复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8231243gydF4y2Ba 8231243gydF4y2Ba 研究文章gydF4y2Ba 在线使用粒子基于过滤器的锂电池电荷状态估计混合滤波方法gydF4y2Ba https://orcid.org/0000 - 0002 - 5456 - 4931gydF4y2Ba 张gydF4y2Ba 明gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 3513 - 3511gydF4y2Ba 王gydF4y2Ba 凯gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 2817 - 9220gydF4y2Ba 周gydF4y2Ba Yan-tinggydF4y2Ba 1gydF4y2Ba MrugalskigydF4y2Ba 戈gydF4y2Ba 电气工程学院gydF4y2Ba 青岛大学gydF4y2Ba 青岛266071年gydF4y2Ba 中国gydF4y2Ba qdu.edu.cngydF4y2Ba 2020年gydF4y2Ba 10gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 16gydF4y2Ba 02gydF4y2Ba 2019年gydF4y2Ba 13gydF4y2Ba 05年gydF4y2Ba 2019年gydF4y2Ba 15gydF4y2Ba 06gydF4y2Ba 2019年gydF4y2Ba 10gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020明Zhang et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

基于过滤的电荷状态(SOC)估计一般以等效电路模型扩展到锂离子电池(锂)电动汽车(EV)或类似的能量存储应用程序。在过去的几十年中,不同的在线参数辨识,如卡尔曼滤波器的实现已经在文学。然而,如果系统是一个移动的电动汽车在加速或再生制动或使用加热或空调时,大部分的现有工作遭受贫穷的状态和状态估计误差协方差预测,导致算法的精度退化的问题。在这个帐户,本文提出一种粒子基于过滤器混合滤波方法特别是对SOC估计电动汽车的锂离子电池。采样重要性重采样粒子滤波结合使用标准卡尔曼滤波器和一个无味卡尔曼滤波作为粒子滤波的建议分布更迅速、更准确。试验结果表明,状态估计的误差小于0.8%,尽管当前测量噪声与偏差0.05添加剂。gydF4y2Ba

 山东省科学技术部门gydF4y2Ba 2019年ggx103022gydF4y2Ba 1。介绍gydF4y2Ba

基于锂电池的能量储存技术已成为一个关键的推动者电网电网和电动交通行业目标由于其有益的属性(gydF4y2Ba 1gydF4y2Ba]。技术挑战出现在确保安全、可靠、耐用的锂离子电池固定和车辆应用程序要求大量的能源和电力,使电池技术的限制,需要开发复杂的电池管理系统(BMS)的gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

准确的SOC估计起着不可或缺的作用,控制策略的设计和性能优化的BMS电池系统。作为一个关键指标的可用能源在锂离子电池SOC不能直接测量。幸运的是,它可以通过各种评估方法基于库仑数、开路电压(缴纳),电化学阻抗谱(EIS),或电池建模方法结合机器学习或现代控制理论。在过去的几十年里,大量的SOC估计方法已经提出了文献[gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 32gydF4y2Ba]。特别是,最新的比较研究和评论的最常用的锂离子电池SOC估计方法提出了在gydF4y2Ba 33gydF4y2Ba- - - - - -gydF4y2Ba 40gydF4y2Ba]。gydF4y2Ba

在[gydF4y2Ba 33gydF4y2Ba],赖昌星等人进行比较分析11等效电路模型(ecm)和SOC估计错误和ecm鲁棒性的比较研究,在应用遗传算法进行参数辨识和优化和EKF算法被用来估计LiNMC电池的SOC在新欧洲行驶循环(NEDC)。值得注意的是,结果表明,一阶和二阶RC模型LiNMC电池的最佳选择是由于资产的准确性和可靠性。此外,赖昌星等人进行比较研究了九ecm使用九优化器在整个SOC区域通过实现模型参数优化,并进一步提到作品的设计需要解决复杂的BMS的准确在线识别模型参数计算负担较低的微控制器(gydF4y2Ba 34gydF4y2Ba]。在[gydF4y2Ba 35gydF4y2Ba),汉纳等人也进行全面审查的锂电池SOC估计和管理系统在电动汽车的应用程序的挑战者和建议。gydF4y2Ba

迄今为止,已有多种方法被不断被开发来提高SOC估计的准确性,取得一个理想的稳定性和鲁棒性在同一时间。同样重要的是,在线SOC估计方法的误差来源有待进一步调查。在[gydF4y2Ba 41gydF4y2Ba],郑等人使用错误流程图分析从信号测量电池SOC误差源建模和估计算法。gydF4y2Ba

虽然库仑数本身提供了更好的短期精度,从长远来说它遭受缺乏一个精确的参考点和不可接受的抵消漂移,严重降低精度(gydF4y2Ba 7gydF4y2Ba]。因此,库仑数通常是与卡尔曼滤波器结合使用或锂离子电池电压转换为电动汽车应用。gydF4y2Ba

EIS是一个非常强大的方式来分析锂离子电池的状态和检测锂离子电池退化通过测量阻抗要求额外的信号发生器对不同频率的正弦交流电或广场波形作为输入信号和额外计算信号从时域转换到频域(gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 13gydF4y2Ba]。然而,考虑到长时间的测量和计算以及温度的显著影响和健康状况(SOH)阻抗变化,阻抗光谱学方法不是一个实际的选择准确的SOC估算在电动汽车的应用程序。gydF4y2Ba

另外,使用ECM的电池,可以提取的SOC估算开路电压(缴纳),然后通过使用查找表通常可以从电池制造商。同时,人工智能方法如神经网络和模糊逻辑可用于SOC估计(gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 19gydF4y2Ba]。基于模型的方法,同时使用可以使用电流和电压测量和在线参数辨识,如卡尔曼滤波器,这是迄今为止最常用的。该方法引入了Plett (gydF4y2Ba 42gydF4y2Ba- - - - - -gydF4y2Ba 44gydF4y2Ba)导致了各种实现基于卡尔曼滤波器的SOC估计电动汽车。基于粒子滤波的SOC估计方法是最近提出了一个更好的性能在gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 25gydF4y2Ba]。gydF4y2Ba

在电池领域的造型,虽然物理基础电化学模型可以预测的空间分布行为的基本状态电池,所需的在线计算成为microcontroller-based BMS非常耗时的任务。因此,它仍然是一个挑战设计和构建准确在线SOC估计算法的BMS减少整个电化学模型由偏微分方程和代数方程,得到理想的精度和运算速度。在[gydF4y2Ba 2gydF4y2Ba),详细描述和电化学模型,从控制的角度提出了一种锂离子电池。gydF4y2Ba

电化学模型,简化的锂电池模型是新配方,以方便计算。在[gydF4y2Ba 45gydF4y2Ba),韩寒等人引入一种改进的单粒子模型(SPM)精度高,相同级别的计算与原始SPM和发展一个简化的伪二维模型。Bizeray等人应用了EKF算法thermal-electrochemical P2D模型解决了利用切比雪夫正交搭配的电池状态估计Bizeray et al。gydF4y2Ba 46gydF4y2Ba]。gydF4y2Ba

减少电压误差和提供满意的估计精度低SOC地区扩展基于SPM使用ECM表面SOC的知识提出了(gydF4y2Ba 47gydF4y2Ba),提出了一种拟合结果比ECM SOC低于20%,使用遗传算法对模型参数识别。然而,SPM中的错误发生大值应用电流或电流脉冲期间放松之后长期以来SPM不模型空间变化状态的细胞。这些空间变化更加突出的细胞为长时间大电流或脉冲。gydF4y2Ba

基于上面的文献综述,据我们所知,SOC估计算法基于ECM和KF仍将是百时美施贵宝在电动汽车的应用程序的首选。为了准确估计线性和非线性的影响参数对SOC估计分别和进一步实现无偏估计基于概率密度的评价可能的SOC真正价值,一个粒子基于过滤器的混合滤波方法提出了。在该算法中,锂离子电池SOC是初步估计的耦合的卡尔曼滤波器结合标准卡尔曼滤波器与无味卡尔曼滤波(UKF)占模型参数的线性和非线性效应。此外,粒子滤波算法集成到该算法的校正SOC估计概率密度估计的基础上可能的SOC真实价值。最后,综合测试包括脉冲充电测试,城市测力计开车进度(udd)测试,和混合充电和放电测试进行验证该算法的合理性和有效性。gydF4y2Ba

