基于IUPF算法與可變參數(shù)電池模型的SOC估計方法

劉新天 李 賀 何 耀 鄭昕昕 曾國建

(合肥工業(yè)大學(xué)智能制造技術(shù)研究院, 合肥 230009)

鋰電池荷電狀態(tài)(SOC)直接反映電池的剩余容量[1],并在一定程度上反映電動汽車的續(xù)航里程[2]．SOC的準(zhǔn)確估計對實現(xiàn)電池電量的有效管理和續(xù)航里程的準(zhǔn)確預(yù)估、避免電池過充和過放具有重要意義[3-4]．鋰電池在使用過程中表現(xiàn)出較高的非線性,針對這一特性,目前常用的SOC估計算法主要有2類:① 基于卡爾曼濾波思想的方法．基于無跡變換的無跡卡爾曼濾波(UKF)算法,與擴(kuò)展卡爾曼濾波(EKF)算法相比不需要對系統(tǒng)方程進(jìn)行線性化,從而能更加真實地反映整個系統(tǒng)的特性,有助于系統(tǒng)精度的提升[5-6]．② 基于粒子濾波思想的算法[7]．相對于卡爾曼系列濾波算法，基于粒子濾波思想算法更適用于非線性系統(tǒng),但該類算法固有粒子匱乏且計算量較大,在應(yīng)用中實時響應(yīng)性能較差．結(jié)合2類算法的優(yōu)缺點,文獻(xiàn)[8]在UKF算法的基礎(chǔ)上，結(jié)合粒子濾波算法產(chǎn)生非線性粒子濾波的建議分布，實現(xiàn)基于無跡卡爾曼粒子濾波(UPF)算法，有較高估算精度．但當(dāng)系統(tǒng)狀態(tài)噪聲和量測噪聲二者所帶來影響較大時,上述濾波算法的估計精度難以得到保證．

濾波算法的準(zhǔn)確性很大程度上取決于所建立電池模型能否反應(yīng)電池真實特性,因此建立較為精確的電池模型是提高SOC估算精度的關(guān)鍵．為保證模型的實時有效性,在實際建模過程中,應(yīng)在保證模型精度的同時盡量減小電池模型復(fù)雜度．對常見Thevenin模型、RC模型、PNGV模型和Rint模型[9-11],Thevenin模型具有易進(jìn)行模型參數(shù)辨識實驗、物理意義明確等優(yōu)點,被廣泛應(yīng)用于電池建模中[12]．但傳統(tǒng)Thevenin模型中模型參數(shù)固定,無法及時反應(yīng)電池的實時動態(tài)特性．針對此問題,文獻(xiàn)[13]通過對Thevenin模型中模型參數(shù)與SOC關(guān)系的分析,在SOC的基礎(chǔ)上建立了可變參數(shù)Thevenin模型．文獻(xiàn)[14-16]闡述了電池的溫度特性,為Thevenin模型中模型參數(shù)與溫度關(guān)系的擬合提供了依據(jù)．

通過上述對SOC估計研究的分析,本文首先通過對鋰電池內(nèi)阻變化規(guī)律的分析,建立受溫度T和SOC影響的可變參數(shù)Thevenin模型．因鋰電池壽命也會導(dǎo)致電池參數(shù)的變化,為保證所建立模型的準(zhǔn)確及適用性,本文選擇同類型同一批次的多個電池單體作為研究對象,在實際建模過程中,暫不考慮電池壽命的影響．然后在所建立電池模型的基礎(chǔ)上將系統(tǒng)狀態(tài)噪聲和量測噪聲兩者引入到UPF算法初始狀態(tài)中,使采樣點中含有此類噪聲,進(jìn)而提出一種基于IUPF算法與可變參數(shù)電池模型的SOC估計方法,并對IUPF算法的優(yōu)勢及其對SOC狀態(tài)的估計過程進(jìn)行了分析．最后通過實驗和仿真驗證了所采用模型的有效性和對SOC估計的優(yōu)越性．

1 電池模型的建立

根據(jù)傳統(tǒng)Thevenin模型建立受溫度T和SOC影響的可變參數(shù)Thevenin模型,如圖1所示．

圖1 可變參數(shù)Thevenin模型

根據(jù)圖1模型建立如下模型參數(shù)方程:

