在线参数辨识的锂离子电池与精致的工具变量估计

文摘

精致的工具变量(RIV)估计应用于在线识别的参数等效电路模型(ECM)对锂离子电池(锂)在这篇文章中,使精确的参数估计与测量噪声。因为传统的递归最小二乘(RLS)估计对噪声非常敏感,ECM中的参数可能无法收敛到真实值在测量噪声。RIV评价引导的形式实现,估计之间的交替的系统模型和噪声模型。Box-Jenkins锂电池的模型转换的两个RC ECM RIV选为传递函数模型估计。两个RC ECM是独立的错误产生的残余的高阶自动回归(AR)模型估计。一系列的辅助模型的好处,测量数据过滤技术可以预滤器,提高对噪声参数的鲁棒性。合理的参数可能获得无论RIV噪声的测量。LiFePO仿真和实验测试₄电池验证的效率RIV参数在线识别与传统RLS相比。

1。介绍

价格的不断下降和性能优越的能量密度,锂离子电池(锂)已经成为一个最优选择为电池组在电动汽车(EV)和固定网格中的能量存储系统(1- - - - - -3]。为了将可再生能源集成到网格,静止能量存储系统是至关重要的不灵活性的平衡和间歇式电源。如电源,锂离子电池的性能也会影响生产的电动汽车市场的接受(4- - - - - -8]。尤其是纯电池驱动的电动汽车,功率容量和能量容量的电池组,司机的经验密切相关。电池管理系统(BMS)负责电池组中的电池操作,这将确保整个包的可靠性和安全性9- - - - - -12]。电池的状态(电荷状态(SOC)的健康状况(SOH),状态函数(SOF)等)反映电池组中的每个细胞的当前状态,必须仔细计算测量的BMS (13- - - - - -16]。尽管基于模型的估计似乎是一个实用的解决方案估算电池状态,估算的准确性密切相关的电池模型先验知识(17- - - - - -19]。电池模型的可靠性和准确性依赖于参数的选择。此外,一些参数可以直接反映电池状态;例如,内部阻力和能力总是作为电池的有效指标信息SOH [20.- - - - - -23]。

由于电池内部的电化学反应在充电和放电过程中,电池的参数ECM总是随温度变化和SOC (24- - - - - -27]。常数参数ECM的电池操作流程绝对减少其准确性。查表是一个可能的方法来改善ECM在各种条件下的可行性,但是需要巨大的努力构建查表考虑温度和SOC的效果。不应该被忽视的另一个因素是,电池老化在他们操作,这意味着常数loop-up表参数的新的细胞可能无法准确地预测一个老细胞的特征。并行计算和系列的细胞连接到电池组为应用程序提供足够的能量。细胞的不一致会导致更多的工作负载建模如果精确模型的每一个细胞需要电池组(28,29日]。因此,更新所需的参数在线建模准确性和状态估计(30.,31日]。递归最小二乘(RLS)和卡尔曼滤波器通常应用于确定ECM的参数(32- - - - - -36]。RLS容易不收敛时参数的实际值测量包含噪声(11]。卡尔曼滤波器相关比RLS方法通常有较高的计算复杂度。在[解释37),系统的卡尔曼filter-related方法通常是高的,这使得它很难优化算法。扩展卡尔曼滤波器(EKF)应用于确定的参数两个RC ECM, 7×7阶矩阵计算和更新在每一步参数识别38]。电池的参数与一个RC ECM窗口移动最小二乘法估计的自回归(AR)模型,但窗口宽度的影响尚未讨论确定参数的准确性(35]。算法计算复杂度,如Sigma-point卡尔曼滤波器(39)和h∞滤波器(31日)也用于在线更新电池的参数模型。此外,启发式算法包括遗传算法(GA) [40)和粒子群优化(PSO) (41)和一个移动的窗口应用获得ECM中的参数。然而,较少的努力都集中在处理测量噪声的影响在ECM识别参数。传感器的噪声一直存在在电池电流和电压的测量,这可能影响收敛的估计参数真实值在真实的应用程序中。因此,在线参数辨识算法具有足够能力来获得合理的参数在测量噪声条件下仍然是必要的。

