CN103091642A - 一种锂电池容量快速估计方法 - Google Patents
一种锂电池容量快速估计方法 Download PDFInfo
- Publication number
- CN103091642A CN103091642A CN2013100240212A CN201310024021A CN103091642A CN 103091642 A CN103091642 A CN 103091642A CN 2013100240212 A CN2013100240212 A CN 2013100240212A CN 201310024021 A CN201310024021 A CN 201310024021A CN 103091642 A CN103091642 A CN 103091642A
- Authority
- CN
- China
- Prior art keywords
- capacity
- internal resistance
- battery
- training sample
- sample battery
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了涉及锂电池参数确定方法的技术领域,具体涉及一种锂电池容量快速估计方法。所述方法包括步骤1:取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试,得到训练样本电池的内阻值;步骤2:利用恒流恒压测试方法测试训练样本电池容量值;步骤3:取训练样本电池的设定时间内各电流不同采样时间内阻作为输入,容量值作为输出,建立内阻-容量神经网络模型;步骤4:测试预测样本电池内阻,利用训练样本电池建立的内阻-容量神经网络模型估计容量值;本发明利用内阻和容量的非线性关系,建立内阻-容量神经网络模型,能够快速的估算电池容量,淘汰没有利用价值的电池,减少了传统容量测试所需的电力及设备损耗,经济性有很大提高。
Description
技术领域
本发明涉及锂电池参数确定方法的技术领域,具体涉及一种锂电池容量快速估计方法。
背景技术
2008年北京奥运会上实现了电动汽车的规模化应用,投入了50辆纯电动大客车,做到了奥林匹克公园核心区内的零排放。根据国家电动汽车电池使用标准,电动汽车用动力电池有效容量不得低于额定容量的80%。按照目前锂离子电池技术水平,当电池有效容量低于80%以后,还可进行约1000次循环充放电用于储能。为降低电动汽车的整车成本,可以将电动汽车用淘汰的电池中还有利用价值的一些电池,用于储能系统或一些小型的储能装置中进行二次利用。由于电池在车上位置不一致,使用过程中温度、连接阻抗、震荡程度等因素均不同,造成电池容量衰退、内阻增加具有一定的不一致性。面对大量的车用电池,逐一测试电池的容量耗时、耗财,快速估计淘汰电池容量成为电池二次利用的关键。
测试电池容量成为梯次利用的首要关键技术指标。电池容量直接关系到电池梯次利用在一次充电后能够用的时间长短。测试锂离子电池容量的标准一般参照我国现行的两个标准中的规定:
QB/T2502-2000锂离子蓄电池总规范
QC/T743-2006电动汽车用锂离子蓄电池
电池容量标准测试的目前主要有两种方法如下:
第一种以标称容量的0.2倍电流放电容量测试方法,在环境温度(20℃±5℃)的条件下,对电池以标称容量的0.2倍电流恒流充电至限制电压后恒压充电直至充电电流小于标称容量的0.01倍电流,放置时间不小于1小时,再对电池以标称容量的0.2倍电流恒流放电直至终止电压,其放电时间不小于5小时。
第二种以标称容量的1/3倍电流放电容量测试方法,在环境温度(20℃±5℃)的条件下,蓄电池以标称容量的1/3倍电流放电,至蓄电池电压达到放电终止电压时停止放电,静置1h,然后以标称容量的1/3倍电流恒流充电,至蓄电池电压达到充电终止电压时转恒压充电,至充电电流降至标称容量的1/30倍电流时停止充电。充电后静置1h。再以标称容量的1/3倍电流放电,直到放电终止电压,利用标称容量的1/3倍电流的电流值和放电时间数据计算容量。
上述两种对电池容量的测试所需的时间都比较长,均不少于8小时,不能够快速的估算电池容量。
发明内容
本发明的目的针对现有技术对电池容量的测试所需的时间都比较长,均不少于8小时,不能够快速的估算电池容量的不足,提出了一种锂电池容量快速估计方法。
一种锂电池容量快速估计方法,该方法包括如下步骤:
1、一种锂电池容量快速估计方法,其特征是该方法包括如下步骤:
步骤1:取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试,得到训练样本电池的内阻值;
首先,检测训练样本电池的开路电压,基于荷电状态-开路电压曲线估算电池当前荷电状态,若训练样本电池荷电状态处于10%-90%区间,利用复合脉冲电流法进行内阻测试,在设定时间内,得到各电流不同采样时间训练样本电池的内阻;如果不满足此区间,对训练样本电池进行充放电操作,使其荷电状态满足10%-90%区间,利用复合脉冲电流法进行内阻测试;在设定时间内,得到训练样本电池各电流不同时采样时间的内阻;
