CN116699414A - 一种基于ukf-lstm算法的锂电池soc估计方法与系统 - Google Patents
一种基于ukf-lstm算法的锂电池soc估计方法与系统 Download PDFInfo
- Publication number
- CN116699414A CN116699414A CN202310609098.XA CN202310609098A CN116699414A CN 116699414 A CN116699414 A CN 116699414A CN 202310609098 A CN202310609098 A CN 202310609098A CN 116699414 A CN116699414 A CN 116699414A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- soc
- time
- value
- observed quantity
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 292
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 292
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000010354 integration Effects 0.000 claims abstract description 14
- 230000010287 polarization Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 239000003990 capacitor Substances 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007600 charging Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于UKF‑LSTM算法的锂电池SOC估计方法，包括：利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路，对二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据，利用戴维南定理对二阶RC等效电路和参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量，使用UKF算法对锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke，将锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性HPPC工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络中，以得到锂电池的SOC估计值。
Description
技术领域
本发明属于非线性系统估计技术和新型储能技术领域，更具体地，涉及一种基于无迹卡尔曼滤波(Unscented Kalman Filter，简称UKF)算法-长短记忆神经网络(Long andShort-term Memory，简称LSTM)算法的锂电池荷电状态(State Of Charge，简称SOC)估计方法和系统。
背景技术
截至2020年底，全球已投运储能项目累计装机规模191.1GW，同比增长3.4％。其中，抽水蓄能的累计装机规模最大，为172.5GW，同比增长0.9％；电化学储能的累计装机规模紧随其后，为14.2GW；在各类电化学储能技术中，锂离子电池的累计装机规模最大，突破10GW大关，达到为13.1GW。因此，开展储能电站控制与安全运行方面的研究，具有重要的现实意义。储能集装箱是锂电池储能电站的核心设备，而每个集装箱又由数千只电芯进行串并联构成，因此集装箱电芯锂电池荷电状态(State of Charge，简称SOC)的准确估计成为表征储能电站运行最核心与基础的参数。
目前锂电池SOC估计常用的方法为开路电压法、安时积分法、基于模型的估算方法、以及基于数据学习的估算方法。其中开路电压法是通过大量的实验数据建立，通过测量锂电池的开路电压，建立锂电池的开路电压与SOC值直接的映射关系；安时积分法是通过锂电池的充放电电流进行积分计算，得到锂电池的SOC值；基于模型的估算方法是将非线性观测器与锂电池模型结合，使用闭环结构，对初始SOC值未知的锂电池SOC估计；基于数据学习的估算方法是通过大量锂电池相关数据进行数据训练，得到点出数据与SOC值。
然而，上述几种锂电池SOC估计方法均存在一些不可忽略的缺陷：
1、开路电压法和安时积分法由于受到传感器的测量误差的影响，以及需要对电池进行时间够长的静置，所以很难单独的应用于电池SOC的估计；
2、基于模型的估算方法对电池模型的依赖较强，而实际电池的工况非常复杂，导致这种方法很难完全模拟电池模型，进而造成SOC估计结果不准确；
3、基于数据学习的估算方法对数据的要求高，数据集的大小以及准确性对最终的SOC估计结果会产生很大的影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于UKF-LSTM算法的锂电池SOC估计方法与系统，其目的在于，解决现有开路电压法和安时积分法由于受到传感器的测量误差的影响，以及需要对电池进行时间够长的静置，所以很难单独的应用于电池SOC的估计的技术问题，以及现有基于模型的估算方法对电池模型的依赖较强，而实际电池的工况非常复杂，从而导致这种方法很难完全模拟电池模型，进而造成SOC估计结果不准确的技术问题，以及现有基于数据学习的估算方法对数据的要求高，数据集的大小以及准确性对最终的SOC估计结果会产生很大影响的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于UKF-LSTM算法的锂电池SOC估计方法，包括以下步骤：