为了确定合理的参数电池ECM考虑测量噪声的影响,精制工具变量(RIV)估计是首先应用于识别两个RC ECM的参数在线。RIV关注改进RLS的性能与数据过滤技术引导的形式。Box-Jenkins模型包含电池系统模型和自回归移动平均(ARMA)建立噪声模型的参数识别。噪音ARMA模型的参数估计的辅助电池模型参数在前面的步骤。高阶AR模型独立生成输入噪声模型的估计。数据过滤技术帮助RIV评价获得合理的参数与测量噪声。

本文如下的提示。Box-Jenkins电池模型中描述的部分2。的细节RIV介绍了参数识别的部分3。该方法的仿真结果部分所示4。RIV评价从LiFePO测量实验验证₄一节电池5。结论给出了部分6。

2。Box-Jenkins锂离子电池的模型

为了确定电池的参数模型与RIV在线,一个合适的电池必须建立传递函数。描述电池的输出误差模型地置大概模型,作为AMRA地区Box-Jenkins模型的形式表示为下列形式(42]: 在哪里e(k)的白噪声是零均值和方差和u(k),y(k系统的输入和输出。如果系统被定义为无噪声的输出x(k), Box-Jenkins模型方程(1)可以分解为方程(2)- (4)。其中,方程(3)可以被视为系统模型和方程(4)是噪声模型。

在上面的方程中,这些条件一个(z⁻¹),B(z⁻¹),C(z⁻¹),D(z⁻¹)通常定义如下:

它可以看到从Box-Jenkins模型的结构系统的传递函数模型和噪声模型是两个独立参数化理性的功能。最优预滤器中所有相关测量电池模型来源于Box-Jenkin模型中的噪声模型。

一个RC ECM易于参数计算和更稳定的不确定性43,44]。与一个RC模型相比,使用一个RC网络这样的快速动态和短期动态电池端电压可以描述,分别。当然,两个RC ECM需要更多的计算。两个RC ECM锂电池建模地区很受欢迎,因为这是一个很好的准确性和复杂性之间的权衡45]。因此,我们选择两个RC ECM显示方法的优点。应该注意的是,这项工作的方法也适用于一个RC ECM。两个RC ECM的结构如图1。

两个RC模型由电阻、电容、电压源代表电池的特点。电压源代表OCV-SOC关系,R₀是内部阻力。图中的两个RC ECM的表达1显示如下:

根据方程(6),两个RC ECM的离散化形式如下: 在哪里T_年代是抽样一次,和两个时间常数的ECM的RC网络。

后来,我们定义z随着运营商转变。方程(7)可以转化为以下形式: 在哪里x_o(k)是终端电压的偏差U_t和开路电压f(SOC)。系数一个₁,一个₂,b₀,b₁,b₂在方程(8)表示如下:

地置大概形式噪声模型中选择AMRA地区与一阶AR模型和MA模型,可以表示如下:

根据电池模型方程(8在方程()和噪声模型10),Box-Jenkins两个RC ECM的模型 参数方程(11)可能被RIV,噪声模型可以作为预滤器改善RIV对测量噪声的鲁棒性。

3所示。RIV评价

RIV提出的(46,47)有特定的优势在处理噪声的测量。此外,RIV提供了一个实用的解决方案Box-Jenkins模型的极大似然函数(42),可以获得更可靠的结果的动态系统比预测误差最小化的方法(47]。RIV评价的结构如图2。主要包括两个评估过程:电池的参数模型和噪声模型中的参数。

