CN117330964A - 一种基于适应度值的锂电池荷电状态三区间融合估计方法 - Google Patents
一种基于适应度值的锂电池荷电状态三区间融合估计方法 Download PDFInfo
- Publication number
- CN117330964A CN117330964A CN202311628105.7A CN202311628105A CN117330964A CN 117330964 A CN117330964 A CN 117330964A CN 202311628105 A CN202311628105 A CN 202311628105A CN 117330964 A CN117330964 A CN 117330964A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- interval
- fitness value
- estimation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000007599 discharging Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 208000028659 discharge Diseases 0.000 claims description 43
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000010287 polarization Effects 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000126 substance Substances 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)
- Secondary Cells (AREA)
Abstract
本发明公开一种基于适应度值的锂电池荷电状态三区间融合估计方法，涉及锂电池技术领域，包括以下步骤：S1：采用Rint模型、Thevenin模型以及DP模型构建电池模型；S2：选取6种滤波算法与电池模型结合；S3：根据电池的放电特性，将电池放电区间划分为三个阶段；S4：采用适应度值作为评估电池模型与滤波算法匹配程度的指标；S5：采用自适应权值分配的方法融合不同放电区间内适应度值较小的模型与算法的输出结果。本发明要解决的技术问题是提供一种基于适应度值的锂电池荷电状态三区间融合估计方法，基于适应度值，从三个放电区间内选取合适的模型与算法，采用自适应权值分配的方法，融合模型与算法的输出结果。
Description
技术领域
本发明涉及锂电池技术领域，具体地讲，涉及一种基于适应度值的锂电池荷电状态三区间融合估计方法。
背景技术
近年来，随着人们对低碳环保的不断追求，世界上越来越多的国家加入了发展新能源汽车的行列，许多国家电动汽车的发展速度远远超出了人们的预期。作为电动汽车的重要组成部分，锂离子电池以其更长的使用寿命、更高的能量密度和低廉的成本在现代交通生活中占据着重要地位。然而，车辆使用过程中，电池老化、环境温度和自放电效应等因素都会影响车辆动力电池的剩余电量(SOC)的估计，从而导致驾驶员因SOC估计不准确而产生里程焦虑。因此，在电池管理系统中准确估计SOC非常重要。
在以往的研究中，电池状态估算通常采用基于模型的方法，特别是等效电路模型与滤波算法相结合的方法。然而，这种使用单一模型和算法的估计方式的估计精度存在一定的局限性。为了提高SOC估计的准确性，通常采用融合的方法。常见的SOC融合估算方法大致可分为模型融合和算法融合。基于模型融合的SOC估计方法是在特定工作环境和电池老化状态下获取模型输出权重系数，利用得到的权重融合需要的模型。基于多算法融合的SOC估计方法首先要选择一个合适的电池模型，然后将不同的算法与该模型相结合，并通过一定的权重分配对最终输出进行加权和融合。
在电动汽车应用中，选择合适的模型和算法进行融合是一项重要任务。现有的SOC融合估计方法在选取融合的模型和算法时没有一个评判指标去衡量模型与算法的匹配度。并且，对于SOC的估计往往没有考虑放电过程中电池特性的变化。因此，如何获取评判模型与算法匹配程度的适应度值，并根据适应度值选取合适的模型与算法仍然是解决不同放电区间内SOC评估的关键。
发明内容
本发明要解决的技术问题是提供一种基于适应度值的锂电池荷电状态三区间融合估计方法，基于适应度值，从三个放电区间内选取合适的模型与算法，采用自适应权值分配的方法，融合单一模型与算法的输出结果。
本发明采用如下技术方案实现发明目的：
一种基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于，包括以下步骤：
S1：采用Rint模型、Thevenin模型以及DP模型构建电池模型；
S2：选取6种滤波算法与电池模型结合；
S3：根据电池的放电特性，将电池放电区间划分为三个阶段；
S4：采用适应度值作为评估电池模型与滤波算法匹配程度的指标；
S5：采用自适应权值分配的方法融合不同放电区间内适应度值小的模型与算法的输出结果。
作为本技术方案的进一步限定，所述S1中电池模型，如式（1）及（2）所示：
（1）
（2）
其中：U t(Rint)为Rint电池模型端电压；
U t为电池模型端电压；
U oc为开路电压；
i L 为输入电流，取放电为正；
R i 为欧姆内阻；
U Di 为极化电压；
C Di 为极化电容；
R Di为极化内阻；
极化内阻R Di 和极化电容C Di 构成RC网络来描述动力电池的动态特性，其中i = 1 ,... , n，当n=1时对应Thevenin模型，n=2时对应DP模型；
