CN116449221A - 锂电池荷电状态预测方法、装置、设备及存储介质 - Google Patents
锂电池荷电状态预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116449221A CN116449221A CN202310701973.7A CN202310701973A CN116449221A CN 116449221 A CN116449221 A CN 116449221A CN 202310701973 A CN202310701973 A CN 202310701973A CN 116449221 A CN116449221 A CN 116449221A
- Authority
- CN
- China
- Prior art keywords
- value
- state
- charge
- battery
- target battery
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 72
- 239000002245 particle Substances 0.000 claims abstract description 129
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000006731 degradation reaction Methods 0.000 claims abstract description 28
- 230000015556 catabolic process Effects 0.000 claims abstract description 26
- 230000015654 memory Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Abstract
本发明涉及锂电池技术领域，公开了一种锂电池荷电状态预测方法、装置、设备及存储介质，该方法包括：采用粒子滤波算法确定目标电池的实际容量值，基于实际容量值通过荷电状态预测模型获得目标电池的荷电状态预测值，获取目标电池的初始荷电状态实际值，并计算荷电状态预测值与初始荷电状态实际值的差值，将计算得到的差值作为预设残差模型的输入，得到残差估计值，根据残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。由于本发明是采用粒子滤波算法计算得到的实际容量值，能够补偿电池退化对电池荷电状态值的影响，接着引入残差分析，根据残差估计值和模型预测值最终确定目标电池的当前荷电状态值，提高了估计精度。
Description
技术领域
本发明涉及锂电池技术领域，尤其涉及一种锂电池荷电状态预测方法、装置、设备及存储介质。
背景技术
锂电池广泛应用于新能源汽车、电子消费和电网储能等领域。锂电池经过反复充放电后，其内部的活性锂离子和电解液会减少、隔膜会老化，导致电池容量衰减。电池容量反映了电池的退化程度，荷电状态（State of Charge，SOC）是电池当前今年容量与实际容量之比值，反映了当前可放出的电荷量。准确的SOC估计对确保用户及时维护或更换电池系统，提高系统的安全性和可靠性至关重要。
锂电池的SOC估计方法众多，常采用基于长短时记忆网络（Long Short TermMemory，LSTM）构建SOC估计模型，然而影响电池的SOC的实际容量是不断衰减的，现有的基于LSTM的方法在进行SOC估计时未考虑到容量衰减的影响，使得最终得到的电池的当前荷电状态值与实际值有较大差距，存在着精确度不足的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。
发明内容
本发明的主要目的在于提供了一种锂电池荷电状态预测方法、装置、设备及存储介质，旨在解决现有的采用LSTM方法预测的锂电池的SOC值的精确度不足的技术问题。
为实现上述目的，本发明提供了一种锂电池荷电状态预测方法，所述方法包括以下步骤：
采用粒子滤波算法确定目标电池的实际容量值；
基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值；
获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值；
将计算得到的所述差值作为预设残差模型的输入，得到残差估计值；
根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
可选地，所述采用粒子滤波算法确定目标电池的实际容量值，包括：
获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值；
基于所述更新后的状态值，根据粒子滤波第二方程得到所述目标电池的容量观测值；
采用基于BP平滑的重采样算法对所述粒子的初始权重值进行更新，得到粒子的归一化权值；
根据所述粒子的归一化权值与所述目标电池的容量观测值，确定所述目标电池的实际容量值。
可选地，所述基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值的步骤之前，包括：
基于LSTM初始化当前容量预测模型；
采用粒子群优化算法对所述当前容量预测模型进行训练以及参数调整，获得经过优化的当前容量预测模型；
相应地，所述基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值，包括：
基于所述实际容量值通过所述经过优化的当前容量预测模型获得所述目标电池的荷电状态预测值。
可选地，所述基于所述实际容量值通过所述经过优化的当前容量预测模型获得所述目标电池的荷电状态预测值，包括：
将所述目标电池的电压、电流以及电池温度作为输入，通过所述经过优化的当前容量预测模型输出所述目标电池的当前容量值；
基于所述实际容量值和所述当前容量值，计算得到所述目标电池的荷电状态预测值。
可选地，所述采用粒子群优化算法对所述当前容量预测模型进行训练以及参数调整，获得经过优化的当前容量预测模型，包括：
初始化粒子群并设置最大迭代次数阈值；
采用粒子适应度公式计算得到粒子适应度值，其中，所述粒子适应度公式为：
根据所述粒子适应度值更新所述粒子群中粒子的位置和速度；
在达到所述最大迭代次数阈值时，基于更新后的所述粒子的位置和速度对所述当前容量预测模型进行参数的优化，获得经过优化的当前容量预测模型。
