CN116754961A - 开路电压估计方法、系统及存储介质 - Google Patents
开路电压估计方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116754961A CN116754961A CN202310832394.6A CN202310832394A CN116754961A CN 116754961 A CN116754961 A CN 116754961A CN 202310832394 A CN202310832394 A CN 202310832394A CN 116754961 A CN116754961 A CN 116754961A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- time constant
- lithium battery
- polarization
- 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 52
- 230000010287 polarization Effects 0.000 claims abstract description 118
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 74
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims description 25
- 230000034964 establishment of cell polarity Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 230000028161 membrane depolarization Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种开路电压估计方法、系统及存储介质,该方法包括如下步骤:在离线状态下对锂电池的电池极化时间常数进行识别;基于识别得到的电池极化时间常数构建锂电池在线状态下的在线等效电路模型;基于所述在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计。本发明应用于电池管理领域,通过在离线状态下对锂电池的电池极化时间常数进行识别,避免了直接依靠经验预设电池极化时间常数,实现了更加准确的模型构建。在线应用时,仅仅通过锂电池短期的静置过程数据,即可实现锂电池稳定的开路电压估计,进而有利于后续根据开路电压进行电池荷电状态等电池参数的估计。
Description
技术领域
本发明涉及电池管理技术领域,具体是一种开路电压估计方法、系统及存储介质。
背景技术
锂离子电池因能量密度高、循环寿命长、无记忆效应等优势在电动汽车和静态储能场景下得到了广泛应用。为了保证锂离子电池组的安全运行,需要配备相应的电池管理系统来对其进行状态监测和管理。电池荷电状态(SOC)是电池管理系统(BMS)监测的重要参数。由于SOC无法直接测量,需要BMS根据电池采样信号进行估计。
目前,在工业中使用最多的SOC估计方法是开路电压法,其利用开路电压和SOC之间的映射关系,通过获取电池的开路电压(OCV))来实现SOC的快速估计。然而,由于极化现象的存在,电池OCV的获取需要电池长达几个小时的静置,这大大限制了其应用场景。
发明内容
针对上述现有技术中的不足,本发明提供一种开路电压估计方法、系统及存储介质,利用等效电路模型对锂电池的极化过程进行拟合,通过锂电池短期静置过程实现模型的参数辨识,进而快速估计得到电池的开路电压。
为实现上述目的,本发明提供一种开路电压估计方法,包括如下步骤:
在离线状态下对锂电池的电池极化时间常数进行识别;
基于识别得到的电池极化时间常数构建锂电池在线状态下的在线等效电路模型;
基于所述在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计。
在其中一个实施例,所述在离线状态下对锂电池的电池极化时间常数进行识别,具体为:
步骤101,在锂电池的电池极化时间常数区间中选取N个电池极化时间常数,得到电池极化时间常数序列;
步骤102,基于所述电池极化时间常数序列建立离线状态下模拟锂电池极化过程的离线等效电路模型;
步骤103,从锂电池电流为0的时刻开始,采集离线状态下若干不同时刻的离线电池端电压,将所有所述离线电池端电压带入所述离线等效电路模型,并优化得到电池极化时间常数分布上的极化电压大小分布曲线;
步骤104,在所述电池极化时间常数分布上的极化电压大小分布曲线中,选取最高的M个极化电压分布峰值对应的电池极化时间常数,此M个电池极化时间常数即为所述识别得到的电池极化时间常数,其中,M<N。
在其中一个实施例,步骤102中,所述离线等效电路模型具体为:
其中,Ut0为锂电池离线状态下的端电压,UOCV为锂电池的开路电压,τi为所述电池极化时间常数序列中的第i个电池极化时间常数,ui为锂电池离线状态下电池极化时间常数τi对应RC环路的极化电压。
在其中一个实施例,步骤103具体包括:
从锂电池电流为0的时刻开始,采集若干不同时刻的离线电池端电压,为Ut0(1)、Ut0(2)、…、Ut0(k),其中,Ut0(k)为k时刻采集的离线电池端电压;
将Ut0(1)、Ut0(2)、…、Ut0(k)分别带入所述离线等效电路模型,得到:
将不同时刻的离线电池端电压视作向量U0,将电池OCV和离线状态下的极化电压视作向量X,将所述电池极化时间常数序列对应的变量视作矩阵B,则得到:
U0=B·X
