CN117310508A - 一种快速准确测量锂电池电变量的方法 - Google Patents
一种快速准确测量锂电池电变量的方法 Download PDFInfo
- Publication number
- CN117310508A CN117310508A CN202311617960.8A CN202311617960A CN117310508A CN 117310508 A CN117310508 A CN 117310508A CN 202311617960 A CN202311617960 A CN 202311617960A CN 117310508 A CN117310508 A CN 117310508A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- identification
- battery
- cpso
- parameter identification
- 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 87
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 23
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 23
- 230000010287 polarization Effects 0.000 claims abstract description 68
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 17
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000001453 impedance spectrum Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000002349 favourable effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000034964 establishment of cell polarity Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种快速准确测量锂电池电变量的方法,属于电变量测量领域。本发明采用较小的取样周期反映电池阻抗值中虚部阻抗值接近于零的频率,在持续时间短、工况频率合适、极化较弱的自定义工况中采用适当的参数辨识窗口宽度的协同进化粒子群优化(CPSO)算法实现电池等效电路模型(ECM)的参数辨识,能够获取更准确、稳定的欧姆内阻和开路电压的参数辨识结果;该方法在不同电池荷电状态下呈现出了较好的快速性、准确性与一致性。
Description
技术领域
本发明属于电变量测量领域,具体涉及一种快速准确测量锂电池电变量的方法。
背景技术
电池参数是状态估计与性能评价的基础依据,它广泛应用于从生产到退役的电池全生命周期。然而,在电池定容、分类、检修等应用场景中,检测对象大多是没有与负载或充电设备相连接的离线电池或电池组。因此在尽可能短的时间内准确辨识电池参数的离线快速辨识方法逐渐成为一种广泛的工程需求。
向电池中人为地注入特定信号通过分析电池的响应间接地获取电池参数是快速辨识算法的特征。典型的离线辨识方法包括阻抗谱法、最小二乘LS、遗传GA与粒子群寻优PSO算法。在线辨识方法与离线方法依托的基础模型一致,能够实现参数的在线实时辨识。典型的在线算法包括基于卡尔曼滤波KF的算法、基于LS的算法、基于PSO的协同进化粒子群优化CPSO算法以及数据驱动算法。离线方法与在线方法的算法原理存在共性,且在线算法的快速性更具优势,这为在线算法应用于参数的离线快速辨识提供了理论依据。由于快速辨识场景仅能提供有限的数据量,需要大量的历史数据进行训练的数据驱动类算法的应用受到了限制。基于KF与LS的算法属于递推类算法,它们通过逐个工况点的递推拟合真实电池的端电压来辨识参数。原理简单、快速性好、易于实现是这类算法的优点。CPSO的特征是在包含一段时域数据的参数辨识窗口(PIW)内依据电路模型原理对参数迭代寻优,其寻优所依托的数据长度可自定义。一段连续时域数据的迭代寻优能有效的反应电池的历史状态信息,使参数辨识结果的可信度有所提升。
尽管在线算法提供了大量的借鉴,然而电池参数的快速辨识方法在快速性与准确性方面依旧有提升空间。递推类算法逐个数据点递推的特征限制了它们对历史状态信息的存储与表达。CPSO的窗口取样与迭代寻优需要一定的时间,且算法复杂程度较高,影响了算法的快速性能。在电池参数快速辨识场景中,有限的时域数据量对辨识算法的收敛性能提出了更高的要求。由于能够反应电池历史状态信息与迭代寻优的特征,CPSO较于递推类算法在较少的相同的数据量下有更准确、可信的参数辨识结果。这间接导致CPSO有更好的收敛性能。因此对CPSO的参数快速辨识能力进行探索与优化是提升快速辨识方法快速性与准确性的一个很好的切入点。常规的应用于BMS的取样周期过大,进一步导致用于辨识的数据点数过少。由于快速辨识方法是一种离线应用,因此可以采用较小的取样周期采集真实电池数据,避免数据量过少。电池极化是电池运行中不可避免的反应过程。探讨电池极化对参数辨识结果的影响与更有利于参数辨识的电池工况对电池参数的快速辨识有较大的应用与研究价值。