于电池组内部电池单体之间具有不一致性差异,也就导致在对电池组进行状态估计时比较困难。虽然目前对于单体电池的状态估计研究已经取得了较多的成果,然而电池组不一致性差异的存在导致不能将电池组简单的视为一个大单体模型。导致单体电池的状态估计方法不能简单的套用到电池组状态估计问题上。
发明内容
本发明针对现有技术存在的问题提供一种考虑电池组内单体电池之间的参数差异的串联电池组SOC估计方法。
本发明采用的技术方案是:
一种串联电池组的SOC(荷电状态)估计方法,包括以下步骤:
步骤1:获取电池老化数据,构建单体电池的基于SVR的容量估计模型;
步骤2:获取电池组充电数据,基于聚类算法构建均值-差异模型;具体过程为,构建基于戴维宁模型的均值模型,为每一簇电池构建考虑内阻和SOC差异的差异模型。
步骤3:采用步骤1的模型更新每一簇电池的容量,基于HIF-AEKF通过下式完成对每一簇电池的SOC估计:
式中:SOC i为第i簇电池的SOC估计值,SOC m为均值模型的状态变量,为第i个差异模型的SOC变化值;
步骤4:基于各簇电池的SOC估计值,对串联电池组的SOC进行估计:
式中:为串联电池组的SOC估计值,Q 1…Q k为每一簇电池的容量估计值。
进一步的,其特征在于,所述步骤3中采用HIF鲁棒滤波算法估计均值模型的状态变量;采用自适应拓展卡尔曼滤波算法估计每个差异模型的SOC变化值。
进一步的,所述步骤3中估计均值模型的状态变量过程中采用HIF鲁棒滤波算法抑制电流噪声;
建立两个对比模型,第一模型采用HIF鲁棒滤波算法进行均值模型SOC m估计,第二模型采用库仑积分法计算均值模型SOC m;在一段运行时间T内,两个对比模型SOC估计的变化值为和/>;
偏置电流求解方法如下:
式中:Q为均值模型的电池容量。
进一步的,所述步骤2中聚类算法采用K-means++方法计算最佳聚类数K。
进一步的,所述最佳聚类数K通过聚类算法评价指标DB和SIL得到;
式中:K为聚类数,为第i个簇内的所有样本数据点到簇中心μ i距离的平均值;
式中:a(i)为样本i到其所在簇中其他样本的距离的均值,b(i)为样本i到其最近簇中所有样本的距离的均值,n为样本数;
根据上式得到戴维森堡丁指数DB和轮廓系数SIL的曲线图,取相对戴维森堡丁指数最小,轮廓系数最大的整数值。
进一步的,所述均值模型方程如下:
式中:为极化内阻,/>为极化电容,/>为欧姆内阻,/>为端电压,/>为受SOC影响的开路电压,i t为电流,/>为极化电压的导数。
差异模型方程如下:
式中:为端电压差异,/>为开路电压差异,/>为SOC差异,/>为欧姆内阻差异,/>为单体电池的端电压,/>为均值模型的端电压。
进一步的,所述步骤2中采用电池组充电过程的电压和电流数据通过递推最小二乘法完成均值和差异模型的参数辨识。
进一步的,所述步骤3中通过不同时间尺度对SOC m和进行估计,/>估计的时间尺度大于SOC m估计的时间尺度。
进一步的,所述步骤2中充电数据为每一个电池单体的充电特征,充电特征包括充电起始电压、充电末期端电压、充电结束后1s内的端电压下降值,充电结束后1~100 s内的电压下降值。
进一步的,所述步骤1中根据老化数据构建老化数据集,采用数据集对构建的基于SVR的容量估计模型进行训练;
数据集中每个样本包括电池当前循环下的充电健康特征和最大可用容量。
本发明的有益效果是:
(1)本发明方法构建单体电池的基于SVR的容量估计模型,将与电池容量高度非线性相关的电池健康特征集合,精度高且算法量少;
(2)本发明基于聚类算法建立了电池组模型,结合了聚类算法和均值-差异模型的优点,能够在保证模型精度的同时极大地减少后续算法的计算量;
(3)本发明中HIF算法具有较强的鲁棒性,能够适应电动汽车的各种恶劣工况;利用HIF估计完成均值模型的最优状态估计,保证了电池组SOC估计的精度;同时利用HIF过滤电池偏置噪声,采用AEKF完成差异模型的状态估计;结合了HIF和AEKF算法的优点,能够快速实现对电池组中每个单体SOC的最优估计。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实验单体的循环老化训练流程图。
图3为本发明实施例的聚类算法结果图。
图4为本发明中均值模型的估计结果图,其中(a)是估计结果,(b)是误差。
图5为本发明中差异模型的估计结果图,其中(a)是误差,(b)是估计结果。
图6为本发明中差异模型的估计结果图,其中(a)是误差,(b)是估计结果。
图7为本发明中电池组SOC估计结果图,其中(a)是估计结果,(b)是误差。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种串联电池组的SOC估计方法,包括以下步骤:
步骤1:获取电池老化数据,构建单体电池的基于SVR(支持向量机回归)的容量估计模型;采用现有的模型即可,如武汉理工大学,谢建刚等;针对与电池组同一批次的电池单体进行循环老化实验(实验方法如图2所示),得到电池的老化数据集,其中数据集中每个样本包括电池当前循环下的充电健康特征与最大可用容量。基于得到的老化数据集,训练单体电池的容量估计模型。