噪声模型需要前置过滤前确认所有相关电池模型的变量。的误差函数被定义为噪声模型

图中描述2预滤器的噪声模型

代替预滤器在误差函数(k);得到以下方程: 在哪里和预滤器的变量。

然而,(k),e(k)不知道参数识别,和分析器也不能提前知道。辅助模型需要计算这些变量在这种情况下。的工具变量获得的是 在哪里计算从辅助电池模型( )。

然后,可以独立地计算高阶AR模型的残差的(k)。方程的未知变量(11)能够取代和 。后来,噪声模型中的参数能够被更新为以下递归过程: 在哪里 ,

前置滤波器的输出从噪声辅助ARMA模型计算如下: 参数的地方和在上一步中得到的参数。

在噪声模型计算参数后,预滤器可用于电池模型的变量。预滤器的表达如下:

自无噪声的输出仍然是未知的,以下辅助电池模型用于解决这个问题。 辅助电池模型中的参数是从哪里来的前一步的估计结果。

测量前置过滤过程后,电池模型参数更新为以下方程: 在哪里 , , 。

根据前面的步骤,RIV能够确定电池的参数模型与测量噪声。RIV评价的主要步骤总结如下:步骤1。噪音ARMA模型的参数识别:前置过滤(k),e(k)的形式和 。使用辅助噪声模型(方程(19))来计算与方程(15计算) 。高阶AR模型(k)选择获得 。方程(16)- (18)被应用于噪音ARMA模型的参数估计。步骤2。电池模型的参数识别:前置过滤y(k),x_o(k),接收的变量 , , 。辅助电池模型方程(22)是用于计算 。后来,方程(23)- (25)是用来估计电池模型中的参数。步骤3。更新协方差矩阵的协方差矩阵和根据新的输入可以更新吗和 , , 。

4所示。仿真验证

电流脉冲概要文件用于仿真来验证参数识别方法的性能。更具体地说,当前应用到ECM脉冲模拟验证的优点RIV测量噪声条件下的参数识别。RIV与传统RLS相比显示参数识别的改进。

为简化参数识别过程中,电压源在ECM是省略了。图的等效电路1用于验证的参数识别方法。在模拟的真实值参数表中列出1。两届常量的RC网络不同,分别代表快速动态和缓慢的动态。

添加高斯白噪声与特定的方差在模拟电池端电压。噪声的标准差都设置为1 mV和10 mV,分别在本文48]。为了评估参数识别方法的性能,蒙特卡罗模拟进行了10次。选择的所有参数的初始值为零,最初的协方差矩阵是设置为110⁵RIV和RLS。Box-Jenkins模型中的噪声模型的顺序设置为1。从图的波德图3,识别结果与传统RLS明显偏移误差图3(一个)。在所有频率偏差变大时大噪音被添加到测量的标准差。即使对较低的噪音水平,识别的结果仍明显偏见的RLS真实系统。从结果如图所示3(一个)对测量噪声,传统的RLS相当敏感。相反,RIV图的结果3 (b)保持接近真实的传递函数在所有频率的测量噪声,这证明了参数识别方法的验证。

传统RLS和RIV的仿真结果如表所示2。RIV清楚的估计结果收敛于真实值模拟,虽然RLS的估计参数收敛到错误的价值观。很明显从10 mV的结果测量噪声的标准差。估计参数进一步转化为RC参数表3。如表所示3,从RIV RC参数更接近比RLS的引用。

5。实验测试

进一步验证参数识别方法真正的电池,从LiFePO测量₄电池应用于RIV评价。如图4,实验测试进行电池测试的长椅上包括一个主机,MACCOR 4000系列测试站,LiFePO₄电池。使用特定的电流充放电电池在测试室。测量数据发送回主机进行进一步分析。精度是0.01% + 1数字电压测量和0.02% + 1位数字为当前测量。LiFePO的额定容量₄这篇论文使用的电池是10啊,电池电压的范围在2.0 V和3.65 V。