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种快速测量锂电池电变量的方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:一种快速准确测量锂电池电变量的方法,包括如下步骤:步骤1:使用自定义工况在不同的电池荷电状态区间分别获取一段连续的、持续时长不长于0.5s的原始测量数据,通过改变参数辨识窗口内原始数据点数和原始数据取样周期使辨识算法获取不同时长、不同瞬态的原始时域信息;步骤2:调整包括自定义工况、参数辨识窗口宽度、电池极化状态、电池荷电状态在内的多种算法条件,获取相应的原始时域信息;步骤3:基于二阶等效电路模型与步骤1、步骤2不同的电池原始时域信息,使用协同进化粒子群优化即CPSO算法以电池端电压的拟合精度为优化目标对模型参数连续寻优;步骤4:分析对比CPSO算法在不同原始数据取样周期条件下的参数辨识结果,得到一种更适合CPSO算法快速准确辨识锂电池参数的取样周期条件;步骤5:分析对比CPSO算法在不同参数辨识窗口宽度条件下的参数辨识结果,得到一种更适合CPSO算法快速准确辨识锂电池参数的CPSO算法条件;步骤6:分析对比协同进化粒子群优化算法即CPSO算法在检测前与检测中不同极化程度的测试工况下的参数辨识结果,得到更适合CPSO算法快速准确辨识锂电池参数的自定义工况频率区间和极化特征;步骤7:基于步骤4~6,在锂电池电变量测试设备中预设合适的原始数据取样周期条件、CPSO算法参数辨识窗口宽度条件与测试工况条件;步骤8:通过测试设备采集数据,直到采集数据长度达到CPSO算法的参数辨识窗口宽度;步骤9:参数辨识窗口随设备采样点的前进舍弃最旧的数据点,存储最新的数据点,不断形成新的参数辨识窗口;在不断更新的参数辨识窗口中基于等效电路模型与算法初值条件采用粒子群寻优算法即PSO算法依次对开路电压uOC,欧姆内阻R0,极化内阻R1、R2,极化电容C1、C2进行迭代寻优,直至达到PSO算法的最大迭代次数;令各参数的最终寻优结果代替初值参与后续参数的算法辨识过程;步骤10:参数辨识窗口随采样点的前进不断形成新的参数辨识窗口;在新的参数辨识窗口内不断循环步骤9,每次辨识结束后都以各参数的最终寻优结果代替旧的辨识结果,实现二阶RC电路中6个电参数的协同进化辨识;此循环一直持续到参数辨识窗口的最新数据点取到原始数据的最后一个取样点。
优选地,原始数据取样周期的确定原则和方法如下:原始数据取样周期应确保原始测量数据能够完整有效地反应自定义工况的特征;具体的实现方法是设置多种不同的取样周期,并依据CPSO算法辨识参数;通过分析算法的端电压拟合精度、参数辨识结果以及算法耗时获取原始数据取样周期的选取特征;端电压拟合精度的分析指的是多种取样周期的端电压拟合误差大小对比;辨识结果的分析指的是欧姆内阻和开路电压在辨识过程中后半段呈现出明显的收敛特征;算法耗时的分析指的是算法耗时长短对比。
优选地,参数辨识窗口宽度的确定方法如下:参数辨识窗口宽度应能容纳一个以上的负载电流瞬变所对应的电池时域动态信息;同时,参数辨识窗口宽度应小于总的原始测量数据长度,且要确保在有限长的检测时间内CPSO能够获取足够的用于进化的数据量;具体的实现方法是在自定义工况中,设置过窄、过宽以及适当三种不同的窗口宽度,并依据CPSO算法辨识参数,通过分析算法的参数辨识结果以及算法耗时获取参数辨识窗口宽度的选取特征,辨识结果的分析指的是欧姆内阻和开路电压在辨识过程中出现明显不连续特征以及辨识后半段呈现出明显的收敛特征;算法耗时的分析指的是算法耗时长短对比。
优选地,自定义工况的频率区间和极化特征的确定方法如下:自定义工况的主要频率的分布区间应包含了电池阻抗谱中虚部阻抗值接近于零的频率区域,具体的实现方法是令自定义工况中包含较多的负载电流瞬变过程,依据辨识结果的分析来调整这些瞬变过程的间隔时间,确保这些瞬变过程的频率成分中能明显包含相应的频率区域;辨识结果的分析指的是欧姆内阻和开路电压在辨识后半段的辨识结果呈现出明显的收敛特征;义工况极化特征的确定原则是:在自定义工况的激励下,电池在完整的检测过程中不产生明显极化;具体的实现方法是使自定义工况中负载电流的平均值接近于零。
优选地,原始时域信息的获取方法如下:原始时域信息的获取基于前期工况条件的预设,通过设置不同的取样周期、不同极化特征的负载工况获取不同的原始时域信息;具体实现方法是控制其它工况条件一致,改变其中一个工况条件,获取相应的原始时域信息。
本发明所带来的有益技术效果:本发明采用较小的取样周期反应电池阻抗值中虚部阻抗值接近于零的频率,在极化较弱的自定义工况中采用适当的参数辨识窗口宽度的CPSO算法实现电池ECM的参数辨识,能够获取更准确、稳定的欧姆内阻辨识参数;该方法在不同电池荷电状态下呈现出了较好的快速性、准确性与一致性。
附图说明
图 1 为具体实现案例中所使用的锂电池的2阶等效电路模型示意图。
图 2 为CPSO算法原理图。
图 3 为用于快速辨识的自定义工况及典型的原始数据示意图。
图3中的(a)为电池端电压工况;图3中的(b)为电池电流工况。
图 4 为CPSO的端电压拟合结果与参数辨识结果示意图;图4中的(a)为端电压拟合结果;图4中的(b)为端电压拟合误差;图4中的(c)为uOC辨识结果;图4中的(d)为R0辨识结果。
图 5 为低SOC区域的端电压拟合与参数辨识结果示意图;图5中的(a)为端电压拟合结果;图5中的(b)为端电压拟合误差;图5中的(c)为uOC辨识结果;图5中的(d)为R0辨识结果。