 2。该混合滤波算法的实现gydF4y2Ba

在本节中,粒子基于过滤器的混合滤波方法是详细解释。该算法的原理流程图如图gydF4y2Ba 1gydF4y2Ba。标准卡尔曼滤波器负责估算ECM的主电路电阻。在此基础上,初步SOC和极化参数同时估计无味卡尔曼滤波器。最后,基于安时,缴纳和基于模型的SOC估计方法结合粒子滤波爵士,和公正的校正。除了提高SOC估计精度,融合不同的方法提供了一个框架的概念发展的先进和智能评估算法。gydF4y2Ba

提出了混合滤波算法的框架。gydF4y2Ba

 2.1。锂离子电池等效电路模型gydF4y2Ba

在这项工作中,锂离子电池的双极化等效模型用于协助等效电阻和极化参数的估计是必不可少的初步基于UKF的SOC估算。锂离子电池的ECM图所示gydF4y2Ba 2gydF4y2Ba。电池电压是由方程(gydF4y2Ba 1gydF4y2Ba),两个RC电路的微分方程表达的方程(gydF4y2Ba 2gydF4y2Ba)- (gydF4y2Ba 3gydF4y2Ba),gydF4y2Ba UgydF4y2Ba rgydF4y2Ba 可以通过方程(表示gydF4y2Ba 4gydF4y2Ba)。gydF4y2Ba (1)gydF4y2Ba UgydF4y2Ba =gydF4y2Ba UgydF4y2Ba OgydF4y2Ba CgydF4y2Ba VgydF4y2Ba +gydF4y2Ba UgydF4y2Ba rgydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (2)gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba RgydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (4)gydF4y2Ba UgydF4y2Ba rgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba rgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba

其中,gydF4y2Ba UgydF4y2Ba 测量电压,gydF4y2Ba UgydF4y2Ba OgydF4y2Ba CgydF4y2Ba VgydF4y2Ba 开路电压,gydF4y2Ba UgydF4y2Ba rgydF4y2Ba 由阻抗引起的电压降主电路,gydF4y2Ba UgydF4y2Ba cgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba UgydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 由电阻电容引起的电压降(RC)电路,gydF4y2Ba kgydF4y2Ba 是测量时间步。gydF4y2Ba

锂离子电池的等效电路模型。gydF4y2Ba

现在,所有项目(gydF4y2Ba 1gydF4y2Ba)给出直接或通过迭代除外gydF4y2Ba UgydF4y2Ba OgydF4y2Ba CgydF4y2Ba VgydF4y2Ba 。gydF4y2Ba UgydF4y2Ba OgydF4y2Ba CgydF4y2Ba VgydF4y2Ba 将在以下小节SOC-OCV给出的曲线。gydF4y2Ba

 2.2。SOC-OCV曲线gydF4y2Ba

开路电压(缴纳)是稳定电压电池后休息了很长一段时间。之间的关系为不同的锂离子电池SOC和缴纳不同的,和SOC之间的映射和缴纳的一种特定的电池是独一无二的。而且,这种映射保持不变在电池使用寿命,使一个可靠的SOC估算。然而,缴纳阻止我们的定义在网络应用程序中使用缴纳。gydF4y2Ba

在这里,脉冲充电/放电过程,得到预期的SOC-OCV曲线。脉冲充电/放电的结果是通过使用一个工业电池和电池测试设备图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

SOC-OCV曲线下的锂离子电池测试。gydF4y2Ba

上面的曲线代表脉冲充电测试的数据,而较低的脉冲放电实验的结果。通过拟合的数据测试,电池的极化效应最小化和SOC-OCV曲线可以派生,记录为缴纳=gydF4y2Ba fgydF4y2Ba(SOC)。因此,方程(gydF4y2Ba 1gydF4y2Ba)可以写成方程(5),这是锂离子电池ECM的完整描述,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba (5)gydF4y2Ba UgydF4y2Ba kgydF4y2Ba =gydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba CgydF4y2Ba +gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba rgydF4y2Ba kgydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

然而,值得注意的是,上下曲线之间的差异变得越来越重要当SOC达到约0.95,导致不准确的gydF4y2Ba fgydF4y2Ba(SOC)。gydF4y2Ba

 2.3。耦合的卡尔曼滤波器gydF4y2Ba

在方程(测量模型制定后gydF4y2Ba 5gydF4y2Ba)获得,耦合的卡尔曼滤波器设计的梳理标准卡尔曼滤波器和UKF。标准卡尔曼滤波器应该估计主电路电阻的值gydF4y2Ba rgydF4y2Ba kgydF4y2Ba 迭代,而利用UKF估计SOC和RC电路参数的值。gydF4y2Ba

应该提到,作为标准卡尔曼滤波状态空间模型是基于线性高斯患有发散现象,只有主电路电阻gydF4y2Ba rgydF4y2Ba 估计,而极化参数,同时,RC参数和SOC估计无味卡尔曼滤波器。gydF4y2Ba

2.3.1。标准卡尔曼滤波器gydF4y2Ba

标准KF可以构造如下:gydF4y2Ba

系统状态gydF4y2Ba (6)gydF4y2Ba xgydF4y2Ba ngydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba rgydF4y2Ba ngydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

观察gydF4y2Ba (7)gydF4y2Ba ygydF4y2Ba ngydF4y2Ba =gydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba −gydF4y2Ba UgydF4y2Ba OgydF4y2Ba CgydF4y2Ba VgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

在转换系统状态方程参数gydF4y2Ba (8)gydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba =gydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ngydF4y2Ba =gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba tgydF4y2Ba /gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba (9)gydF4y2Ba τgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 0.02gydF4y2Ba ,gydF4y2Ba τgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

系统控制输入:gydF4y2Ba (10)gydF4y2Ba ugydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

测量矩阵:gydF4y2Ba (11)gydF4y2Ba HgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

预测测量:gydF4y2Ba (12)gydF4y2Ba zgydF4y2Ba ^gydF4y2Ba ngydF4y2Ba =gydF4y2Ba HgydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ^gydF4y2Ba ngydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

与方程(gydF4y2Ba 6gydF4y2Ba)- (gydF4y2Ba 12gydF4y2Ba),标准卡尔曼滤波器的算法可以实现的。在方程(gydF4y2Ba 8gydF4y2Ba),2 RC电路的时间常数是固定的方程(gydF4y2Ba 9gydF4y2Ba)。两个常数由更小的和更大的值,以确保短期和长期的极化效应可以尽可能模拟。一方面,当前的电池应该是相对较小;然后小时间常数可以提供快速反应的极化电压。另一方面,远程极化电压能保持如果当前是相对较高的。除此之外,gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 和gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 不应该改变KF确保电压微分方程(gydF4y2Ba 2gydF4y2Ba)和(gydF4y2Ba 3gydF4y2Ba)感到满意。因此,系统状态方程的算法更新标准卡尔曼滤波器需要取而代之的是方程(gydF4y2Ba 13gydF4y2Ba)。gydF4y2Ba (13)gydF4y2Ba xgydF4y2Ba ^gydF4y2Ba ngydF4y2Ba ngydF4y2Ba =gydF4y2Ba xgydF4y2Ba ^gydF4y2Ba ngydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba WgydF4y2Ba KgydF4y2Ba ngydF4y2Ba WgydF4y2Ba TgydF4y2Ba ygydF4y2Ba ngydF4y2Ba −gydF4y2Ba HgydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba ^gydF4y2Ba ngydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba WgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

