CN117591796A - 双层遗忘因子递推最小二乘电池模型参数在线辨识方法 - Google Patents

双层遗忘因子递推最小二乘电池模型参数在线辨识方法 Download PDF

Info

Publication number
CN117591796A
CN117591796A CN202410078084.4A CN202410078084A CN117591796A CN 117591796 A CN117591796 A CN 117591796A CN 202410078084 A CN202410078084 A CN 202410078084A CN 117591796 A CN117591796 A CN 117591796A
Authority
CN
China
Prior art keywords
layer
recursive
forgetting factor
parameters
squares
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
Application number
CN202410078084.4A
Other languages
English (en)
Inventor
王顺利
戚创事
陈超
张志伟
林琳
海南
范永存
曹文
于春梅
谢滟馨
陈蕾
高海英
金思宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Diwei Energy Technology Co ltd
Southwest University of Science and Technology
Urban Vocational College of Sichuan
Original Assignee
Sichuan Diwei Energy Technology Co ltd
Southwest University of Science and Technology
Urban Vocational College of Sichuan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Diwei Energy Technology Co ltd, Southwest University of Science and Technology, Urban Vocational College of Sichuan filed Critical Sichuan Diwei Energy Technology Co ltd
Priority to CN202410078084.4A priority Critical patent/CN117591796A/zh
Publication of CN117591796A publication Critical patent/CN117591796A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了双层遗忘因子递推最小二乘电池模型参数在线辨识方法，包括：基于第一层递推最小二乘算法，进行电池等效电路模型参数辨识，获取预设参数和；将所述预设参数作为输入，基于第二层递推最小二乘算法，进行电流测量偏移修正，获取修正后的电流，再将修正后的电流作为第一层递推最小二乘算法的输入参数，进行迭代，获取电池等效电路模型全参数。本发明能降低算法系统噪声，提高参数辨识的精度，为动力电池的能源管理提供理论依据。