(1)利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路。
(2)对步骤(1)得到的二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据；
(3)利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量；
(4)使用UKF算法对步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke；
(5)将步骤(4)更新后的锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性HPPC工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络中，以得到锂电池的SOC估计值。
优选地，参数数据包括欧姆内阻R0、锂电池电化学极化电容Rpa与极化内阻Cpa、以及锂电池浓度差极化电容Rpb与极化内阻Cpb；
步骤(2)包括以下子步骤：
(2-1)用恒流恒压的充电方式将锂电池充满，随后将锂电池静置1小时时间，然后以锂电池容量一半的电流放电，以使得其SOC减少10％，随后将锂电池静置1小时时间，然后，以锂电池容量一半的电流放电，以使得其SOC再减少10％，随后将锂电池静置1小时时间，…，重复上述过程，直到锂电池SOC＝0或者达到放电截止电压为止，从而得到锂电池的电流电压变化图；
(2-2)对步骤(2-1)得到的电流电压变化图进行参数辨识，以获得二阶RC等效电路中的欧姆内阻R0、锂电池电化学极化内阻Rpa、锂电池浓度差极化内阻Rpb与锂电池电化学极化电容Cpa、以及锂电池浓度差极化电容Cpb。
优选地，步骤(2-2)具体为，首先，通过欧姆定律计算得到欧姆电阻R0：
式中，UA、UB、UC、UD为电流电压变化图中A、B、C、D点的电压，I是锂电池的放电电流；
然后，获取B-C阶段的零状态响应：
其中UL(t)是t时刻二阶RC等效电路中锂电池的端电压，UOC(t)是t时刻二阶RC等效电路中锂电池的开路电压，t是时间常数，为指数函数，/>τ1＝Rpa*Cpa，τ2＝Rpb*Cpb；
随后，通过MATLAB中的CFTOOL拟合工具箱进行拟合，将Rpa、Rpb、τ1、τ2作为待定系数，自定义拟合函数以得到系数b、d值，再由欧姆定律得到不同SOC下的Rpa、Rpb；
随后，获取D-E阶段的零输入响应：
式中，Upa(t)、Upb(t)是t时刻二阶RC等效电路中极化电容Cpa、Cpb的端电压；
随后通过MATLAB中的CFTOOL拟合工具箱进行拟合，自定义拟合函数以得到系数c、e；
随后，再利用公式τ1＝Rpa*Cpa，τ2＝Rpb*Cpb，以得到不同SOC下的Cpa、Cpb。
优选地，步骤(3)中利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量是采用以下公式：
其中UOC(t)为锂电池开路电压；R0为锂电池的欧姆内阻；Upa(t)为锂电池电化学极化电压，UL(t)为锂电池的端电压，iL(t)为锂电池充放电时的工作电流。
步骤(3)中通过安时积分法获取SOC值是通过以下公式：
其中C表示锂电池的电容，iL(t)为锂电池t时刻充放电时的工作电流，SOC(0)表示锂电池初始时刻的SOC值。
优选地，步骤(4)包括以下子步骤：
(4-1)根据步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL进行离散化处理，以得到锂电池t+1时刻的观测量SOCt+1：
其中ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示一段充放电时间，C表示锂电池的电容，iL(t)为锂电池充放电时的工作电流。
(4-2)对步骤(4-1)得到的第t时刻的观测量SOCt进行无迹变换处理，以得到锂电池t时刻的观测量SOCt的Sigma点集：
其中n为锂电池t时刻的观测量SOCt的维数，λ为尺度参数，p是协方差。
(4-3)对步骤(3)得到的锂电池t时刻的端电压UL(t)和步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递和无迹变换求均值处理，以得到锂电池t+1时刻的观测量SOCt+1的均值和方差/>以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -。
(4-4)根据步骤(4-3)得到的锂电池t+1时刻的观测量SOCt+1的均值和方差以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -进行卡尔曼校正，以得到更新后的锂电池t+1时刻的观测量和协方差。
优选地，步骤(4-3)具体为，首先通过状态方程对步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递，以得到锂电池t+1时刻的观测量SOCt+1的Sigma点集：
其中表示锂电池t时刻的观测量SOCt的Sigma点集，ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示锂电池的一段充放电时间。