为了验证本文的在线参数辨识方法,新欧洲行驶循环(NEDC)用于放电LiFePO₄电池。环境温度设置为25°C在测试室和样品时间是1秒的测试。按比例缩小的多个NEDC行驶循环使用的电池放电终止电压。详细的测量在NEDC剖面如图5。电池端电压降低低SOC地区快得多。电池的缴纳在这个实验中测量与5% SOC区间在充电和放电条件下,分别。充电和放电条件之间的平均缴纳用于建立OCV-SOC关系,如图6。我们适合eighth-order通过二次多项式函数优化利用MATLAB“quadprog”获取系数(49]。约束后与SOC的减少,减少缴纳OCV-SOC函数表示如下:

估计参数计算过程中两个RC ECM的RLS和RIV如图7和8。尽管RLS和RIV都能够准确地估计电池内阻,RIV可以获得更合理的估计的参数。特别是,估计的结果C₁和C₂RLS的振荡范围图8,而变化的C₁和C₂在RIV更合理,如图8。为了验证两个RC ECM的性能,确定参数从RLS和RIV替换成两个RC ECM。预测电池的端电压图所示9。两种算法的终端电压保持接近的测量,但细节图9显示,使用参数的两个RC ECM RIV接近参考。结果证实了图10绝对错误的预测计算终端电压。所示图的放大图10的绝对误差估计的终端电压参数RIV低于RLS。为了验证该方法的复杂性,笔记本电脑的计算时间(1.6 GHz CPU / 64位系统/ MATLAB 2019 b)计算。10次评价后,平均计算时间只有0.001秒,每一步证明了好的RIV估计的效率。

确定参数的平均值在卸货概要文件和两个RC ECM的性能评估表4。平均绝对误差(MAE)从RIV终端电压使用的参数是0.0219 V,并为RLS是0.0287 V。的RMSE RIV也低于利用RLS的参数。这主要是因为所确定的两个RC时间常数ECM更合理RIV如表所示4。因此,结合模拟的结果在前一节中,RIV识别的优势下的参数测量噪声与RLS相比了。

6。结论

本文首先使用RIV识别两个RC ECM电池建模的参数区域,该设施获得更合理的参数在线测量噪声的干扰。传统测量RLS对噪声很敏感,这可能是解决RIV数据过滤技术。电池Box-Jenkins模型建立了参数识别。辅助电池模型的好处和辅助噪声ARMA模型,RIV能够识别所有的参数与预滤器Box-Jenkins模型分别测量。高阶AR模型估计应用于独立生成输入噪声的模型。等效电路的仿真与不同噪声水平的验证证明RIV在处理测量噪声。而传统RLS未能覆盖的真正价值,RIV仍然能够准确地估计参数模拟。从LiFePO测量₄电池参数识别进一步证明了RIV的验证。预测终端电压的两个RC ECM表明使用所确定的参数从RIV比RLS的更准确,因为确认时间常数从RIV更合理。此外,参数的变化(数据7和8)在评估过程中更适合RIV与RLS相比。

未来的工作需要定量分析测量噪声的实验验证,这样的优势RIV可以证实。

数据可用性

电池的循环数据用于支持本研究的发现正在禁运而研究成果商业化。请求数据,本文的发表之后的12个月内,将被相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个工作是在佛山创新基金的支持下,项目没有。fs0aa - kj919 - 4402 - 0062,中国博士后科学基金会项目号。2020 m673218和2020 tq0222。