(1)

式中,Uoc,U1分別為開路電壓、端電壓;Rpol,Cpol分別為極化內(nèi)阻、極化電容;Rohm,Ri分別為歐姆內(nèi)阻和其他內(nèi)阻;I1為充放電電流.Cpol,Rpol,Rohm和Ri均為受SOC和溫度T影響的可變參數(shù),為對模型參數(shù)進(jìn)行較好的擬合,選取單節(jié)額定容量為9 A·h的鋰電池,通過混合動力脈沖特性(HPPC)實驗[17],對模型中Rohm,Rpol等參數(shù)進(jìn)行測定．其中，U0為極化電壓.

圖2給出了通過多次HPPC實驗測得的Rohm與SOC,T的關(guān)系．通過對圖2分析可知:在SOC<0.3時Rohm隨溫度T和SOC兩者同時變化;在SOC>0.3時Rohm只隨溫度T變化,且在SOC<0.6時Rohm的阻值比SOC>0.6時的阻值略高．為提高模型準(zhǔn)確性將SOC分為[0,0.3)、[0.3,0.6)、[0.6,1]三個區(qū)域?qū)ohm進(jìn)行分析．

圖2 測定Rohm與SOC，T的關(guān)系

與上述類似,可通過HPPC實驗測得Rpol和SOC,T的關(guān)系,如圖3所示．

圖3 測定的Rpol和SOC，T關(guān)系

通過對圖3的分析可知,Rpol與Rohm具有類似的變化規(guī)律,因此也將SOC分為[0,0.3)、[0.3,0.6)、[0.6,1]三個區(qū)域來對Rpol進(jìn)行分析．

2 電池模型參數(shù)的辨識

為得到實際各參數(shù)與SOC,T的函數(shù)關(guān)系,利用離散數(shù)據(jù)擬合的方法對測量得到的不同SOC下各溫度點對應(yīng)的阻值進(jìn)行擬合．

2.1 Rohm和Rpol的參數(shù)辨識

通過上述分析可知,在SOC<0.3時，Rohm,Rpol隨T和SOC同時變化,為建立較為精確的電池模型同時又使電池模型不過于復(fù)雜,在SOC<0.3時,將SOC和T作為等效內(nèi)阻模型輸入量,采用兩水平因子實驗設(shè)計(DOE)方法進(jìn)行擬合．中心復(fù)合設(shè)計(CCD)具有設(shè)計簡便、系統(tǒng)性強(qiáng)等優(yōu)勢,在DOE應(yīng)用中最為常見．本文將基于CCD的DOE應(yīng)用于內(nèi)阻模型中,把T,SOC作為輸入量對內(nèi)阻進(jìn)行擬合,擬合的等效內(nèi)阻模型包含一次項、二次項和交叉項,擬合原理如圖4所示．

圖4 基于CCD的內(nèi)阻DOE模型

當(dāng)SOC>0.3時溫度T是影響內(nèi)阻變化的主要因素,可將溫度T作為輸入量利用最小二乘法對內(nèi)阻進(jìn)行擬合．

通過以上分析,對Rohm,Rpol進(jìn)行分段擬合,結(jié)果如圖5所示．

(a) 測定Rohm與SOC的關(guān)系

(b) 擬合Rohm與SOC的關(guān)系

(c) 測定Rohm與溫度T的關(guān)系

(d) 擬合Rohm與溫度T的關(guān)系

圖5中給出了測定及擬合Rohm與SOC，T的關(guān)系,其對應(yīng)的分段擬合方程為

(2)

式中,a0,a1,…,a5,b0,b1,b2,c0,c1,c2為系數(shù).