为UDi的微分。
作为本技术方案的进一步限定，所述S2中，采用6种滤波算法与三种电池模型结合，分析不同结合所得到的电池的剩余电量估计误差，提取估计误差的四个特征值包括最大绝对误差、均方根误差、平均绝对误差及绝对中位差。
作为本技术方案的进一步限定，所述S3中，根据电池的放电特性，将电池放电区间划分为三个不同的阶段，分别对应放电初期，放电中期，放电末期。
作为本技术方案的进一步限定，所述S4中，在不同放电阶段，使用误差归一化的权值分配方法融合电池的剩余电量估计误差的四个误差特征值，从而得到反应模型与算法匹配度的适应度值，具体的权值分配过程如式（3）所示，适应度值计算过程如式（4）所示：
（3）
其中：n e =4；
e i 是四种误差特征；
S为四种误差特征值平方的总和；
（4）。
作为本技术方案的进一步限定，在所述S5中，每个放电区间内会得到18个适应度值，将每个区间内的适应度值以升序的方式排列，选取前三个组合作为该放电区间内的融合组合；
在每一个放电区间内分别得到三个电池的剩余电量估计结果，使用基于自适应权值分配的方法将电池的剩余电量估计结果进行数据后处理依次得到放电前期的电池的剩余电量估计值SOC 前期 ，放电中期的电池的剩余电量估计值SOC 中期 ，放电后期的电池的剩余电量估计值SOC 后期 ，每种组合的权值分配方法如式（5）所示，电池的剩余电量融合过程如式（6）所示：
（5）
其中，e bi (k)表示在k时刻模型输出的端电压与实验得到的端电压的差值；n s 代表融合组合的数目；
（6）
其中，表示在k时刻第i个组合所得到的电池的剩余电量估计值。
作为本技术方案的进一步限定，所述6种滤波算法包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法、自适应扩展卡尔曼滤波算法、自适应无迹卡尔曼滤波算法和自适应容积卡尔曼滤波算法。
与现有技术相比，本发明的优点和积极效果是：
本方法所建立的适应值可以评估不同模型和算法之间的匹配程度。可以通过对适应度值的排序，选取合适的模型与算法进行融合。
本方法考虑了不同放电区间的特性，并分析电池放电过程的内部机理，并以此为依据将整个放电过程划分为三区间。
本方法提出的三区间融合方法可以使SOC估计结果在不同的放电阶段均保持高精度，并且在初值不精确情况下，本方法可以实现快速收敛。
附图说明
图1为本发明的流程图。
图2为本发明的Rint等效电路模型图。
图3为本发明的n-RC模型等效电路图。
图4为本发明的3种模型与6种算法结合后的SOC估计结果及误差；
图4中的(a)为采用Rint模型估计SOC的误差，图4中的(b)为采用Thevenin模型估计SOC的误差，图4中的(c)为采用DP模型估计SOC的误差。
图5为本发明的不同放电区间内的适应度值；
图5中的(a)为Rint模型在不同放电区间内的自适应值，图5中的(b)为Thevenin模型在不同放电区间内的自适应值，图5中的(c)为DP模型在不同放电区间内的自适应值。
图6为本发明的三区间融合方法的SOC估计结果；
图6中的(a)为SOC参考值与模型融合、算法融合和三区间融合方法得到的SOC估计结果对比，图6中的(b)为区间A的放大视图，图6中的(c)为区间B的放大视图，图6中的(d)为区间C的放大视图。
图7为本发明的三区间融合方法SOC估计误差统计特征的柱状图。
图8为本发明的初值不精确情况下的SOC估计结果图。
图9为本发明的初值不精确情况下，SOC估计误差在收敛后的误差特征柱状图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明包括以下步骤：
S1：如图2，3所示，采用Rint模型、Thevenin模型以及DP模型构建电池模型；
S2：如图4所示，选取6种滤波算法与电池模型结合；
S3：根据电池的放电特性，将电池放电区间划分为三个阶段；
S4：采用适应度值作为评估电池模型与滤波算法匹配程度的指标；
S5：采用自适应权值分配的方法融合不同放电区间内适应度值小的模型与算法的输出结果。
所述S1中电池模型，如式（1）及（2）所示：
（1）
（2）
其中：U t(Rint)为Rint电池模型端电压；
U t为电池模型端电压；
U oc为开路电压；
i L 为输入电流，取放电为正；
R i 为欧姆内阻；
U Di 为极化电压；
C Di 为极化电容；
R Di为极化内阻；
极化内阻R Di 和极化电容C Di 构成RC网络来描述动力电池的动态特性，其中i = 1 ,... , n，当n=1时对应Thevenin模型，n=2时对应DP模型；
为UDi的微分。
所述S2中，采用6种滤波算法与三种电池模型结合，分析不同结合所得到的电池的剩余电量（SOC）估计误差，提取估计误差的四个特征值包括最大绝对误差（MAE）、均方根误差（RMSE）、平均绝对误差（AAE）及绝对中位差（MAD）。
所述S3中，电池的放电过程涉及多种复杂的化学反应和物理过程，这些过程在电池的不同荷电间隔中可能会发生变化，根据电池的放电特性，将电池放电区间划分为三个不同的阶段，分别对应放电初期（SOC区间范围是100%-85%），电池的电极材料中化学反应物质较多，电池电压和容量较高，能量释放速度较快，放电中期（SOC区间范围是85%-20%），随着放电深度的增加，电池内部阻抗逐渐增大，电池的放电效率可能会下降，放电末期（SOC区间范围是20%-10%），随着电池放电深度的进一步增加，电池的电压和容量将迅速下降，同时电池的内部阻抗进一步增加，这将导致电池的放电效率进一步降低。