引用

1. o·施密特,a·霍克斯、a . Gambhir和Staffell,“未来电能存储基于经验的成本率,”自然能源,卷2,不。2017年8篇文章ID 17110。视图:出版商的网站|谷歌学术搜索
2. 冯,x, l·胡f . Hu y,和l .张“传播机制和诊断在锂离子电池组参数不一致,”可再生能源和可持续能源的评论卷,112年,第113 - 102页,2019年。视图:出版商的网站|谷歌学术搜索
3. f .冯x, x Lin j . Liu和b . Liu”回顾了串联电池组的均衡策略:变量、目标、和算法,”可再生能源和可持续能源的评论文章ID 109464卷,116年,2019年。视图:出版商的网站|谷歌学术搜索
4. y . k . Liu商、问:欧阳和w·d·Widanage“数据驱动的方法与不确定性量化预测未来能力和剩余使用寿命的锂离子电池,”IEEE工业电子产品,卷2020,p . 2020。视图:出版商的网站|谷歌学术搜索
5. 罗j .孟m . Ricco g . et al .,”概述和比较的在线可实现锂离子电池SOC估计方法,”IEEE行业应用,54卷,不。2、1583 - 1591年,2018页。视图:出版商的网站|谷歌学术搜索
6. k . k . Liu, z, c,和j .邓”电池的最佳充电策略基于热电耦合模型”《IEEE国会进化计算(CEC)加拿大温哥华,页5084 - 5091,2016年7月。视图:出版商的网站|谷歌学术搜索
7. d . i也是诉打碎,e . Schaltz”的健康状况评估基于部分的锂离子电池充电电压概要文件,”ECS事务,卷85,不。13日,379 - 386年,2018页。视图:出版商的网站|谷歌学术搜索
8. h·戴·g·赵,m·林和g .郑j . Wu”小说为锂离子电池的健康状态评估方法使用前以知识为基础的神经网络和马尔可夫链,”IEEE工业电子产品,卷66,不。10日,7706 - 7716年,2019页。视图:出版商的网站|谷歌学术搜索
9. 冯,x, k .刘et al。”一个实际和综合评价方法对串联电池组模型,”IEEE交通电气化》第六卷,没有。2、391 - 416年,2020页。视图:出版商的网站|谷歌学术搜索
10. j·l . Lu x汉,j . Li Hua,和m .欧阳,“回顾电动汽车锂离子电池管理的关键问题,“能源杂志卷,226年,第288 - 272页,2013年。视图:出版商的网站|谷歌学术搜索
11. c . s .黄W.-S。周润发,M.-Y。周星驰,“锂电池参数识别与低通滤波器测量噪音抑制,”进行2017年IEEE 26日工业电子(ISIE)国际研讨会,页2075 - 2080,代尔夫特,荷兰,2017年6月。视图:出版商的网站|谷歌学术搜索
12. 问:欧阳,z . Wang k . Liu g .徐和y,“最佳锂离子电池组的充电控制:分布式平均跟踪方法,”IEEE工业信息,16卷,不。5,3430 - 3438年,2020页。视图:出版商的网站|谷歌学术搜索
13. f . x x, k . Liu Wang高,j .宏观和w·d·Widanage”迁移模型神经网络预测电池老化轨迹,“IEEE交通电气化》第六卷,没有。2、363 - 374年,2020页。视图:出版商的网站|谷歌学术搜索
14. s . m . Lukic j .剑曹r·c·邦萨尔f·罗德里格斯和a . Emadi“能源存储系统为汽车应用,”IEEE工业电子产品,55卷,不。6,2258 - 2267年,2008页。视图:出版商的网站|谷歌学术搜索
15. k . Liu x, y . Li m . Lucu和w·d·Widanage“高斯过程回归与自动相关性测定内核日历预测锂离子电池老化,“IEEE工业信息,2020卷,2020年。视图:出版商的网站|谷歌学术搜索
16. k . Liu x, z, y, y江,”修改后的高斯过程回归模型预测锂离子电池的循环能力,”IEEE交通电气化,2019卷,2019年。视图:出版商的网站|谷歌学术搜索
17. 傅y z . Chen, c . c . Mi”锂离子电池电荷状态估计的电力驱动车辆使用扩展卡尔曼滤波,”IEEE车辆技术,卷62,不。3、1020 - 1030年,2013页。视图:出版商的网站|谷歌学术搜索