表1是同類型同一批次多個電池單體進(jìn)行多次擬合的均值,在實際應(yīng)用時應(yīng)有95%置信度水平的置信區(qū)間.因為在實際應(yīng)用中會有大量的電池,同種電池單體參數(shù)基本上都存在差異,分段擬合所得的Rohm與SOC,T關(guān)系圖如圖6所示．

表1 Rohm參數(shù)辨識

由上述HPPC實驗可知,測得的Rpol與Rohm具有相似的性質(zhì),因此本文對Rpol采用類似分段擬合方法進(jìn)行擬合．對于其他內(nèi)阻Ri,由于相對于Rohm和Rpol較小,因此在電池建模中將其忽略不計．

2.2 Cpol參數(shù)的辨識

電池停止放電3τ時間后,極化電壓將衰減95%,通過充放電實驗得到典型溫度下電池極化過程時間常數(shù)τ的測量結(jié)果，如表2所示．

表2 典型溫度下τ的測量值

通過對測量數(shù)據(jù)分析，得到如下參數(shù)τ的擬合方程:

τ=k1eTk2+k3

(3)

式中,k1,k2,k3為辨識參數(shù),如表3所示．

表3 τ參數(shù)辨識

由此可得Cpol表達(dá)式為

(4)

3 算法模型

為了表征溫度、充放電倍率、容量等對SOC估計的影響,電池SOC狀態(tài)方程可表示為

(5)

κ=|i(t)|/CN

(6)

式中,SOC(0),SOC(t)分別為0,t時刻的SOC值;η為充放電效率,根據(jù)鋰電池充放電特性,在不同溫度及SOC下鋰電池的充放電效率都近似為1[18],因此為了在保證電池模型精度的同時又使模型不至于特別復(fù)雜,此處充放電效率取為1;i(τ) 為充放電電流;κ為充放電倍率;CN為常溫下電池的標(biāo)稱容量;C(T,κ,t)為電池在不同充放電倍率及溫度條件下的可用容量．

根據(jù)圖1及式(1),建立如下參數(shù)方程:

U1(T,SOC)=Uoc-Rohm(T,SOC)I1-U0(T,SOC)

(7)

將式(5)、(7)離散化,可得到如下離散狀態(tài)空間方程:

(8)

yk+1=h(xk,uk)+wk=

Uoc-Rohm(T,xk)uk-U0(T,xk)+wk

(9)

式中,xk,Δt分別為第k次計算得到的SOC值和采樣周期;vk,wk分別為系統(tǒng)狀態(tài)噪聲和量測噪聲,兩者皆是均值為零、方陣分別為Q和R的不相關(guān)的高斯白噪聲；yk為觀測變量,表征利用電池模型進(jìn)行第k次計算得到的端電壓U1;uk為輸入變量,表征第k次計算時電池充放電電流I1．

當(dāng)系統(tǒng)狀態(tài)噪聲和量測噪聲影響較大時,傳統(tǒng)濾波算法很難保證其估計精度．針對此問題,本文將系統(tǒng)狀態(tài)噪聲和量測噪聲引入到UPF算法初始狀態(tài)中,使采樣點中含有此類噪聲．從而在狀態(tài)預(yù)測和更新過程中,系統(tǒng)噪聲的影響能夠在非線性系統(tǒng)中傳輸和估計,使濾波信號更好地趨近于真實值,實現(xiàn)基于IUPF算法的SOC估計．根據(jù)所建立電池模型的狀態(tài)空間方程,利用IUPF算法實現(xiàn)SOC狀態(tài)估計過程.

(10)

(11)

(12)

(13)

然后,當(dāng)k=1,2,…時,IUPF算法的狀態(tài)具體估算過程如下.

① 粒子Sigma點采樣為

(14)

其中狀態(tài)變量為

(15)

(16)

狀態(tài)方差為

(17)

② 粒子和估計誤差協(xié)方差時間更新過程為

(18)

(19)

(20)

(21)

(22)

(23)

③ 粒子量測更新過程為

(24)

(25)

(26)

(27)

(28)

進(jìn)行歸一化后得到

(29)

3) 更新SOC值,得到

(30)

上述IUPF算法采用多粒子改進(jìn)的UKF算法,在一定程度上去除了使用單粒子卡爾曼濾波時由于系統(tǒng)非線性及因噪聲的非高斯分布而產(chǎn)生的系統(tǒng)誤差以及可能存在的發(fā)散性;同時將系統(tǒng)狀態(tài)噪聲和量測噪聲引入到采樣點中,在狀態(tài)預(yù)測和更新過程中,系統(tǒng)噪聲的影響就可以在非線性系統(tǒng)中傳輸和估計．在時間更新、量測更新過程中,狀態(tài)值考慮過程噪聲的影響,測量值考慮量測噪聲的影響,使得濾波信號更好地趨近真實值,提高了SOC估計的精度．

