LU504545B1 - Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors - Google Patents
Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors Download PDFInfo
- Publication number
- LU504545B1 LU504545B1 LU504545A LU504545A LU504545B1 LU 504545 B1 LU504545 B1 LU 504545B1 LU 504545 A LU504545 A LU 504545A LU 504545 A LU504545 A LU 504545A LU 504545 B1 LU504545 B1 LU 504545B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- model parameters
- moment
- energy state
- subscript
- parameters
- Prior art date
Links
- 238000012937 correction Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 46
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 239000013256 coordination polymer Substances 0.000 claims 1
- 230000032683 aging Effects 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- ALEXXDVDDISNDU-JZYPGELDSA-N cortisol 21-acetate Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@@](C(=O)COC(=O)C)(O)[C@@]1(C)C[C@@H]2O ALEXXDVDDISNDU-JZYPGELDSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Claims (7)
1. Ein Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlage einer adaptiven Rückkopplungskorrektur von Vergessensfaktoren, umfassend: S1, Erfassen von Modellparametern der Lithium-lonen-Batterie, und Diskretisieren der Modellparameter, um diskrete Modellparameter zu erhalten; S2, Schätzen von Modellparametern auf der Grundlage eines adaptiven Vergessensfaktor-Algorithmus der rekursiven kleinsten Quadrate und Trennen der Modellparameter, um Trennparameter zu erhalten; S3, Ermitteln eines Modellfehlers auf der Grundlage der diskreten Modellparameter und der Trennparameter; S4: auf der Grundlage des Modellfehlers wird eine Fuzzy-Logik-Steuerung eingesetzt, um S2-S3 zirkulär auszuführen, und der Vergessensfaktor wird adaptiv angepasst, um die endgültigen Modellparameter zu erhalten; S5, Schätzen des Energiezustands auf der Grundlage der endgültigen Modellparameter, um ein endgultiges Vorhersageergebnis für Energiezustand zu erhalten.
2. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlage einer adaptiven Rückkopplungskorrektur von Vergessensfaktoren nach Anspruch 1, wobei die Formel zur Ermittlung der Modellparameter der Lithium-lonen-Batterie in S1 und zur Diskretisierung der Modellparameter wie folgt lautet: Ya FUoc TU, = Cr +EŸ HCl, +eu +e, (1), wobei Voc die Leerlaufspannung ist: U, die beobachtete Variable des Arbeitsspannungsausgangs ist; “die Eingangssteuervariable des Systems ist; c1, c2, c3, c4 und c5 entsprechende konstante Koeffizienten sind; Feu die Differenz der Zeitgleichung von k+1 ist; der tiefgestellte Index k das k-te Moment ist; der tiefgestellte Index k+1 das k+1-te Moment ist; der tiefgestellte Index k-1 das k-1-Moment ist; der tiefgestellte Index k-2 das k-2-Moment ist.
3. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlagé/504545 einer adaptiven Ruckkopplungskorrektur von Vergessensfaktoren nach Anspruch 1, wobei eine Formel zum Schätzen von Modellparametern auf der Grundlage eines adaptiven Vergessensfaktor-Algorithmus der rekursiven kleinsten Quadrate und zum Trennen der Modellparameter, um Trennparameter zu erhalten, umfasst: Y,=h'0+v, h, = [Ya Yi, Ur Uy u, ] (2), 0 =|c, c, cc, Cs] 1% = 8, +; waded feat | Yous —} Pa Ha 5 A "Fos a if N es =} Ly + BE es(3), T7 wobei ‘x die Differenz der Gleichung zum Zeitpunkt k ist, 9 die zu identifizierende Variable des Systems ist und 9 der geschätzte Wert der zu identifizierende Variable des Systems ist, Yi das Beobachtungsrauschen des Systems zum Zeitpunkt k, d.h. die Rauschmatrix, ist; B die Kovarianzmatrix des Vorhersagefehlers zum Zeitpunkt k ist; T ist die Abtastzeit der Spannung und des Stroms der Lithium-lonen-Batterie; ” der Vergessensfaktor ist: h die Parametermatrix ist; der tiefgestellte Index k das k-te Moment ist; der tiefgestellte Index k+1 das k+1-te Moment ist; der tiefgestellte Index k-1 das k-1-Moment ist; der tiefgestellte Index k-2 das k-2-Moment ist.
4. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlage einer adaptiven Rückkopplungskorrektur von Vergessensfaktoren nach Anspruch 1, wobei der Prozess der Abschätzung des Energiezustands auf der Grundlage der endgültigen Trennparameter umfasst: Durchführung einer vorherigen Schätzung auf der Grundlage der endgültigen Modellparameter, um einen anfänglichen Vorhersagewert zu erhalten; Berechnen einer Kalman-Verstärkung;
Durchführung einer nachträglichen Schätzung und Korrektur des anfanglichdd/504545 Vorhersagewerts auf der Grundlage der Kalman-Verstärkung, um ein endgültiges Vorhersageergebnis für Energiezustand zu erhalten.
5. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlage einer adaptiven Rückkopplungskorrektur von Vergessensfaktoren nach Anspruch 4, wobei Durchführung der vorherigen Schätzung auf der Grundlage der endgültigen Modellparameter zum Erhalt eines anfänglichen Vorhersagewerts umfasst: Erhalten der Energiezustandsgleichung der Lithium-lonen-Batterie auf der Grundlage des Kirchhoff'schen Spannungsgesetzes und des Kirchhoff'schen Stromgesetzes; Erhalten einer Vorhersagegleichung auf der Grundlage der Gleichung zur Beobachtung des Energiezustands der Lithium-lonen-Batterie und der endgültigen Modellparameter; Durchführen einer vorherigen Schätzung auf der Grundlage der Vorhersagegleichung, um einen anfanglichen Vorhersagewert zu erhalten.
6. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlage einer adaptiven Ruckkopplungskorrektur von Vergessensfaktoren nach Anspruch 4, wobei die Berechnungsformel für die Kalman-Verstärkung wie folgt lautet: — K, = pC" (cp. C” + Rı) (4), wobei Len die Kovarianzmatrix des Vorhersagefehlers zum Zeitpunkt k+1 ist; Kin die Kalman-Verstarkung zum Zeitpunkt k+1 ist; C die Systembeobachtungsmatrix ist; T die Abtastzeit der Spannung und des Stroms der Lithium-lonen-Batterie ist; KR die beobachtete Kovarianz zum Zeitpunkt k ist; der tiefgestellte Index k das k-te Moment ist: der tiefgestellte Index k+1 das k+1-Moment ist.
7. Das Verfahren zur Bewertung des Energiezustands einer Batterie auf der Grundlagé/504545 einer adaptiven Ruckkopplungskorrektur von Vergessensfaktoren nach Anspruch 6, wobei die Durchführung einer nachträglichen Schätzung und Korrektur des anfänglichen Vorhersagewerts auf der Grundlage der Kalman-Verstärkung zum Erhalt eines endgültigen Vorhersageergebnisses für Energiezustand umfasst: Var = Yoo Xn + Dig)
PO RY wobei + der Vorhersagefehler der beobachteten Variablen zum Zeitpunkt k+1 ist; Ast der Prädiktor der Zustandsvariablen zum Zeitpunkt k+1 ist Year die Zustandsvariable zum Zeitpunkt k+1 auf der Grundlage der Vorhersage der Zustandsvariablen zum Zeitpunkt K ist; uk+1 die Eingangssteuervariable des Systems zum Zeitpunkt k+1 ist, C und D Systembeobachtungsmatrizen sind; Kk+1 die Kalman-Verstärkung zum Zeitpunkt k+1 ist fx die Fehler-Kovarianz-Matrix zum
>
Zeitpunkt k+1 ist Feo die Fehler-Kovarianz-Matrix zum Zeitpunkt k+1 ist, vorhergesagt zum Zeitpunkt k; E die Identitätsmatrix ist; der tiefgestellte Index k der k-te Zeitpunkt ist; der tiefgestellte Index k+1 den k+1-ten Zeitpunkt bezeichnet; ‘+ die beobachtete Variable zum Zeitpunkt k+1 ist.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU504545A LU504545B1 (en) | 2023-06-20 | 2023-06-20 | Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU504545A LU504545B1 (en) | 2023-06-20 | 2023-06-20 | Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| LU504545B1 true LU504545B1 (en) | 2023-12-21 |
Family
ID=89459902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU504545A LU504545B1 (en) | 2023-06-20 | 2023-06-20 | Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors |
Country Status (1)
| Country | Link |
|---|---|
| LU (1) | LU504545B1 (de) |
-
2023
- 2023-06-20 LU LU504545A patent/LU504545B1/en active IP Right Grant
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
| Azis et al. | State of charge (SoC) and state of health (SoH) estimation of lithium-ion battery using dual extended kalman filter based on polynomial battery model | |
| DE112021004346T5 (de) | Stromprüfung von Zellen in mehrzelligen Batteriepaketen | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN110311398B (zh) | 一种新型储能电池系统的连接拓扑、控制系统及方法 | |
| CN115598541A (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 | |
| Jiang et al. | A novel adaptive extended Kalman filtering and electrochemical-circuit combined modeling method for the online ternary battery state-of-charge estimation | |
| Zhou et al. | Online State of Health Estimation for Series-Connected LiFePO₄ Battery Pack Based on Differential Voltage and Inconsistency Analysis | |
| CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
| CN117836644A (zh) | 二次电池的健康状态估计方法、二次电池的健康状态估计程序及二次电池的健康状态估计装置 | |
| CN116008811A (zh) | 电池剩余容量、soc及自放电量在线联合估计方法及系统 | |
| CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
| LU504545B1 (en) | Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors | |
| Li et al. | A novel state of charge estimation for energy storage systems based on the joint NARX network and filter algorithm | |
| Zhang et al. | State of charge estimation of lithium battery based on FFRLS-SRUKF algorithm | |
| Lu et al. | Optimal Charging of Lithium-ion Batteries Based on Model Predictive Control Considering Lithium Plating and Cell Temperature | |
| CN114879053B (zh) | 一种储能磷酸铁锂电池寿命预测方法 | |
| Chen et al. | DEKF-based SOC estimation study for lithium batteries | |
| CN112364471A (zh) | 基于Thevenin模型和无迹卡尔曼的锂电池SOC估算方法研究 | |
| Lu et al. | Multi-objective Optimal Charging Strategy for Lithium-ion Battery based on Model Predictive Control and Li plating Detection | |
| CN114545259A (zh) | 蓄电池容量评估方法、计算机装置及存储介质 | |
| CN115792625A (zh) | 基于神经网络的锂电池soc估计方法、系统、设备及介质 | |
| CN112130081B (zh) | 一种快速实现铅酸电池soc估计方法 | |
| CN115113053A (zh) | 一种基于高自适应性滤波算法的锂电池soc估计方法 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20231221 |