CN116973770A - 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 - Google Patents
一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 Download PDFInfo
- Publication number
- CN116973770A CN116973770A CN202311234407.6A CN202311234407A CN116973770A CN 116973770 A CN116973770 A CN 116973770A CN 202311234407 A CN202311234407 A CN 202311234407A CN 116973770 A CN116973770 A CN 116973770A
- Authority
- CN
- China
- Prior art keywords
- state
- steady
- battery
- kalman filter
- matrix
- 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 40
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统，涉及电池状态估计领域。本发明为了解决传统卡尔曼滤波器在估计电池SOC时计算量大、成本高、效率低、实用性差的缺陷，采用如下方法：建立电池开路电压OCV和荷电状态SOC之间的映射关系；根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；基于k‑1时刻状态向量的估计值更新k时刻的估计值。本发明主要用于电池SOC的估计。
Description
技术领域
本发明涉及电池状态估计领域，尤其涉及一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统。
背景技术
锂离子电池由于具有能量密度高、自放电率低、循环寿命长等特点，备受电动汽车和电化学储能电站等领域的青睐。为确保电池能够安全可靠高效运行，通常需配备电池管理系统(Battery Management System, BMS)对荷电状态(State of Charge, SOC)、健康状态(State of Health, SOH)、功率状态(State of Power, SOP)等各种状态指标进行监控。其中，荷电状态(State of Charge, SOC)描述了电池的剩余电量，是最基础和最重要的状态之一，对其估计的精度攸关电动汽车整车能量管理和动力分配、电池储能系统优化调度与实时控制的水平。
从本质上来讲，SOC估计实际上是考虑锂离子电池动态特性和复杂多变运行环境下的状态观测问题。在众多方法中，卡尔曼滤波器法使用电池模型建立电池电流、SOC与端电压之间的特性关系，并进一步使用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、无迹卡尔曼滤波器等方法估计SOC，由于具有闭环、自修正、估计精度高等优点，已成为当前BMS领域研究的热点。
然而，现有方法通常需要不断计算先验误差协方差、后验误差协方差以及卡尔曼滤波增益，涉及大量矩阵乘积及求逆运算，对于BMS中计算资源弥足珍贵的微处理器来说，计算负担过重。为满足存储和计算功能的实际需求，产品设计时需选用相对高昂的微处理器，导致成本上扬，产品竞争力减弱。
因此，就需要一种计算复杂程度低、执行效率高、实用性强的基于稳态卡尔曼滤波器的电池SOC估计方法及系统。
发明内容
本发明的目的是为了解决传统卡尔曼滤波器在估计电池SOC时需要不断计算误差协方差和卡尔曼增益矩阵，计算量大、运算代价高、消耗时间长、占用资源多，应用于嵌入式系统时，需选用成本相对高昂的微处理器，导致产品竞争力弱、效率低、实用性差的缺陷，提供了一种计算复杂程度低、执行效率高、实用性强的基于稳态卡尔曼滤波器的电池SOC估计方法及系统。
本发明所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，包括如下步骤：
S1.建立电池开路电压OCV和荷电状态SOC之间的映射关系；
S2.根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；
S3.采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；
S4.基于k-1时刻状态向量的估计值更新k时刻的估计值。
进一步地：在S1中，在特定环境温度条件下，将充满电的电池以预设倍率电流进行放电，直至放电截止电压，静置预设时间后，再以相同倍率充电，直至充电截止电压，获取充放电过程端电压变化曲线。
进一步地：在S2中，基于获取的动态应力测试工况DST测试数据，使用粒子群优化算法对Thevenin模型中的参数进行辨识。
进一步地：在S2中，所述动态应力测试工况DST包含充电、放电和静置，电流幅值和/或持续时间动态变化，充分激发电池的不同模态，从而进行参数辨识。
进一步地：所述参数为RC参数，具体包括欧姆内阻、极化电阻和极化电容。
进一步地：在S3中，计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益具体包括如下步骤：
S31、构造Hamiltonian矩阵M；
S32、计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；
S33、计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；
S34、根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
本发明所述的一种基于稳态卡尔曼滤波器的电池SOC估计系统，包括：
映射模块，用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；
测试模块，用于根据所述映射关系开展动态应力测试工况DST测试试验；
辨识模块，用于辨识电池模型中的参数；
计算模块，用于计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；
估计模块，用于计算k-1时刻状态向量的估计值；
更新模块，用于根据估计模块的估计值更新k时刻的估计值。
进一步地：所述计算模块包括：
矩阵模块，用于构造Hamiltonian矩阵M；
分块模块，用于计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；
稳态模块，用于计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；
稳态卡尔曼增益模块，用于根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
本发明的有益效果是：
本发明所涉及的一种基于稳态卡尔曼滤波器的电池SOC估计方法，无需实时计算误差协方差和卡尔曼滤波增益，显著降低了运算成本，在产品设计和选型时，无需选用过于昂贵的微处理器，实用价值较高，SOC估计性能与时变卡尔曼滤波器方法几乎相近，但无需实时动态调整误差协方差和卡尔曼增益矩阵，计算复杂度低，执行效率高，实用价值高，尤其适合实际工程应用，在BMS等领域具有广阔的应用前景。