4 仿真和實驗驗證

4.1 電池模型精度的驗證

為了對可變參數(shù)Thevenin模型的精度進(jìn)行驗證,選取單節(jié)額定容量為9 A·h的磷酸鐵鋰電池分別在-20,-10,0,10,20 ℃環(huán)境下進(jìn)行充放電實驗．實驗測試平臺原理圖如圖7所示．

圖7 實驗測試平臺原理圖

圖7中,高低溫箱為Partner高低溫箱;充放電柜為恒翼能充放電柜(HT10080C);通訊設(shè)備為恒翼能RS-485/232轉(zhuǎn)換器;上位機(jī)軟件為HYN HighPower Battery Test System;充放電在對電池模型進(jìn)行參數(shù)辨識時,采用了HPPC工況,為充分驗證電池模型具有較高的精度,此處放電波形采用USABC實驗手冊中規(guī)定的DST工況波形．經(jīng)過每個DST工況,電池放出0.45 A·h的電量,20 ℃時20次循環(huán)可將電池電量放完．將各溫度下可變參數(shù)Thevenin模型端電壓與實測端電壓以及傳統(tǒng)Thevenin模型端電壓進(jìn)行比較．

圖8給出了多個溫度下進(jìn)行DST工況充放電實驗時鋰電池端電壓變化曲線．通過對圖8及多個溫度下進(jìn)行DST工況充放電實驗時鋰電池的端電壓的分析可得:常溫下可變參數(shù)Thevevnin模型和傳統(tǒng)Thevenin模型參數(shù)相差不大;而低溫環(huán)境下模型參數(shù)受溫度影響較大,故傳統(tǒng)Thevenin模型估計精度較差．表4給出了各溫度下2種模型端電壓的平均絕對誤差,其表達(dá)式為

(31)

(a) DST工況電流曲線

(b) 20 ℃兩種電池模型端電壓

(c) -10 ℃兩種模型的端電壓

式中,eMAE,ek分別為平均絕對誤差和k時刻絕對誤差．通過對圖8及在多個溫度下DST工況充放電實驗電池的端電壓變化分析，以及結(jié)合表4可以看出,通過HPPC實驗方法建立的電池模型在DST工況下仍具有精度高、誤差小的特點,充分驗證了所建立電池模型的準(zhǔn)確性．

表4 端電壓平均絕對誤差 V

4.2 SOC估計精度的驗證

為了驗證IUPF算法對鋰電池SOC估計的優(yōu)越性,選取單節(jié)額定容量為9 A·h的磷酸鐵鋰電池,以3 A電流脈沖放電,放電電流波形見圖9．進(jìn)行MATLAB仿真實驗,將IUPF與EKF,UKF,UPF從估算誤差、魯棒性等方面進(jìn)行比較．初始時保持電池為滿電狀態(tài)(即SOC=100%),仿真時將粒子數(shù)設(shè)為50,將(0,1)均勻分布產(chǎn)生的50個粒子的估計方差初值設(shè)為1．在具體仿真過程中,依照IUPF算法狀態(tài)估計過程進(jìn)行SOC值的不斷計算更新,得到SOC估計曲線．為了定量比較各算法的性能,在不同工況下對各算法的最大估計誤差進(jìn)行分析．

圖9 放電電流曲線

1) 在常溫(20±1) ℃下對IUPF算法在系統(tǒng)狀態(tài)、量測噪聲影響較大時的估算精度進(jìn)行驗證,分別進(jìn)行以下仿真實驗:初始給予系統(tǒng)較小的系統(tǒng)噪聲、量測噪聲,得到各類算法SOC估計及誤差曲線．通過對圖10的分析和結(jié)合表5中各算法的最大估算誤差可以發(fā)現(xiàn),UPF和IUPF算法估算精度可達(dá)到2.1%左右,相對于常用的EKF算法精度提高了約1.6%．然后取量測噪聲wk～(0,0.1)、狀態(tài)噪聲vk～(0,0.1),得到IUPF,UPF,UKF等算法SOC估計及誤差曲線見圖11．通過對比圖11誤差曲線和結(jié)合表6可以發(fā)現(xiàn),在系統(tǒng)量測噪聲和狀態(tài)噪聲影響較大時相對于常用算法，IUPF算法估算精度明顯提高．