然后，对锂电池t+1时刻的观测量SOCt+1的Sigma点集进行无迹变换求均值，并且通过观测方程进行非线性传递，以得到锂电池t+1时刻观测量SOCt+1的均值和方差/>
其中，与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值，，[SOCt+1]i表示锂电池t+1时刻的观测量SOCt+1的Sigma点集。
最后，将锂电池t+1时刻的输出量UL(t+1)进行无迹变换求均值，以得到
锂电池t+1时刻的输出量UL(t+1)的均值与方差Pyy -:
其中，表示t+1时刻输出量UL(t+1)的无迹变化值，/>与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值。
优选地，步骤(4-4)具体为，首先根据锂电池t+1时刻的观测量SOCt+1的均值以及t+1时刻的输出量UL(t+1)的均值/>计算锂电池t+1时刻观测量与输出量的联合协方差矩阵：
其中表示t+1时刻的输出量UL(t+1)的均值，/>表示锂电池t+1时刻的观测量SOCt+1的均值，/>表示t+1时刻输出量UL(t+1)的无迹变化值。
然后，根据联合协方差矩阵以及锂电池t+1时刻的输出量UL(t+1)的方差Pyy -计算获取无迹卡尔曼滤波算法的卡尔曼滤波增益Ke：
其中，表示锂电池t+1时刻观测量SOCt+1的方差，Pyy -表示锂电池t+1时刻的输出量UL(t+1)的方差。
最后，根据锂电池的卡尔曼滤波增益Ke获取更新后的锂电池t+1时刻的观测量和协方差：
其中Ke表示卡尔曼滤波增益，表示更新前t+1时刻的SOC值，ΔUt+1表示锂电池t+1时刻的电压变化值，/>表示锂电池更新前t+1时刻的协方差，Pyy -表示锂电池的协方差。
优选地，LSTM神经网络模型是通过以下步骤训练得到的：
(5-1)以时间序列采集锂电池在HPPC工况下工作时的多个电流数据和电压数据，并获得该锂电池的多个二阶RC等效电路；
(5-2)针对步骤(5-1)得到的多个二阶RC等效电路中的每一个二阶RC等效电路而言，获取该二阶RC等效电路中锂电池t+1时刻的观测量SOCt+1、卡尔曼滤波增益Ke、以及锂电池t时刻的SOC值SOC(t)构成的该二阶RC等效电路对应的数据，所有二阶RC等效电路对应的数据构成数据集，将该数据集按照每两行读取一行的方式获取得到训练集，并将该数据集按照每四行读取一行的方式获取得到测试集；
(5-3)对步骤(5-2)得到的训练集进行归一化处理，以得到归一化后的训练集；
(5-4)对LSTM神经网络模型进行初始化，以得到初始化后的LSTM神经网络模型；
(5-5)将步骤(5-3)归一化后的训练集输入到步骤(5-4)初始化后的神经网络模型中，通过正向传播算法计算网络的损失函数，以获取均方根误差RMSE；
(5-6)使用步骤(5-5)得到的均方根误差RMSE，并利用反向传播算法对LSTM神经网络模型的所有权重参数进行更新，以得到更新后的LSTM神经网络。
(5-7)重复上述步骤(5-5)和步骤(5-6)，直至损失函数不再下降为止，从而得到最终训练好的LSTM神经网络。
优选地，步骤(5-4)具体为，设置初始学习率为0.001，设置MaxEpocchs为300，设置一层LSTM层，其节点数为256个，在LSTM层后添加Dropout层，并将Dropout层的概率设置为0.3；
步骤(5-5)的损失函数为：
其中yi和是训练集中第i个样本的真实值和估计值，且有i∈[1，m]，m是训练集中的样本个数。
按照本发明的另一方面，提供了一种基于UKF-LSTM算法的锂电池SOC估计系统，包括：
第一模块，用于利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路。
第二模块，用于对第一模块得到的二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据；
第三模块，用于利用戴维南定理对第一模块得到的二阶RC等效电路和第二模块得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量；
第四模块，用于使用UKF算法对第三模块得到的锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke；
第五模块，用于将第四模块更新后的锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性HPPC工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络中，以得到锂电池的SOC估计值。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)由于本发明采用了步骤(4)，其利用了UKF算法无迹变换，更新观测量SOC以及卡尔曼矩阵，从而有效避免估计SOC过程中的开环风险，减小系统对传感器本身存在测量误差影响。
(2)由于本发明采用了步骤(5)，其利用LSTM神经网络算法，通过对二阶RC等效电路对应的观测量更新值SOCk+1、卡尔曼增益Ke以及锂电池在HPPC工况下的电压值、电流值和SOC真实值构成的数据及进行训练，LSTM算法可以丢弃误差较大的数据，防止UKF观测量的频繁突变，从而提高算法的准确度以及鲁棒性，减小算法对模型的依赖性。
(3)由于本发明采用了步骤(4)和步骤(5)，将UKF算法和LSTM算法结合，将模型预测法和数据训练预测法结合，利用UKF算法为LSTM算法提供于SOC值高度相关的参数，进一步提高LSTM算法训练预测数据的准确性。