以||B·X-U0||2最小为优化目标,拟合得到向量X,基于向量X中的极化电压u1、u2、…、uN与电池极化时间常数序列τ1、τ2、…、τN的对应关系,即得到电池极化时间常数分布上的极化电压大小分布曲线。
在其中一个实施例,所述在线等效电路模型具体为:
其中,Ut为锂电池在线状态下的端电压,UOCV为锂电池的开路电压,为识别得到的第I个电池极化时间常数,/>为锂电池在线状态下电池极化时间常数/>对应RC环路的极化电压。
在其中一个实施例,基于所述在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计,具体为:
在锂电池的在线状态下采集若干不同时刻的锂电池端电压Ut(1)、Ut(2)、…、Ut(K),其中,Ut(K)为K时刻采集的锂电池端电压;
将Ut(1)、Ut(2)、…、Ut(K)分别带入所述在线等效电路模型,得到:
将锂电池在线状态下不同时刻的电池端电压视作向量U,将电池OCV和在线状态下的极化电压视作向量将识别得到的电池极化时间常数对应的变量视作矩阵/>则得到:
以最小为优化目标,拟合得到向量/>向量/>中的第一个元素即为锂电池在线状态下的开路电压。
与现有技术相比,本发明具有如下有益技术效果:
本发明通过在离线状态下对锂电池的电池极化时间常数进行识别,避免了直接依靠经验预设电池极化时间常数,实现了更加准确的模型构建。在线应用时,仅仅通过锂电池短期的静置过程数据,即可实现锂电池稳定的开路电压估计,进而有利于后续根据开路电压进行电池荷电状态等电池参数的估计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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示出的结构获得其他的附图。
图1为本发明实施例中开路电压估计方法的流程图;
图2为本发明实施例中锂电池去极化过程中的电压变化曲线示意图;
图3为本发明实施例中等效电路模型示意图;
图4为本发明实施例中电池极化电压分解示意图。
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
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接,还可以是物理连接或无线通信连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示为本实施例公开的一种开路电压估计方法,通过利用等效电路模型对电池的极化过程进行拟合,通过电池短期静置过程实现模型的参数辨识,进而快速估计得到电池的开路电压。具体地,该方法首先在离线状态下对锂电池的电池极化时间常数进行识别,再基于识别得到的电池极化时间常数构建锂电池在线状态下的在线等效电路模型,最后基于在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计。
为了更准确的构建能够描述电池极化现象的等效电路模型,需要在离线状态下对锂电池的电池极化时间常数进行离线识别。具体地,通过预设电池极化时间常数分布,通过电池完整的弛豫曲线对预设的电池极化时间常数进行极化电压分解,从而获取到电池极化时间常数分布上的极化电压大小分布,选取极化电压分布峰值对应的电池极化时间常数来构建等效电路模型,能够更加准确的模拟电池的极化现象,从而实现准确的开路电压估计。
锂电池去极化过程中的电压变化曲线如图2所示。可以发现,锂电池从电路断开到电压稳定需要几个小时的静置,电池去极化过程的电压曲线称为电池的弛豫曲线。等效电路模型如图3所示,其利用电阻和电容的并联电路模拟电池的极化过程。一个电容和等效电阻并联构成一个RC环路,一个RC环路用来对应锂电池一个电池极化时间常数下的极化过程,等效电路模型的阶数由其所包含的RC环路个数决定。以二阶等效电路为例,弛豫过程中电流为0,电压关系如下:
其中,Ut表示t时刻电池端电压,UOCV、u1、u2表示电池开路电压和两个RC环路在t等于0时刻对应的极化电压,R1、C1、τ1表示第一个RC环路的电阻、电容和对应的电池极化时间常数,R2、C2、τ2表示第二个RC环路的电阻、电容和对应的电池极化时间常数。从式(1)可知,电池在去极化过程中,其电压大小与静置时间呈负指数关系,随着时间的延长,电压大小逐渐降低且变化速度趋缓。并且,去极化过程与初始极化电压和电池极化时间常数紧密相关,初始极化电压越大,说明极化程度越大,电池极化时间常数越大,说明电池去极化过程所需要的时间越长。
本实施例中在离线状态下对锂电池的电池极化时间常数进行识别的过程具体包括如下步骤101至步骤104。
步骤101,在锂电池的电池极化时间常数区间中选取N个电池极化时间常数,得到电池极化时间常数序列τ1、τ2、…、τN。
步骤102,基于电池极化时间常数序列τ1、τ2、…、τN,建立离线状态下模拟锂电池极化过程的离线等效电路模型,为:
其中,Ut0为锂电池离线状态下的端电压,τi为电池极化时间常数序列中的第i个电池极化时间常数,ui为锂电池离线状态下电池极化时间常数τi对应RC环路的极化电压。
步骤103,从锂电池电流为0的时刻开始,采集若干不同时刻的离线电池端电压,将所有所述离线电池端电压带入所述离线等效电路模型,并优化得到电池极化时间常数分布上的极化电压大小分布曲线,具体包括:
从锂电池电流为0的时刻开始,采集若干不同时刻的离线电池端电压,为Ut0(1)、Ut0(2)、…、Ut0(k),其中,Ut0(k)为k时刻采集的离线电池端电压;
将Ut0(1)、Ut0(2)、…、Ut0(k)分别带入式(2)的离线等效电路模型,可得到:
将式(3)中不同时刻的离线电池端电压视作向量U0,将电池OCV和离线状态下的极化电压视作向量X,将所述电池极化时间常数序列对应的变量视作矩阵B,因此式(3)可写为:
U0=B·X (4)
在式(2)中向量U0可通过完整的电池弛豫曲线,并确定数据采样时刻得到,矩阵B则可通过预设的电池极化时间常数数列得到。因此,通过以||B·X-U0||2最小为优化目标,可以拟合得到向量X,而向量X中的极化电压u1、u2、…、uN与电池极化时间常数序列τ1、τ2、…、τN的对应关系,即为电池极化时间常数分布上的极化电压大小分布曲线,即实现对极化电压的分解。
而对于向量X,其包含OCV信息,因此在对极化电压分解的过程中,不需要获取OCV信息,使得该辨识方法可以应用在在线应用过程中。在线应用时,可以通过该方法对离线状态下确立的等效电路模型进行极化电压大小的参数辨识。
步骤104,在电池极化时间常数分布上的极化电压大小分布曲线中,选取最高的M个极化电压分布峰值对应的电池极化时间常数,此M个电池极化时间常数即为所述识别得到的电池极化时间常数,其中,M<N。在具体应用过程中,M的取值远小于N,例如N的取值范围为1000~2000,M的取值范围为5~10。采用测试电池,采用上述方法对电池极化电压进行分解,在电池90%SOC分解结果如图4所示,可以发现电池极化电压分布存在明显的峰值,选取峰值对应的电池极化时间常数即可实现电池极化现象的准确模拟。
本实施例中,在识别得到M个电池极化时间常数后,即可构建在线状态下模拟锂电池极化过程的在线等效电路模型,为:
其中,Ut为锂电池在线状态下的端电压,UOCV为锂电池的开路电压,为识别得到的第i个电池极化时间常数,/>为锂电池在线状态下电池极化时间常数/>对应RC环路的极化电压。
基于在线等效电路模型对在线状态下锂电池的开路电压进行快速估计的过程则为:
当锂电池处于在线状态时,采集若干不同时刻的锂电池端电压Ut(1)、Ut(2)、…、Ut(K),其中,Ut(K)为K时刻采集的锂电池端电压;
将Ut(1)、Ut(2)、…、Ut(K)分别带入式(5)的在线等效电路模型,可得到:
将式(6)中锂电池在线状态下不同时刻的电池端电压视作向量U,将电池OCV和在线状态下的极化电压视作向量将识别得到的电池极化时间常数对应的变量视作矩阵/>因此式(6)可写为:
同样地,以最小为优化目标,即可拟合得到向量/>而向量/>中的第一个元素即为锂电池在线状态下的开路电压。
本实施例还公开了一种开路电压估计系统,包括发送器、接收器、存储器以及处理器。其中,发送器用于发送指令和数据,接收器用于接收指令和数据,存储器用于存储计算机执行指令,处理器用于执行存储器存储的计算机执行指令,以实现上述开路电压估计方法所执行的部分或全部步骤。
需要注意的是,上述存储器既可以是独立的,也可以跟处理器集成在一起。当存储器独立设置时,该终端设备还包括总线,用于连接存储器和处理器。
本实施例还公开了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现上述开路电压估计方法所执行的部分或全部步骤。
以上所述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,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种开路电压估计方法,其特征在于,包括如下步骤:
在离线状态下对锂电池的电池极化时间常数进行识别;
基于识别得到的电池极化时间常数构建锂电池在线状态下的在线等效电路模型;
基于所述在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计。
2.根据权利要求1所述的开路电压估计方法,其特征在于,所述在离线状态下对锂电池的电池极化时间常数进行识别,具体为:
步骤101,在锂电池的电池极化时间常数区间中选取N个电池极化时间常数,得到电池极化时间常数序列;
步骤102,基于所述电池极化时间常数序列建立离线状态下模拟锂电池极化过程的离线等效电路模型;
步骤103,从锂电池电流为0的时刻开始,采集离线状态下若干不同时刻的离线电池端电压,将所有所述离线电池端电压带入所述离线等效电路模型,并优化得到电池极化时间常数分布上的极化电压大小分布曲线;
步骤104,在所述电池极化时间常数分布上的极化电压大小分布曲线中,选取最高的M个极化电压分布峰值对应的电池极化时间常数,此M个电池极化时间常数即为所述识别得到的电池极化时间常数,其中,M<N。
3.根据权利要求2所述的开路电压估计方法,其特征在于,步骤102中,所述离线等效电路模型具体为:
其中,Ut0为锂电池离线状态下的端电压,UOCV为锂电池的开路电压,τi为所述电池极化时间常数序列中的第i个电池极化时间常数,ui为锂电池离线状态下电池极化时间常数τi对应RC环路的极化电压。
4.根据权利要求3所述的开路电压估计方法,其特征在于,步骤103具体包括:
从锂电池电流为0的时刻开始,采集若干不同时刻的离线电池端电压,为Ut0(1)、ut0(2)、···、Ut0(k),其中,Ut0(k)为k时刻采集的离线电池端电压;
将Ut0(1)、Ut0(2)、···、Ut0(k)分别带入所述离线等效电路模型,得到:
将不同时刻的离线电池端电压视作向量u0,将电池OCV和离线状态下的极化电压视作向量X,将所述电池极化时间常数序列对应的变量视作矩阵B,则得到:
u0=B·X
以||B·X-u0||2最小为优化目标,拟合得到向量X,基于向量X中的极化电压u1、u2、···、uN与电池极化时间常数序列τ1、τ2、···、τN的对应关系,即得到电池极化时间常数分布上的极化电压大小分布曲线。
5.根据权利要求2至4任一项所述的开路电压估计方法,其特征在于,所述在线等效电路模型具体为:
其中,Ut为锂电池在线状态下的端电压,UOCV为锂电池的开路电压,为识别得到的第i个电池极化时间常数,/>为锂电池在线状态下电池极化时间常数/>对应RC环路的极化电压。
6.根据权利要求5所述的开路电压估计方法,其特征在于,基于所述在线等效电路模型对在线状态下的锂电池的开路电压进行快速估计,具体为:
在锂电池的在线状态下采集若干不同时刻的锂电池端电压Ut(1)、Ut(2)、···、Ut(K),其中,Ut(K)为K时刻采集的锂电池端电压;
将Ut(1)、Ut(2)、···、Ut(K)分别带入所述在线等效电路模型,得到:
将锂电池在线状态下不同时刻的电池端电压视作向量U,将电池OCV和在线状态下的极化电压视作向量将识别得到的电池极化时间常数对应的变量视作矩阵/>则得到:
以最小为优化目标,拟合得到向量/>向量/>中的第一个元素即为锂电池在线状态下的开路电压。
7.一种开路电压估计系统,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至6中任一项所述的方法的部分或全部步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令;所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的方法的部分或全部步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832394.6A CN116754961B (zh) | 2023-07-07 | 2023-07-07 | 开路电压估计方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832394.6A CN116754961B (zh) | 2023-07-07 | 2023-07-07 | 开路电压估计方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116754961A true CN116754961A (zh) | 2023-09-15 |
CN116754961B CN116754961B (zh) | 2024-01-30 |
Family
ID=87953168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310832394.6A Active CN116754961B (zh) | 2023-07-07 | 2023-07-07 | 开路电压估计方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754961B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088118A (zh) * | 2010-12-28 | 2011-06-08 | 深圳市航盛电子股份有限公司 | 一种电池管理系统、电动车及荷电状态的估算方法 |
US20150112622A1 (en) * | 2013-10-17 | 2015-04-23 | Sony Corporation | Open-circuit voltage estimation device, power storage apparatus, and open-circuit voltage estimation method |
CN107843852A (zh) * | 2017-12-13 | 2018-03-27 | 中国船舶重工集团公司第七〇九研究所 | 一种获取离线数据来估算蓄电池联合状态的方法 |
CN108132442A (zh) * | 2017-12-13 | 2018-06-08 | 中国船舶重工集团公司第七〇九研究所 | 一种基于离线数据驱动的蓄电池联合状态估算方法 |
CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
CN113156321A (zh) * | 2021-04-26 | 2021-07-23 | 中国矿业大学 | 一种锂离子电池荷电状态soc的估算方法 |
CN115575835A (zh) * | 2022-11-10 | 2023-01-06 | 盐城工学院 | 一种锂离子电池峰值功率预估方法 |
-
2023
- 2023-07-07 CN CN202310832394.6A patent/CN116754961B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088118A (zh) * | 2010-12-28 | 2011-06-08 | 深圳市航盛电子股份有限公司 | 一种电池管理系统、电动车及荷电状态的估算方法 |
US20150112622A1 (en) * | 2013-10-17 | 2015-04-23 | Sony Corporation | Open-circuit voltage estimation device, power storage apparatus, and open-circuit voltage estimation method |
CN107843852A (zh) * | 2017-12-13 | 2018-03-27 | 中国船舶重工集团公司第七〇九研究所 | 一种获取离线数据来估算蓄电池联合状态的方法 |
CN108132442A (zh) * | 2017-12-13 | 2018-06-08 | 中国船舶重工集团公司第七〇九研究所 | 一种基于离线数据驱动的蓄电池联合状态估算方法 |
CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