(a) SOC估計曲線

(b) SOC估計誤差曲線

算法EKFUKFUPFIUPF最大估計誤差/%3．632．362．112．02

(b) SOC估計誤差曲線

算法EKFUKFUPFIUPF最大估計誤差/%9．136．866．513．32

2) 為驗證系統(tǒng)在低溫下仍具有較高的估算精度,在低溫(-10±1) ℃下進(jìn)行3 A電流脈沖的放電實驗,得到不同算法估計及誤差曲線見圖12．通過對圖12的分析和結(jié)合表7中各算法的最大估算誤差可以發(fā)現(xiàn), 在低溫條件下,所采用的基于IUPF算法與可變參數(shù)電池模型的SOC估計方法仍具有良好的估算精度．

(a) SOC估計曲線

(b) SOC估計誤差曲線

算法EKFUKFUPFIUPF最大估計誤差/%5．743．583．243．19

3) 為驗證所建立的IUPF算法在模型參數(shù)擾動時的魯棒性,在3 A脈沖電流放電條件下,給予開路電壓U0一定的擾動,得到各算法SOC估計及誤差曲線見圖13．通過對圖13分析和結(jié)合表8中各算法最大估算誤差可以發(fā)現(xiàn),IUPF算法與UPF算法類似,相對于其他算法,對由模型參數(shù)擾動帶來的干擾有較強(qiáng)魯棒性．

通過對上述仿真實驗中各個狀態(tài)下各算法估計曲線及誤差曲線的分析,可以發(fā)現(xiàn)IUPF算法在多個溫度下相對于其他常用算法具有較高的估算精度．尤其是在系統(tǒng)狀態(tài)噪聲、量測噪聲影響較大時,IUPF算法相對于精度較高的UPF算法估算精度提高了約3.2%,且對模型參數(shù)所帶來的擾動具有良好的抗干擾性能．

(a) SOC估計曲線

(b) SOC估計誤差曲線

算法EKFUKFUPFIUPF最大估計誤差/%6．924．854．284．21

5 結(jié)論

1) 根據(jù)鋰電池內(nèi)阻變化規(guī)律及同種電池單體存在差異的特點,在95%置信水平上利用基于CCD的DOE和最小二乘法等參數(shù)擬合方法對電池模型參數(shù)進(jìn)行辨識．所建立的模型參數(shù)受溫度T和SOC影響的可變參數(shù)的Thevenin模型解決了現(xiàn)有模型適用范圍有限的問題,保證了電池模型的精度及適用性;所采用的參數(shù)擬合方法能夠根據(jù)較少測量數(shù)據(jù)得到較為精確的電池模型,在保證模型精度的同時減少了工作量．

2) 通過對系統(tǒng)噪聲和量測噪聲影響較大時對濾波算法估計精度所帶來影響的分析,提出了IUPF算法將系統(tǒng)狀態(tài)噪聲和量測噪聲兩者同時引入到采樣點當(dāng)中,在狀態(tài)預(yù)測和更新過程中,系統(tǒng)噪聲的影響就可以在非線性系統(tǒng)中傳輸和估計．與其他常用算法相比,所提出的IUPF算法,在較大的溫度范圍內(nèi)具有較高的估算精度,尤其是在狀態(tài)噪聲、量測噪聲影響較大時,其估計精度有明顯的提高．

)

[1] Chaoui H, Gualous H. Adaptive state of charge estimation of lithium-ion batteries with parameter and thermal uncertainties [J].IEEETransactionsonControlSystemsTechnology, 2017,25(2): 752-759. DOI: 10.1109/TCST.2016.2572362．

[2] 劉毅, 譚國俊, 何曉群. 優(yōu)化電池模型的自適應(yīng)Sigma卡爾曼荷電狀態(tài)估算[J]. 電工技術(shù)學(xué)報, 2017, 32(2): 108-118. DOI:10.19595/j.cnki.1000-6753.tces.2017.02.013.