(4)由于本发明采用了步骤(5)，其利用LSTM神经网络算法，更适合处理和预测以时间序列为数据集的事件，LSTM算法更好的用于锂电池SOC估计工作状态，提高预测的准确性。
(5)由于本发明采用了步骤(5)，利用UKF算法无迹变换后的SOC估计值以及卡尔曼增益Ke作为LSTM神经网络的数据集，增加了LSTM神经网络的数据集大小，可以有效防止LSTM神经网络过拟合。
附图说明
图1是本发明基于UKF-LSTM算法的锂电池SOC估计方法的流程图；
图2是本发明使用的LSTM网络的模型图；
图3是本发明方法的步骤(1)中得到的二阶RC等效电路的示意图；
图4是本发明方法的步骤(2-1)得到的锂电池的电流电压变化图；
图5是本发明方法与几种现有SOC估计方法的测试对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于无迹卡尔曼滤波与长短期记忆神经网络联合算法的锂电池SOC估计方法，该方法将模型预测法和数据训练预测法进行结合，本发明提供以锂电池数据(电压、电流)，经过UKF算法计算得到的卡尔曼增益矩阵以及观测量SOC作为输入值，使用LSTM模型作为回归学习器进行训练，将LSTM训练完成后SOC值作为输出值，进而提升整个模型对锂电池SOC估计的准确度，以及提升模型的鲁棒性和泛化能力。
为使本发明的技术方案和优点更加清楚，下面对整套算法进一步详细说明。HPPC实验主要为了测试锂电池的欧姆内阻和极化内阻，因此选取锂电池在HPPC工况下的电流值和电压值作为UKF-LSTM算法的输入。
如图1所示，本发明提供了一种基于UKF-LSTM算法的锂电池SOC估计方法，包括以下步骤：
(1)利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路，如图3所示。
具体而言，本发明的锂电池选用松下CGR18650CH型号的锂电池，其具体参数指标如下：
锂电池参数指标
(2)对步骤(1)得到的二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据；
具体而言，参数数据包括欧姆内阻R0、锂电池电化学极化电容Rpa与极化内阻Cpa、以及锂电池浓度差极化电容Rpb与极化内阻Cpb。
本步骤具体包括以下子步骤：
(2-1)用恒流恒压的充电方式将锂电池充满，随后将锂电池静置1小时时间，然后以锂电池容量一半的电流放电，以使得其SOC减少10％，随后将锂电池静置1小时时间，然后，以锂电池容量一半的电流放电，以使得其SOC再减少10％，随后将锂电池静置1小时时间，…，重复上述过程，直到锂电池SOC＝0或者达到放电截止电压为止，从而得到锂电池的电流电压变化图，如图4所示；
(2-2)对步骤(2-1)得到的电流电压变化图进行参数辨识，以获得二阶RC等效电路中的欧姆内阻R0、锂电池电化学极化内阻Rpa、锂电池浓度差极化内阻Rpb与锂电池电化学极化电容Cpa、以及锂电池浓度差极化电容Cpb；
步骤(2-2)具体为，首先，通过欧姆定律计算得到欧姆电阻R0：
式中，UA、UB、UC、UD为电流电压变化图中A、B、C、D点的电压，I是锂电池的放电电流；
然后，获取B-C阶段的零状态响应：
其中UL(t)是t时刻二阶RC等效电路中锂电池的端电压，UOC(t)是t时刻二阶RC等效电路中锂电池的开路电压，t是时间常数，为指数函数，/>τ1＝Rpa*Cpa，τ2＝Rpb*Cpb；
随后，通过MATLAB中的CFTOOL拟合工具箱进行拟合，将Rpa、Rpb、τ1、τ2作为待定系数，自定义拟合函数以得到系数b、d值，再由欧姆定律得到不同SOC下的Rpa、Rpb；
随后，获取D-E阶段的零输入响应：
式中，Upa(t)、Upb(t)是t时刻二阶RC等效电路中极化电容Cpa、Cpb的端电压；
随后通过MATLAB中的CFTOOL拟合工具箱进行拟合，自定义拟合函数以得到系数c、e；
随后，再利用公式τ1＝Rpa*Cpa，τ2＝Rpb*Cpb，以得到不同SOC下的Cpa、Cpb。
(3)利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量；
具体而言，本步骤中利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量是采用以下公式：
其中UOC(t)为锂电池开路电压；R0为锂电池的欧姆内阻；Upa(t)为锂电池电化学极化电压，UL(t)为锂电池的端电压，iL(t)为锂电池充放电时的工作电流。
本步骤中通过安时积分法获取SOC值是通过以下公式：
其中C表示锂电池的电容，iL(t)为锂电池t时刻充放电时的工作电流，SOC(0)表示锂电池初始时刻的SOC值。
(4)使用UKF算法对步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke；
本步骤的优点在于，实现了锂电池SOC的在线估计，适用于如锂电池SOC估计的强非线性系统，对锂电池模型的不确定性容忍度高。
具体而言，步骤(4)包括以下子步骤：
(4-1)根据步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL进行离散化处理，以得到锂电池t+1时刻的观测量SOCt+1：
其中ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示一段充放电时间，C表示锂电池的电容，iL(t)为锂电池充放电时的工作电流。
(4-2)对步骤(4-1)得到的第t时刻的观测量SOCt进行无迹变换处理，以得到锂电池t时刻的观测量SOCt的Sigma点集：
其中n为锂电池t时刻的观测量SOCt的维数，λ为尺度参数，p是协方差。