2.3.2。无味卡尔曼滤波gydF4y2Ba

在前面的小节中,电容器的电压迭代和主电路阻抗估计标准卡尔曼滤波器,它只能处理线性估计。在ECM剩余的动力学参数,包括电阻在RC电路和SOC,可能更困难和高度非线性,非线性估计是必需的。采用确定性抽样方法,UKF能达到高阶精度比EKF比这些参数的估计。gydF4y2Ba

时变极化效应主要表现为RC电路中的电阻,UKF可以应用于估计gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 。标准KF可以构造如下:gydF4y2Ba

系统状态:gydF4y2Ba (14)gydF4y2Ba xgydF4y2Ba ngydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

观察:gydF4y2Ba (15)gydF4y2Ba ygydF4y2Ba ngydF4y2Ba =gydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba −gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba −gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba −gydF4y2Ba UgydF4y2Ba rgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

系统控制输入:gydF4y2Ba (16)gydF4y2Ba ugydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

参数在过渡状态方程的系统(gydF4y2Ba 17gydF4y2Ba),是电池的额定容量的能力。该算法的容量保持不变。gydF4y2Ba (17)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba =gydF4y2Ba dgydF4y2Ba tgydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ygydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

测量功能:gydF4y2Ba (18)gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba ngydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba τgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba τgydF4y2Ba 1gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba τgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba /gydF4y2Ba τgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

与方程(gydF4y2Ba 14gydF4y2Ba)- (gydF4y2Ba 18gydF4y2Ba),UKF算法可以实现。gydF4y2Ba

 2.4。修正粒子滤波爵士gydF4y2Ba

对非线性状态空间模型、系统模型和度量模型都是非线性的,基本上有两种方法来计算一个近似解,当地近似和全球近似。而不是近似局部估计系统的状态,全球逼近贝叶斯估计框架制定解决方案。SIP可以利用粒子滤波实现全球近似,这是能够估计参数的非线性模型与nongaussian噪声实时应用程序。gydF4y2Ba

在抽样程序,串行的粒子和选择相应的权重根据重要性分布系统状态,之后可以进行重采样,使用对应的权重来描述离散可能性分布函数。gydF4y2Ba

爵士粒子的就业功能介绍以下优点。gydF4y2Ba

耦合的卡尔曼滤波器的SOC估算结果,安时计数器被视为可能性分布。前者是用来画样本,而后者反映在选择权重。gydF4y2Ba

使用SOC估计通过卡尔曼滤波器和电路模型,估计电池电压提出了可能性分布函数。一起安时计数器的PDF,测量的电压和PDF的区别决定了样品的重量。gydF4y2Ba

模型为基础,基于安时和缴纳方法相结合的框架先生粒子过滤器,它可以处理高度非线性系统。gydF4y2Ba

爵士的详细实现修正下面证明粒子滤波。gydF4y2Ba

构造重要性分布(gydF4y2Ba 19gydF4y2Ba)使用gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 和gydF4y2Ba PgydF4y2Ba ngydF4y2Ba |gydF4y2Ba ngydF4y2Ba 从之前的部分。因为SOC的方差确定粒子的分散,更大的方差将需要更大的粒子数达到一个稳定的估计。考虑计算的努力,一个系数gydF4y2Ba kgydF4y2Ba 介绍了窄的协变方程(gydF4y2Ba 20.gydF4y2Ba)。的价值gydF4y2Ba kgydF4y2Ba ,我们将它设置为0.6,是一个权衡的准确性和计算速度。gydF4y2Ba (19)gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ∼gydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba PgydF4y2Ba ngydF4y2Ba ngydF4y2Ba ,gydF4y2Ba (20)gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ∼gydF4y2Ba ngydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba kgydF4y2Ba PgydF4y2Ba ngydF4y2Ba ngydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0.6gydF4y2Ba 。gydF4y2Ba

安时法,另一个SOC估计为每个粒子获得的时间(gydF4y2Ba ngydF4y2Ba−在方程(1)gydF4y2Ba 21gydF4y2Ba)。因此一系列PDF实现的可能性gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 在每个PDF方程计算(gydF4y2Ba 22gydF4y2Ba)。gydF4y2Ba (21)gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba tgydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba pgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba (22)gydF4y2Ba pgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba PgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ngydF4y2Ba egydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

根据SOC-OCV曲线和电路模型,估计电压所示(gydF4y2Ba 23gydF4y2Ba)对每个粒子,它可以进一步扩展到PDF。实际电压的可能性gydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba 在不同的pdf文档表示(gydF4y2Ba 24gydF4y2Ba)。gydF4y2Ba (23)gydF4y2Ba UgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba =gydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba +gydF4y2Ba UgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba (24)gydF4y2Ba pgydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba PgydF4y2Ba UgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba egydF4y2Ba −gydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba −gydF4y2Ba UgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba PgydF4y2Ba UgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

(给出的权重gydF4y2Ba 25gydF4y2Ba),这是步骤2和3的组合。gydF4y2Ba (25)gydF4y2Ba wgydF4y2Ba ~gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba =gydF4y2Ba wgydF4y2Ba ngydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba pgydF4y2Ba VgydF4y2Ba ogydF4y2Ba lgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba egydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

进行重采样算法。gydF4y2Ba

滤波器的输出是(gydF4y2Ba 26gydF4y2Ba)和(gydF4y2Ba 27gydF4y2Ba)。gydF4y2Ba (26)gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba CgydF4y2Ba ngydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba wgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba (27)gydF4y2Ba PgydF4y2Ba ngydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba wgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba CgydF4y2Ba ngydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba ^gydF4y2Ba CgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba OgydF4y2Ba CgydF4y2Ba ngydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

3所示。实验和讨论gydF4y2Ba 3.1。方法gydF4y2Ba

在实验中,SOC被定义为0时,放电电流小于0.1 2.5 V下恒压放电过程,和被定义为1时,充电电流小于0.1恒定电压为3.65 V。gydF4y2Ba

在每个实验的开始,gydF4y2Ba SOCgydF4y2Ba是0或1,确保实际吗gydF4y2Ba SOCgydF4y2Ba(gydF4y2Ba SOCgydF4y2Ba一个gydF4y2Ba)在测试期间随时可以通过应用库仑计数。当前序列的混合物达到高精度电池检测系统。高斯噪声是导入到估计算法与电压序列。然后,通过比较算法的性能评估gydF4y2Ba SOCgydF4y2Ba一个gydF4y2Ba和估计gydF4y2Ba SOCgydF4y2Ba(gydF4y2Ba SOCgydF4y2Ba美国东部时间gydF4y2Ba)。量化的方法来评估的准确性SOC估计在方程(RMSE(均方根误差)gydF4y2Ba 28gydF4y2Ba)。因为的范围gydF4y2Ba SOCgydF4y2Ba是0到1,因此这里的RMSE应用已经规范化。gydF4y2Ba (28)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ygydF4y2Ba ^gydF4y2Ba tgydF4y2Ba −gydF4y2Ba ygydF4y2Ba tgydF4y2Ba 2gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

最初的SOC估计算法中设置为0.6。值得注意的是,0和1之间的任何初始算法是可行的。18650年使用的电池是锂离子电池的额定容量1300 mAh。三种类型的实验如下:gydF4y2Ba

0.1脉冲充电测试验证算法的响应性能,与相对较小的电流。gydF4y2Ba

udd测试模拟驾驶考试。gydF4y2Ba

混合充电/放电测试评估算法在极端条件下。gydF4y2Ba

3.2。脉冲充电测试gydF4y2Ba

脉冲充电测试,初gydF4y2Ba SOCgydF4y2Ba一个gydF4y2Ba等于0。白噪声的偏差(gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 0.0001)中添加当前序列。测试过程如下:gydF4y2Ba