图 6 为不同取样周期的端电压拟合与参数辨识结果示意图;图6中的(a)为Ts=1ms的端电压拟合结果;图6中的(b)为Ts=1ms的端电压拟合误差;图6中的(c)为Ts=1.5ms的端电压拟合结果;图6中的(d)为Ts=1.5ms的端电压拟合误差;图6中的(e)为Ts=2.5ms的端电压拟合结果;图6中的(f)为Ts=2.5ms的端电压拟合误差;图6中的(g)为三种Ts的uOC辨识结果;图6中的(h)为三种Ts的R0辨识结果。
图 7 为一节锂电池的典型阻抗谱特性示意图。
图 8 为不同宽度的参数辨识窗口在不同的进化位置上可获取的原始数据示意图。
图 9 为使用不同窗口宽度时CPSO的端电压拟合与参数辨识结果示意图;图9中的(a)为端电压拟合结果;图9中的(b)为端电压拟合误差;图9中的(c)为uOC辨识结果;图9中的(d)为R0辨识结果。
图 10 为电池在不同初始极化状态下CPSO的端电压拟合与参数辨识结果示意图;图10中的(a)为P1端电压拟合结果;图10中的(b)为P1端电压拟合误差;图10中的(c)为P2端电压拟合结果;图10中的(d)为P2端电压拟合误差;图10中的(e)为)P3端电压拟合结果;图10中的(f)为P3端电压拟合误差;图10中的(g)为P1的uOC辨识结果;图10中的(h)为P1的R0辨识结果;图10中的(i)为P2的uOC辨识结果;图10中的(j)为P2的R0辨识结果;图10中的(k)为P3的uOC辨识结果;图10中的(l)为P3的R0辨识结果。
图 11 为CPSO在不同工况条件下的端电压拟合与参数辨识结果示意图;图11中的(a)为C1端电压拟合结果;图11中的(b)为C1工况的拟合误差;图11中的(c)为C2工况端电压拟合结果;图11中的(d)为C2工况的拟合误差;图11中的(e)为C1的uOC辨识结果;图11中的(f)为C1的R0辨识结果;图11中的(g)为C2的uOC辨识结果;图11中的(h)为C2的R0辨识结果。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:一、等效电路模型;如图1所示的二阶RC等效电路模型,uOC为理想电压源的电压,用于模拟电池的开路电压,uL为端电压,R0为欧姆电阻,R1、R2为极化内阻,C1、C2是两个极化电容,up1和up2分别是两个RC网络的电压,i为负载电流,参照充电惯例定义正方向。根据基尔霍夫定律,式(1)与式(2)分别为电路的状态方程和输出方程。
(1)。
(2)。
式(3)和(4)分别是离散系统的状态方程与输出方程。
(3)。
(4)。
其中,Ts为取样周期。
二、粒子群协同进化算法。
CPSO是对标准粒子群(PSO)算法的改进。它基于参数辨识窗口(PIW)与式(3)、(4)实现电池特性的精确拟合。
式(3)、(4)和图1中的6个待辨识参数定义为:(5)。
CPSO使用窗口宽度为w的PIW保存电池当前时刻之前的一小段数据,在PIW内辨识电池等效参数。PIW随当前的取样数据点移动,PIW每移动一次CPSO完成一个进化步。每个进化步内,CPSO只辨识和更新参数集P中的一个参数。随着取样点的采样步进,PIW存储最新的数据并舍弃掉最旧的数据。CPSO按顺序依次辨识和更新P中的每一个参数。当P中的参数辨识完毕,从uOC开始循环辨识,直至PIW移动到最后一个原始数据点。图2给出了CPSO原理。
在一个PIW中,待辨识参数的粒子初始位置表示为:(6)。
其中,Xi表示第i个粒子的位置,Xd表示参数辨识下限,Xu表示参数辨识上限,rand表示[0,1]的随机数,M为每个粒子群中的粒子个数。
式(7)表示拟合端电压与测量端电压的均方根误差,是CPSO的适应度函数。
(7)。
式中,ûL为端电压拟合值,uL是端电压测量值。
式(8)、(9)分别为粒子的速度与位置更新公式。
(8)。
(9)。
式中,vi是第i个粒子的速度,xi表示第i个粒子的位置,t表示算法的迭代次数,ω为惯性权重,pbesti为第i个粒子的历史最优值,gbest为全局最优值,c1、c2分别表示为调节粒子飞向pbesti和gbest最大步长的加速常数,r1、r2为[0,1]范围内的均匀随机数。
三、实验。
3.1、实验系统;用于测试的电池是一个三元锂电池,电池参数如表1所示。实验系统使用了型号为STM32F407ZGT6的主控制器,通过MCU集成的12位DA转换器来定义负载工况,通过功率放大器控制充放电电流对电池提供可编程的LoadProfile。用ADS1274来采集电池的端电压和电流,采集的数据经过MCU预处理后发送至PC端(Intel Core i7-7500UCPU,2.70GHz,12GB,64bit,Windows 10)对实验数据进行保存。基于原始实验数据对算法验证。
表1
3.2、实验工况;为模拟电池参数快速辨识场景中短时的负载工况,定义了1个周期为0.36s的DST循环工况。实验过程中,这个自定义DST工况和一段时长为20分钟的静置工
况交替工作测取一套完整的电池放电数据;用于获取原始数据的工况配置如表2所示。
表2
图3中电池端电压约为3.54V。为讨论荷电状态与电池极化状态对算法性能的影响,在不同SOC区域基于多种时长进行了电池测试。这些工况数据会在各自的讨论中详细给出。
3.3、CPSO算法参数;CPSO算法的主要参数的初值与取值区间如表3所示。其中,uL0为实验工况第一个取样点的端电压数据,R0_I为通过电流阶跃法计算的欧姆电阻值。计算公式:(10);
其中,∆u与∆i分别为电流阶跃前后的电压差与电流差。
表3
四、分析与讨论:本申请基于算法参数验证CPSO的快速辨识能力,并讨论了不同荷电状态、取样周期、窗口宽度与电池极化对算法性能的影响。