步骤2:利用恒流恒压测试方法,连续测试N个循环,当连续M次测试容量的极差值与其平均值之比小于3%时,停止实验,并将M次测试容量的平均值作为训练样本电池实际容量,M<N,M和N为设定值;
步骤3:取训练样本电池的设定时间内各电流不同采样时间内阻作为输入,容量值作为输出,建立内阻-容量神经网络模型;
确定神经网络模型,根据神经网络模型的输入神经元数目和输出神经元数目确定隐含层的层数和每层隐含层包含的神经元数目;通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数,连续多次训练后,选择误差最小的神经网络模型作为内阻-容量神经网络模型;
步骤4:预测样本电池是与训练样本电池具有相同运行工况的待估计容量样本电池,检测预测样本电池的开路电压,估计预测样本电池荷电状态是否处于10%-90%区间,如果满足此区间则可以进行内阻测试;如果不满足此区间,将预测样本电池进行充放电操作,使预测样本电池荷电状态满足10%-90%区间,再进行内阻测试;利用步骤1中的内阻测试方法对预测样本电池进行测试,把预测样本各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中,得到预测样本电池的容量预测值,实现容量的快速估计。
所述训练样本电池和预测样本电池的内阻及容量测试温度均在25℃左右。
本发明的有益效果:只需利用训练样本锂电池的内阻容量建立的神经网络模型,其他具有相同运行工况的锂电池就可以直接通过内阻测试输入训练样本所建立的模型中估计容量值;利用内阻和容量的非线性关系,建立内阻-容量神经网络模型,能够快速的估算电池容量,淘汰没有利用价值的电池,同时可以作为电池重新筛选成组的依据;该方法无须对电池进行完全充放电测试,减少了传统容量测试所需的电力及设备损耗,经济性有很大提高。
附图说明
图1是3个不同衰退情况梯次利用电池SOC-OCV曲线图;
图2是不同采样时间直流内阻随SOC变化曲线;
图3是适用于本发明的复合脉冲电流法的内阻测试方法示意图;
图4是训练样本电池所建立的BP神经网络模型结构图;
图5是训练样本电池所建立的BP神经网络模型图;
图6是训练样本电池所建立的BP神经网络模型精度图,模型估计值与实际值对比;
图7是训练样本电池所建立的BP神经网络模型预测精度图,模型预测值与实际值对比;
图8是本发明实施梯次利用电池容量快速估计的内阻-容量神经网络模型建立流程图;
图9是本发明实施梯次利用电池容量内阻-容量神经网络模型估计流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明:
本发明提供一种电池容量的快速估计方法。电池可以是电动车辆中使用的锰酸锂动力电池及磷酸铁锂电池等。以08年奥运会大巴车用淘汰锰酸锂动力电池为例进行一下说明。
随机抽取3个不同衰退情况的电池荷电状态-开路电压(SOC-OCV)曲线如图1所示,通过测试大量不同衰退情况电池的SOC-OCV曲线,结果表明:电池SOC-OCV曲线只在两端(接近满电或者接近空电)离散,电池SOC处于10%-90%区间时,SOC-OCV曲线并不离散。电池静置一小时后的端电压近似为OCV,因此可以根据SOC-OCV曲线,通过测试电池OCV来估计电池当前的SOC是否在10%-90%区间内。
不同采样时间内得到的直流内阻值随SOC变化如图2所示,电池SOC在10%-90%区间内,内阻值基本保持不变,因此可以将内阻测试的SOC区间设为10%-90%。
随机抽取一车电池作为训练样本电池,用万用表检测每个训练样本电池的开路电压,根据SOC-OCV曲线估计其所处的SOC是否在10%-90%。如果在此区间内,训练样本电池可以直接进行内阻测试。如果不在这个区间,应先将训练样本电池串联,若SOC高于90%,则放出额定容量的10%电量,若SOC低于10%,则充入额定容量的10%电量,使其荷电状态满足这个区间即可,再进行内阻测试。
用万用表测试样本电池开路电压,估计得到训练样本电池的SOC均在10%-90%区间内,可以直接进行直流内阻测试。直流内阻的测试采用复合脉冲电流法,通过对训练样本电池输入多个测试电流阶跃信号ΔI并测定对应的电压变化值ΔU,利用欧姆定律计算得到直流内阻R=ΔU/ΔI。测试方法是将训练样本电池首先以1/3C(C:电池的额定容量)放电10s,再以1/3C充电10s,电压响应如图3所示,在第30s电流信号由1/3C放电到1/3C充电时电压增量ΔU,以此计算直流内阻值。由于训练样本电池已经处于老化状态,为了避免过充过放,加在训练样本电池上的电流不宜过大。这种方法电流由负值直接变为正值,相当于电流幅值加倍,电压响应也同时加倍,减小设备采集误差及极化对直流内阻测试的影响。不同程度衰退的电池在不同采样时间下建立的极化内阻均不相同,不同采样时间直流内阻可以表征训练样本电池不同内阻特性。这里,取0.1s、1s、5s、10s四个采样时间的直流内阻值为例。