可选地，所述获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值，包括：
获取所述荷电状态预测值与所述初始荷电状态实际值的差值，得到差值序列，并对所述差值序列进行归一化处理；
对经过所述归一化处理的差值序列采用变分模态分解法进行分解重构，得到平滑差值序列；
相应地，所述将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，包括：
将所述平滑差值序列作为预设残差模型的输入，得到残差估计值。
可选地，所述获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值的步骤之前，包括：
获取各类型电池的实验数据，基于第一指数经验退化公式对所述实验数据进行拟合，获得各类型电池对应的计算状态参数值；
其中，第一指数经验退化公式为：
根据所述各类型电池对应的计算状态参数值生成电池状态初始参数值预设表；
相应地，所述获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值，包括：
从所述电池状态初始参数值预设表中获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值。
此外，为实现上述目的，本发明还提出一种锂电池荷电状态预测装置，所述锂电池荷电状态预测装置包括：
容量确定模块，用于采用粒子滤波算法确定目标电池的实际容量值；
第一预测模块，用于基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值；
差值计算模块，用于获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值；
残差估计模块，用于将计算得到的所述差值作为预设残差模型的输入，得到残差估计值；
第二预测模块，用于根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
此外，为实现上述目的，本发明还提出一种锂电池荷电状态预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂电池荷电状态预测程序，所述锂电池荷电状态预测程序配置为实现如上文所述的锂电池荷电状态预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储锂电池荷电状态预测程序，所述锂电池荷电状态预测程序被处理器执行时实现如上文所述的锂电池荷电状态预测方法的步骤。
本发明首先采用粒子滤波算法确定目标电池的实际容量值，接着基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值，再获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值，进而将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，最后根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。由于本发明是将采用粒子滤波算法计算得到的实际容量值作为实际容量输入预先设置的荷电状态预测模型，能够补偿电池退化对电池荷电状态值的影响，接着引入残差分析，计算由预测模型得到的预测值与初始实际值间的差值，根据残差估计值和模型预测值最终确定目标电池的当前荷电状态值，提高了估计精度。
附图说明
图1是本发明实施例涉及的硬件运行环境的锂电池荷电状态预测设备的结构示意图；
图2是本发明锂电池荷电状态预测方法第一实施例的流程示意图；
图3是本发明锂电池荷电状态预测法第二实施例的流程示意图；
图4是本发明锂电池荷电状态预测方法第三实施例的流程示意图；
图5为本发明锂电池荷电状态预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的锂电池荷电状态预测设备结构示意图。
如图1所示，该锂电池荷电状态预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对锂电池荷电状态预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及锂电池荷电状态预测程序。
在图1所示的锂电池荷电状态预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明锂电池荷电状态预测设备中的处理器1001、存储器1005可以设置在锂电池荷电状态预测设备中，所述锂电池荷电状态预测设备通过处理器1001调用存储器1005中存储的锂电池荷电状态预测程序，并执行本发明实施例提供的锂电池荷电状态预测方法。
本发明实施例提供了一种锂电池荷电状态预测方法，参照图2，图2为本发明锂电池荷电状态预测方法第一实施例的流程示意图。
本实施例中，所述锂电池荷电状态预测方法包括以下步骤：
步骤S10：采用粒子滤波算法确定目标电池的实际容量值。
需要说明的是，本实施例的执行主体可以是具有数据处理、网络通讯以及程序运行功能的锂电池荷电状态预测设备，例如锂电池检测设备，大型锂电池数据分析仪等，或者说其它能够实现相同或相似功能的设备，例如个人电脑，移动终端等。此处以上述锂电池荷电状态预测设备（以下简称预测设备）为例对本实施例和下述各实施例进行具体说明。
可以理解的是，粒子滤波算法可以是使用一组具有相应权值的随机样本粒子来表示状态的后验分布。该算法的基本思路是选取一个重要性概率密度并从中进行随机抽样，得到带有权值的随机样本粒子后，在状态观测的基础上调节权值的大小和粒子的位置，再使用这些样本来逼近状态后验分布，最终将这组样本的加权和作为获得的估计值，粒子滤波算法的步骤可分为：预测、更新、重采样以及输出。
应该理解的是，目标电池可以为需要采用当前锂电池荷电状态预测方法进行荷电状态值（State of Charge，SOC）预测的锂离子电池（锂电池）单体，该锂电池的初始状态值可以从锂电池厂家或是经过实验室充放电实验进行获得。
可理解的是，电池容量是衡量电池性能的重要性能指标，锂电池经过反复的充放电后，电池容量存在衰减。目标电池的实际容量可以指在一定的放电制下，电池所能给出的电量。
在具体实现中，预测设备先根据系统的预测过程预测目标电池的初始粒子状态，再根据观测值更新粒子的权重，接着采用重采样算法对粒子进行基于权重的筛选和再更新，最后根据经过迭代后的粒子的当前权值和状态值计算得到电池的容量，作为后续计算荷电状态值的实际容量值。