4.1、CPSO能快速、准确、一致地获取电池参数;CPSO在快速辨识应用中呈现出较好的准确性、快速性与收敛性。图4所示辨识结果使用图3所示的S1工况和图1所示的二阶RC模型,窗口宽度w=100,取样周期Ts=1ms,CPSO在每个数据取样点上进化1步。在图4(a)所示的端电压拟合结果中, CPSO表现出了较好的拟合准确性。图4 (b)可见,电池端电压拟合结果的平均绝对误差与均方根误差均小于1mV。图4 (c)中的uOC辨识结果与长时静置的端电压测量值仅相差1mV左右。图4 (d)中的R0收敛值与电流阶跃方法计算结果几乎处于同一取值区间,且波动范围比电流阶跃法更小。图4所示的辨识结果使用了一段持续时间0.36s的连续短时测试数据,辨识耗时约2s。较之于我们的预期,辨识耗时略长。好在,算法完成辨识所需的总时长已大致能满足工程需要。
CPSO在快速辨识应用中表现出了较好的一致性。图5给出了CPSO在低SOC区域的辨识结果,其中ûL_L、uOC_L、R0_L分别为低SOC区域的端电压拟合、开路电压与欧姆电阻观测结果。与图4已给出的在中等SOC区域内的辨识结果进行对比,可见:(1)在中、低SOC区域,CPSO均能在50ms(50个进化步)内收敛并呈现出较好的端电压拟合精度,且拟合结果的平均绝对误差与均方根误差均小于1mV;(2)在两种不同的SOC区域内, uOC的辨识结果与长时静置后的端电压值误差均小于5mV,且R0的辨识结果与电流阶跃法的计算结果差距均小于1mΩ。这些测试结果说明,在不同的SOC区间CPSO的R0和uOC的辨识结果均呈现出了较好的一致性。需要说明的是,在图3中S2段工况的最后,电池在经过20分钟的静置后端电压变化趋于稳定,它的取值近似于电池的开路电压。因此在图4和图5中我们选择了静置20min后的端电压测量值作为uOC辨识结果的参照。
电池极化越弱,算法越容易取得更好的端电压拟合精度与参数辨识结果。对比图4(b)和图5(b)中CPSO的端电压拟合误差可知,中SOC区间的误差小于低SOC区间。在CPSO的参数寻优过程中,算法假定电池的极化参数在PIW内是一个定值,并且电池在低SOC区域的极化强于中SOC区域。因此,极化越强、窗口越宽PIW内取为定值的极化参数导致的辨识误差越大。图4(b)所示的端电压拟合误差中零星分布的较大误差与工况中的电流瞬变有明确的对应关系。在CPSO进化过程中,具有一定时间跨度的PIW难以快速、逐个取样点地跟踪因负载波动产生的极化波动,这可能是图4中有零星大误差的主要原因。对比图4(c)和图5(c)可见,中SOC比低SOC的uOC辨识结果更接近长时静置的端电压值。电流阶跃法与CPSO两种方法在图5 (d)所示低SOC区域获取的R0均比在图4 (d)所示的中SOC区域获取的大。低SOC区域更强的电池极化应该是上述现象的成因。
4.2、较小的取样周期有利于辨识的准确性;较小的取样周期有利于算法获取更高的端电压拟合精度。按表4中定义的3种取样周期,窗口宽度w=70,算法取得的主要结果呈现在图6中。表4给出了这3种取样周期对应的算法时间消耗以及端电压拟合误差均值。图6(b)(d)(f)所示的3种取样周期对应端电压拟合误差表明,较小的取样周期更有利于算法取得更好的端电压拟合效果,尽管它也同时带来了更多的时间消耗。一般认为,较高的端电压拟合精度代表了算法更好地模拟了电池的真实动态。较小的取样周期使得算法从原始数据中获取到了更全面准确的时域动态信息,从而使得算法可以更准确的描述真实电池的参数和状态变化。
表4
较小的取样周期有利于算法获取更准确、稳定的参数辨识结果。对于3种不同的取样周期,CPSO取得的uOC与R0辨识结果分呈现在图6 (g)和(h)中。在图6 (g)中3种取样周期的uOC辨识结果呈现出了高度的一致性,它们几乎重叠在一起,且它们与20分钟静置后的电池端电压差异小于5mV。也就是说,对于开路电压的辨识,这3种取样周期并未表现出显著差异。然而,在图6 (h)中,Ts=2.5ms所对应的R0_T3明显有别于其他两组结果。尽管图6 (h)中的3组R0辨识结果的差异不超过5mΩ,但较大的取样周期使得R0_T3组数据可获取的整体数据量偏少,难以判断R0_T3是否收敛。另外,较大的取样周期间接地导致了辨识窗口过宽,这些因素降低了R0_T3组数据的准确性和应用价值。
在图7所示的典型三元锂电池阻抗谱特性中,更高的工况频率和取样率可以使得算法所观测的电池特性更接近阻抗谱的高频区。这有利于快速辨识算法更稳定、准确地获取电池的欧姆电阻。我们认为,这也是3种较小的取样周期在图6(g)和(h)两组结果均能呈现出较一致结果的主要原因。工程应用中,欧姆电阻的快速获取是快速辨识方法的主要应用目标之一。电池阻抗谱特性中最有利于呈现电池欧姆电阻的工况频率区间为工况频率的设定提供了明确参考,应用中以此为基础可进一步地确定取样率。
4.3、窗口宽度的选取原则;
按我们的理解,PIW的宽度的选取原则应是:在进化过程中的每一个进化步,PIW都能容纳1个以上的负载电流瞬变所对应的电池时域动态信息;同时,PIW要尽可能短,以确保在有限长的检测时间内CPSO可获取足够的用于进化的数据量。图8描述了5个在不同的进化步上的5个不同长度的PIW对原始数据的覆盖效果。图8可见,相同宽度的1、2号PIW无法保证在所有的进化步上都能捕获电流跃变所引发的电池时域动态信息。过宽的5号PIW导致算法用于进化的进化步过少,这对辨识结果收敛不利。适当宽度的3、4号PIW既保证了动态信息的捕获,又有较多的数据量确保较多的进化步数。