步骤2:获取电池组充电数据,基于聚类算法构建均值-差异模型;具体过程为,构建基于戴维宁模型的均值模型,为每一簇电池构建考虑内阻和SOC差异的差异模型。
基于电池组充电过程的电压电流数据,对每一个单体电池进行充电特征提取。充电特征包括:充电起始电压、充电末期端电压、充电结束后1s内的端电压下降值、充电结束后1~100s内的电压下降值。
通过K-means++聚类算法得出最佳聚类数K,将电池组内所有单体划分为K簇,每一簇内中的所有电池单体性能被视为一致,包括电池单体的SOC、容量以及OCV~SOC曲线等。聚类算法的最佳聚类数K通过聚类算法评价指标得到。
评价指标DB和SIL;
式中:K为聚类数,为第i个簇内的所有样本数据点到簇中心μ i距离的平均值;DB指标越小时,表明样本的划分更加精细,聚类数也就越多。
式中:a(i)为样本i到其所在簇中其他样本的距离的均值,b(i)为样本i到其最近簇中所有样本的距离的均值,n为样本数;SIL指标从簇间分离度和簇内紧密度两个方面来反映聚类结果的好坏,SIL指标越大,表示聚类效果越好。
根据上式得到DB和SIL的曲线图,取相对DB最小,SIL最大的整数值。
其中差异模型的数量为K-means++聚类算法的聚类数。利用电池组充电过程的电压电流数据完成均值和差异模型的参数辨识,参数辨识方法为RLS。
均值模型方程如下:
式中:为极化内阻,/>为极化电容,/>为欧姆内阻,/>为端电压,/>为受SOC影响的开路电压,i t为电流,/>为极化电压的导数。
差异模型方程如下:
式中:为端电压差异,/>为开路电压差异,/>为SOC差异,/>为欧姆内阻差异,/>为单体电池的端电压,/>为均值模型的端电压。
步骤3:采用步骤1的模型更新电池容量,基于电池组的充电数据为每一个单体电池提取充电健康特征,同属一簇的电池单体的充电健康特征求和并取平均,利用基于SVR的电池容量估计模型得到每一簇电池的容量估计值Q i。
通过下式对每一簇电池的SOC估计:
式中:SOC i为第i簇电池的SOC估计值,SOC m为均值模型的状态变量,为第i个差异模型的SOC变化值。
首先利用HIF估计均值模型的状态变量SOC m,并利用HIF算法抑制电流中的偏置噪声。考虑AEKF在近似高斯白噪声的系统环境下比HIF具有更佳的估计性能,利用AEKF估计每个差异模型的。
考虑均值模型SOC m的变化具有易变性,而差异模型的具有缓慢的时变特性,因此可以利用不同时间尺度来完成对SOC m和/>的估计。具体而言,可以利用微观时间尺度更新SOC m,而在宏观时间尺度下更新/>,其中,一个宏观时间尺度包括多个微观时间尺度。
估计均值模型的状态变量过程中采用HIF鲁棒滤波算法抑制电流噪声;
建立两个对比模型,第一模型采用HIF鲁棒滤波算法进行均值模型SOC m估计,第二模型采用库仑积分法计算均值模型SOC m;在一段运行时间T内,两个对比模型SOC估计的变化值为和/>;由于电流噪声中的白噪声部分积分之后能量趋于0,则两者之差可以视为偏置噪声在时间T内的贡献,假设均值模型的电池容量为Q。
偏置电流求解方法如下:
式中:Q为均值模型的电池容量。
步骤4:基于各簇电池的SOC估计值,对串联电池组的SOC进行估计:
式中:为串联电池组的SOC估计值,Q 1…Q k为每一簇电池的容量估计值。
实施例
使用的电池单体参数如下:上截止电压为4.2V,下截止电压为2.5V,额定容量为3Ah。电池组由24串电池单体串联组成,初始环境温度设置为25℃。
采用如图1所示方法对电池组SOC进行估计:
步骤1:对电池组同属一批次的电池单体进行如图2所示的循环老化实验流程,得到电池的老化数据集,其中数据集中每个样本包括电池当前循环下的充电健康特征与最大可用容量。
循环老化实验流程中,温度T为10℃、20℃、30℃和40℃,放电倍率K为0.5C、1C、1.5C和2C,温度和放电倍率两两结合,构成不同温度和不同放电倍率下的老化实验流程。
充电健康特征提取方法如下:在电池电压3.8~4.0V区间内,以10mV为间隔提取20个健康特征,此外,提取电池在3.8V~4.0V区间内的温升信息作为第21个健康特征。
采用老化数据集训练基于SVR的电池容量估计模型,其中模型的参数选取利用粒子群优化智能算法进行寻优。
步骤2:获取充电组充电数据,基于聚类算法构建均值-差异模型;具体过程为,构建基于戴维宁模型的均值模型,为每一簇电池构建考虑内阻和SOC差异的差异模型。
根据电池组充电过程的电压电流数据,对每一个电池单体进行充电特征提取。K-means++聚类算法基于聚类评价指标得出最佳聚类数K=5,将电池组内所有单体划分为五簇,结果如下表1所示。
表1.
图3为基于DB和SIL指标的聚类结果分析图,结合SIL和DB指标进行判断,选择聚类数K=5为最佳聚类数。
充电特征包括:充电起始电压、充电末期端电压、充电结束后1s内的端电压下降值、充电结束后1~100s内的电压下降值。