步骤S20：基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值。
可以理解的是，荷电状态（SOC）是电池的当前容量与实际容量的比值，反映了当前可放出的电荷量，锂电池的SOC是电池管理系统的重要参数之一。由于锂电池本身结构的复杂性，其任一时刻的SOC值不能通过直接测量得到。
需要说明的是，荷电状态预测模型可以是基于长短时记忆网络（Long Short TermMemory，LSTM）构建的SOC预测模型，该SOC预测模型可以是以目标电池的电压、电流以及温度作为输入，SOC值作为输出的预测模型，其中用于计算SOC值的实际容量值为采用上述粒子滤波算法获得的目标电池的实际容量值。
在具体实现中，预测设备结合经过上述粒子滤波算法获得的目标电池的实际容量值，通过预先基于LSTM构建的SOC预测模型，将目标电池的电池电压、电流以及电池温度等参数做为模型的输入，输出得到目标电池的SOC预测值。
步骤S30：获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值。
可以理解的是，由于目标电池的出厂值是可以通过锂电池厂家数据以及锂电池的充放电实验过程获得的，因此目标电池的初始荷电状态实际值可以是已知的。且在目标电池开始使用的一定连续时间内，由于初始阶段电池容量的退化值微小，可以忽略不计，因此可以得到在一定连续时间内的初始荷电状态实际值。
进一步地，考虑到预测的SOC值与实际SOC值的差值中蕴含的有效的SOC演化信息，引入了残差估计的思想，而为了提高计算得到的差值的精确度，步骤S30，包括：
步骤S301：获取所述荷电状态预测值与所述初始荷电状态实际值的差值，得到差值序列，并对所述差值序列进行归一化处理。
需要说明的是，可以根据差值计算公式得到差值序列，其中差值计算公式为：
式中，为第k次循环周期的基于LSTM构建的SOC预测模型的荷电状态预测值与获取的初始荷电状态实际值/>的差值，其中t为当前时刻值。
应该理解的是，可以采用归一化公式对所述差值序列进行归一化处理，该归一化公式为：
式中，为经过归一化的差值序列，/>表示取序列中的最大值。
在具体实现中，预测设备获取到目标电池的初始荷电状态实际值后，根据差值计算公式计算得到荷电状态预测值与所述初始荷电状态实际值的差值序列，并采用归一化公式提取该差值序列中的最大值，获得经过归一化处理的差值序列。
步骤S302：对所述经过归一化处理的差值序列采用变分模态分解法进行分解重构，得到平滑差值序列。
可以理解的是，变分模态分解法（Variational Mode decomposition，VMD）是一种自适应，完全非递归的模态变分和信号处理的方法。本实施例采用VMD对差值序列进行处理，可以滤除计算得到的差值序列受到的噪声影响。
在具体实现中，可以首先对经过归一化处理的差值序列进行变分模态分解，分解得到第一预设数量个有限带宽的本征模态分量，接着从第一预设数量个本征模态分量中筛选得到前第二预设数量个模态分量后重构的差值序列，即为平滑差值序列。
相应地，步骤S40：将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，包括：
步骤S40'：将所述平滑差值序列作为预设残差模型的输入，得到残差估计值。
可以理解的是，该预设残差模型可以为基于自回归预测法（Autoregression，AR）预先构建的残差估计模型，AR是利用预测目标的历史时间数列在不同时期取值之间存在的依存关系（即自身相关）建立的自回归方程。本方法的残差模型还可以选用基于LSTM或GRU等考虑时间元素的网络构建的模型，本实施例考虑到模型构建的简易性选用AR为例构建预设残差模型。
在具体实现中，可以以t-4、t-3、t-2和t-1时刻差值作为输入，t时刻差值作为输出，采用Yule-Walker方程的形式求出模型参数[]并得到估计残差。
具体地，可以采用残差估计公式得到估计残差，该残差估计公式为：
式中，/>-/>为模型参数，/>为经过VMD算法重构的平滑差值序列，/>为预设残差模型输出的残差估计值。
进一步地，还可以采用反归一化公式对残差估计值进行反归一化处理，该反归一化公式可以为：
式中，为经过反归一化处理的残差估计值。
步骤S50：根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
可以理解的是，可以通过预测值以及预测值与实际值之间的差值估计值的结合，得到更准确的预测值，即可以通过由基于LSTM构建的荷电状态预测模型输出的目标电池的荷电状态预测值和结合了VMD算法并基于AR模型获得的残差估计值，相加得到精确度更高的目标电池的当前荷电状态值。
本实施例首先采用粒子滤波算法确定目标电池的实际容量值，接着基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值，再获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值，进而将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，最后根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。由于本发明是将采用粒子滤波算法计算得到的实际容量值作为实际容量输入预先设置的荷电状态预测模型，能够补偿电池退化对电池荷电状态值的影响，接着引入残差分析，并且引入VMD算法进行去噪获得平滑差值序列，再计算由预测模型得到的预测值与初始实际值间的差值，根据残差估计值和模型预测值最终确定目标电池的当前荷电状态值，提高了估计精度。
参考图3，图3为本发明锂电池荷电状态预测方法第二实施例的流程示意图。
进一步地，考虑到电池容量初始阶段退化平缓，而中后期存在退化加速的问题，步骤S10，包括：
步骤S101：获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值。
可以理解的是，该目标电池的初始状态参数值可以从锂电池的厂家数据或锂电池的充放电实验获得，或者是可以从现有的电池状态参数初始值预设表中获取。
进一步地，为了便于获取不同类型的目标类型的初始状态值，步骤S101之前，还包括：
步骤S001：获取各类型电池的实验数据，基于第一指数经验退化公式对所述实验数据进行拟合，获得各类型电池对应的计算状态参数值。