附图说明
图1是电池SOC估计方法的流程框图；
图2是预设倍率为1/40C下的电压响应曲线；
图3是动态应力测试工况DST电流曲线；
图4是动态应力测试工况DST端电压响应曲线；
图5是Thevenin模型。
具体实施方式
以下仅为本发明较佳的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。以下所述实施例仅用于解释本发明，而不能解释为对本发明的限制，本发明的保护范围应该以权利要求的保护范围为准。下面详细描述本发明的实施例，为了便于描述本发明和简化描述，本发明的说明书中使用的技术术语应当做广义解读，包括但不限于本申请未提及的常规替换方案，同时包括直接实现方式和间接实现方式。
实施例1
结合图1-图5说明本实施例，本实施例公开的一种基于稳态卡尔曼滤波器的电池SOC估计方法，它包括如下步骤：
S1.建立电池开路电压（Open Circuit Voltage,OCV）和SOC之间的映射关系。在特定环境温度条件下，将充满电的电池以小倍率电流（如1/40C）进行放电，直至放电截止电压，静置2小时，再以相同倍率充电，直至充电截止电压，获取充电过程端电压变化曲线和充电过程端电压变化曲线。环境温度为25℃下实测电池电压响应曲线如图1所示。为减小滞环效应的影响，取两条曲线的平均值，作为电池真实OCV，并将其分为m段，对每段采用线性拟合技术进行建模，可得：
(1)。
式中，表示电池的OCV，z表示电池的SOC，/>和/>为多项式拟合系数。
S2.开展动态应力测试工况DST（dynamic stress test）测试试验，辨识电池模型中的RC参数。
动态应力测试工况DST包含充电、放电、静置等过程，且电流幅值、持续时间等也为动态变化的，可以充分激发电池不同模态，用于参数辨识。其曲线如图2所示。根据电池生产商指定的最大充电和放电倍率要求，对动态应力测试工况DST进行缩放，然后对处于特定环境温度SOC为90%的电池进行测试，直至放电截止电压。环境温度为25℃时电池端电压响应曲线如图3所示。
基于获取的动态应力测试工况DST测试数据，使用粒子群优化算法对图4所示的Thevenin模型中的欧姆内阻、极化电阻/>和极化电容/>等参数进行辨识。令，则适应度函数可以被定义为：
(2)。
式中，X为由电池欧姆内阻、极化电阻/>和极化电容/>组成的列向量，F(X)为适应度函数；/>为电池端电压值，/>为k时刻实测的电池端电压值，/>为k时刻通过Thevenin模型预测的端电压值，N为DST工况测试数据的长度。
根据基尔霍夫定律和欧姆定律，电池非线性系统的离散状态空间表达式可以写为：
(3)。
。
式中，为状态向量；/>为为状态转移函数，/>为（k-1）时刻的状态向量，/>为（k-1）时刻的输入向量，/>表示并联RC网络的极化电压；/>表示k时刻的并联RC网络的极化电压；/>表示k时刻电池的SOC值；/>为电池的端电压/>；/>表示流过电池的电流，/>表示k时刻流过电池的电流/>，定义放电为正，充电为负；/>为过程噪声,/>为测量噪声，过程噪声和测量噪声两者相互独立，/>表示欧姆内阻；/>表示极化电阻,/>表示极化电容；/>表示采样时间；/>表示库伦效率；/>表示电池的最大可用容量；/>为测量函数，表示电池的开路电压，/>表示k时刻的电池的开路电压。
S3.计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益。本发明采用Hamiltonian算法进行求解，具体过程可以描述为：
①构造Hamiltonian矩阵；
(4)。
式中，M为2n×2n的矩阵，n表示状态向量的维数，在本实例中，；T表示求取矩阵的转置矩阵；/>表示求取矩阵F的逆的转置矩阵；Q和R均为协方差矩阵；H为输出矩阵；
；/>。
②计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵，并作如下分块：
(5)。
其中，的第一列为第一个特征向量，第二列为第二个特征向量，依次类推。/>和均为n×n的矩阵。
③计算稳态离散Riccati方程的解：
(6)。
式中，为误差协方差矩阵的稳态值，/>表示矩阵/>的逆矩阵。
④进一步，稳态卡尔曼增益可以计算为：
(7)。
需要特别指出的是，本步骤所提Hamiltonian算法求取稳态误差协方差和卡尔曼增益过程无需在线实时计算、调整，离线求取即可，求取后将其固化在程序里面进行使用，这显著降低了算法的复杂度和计算成本，提高了运行效率，无需为此选用过于昂贵的微处理器，提高了产品的竞争力。
S4.基于(k-1)时刻状态向量的估计值更新k时刻的估计值。稳态卡尔曼滤波器的递推公式如下：
(8)。
式中，为(k-1)时刻状态向量的后验估计值，/>为k时刻状态向量的先验估计值，/>为k时刻利用测量值更新后的后验估计值，/>为测量函数。
Claims (8)
1.一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，包括如下步骤：
S1.建立电池开路电压OCV和荷电状态SOC之间的映射关系；
S2.根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；
S3.采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；
S4.基于k-1时刻状态向量的估计值更新k时刻的估计值。
2.根据权利要求1所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S1中，在特定环境温度条件下，将充满电的电池以预设倍率电流进行放电，直至放电截止电压，静置预设时间后，再以相同倍率充电，直至充电截止电压，获取充放电过程端电压变化曲线。
3.根据权利要求1所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S2中，基于获取的动态应力测试工况DST测试数据，使用粒子群优化算法对Thevenin模型中的参数进行辨识。
4.根据权利要求3所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S2中，所述动态应力测试工况DST包含充电、放电和静置，电流幅值和/或持续时间动态变化，充分激发电池的不同模态，从而进行参数辨识。
5.根据权利要求3所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，所述参数为RC参数，具体包括欧姆内阻、极化电阻和极化电容。
6.根据权利要求3所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S3中，计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益具体包括如下步骤：
S31、构造Hamiltonian矩阵M；
S32、计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；
S33、计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；
S34、根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