为电池组构建基于均值-差异模型,模型方程如上所示。差异模型的数量为K-means++聚类算法的聚类结果。利用电池组充电过程的电压电流数据完成均值和差异模型的参数辨识,均值模型参数辨识结果表2所示。
表2
差异模型参数辨识结果如表3所示。
表3
步骤3:采用步骤1的模型更新电池容量,对每一簇电池的SOC估计;
基于电池组的充电数据为每一个单体电池提取充电健康特征,同属一簇的电池单体的充电健康特征求和并取平均,利用步骤1所训练的电池容量估计模型得到每一簇电池的容量估计值,如表4所示。
表4
步骤4:基于各簇电池的SOC估计值,对串联电池组的SOC进行估计。
在NEDC工况下,利用HIF和AEKF算法分别实现在多时间尺度下均值模型和差异模型的最优状态估计,图4、图5和图6分别为均值模型和差异模型的状态估计结果图。其中微观尺度为1s,宏观时间尺度为150s。
估计结果如图7所示。在电池组的老化数据测试中,该算法的最大平均误差不超过1.13%,最大估计误差不超过3.72%。
本发明利用基于SVR的方法构建了单体电池的容量估计模型,该方法将与电池容量高度非线性相关的电池健康特征结合,电池容量估计精度高且算法量少。引入了聚类算法建立了电池组模型,该模型结合了聚类算法和均值-差异模型的优点,能够在保证模型精度的同时极大的减少后续算法的计算量。均值-差异模型能很好的衡量电池组的平均性能以及每个单体电池与平均性能之间的差异。而聚类算法能将性能接近的单体划分为同一类,大幅减少模型中差异模型的数据,尤其是在大规模电池组的应用环境下,该方法能够减少代码量方便将代码移植到微控制器中。HIF具有较强的鲁棒性,能够适应电动汽车的各种恶劣工况。利用HIF估计完成均值模型的最优状态估计,保证了电池组SOC估计的精度,同时利用HIF过滤电流偏置噪声,使用AEKF完成差异模型的状态估计。结合了HIF和AEKF算法的优点,能够快速实现对电池组中每个单体SOC的最优估计,进而完成对电池组的SOC估计。
Claims (8)
1.一种串联电池组的SOC估计方法,其特征在于,包括以下步骤:
步骤1:获取电池老化数据,构建单体电池的基于SVR的容量估计模型;
步骤2:获取电池组充电数据,基于聚类算法构建均值-差异模型;通过聚类算法得出最佳聚类数K,将电池组内所有电池单体划分为K簇,每一簇内中的所有电池单体性能被视为一致,差异模型的数量为聚类算法的聚类数;具体过程为,构建基于戴维宁模型的均值模型,为每一簇电池构建考虑内阻和SOC差异的差异模型;均值模型方程如下:
式中:为极化内阻,/>为极化电容,/>为欧姆内阻,/>为端电压,/>为受SOC影响的开路电压,i t为电流,/>为极化电压的导数,/>为极化电压;
差异模型方程如下:
式中:为端电压差异,/>为开路电压差异,/>为第i个差异模型的SOC变化值,/>为欧姆内阻差异,/>为单体电池的端电压,/>为均值模型的端电压,I为电流值;
步骤3:采用步骤1的模型更新每一簇电池的容量,基于电池组的充电数据为每一个单体电池提取充电健康特征,同属一簇的电池单体的充电健康特征求和并取平均,利用基于SVR的电池容量估计模型得到每一簇电池的容量估计值Q 1,基于HIF-AEKF通过下式完成对每一簇电池的SOC估计:
式中:SOC i为第i簇电池的SOC估计值,SOC m为均值模型的状态变量,为第i个差异模型的SOC变化值;采用HIF鲁棒滤波算法估计均值模型的状态变量;采用自适应拓展卡尔曼滤波算法估计每个差异模型的SOC变化值;
步骤4:基于各簇电池的SOC估计值,对串联电池组的SOC进行估计:
式中:为串联电池组的SOC估计值,Q 1…Q k为每一簇电池的容量估计值。
2.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤3中估计均值模型的状态变量过程中采用HIF鲁棒滤波算法抑制电流噪声;
建立两个对比模型,第一模型采用HIF鲁棒滤波算法进行均值模型SOC m估计,第二模型采用库仑积分法计算均值模型SOC m;在一段运行时间T内,两个对比模型SOC估计的变化值为和/>;
偏置电流求解方法如下:
式中:Q为均值模型的电池容量。
3.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤2中聚类算法采用K-means++方法计算最佳聚类数K。
4.根据权利要求3所述的一种串联电池组的SOC估计方法,其特征在于,所述最佳聚类数K通过聚类算法评价指标DB和SIL得到;
式中:K为聚类数,为第i个簇内的所有样本数据点到簇中心μ i距离的平均值;
式中:a(i)为样本i到其所在簇中其他样本的距离的均值,b(i)为样本i到其最近簇中所有样本的距离的均值,n为样本数;
根据上式得到DB和SIL的曲线图,取相对DB最小,SIL最大的整数值。
5.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤2中采用电池组充电过程的电压和电流数据通过RLS方法完成均值和差异模型的参数辨识。