所述S4中，在不同放电阶段，使用误差归一化的权值分配方法融合电池的剩余电量估计误差的四个误差特征值，从而得到反应模型与算法匹配度的适应度值，具体的权值分配过程如式（3）所示，适应度值计算过程如式（4）所示：
（3）
其中：n e =4；
e i 是四种误差特征；
S为四种误差特征值平方的总和；
（4）。
在所述S5中，每个放电区间内会得到18个适应度值，将每个区间内的适应度值以升序的方式排列，选取前三个组合作为该放电区间内的融合组合；
在每一个放电区间内分别得到三个电池的剩余电量估计结果，使用基于自适应权值分配的方法将电池的剩余电量估计结果进行数据后处理依次得到放电前期的电池的剩余电量估计值SOC 前期 ，放电中期的电池的剩余电量估计值SOC 中期 ，放电后期的电池的剩余电量估计值SOC 后期 ，每种组合的权值分配方法如式（5）所示，电池的剩余电量融合过程如式（6）所示：
（5）
其中，e bi (k)表示在k时刻模型输出的端电压与实验得到的端电压的差值；n s 代表融合组合的数目，本方法中n s =3
（6）
其中，表示在k时刻第i个组合所得到的电池的剩余电量估计值。
所述6种滤波算法包括扩展卡尔曼滤波算法 ( Extended Kalman Filter , EKF) 、无迹卡尔曼滤波算法 (Unscented Kalman Filter , UKF) 、容积卡尔曼滤波算法 (Cubature Kalman Filter , CKF )、自适应扩展卡尔曼滤波算法( Adaptive ExtendedKalman Filter , AEKF ) 、自适应无迹卡尔曼滤波算法 ( Adaptive Unscented KalmanFilter , AUKF ) 、自适应容积卡尔曼滤波算法 ( Adaptive Cubature Kalman Filter ,ACKF )。
下面以江西华立源公司生产的容量为5000mAh的26650三元锂电池进行的测试数据为样本，对本发明作进一步说明。
如图1所示，包括以下步骤：
S1：如图2，3所示，采用Rint模型，Thevenin模型以及DP模型构建电池模型，其中，电池的开路电压U OC 、欧姆内阻R i 、极化内阻R D 和极化电容C D 为构建的电池模型的参数。电池的数学模型如式1，2所示：
（1）
（2）
S2：如图4所示，使用6种滤波算法与三个电池模型结合得到18中SOC估计结果以及估计误差。
S3：基于电池的放电特性，将整个SOC区间划分为三个阶段放电初期（SOC，100%-85%）放电中期（SOC，85%-20%）放电末期（SOC，20%-10%）。
S4：提取不同放电区间内，各种算法所得到的SOC估计误差特征量（MAE，MAD，AAE，RMSE），使用误差归一权值分配方法对误差特征进行数据融合，从而得到反应模型与算法匹配度的适应度值。权值分配方法如式（3）所示，适应度计算过程如式（4）所示，具体的适应度值如图5所示。
（3）
其中：n e =4；
e i 是四种误差特征；
S为四种误差特征值平方的总和；
（4）。
S5：采用自适应权值分配的方法融合不同放电区间内适应度值小的模型与算法的输出结果。
将不同放电区间内得到的适应度值，按照升序的原则进行排序，并选择每个放电区间内适应度值最小的三个组合。30℃FUDS工况下的选择组合如表1所示：
表1 FUDS工况下不同放电区间的融合组合
FUDS为联邦城市和高速公路循环工况 (Federal Urban Driving Schedule,FUDS)。
每一个区间内融合三个模型和算法所产生的SOC估计结果，每一个估计结果在融合过程中所占有的权值由式（5）计算得到，SOC融合过程如式（6）所示：
（5）
其中，e bi (k)表示在k时刻模型输出的端电压与实验得到的端电压的差值；n s 代表融合组合的数目；
（6）
为了更直观地显示三区间融合估算方法的优势，如图7所示，提取了MAE、AAE、MAD和RMSE等四个估算误差指标，并以柱状图的形式表示出来。图 7总结了恒温 30°C、FUDS 工作条件下三元锂电池 SOC 估算误差的统计结果。区间融合法的四个误差特征值分别为0.35%、0.19%、0.21%和0.10%。从RMSE值可以看出，所提方法的平滑性最好。
为了模拟车载电池管理系统出现故障导致SOC的初始值产生误差的状况，将SOC的初始值设置为90%（具有10%的初始误差）。SOC在初值不精确情况下的估计结果在图8中展示，从图中可以看出大约在700s以后SOC的估计结果就可以收敛到正常水平。为了进一步验证本发明方法对于不同动态工况条件的适应性，将FUDS以及UDDS测试工况在初值不精确条件下，误差收敛后的误差特征记录在表2中。从表中可以看出在两种动态工况条件下，三区间融合估计SOC的最大绝对误差均小于0.5%，这表明本发明方法可以将SOC估计误差控制在较小的范围，具有较好的性能。
表2 收敛后的误差特征值
UDDS为城市动态驾驶循环工况 (Urban Dynamometer Driving Schedule,UDDS)。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (7)
1.一种基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于，包括以下步骤：
S1：采用Rint模型、Thevenin模型以及DP模型构建电池模型；
S2：选取6种滤波算法与电池模型结合；
S3：根据电池的放电特性，将电池放电区间划分为三个阶段；
S4：采用适应度值作为评估电池模型与滤波算法匹配程度的指标；
S5：采用自适应权值分配的方法融合不同放电区间内适应度值小的模型与算法的输出结果。
2.根据权利要求1所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：
