买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏大学申请的专利一种锂离子电池状态联合估算方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115047357B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210532915.1，技术领域涉及：G01R31/3842；该发明授权一种锂离子电池状态联合估算方法是由王亚平;顾乃朋;栗欢欢;肖煜乾;袁朝春;盘朝奉;蔡英凤;陈龙设计研发完成，并于2022-05-16向国家知识产权局提交的专利申请。

本一种锂离子电池状态联合估算方法在说明书摘要公布了：本发明公开了一种锂离子电池状态联合估算方法，主要涉及基于奇异值分解的自适应双拓展卡尔曼滤波算法SVDDAEKF的锂离子电池的SOC和SOH联合估算方法，该方法以精确估算锂离子电池SOC和SOH值为目标，针对由于异常扰动、不准确的初始值、单片机字节有限而存在舍入误差而引起滤波发散，基于普通的拓展卡尔曼滤波算法，将状态量协方差矩阵进行奇异值分解，从而克服误差协方差矩阵非正定的问题。在电池等效电路模型的基础上运用SVDDAEKF算法对电池进行SOC和SOH联合估算。本发明能够避免普通卡尔曼滤波算法在协方差矩阵的迭代过程中，由于单片机字节限制而失去其正定性从而引起滤波发散，并且实时调整过程噪声协方差，提高算法估算荷电状态的精度以及收敛速度。

本发明授权一种锂离子电池状态联合估算方法在权利要求书中公布了：1.一种锂离子电池状态联合估算方法，其特征在于，包括以下步骤： 步骤一、读取电池初始值和容量初始值； 步骤二、建立锂离子电池的二阶等效电路模型，基于基尔霍夫电压定律，得出模型的状态空间方程； 步骤三、采集开路电压数据与荷电状态数据，得到两者之间的关系，基于二阶等效电路模型，对模型的状态空间方程进行离散化处理，并将离散化后的方程改写成最小二乘形式，然后运用带遗忘因子的偏差补偿最小二乘法并结合开路电压与荷电状态之间的关系，通过所输入的电池电流、电压数据，对模型参数进行辨识； 步骤四、对普通拓展卡尔曼进行改进，对误差协方差矩阵进行奇异值分解以及噪声误差协方差矩阵实时更新； 步骤五：根据所得初始值以及模型参数，采用基于奇异值分解的自适应拓展卡尔曼以及自适应拓展卡尔曼分别建立电池荷电状态和SOH联合估算的多尺度计算公式；其中SOH可以用电池此刻的最大可用容量来表示，因此可以通过估算电池此刻的最大可用容量来估算电池SOH，可以表达为：先运行容量估算模块，将估算出的容量值以及采集到的电流、电压值传入荷电状态估算模块，计算获得荷电状态值，同时将荷电状态估算过程中获得观测量传入容量估算模块参与计算，进行容量的估算；由于容量的变化缓慢而荷电状态时刻变化，采用多时间尺度的方式，宏观尺度上对容量进行估算，微观时间尺度上对荷电状态进行估算，容量每60s更新一次，而荷电状态值每1s更新一次； 步骤二中所述状态空间方程包括状态方程和观测方程，表示为： 其中，k代表第k采样时刻，t为采样时间，R0为电池的欧姆内阻，R1、R2以及C1、C2分别是电池的极化电阻和极化电容，τ1、τ2为极化时间常数且有τ1＝R1C1、τ2＝R2C2，U1、U2为两个RC环节的端电压，Cmax为电池额定容量，Uoc为电池的开路电压，i为电池的工作电流，Ut为电池端电压，ω为过程噪声，ν为测量噪声，SOC为电池的荷电状态；双时间尺度k和l分别描述宏观时间尺度和微观时间尺度，可以看作：xk,l为tk,l＝tk,0+l×Δt1≤l≤Lz时刻系统的状态，Lz为尺度转换限制，即一个宏观尺度等于Lz个微观时间尺度； 步骤三中所述电池的开路电压与荷电状态关系通过静置法，将电池从满电开始间隔放电，通过静置获取电池的开路电压； 进一步，通过Matlab拟合工具对开路电压和荷电状态进行多项式拟合，得到开路电压和荷电状态之间的关系： 