可以理解的是，各类型的电池单体可以分别在实验室进行全寿命周期的充放电实验，接着通过指数经验退化模型进行拟合，已知锂离子电池的容量序列，k=1,2,...N，/>为充放电循环周期，/>为第/>次的释放出的电池容量，该指数经验退化模型可以以第一指数经验退化公式的形式进行表示，其中，第一指数经验退化公式为：
式中，为状态参数，/>为电池充放电周期数，/>为第/>周期的电池容量，和/>分别代表初始能力退化过程和加速能力退化过程。
在具体实现中，在获取某类型的电池的充放电实验数据后，采用第一指数经验退化公式对实验数据进行拟合，可以获得该类型电池的计算状态参数。
步骤S002：根据所述各类型电池对应的计算状态参数值生成电池状态初始参数值预设表。
需要说明的是，通过上述第一指数经验退化公式拟合后得到的为状态参数值，可以基于不同类型的电池，建立不同类型的电池单体的状态参数初始值表。
在具体实现中，获取到各类型电池的计算状态参数值，并将其基于电池类型建立电池状态初始参数值预设表，能够考虑到粒子滤波的状态参数初始值对电池的实际容量值的估计极为重要而现有的方法未考虑到各锂电池类型的不同，只是随机给定参数值或统一固定值的问题，进一步提升了对目标电池的实际容量值的估计精度。
相应地，步骤S101包括：
步骤S101'：从所述电池状态初始参数值预设表中获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值。
在具体实现中，在从上述建立的电池状态初始参数值预设表中获取到状态初始值后，将该状态初始值作为输入复制得到M个粒子，每个粒子均值均为/>，根据粒子滤波第一方程，估计得到下一状态/>，其中，粒子滤波第一方程为：
步骤S102：基于所述更新后的状态值，根据粒子滤波第二方程得到所述目标电池的容量观测值。
在具体实现中，可以将M个粒子作为输入，根据粒子滤波第二方程计算出M个电池容量预测值，其中，粒子滤波第二方程为：
进一步地，可以对粒子进行初始的重要性权值计算并归一化，具体地，从已知的概率分布采集M个粒子/>，按照下述第一公式计算重要性权重，按照下述第二公式进行归一化，其中，第一公式为：
式中，和/>分别是第/>和第/>个周期的第/>个粒子未归一化权重。
其中，第二公式为：
式中，是第/>个周期第/>个粒子的归一化权值。
步骤S103：采用基于BP平滑的重采样算法对所述粒子的初始权重值进行更新，得到粒子的归一化权值。
可以理解的是，粒子经过多次迭代后权重值会该变，在多次更迭后有的粒子权值变大而有的粒子变小，存在着权值过大粒子和权值过小的粒子。而保留权值大的粒子并丢弃权值小的粒子会使得整个粒子样本过小，因此可以采用BP神经网络模型，进一步改善粒子退化问题。
需要说明的是，首先计算粒子的有效样本数目，若/><预设阈值/>，则按照下列步骤进行重采样：
步骤A：将M个粒子作为输入，对应的归一化权重/>作为输出的BP神经网络并进行训练；
步骤B：将M个粒子作为输入，通过BP神经网络模型估计出对应的权重；
步骤C：对权重信号归一化后再采用分层重采样对粒子权重进行重采样。
在具体实现中，采用BP神经网络模型估计出的对应的权值对所述粒子的初始权重值进行更新，得到粒子的更新后的归一化权值，能够改善粒子的退化问题。
步骤S104：根据所述粒子的归一化权值与所述目标电池的容量观测值，确定所述目标电池的实际容量值。
在具体实现中，可以采用电池容量估计公式以及粒子状态估计公式，计算得到目标电池的实际容量值，其中，电池容量估计公式为：
其中，粒子状态估计公式为：
本实施例在获取目标电池的初始状态参数值后，根据基于双指数退化模型进行优化得到的粒子滤波第一方程获得粒子的初始权重值以及粒子状态值，接着基于BP平滑的重采样方法对粒子的权值进行再更新，能够考虑到电池容量初始阶段退化平缓而中后期存在退化加速的现象，改善了粒子退化现象，并且预先根据实验数据与预设的第一指数经验退化公式，生成各类电池的状态初始参数值预设表，能够对应不同类型的电池提供目标电池的初始状态参数值，进一步提升了对目标电池的实际容量值的估计精度。
参考图4，图4为本发明锂电池荷电状态预测方法第三实施例的流程示意图。
进一步地，考虑到现有的基于LSTM构建的当前荷电状态预测模型未考虑到影响电池的SOC的实际容量不断衰减而直接进行SOC估计，步骤S20之前，包括：
步骤S0120：基于LSTM初始化当前容量预测模型。
在具体实现中，可以以第k个循环周期的t时刻电压、电流/>和温度作为输入，第k个循环周期第t时刻当前容量/>作为输出，基于LSTM网络结构，初始化当前容量预测模型。
步骤S0220：采用粒子群优化算法对所述当前容量预测模型进行训练以及参数调整，获得经过优化的当前容量预测模型。
可以理解的是，粒子群优化算法（particle swarm optimization，PSO）是常用的处理优化类问题的关键算法，其核心思想是利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的可行解。
需要说明的是，为了进一步提高电池的SOC估计精度，本实施例选用正态分布衰减惯性权重粒子群优化（normal distribution decay inertial weight particle swarmoptimization，NDPSO）方法，对基于LSTM构建的当前容量预测模型中的神经元个数、初始学习率和学习率下降系统等超参数进行优化。
需要说明的是，NDPSO 算法的核心部分是的更新衰减策略，每次选代都使用新的/>值来更新粒子的速度和位置，其中/>是以正态分布曲线进行衰减。这样局部搜索能力和全局搜索能力在算法优化的每个阶段都能发挥应有的作用。这种“Z”型曲线使算法不易陷入局部最优，且收敛速度很快。
进一步地，为了对基于LSTM构建的当前容量预测模型中的参数进行优化，步骤S0220包括：
步骤S0221：初始化粒子群并设置最大迭代次数阈值。
在具体实现中，可以基于经验值初始化参数，/>和，/>，粒子群个数/>=150，最大迭代次数阈值为300。
步骤S0222：采用粒子适应度公式计算得到粒子适应度值。
需要说明的是，所述粒子适应度公式为：
步骤S0223：根据所述粒子适应度值更新所述粒子群中粒子的位置和速度。
步骤S0224：在达到所述最大迭代次数阈值时，基于更新后的所述粒子的位置和速度对所述当前容量预测模型进行参数的优化，获得经过优化的当前容量预测模型。
相应地，步骤S20包括：
步骤S201：将所述目标电池的电压、电流以及电池温度作为输入，通过所述经过优化的当前容量预测模型输出所述目标电池的当前容量值。
在具体实现中，可以以第k个循环周期的t时刻电压、电流/>和温度作为输入，通过训练好的基于NDPSO-LSTM的当前容量预测模型，输出得到目标电池在第k个循环周期第t时刻当前容量/>。