6.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤3中通过不同时间尺度对SOC m和进行估计,/>估计的时间尺度大于SOC m估计的时间尺度。
7.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤2中充电数据为每一个电池单体的充电特征,充电特征包括充电起始电压、充电末期端电压、充电结束后1s内的端电压下降值,充电结束后1~100 s内的电压下降值。
8.根据权利要求1所述的一种串联电池组的SOC估计方法,其特征在于,所述步骤1中根据老化数据构建老化数据集,采用数据集对构建的基于SVR的容量估计模型进行训练;数据集中每个样本包括电池当前循环下的充电健康特征和最大可用容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561919.7A CN116298933B (zh) | 2023-05-18 | 2023-05-18 | 一种串联电池组的soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561919.7A CN116298933B (zh) | 2023-05-18 | 2023-05-18 | 一种串联电池组的soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116298933A CN116298933A (zh) | 2023-06-23 |
CN116298933B true CN116298933B (zh) | 2023-08-08 |
Family
ID=86794555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310561919.7A Active CN116298933B (zh) | 2023-05-18 | 2023-05-18 | 一种串联电池组的soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298933B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388715B (zh) * | 2023-12-11 | 2024-02-27 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130074048A (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 케이티 | 에너지 저장 장치의 soc 보정 방법 및 이를 이용하는 soc 보정 시스템 |
CN107015152A (zh) * | 2017-03-13 | 2017-08-04 | 上海理工大学 | 电池组不一致性的辨识方法 |
CN107505578A (zh) * | 2017-10-16 | 2017-12-22 | 西南交通大学 | 一种锂电池电荷状态估计的方法 |
CN109633473A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种分布式电池组荷电状态估计算法 |
CN110146823A (zh) * | 2019-06-06 | 2019-08-20 | 重庆大学 | 一种基于信息融合的串联电池组soc估计方法 |
CN112462282A (zh) * | 2020-11-09 | 2021-03-09 | 西南大学 | 基于机理模型的用于确定电池组实时荷电状态的方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115186447A (zh) * | 2022-06-16 | 2022-10-14 | 四川大学 | 一种动力电池组全寿命周期的不一致性模型构建方法 |
CN116047339A (zh) * | 2023-01-13 | 2023-05-02 | 杭州电子科技大学 | 基于热电耦合模型的锂离子电池组soc估计方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102441335B1 (ko) * | 2015-08-13 | 2022-09-06 | 삼성전자주식회사 | 배터리의 soc 추정 장치 및 방법 |
CN113655385B (zh) * | 2021-10-19 | 2022-02-08 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
-
2023