所述S1中电池模型，如式（1）及（2）所示：
（1）
（2）
其中：U t(Rint)为Rint电池模型端电压；
U t为电池模型端电压；
U oc为开路电压；
i L 为输入电流，取放电为正；
R i 为欧姆内阻；
U Di 为极化电压；
C Di 为极化电容；
R Di为极化内阻；
极化内阻R Di 和极化电容C Di 构成RC网络来描述动力电池的动态特性，其中i = 1 , ... ,n，当n=1时对应Thevenin模型，n=2时对应DP模型；
为UDi的微分。
3.根据权利要求2所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：所述S2中，采用6种滤波算法与三种电池模型结合，分析不同结合所得到的电池的剩余电量估计误差，提取估计误差的四个特征值包括最大绝对误差、均方根误差、平均绝对误差及绝对中位差。
4.根据权利要求3所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：所述S3中，根据电池的放电特性，将电池放电区间划分为三个不同的阶段，分别对应放电初期、放电中期和放电末期。
5.根据权利要求4所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：所述S4中，在不同放电阶段，使用误差归一化的权值分配方法融合电池的剩余电量估计误差的四个误差特征值，从而得到反应模型与算法匹配度的适应度值，具体的权值分配过程如式（3）所示，适应度值计算过程如式（4）所示：
（3）
其中：n e =4；
e i 是四种误差特征；
S为四种误差特征值平方的总和；
（4）。
6.根据权利要求5所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：在所述S5中，每个放电区间内会得到18个适应度值，将每个区间内的适应度值以升序的方式排列，选取前三个组合作为该放电区间内的融合组合；
在每一个放电区间内分别得到三个电池的剩余电量估计结果，使用基于自适应权值分配的方法将电池的剩余电量估计结果进行数据后处理依次得到放电前期的电池的剩余电量估计值SOC 前期 ，放电中期的电池的剩余电量估计值SOC 中期 ，放电后期的电池的剩余电量估计值SOC 后期 ，每种组合的权值分配方法如式（5）所示，电池的剩余电量融合过程如式（6）所示：
（5）
其中，e bi (k)表示在k时刻模型输出的端电压与实验得到的端电压的差值；n s 代表融合组合的数目；
（6）
其中，表示在k时刻第i个组合所得到的电池的剩余电量估计值。
7.根据权利要求1所述的基于适应度值的锂电池荷电状态三区间融合估计方法，其特征在于：所述6种滤波算法包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法、自适应扩展卡尔曼滤波算法、自适应无迹卡尔曼滤波算法和自适应容积卡尔曼滤波算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628105.7A CN117330964A (zh) | 2023-12-01 | 2023-12-01 | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628105.7A CN117330964A (zh) | 2023-12-01 | 2023-12-01 | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117330964A true CN117330964A (zh) | 2024-01-02 |
Family
ID=89279643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311628105.7A Pending CN117330964A (zh) | 2023-12-01 | 2023-12-01 | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117330964A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111983472A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
| CN113935222A (zh) * | 2021-10-09 | 2022-01-14 | 重庆理工大学 | 基于有序加权平均算子的动力电池多模型融合估计方法 |
| CN114152887A (zh) * | 2020-09-07 | 2022-03-08 | 桂林电子科技大学 | 一种基于fer融合算法的锂电池soc估算方法 |
| CN114460471A (zh) * | 2022-02-14 | 2022-05-10 | 重庆理工大学 | 基于贝叶斯概率的动力电池多算法融合soc估计方法 |
| CN115097313A (zh) * | 2022-06-27 | 2022-09-23 | 重庆理工大学 | 适用于多工况全电量区间的动力电池状态估算方法 |
| CN115980583A (zh) * | 2023-01-09 | 2023-04-18 | 西安交通大学 | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 |
| CN116466250A (zh) * | 2023-06-08 | 2023-07-21 | 聊城大学 | 基于动态工况模型误差特征的动力电池健康状态估计方法 |