Liu Yi, Tan Guojun, He Xiaoqun. Optimized battery model based adaptive sigma Kalman filter for state of charge estimation [J].TransactionsofChinaElectrotechnicalSociety, 2017,32(2): 108-118. DOI:10.19595/j.cnki.1000-6753.tces.2017.02.013. (in Chinese).

[3] Chen J, Xu C F, Su H Y, et al. Neural network-based state of charge observer design for lithium-ion batteries [J].IEEETransactionsonControlSystemsTechnology, 2018,26(1): 313-320. DOI: 10.1109/TCST.2017.2664726.

[4] 吳鐵洲, 羅蒙, 張琪, 等. 基于迭代擴(kuò)展卡爾曼濾波算法的電池SOC估算[J]. 電力電子技術(shù), 2016, 50(5): 95-98. DOI:10.3969/j.issn.1000-100X.2016.05.028

Wu Tiezhou, Luo Meng, Zhang Qi, et al. Battery SOC estimation based on iterative extended Kalman filter algorithm [J].PowerElectronics, 2016,50(5): 95-98.DOI:10.3969/j.issn.1000-100X.2016.05.028. (in Chinese)

[5] 何耀, 張陳斌, 劉興濤, 等. 基于信息融合的LiFePO4動力電池組SOC估計[J]. 控制與決策, 2014, 29(1):188-192. DOI:10.13195/j.kzyjc.2012.1441.

He Yao, Zhang Chenbin, Liu Xingtao, et al. SOC estimation for LiFePO4high-power batteries based on information fusion [J].ControlandDecision, 2014,29(1):188-192. DOI:10.13195/j.kzyjc.2012.1441. (in Chinese)

[6] 劉江, 王玉金, 段建雷, 等. 基于高斯分布的多層無跡卡爾曼濾波算法[J]. 控制與決策, 2016, 31(4): 609-615. DOI:10.13195/j.kzyjc.2015.0039.

Liu Jiang, Wang Yujin, Duan Jianlei, et al. Multi-layer unscented Kalman filtering algorithm based on Gaussian distribution[J].ControlandDecision, 2016,31(4):609-615. DOI:10.13195/j.kzyjc.2015.0039. (in Chinese)

[7] 汪永志, 貝紹軼, 汪偉, 等. 基于粒子濾波算法的動力電池SOC估計[J]. 機(jī)械設(shè)計與制造工程, 2014, 43(10):69-73. DOI:10.3969/j.issn.2095-509X.2014.10.016.

Wang Yongzhi, Bei Shaoyi, Wang Wei, et al. Battery state of charge estimation based on particle filter algorithm[J].MachineDesignandManufacturingEngineering, 2014,43(10): 69-73. DOI:10.3969/j.issn.2095-509X.2014.10.016． (in Chinese)

[8] 何耀. 動力鋰電池組狀態(tài)估計策略及管理系統(tǒng)技術(shù)研究[D]. 合肥:中國科學(xué)技術(shù)大學(xué)自動化系, 2012.

[9] 陳息坤, 孫冬, 陳小虎. 鋰離子電池建模及其荷電狀態(tài)魯棒估計 [J]. 電工技術(shù)學(xué)報, 2015, 30(15): 141-147. DOI:10.19595/j.cnki.1000-6753.tces.2015.15.016.

Chen Xiqun, Sun Dong, Chen Xiaohu. Modeling and state of charge robust estimation for lithium-batteries [J].TransactionsofChinaElectrotechnicalSociety, 2015,30(15): 141-147. DOI: 10.19595/j.cnki.1000-6753.tces.2015.15.016. (in Chinese)

[10] 戴海峰, 魏學(xué)哲, 孫澤昌. 基于等效電路的內(nèi)阻自適應(yīng)鋰離子電池模型[J]. 同濟(jì)大學(xué)學(xué)報(自然科學(xué)版), 2010, 38(1): 98-102. DOI:10.3969/j.issn.0253-374x.2010.01.018.