Description

双层遗忘因子递推最小二乘电池模型参数在线辨识方法
技术领域
本发明属于新能源测控技术领域，尤其涉及双层遗忘因子递推最小二乘电池模型参数在线辨识方法。
背景技术
近年来，随着新能源产业的飞速发展，电池储能技术得到了越来越多的重视，且已经展现出了较高的实际应用价值；锂电池具有能量密度高、循环寿命长、高输出电压和可快速充放电等优点，成为当前应用最为广泛的储能电池。储能电池的荷电状态（State ofCharge, SOC）估算是电池管理系统（Battery Management System, BMS）的基础，其估计精度是判断储能电池管理系统优劣的重要依据，精确的SOC估算有利于电池的充分、合理使用，延长电池的寿命，并提高储能电池的安全性；而精确的储能电池模型以及精确的参数辨识结果是提高SOC估算精度的前提；因此，提高基于电池等效电路模型的参数辨识精度是提升BMS性能的关键；储能电池的参数辨识方法包括离线参数辨识方法以及在线参数辨识方法。离线参数辨识方法一般是从经验角度出发，其优点是可以深入细致的研究电池模型参数之间的具体物理意义，进而研究储能电池等效模型各参数之间的耦合关系。在线参数辨识一般是研究者从数学角度出发，所辨识的结果往往物理意义不太明显，但其鲁棒性更高且在线参数辨识的结果往往精度要高于离线参数辨识；最小二乘算法是在线参数辨识的常用方法，该类算法的收敛比较依赖基础参数的设置，即参数初值初始化越接近真实真，算法收敛速度就越快，且算法在参数辨识中易出现“数据饱和”及电流测量偏移等问题，因此迫切需要对传统最小二乘算法的迭代计算过程进行优化。
发明内容
本发明的目的是解决传统算法可能出现的“数据饱和”问题以及在系统输入出现电流测量偏移导致算法误差增大的问题，采用新型双层递推最小二乘方法进行电流测量偏移的修正和模型参数的辨识，同时考虑“数据饱和”现象对辨识精度的影响，提出了一种新型双层遗忘因子递推最小二乘储能电池模型参数在线辨识方法，提高算法的精度。
为实现上述目的，本发明提供了双层遗忘因子递推最小二乘电池模型参数在线辨识方法，包括：
基于第一层递推最小二乘算法，进行电池等效电路模型参数辨识，获取预设参数和/>；
将所述预设参数作为输入，基于第二层递推最小二乘算法，进行电流测量偏移修正，获取修正后的电流，再将修正后的电流作为第一层递推最小二乘算法的输入参数，进行迭代，获取电池等效电路模型全参数。
可选地，基于第一层递推最小二乘算法，进行电池等效电路模型参数辨识包括：
根据储能电池Thevenin等效电路模型，获取当前工作电流测量值；
将工作电流测量值转化为数据向量，输入至所述第一层递推最小二乘算法中，获取参数向量。
可选地，获取所述参数向量包括：
计算所述第一层递推最小二乘算法的增益K LS,k 和数据协方差矩阵P LS,k ；
基于所述增益K LS,k 和数据协方差矩阵P LS,k， 计算所述第一层递推最小二乘算法的所述参数向量；
计算所述第一层递推最小二乘算法的端电压y LS,k 以及端电压误差e LS,k ；
基于所述端电压误差e LS,k ，更新所述参数向量。
可选地，所述第一层递推最小二乘算法的表达式为：
其中，λ为第一层遗忘因子递推最小二乘算法的遗忘因子，K LS,k 是第一层遗忘因子递推最小二乘的增益，P LS,k 是第一层遗忘因子递推最小二乘状态估计值的误差协方差矩阵，I是单位矩阵，为第一层遗忘因子递推最小二乘数据向量的转置，/>为第一层遗忘因子递推最小二乘数据向量，/>为第一层遗忘因子递推最小二乘参数向量，/>为系统的输出向量。
可选地，所述端电压误差e LS,k 的表达式为：
其中，为电池模型的端电压，/>为第一层遗忘因子递推最小二乘参数向量，为第一层遗忘因子递推最小二乘数据向量。
可选地，获取所述电池等效电路模型全参数包括：
将所述预设参数作为输入，计算所述第二层递推最小二乘算法的增益K Lb,k 和数据协方差矩阵P Lb,k ；
基于所述增益K Lb,k 和数据协方差矩阵P Lb,k ，计算所述第二层递推最小二乘算法的参数向量；
基于所述参数向量，修正电流测量偏移值，获取修正后的电流；
将修正后的电流转化为数据向量，重新输入至所述第一层递推最小二乘算法中，进行迭代，获取所述电池等效电路模型全参数。
可选地，所述第二层递推最小二乘算法的表达式为：
其中，μ为第二层算法的遗忘因子，为第二层遗忘因子递推最小二乘数据协方差矩阵，/>为第二层遗忘因子递推最小二乘数据向量的转置，/>为第二层遗忘因子递推最小二乘数据向量，/>为第二层遗忘因子递推最小二乘数据协方差矩阵，/>为第二层遗忘因子递推最小二乘参数向量，/>为第二层遗忘因子递推最小二乘的增益，/>为电流测量偏移电压误差。
可选地，电流测量偏移电压误差为：
其中，y Lb,k 是电流测量偏移电压误差系统输出，是已知的数据向量，而参数向量/>由第二层算法得到的。
本发明具有以下有益效果：