步骤S202：基于所述实际容量值和所述当前容量值，计算得到所述目标电池的荷电状态预测值。
可以理解的是，由于荷电状态值为当前容量值与实际容量值的比值，在获取到由上述粒子滤波算法计算得到的实际容量值，以及上述由当前容量预测模型输出的当前容量值/>，可以通过/>计算得到目标电池的荷电状态预测值。
本实施例首先基于LSTM初始化当前容量预测模型，再引入NDPSO方法对基于LSTM构建的模型中神经元个数、初始学习率和学习率下降系数等超参数进行优化，最后通过经过优化的NDPSO-LSTM的容量预测模型输出得到目标电池的当前容量值，结合经过上述粒子滤波算法计算得到的实际容量值，得到目标电池的荷电状态预测值，能够考虑到电池的容量衰减现象进行SOC估计，同时优化了基于LSTM构建的模型的参数，能够进一步提升对目标电池的荷电状态值的估计精度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有锂电池荷电状态预测程序，所述锂电池荷电状态预测程序被处理器执行时实现如上文所述的锂电池荷电状态预测方法的步骤。
此外，参照图5，图5为本发明锂电池荷电状态预测装置第一实施例的结构框图，本发明实施例还提出一种锂电池荷电状态预测装置，所述锂电池荷电状态预测装置包括：
容量确定模块501，用于采用粒子滤波算法确定目标电池的实际容量值；
第一预测模块502，用于基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值；
差值计算模块503，用于获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值；
残差估计模块504，用于将计算得到的所述差值作为预设残差模型的输入，得到残差估计值；
第二预测模块505，用于根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
所述差值计算模块503，还用于获取所述荷电状态预测值与所述初始荷电状态实际值的差值，得到差值序列，并对所述差值序列进行归一化处理；对经过所述归一化处理的差值序列采用变分模态分解法进行分解重构，得到平滑差值序列；将所述平滑差值序列作为预设残差模型的输入，得到残差估计值。
本实施例首先采用粒子滤波算法确定目标电池的实际容量值，接着基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值，再获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值，进而将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，最后根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。由于本发明是将采用粒子滤波算法计算得到的实际容量值作为实际容量输入预先设置的荷电状态预测模型，能够补偿电池退化对电池荷电状态值的影响，接着引入残差分析，并且引入VMD算法进行去噪获得平滑差值序列，再计算由预测模型得到的预测值与初始实际值间的差值，根据残差估计值和模型预测值最终确定目标电池的当前荷电状态值，提高了估计精度。
本发明锂电池荷电状态预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种锂电池荷电状态预测方法，其特征在于，所述方法包括：
采用粒子滤波算法确定目标电池的实际容量值；
基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值；
获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值；
将计算得到的所述差值作为预设残差模型的输入，得到残差估计值；
根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
2.如权利要求1所述的锂电池荷电状态预测方法，其特征在于，所述采用粒子滤波算法确定目标电池的实际容量值，包括：
获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值；
基于所述更新后的状态值，根据粒子滤波第二方程得到所述目标电池的容量观测值；
采用基于BP平滑的重采样算法对所述粒子的初始权重值进行更新，得到粒子的归一化权值；
根据所述粒子的归一化权值与所述目标电池的容量观测值，确定所述目标电池的实际容量值。
3.如权利要求1所述的锂电池荷电状态预测方法，其特征在于，所述基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值的步骤之前，包括：
基于LSTM初始化当前容量预测模型；
采用粒子群优化算法对所述当前容量预测模型进行训练以及参数调整，获得经过优化的当前容量预测模型；
相应地，所述基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值，包括：
基于所述实际容量值通过所述经过优化的当前容量预测模型获得所述目标电池的荷电状态预测值。
4.如权利要求3所述的锂电池荷电状态预测方法，其特征在于，所述基于所述实际容量值通过所述经过优化的当前容量预测模型获得所述目标电池的荷电状态预测值，包括：
将所述目标电池的电压、电流以及电池温度作为输入，通过所述经过优化的当前容量预测模型输出所述目标电池的当前容量值；
基于所述实际容量值和所述当前容量值，计算得到所述目标电池的荷电状态预测值。
5.如权利要求3所述的锂电池荷电状态预测方法，其特征在于，所述采用粒子群优化算法对所述当前容量预测模型进行训练以及参数调整，获得经过优化的当前容量预测模型，包括：
初始化粒子群并设置最大迭代次数阈值；
采用粒子适应度公式计算得到粒子适应度值，其中，所述粒子适应度公式为：
根据所述粒子适应度值更新所述粒子群中粒子的位置和速度；
在达到所述最大迭代次数阈值时，基于更新后的所述粒子的位置和速度对所述当前容量预测模型进行参数的优化，获得经过优化的当前容量预测模型。
6.如权利要求1所述的锂电池荷电状态预测方法，其特征在于，所述获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值，包括：
获取所述荷电状态预测值与所述初始荷电状态实际值的差值，得到差值序列，并对所述差值序列进行归一化处理；
对经过所述归一化处理的差值序列采用变分模态分解法进行分解重构，得到平滑差值序列；