- 2023-05-18 CN CN202310561919.7A patent/CN116298933B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130074048A (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 케이티 | 에너지 저장 장치의 soc 보정 방법 및 이를 이용하는 soc 보정 시스템 |
CN107015152A (zh) * | 2017-03-13 | 2017-08-04 | 上海理工大学 | 电池组不一致性的辨识方法 |
CN107505578A (zh) * | 2017-10-16 | 2017-12-22 | 西南交通大学 | 一种锂电池电荷状态估计的方法 |
CN109633473A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种分布式电池组荷电状态估计算法 |
CN110146823A (zh) * | 2019-06-06 | 2019-08-20 | 重庆大学 | 一种基于信息融合的串联电池组soc估计方法 |
CN112462282A (zh) * | 2020-11-09 | 2021-03-09 | 西南大学 | 基于机理模型的用于确定电池组实时荷电状态的方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115186447A (zh) * | 2022-06-16 | 2022-10-14 | 四川大学 | 一种动力电池组全寿命周期的不一致性模型构建方法 |
CN116047339A (zh) * | 2023-01-13 | 2023-05-02 | 杭州电子科技大学 | 基于热电耦合模型的锂离子电池组soc估计方法及装置 |
Non-Patent Citations (1)
Title |
---|
向兆军 等.基于电池组模型和聚类算法的锂离子电池SOC不一致估计.《机械工程学报》.2020,154-163. * |
Also Published As
Publication number | Publication date |
---|---|
CN116298933A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045298B (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN110502778B (zh) | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 | |
CN111007417A (zh) | 基于不一致性评估的电池组soh和rul预测方法及系统 | |
CN116298933B (zh) | 一种串联电池组的soc估计方法 | |
CN108896916B (zh) | 基于恒流充放电电压曲线的电池组开路电压及健康状态求解方法 | |
CN108519555A (zh) | 一种锂离子电池的改进分数阶模型和参数辨识方法 | |
CN110940920B (zh) | 锂电池在预定soc下的不析锂的最大充电电流的获取方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN113848480A (zh) | 锂电池分容工艺的放电总容量预测方法 | |
CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
CN113640674B (zh) | 基于优化高斯过程回归的锂离子电池可用容量估计方法 | |
CN107505574A (zh) | 基于极大似然带渐消因子的ukf锂电池估算方法 | |
CN106291376A (zh) | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 | |
CN111965544B (zh) | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
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 | |
CN115659649A (zh) | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN111626013A (zh) | 一种混合动力系统电池无迹卡尔曼soc估算方法 | |
CN114497818A (zh) | 一种低温环境下锂离子电池的内部快速加热方法 | |
CN113406500B (zh) | 一种动力锂电池的剩余电量估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 |
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 |