训练样本电池容量采用恒流恒压测试方法,为了得到准确的容量值,需要连续测试5个循环以上,如果连续3次测试容量的极差与其平均值之比在3%以内,停止实验,并将3次测试容量的平均值作为训练样本电池实际容量。
通过上文中容量和内阻测试选择已测试的70个训练样本电池的采样时间为0.1s、1s、5s、10s的内阻作为模型输入,容量值作为模型输出。学习规则采用最速下降BP算法,权值和阈值的修正是在所有样本输入之后,计算其总的误差后进行的,在样本数比较多时,批处理方式比分别处理方式的收敛速度快;所建立的模型结构图如图4所示,隐含层中的神经元均采用S型传输函数;由于模型用于函数逼近,所以输出层神经元采用purelin线性传输函数。首先建立3层神经网络,即1个隐含层的神经网络,输入层节点数为4,输出层节点数为1,根据经验公式(3)计算,预设隐含层节点数为13。
其中,n为输入层节点数,m为输出层节点数,a为1~10之间的常数。
理论上增加模型隐含层层数及隐含层节点数提高预测精度,研究表明对比本模型增加隐含层层数及节点数并没有提高模型精度,最终确定1个隐含层,14个隐含层节点数模型预测精度最高。建立模型如图5所示。
模型精度如图6所示,实际容量与估计容量平均误差1.2Ah(实际容量的0.6%),最大误差7Ah(实际容量的3.5%),模型自身精度较高。
取具有相同的行驶工况的30个预测样本电池作为预测样本进行预测验证,利用1中的相同方法检测预测样本电池的开路电压,发现其均满足内阻测试条件,既估计预测样本电池荷电状态均处于10%-90%区间。利用脉冲电流法测试预测样本电池的不同采样时间的直流内阻值。把内阻输入到训练样本电池所建立的内阻-容量神经网络模型中,输出容量值,实现容量的快速估计。估计容量与实际容量如图7所示。实际容量与估计容量误差在6Ah(实际容量的3%)以内占抽取电池总数的80%,最大误差9Ah(实际容量的4.5%),模型预测精度较高。
对比传统逐一测试大量淘汰电池容量的方法,神经网络法只需要测试训练样本电池的容量和内阻值建立神经网络模型,通过复合脉冲法测试预测样本电池的各电流不同采样时间直流内阻,基于内阻-容量神经网络模型可以实现快速准确估计电池的容量。
如图8所示,抽取训练样本电池,让其静置1h以上,检测训练样本电池的开路电压,估计训练样本电池荷电状态是否处于10%-90%区间,如果满足此区间则可以进行内阻测试;如果不满足此区间,将训练样本电池充放电操作,使其荷电状态满足10%-90%区间,再进行内阻测试;利用复合脉冲电流法测试训练样本电池的内阻,取不同采样时间的电池内阻作为输入,训练样本电池的容量值作为输出建立内阻-容量神经网络模型;通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数,连续多次训练后,选择误差(例如均方误差和绝对误差)最小的神经网络模型作为预测样本电池容量估计的模型;
如图9所示,检测预测样本电池的开路电压,估计电池荷电状态是否处于10%-90%区间,如果满足此区间则可以进行内阻测试;如果不满足此区间,将预测样本电池进行充放电操作,使其荷电状态满足10%-90%区间,再进行内阻测试;利用与训练样本电池相同的内阻测试方法对预测样本电池进行测试,把各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中,得到预测样本电池的容量估计值,实现容量的快速估计。
Claims (2)
1.一种锂电池容量快速估计方法,其特征是该方法包括如下步骤:
步骤1:取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试,得到训练样本电池的内阻值;
首先,检测训练样本电池的开路电压,基于荷电状态-开路电压曲线估算电池当前荷电状态,若训练样本电池荷电状态处于10%-90%区间,利用复合脉冲电流法进行内阻测试,在设定时间内,得到各电流不同采样时间训练样本电池的内阻;如果不满足此区间,对训练样本电池进行充放电操作,使其荷电状态满足10%-90%区间,利用复合脉冲电流法进行内阻测试;在设定时间内,得到训练样本电池各电流不同时采样时间的内阻;
步骤2:利用恒流恒压测试方法,连续测试N个循环,当连续M次测试容量的极差值与其平均值之比小于3%时,停止实验,并将M次测试容量的平均值作为训练样本电池实际容量,M<N,M和N为设定值;
步骤3:取训练样本电池的设定时间内各电流不同采样时间内阻作为输入,容量值作为输出,建立内阻-容量神经网络模型;
确定神经网络模型,根据神经网络模型的输入神经元数目和输出神经元数目确定隐含层的层数和每层隐含层包含的神经元数目;通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数,连续多次训练后,选择误差最小的神经网络模型作为内阻-容量神经网络模型;