相应地，所述将计算得到的所述差值作为预设残差模型的输入，得到残差估计值，包括：
将所述平滑差值序列作为预设残差模型的输入，得到残差估计值。
7.如权利要求2所述的锂电池荷电状态预测方法，其特征在于，所述获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值的步骤之前，包括：
获取各类型电池的实验数据，基于第一指数经验退化公式对所述实验数据进行拟合，获得各类型电池对应的计算状态参数值；
其中，第一指数经验退化公式为：
根据所述各类型电池对应的计算状态参数值生成电池状态初始参数值预设表；
相应地，所述获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值，包括：
从所述电池状态初始参数值预设表中获取所述目标电池的初始状态参数值，根据粒子滤波第一方程得到粒子的初始权重值以及更新后的状态值。
8.一种锂电池荷电状态预测装置，其特征在于，所述锂电池荷电状态预测装置包括：
容量确定模块，用于采用粒子滤波算法确定目标电池的实际容量值；
第一预测模块，用于基于所述实际容量值通过荷电状态预测模型获得所述目标电池的荷电状态预测值；
差值计算模块，用于获取所述目标电池的初始荷电状态实际值，并计算所述荷电状态预测值与所述初始荷电状态实际值的差值；
残差估计模块，用于将计算得到的所述差值作为预设残差模型的输入，得到残差估计值；
第二预测模块，用于根据所述残差估计值与所述荷电状态预测值确定所述目标电池的当前荷电状态值。
9.一种锂电池荷电状态预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂电池荷电状态预测程序，所述锂电池荷电状态预测程序配置为实现如权利要求1至7任一项所述的锂电池荷电状态预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有锂电池荷电状态预测程序，所述锂电池荷电状态预测程序被处理器执行时实现如权利要求1至7任一项所述的锂电池荷电状态预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310701973.7A CN116449221B (zh) | 2023-06-14 | 2023-06-14 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310701973.7A CN116449221B (zh) | 2023-06-14 | 2023-06-14 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449221A true CN116449221A (zh) | 2023-07-18 |
| CN116449221B CN116449221B (zh) | 2023-09-29 |
Family
ID=87122280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310701973.7A Active CN116449221B (zh) | 2023-06-14 | 2023-06-14 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449221B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090265125A1 (en) * | 2008-04-22 | 2009-10-22 | Gm Global Technology Operations, Inc. | battery state-of-health monitoring system and method |
| CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
| US20130110428A1 (en) * | 2011-10-26 | 2013-05-02 | Industrial Technology Research Institute | Method And System For Estimating A Capacity Of A Battery |
| CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
| CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
| KR101546324B1 (ko) * | 2014-03-07 | 2015-08-28 | 충북대학교 산학협력단 | 2차전지 충전상태 예측장치 및 방법 |
| CN106354964A (zh) * | 2016-09-08 | 2017-01-25 | 厦门理工学院 | 电动汽车用锂离子电容器荷电状态估计方法 |
| CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
| CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
| KR20190080102A (ko) * | 2017-12-28 | 2019-07-08 | 광운대학교 산학협력단 | 배터리의 충전 상태를 추정하는 방법 및 배터리 관리 장치 |
| CN110703120A (zh) * | 2019-09-29 | 2020-01-17 | 上海海事大学 | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 |
| CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
| CN112415391A (zh) * | 2020-10-27 | 2021-02-26 | 中船动力有限公司 | 基于改进粒子群优化的船用锂离子电池参数辨识方法 |
| CN113030751A (zh) * | 2021-03-31 | 2021-06-25 | 蜂巢能源科技有限公司 | 电池荷电状态soc估计方法、装置、管理系统以及车辆 |
| CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置，电池管理系统 |