本发明综合考虑电流测量偏移和“数据饱和”现象，实现了储能电池等效电路模型参数的高效准确辨识；所提出的一种新型双层遗忘因子递推最小二乘储能电池模型参数在线辨识方法，通过第一层递推最小二乘算法对电池模型参数进行辨识，获得和/>作为第二层递推最小二乘算法的输入参数，从而得到电流测量偏移并进行修正，在第二层递推最小二乘算法估计的电流测量偏移比较准确的情况下，第一层递推最小二乘算法可以保证电池模型参数的精度；同时通过引入遗忘因子减小原始旧数据对新数据的影响，解决了传统递推最小二乘算法可能出现的“数据饱和”问题，为电池管理中模型参数的高准确性及高鲁棒性辨识提供了有益的参考与借鉴。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的新型双层遗忘因子递推最小二乘算法结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例针对传统最小二乘算法中易出现“数据饱和”及电流测量偏移等问题，提供一种新型双层遗忘因子递推最小二乘储能电池模型参数在线辨识方法；
如图1所示，本实施例所采用的技术方案如下：
S1，构建第一层递推最小二乘算法用于模型参数辨识；
S2，构建第二层递推最小二乘算法用于电流测量偏移修正，通过第一层递推最小二乘算法中所获得的参数和/>作为第二层递推最小二乘算法的输入参数，修正后的电流作为第一层递推最小二乘算法的输入参数；
具体迭代过程如下：
S1-1：根据所选储能电池Thevenin等效电路模型，得到电池的极化电压和端电压方程如式（1）所示。
（1）
式（1）中，是第k时刻的电池极化电压，/>是第k时刻的电池端电压，/>是第k时刻的电池开路电压，/>是第k时刻的负载电流。
S1-2：假设电池特征表示如式（2）所示：
（2）
S1-3：式（2）结合式（1）则有：
（3）
S1-4：通过定义得到模型参数的多项系数如式（4）所示。
（4）
式中，为参数系数。
是向量θ的参数，而最小二乘法目的为递推寻找/>，存在有/>时，目标函数J（θ）取得最小值。于是可对目标函数J（θ）求取的一阶导数，有/>时一阶导为零。
S1-5：将式（4）改写为如式（5）所示。
（5）
S1-6：将参数输出向量和数据输入向量定义为如式（6）所示。
（6）
式（6）中，为系统参数输出向量，/>为系统数据输入向量。
S1-7：其中，参数辨识部分可观察系统输出如式（7）所示。
（7）
式（7）中，为系统输出变量，/>为平稳零均值白噪声。
S1-8：电池模型参数辨识方程如式（8）所示。
（8）
S1-9：基于第一层递推最小二乘算法参数辨识预测误差如式（9）所示。
（9）
S1-10：则第一层遗忘因子递推最小二乘算法的计算流程如式（10）所示。
（10）
式（10）中，λ为第一层遗忘因子递推最小二乘算法的遗忘因子，λ设置为0.98；是第一层遗忘因子递推最小二乘的增益；/>是第一层遗忘因子递推最小二乘状态估计值的协方差矩阵，I是单位矩阵。
S2-1：假设BMS直接得到的测量电流的第k个采样点定义为，/>与/>的关系如式（11）所示。
（11）
其中，是第k时刻的电流测量偏移值。
S2-2：假设电流测量无偏移的前提，根据第一层的算法得到模型参数。采用第二层算法进行修正电流测量偏移。电池动态电压的预测使用/>和/>进行计算，电池动态电压计算公式如式（12）所示。
（12）
式（12）中，和/>是第二层算法/>的矩阵元素，/>是/>前一时刻的值。为了提高算法的准确性，将/>近似等于/>。
S2-3：与/>的误差计算方程如式（13）所示。
（13）
其中，是由电流测量偏移引起的动态电压误差，/>是预测的电池动态电压。
S2-4：定义电流测量偏移电压误差方程如式（14）所示。
（14）
式（14）中，，/>，/>。其中，是电流测量偏移电压误差系统输出，/>是已知的数据向量，而参数向量/>由第二层算法得到的。
S2-5：第二层遗忘因子递推最小二乘算法流程如式（15）所示。
（15）
其中，和/>是第二层遗忘因子递推最小二乘的增益和数据协方差矩阵；μ为第二层算法的遗忘因子，将μ设置为0.97。
基于电流测量偏移修正的新型双层遗忘因子递推最小二乘参数辨识方法的步骤如下：
第1步：初始化系数矩阵和协方差矩阵，设定电流测量偏移初始值，获取当前端电压和工作电流测量值；
第2步：输入第一层遗忘因子递推最小二乘的数据向量；
第3步：计算第一层遗忘因子递推最小二乘的增益和数据协方差矩阵/>；
第4步：计算第一层遗忘因子递推最小二乘的参数向量；
第5步：计算第一层遗忘因子递推最小二乘的端电压；
第6步：计算第一层遗忘因子递推最小二乘的端电压误差；
第7步：更新第一层遗忘因子递推最小二乘的参数向量；
第8步：输入第二层遗忘因子递推最小二乘的数据向量和/>；
第9步：计算第二层遗忘因子递推最小二乘的增益和数据协方差矩阵/>；
第10步：计算电流测量偏移的电压误差；
第11步：结合第9步和第10步，计算第二层遗忘因子递推最小二乘的参数向量；
第12步：修正电流测量偏移值；