PIW内所容纳的数据量以及原始数据中可用于进化的数据总量共同影响算法的时间消耗。表5给出了不同窗口宽度对应的进化步数、算法耗时与其端电压拟合均值。单个PIW内的数据量越多,PIW内的参数寻优迭代时间越长;原始数据中可用于进化的数据总量越多,整体算法的辨识时间越长。表5中窗口宽度w=10、50、150的算法耗时因PIW内部数据的增加而变长。窗口宽度w=300时,由于进化步过少,整体算法过程中的PIW数量更少,因此算法耗时反而变短,表5给出了不同窗口宽度对应的进化步、时间消耗与误差,具体内容如下所示。
表5
在较宽的取值区间内,窗口宽度对端电压拟合精度无显著影响。图9 (a)、(b)是CPSO分别基于4种窗口宽度w=10、50、150、300的端电压拟合结果,图中,参数下标中的数字代表它们所对应的窗口宽度。在图9 (b)中,随着窗口宽度的变宽,在单个PIW内按定值处理的极化参数会引入较大误差,因此开始段的端电压拟合误差较大。尽管如此,对于最宽的PIW (w=300)算法在终止前仍实现了较高的端电压拟合精度。CPSO的全局优化特征使得算法可以在各种不利条件下快速搜索出能精确拟合电池端电压的参数组合。然而,电池端电压的精确拟合只是等效参数的准确辨识的必要条件,而不是充分条件,辨识结果的准确性和工程适用性需要进一步地讨论。
适当的的窗口宽度有利于CPSO参数辨识结果的准确性、稳定性与收敛性。表5中定义了4种窗口宽度,都使用1ms的取样周期,辨识结果呈现在图9中。在图9 (b)所示的端电压拟合误差中,除因窗口宽度导致的实际进化步数有明显差异外,4种窗口方案的端电压拟合精度并未表现出显著差异。然而,在图4 (c)和(d)中,w=300和w=10对应的开路电压和欧姆电阻的辨识结果明显劣于w=50和w=150对应的两组方案。适当的窗口宽度是w=50和w=150对应的两组方案取得稳定一致的参数辨识结果的关键原因。图9 (a)中给出了4种窗口宽度在最后一个进化步所容纳的原始数据量。图9 (a)中w=10和w=50两种窗口过短,不能在最后一个进化步中包含具有明显电流波动的原始动态数据。这应该是图9 (d)所示的欧姆电阻辨识结果中R0_10 、R0_50在部分区段(A-E共5个位置)呈现出明显不连续的主要原因。结合图9(a)不难发现,图9 (d)中A-E辨识结果明显不连续的5个时间点均发生在工况保持恒定激励电流持续较长时间(大于PIW宽度)的区段。相比之下,w=50和w=150时两套方案的辨识结果表现出了较好的稳定性和一致性。这两种辨识窗口在所有的进化步上均能包含了最少一次负载电流明显波动所对应的电池时域动态信息。
另外,选取适当的窗口长度和原始数据测量时长度确保算法有适当的进化步数,使主要参数的最后一个辨识结果之前有一小段在收敛值附近平稳波动的连续值也是重要的。这样,算法可以通过平均值计算之类的方法进一步地取得稳定一致的参数量化结果。以图9 (c)中的uoc_50和uoc_150两组开路电压辨识结果为例,两组结果呈现出了高度的一致性,它们的一致性误差小于3mV,且它们与长时静置后的电池端电压差异小于5mV。尽管这两组结果表现出了收敛,仍然有一些微小波动,使用最后一个开路电压辨识结果之前的一小段结果的平均值作为开路电压测量值的最终量化结果是相对合理的方案。类似现象同时也存在于图9 (d)所示的欧姆电阻的结果量化中。工程应用中,在此基础上进一步地引入更高级的数据处理方法,有望进一步地提高结果的量化精度。
4.4、极化影响辨识结果的准确性;尽可能地削弱检测前及检测过程中电池的极化,有助于CPSO取得准确稳定的辨识结果。为进一步地厘清极化的影响,我们使用预置工况使电池在检测前就人为地处于特定的极化状态。三种预置工况的基本信息如表6所示,它们所对应的主要检测结果如图10所示。
表6
电池在测试前的极化越弱,越有利于算法获取更好的端电压拟合精度。表6中给出了3种前置工况,用于在检测开始前使电池处于3种不同的极化状态。图10是使用了这3种前置工况后的辨识结果,图中算法的取样周期Ts=1ms,窗口宽度w=100。对于同样的算法条件,图10第2列所示的端电压拟合误差表明:检测前极化最弱的P1工况(无明显极化)对应的端电压的拟合误差最小,极化最强的P3工况(800mA放电极化)对应的端电压的拟合误差最大。电池极化强度在图1表现为RC网络的电压,电池检测前有明显的极化对应于RC网络的电压初值不是零。在辨识前,通过准确的量化方法确定电池的极化是困难的,即RC网络的电压初值难以准确设定。算法使用的RC网络的电压初值为零,这增加了辨识算法在电池极化不为零时的寻优难度。这也是图10中第一行所示的无明显极化的P1前置工况取得较好辨识结果的主要原因。
电池在测试前无明显极化,有利于参数辨识结果的准确、稳定。图10第3列所示的3种预置工况对应的uOC辨识结果呈现出了较明显的大小关系,按uOC辨识量值由大到小依次为正向极化的P2、无明显极化的P1、反向极化的P3。还有,图10第4列所示的三组R0辨识结果,也因预置工况表现出了一些细微差异:无明显极化的P1获取的R0最平稳,极化最强的P3波动最明显。这些现象表明,辨识前电池的极化状态影响了uOC辨识结果,辨识前电池的初始极化状态越弱,算法的准确性与稳定性越好。
用于电池参数辨识的工况所导致的电池极化同样也会影响辨识结果。用于快速辨识时,表7中定义的C2工况的连续运行会导致电池产生放电极化。图11第2列所示的端电压拟合误差表明,能导致电池发生极化的C2工况劣于无明显极化的C1工况。工况导致的电池极化差异同样也表现在了图11第3列和第4列给出的开路电压和欧姆电阻的辨识结果中。我们认为,无论是参数辨识前电池的极化状态还是检测过程电池的极化变化,它们都增加了CPSO的寻优难度,也影响了最终的辨识结果。在检测时长有明确限制的快速辨识应用中,避免电池极化显得很重要;两种具有不同极化特征的简单工况如表7所示。
表7