| CN114660463A (zh) * | 2022-03-04 | 2022-06-24 | 长安大学 | 一种基于自适应加权容积粒子滤波的锂电池soc估计方法 |
| CN114861545A (zh) * | 2022-05-19 | 2022-08-05 | 南京邮电大学 | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 |
| CN114994537A (zh) * | 2022-03-16 | 2022-09-02 | 华东交通大学 | 一种基于ekf-lstm的锂电池荷电状态联合预测测量方法 |
| CN115935206A (zh) * | 2022-12-07 | 2023-04-07 | 昆明理工大学 | 储能系统的soc估算方法及装置、设备及存储介质 |
| US20230118702A1 (en) * | 2021-10-19 | 2023-04-20 | Shenzhen Poweroak Newener Co.,Ltd | Method, device and computer readable storage medium for estimating SOC of lithium battery |
| CN116184223A (zh) * | 2021-11-29 | 2023-05-30 | 比亚迪股份有限公司 | 评估电池荷电状态估算算法准确度的方法及电子设备 |
-
2023
- 2023-06-14 CN CN202310701973.7A patent/CN116449221B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090265125A1 (en) * | 2008-04-22 | 2009-10-22 | Gm Global Technology Operations, Inc. | battery state-of-health monitoring system and method |
| US20130110428A1 (en) * | 2011-10-26 | 2013-05-02 | Industrial Technology Research Institute | Method And System For Estimating A Capacity Of A Battery |
| CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
| KR101546324B1 (ko) * | 2014-03-07 | 2015-08-28 | 충북대학교 산학협력단 | 2차전지 충전상태 예측장치 및 방법 |
| CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
| CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
| CN106354964A (zh) * | 2016-09-08 | 2017-01-25 | 厦门理工学院 | 电动汽车用锂离子电容器荷电状态估计方法 |
| KR20190080102A (ko) * | 2017-12-28 | 2019-07-08 | 광운대학교 산학협력단 | 배터리의 충전 상태를 추정하는 방법 및 배터리 관리 장치 |
| CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
| CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
| CN110703120A (zh) * | 2019-09-29 | 2020-01-17 | 上海海事大学 | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 |
| CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置，电池管理系统 |
| CN112098869A (zh) * | 2020-09-15 | 2020-12-18 | 合肥工业大学 | 一种基于大数据的自适应电动汽车soc估计方法 |
| CN112415391A (zh) * | 2020-10-27 | 2021-02-26 | 中船动力有限公司 | 基于改进粒子群优化的船用锂离子电池参数辨识方法 |
| CN113030751A (zh) * | 2021-03-31 | 2021-06-25 | 蜂巢能源科技有限公司 | 电池荷电状态soc估计方法、装置、管理系统以及车辆 |
| US20230118702A1 (en) * | 2021-10-19 | 2023-04-20 | Shenzhen Poweroak Newener Co.,Ltd | Method, device and computer readable storage medium for estimating SOC of lithium battery |
| CN116184223A (zh) * | 2021-11-29 | 2023-05-30 | 比亚迪股份有限公司 | 评估电池荷电状态估算算法准确度的方法及电子设备 |
| CN114660463A (zh) * | 2022-03-04 | 2022-06-24 | 长安大学 | 一种基于自适应加权容积粒子滤波的锂电池soc估计方法 |
| CN114994537A (zh) * | 2022-03-16 | 2022-09-02 | 华东交通大学 | 一种基于ekf-lstm的锂电池荷电状态联合预测测量方法 |
| CN114861545A (zh) * | 2022-05-19 | 2022-08-05 | 南京邮电大学 | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 |
| CN115935206A (zh) * | 2022-12-07 | 2023-04-07 | 昆明理工大学 | 储能系统的soc估算方法及装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| SI JIN KIM等: "LSTM-Based Real-Time SOC Estimation of Lithium-Ion Batteries Using a Vehicle Driving Simulator", 《2021 21ST INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND SYSTEMS (ICCAS)》 * |