7.一种基于稳态卡尔曼滤波器的电池SOC估计系统，其特征在于，包括：
映射模块，用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；
测试模块，用于根据所述映射关系开展动态应力测试工况DST测试试验；
辨识模块，用于辨识电池模型中的参数；
计算模块，用于计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；
估计模块，用于计算k-1时刻状态向量的估计值；
更新模块，用于根据估计模块的估计值更新k时刻的估计值。
8.根据权利要求7所述的一种基于稳态卡尔曼滤波器的电池SOC估计系统，其特征在于，所述计算模块包括：
矩阵模块，用于构造Hamiltonian矩阵M；
分块模块，用于计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；
稳态模块，用于计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；
稳态卡尔曼增益模块，用于根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234407.6A CN116973770B (zh) | 2023-09-25 | 2023-09-25 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234407.6A CN116973770B (zh) | 2023-09-25 | 2023-09-25 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116973770A true CN116973770A (zh) | 2023-10-31 |
| CN116973770B CN116973770B (zh) | 2023-12-08 |
Family
ID=88483538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311234407.6A Active CN116973770B (zh) | 2023-09-25 | 2023-09-25 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116973770B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020198656A1 (en) * | 2001-06-04 | 2002-12-26 | Ford Thomas John | Inertial GPS navigation system |
| US20090309416A1 (en) * | 2008-06-12 | 2009-12-17 | Bose Anima B | Active electrical power flow control system for optimization of power delivery in electric hybrid vehicles |
| KR20160002309A (ko) * | 2014-06-30 | 2016-01-07 | 영화테크(주) | 확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
| CN108462191A (zh) * | 2018-04-08 | 2018-08-28 | 福州大学 | 一种基于o3kid算法的电力系统低频振荡辨识方法 |
| KR20190098531A (ko) * | 2018-02-14 | 2019-08-22 | 주식회사 엘지화학 | 배터리의 충전 상태를 추정하기 위한 장치 및 방법 |
| CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学（威海） | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
| CN113219344A (zh) * | 2021-03-17 | 2021-08-06 | 国家计算机网络与信息安全管理中心 | 一种铅酸蓄电池soc估计方法 |
| CN114167298A (zh) * | 2021-10-28 | 2022-03-11 | 上海空间电源研究所 | 基于改进ekf的锂离子电池soc估算方法及系统 |
| WO2022055080A1 (ko) * | 2020-09-11 | 2022-03-17 | 삼성에스디아이주식회사 | 배터리의 충전상태를 추정하는 방법 |
| CN115494398A (zh) * | 2022-09-22 | 2022-12-20 | 山东师范大学 | 一种基于融合滤波策略的电池soc估计方法及系统 |
| CN116384167A (zh) * | 2023-06-05 | 2023-07-04 | 西北工业大学 | 燃料电池无人机动力系统寿命优化的能量管理方法及系统 |
| KR20230108969A (ko) * | 2022-01-12 | 2023-07-19 | 한국전력공사 | 슈퍼 커패시터의 충전 상태 추정을 위한 칼만 필터의 입력값 오차 보상 방법 및 시스템 |
-
2023
- 2023-09-25 CN CN202311234407.6A patent/CN116973770B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020198656A1 (en) * | 2001-06-04 | 2002-12-26 | Ford Thomas John | Inertial GPS navigation system |
| US20090309416A1 (en) * | 2008-06-12 | 2009-12-17 | Bose Anima B | Active electrical power flow control system for optimization of power delivery in electric hybrid vehicles |
| KR20160002309A (ko) * | 2014-06-30 | 2016-01-07 | 영화테크(주) | 확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
| KR20190098531A (ko) * | 2018-02-14 | 2019-08-22 | 주식회사 엘지화학 | 배터리의 충전 상태를 추정하기 위한 장치 및 방법 |
| CN108462191A (zh) * | 2018-04-08 | 2018-08-28 | 福州大学 | 一种基于o3kid算法的电力系统低频振荡辨识方法 |
| CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学（威海） | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