RC网络上的动态电压初值及其收敛效果从很大程度上决定了辨识结果的准确性。有别于欧姆电阻上存在的与电流成正比的线性压降,RC网络所拟合出的时变的动态电压是描述端电压拟合结果中时变动态的重要因素。事实上,RC网络的端电压和式(5)中的所有参数一起参与了CPSO的进化寻优过程。由式(3)和(4)可知,RC网络上的动态电压初值会直接影响第一个PIW内模型对实测电池端电压的拟合效果。尽管在进化过程中,CPSO可参照拟合效果对当前用于描述极化的动态电压进行优化,它们初值的影响仍然会影响CPSO的收敛效果。在对测量时间消耗有极为苛刻的限制的快速辨识应用场景下降低动态电压初值的影响尤其重要。参照我们的测试结果,如下两个手段可在快速辨识过程中提高算法性能:(1)在测试前对电池充分静置使电池无明显极化的同时对动态电压的初值取为0,还有(2)工况定义时尽可能地避免电池长时出现明显极化。
本发明申请研究适用于快速辨识领域的电池参数辨识方法。我们基于自定义工况获取不长于0.5s的原始数据,通过改变辨识窗口内原始数据点数和取样周期使算法获取不同时长、不同瞬态的原始时域信息。基于二阶等效电路模型探索最适合CPSO取得开路电压与欧姆电阻的算法条件,讨论了荷电状态、取样周期、窗口宽度与电池极化状态对算法性能的影响。结果表明:在快速辨识的应用场景下,CPSO能快速、准确、一致地获取电池参数。较小的取样周期有利于减少有效时域动态信息的损失,可从部分程度上提高算法的可信度与准确性。适当的窗口宽度,可以确保算法充分获取因电池明显变化而产生的明显瞬态,有助于辨识结果准确性的提高。尽可能地避免电池检测前有明显的极化,同时保证测试工况不会导致电池在检测过程中累积出明显的极化,有利于算法的准确性。
较小的取样周期、适当的参数辨识窗口宽度以及避免电池极化,有利于开路电压与欧姆电阻的准确、稳定获取。通过上述条件的不断优化使CPSO在快速辨识领域获取更精准、稳定、一致的参数辨识结果。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种快速准确测量锂电池电变量的方法,其特征在于:包括如下步骤:步骤1:使用自定义工况在不同的电池荷电状态区间分别获取一段连续的、持续时长不长于0.5s的原始测量数据,通过改变参数辨识窗口内原始数据点数和原始数据取样周期使辨识算法获取不同时长、不同瞬态的原始时域信息;步骤2:调整包括自定义工况、参数辨识窗口宽度、电池极化状态、电池荷电状态在内的多种算法条件,获取相应的原始时域信息;步骤3:基于二阶等效电路模型与步骤1、步骤2不同的电池原始时域信息,使用协同进化粒子群优化即CPSO算法以电池端电压的拟合精度为优化目标对模型参数连续寻优;步骤4:分析对比CPSO算法在不同原始数据取样周期条件下的参数辨识结果,得到一种更适合CPSO算法快速准确辨识锂电池参数的取样周期条件;步骤5:分析对比CPSO算法在不同参数辨识窗口宽度条件下的参数辨识结果,得到一种更适合CPSO算法快速准确辨识锂电池参数的CPSO算法条件;步骤6:分析对比协同进化粒子群优化算法即CPSO算法在检测前与检测中不同极化程度的测试工况下的参数辨识结果,得到更适合CPSO算法快速准确辨识锂电池参数的自定义工况频率区间和极化特征;步骤7:基于步骤4~6,在锂电池电变量测试设备中预设合适的原始数据取样周期条件、CPSO算法参数辨识窗口宽度条件与测试工况条件;步骤8:通过测试设备采集数据,直到采集数据长度达到CPSO算法的参数辨识窗口宽度;步骤9:参数辨识窗口随设备采样点的前进舍弃最旧的数据点,存储最新的数据点,不断形成新的参数辨识窗口;在不断更新的参数辨识窗口中基于等效电路模型与算法初值条件采用粒子群寻优算法即PSO算法依次对开路电压uOC,欧姆内阻R0,极化内阻R1、R2,极化电容C1、C2进行迭代寻优,直至达到PSO算法的最大迭代次数;令各参数的最终寻优结果代替初值参与后续参数的算法辨识过程;步骤10:参数辨识窗口随采样点的前进不断形成新的参数辨识窗口;在新的参数辨识窗口内不断循环步骤9,每次辨识结束后都以各参数的最终寻优结果代替旧的辨识结果,实现二阶RC电路中6个电参数的协同进化辨识;此循环一直持续到参数辨识窗口的最新数据点取到原始数据的最后一个取样点。
2.根据权利要求1所述的快速准确测量锂电池电变量的方法,其特征在于:原始数据取样周期的确定原则和方法如下:原始数据取样周期应确保原始测量数据能够完整有效地反应自定义工况的特征;具体的实现方法是设置多种不同的取样周期,并依据CPSO算法辨识参数;通过分析算法的端电压拟合精度、参数辨识结果以及算法耗时获取原始数据取样周期的选取特征;端电压拟合精度的分析指的是多种取样周期的端电压拟合误差大小对比;辨识结果的分析指的是欧姆内阻和开路电压在辨识过程中后半段呈现出明显的收敛特征;算法耗时的分析指的是算法耗时长短对比。
3.根据权利要求1所述的快速准确测量锂电池电变量的方法,其特征在于:参数辨识窗口宽度的确定方法如下:参数辨识窗口宽度应能容纳一个以上的负载电流瞬变所对应的电池时域动态信息;同时,参数辨识窗口宽度应小于总的原始测量数据长度,且要确保在有限长的检测时间内CPSO能够获取足够的用于进化的数据量;具体的实现方法是在自定义工况中,设置过窄、过宽以及适当三种不同的窗口宽度,并依据CPSO算法辨识参数,通过分析算法的参数辨识结果以及算法耗时获取参数辨识窗口宽度的选取特征,辨识结果的分析指的是欧姆内阻和开路电压在辨识过程中出现明显不连续特征以及辨识后半段呈现出明显的收敛特征;算法耗时的分析指的是算法耗时长短对比。