(4-3)对步骤(3)得到的锂电池t时刻的端电压UL(t)和步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递和无迹变换求均值处理，以得到锂电池t+1时刻的观测量SOCt+1的均值和方差/>以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -。
具体而言，首先通过状态方程对步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递，以得到锂电池t+1时刻的观测量SOCt+1的Sigma点集：
其中表示锂电池t时刻的观测量SOCt的Sigma点集，ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示锂电池的一段充放电时间。
然后，对锂电池t+1时刻的观测量SOCt+1的Sigma点集进行无迹变换求均值，并且通过观测方程进行非线性传递，以得到锂电池t+1时刻观测量SOCt+1的均值和方差/>
其中，与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值，，[SOCt+1]i表示锂电池t+1时刻的观测量SOCt+1的Sigma点集。
最后，将锂电池t+1时刻的输出量UL(t+1)进行无迹变换求均值，以得到锂电池t+1时刻的输出量UL(t+1)的均值与方差Pyy -:
其中，表示t+1时刻输出量UL(t+1)的无迹变化值，/>与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值。
(4-4)根据步骤(4-3)得到的锂电池t+1时刻的观测量SOCt+1的均值和方差以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -进行卡尔曼校正，以得到更新后的锂电池t+1时刻的观测量和协方差。
具体而言，本步骤首先根据锂电池t+1时刻的观测量SOCt+1的均值以及t+1时刻的输出量UL(t+1)的均值/>计算锂电池t+1时刻观测量与输出量的联合协方差矩阵：
其中表示t+1时刻的输出量UL(t+1)的均值，/>表示锂电池t+1时刻的观测量SOCt+1的均值，/>表示t+1时刻输出量UL(t+1)的无迹变化值。
然后，根据联合协方差矩阵以及锂电池t+1时刻的输出量UL(t+1)的方差Pyy -计算获取无迹卡尔曼滤波算法的卡尔曼滤波增益Ke：
其中，表示锂电池t+1时刻观测量SOCt+1的方差，Pyy -表示锂电池t+1时刻的输出量UL(t+1)的方差。
最后，根据锂电池的卡尔曼滤波增益Ke获取更新后的锂电池t+1时刻的观测量和协方差：
其中Ke表示卡尔曼滤波增益，表示更新前t+1时刻的SOC值，ΔUt+1表示锂电池t+1时刻的电压变化值，/>表示锂电池更新前t+1时刻的协方差，Pyy -表示锂电池的协方差。
(5)将步骤(4)更新后的锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性(Hybrid PulsePower Characteristic，简称HPPC)工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络(如图2所示)中，以得到锂电池的SOC估计值。
本步骤的优点在于，LSTM神经网络更适合处理和预测以时间序列为数据集的事件，LSTM算法更好的用于锂电池SOC估计工作状态，LSTM中引入遗忘门机制，减轻了过拟合问题并且LSTM输出平稳，更适合实际应用。
具体而言，本步骤的LSTM神经网络模型是通过以下步骤训练得到的：
(5-1)以时间序列采集锂电池(本实施例中是松下CGR18650CH型号的锂电池)在HPPC工况下工作时的多个电流数据和电压数据(本示例中是采集24000个数据，其中12000个电流数据，12000个电压数据)，并获得该锂电池的多个二阶RC等效电路(在本示例中是12000个)；
(5-2)针对步骤(5-1)得到的多个二阶RC等效电路中的每一个二阶RC等效电路而言，获取该二阶RC等效电路中锂电池t+1时刻的观测量SOCt+1、卡尔曼滤波增益Ke、以及锂电池t时刻的SOC值SOC(t)构成的该二阶RC等效电路对应的数据，所有二阶RC等效电路对应的数据构成数据集，将该数据集按照每两行读取一行的方式获取得到训练集，并将该数据集按照每四行读取一行的方式获取得到测试集；
上述步骤(5-1)到(5-2)的优点在于，采集了二阶RC等效电路中锂电池t+1时刻的观测量SOCt+1、卡尔曼滤波增益Ke、以及锂电池t时刻的SOC值SOC(t)，扩大了LSTM神经网络的训练数据集，并且采用了与锂电池SOC值高度相关值，可以防止LSTM神经网络过拟合，提高了整套算法的准确性。
(5-3)对步骤(5-2)得到的训练集进行归一化处理，以得到归一化后的训练集；
具体而言，本步骤是在Matlab中使用mapminmax函数将训练集中的每个样本中的每一行归一到[-1，1]，其公式为：
式中x是训练集中的样本，xmin、xmax分别是训练集中该样本所在行的最小值和最大值，ymin、ymax的取值分别为-1和1。
(5-4)对LSTM神经网络模型进行初始化，以得到初始化后的LSTM神经网络模型；
具体而言，本步骤设置初始学习率为0.001，MaxEpocchs设置为300，设置一层LSTM层，节点数为256个，在LSTM层后添加Dropout正则化(其目的是防止网络过拟合)，并将Dropout层的概率设置为0.3。
(5-5)将步骤(5-3)归一化后的训练集输入到步骤(5-4)初始化后的神经网络模型中，通过正向传播算法计算网络的损失函数，以获取均方根误差RMSE，其中损失函数计算为：