步骤4:预测样本电池是与训练样本电池具有相同运行工况的待估计容量样本电池,检测预测样本电池的开路电压,估计预测样本电池荷电状态是否处于10%-90%区间,如果满足此区间则可以进行内阻测试;如果不满足此区间,将预测样本电池进行充放电操作,使预测样本电池荷电状态满足10%-90%区间,再进行内阻测试;利用步骤1中的内阻测试方法对预测样本电池进行测试,把预测样本各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中,得到预测样本电池的容量预测值,实现容量的快速估计。
2.根据权利要求1所述一种锂电池容量快速估计方法,其特征是所述训练样本电池和预测样本电池内阻及容量测试温度均在25℃左右。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024021.2A CN103091642B (zh) | 2013-01-22 | 2013-01-22 | 一种锂电池容量快速估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024021.2A CN103091642B (zh) | 2013-01-22 | 2013-01-22 | 一种锂电池容量快速估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103091642A true CN103091642A (zh) | 2013-05-08 |
CN103091642B CN103091642B (zh) | 2014-12-10 |
Family
ID=48204450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310024021.2A Active CN103091642B (zh) | 2013-01-22 | 2013-01-22 | 一种锂电池容量快速估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103091642B (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308864A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军国防科学技术大学 | 二次电池soh值估算和剩余寿命测试方法 |
CN103592605A (zh) * | 2013-10-31 | 2014-02-19 | 聚光科技(杭州)股份有限公司 | 一种锂亚硫酰氯电池组管理系统及方法 |
CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
CN104833919A (zh) * | 2014-07-16 | 2015-08-12 | 北汽福田汽车股份有限公司 | 动力电池健康状态的检测方法及系统 |
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
WO2016029392A1 (zh) * | 2014-08-25 | 2016-03-03 | 国家电网公司 | 电池老化程度的检测方法和装置 |
CN105738830A (zh) * | 2016-04-14 | 2016-07-06 | 中山大学 | 锂离子动力电池梯次利用分析方法 |
CN105807231A (zh) * | 2016-03-14 | 2016-07-27 | 深圳供电局有限公司 | 一种用于蓄电池剩余容量检测的方法及系统 |
CN106291386A (zh) * | 2016-09-20 | 2017-01-04 | 深圳市鑫彩翼科技有限公司 | 一种快速检测可充电电池容量的方法及其检测装置 |
CN106646260A (zh) * | 2016-12-31 | 2017-05-10 | 深圳市沃特玛电池有限公司 | 一种基于遗传神经网络的bms系统的soc的估算方法 |
CN107037375A (zh) * | 2017-05-23 | 2017-08-11 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN107064817A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨理工大学 | 一种锌银电池荷电状态检测方法 |
CN107064806A (zh) * | 2017-01-23 | 2017-08-18 | 合肥国轩高科动力能源有限公司 | 一种锂电池容量衰减率计算方法 |
CN107290683A (zh) * | 2017-07-20 | 2017-10-24 | 中广核核电运营有限公司 | 蓄电池剩余容量的检测方法和装置 |
CN108152750A (zh) * | 2017-12-26 | 2018-06-12 | 深圳先进技术研究院 | 一种电动汽车的电池充放电参数识别方法和系统 |