第13步：返回第2步并循环迭代，直至设定的电流偏移初始值修正完成，循环迭代结束输出，通过公式（8）分离参数向量，得到电池等效电路模型全参数。
全参数是指：Thevenin模型的三个参数，R0、R1和C1；获得的参数用于后续的电池状态估计，例如电池SOC、SOE、SOP等状态。
以上，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，包括：
基于第一层递推最小二乘算法，进行电池等效电路模型参数辨识，获取预设参数和；
将所述预设参数和/>作为输入，基于第二层递推最小二乘算法，进行电流测量偏移修正，获取修正后的电流，再将修正后的电流作为第一层递推最小二乘算法的输入参数，进行迭代，获取电池等效电路模型全参数。
2.根据权利要求1所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，基于第一层递推最小二乘算法，进行电池等效电路模型参数辨识包括：
根据储能电池Thevenin等效电路模型，获取当前工作电流测量值；
将工作电流测量值转化为数据向量，输入至所述第一层递推最小二乘算法中，获取参数向量。
3.根据权利要求2所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，获取所述参数向量包括：
计算所述第一层递推最小二乘算法的增益K LS,k 和数据协方差矩阵P LS,k ；
基于所述增益K LS,k 和数据协方差矩阵P LS,k， 计算所述第一层递推最小二乘算法的所述参数向量；
计算所述第一层递推最小二乘算法的端电压y LS,k 以及端电压误差e LS,k ；
基于所述端电压误差e LS,k ，更新所述参数向量。
4.根据权利要求3所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，所述第一层递推最小二乘算法的表达式为：
其中，λ为第一层遗忘因子递推最小二乘算法的遗忘因子，K LS,k 是第一层遗忘因子递推最小二乘的增益，P LS,k 是第一层遗忘因子递推最小二乘状态估计值的误差协方差矩阵，I是单位矩阵，/>为第一层遗忘因子递推最小二乘数据向量的转置，/>为第一层遗忘因子递推最小二乘数据向量，/>为第一层遗忘因子递推最小二乘参数向量，/>为系统的输出向量。
5.根据权利要求3所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，所述端电压误差e LS,k 的表达式为：
其中，/>为电池模型的端电压，/>为第一层遗忘因子递推最小二乘参数向量，/>为第一层遗忘因子递推最小二乘数据向量。
6.根据权利要求2所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，获取所述电池等效电路模型全参数包括：
将所述预设参数和/>作为输入，计算所述第二层递推最小二乘算法的增益K Lb,k 和数据协方差矩阵P Lb,k ；
基于所述增益K Lb,k 和数据协方差矩阵P Lb,k ，计算所述第二层递推最小二乘算法的参数向量；
基于所述参数向量，修正电流测量偏移值，获取修正后的电流；
将修正后的电流转化为数据向量，重新输入至所述第一层递推最小二乘算法中，进行迭代，获取所述电池等效电路模型全参数。
7.根据权利要求6所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，所述第二层递推最小二乘算法的表达式为：
其中，μ为第二层算法的遗忘因子，/>为第二层遗忘因子递推最小二乘数据协方差矩阵，/>为第二层遗忘因子递推最小二乘数据向量的转置，/>为第二层遗忘因子递推最小二乘数据向量，/>为第二层遗忘因子递推最小二乘数据协方差矩阵，/>为第二层遗忘因子递推最小二乘参数向量，/>为第二层遗忘因子递推最小二乘的增益，/>为电流测量偏移电压误差。
8.根据权利要求7所述的双层遗忘因子递推最小二乘电池模型参数在线辨识方法，其特征在于，电流测量偏移电压误差为：
其中，y Lb,k 是电流测量偏移电压误差系统输出，/>是已知的数据向量，而参数向量/>由第二层算法得到的。
CN202410078084.4A 2024-01-19 2024-01-19 双层遗忘因子递推最小二乘电池模型参数在线辨识方法 Pending CN117591796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410078084.4A CN117591796A (zh) 2024-01-19 2024-01-19 双层遗忘因子递推最小二乘电池模型参数在线辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410078084.4A CN117591796A (zh) 2024-01-19 2024-01-19 双层遗忘因子递推最小二乘电池模型参数在线辨识方法