式中，yi和是训练集中第i个样本的真实值和估计值，且有i∈[1，m]，m是训练集中的样本个数。
(5-6)使用步骤(5-5)得到的均方根误差，并利用反向传播算法对LSTM神经网络模型的所有权重参数进行更新，以得到更新后的LSTM神经网络。
(5-7)重复迭代上述步骤(5-5)和步骤(5-6)，直至损失函数不再下降为止，从而得到最终训练好的LSTM神经网络。
测试结果
如图5所示，其为本发明UKF-LSTM算法估计SOC值、传统UKF算法估计SOC值、传统LSTM算法估计SOC值与SOC真实值的测试对比结果图。由图可知，本发明UKF-LSTM算法估计SOC值最接近SOC真实值，这证明本发明UKF-LSTM算法估计SOC值的精度最高。
本领域的技术人员容易理解，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 (10)
1.一种基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，包括以下步骤：
(1)利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路。
(2)对步骤(1)得到的二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据；
(3)利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量；
(4)使用UKF算法对步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke；
(5)将步骤(4)更新后的锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性HPPC工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络中，以得到锂电池的SOC估计值。
2.根据权利要求1所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，
参数数据包括欧姆内阻R0、锂电池电化学极化电容Rpa与极化内阻Cpa、以及锂电池浓度差极化电容Rpb与极化内阻Cpb；
步骤(2)包括以下子步骤：
(2-1)用恒流恒压的充电方式将锂电池充满，随后将锂电池静置1小时时间，然后以锂电池容量一半的电流放电，以使得其SOC减少10％，随后将锂电池静置1小时时间，然后，以锂电池容量一半的电流放电，以使得其SOC再减少10％，随后将锂电池静置1小时时间，…，重复上述过程，直到锂电池SOC＝0或者达到放电截止电压为止，从而得到锂电池的电流电压变化图；
(2-2)对步骤(2-1)得到的电流电压变化图进行参数辨识，以获得二阶RC等效电路中的欧姆内阻R0、锂电池电化学极化内阻Rpa、锂电池浓度差极化内阻Rpb与锂电池电化学极化电容Cpa、以及锂电池浓度差极化电容Cpb。
3.根据权利要求1或2所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，步骤(2-2)具体为，首先，通过欧姆定律计算得到欧姆电阻R0：
式中，UA、UB、UC、UD为电流电压变化图中A、B、C、D点的电压，I是锂电池的放电电流；
然后，获取B-C阶段的零状态响应：
其中UL(t)是t时刻二阶RC等效电路中锂电池的端电压，UOC(t)是t时刻二阶RC等效电路中锂电池的开路电压，t是时间常数，为指数函数，/>τ1＝Rpa*Cpa，τ2＝Rpb*Cpb；
随后，通过MATLAB中的CFTOOL拟合工具箱进行拟合，将Rpa、Rpb、τ1、τ2作为待定系数，自定义拟合函数以得到系数b、d值，再由欧姆定律得到不同SOC下的Rpa、Rpb；
随后，获取D-E阶段的零输入响应：
式中，Upa(t)、Upb(t)是t时刻二阶RC等效电路中极化电容Cpa、Cpb的端电压；
随后通过MATLAB中的CFTOOL拟合工具箱进行拟合，自定义拟合函数以得到系数c、e；
随后，再利用公式τ1＝Rpa*Cpa，τ2＝Rpb*Cpb，以得到不同SOC下的Cpa、Cpb。
4.根据权利要求1至3中任意一项所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，
步骤(3)中利用戴维南定理对步骤(1)得到的二阶RC等效电路和步骤(2)得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量是采用以下公式：
其中UOC(t)为锂电池开路电压；R0为锂电池的欧姆内阻；Upa(t)为锂电池电化学极化电压，UL(t)为锂电池的端电压，iL(t)为锂电池充放电时的工作电流。
步骤(3)中通过安时积分法获取SOC值是通过以下公式：
其中C表示锂电池的电容，iL(t)为锂电池t时刻充放电时的工作电流，SOC(0)表示锂电池初始时刻的SOC值。
5.根据权利要求4所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，步骤(4)包括以下子步骤：
(4-1)根据步骤(3)得到的锂电池t时刻的观测量SOC(t)和输出量UL进行离散化处理，以得到锂电池t+1时刻的观测量SOCt+1：
其中ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示一段充放电时间，C表示锂电池的电容，iL(t)为锂电池充放电时的工作电流。
(4-2)对步骤(4-1)得到的第t时刻的观测量SOCt进行无迹变换处理，以得到锂电池t时刻的观测量SOCt的Sigma点集：