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN108875191A (zh) * | 2018-06-11 | 2018-11-23 | 浙江大学城市学院 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN109031152A (zh) * | 2018-10-15 | 2018-12-18 | 重庆科技学院 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
CN109116242A (zh) * | 2018-06-29 | 2019-01-01 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
CN109116258A (zh) * | 2018-10-15 | 2019-01-01 | 上海工程技术大学 | 一种锂电池充放电截止条件的确定方法和系统 |
CN109342955A (zh) * | 2018-11-19 | 2019-02-15 | 台州钱江新能源研究院有限公司 | 一种锂离子电池容量的推算方法及系统 |
WO2020027203A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
CN111123127A (zh) * | 2019-12-03 | 2020-05-08 | 浙江捷创智能技术有限公司 | 一种锂电池充电电量的函数拟合和电量预测方法 |
CN111381168A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 电池特性评价装置以及电池特性评价方法 |
CN111381167A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 电池容量推定方法以及电池容量推定系统 |
CN111579993A (zh) * | 2020-05-21 | 2020-08-25 | 北京航空航天大学 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
CN111729856A (zh) * | 2020-07-02 | 2020-10-02 | 南京工程学院 | 一种基于热一致性的退役动力锂电池筛选方法 |
CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
CN112698207A (zh) * | 2020-12-03 | 2021-04-23 | 天津小鲨鱼智能科技有限公司 | 一种电池容量检测方法及装置 |
CN112825167A (zh) * | 2019-11-05 | 2021-05-21 | 丰田自动车株式会社 | 电池管理系统、电池管理方法以及电池组的制造方法 |
CN113049974A (zh) * | 2021-02-02 | 2021-06-29 | 欣旺达电动汽车电池有限公司 | 电池容量预测方法、装置、设备及存储介质 |
FR3106415A1 (fr) | 2020-01-21 | 2021-07-23 | IFP Energies Nouvelles | Procédés de diagnostic rapide et hors ligne d’accumulateurs et dispositifs associés |
CN113227808A (zh) * | 2018-12-28 | 2021-08-06 | 横河电机株式会社 | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 |
CN113311336A (zh) * | 2021-05-11 | 2021-08-27 | 东软睿驰汽车技术(沈阳)有限公司 | 电池电芯级容量的评估方法、装置和电子设备 |
CN113381482A (zh) * | 2021-06-29 | 2021-09-10 | 广东工业大学 | 一种基于休息恢复效应的ups充电最大化方法 |
CN114236397A (zh) * | 2021-12-02 | 2022-03-25 | 红安力神动力电池系统有限公司 | 一种梯次锂电池剩余容量测试方法 |
US11307257B2 (en) | 2018-07-31 | 2022-04-19 | Toyota Jidosha Kabushiki Kaisha | Battery information processing system, method of estimating capacity of secondary battery, and battery assembly and method of manufacturing battery assembly |