0.65与恒定电流放电,直到电池电压达到2.5 V。gydF4y2Ba

放电与恒定电压2.5 V,直到放电电流低于0.1。gydF4y2Ba

休息十个小时gydF4y2Ba

0.1装5分钟。gydF4y2Ba

休息10分钟。gydF4y2Ba

重复4和5,直到电压达到4.2 V。gydF4y2Ba

结束。gydF4y2Ba

在步骤3中,电池完全放电(gydF4y2Ba SOCgydF4y2Ba一个gydF4y2Ba= 0),而在步骤7,电池完全充电(gydF4y2Ba SOCgydF4y2Ba一个gydF4y2Ba= 1)。当粒子数目gydF4y2Ba NgydF4y2Ba 是100,总的结果是如图gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

估计和实际soc在脉冲充电测试。gydF4y2Ba

相同的测试数据,该算法运行100次验证粒子滤波的鲁棒性。所示的均方根误差和标准差是方程(gydF4y2Ba 29日gydF4y2Ba)。同样,RMSE所剩下的纸是100个测试的结果。整个RMSE低于1%,这在大多数在线应用程序就足够了。振荡出现在SOC = 1的错误可能是因为SOC-OCV曲线中提到的部分gydF4y2Ba 2.2gydF4y2Ba与精密SOC-OCV测量,可以消除。该算法在本文提出的另一个优点展品非常快速反应,如图gydF4y2Ba 5gydF4y2Ba。仅仅需要2秒的算法达到稳定值(0),从初始值0.6。gydF4y2Ba (29)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 0.009567gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba =gydF4y2Ba 0.003671gydF4y2Ba 。gydF4y2Ba

第一个16秒内的SOC估算下脉冲充电测试。gydF4y2Ba

粒子滤波的粒子数决定了算法的精度和速度。图gydF4y2Ba 6gydF4y2Ba演示了相同的RMSE脉冲充电测试,在不同的粒子数。很明显,更多的颗粒导致更高的精度。在一个极端的例子,方程(gydF4y2Ba 30.gydF4y2Ba)是由于粒子数量设置为500时,代表该算法可以达到的最高精确度。然而,计算工作量增加数量急剧增加。达到一个平衡在权衡,25至100数量将是一个不错的选择。gydF4y2Ba (30)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 0.007364gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba =gydF4y2Ba 0.002124gydF4y2Ba 。gydF4y2Ba

RMSE不同粒子数下脉冲充电测试。gydF4y2Ba

 3.3。udd测试gydF4y2Ba

测功器试验,udd测试代表城市驾驶环境,它经常被用于轻型汽车测试。最初的udd显现出速度时间图,这是翻译成这个实验电流和时间的关系。锂离子电池的电流和电压下udd测试数据所示gydF4y2Ba 7gydF4y2Ba和gydF4y2Ba 8gydF4y2Ba,分别。在这个模拟过程中,电流和电压急剧变化,对SOC估计这应该是一个挑战。此外,偏差白噪声(gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 0.05)添加到当前序列。gydF4y2Ba (31)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 0.004773gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba =gydF4y2Ba 0.002712gydF4y2Ba 。gydF4y2Ba

udd下细胞电流测试。gydF4y2Ba

电池电压下udd测试。gydF4y2Ba

数据gydF4y2Ba 9gydF4y2Ba和gydF4y2Ba 10gydF4y2Ba测试结果的细节和RMSE 100粒子方程所示(gydF4y2Ba 31日gydF4y2Ba)。类似于脉冲充电测试,该算法表达快速反应的能力。与此同时,有趣的是,算法更好的性能比脉冲充电测试。一个可能的解释是,该算法对当前的规模很敏感。该算法可能更多地依赖于电压如果当前相对较小,这可能导致更大的错误。在图gydF4y2Ba 11gydF4y2Ba,更多的趋势导致较小的误差是不那么重要,比较的脉冲充电测试。gydF4y2Ba

估计SOC和udd的SOC测试。gydF4y2Ba

第一个16秒内的SOC估算下udd测试。gydF4y2Ba

RMSE udd测试下不同粒子数。gydF4y2Ba

 3.4。混合充电/放电测试gydF4y2Ba

在过去的两个部分,实验是纯粹的充电或放电,而在这一节中,混合进行充放电测试,与当前高达10,这是接近电池的限制。偏差白噪声(gydF4y2Ba σgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 0.05)添加到当前序列。锂离子电池的电流和电压下混合充电/放电测试数据所示gydF4y2Ba 12gydF4y2Ba和gydF4y2Ba 13gydF4y2Ba,结果在图所示gydF4y2Ba 14gydF4y2Ba和gydF4y2Ba 15gydF4y2Ba和方程(gydF4y2Ba 32gydF4y2Ba)。该算法在这种极端条件下保持稳定和准确。在图gydF4y2Ba 14gydF4y2Ba,估计误差相对中间的测试,但它后来被淘汰。gydF4y2Ba (32)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 0.004891gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba =gydF4y2Ba 0.002422gydF4y2Ba 。gydF4y2Ba

细胞目前在混合充电/放电测试。gydF4y2Ba

电池电压下混合充电/放电测试。gydF4y2Ba

SOC估计和实际SOC在混合充电/放电测试。gydF4y2Ba

RMSE不同粒子数下混合充电/放电测试。gydF4y2Ba

 4所示。结论gydF4y2Ba

本文基于混合三层的过滤SOC估计算法的组合标准KF, UKF和粒子滤波爵士。耦合的卡尔曼滤波算法的目的是获得初步的基于典型的ECM的SOC估算值。在此基础上,SOC估计是有效地纠正了爵士粒子滤波实现预期的无偏估计基于概率密度对SOC真正价值的评价。gydF4y2Ba

各种实验后,算法被证明是足够准确的在线应用程序。当粒子数量设置为100,整个RMSE低于1%,这可以提高不到0.8%,如果更多的粒子计算。此外,反应期为2秒。唯一所需的信息算法SOC-OCV曲线的锂离子电池。基于SOC估计算法在这项研究中,动态电池模型是值得深入调查,以减少依赖SOC-OCV数据。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

执行这项工作在山东省级重点研究和发展项目。作者想表达他们的感谢山东省的科技部门,中华人民共和国的中国,金融支持下ggx103022批准号2019。此外,作者受益匪浅密切合作与研究人员和合作伙伴对他们的作品(gydF4y2Ba 48gydF4y2Ba- - - - - -gydF4y2Ba 57gydF4y2Ba在电气工程领域,电化学工程,材料科学与工程。gydF4y2Ba