4.根据权利要求1所述的快速准确测量锂电池电变量的方法,其特征在于:自定义工况的频率区间和极化特征的确定方法如下:自定义工况的主要频率的分布区间应包含了电池阻抗谱中虚部阻抗值接近于零的频率区域,具体的实现方法是令自定义工况中包含较多的负载电流瞬变过程,依据辨识结果的分析来调整这些瞬变过程的间隔时间,确保这些瞬变过程的频率中能明显包含相应的频率区域;辨识结果的分析指的是欧姆内阻和开路电压在辨识后半段的辨识结果呈现出明显的收敛特征;自定义工况极化特征的确定原则是:在自定义工况的激励下,电池在完整的检测过程中不产生明显极化;具体的实现方法是使自定义工况中负载电流的平均值接近于零。
5.根据权利要求1所述的快速准确测量锂电池电变量的方法,其特征在于:原始时域信息的获取方法如下:原始时域信息的获取基于前期工况条件的预设,通过设置不同的取样周期、不同极化特征的负载工况获取不同的原始时域信息;具体实现方法是控制其它工况条件一致,改变其中一个工况条件,获取相应的原始时域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617960.8A CN117310508B (zh) | 2023-11-30 | 2023-11-30 | 一种快速准确测量锂电池电变量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617960.8A CN117310508B (zh) | 2023-11-30 | 2023-11-30 | 一种快速准确测量锂电池电变量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117310508A true CN117310508A (zh) | 2023-12-29 |
CN117310508B CN117310508B (zh) | 2024-02-27 |
Family
ID=89255767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617960.8A Active CN117310508B (zh) | 2023-11-30 | 2023-11-30 | 一种快速准确测量锂电池电变量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310508B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100896A1 (en) * | 2016-10-09 | 2018-04-12 | Optimum Battery Co., Ltd. | System and method for estimating values of parameters of battery |
CN109262656A (zh) * | 2018-10-31 | 2019-01-25 | 山东科技大学 | 一种基于机器视觉的动物机器人刺激参数测定系统和方法 |
CN110007240A (zh) * | 2019-04-26 | 2019-07-12 | 贵州大学 | 一种锂离子电池剩余寿命预测方法 |
CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
CN112069739A (zh) * | 2020-09-16 | 2020-12-11 | 中国海洋大学 | 电池分数阶模型参数辨识方法 |
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 |
CN113702843A (zh) * | 2021-07-26 | 2021-11-26 | 南通大学 | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 |
CN114217234A (zh) * | 2021-12-30 | 2022-03-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 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 |
CN114779089A (zh) * | 2022-04-25 | 2022-07-22 | 杭州安脉盛智能技术有限公司 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
WO2023274194A1 (zh) * | 2021-06-28 | 2023-01-05 | 中国科学院电工研究所 | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 |
-
2023
- 2023-11-30 CN CN202311617960.8A patent/CN117310508B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180100896A1 (en) * | 2016-10-09 | 2018-04-12 | Optimum Battery Co., Ltd. | System and method for estimating values of parameters of battery |
CN109262656A (zh) * | 2018-10-31 | 2019-01-25 | 山东科技大学 | 一种基于机器视觉的动物机器人刺激参数测定系统和方法 |