-
2023
- 2023-12-01 CN CN202311628105.7A patent/CN117330964A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111983472A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
| CN114152887A (zh) * | 2020-09-07 | 2022-03-08 | 桂林电子科技大学 | 一种基于fer融合算法的锂电池soc估算方法 |
| CN113935222A (zh) * | 2021-10-09 | 2022-01-14 | 重庆理工大学 | 基于有序加权平均算子的动力电池多模型融合估计方法 |
| CN114460471A (zh) * | 2022-02-14 | 2022-05-10 | 重庆理工大学 | 基于贝叶斯概率的动力电池多算法融合soc估计方法 |
| CN115097313A (zh) * | 2022-06-27 | 2022-09-23 | 重庆理工大学 | 适用于多工况全电量区间的动力电池状态估算方法 |
| CN115980583A (zh) * | 2023-01-09 | 2023-04-18 | 西安交通大学 | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 |
| CN116466250A (zh) * | 2023-06-08 | 2023-07-21 | 聊城大学 | 基于动态工况模型误差特征的动力电池健康状态估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| XINGQUN CHENG: "An intelligent fusion estimation method for state of charge estimation of lithium-ion batteries", ENERGY, vol. 286, pages 2 - 3 * |
| 徐文华;王顺利;于春梅;李建超;谢伟;: "基于Thevenin模型和UKF的锂电池SOC估算方法研究", 自动化仪表, no. 05 * |
| 黄贤广;张彩萍;: "电动车辆锂离子电池电路模型适用性研究", 电源技术, no. 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143108B (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
| CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
| CN104535932B (zh) | 一种锂离子电池荷电状态估计方法 | |
| CN110795851B (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
| 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 | |
| CN106443492A (zh) | 一种低速电动车锂电池soc的估算方法 | |
| CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
| CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
| CN112858916A (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 | |
| CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
| CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| CN110196395A (zh) | 蓄电池soc估算方法 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| CN105717455A (zh) | 电池组的电池单体soc和容量估计算法的选择方法 | |
| 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 | |
| CN114200321A (zh) | 一种锂离子电池变阶数等效电路模型建模方法 | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| CN114325449B (zh) | 一种锂离子电池soh预测方法 | |
| CN117330964A (zh) | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 | |
| CN113935222B (zh) | 基于有序加权平均算子的动力电池多模型融合估计方法 | |
| CN106815406B (zh) | 一种基于特征模型的动力电池soc估算方法 | |
| CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
| CN115166564A (zh) | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
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 |