 ParfomakgydF4y2Ba p W。gydF4y2Ba 为电网储能和电动交通工具:一个技术评估gydF4y2Ba CRS报告对美国国会gydF4y2Ba 2012年gydF4y2Ba 查图尔维迪gydF4y2Ba n。gydF4y2Ba 克莱因gydF4y2Ba R。gydF4y2Ba 克里斯坦森gydF4y2Ba J。gydF4y2Ba 艾哈迈德gydF4y2Ba J。gydF4y2Ba 曲gydF4y2Ba 一个。gydF4y2Ba 先进的电池管理系统的算法gydF4y2Ba IEEE控制系统杂志gydF4y2Ba 2010年gydF4y2Ba 30.gydF4y2Ba 49gydF4y2Ba 68年gydF4y2Ba 10.1109 / mcs.2010.936293gydF4y2Ba 2 - s2.0 - 77952712682gydF4y2Ba 上帝gydF4y2Ba m . T。gydF4y2Ba SuthargydF4y2Ba B。gydF4y2Ba 诺gydF4y2Ba p . w . C。gydF4y2Ba 德gydF4y2Ba 年代。gydF4y2Ba 霍夫gydF4y2Ba c . M。gydF4y2Ba LeitermanngydF4y2Ba O。gydF4y2Ba 乌鸦gydF4y2Ba m . L。gydF4y2Ba SanthanagopalangydF4y2Ba 年代。gydF4y2Ba 萨勃拉曼尼亚gydF4y2Ba 诉R。gydF4y2Ba 电池储能系统(贝丝)和电池管理系统(BMS)电网的应用程序gydF4y2Ba IEEE学报》gydF4y2Ba 2014年gydF4y2Ba 102年gydF4y2Ba 1014年gydF4y2Ba 1030年gydF4y2Ba 10.1109 / jproc.2014.2317451gydF4y2Ba 2 - s2.0 - 84901497955gydF4y2Ba 过放荡生活gydF4y2Ba F。gydF4y2Ba GotzgydF4y2Ba 年代。gydF4y2Ba WeyhgydF4y2Ba T。gydF4y2Ba 电池模块化多层次管理系统(BM3)电动汽车和静止的储能系统gydF4y2Ba 2014年16日欧洲电力电子会议和应用程序gydF4y2Ba 2014年gydF4y2Ba Lappeenranta、芬兰gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 10.1109 / EPE.2014.6910821gydF4y2Ba 2 - s2.0 - 84923872565gydF4y2Ba CampestrinigydF4y2Ba C。gydF4y2Ba HorschegydF4y2Ba m F。gydF4y2Ba ZilbermangydF4y2Ba 我。gydF4y2Ba 嗨gydF4y2Ba T。gydF4y2Ba 齐默尔曼gydF4y2Ba T。gydF4y2Ba JossengydF4y2Ba 一个。gydF4y2Ba 电池管理系统功能验证和基准方法:电荷状态估计算法gydF4y2Ba 杂志的能量储存gydF4y2Ba 2016年gydF4y2Ba 7gydF4y2Ba 38gydF4y2Ba 51gydF4y2Ba 10.1016 / j.est.2016.05.007gydF4y2Ba 2 - s2.0 - 84971216395gydF4y2Ba 兴gydF4y2Ba Y。gydF4y2Ba 他gydF4y2Ba W。gydF4y2Ba PechtgydF4y2Ba M。gydF4y2Ba 徐gydF4y2Ba k . L。gydF4y2Ba 锂离子电池的电荷状态估计在不同环境温度下使用开路电压gydF4y2Ba 应用能源gydF4y2Ba 2014年gydF4y2Ba 113年gydF4y2Ba 106年gydF4y2Ba 115年gydF4y2Ba 10.1016 / j.apenergy.2013.07.008gydF4y2Ba 2 - s2.0 - 84881527299gydF4y2Ba NggydF4y2Ba k . S。gydF4y2Ba MoogydF4y2Ba c·S。gydF4y2Ba 陈gydF4y2Ba y . P。gydF4y2Ba 谢长廷gydF4y2Ba y . C。gydF4y2Ba 增强库仑计数的电荷状态估算方法和锂离子电池的健康状态gydF4y2Ba 应用能源gydF4y2Ba 2009年gydF4y2Ba 86年gydF4y2Ba 9gydF4y2Ba 1506年gydF4y2Ba 1511年gydF4y2Ba 10.1016 / j.apenergy.2008.11.021gydF4y2Ba 2 - s2.0 - 63449140302gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 夏gydF4y2Ba b Z。gydF4y2Ba 太阳gydF4y2Ba W。gydF4y2Ba 徐gydF4y2Ba z H。gydF4y2Ba 郑gydF4y2Ba W·W。gydF4y2Ba 修改后的基于模型的电荷状态估计的动力锂离子电池使用无味卡尔曼滤波器gydF4y2Ba 能源杂志gydF4y2Ba 2014年gydF4y2Ba 270年gydF4y2Ba 619年gydF4y2Ba 626年gydF4y2Ba 10.1016 / j.jpowsour.2014.07.143gydF4y2Ba 2 - s2.0 - 84906097944gydF4y2Ba 陈gydF4y2Ba Q。gydF4y2Ba 江gydF4y2Ba j . C。gydF4y2Ba 刘gydF4y2Ba 美国J。gydF4y2Ba 张gydF4y2Ba c·P。gydF4y2Ba 一种新的滑模观测器的电动汽车锂电池电荷状态估计gydF4y2Ba 电力电子杂志gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 3gydF4y2Ba 1131年gydF4y2Ba 1140年gydF4y2Ba 10.6113 / jpe.2016.16.3.1131gydF4y2Ba 2 - s2.0 - 85025812949gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 先进的机器学习方法在电动汽车锂离子电池状态估计gydF4y2Ba IEEE交通电气化gydF4y2Ba 2016年gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 140年gydF4y2Ba 149年gydF4y2Ba 10.1109 / TTE.2015.2512237gydF4y2Ba 2 - s2.0 - 85050168124gydF4y2Ba SahinoglugydF4y2Ba g . O。gydF4y2Ba PajovicgydF4y2Ba M。gydF4y2Ba SahinoglugydF4y2Ba Z。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 奥林克gydF4y2Ba p V。gydF4y2Ba 和田gydF4y2Ba T。gydF4y2Ba 电池电荷状态估计基于常规/复发性高斯过程回归gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2018年gydF4y2Ba 65年gydF4y2Ba 5gydF4y2Ba 4311年gydF4y2Ba 4321年gydF4y2Ba 10.1109 / tie.2017.2764869gydF4y2Ba 2 - s2.0 - 85041291299gydF4y2Ba YokoshimagydF4y2Ba T。gydF4y2Ba MukoyamagydF4y2Ba D。gydF4y2Ba NakazawagydF4y2Ba K。gydF4y2Ba GimagydF4y2Ba Y。gydF4y2Ba IsawagydF4y2Ba H。gydF4y2Ba 奈良gydF4y2Ba H。gydF4y2Ba 妈妈gydF4y2Ba T。gydF4y2Ba 大阪gydF4y2Ba T。gydF4y2Ba 电化学阻抗谱的应用铁/亚铁氰化物氧化还原电对锂离子电池系统使用一个方波信号输入gydF4y2Ba Electrochimica学报gydF4y2Ba 2015年gydF4y2Ba 180年gydF4y2Ba 922年gydF4y2Ba 928年gydF4y2Ba 10.1016 / j.electacta.2015.08.083gydF4y2Ba 2 - s2.0 - 84941906118gydF4y2Ba 邦迪gydF4y2Ba K。gydF4y2Ba KarlssongydF4y2Ba M。gydF4y2Ba 林德伯格gydF4y2Ba G。gydF4y2Ba LundqvistgydF4y2Ba 一个。gydF4y2Ba 电化学阻抗谱方法预测的电荷状态镍氢电池在开路和放电gydF4y2Ba 能源杂志gydF4y2Ba 1998年gydF4y2Ba 72年gydF4y2Ba 2gydF4y2Ba 118年gydF4y2Ba 125年gydF4y2Ba 10.1016 / s0378 - 7753 (97) 02695 - 5gydF4y2Ba 2 - s2.0 - 0001806704gydF4y2Ba SepasigydF4y2Ba 年代。gydF4y2Ba GhorbanigydF4y2Ba R。gydF4y2Ba LiawgydF4y2Ba b . Y。gydF4y2Ba 一种新型车载年龄在锂离子电池电荷状态估计方法基于模型自适应扩展卡尔曼滤波gydF4y2Ba 能源杂志gydF4y2Ba 2014年gydF4y2Ba 245年gydF4y2Ba 337年gydF4y2Ba 344年gydF4y2Ba 10.1016 / j.jpowsour.2013.06.108gydF4y2Ba 2 - s2.0 - 84880566304gydF4y2Ba 徐gydF4y2Ba J。gydF4y2Ba 心肌梗死gydF4y2Ba C . C。gydF4y2Ba 曹gydF4y2Ba b G。gydF4y2Ba 邓gydF4y2Ba J·J。gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba 美国问。gydF4y2Ba 锂离子电池的电荷状态估计基于比例积分观测器gydF4y2Ba IEEE车辆技术gydF4y2Ba 2014年gydF4y2Ba 63年gydF4y2Ba 4gydF4y2Ba 1614年gydF4y2Ba 1621年gydF4y2Ba 10.1109 / tvt.2013.2287375gydF4y2Ba 2 - s2.0 - 84903637330gydF4y2Ba 昂gydF4y2Ba H。gydF4y2Ba 低gydF4y2Ba k . S。gydF4y2Ba 吴gydF4y2Ba s T。gydF4y2Ba 电荷状态估计的锂离子电池用平方根球形无味卡尔曼滤波在nanosatellite (Sqrt-UKFST)gydF4y2Ba IEEE电力电子gydF4y2Ba 2015年gydF4y2Ba 30.gydF4y2Ba 9gydF4y2Ba 4774年gydF4y2Ba 4783年gydF4y2Ba 10.1109 / tpel.2014.2361755gydF4y2Ba 2 - s2.0 - 84928406745gydF4y2Ba 陈gydF4y2Ba J。gydF4y2Ba 欧阳gydF4y2Ba Q。gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 苏gydF4y2Ba H。gydF4y2Ba 神经网络对锂离子电池电荷状态观测器设计gydF4y2Ba IEEE控制系统技术gydF4y2Ba 2018年gydF4y2Ba 26gydF4y2Ba 1gydF4y2Ba 313年gydF4y2Ba 320年gydF4y2Ba 10.1109 / TCST.2017.2664726gydF4y2Ba 2 - s2.0 - 85013657189gydF4y2Ba Jimenez-BermejogydF4y2Ba D。gydF4y2Ba Fraile-ArdanuygydF4y2Ba J。gydF4y2Ba Castano-SolisgydF4y2Ba 年代。gydF4y2Ba 美利奴gydF4y2Ba J。gydF4y2Ba Alvaro-HermanagydF4y2Ba R。gydF4y2Ba 使用动态神经网络在电动汽车电池电荷状态估计gydF4y2Ba Procedia计算机科学gydF4y2Ba 2018年gydF4y2Ba 130年gydF4y2Ba 533年gydF4y2Ba 540年gydF4y2Ba 10.1016 / j.procs.2018.04.077gydF4y2Ba 2 - s2.0 - 85051217310gydF4y2Ba ChemaligydF4y2Ba E。gydF4y2Ba KollmeyergydF4y2Ba p . J。gydF4y2Ba PreindlgydF4y2Ba M。gydF4y2Ba EmadigydF4y2Ba 一个。gydF4y2Ba 锂离子电池的电荷状态估计使用深层神经网络:机器学习方法gydF4y2Ba 能源杂志gydF4y2Ba 2018年gydF4y2Ba 400年gydF4y2Ba 242年gydF4y2Ba 255年gydF4y2Ba 10.1016 / j.jpowsour.2018.06.104gydF4y2Ba 2 - s2.0 - 85051653123gydF4y2Ba ZahidgydF4y2Ba T。gydF4y2Ba 徐gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 电动汽车动力电池电荷状态估计使用先进的机器学习算法多样化的驱动下周期gydF4y2Ba 能源gydF4y2Ba 2018年gydF4y2Ba 162年gydF4y2Ba 871年gydF4y2Ba 882年gydF4y2Ba 10.1016 / j.energy.2018.08.071gydF4y2Ba 2 - s2.0 - 85051656086gydF4y2Ba TulsyangydF4y2Ba 一个。gydF4y2Ba 蔡gydF4y2Ba Y。gydF4y2Ba GopalunigydF4y2Ba r B。gydF4y2Ba Braatz讲gydF4y2Ba r D。gydF4y2Ba 在锂离子电池电荷状态估计:粒子滤波的方法gydF4y2Ba 能源杂志gydF4y2Ba 2016年gydF4y2Ba 331年gydF4y2Ba 208年gydF4y2Ba 223年gydF4y2Ba 10.1016 / j.jpowsour.2016.08.113gydF4y2Ba 2 - s2.0 - 84987924647gydF4y2Ba SchwunkgydF4y2Ba 年代。gydF4y2Ba 时常要gydF4y2Ba N。gydF4y2Ba StraubgydF4y2Ba 年代。gydF4y2Ba 凯尔的gydF4y2Ba J。gydF4y2Ba 检查者gydF4y2Ba M。gydF4y2Ba 粒子滤波的电荷状态和健康状况评估锂-铁磷酸盐电池gydF4y2Ba 能源杂志gydF4y2Ba 2013年gydF4y2Ba 239年gydF4y2Ba 705年gydF4y2Ba 710年gydF4y2Ba 10.1016 / j.jpowsour.2012.10.058gydF4y2Ba 2 - s2.0 - 84883410881gydF4y2Ba AcunagydF4y2Ba d E。gydF4y2Ba 果园gydF4y2Ba m E。gydF4y2Ba 通过sigma-points Particle-filtering-based衰竭预后:应用于锂离子电池电荷状态监测gydF4y2Ba 机械系统和信号处理gydF4y2Ba 2017年gydF4y2Ba 85年gydF4y2Ba 827年gydF4y2Ba 848年gydF4y2Ba 10.1016 / j.ymssp.2016.08.029gydF4y2Ba 2 - s2.0 - 84995505148gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 苏gydF4y2Ba H。gydF4y2Ba 越南盾gydF4y2Ba G。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 粒子filterbased锂离子电池电荷状态估计和remaining-dischargeable-time预测方法gydF4y2Ba 能源杂志gydF4y2Ba 2019年gydF4y2Ba 414年gydF4y2Ba 158年gydF4y2Ba 166年gydF4y2Ba 10.1016 / j.jpowsour.2019.01.012gydF4y2Ba 2 - s2.0 - 85059550614gydF4y2Ba 周gydF4y2Ba d . M。gydF4y2Ba 张gydF4y2Ba K。gydF4y2Ba RaveygydF4y2Ba 一个。gydF4y2Ba 高gydF4y2Ba F。gydF4y2Ba MiraouigydF4y2Ba 一个。gydF4y2Ba 在线估计的锂聚合物电池电荷状态使用粒子基于过滤器与multimodels数据融合方法gydF4y2Ba IEEE行业应用gydF4y2Ba 2016年gydF4y2Ba 52gydF4y2Ba 3gydF4y2Ba 2582年gydF4y2Ba 2595年gydF4y2Ba 10.1109 / tia.2016.2524438gydF4y2Ba 2 - s2.0 - 84973349061gydF4y2Ba LimgydF4y2Ba d . J。gydF4y2Ba 安gydF4y2Ba j . H。gydF4y2Ba 金gydF4y2Ba d . H。gydF4y2Ba 李gydF4y2Ba b K。gydF4y2Ba 混合SOC估计算法在各种高精度电动汽车的驾驶模式gydF4y2Ba 电力电子杂志gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 1gydF4y2Ba 27gydF4y2Ba 37gydF4y2Ba 10.6113 / JPE.2016.16.1.27gydF4y2Ba 2 - s2.0 - 84955492064gydF4y2Ba 邹gydF4y2Ba C。gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 戴伊gydF4y2Ba 年代。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 唐gydF4y2Ba X。gydF4y2Ba 非线性分数阶估计对锂离子电池保证鲁棒性和稳定性gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2018年gydF4y2Ba 65年gydF4y2Ba 7gydF4y2Ba 5951年gydF4y2Ba 5961年gydF4y2Ba 10.1109 / tie.2017.2782691gydF4y2Ba 2 - s2.0 - 85038885352gydF4y2Ba 夏gydF4y2Ba B。gydF4y2Ba 陈gydF4y2Ba C。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 太阳gydF4y2Ba W。gydF4y2Ba 徐gydF4y2Ba Z。gydF4y2Ba 郑gydF4y2Ba W。gydF4y2Ba 小说的锂离子电池电荷状态估计方法利用非线性观测器gydF4y2Ba 能源杂志gydF4y2Ba 2014年gydF4y2Ba 270年gydF4y2Ba 359年gydF4y2Ba 366年gydF4y2Ba 10.1016 / j.jpowsour.2014.07.103gydF4y2Ba 2 - s2.0 - 84905863952gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 陈gydF4y2Ba c·R。gydF4y2Ba 夏gydF4y2Ba b Z。gydF4y2Ba 太阳gydF4y2Ba W。gydF4y2Ba 徐gydF4y2Ba z H。