CN110007240A (zh) * | 2019-04-26 | 2019-07-12 | 贵州大学 | 一种锂离子电池剩余寿命预测方法 |
CN111046527A (zh) * | 2019-11-18 | 2020-04-21 | 山东科技大学 | 一种基于协同进化粒子群算法的电池等效参数辨识方法 |
CN112069739A (zh) * | 2020-09-16 | 2020-12-11 | 中国海洋大学 | 电池分数阶模型参数辨识方法 |
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 |
WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 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 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
WO2023274194A1 (zh) * | 2021-06-28 | 2023-01-05 | 中国科学院电工研究所 | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 |
CN113702843A (zh) * | 2021-07-26 | 2021-11-26 | 南通大学 | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 |
CN114217234A (zh) * | 2021-12-30 | 2022-03-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
CN114779089A (zh) * | 2022-04-25 | 2022-07-22 | 杭州安脉盛智能技术有限公司 | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117310508B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN111398833B (zh) | 一种电池健康状态评估方法 | |
CN106443473B (zh) | 一种动力锂离子电池组soc估算方法 | |
CN108490356A (zh) | 一种改进ekf算法的锂电池soc估算方法 | |
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 | |
CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
Sun et al. | Study of parameters identification method of li-ion battery model for EV power profile based on transient characteristics data | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN110646741A (zh) | 一种锂离子电池等效电路模型的参数获取方法 | |
CN115935206A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
Wang et al. | A novel OCV curve reconstruction and update method of lithium-ion batteries at different temperatures based on cloud data | |
CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
CN117310508B (zh) | 一种快速准确测量锂电池电变量的方法 | |
CN109669133B (zh) | 一种动力锂电池寿命数据后台挖掘分析方法 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN114252797B (zh) | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 | |
CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 | |
CN113805086B (zh) | 一种锂离子电池内阻的快速估算方法 | |
Vishnu et al. | Adaptive integral correction-based state of charge estimation strategy for lithium-ion cells | |
CN114879071A (zh) | 一种基于平均电压的锂离子电池老化模式在线诊断方法 | |
CN114355198A (zh) | 基于恒压充电电流解耦动态特性的锂离子电池参数辨识及实际容量估算方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
CN114545266A (zh) | 基于改进型模型预测控制的锂电池剩余电量计量方法、系统及电量计 | |
CN113567864A (zh) | 电池荷电状态的确定方法、装置、计算机设备及存储介质 |
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 |