18. m . Cacciato g .高贵的g . Scarcella, g . Scelba”实时的基于模型的SOC估计和SOH能源存储系统”IEEE电力电子,32卷,不。1,第803 - 794页,2017。视图:出版商的网站|谷歌学术搜索
19. x, x Wang k . Liu f·高,b . Liu和w·d·Widanage“实时老化轨迹预测使用基地面向模型的梯度校正粒子滤波对于锂离子电池,”能源杂志文章ID 227118卷,440年,2019年。视图:出版商的网站|谷歌学术搜索
20. l . Cai j .孟大爷我。也是,j .彭、g·罗和r . Teodorescu“数据驱动的多目标优化模型为锂离子电池SOH估计短期特征,“IEEE电力电子,35卷,不。11日,第11864 - 11855页,2020年。视图:出版商的网站|谷歌学术搜索
21. b . Balagopal和m . y . Chow”艺术的状态估计方法的健康状况(SOH)和状态函数(SOF)的锂离子电池,”进行的- 2015工业信息学INDIN IEEE国际会议剑桥大学,页1302 - 1307年,英国,2015年7月。视图:出版商的网站|谷歌学术搜索
22. m . Berecibar Gandiaga,比利亚雷亚尔,n .奥马尔·j·范·Mierlo和p . Van Den Bossche,”评论的锂离子电池健康状态估计方法的实际应用中,“可再生能源和可持续能源的评论,56个卷,第587 - 572页,2016年。视图:出版商的网站|谷歌学术搜索
23. k, t·r·Ashwin x, m . Lucu和w·d·Widanage”评估研究不同日历老化预测建模技术的锂离子电池,”可再生能源和可持续能源的评论文章ID 110017卷,131年,2020年。视图:出版商的网站|谷歌学术搜索
24. y兴、j . Na和r . Costa-Castello“实时自适应参数估计对于聚合物电解质膜燃料电池,”IEEE工业信息,2019卷,2019年。视图:出版商的网站|谷歌学术搜索
25. j .孟罗,m . Ricco m . Swierczynski大爷我。也是,r . Teodorescu”的概述在电动汽车锂离子电池电荷状态估计建模方法,”应用科学,8卷,不。5,659年,页2018。视图:出版商的网站|谷歌学术搜索
26. 刘f·冯滕,k . et al .,“Co-estimation锂离子电池电荷状态和基于混合electrochemical-thermal-neural-network模型温度状态,”能源杂志文章ID 227935卷,455年,2020年。视图:出版商的网站|谷歌学术搜索
27. j . Na y兴,r . Costa-Castello”自适应估计时变参数的应用程序roto-magnet植物,”IEEE系统,人,和控制论:系统卷,2018年,页1 - 11,2018。视图:出版商的网站|谷歌学术搜索
28. l .周y郑,m .欧阳,l . Lu”研究对电动汽车电池组参数变化的影响,”能源杂志卷,364年,第252 - 242页,2017年。视图:出版商的网站|谷歌学术搜索
29. 段,z, p .顾z周,和c,“评估基于信息熵的电池不一致性。”杂志的能量储存》16卷,第166 - 160页,2018年。视图:出版商的网站|谷歌学术搜索
30. y . j . Zhang Wei, h .气,“磷酸铁锂电池的电荷状态估计在线参数辨识的基础上,“应用数学建模,40卷,不。11 - 12,6040 - 6050年,2016页。视图:出版商的网站|谷歌学术搜索
31. q, r, c .林w·沈和j .邓“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,”IEEE车辆技术,卷66,不。10日,8693 - 8701年,2017页。视图:出版商的网站|谷歌学术搜索
32. j .孟大爷我。也是,m . Ricco g·罗,r . Teodorescu”一个简化的基于模型的锂离子电池电荷状态估计方法与动态线性模型,”IEEE工业电子产品,卷66,不。10日,7717 - 7727年,2019页。视图:出版商的网站|谷歌学术搜索