gydF4y2Ba 郑gydF4y2Ba W·W。gydF4y2Ba 一种自适应增益非线性观测器锂离子电池电荷状态估计的电动车gydF4y2Ba 能量gydF4y2Ba 2014年gydF4y2Ba 7gydF4y2Ba 9gydF4y2Ba 5995年gydF4y2Ba 6012年gydF4y2Ba 10.3390 / en7095995gydF4y2Ba 2 - s2.0 - 84907418714gydF4y2Ba 余gydF4y2Ba Q。gydF4y2Ba 熊gydF4y2Ba R。gydF4y2Ba 林gydF4y2Ba C。gydF4y2Ba 沈gydF4y2Ba W。gydF4y2Ba 邓gydF4y2Ba J。gydF4y2Ba 锂离子电池参数和电荷状态联合估计基于h∞和无味卡尔曼滤波器gydF4y2Ba IEEE车辆技术gydF4y2Ba 2017年gydF4y2Ba 66年gydF4y2Ba 10gydF4y2Ba 8693年gydF4y2Ba 8701年gydF4y2Ba 10.1109 / tvt.2017.2709326gydF4y2Ba 2 - s2.0 - 85027569417gydF4y2Ba 谢gydF4y2Ba J。gydF4y2Ba 马gydF4y2Ba J。gydF4y2Ba 太阳gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 估计锂离子电池使用的电荷状态的h∞观察者考虑磁滞特性gydF4y2Ba 电力电子杂志gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 643年gydF4y2Ba 653年gydF4y2Ba 10.6113 / JPE.2016.16.2.643gydF4y2Ba 2 - s2.0 - 84962491897gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 邹gydF4y2Ba C。gydF4y2Ba KuppergydF4y2Ba M。gydF4y2Ba PischingergydF4y2Ba 年代。gydF4y2Ba 基于模型的电荷状态估计算法在不同电流模式gydF4y2Ba 能源ProcediagydF4y2Ba 2019年gydF4y2Ba 158年gydF4y2Ba 2806年gydF4y2Ba 2811年gydF4y2Ba 10.1016 / j.egypro.2019.02.042gydF4y2Ba 2 - s2.0 - 85063896299gydF4y2Ba 赖gydF4y2Ba X。gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba 太阳gydF4y2Ba T。gydF4y2Ba 比较研究不同的等效电路模型估算的锂离子电池电荷状态gydF4y2Ba Electrochimica学报gydF4y2Ba 2018年gydF4y2Ba 259年gydF4y2Ba 566年gydF4y2Ba 577年gydF4y2Ba 10.1016 / j.electacta.2017.10.153gydF4y2Ba 2 - s2.0 - 85032897012gydF4y2Ba 赖gydF4y2Ba X。gydF4y2Ba 高gydF4y2Ba W。gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba 欧阳gydF4y2Ba M。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 汉gydF4y2Ba X。gydF4y2Ba 周gydF4y2Ba lgydF4y2Ba 全局优化方法的比较研究不同的等效电路模型参数识别的锂离子电池gydF4y2Ba Electrochimica学报gydF4y2Ba 2019年gydF4y2Ba 295年gydF4y2Ba 1057年gydF4y2Ba 1066年gydF4y2Ba 10.1016 / j.electacta.2018.11.134gydF4y2Ba 2 - s2.0 - 85058439425gydF4y2Ba 汉纳gydF4y2Ba m·A。gydF4y2Ba LipugydF4y2Ba m . s . H。gydF4y2Ba 侯赛因gydF4y2Ba 一个。gydF4y2Ba 默罕默德gydF4y2Ba 一个。gydF4y2Ba 对锂离子电池电荷状态评估和管理系统在电动汽车的应用程序:挑战和建议gydF4y2Ba 可再生能源和可持续能源的评论gydF4y2Ba 2017年gydF4y2Ba 78年gydF4y2Ba 834年gydF4y2Ba 854年gydF4y2Ba 10.1016 / j.rser.2017.05.001gydF4y2Ba 2 - s2.0 - 85019063470gydF4y2Ba 杨gydF4y2Ba F。gydF4y2Ba 兴gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba D。gydF4y2Ba 徐gydF4y2Ba k . L。gydF4y2Ba 三个基于模型算法的比较研究估计电荷状态下的锂离子电池新组合动态加载配置文件gydF4y2Ba 应用能源gydF4y2Ba 2016年gydF4y2Ba 164年gydF4y2Ba 387年gydF4y2Ba 399年gydF4y2Ba 10.1016 / j.apenergy.2015.11.072gydF4y2Ba 2 - s2.0 - 84951095944gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 苏打灰gydF4y2Ba j·K。gydF4y2Ba GuenthergydF4y2Ba C。gydF4y2Ba 了gydF4y2Ba m·A。gydF4y2Ba 电荷状态估计算法的比较研究LiFePOgydF4y2Ba4gydF4y2Ba电池用于电动汽车gydF4y2Ba 能源杂志gydF4y2Ba 2013年gydF4y2Ba 230年gydF4y2Ba 244年gydF4y2Ba 250年gydF4y2Ba 10.1016 / j.jpowsour.2012.12.057gydF4y2Ba 2 - s2.0 - 84872297608gydF4y2Ba 苏打灰gydF4y2Ba j·K。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 冈瑟gydF4y2Ba C。gydF4y2Ba 了gydF4y2Ba m·A。gydF4y2Ba 状态估计算法的比较研究和验证锂离子电池在电池管理系统gydF4y2Ba 应用能源gydF4y2Ba 2015年gydF4y2Ba 155年gydF4y2Ba 455年gydF4y2Ba 462年gydF4y2Ba 10.1016 / j.apenergy.2015.05.102gydF4y2Ba 2 - s2.0 - 84934915149gydF4y2Ba CampestrinigydF4y2Ba C。gydF4y2Ba 嗨gydF4y2Ba T。gydF4y2Ba 科施gydF4y2Ba 年代。gydF4y2Ba JossengydF4y2Ba 一个。gydF4y2Ba 比较研究和审查不同的卡尔曼滤波器通过应用一个增强的验证方法gydF4y2Ba 杂志的能量储存gydF4y2Ba 2016年gydF4y2Ba 8gydF4y2Ba 142年gydF4y2Ba 159年gydF4y2Ba 10.1016 / j.est.2016.10.004gydF4y2Ba 2 - s2.0 - 84994338360gydF4y2Ba 斋月gydF4y2Ba h·S。gydF4y2Ba BecherifgydF4y2Ba M。gydF4y2Ba 克劳德。gydF4y2Ba F。gydF4y2Ba 扩展卡尔曼滤波器对准确的锂电池电荷状态估计:比较分析gydF4y2Ba 国际期刊的氢能源gydF4y2Ba 2017年gydF4y2Ba 42gydF4y2Ba 48gydF4y2Ba 29033年gydF4y2Ba 29046年gydF4y2Ba 10.1016 / j.ijhydene.2017.07.219gydF4y2Ba 2 - s2.0 - 85031433349gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba 欧阳gydF4y2Ba M。gydF4y2Ba 汉gydF4y2Ba X。gydF4y2Ba 陆gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 网上调查的误差源电荷状态评估方法在电动汽车锂离子电池gydF4y2Ba 能源杂志gydF4y2Ba 2018年gydF4y2Ba 377年gydF4y2Ba 161年gydF4y2Ba 188年gydF4y2Ba 10.1016 / j.jpowsour.2017.11.094gydF4y2Ba 2 - s2.0 - 85037618856gydF4y2Ba PlettgydF4y2Ba g . L。gydF4y2Ba 扩展卡尔曼滤波LiPB-based戊肝病毒电池组电池管理系统:第1部分。背景gydF4y2Ba 能源杂志gydF4y2Ba 2004年gydF4y2Ba 134年gydF4y2Ba 2gydF4y2Ba 252年gydF4y2Ba 261年gydF4y2Ba 10.1016 / j.jpowsour.2004.02.031gydF4y2Ba 2 - s2.0 - 3142702292gydF4y2Ba PlettgydF4y2Ba g . L。gydF4y2Ba 扩展卡尔曼滤波LiPB-based戊肝病毒电池组电池管理系统:第2部分。建模和识别gydF4y2Ba 能源杂志gydF4y2Ba 2004年gydF4y2Ba 134年gydF4y2Ba 2gydF4y2Ba 262年gydF4y2Ba 276年gydF4y2Ba 10.1016 / j.jpowsour.2004.02.032gydF4y2Ba 2 - s2.0 - 3142752164gydF4y2Ba PlettgydF4y2Ba g . L。