其中n为锂电池t时刻的观测量SOCt的维数，λ为尺度参数，p是协方差。
(4-3)对步骤(3)得到的锂电池t时刻的端电压UL(t)和步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递和无迹变换求均值处理，以得到锂电池t+1时刻的观测量SOCt+1的均值和方差/>以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -。
(4-4)根据步骤(4-3)得到的锂电池t+1时刻的观测量SOCt+1的均值和方差/>以及t+1时刻的输出量UL(t+1)的均值/>和方差Pyy -进行卡尔曼校正，以得到更新后的锂电池t+1时刻的观测量和协方差。
6.根据权利要求5所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，步骤(4-3)具体为，首先通过状态方程对步骤(4-2)得到的锂电池t时刻的观测量SOCt的Sigma点集进行非线性传递，以得到锂电池t+1时刻的观测量SOCt+1的Sigma点集：
其中表示锂电池t时刻的观测量SOCt的Sigma点集，ηT为温度相关充放电效率因子，ηI为电流相关充放电效率因子，Δt表示锂电池的一段充放电时间。
然后，对锂电池t+1时刻的观测量SOCt+1的Sigma点集进行无迹变换求均值，并且通过观测方程进行非线性传递，以得到锂电池t+1时刻观测量SOCt+1的均值和方差/>
其中，与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值，，[SOCt+1]i表示锂电池t+1时刻的观测量SOCt+1的Sigma点集。
最后，将锂电池t+1时刻的输出量UL(t+1)进行无迹变换求均值，以得到锂电池t+1时刻的输出量UL(t+1)的均值与方差Pyy -:
其中，表示t+1时刻输出量UL(t+1)的无迹变化值，/>与/>分别为锂电池t+1时刻的输出量UL(t+1)的均值的权值。
7.根据权利要求6所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，步骤(4-4)具体为，首先根据锂电池t+1时刻的观测量SOCt+1的均值以及t+1时刻的输出量UL(t+1)的均值/>计算锂电池t+1时刻观测量与输出量的联合协方差矩阵：
其中表示t+1时刻的输出量UL(t+1)的均值，/>表示锂电池t+1时刻的观测量SOCt+1的均值，/>表示t+1时刻输出量UL(t+1)的无迹变化值。
然后，根据联合协方差矩阵以及锂电池t+1时刻的输出量UL(t+1)的方差Pyy -计算获取无迹卡尔曼滤波算法的卡尔曼滤波增益Ke：
其中，表示锂电池t+1时刻观测量SOCt+1的方差，Pyy -表示锂电池t+1时刻的输出量UL(t+1)的方差。
最后，根据锂电池的卡尔曼滤波增益Ke获取更新后的锂电池t+1时刻的观测量和协方差：
其中Ke表示卡尔曼滤波增益，表示更新前t+1时刻的SOC值，ΔUt+1表示锂电池t+1时刻的电压变化值，/>表示锂电池更新前t+1时刻的协方差，Pyy -表示锂电池的协方差。
8.根据权利要求6所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，LSTM神经网络模型是通过以下步骤训练得到的：
(5-1)以时间序列采集锂电池在HPPC工况下工作时的多个电流数据和电压数据，并获得该锂电池的多个二阶RC等效电路；
(5-2)针对步骤(5-1)得到的多个二阶RC等效电路中的每一个二阶RC等效电路而言，获取该二阶RC等效电路中锂电池t+1时刻的观测量SOCt+1、卡尔曼滤波增益Ke、以及锂电池t时刻的SOC值SOC(t)构成的该二阶RC等效电路对应的数据，所有二阶RC等效电路对应的数据构成数据集，将该数据集按照每两行读取一行的方式获取得到训练集，并将该数据集按照每四行读取一行的方式获取得到测试集；
(5-3)对步骤(5-2)得到的训练集进行归一化处理，以得到归一化后的训练集；
(5-4)对LSTM神经网络模型进行初始化，以得到初始化后的LSTM神经网络模型；
(5-5)将步骤(5-3)归一化后的训练集输入到步骤(5-4)初始化后的神经网络模型中，通过正向传播算法计算网络的损失函数，以获取均方根误差RMSE；
(5-6)使用步骤(5-5)得到的均方根误差RMSE，并利用反向传播算法对LSTM神经网络模型的所有权重参数进行更新，以得到更新后的LSTM神经网络。
(5-7)重复上述步骤(5-5)和步骤(5-6)，直至损失函数不再下降为止，从而得到最终训练好的LSTM神经网络。
9.根据权利要求8所述的基于UKF-LSTM算法的锂电池SOC估计方法，其特征在于，
步骤(5-4)具体为，设置初始学习率为0.001，设置MaxEpocchs为300，设置一层LSTM层，其节点数为256个，在LSTM层后添加Dropout层，并将Dropout层的概率设置为0.3；
步骤(5-5)的损失函数为：
其中yi和是训练集中第i个样本的真实值和估计值，且有i∈[1，m]，m是训练集中的样本个数。
10.一种基于UKF-LSTM算法的锂电池SOC估计系统，其特征在于，包括：
第一模块，用于利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的二阶RC等效电路。
第二模块，用于对第一模块得到的二阶RC等效电路进行离线参数辨识，以得到二阶RC等效电路中的参数数据；
第三模块，用于利用戴维南定理对第一模块得到的二阶RC等效电路和第二模块得到的参数数据进行分析，以获取锂电池t时刻的端电压UL(t)作为输出量，并根据安时积分法获取锂电池t时刻的SOC值SOC(t)作为观测量；