| 张新锋，等: "基于AEKPF算法对锂离子电池SOC与SOH的联合估计", 《江苏大学学报（自然科学版）》, vol. 43, no. 1 * |
| 王春，等: "考虑环境温度影响的超级电容SOC加权融合估计方法", 《汽车工程》, vol. 45, no. 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449221B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hannan et al. | Toward enhanced state of charge estimation of lithium-ion batteries using optimized machine learning techniques | |
| Sadabadi et al. | Prediction of remaining useful life for a composite electrode lithium ion battery cell using an electrochemical model to estimate the state of health | |
| Bi et al. | An adaptive sigma-point Kalman filter with state equality constraints for online state-of-charge estimation of a Li (NiMnCo) O2/Carbon battery using a reduced-order electrochemical model | |
| Ungurean et al. | Online state of health prediction method for lithium‐ion batteries, based on gated recurrent unit neural networks | |
| Kim et al. | Data-efficient parameter identification of electrochemical lithium-ion battery model using deep Bayesian harmony search | |
| Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| Zheng et al. | Differential voltage analysis based state of charge estimation methods for lithium-ion batteries using extended Kalman filter and particle filter | |
| Shen et al. | A novel online method for predicting the remaining useful life of lithium-ion batteries considering random variable discharge current | |
| Xiong et al. | A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles | |
| JP2019512858A (ja) | 複数のオブザーバを備えた電池管理システム | |
| Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
| Fleischer et al. | On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system | |
| JP2021520178A (ja) | バッテリ状態推定方法 | |
| WO2021044134A1 (en) | Method and system for predicting battery degradation | |
| Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
| KR20180057266A (ko) | 배터리 상태 추정 방법 및 장치 | |
| Xu et al. | State of charge estimation for liquid metal battery based on an improved sliding mode observer | |
| Hao et al. | An improved forgetting factor recursive least square and unscented particle filtering algorithm for accurate lithium-ion battery state of charge estimation | |
| CN115291116A (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
| JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
| Zhang et al. | State of health estimation method for lithium-ion batteries using incremental capacity and long short-term memory network | |
| Ni et al. | Towards efficient state of charge estimation of lithium-ion batteries using canonical correlation analysis | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm |
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 |