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 PDF

Info

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
Application number
LU504545A
Other languages
English (en)
Inventor
Wen Cao
Shunli Wang
Qi Huang
Jian Wang
Fei Li
Yi Wang
Quanwen Liu
Yuhong Jin
Chao Chen
Donglei Liu
Original Assignee
Univ Sw Sci & Tech Swust
Sichuan Diwei Energy Tech Co Ltd
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 Univ Sw Sci & Tech Swust, Sichuan Diwei Energy Tech Co Ltd filed Critical Univ Sw Sci & Tech Swust
Priority to LU504545A priority Critical patent/LU504545B1/en
Application granted granted Critical
Publication of LU504545B1 publication Critical patent/LU504545B1/en

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical 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)

PATENTANSPRUCHE LU504545
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.
LU504545A 2023-06-20 2023-06-20 Evaluation method of battery energy state based on adaptive feedback correction of forgetting factors LU504545B1 (en)

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)

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