第四模块，用于使用UKF算法对第三模块得到的锂电池t时刻的观测量SOC(t)和输出量UL(t)进行迭代处理，以得到更新后的锂电池t+1时刻的观测量SOCt+1和卡尔曼增益Ke；
第五模块，用于将第四模块更新后的锂电池t+1时刻的观测量SOCt+1、卡尔曼增益Ke，以及锂电池在混合功率脉冲特性HPPC工况下的电压值、电流值和SOC真实值输入训练好的LSTM神经网络中，以得到锂电池的SOC估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310609098.XA CN116699414A (zh) | 2023-05-24 | 2023-05-24 | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310609098.XA CN116699414A (zh) | 2023-05-24 | 2023-05-24 | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116699414A true CN116699414A (zh) | 2023-09-05 |
Family
ID=87834936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310609098.XA Pending CN116699414A (zh) | 2023-05-24 | 2023-05-24 | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116699414A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
-
2023
- 2023-05-24 CN CN202310609098.XA patent/CN116699414A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
| CN117686920B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106918789B (zh) | 一种soc-soh联合在线实时估计和在线修正方法 | |
| CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
| CN109669132B (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
| CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
| CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
| CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
| CN113702843B (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 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
| CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
| CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
| Fu et al. | State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovation cubature Kalman filter | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
| CN116699414A (zh) | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 | |
| CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
| CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
| CN115158076A (zh) | 计量误差评估方法、装置及计算机可读存储介质 | |
| CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
| CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
| CN113608126A (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
| Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
| CN113933725B (zh) | 一种基于数据驱动确定动力电池荷电状态的方法 | |
| CN112578286B (zh) | 电池soc估计方法及装置 | |
| CN115575839A (zh) | 一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法 |
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 |