Dai Haifeng, Wei Xuezhe, Sun Zechang. An inner resistance adaptive model based on equivalent circuit of lithium-ion batteries [J].JournalofTongjiUniversity(NaturalScience), 2010,38(1): 98-102. DOI:10.3969/j.issn.0253-374x.2010.01.018. (in Chinese)

[11] 楊世春, 麻翠娟. 基于PNGV改進(jìn)模型的SOC估計算法[J]. 汽車工程, 2015, 37(5): 582-586,598. DOI:10.19562/j.chinasae.qcgc.2015.05.018.

Yang Shichun, Ma Cuijuan. SOC estimation algorithm based on improved PNGV model [J].AutomotiveEngineering, 2015,37(5): 582-586,598. DOI:10.19562/j.chinasae.qcgc.2015.05.018. (in Chinese)

[12] Xiong R, He H W, Zhao K. Research on an online identification algorithm for a thevenin battery model by an experimental approach [J].InternationalJournalofGreenEnergy, 2015,12(3): 272-278. DOI:10.1080/15435075.2014.891512.

[13] 張陽, 潘文霞. 帶可變參數(shù)鋰離子電池Thevenin模型[J]. 電源技術(shù), 2013, 37(5):755-757. DOI:10.3969/j.issn.1002-087X.2013.05.015.

Zhang Yang, Pan Wenxia. Thevenin model of lithium-ion battery with variable parameters [J].ChineseJournalofPowerSources, 2013,37(5): 755-757. DOI:10.3969/j.issn.1002-087X.2013.05.015. (in Chinese)

[14] 李哲, 韓雪冰, 盧蘭光, 等. 動力型磷酸鐵鋰電池的溫度特性[J]. 機(jī)械工程學(xué)報, 2011, 47(18): 115-120. DOI:10.3901/JME.2011.18.115.

Li Zhe, Han Xuebing, Lu Languang, et al. Temperature characteristics of power LiFePO4batteries [J].JournalofMechanicalEngineering, 2011,47(18): 115-120. DOI:10.3901/JME.2011.18.115. (in Chinese)

[15] Low W Y, Abdul Aziz M J, Idris N R N. Modeling of lithium-titanate battery with ambient temperature effect for charger design [J].IETPowerElectronics, 2016,9(6): 1204-1212. DOI:10.1049/iet-pel.2015.0639.

[16] 劉新天, 何耀, 曾國建, 等. 考慮溫度影響的鋰電池功率狀態(tài)估計[J]. 電工技術(shù)學(xué)報, 2016, 31(13):155-163. DOI:10.19595/j.cnki.1000-6753.tces.2016.13.018.

Liu Xintian, He Yao, Zeng Guojian, et al. State-of-power estimation for li-ion battery considering the effect of temperature[J].TransactionsofChinaElectrotechnicalSociety, 2016,31(13):155-163. DOI: 10.19595/j.cnki.1000-6753.tces.2016.13.018. (in Chinese)

[17] Weizhong W, Pawel M, Khalid K, et al. Modeling, parameterization, and benchmarking of a lithium-ion electric bicycle battery [C]//IEEEEnergyConversionCongressandExposition(ECCE). Milwaukee, WI, USA, 2016:1-7. DOI:10.1109/ECCE.2016.7855266.

[18] Xingtao L, Zonghai C, Chenbin Z, et al. A novel temperature-compensated model for power Li-ion batteries with dual-particle-filter state of charge estimation [J].AppliedEnergy, 2014,123: 263-272. DOI:10.1016/j.apenergy.2014.02.072.

[19] 黃銚, 張?zhí)祢U, 高清山, 等. 一種提高無跡卡爾曼濾波精確度的方法[J]. 計算機(jī)仿真, 2010, 27(3):348-352. DOI:10.3969/j.issn.1006-9348.2010.03.085.

Huang Yao, Zhang Tianqi, Gao Qingshan, et al. A method improving the accuracy of UKF [J].ComputerSimulation, 2010,27(3):348-352. DOI:10.3969/j.issn.1006-9348.2010.03.085. (in Chinese)