CN113156321A (zh) * | 2021-04-26 | 2021-07-23 | 中国矿业大学 | 一种锂离子电池荷电状态soc的估算方法 |
CN115575835A (zh) * | 2022-11-10 | 2023-01-06 | 盐城工学院 | 一种锂离子电池峰值功率预估方法 |
Non-Patent Citations (3)
Title |
---|
QI YAO: "Rapid Open-Circuit Voltage Measurement Method for Lithium-Ion Batteries Using One-Cycle Bipolar-Current Pulse", 《IEEE JOURNAL OF EMERGING AND SELECTED TOPICS IN INDUSTRIAL ELECTRONICS》, vol. 2, no. 2, pages 132 - 141, XP011844748, DOI: 10.1109/JESTIE.2020.3041711 * |
周星: "基于阻抗的锂离子电池动态建模、全频表征与快速诊断", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 155 * |
张志新: "基于数据驱动的锂电池剩余使用寿命预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 150 * |
Also Published As
Publication number | Publication date |
---|---|
CN116754961B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gholizadeh et al. | Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
Huria et al. | Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN109557477B (zh) | 一种电池系统健康状态估算方法 | |
JP5683175B2 (ja) | 電気化学システムの計測不能な特性を推定する改良された方法 | |
EP3786653B1 (en) | Battery state estimation method | |
CN106291381B (zh) | 一种联合估计动力电池系统荷电状态与健康状态的方法 | |
KR102572652B1 (ko) | 배터리의 충전상태를 추정하는 방법 | |
CN105093129B (zh) | 一种储能电池剩余容量检测方法 | |
Dai et al. | An improved SOC estimator using time-varying discrete sliding mode observer | |
CN115792638A (zh) | 基于电池模型参数辨识的soc-内短路联合估计方法 | |
Lin et al. | Simultaneous and rapid estimation of state of health and state of charge for lithium-ion battery based on response characteristics of load surges | |
CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
CN116754961B (zh) | 开路电压估计方法、系统及存储介质 | |
Cen et al. | Online parameter estimation/tracking for lithium-ion battery rc model | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
WO2021035500A1 (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算系统 | |
CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
KR102471890B1 (ko) | 배터리 팩의 시뮬레이션 방법 | |
Moussalli et al. | State of Charge estimation algorithms in Lithium-ion battery-powered Electric Vehicles | |
Li et al. | SOC Estimation of Supercapacitor Balancing Systems: A Switching Kalman Filter Approach | |
CN107632264A (zh) | 电池soc估算方法、装置及电池管理系统 | |
Zhang et al. | Modeling and observability study of lithium-ion batteries for automotive applications | |
Dardchuntuk et al. | Unscented Kalman Filter for State of Charge Estimation of Lithium Titanate Battery |
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 |