gydF4y2Ba 扩展卡尔曼滤波LiPB-based戊肝病毒电池组电池管理系统:第3部分。状态和参数估计gydF4y2Ba 能源杂志gydF4y2Ba 2004年gydF4y2Ba 134年gydF4y2Ba 2gydF4y2Ba 277年gydF4y2Ba 292年gydF4y2Ba 10.1016 / j.jpowsour.2004.02.033gydF4y2Ba 2 - s2.0 - 3142674441gydF4y2Ba 汉gydF4y2Ba X。gydF4y2Ba 欧阳gydF4y2Ba M。gydF4y2Ba 陆gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 简化基于物理对电动汽车锂离子电池电化学模型。第二部分:pseudo-two-dimensional模型简化和电荷状态估计gydF4y2Ba 能源杂志gydF4y2Ba 2015年gydF4y2Ba 278年gydF4y2Ba 814年gydF4y2Ba 825年gydF4y2Ba 10.1016 / j.jpowsour.2014.08.089gydF4y2Ba 2 - s2.0 - 84922163347gydF4y2Ba BizeraygydF4y2Ba a . M。gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 邓肯gydF4y2Ba s R。gydF4y2Ba Howey模式gydF4y2Ba d . A。gydF4y2Ba 锂离子电池thermal-electrochemical基于模型的状态估计使用正交配置和修改后的扩展卡尔曼滤波器gydF4y2Ba 能源杂志gydF4y2Ba 2015年gydF4y2Ba 296年gydF4y2Ba 400年gydF4y2Ba 412年gydF4y2Ba 10.1016 / j.jpowsour.2015.07.019gydF4y2Ba 2 - s2.0 - 84938275585gydF4y2Ba 欧阳gydF4y2Ba M。gydF4y2Ba 刘gydF4y2Ba G。gydF4y2Ba 陆gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 汉gydF4y2Ba X。gydF4y2Ba 提高估计精度低电荷状态区:小说通过附带的电池模型表面电荷状态的决心gydF4y2Ba 2014年gydF4y2Ba 270年gydF4y2Ba 221年gydF4y2Ba 237年gydF4y2Ba 10.1016 / j.jpowsour.2014.07.090gydF4y2Ba 2 - s2.0 - 84905716423gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 庞gydF4y2Ba j·B。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 周gydF4y2Ba 美国Z。gydF4y2Ba 李gydF4y2Ba y . H。gydF4y2Ba 张gydF4y2Ba t . Z。gydF4y2Ba 合成疏水的碳纳米管/氧化石墨烯复合膜减少了闪光灯照射gydF4y2Ba 化学科学与工程的前沿gydF4y2Ba 2018年gydF4y2Ba 12gydF4y2Ba 3gydF4y2Ba 376年gydF4y2Ba 382年gydF4y2Ba 10.1007 / s11705 - 018 - 1705 - zgydF4y2Ba 2 - s2.0 - 85045763991gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 局域网gydF4y2Ba Y。gydF4y2Ba 越南盾gydF4y2Ba P。gydF4y2Ba 夏gydF4y2Ba g . T。gydF4y2Ba 应用研究混沌载波频率调制技术在双级矩阵变换器gydF4y2Ba 数学问题在工程gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 8gydF4y2Ba 2614327gydF4y2Ba 10.1155 / 2019/2614327gydF4y2Ba 2 - s2.0 - 85062896473gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 周gydF4y2Ba 美国Z。gydF4y2Ba 周gydF4y2Ba y . T。gydF4y2Ba 任gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 局域网gydF4y2Ba Y。gydF4y2Ba 合成的多孔碳活化方法和电化学性能gydF4y2Ba 电化学科学的国际期刊gydF4y2Ba 2018年gydF4y2Ba 13gydF4y2Ba 10766年gydF4y2Ba 10773年gydF4y2Ba 10.20964 / 2018.11.30gydF4y2Ba 2 - s2.0 - 85056311361gydF4y2Ba 周gydF4y2Ba y . T。gydF4y2Ba 王gydF4y2Ba y . N。gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 康gydF4y2Ba lgydF4y2Ba 彭gydF4y2Ba F。gydF4y2Ba 王gydF4y2Ba l . C。gydF4y2Ba 庞gydF4y2Ba j·B。gydF4y2Ba 混合遗传算法高效、健壮的剩余使用寿命的评估方法的超级电容器gydF4y2Ba 应用能源gydF4y2Ba 2020年gydF4y2Ba 260年gydF4y2Ba 10.1016 / j.apenergy.2019.114169gydF4y2Ba 114169年gydF4y2Ba 周gydF4y2Ba y . T。gydF4y2Ba 黄gydF4y2Ba y . N。gydF4y2Ba 庞gydF4y2Ba j·B。gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 剩余使用寿命预测基于长期短期记忆神经网络的超级电容器gydF4y2Ba 能源杂志gydF4y2Ba 2019年gydF4y2Ba 440年gydF4y2Ba 10.1016 / j.jpowsour.2019.227149gydF4y2Ba 2 - s2.0 - 85072024144gydF4y2Ba 227149年gydF4y2Ba 元gydF4y2Ba d . L。gydF4y2Ba 张gydF4y2Ba C。gydF4y2Ba 唐gydF4y2Ba 美国F。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 唐gydF4y2Ba j . C。gydF4y2Ba 饶gydF4y2Ba y D。gydF4y2Ba 王gydF4y2Ba z . B。gydF4y2Ba 张gydF4y2Ba 问:R。gydF4y2Ba 加强曹gydF4y2Ba2gydF4y2Bafenton-like过程铁(II)草酸的酸络合有机废水处理gydF4y2Ba 水的研究gydF4y2Ba 2019年gydF4y2Ba 163年gydF4y2Ba 10.1016 / j.watres.2019.114861gydF4y2Ba 2 - s2.0 - 85069560705gydF4y2Ba 114861年gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 雪gydF4y2Ba W。gydF4y2Ba 周gydF4y2Ba 美国Z。gydF4y2Ba 局域网gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba h·W。gydF4y2Ba 隋gydF4y2Ba z Q。gydF4y2Ba 电沉积合成PANI / MnOgydF4y2Ba2gydF4y2Ba/石墨烯复合材料及其电化学性能gydF4y2Ba 电化学科学的国际期刊gydF4y2Ba 2017年gydF4y2Ba 12gydF4y2Ba 8306年gydF4y2Ba 8314年gydF4y2Ba 10.20964 / 2017.09.06gydF4y2Ba 2 - s2.0 - 85029540454gydF4y2Ba 夏gydF4y2Ba g . T。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 结构设计和电化学性能的聚苯胺/碳纳米管和MnOgydF4y2Ba2gydF4y2Ba/碳纳米管超级电容器gydF4y2Ba 先进的材料科学gydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 8gydF4y2Ba 1079年gydF4y2Ba 1086年gydF4y2Ba 10.1166 / sam.2019.3487gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba l·W。gydF4y2Ba 张gydF4y2Ba t . Z。gydF4y2Ba 刘gydF4y2Ba z F。gydF4y2Ba Nitrogen-doped石墨烯超级电容器与长期电化学稳定性gydF4y2Ba 能源gydF4y2Ba 2014年gydF4y2Ba 70年gydF4y2Ba 612年gydF4y2Ba 617年gydF4y2Ba 10.1016 / j.energy.2014.04.034gydF4y2Ba 2 - s2.0 - 84901670162gydF4y2Ba 赵gydF4y2Ba lgydF4y2Ba 康gydF4y2Ba lgydF4y2Ba 姚gydF4y2Ba 年代。gydF4y2Ba 声发射信号处理技术的研究和应用gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 984年gydF4y2Ba 993年gydF4y2Ba 10.1109 / ACCESS.2018.2886095gydF4y2Ba 2 - s2.0 - 85058162520gydF4y2Ba