| WO2022055080A1 (ko) * | 2020-09-11 | 2022-03-17 | 삼성에스디아이주식회사 | 배터리의 충전상태를 추정하는 방법 |
| CN113219344A (zh) * | 2021-03-17 | 2021-08-06 | 国家计算机网络与信息安全管理中心 | 一种铅酸蓄电池soc估计方法 |
| CN114167298A (zh) * | 2021-10-28 | 2022-03-11 | 上海空间电源研究所 | 基于改进ekf的锂离子电池soc估算方法及系统 |
| KR20230108969A (ko) * | 2022-01-12 | 2023-07-19 | 한국전력공사 | 슈퍼 커패시터의 충전 상태 추정을 위한 칼만 필터의 입력값 오차 보상 방법 및 시스템 |
| CN115494398A (zh) * | 2022-09-22 | 2022-12-20 | 山东师范大学 | 一种基于融合滤波策略的电池soc估计方法及系统 |
| CN116384167A (zh) * | 2023-06-05 | 2023-07-04 | 西北工业大学 | 燃料电池无人机动力系统寿命优化的能量管理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| WEIZHONG WANG 等: "Comparison of Kalman Filter-based state of charge estimation strategies for Li-Ion batteries", 《2016 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO (ITEC)》 * |
| 邹峰 等: "基于改进扩展卡尔曼滤波算法的锂离子电池荷电状态估计", 《机械制造与自动化》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116973770B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Investigating the error sources of the online state of charge estimation methods for lithium-ion batteries in electric vehicles | |
| Shen et al. | The co-estimation of state of charge, state of health, and state of function for lithium-ion batteries in electric vehicles | |
| Sun et al. | Improved parameter identification and state-of-charge estimation for lithium-ion battery with fixed memory recursive least squares and sigma-point Kalman filter | |
| JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
| Charkhgard et al. | State-of-charge estimation for lithium-ion batteries using neural networks and EKF | |
| KR100818520B1 (ko) | 전기화학셀(ｃｅｌｌ)의 현재 상태와 현재 파라미터를추정하는 장치, 방법 및 시스템 및 기록매체 | |
| Zhang et al. | Fractional calculus based modeling of open circuit voltage of lithium-ion batteries for electric vehicles | |
| WO2022105104A1 (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
| Tang et al. | Joint estimation of state-of-charge and state-of-health for all cells in the battery pack using “leader-follower” strategy | |
| US20060284600A1 (en) | Method for control and monitoring using a state estimator having variable forgetting factors | |
| EP1859523A1 (en) | Apparatus and method for estimating battery state of charge | |
| JP2011053215A (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 | |
| CN105467328A (zh) | 一种锂离子电池荷电状态估计方法 | |
| EP1692754A1 (en) | Method for calculating power capability of battery packs using advanced cell model predictive techniques | |
| Liu et al. | A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter | |
| Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
| An et al. | State of energy estimation for lithium-ion battery pack via prediction in electric vehicle applications | |
| JP2023541417A (ja) | バッテリの充電状態を推定する方法 | |
| CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
| 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 | |
| KR20080012079A (ko) | 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치 | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN103135066A (zh) | 一种分段磷酸铁锂电池电量的测量方法 | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| KR100878123B1 (ko) | 배터리 상태 및 파라미터 추정 시스템 및 방법 |
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 |