Publications (1)

Publication Number Publication Date
CN117591796A true CN117591796A (zh) 2024-02-23

Family

ID=89912045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410078084.4A Pending CN117591796A (zh) 2024-01-19 2024-01-19 双层遗忘因子递推最小二乘电池模型参数在线辨识方法

Country Status (1)

Country Link
CN (1) CN117591796A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107367692A (zh) * 2017-06-07 2017-11-21 东莞市德尔能新能源股份有限公司 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法
CN112433161A (zh) * 2020-10-12 2021-03-02 珠海格力电器股份有限公司 一种电池参数自动辨识方法
CN113761726A (zh) * 2021-08-19 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种锂电池参数辨识方法及系统
CN115598541A (zh) * 2022-12-01 2023-01-13 西南科技大学（Cn） 基于遗忘因子自适应反馈修正的电池能量状态评估方法
CN115656839A (zh) * 2022-12-21 2023-01-31 四川帝威能源技术有限公司 基于bp-dekf算法的电池状态参量协同估算方法
CN116047308A (zh) * 2023-01-18 2023-05-02 长春理工大学 一种基于pid控制与dekf的锂电池soc估算方法
CN116754959A (zh) * 2023-06-18 2023-09-15 哈尔滨理工大学 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法
CN116861155A (zh) * 2023-09-08 2023-10-10 青岛科技大学 一种非线性模型下锂电池的遗忘因子梯度下降算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107367692A (zh) * 2017-06-07 2017-11-21 东莞市德尔能新能源股份有限公司 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法
CN112433161A (zh) * 2020-10-12 2021-03-02 珠海格力电器股份有限公司 一种电池参数自动辨识方法
CN113761726A (zh) * 2021-08-19 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种锂电池参数辨识方法及系统
CN115598541A (zh) * 2022-12-01 2023-01-13 西南科技大学（Cn） 基于遗忘因子自适应反馈修正的电池能量状态评估方法
CN115656839A (zh) * 2022-12-21 2023-01-31 四川帝威能源技术有限公司 基于bp-dekf算法的电池状态参量协同估算方法
CN116047308A (zh) * 2023-01-18 2023-05-02 长春理工大学 一种基于pid控制与dekf的锂电池soc估算方法
CN116754959A (zh) * 2023-06-18 2023-09-15 哈尔滨理工大学 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法
CN116861155A (zh) * 2023-09-08 2023-10-10 青岛科技大学 一种非线性模型下锂电池的遗忘因子梯度下降算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEIWEI HUO 等: "Joint estimation for SOC and capacity after current measurement of offset redress with two-stage forgetting factor recursive least square method", 《JOURNAL OF POWER ELECTRONICS》, vol. 23, 10 August 2023 (2023-08-10), pages 1942 - 1953 *
叶明 等: "双遗忘因子最小二乘法车辆质量和时变坡度估计", 《重庆理工大学学报（自然科学）》, vol. 37, no. 6, 16 May 2023 (2023-05-16), pages 1 - 9 *
鲍宸浩 等: "基于FFRLS算法的电池模型", 《山东交通学院学报》, vol. 28, no. 1, 21 April 2020 (2020-04-21), pages 10 - 16 *

Similar Documents

Publication Publication Date Title
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
Tang et al. Design of power lithium battery management system based on digital twin
CN113190969B (zh) 一种基于信息评估机制的锂电池模型参数辨识方法
CN110806541A (zh) 一种基于ad-bas的锂电池模型参数辨识方法
CN115598541B (zh) 基于遗忘因子自适应反馈修正的电池能量状态评估方法
CN112858920B (zh) 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法
CN112285569B (zh) 一种基于动态阈值模型的电动汽车故障诊断方法
CN111985154B (zh) 一种自适应模糊卡尔曼估计soc算法
CN112580284A (zh) 一种混合电容器等效电路模型及在线参数辨识方法
CN114264964B (zh) 一种电池容量评估的方法、装置、设备及介质
Long et al. Model parameters online identification and SOC joint estimation for lithium-ion battery based on a composite algorithm
Chen et al. A novel combined estimation method of online full‐parameter identification and adaptive unscented particle filter for Li‐ion batteries SOC based on fractional‐order modeling
CN115166530A (zh) 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法
CN112147514A (zh) 基于rls的锂电池全工况自适应等效电路模型
Zhang et al. Estimation of state‐of‐energy for lithium batteries based on dual adaptive particle filters considering variable current and noise effects
CN112881918B (zh) 一种铅酸电池soc估计方法
CN117591796A (zh) 双层遗忘因子递推最小二乘电池模型参数在线辨识方法
Sun et al. Aging mechanism analysis and capacity estimation of lithium-ion battery pack based on electric vehicle charging data
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN115902667B (zh) 基于权重和容积点自适应的锂电池soc估计方法
CN114152887A (zh) 一种基于fer融合算法的锂电池soc估算方法
CN116224114A (zh) 一种锂电池电化学阻抗谱在线求解方法及系统
CN115575835A (zh) 一种锂离子电池峰值功率预估方法
CN115639482A (zh) 电池剩余电量估计方法及装置
CN115144768A (zh) 一种动力锂电池soc在线估计方法

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