33. g . l . Plett”扩展卡尔曼滤波LiPB-based混合电动汽车电池组的电池管理系统”能源杂志,卷134,不。2、277 - 292年,2004页。视图:出版商的网站|谷歌学术搜索
34. h·戴·t·徐,l .朱x, z和太阳,“自适应模型参数识别大容量锂离子电池在时间尺度分离,“应用能源卷,184年,第131 - 119页,2016年。视图:出版商的网站|谷歌学术搜索
35. h . Rahimi-Eichi f . Baronti, M.-Y。食物,”在线自适应参数辨识和电荷状态coestimation锂聚合物电池,”IEEE工业电子产品,卷61,不。4、2053 - 2061年,2014页。视图:出版商的网站|谷歌学术搜索
36. 孟j . m . Ricco a b Acharya et al .,“低在线估计磷酸铁锂电池在电动汽车充电的状态,”能源杂志卷,395年,第288 - 280页,2018年。视图:出版商的网站|谷歌学术搜索
37. c . Zhang w . Allafi Dinh, p . Ascencio和j·马可,“在线电池等效电路模型参数和状态估计的使用最小二乘解耦技术,”能源卷,142年,第688 - 678页,2018年。视图:出版商的网站|谷歌学术搜索
38. h .他r .熊x张f .太阳,和j .粉丝”电荷状态估计的锂离子电池使用一种自适应扩展卡尔曼滤波基于一种改进的等效发电机模型,”IEEE车辆技术,60卷,不。4、1461 - 1469年,2011页。视图:出版商的网站|谷歌学术搜索
39. l . Gregory”Sigma-point卡尔曼滤波LiPB-based混合电动汽车的电池管理系统的电池组第1部分:介绍和状态估计,“能源杂志,卷161,不。2、2006。视图:出版商的网站|谷歌学术搜索
40. l .陈“锂离子电池电荷状态估计的新方法结合灰色模型和遗传算法,”IEEE电力电子,8993卷,2017年。视图:出版商的网站|谷歌学术搜索
41. x z, l·肖h . Li朱,和r .淮河”模型参数辨识锂电池使用共同进化粒子群优化方法,”IEEE工业电子产品,卷64,不。7,5690 - 5700年,2017页。视图:出版商的网站|谷歌学术搜索
42. p c .年轻,“精致的工具变量估计:最大似然优化统一box-jenkins模型,”自动化52卷,35-46,2015页。视图:出版商的网站|谷歌学术搜索
43. x, y, c .邹k .姚明,y,和f·高,“小说锂离子电池建模框架考虑温度和老化的不确定性,”能量转换和管理卷,180年,第170 - 162页,2019年。视图:出版商的网站|谷歌学术搜索
44. x,彭和h, s . Li“锂离子电池的等效电路模型的比较研究,“能源杂志卷,198年,第367 - 359页,2012年。视图:出版商的网站|谷歌学术搜索
45. d . t . s .内贾德Gladwin, d . A .石头”系统回顾统括参数等效电路模型的实时估计的锂离子电池状态,”能源杂志卷,316年,第196 - 183页,2016年。视图:出版商的网站|谷歌学术搜索
46. p .年轻,“一些观察工具变量的时间序列分析方法,”国际期刊的控制,23卷,不。5,593 - 612年,1976页。视图:出版商的网站|谷歌学术搜索
47. p c .年轻递归最小二乘估计递归估计和时间序列分析页29-46 Springer,柏林,德国,2011年。
48. x, c .邹t伟嘉et al .,“每次运行控制磷酸亚铁锂电池组的积极平衡,”IEEE电力电子,35卷,不。2、1499 - 1512年,2020页。视图:出版商的网站|谷歌学术搜索
49. p . Malysz j .你们r·顾h·杨和a . Emadi”电池state-of-power峰值电流的计算和验证使用非对称参数等效电路模型,”IEEE车辆技术,卷65,不。6,4512 - 4522年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年温家宝et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。