步骤三中所述模型参数包括电池容量、电池极化内阻、极化电容、浓差极化内阻、浓差极化电容，通过电池动态应力测试采集数据，利用带遗忘因子的偏差补偿最小二乘法对参数进行辨识； 带遗忘因子的偏差补偿最小二乘法的参数辨识过程如下： 参数初始化：其中，θBC0为偏差补偿最小二乘法辨识的初始值，θLS0为带遗忘因子的最小二乘法辨识的初始值，J0为代价函数初始值，P0为协方差矩阵初始值； 计算估计误差： 更新系统增益矩阵：未考虑噪声的参数估计：θLSk+1＝θLSk+Kk+1ek+1误差准则函数计算：电压信号噪声的平均加权方差估计：更新系统误差协方差：更新偏差补偿后的参数估计： 输出带遗忘因子的偏差补偿最小二乘法辨识的参数结果θBCk+1，然后根据下式： 求出模型参数R0、R1、C1、R2、C2； 步骤四中对普通拓展卡尔曼改进包括对协方差矩阵进行SVD分解，改进后的算法具体流程如下： xk+1|k＝Axk+BukUk+1|k＝Vk'、Dk+1|k＝D'kKk+1＝Uk+1Dk+12Uk+1TCTLk+1Lk+1Txk+1＝xk+1k+Kk+1ek步骤五中SOH估算采用电池容量来表征，并且在采用自适应拓展卡尔曼滤波算法对容量进行估算，在电池实际工作中，SOH相对于荷电状态来说，变化是十分缓慢的，因此采用多尺度的方法，从宏观时间尺度上对荷电状态进行估算，微观时间尺度上对容量进行估算； 步骤五中所述自适应拓展卡尔曼滤波算法如下： 初始化：x0、P0、R0、Q0时间更新：xk+1|k＝Axk+Buk误差协方差矩阵预测：Pk+1|k＝APkAT+Qk噪声矩阵更新：计算卡尔曼滤波增益：Kk+1＝Pk+1|kCTCPk+1|kCT+Rk+1‑1观测更新：xk+1＝xk+1|k+Kk+1yk+1‑gxk+1|k,uk误差协方差矩阵更新：Pk+1＝I‑Kk+1CPk+1|k噪声矩阵更新：进一步，参数估计中：系统的状态空间方程为： 步骤五中所述荷电状态和SOH协同估算框架为： 分别设置容量观测器AEKFθ和状态观测器SVDAEKFχ初始值： 式中，θ0,0,分别为容量观测器AEKFθ的初始容量值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值；χ0,0,分别为状态观测器SVDIEKFχ的状态初始值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值，为初始误差协方差矩阵的分解矩阵；为观测噪声协方差，且满足则当估计开始时，0时刻的值转换为k‑1时刻、0，0时刻的值转化为k‑1，l‑1的值； 基于宏观时间尺度的容量观测器AEKFθ的时间更新： 对于微观时间尺度序列，l＝1,2,...,Lz，当l达到尺度转换限值Lz，即完成一个宏观时间尺度下的微观时间尺度循环计算，进入下一步宏观时间尺度，也就是k→k+1的转换； 基于微观时间尺度的状态观测器SVDAEKFχ的时间更新： χk,l+1|l＝Ak,lχk,l+Bk,luk,l状态估计新息矩阵更新：ek,l＝yk,l‑gxk,l+1|l,θk+1|k,uk,l其中，作矩阵M1并作奇异值分解：得到预测误差协方差矩阵的分解矩阵： 观测误差协方差矩阵更新： 作矩阵M2并作奇异值分解：其中误差协方差矩阵更新的奇异值分解矩阵：卡尔曼滤波增益：过程噪声协方差矩阵更新：状态估计：微观时间尺度循环计算l＝1:Lz和尺度转换当l＝Lz时： 至此完成一个宏观时间尺度下的微观时间尺度循环计算，下一步回到宏观时间尺度进行容量估计的测量更新； 容量估计新息矩阵更新： 测量误差协方差矩阵更新：卡尔曼滤波增益更新：其中，容量估计值修正： 误差协方差矩阵更新：至此，完成了k时刻的状态和容量的多时间尺度估计，准备进入k+1时刻的估计。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。