CN114611836A (zh) * | 2022-04-02 | 2022-06-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060181245A1 (en) * | 2005-02-14 | 2006-08-17 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
CN102023284A (zh) * | 2010-12-30 | 2011-04-20 | 常州福轮达电子科技有限公司 | 电池容量内阻快速测试方法及测试仪 |
-
2013
- 2013-01-22 CN CN201310024021.2A patent/CN103091642B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060181245A1 (en) * | 2005-02-14 | 2006-08-17 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN102023284A (zh) * | 2010-12-30 | 2011-04-20 | 常州福轮达电子科技有限公司 | 电池容量内阻快速测试方法及测试仪 |
Non-Patent Citations (6)
Title |
---|
GUO HONGYU等: "Estimating the State of Charge for Ni-MH Battery in HEV by RBF Neural Network", 《INTELLIGENT SYSTEMS AND APPLICATIONS》 * |
WEN FENG等: "A new evaluation method to the consistency of Lithium-Ion Batteries in Electric Vehicles", 《POWER AND ENERGY ENGINEERING CONFERENCE》 * |
于智龙等: "锂离子电池容量快速预测的新方法", 《电源技术》 * |
凌国维等: "人工神经网络在锂离子动力电池管理中的应用", 《电源技术》 * |
李德伟等: "基于神经网络的动力电池荷电状态的预测", 《计算机应用于软件》 * |
王吉校等: "阀控铅酸蓄电池容量测试技术研究", 《蓄电池》 * |
Cited By (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308864A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军国防科学技术大学 | 二次电池soh值估算和剩余寿命测试方法 |
CN103592605A (zh) * | 2013-10-31 | 2014-02-19 | 聚光科技(杭州)股份有限公司 | 一种锂亚硫酰氯电池组管理系统及方法 |
CN103592605B (zh) * | 2013-10-31 | 2016-08-31 | 聚光科技(杭州)股份有限公司 | 一种锂亚硫酰氯电池组管理系统及方法 |
CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
CN103941191B (zh) * | 2014-03-26 | 2016-05-04 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
CN104833919A (zh) * | 2014-07-16 | 2015-08-12 | 北汽福田汽车股份有限公司 | 动力电池健康状态的检测方法及系统 |
WO2016029392A1 (zh) * | 2014-08-25 | 2016-03-03 | 国家电网公司 | 电池老化程度的检测方法和装置 |
CN105445663A (zh) * | 2014-08-25 | 2016-03-30 | 国家电网公司 | 电池老化程度的检测方法和装置 |
CN105445663B (zh) * | 2014-08-25 | 2018-04-03 | 国家电网公司 | 电池老化程度的检测方法和装置 |
CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
CN105807231A (zh) * | 2016-03-14 | 2016-07-27 | 深圳供电局有限公司 | 一种用于蓄电池剩余容量检测的方法及系统 |
CN105807231B (zh) * | 2016-03-14 | 2018-10-19 | 深圳供电局有限公司 | 一种用于蓄电池剩余容量检测的方法及系统 |
CN105738830A (zh) * | 2016-04-14 | 2016-07-06 | 中山大学 | 锂离子动力电池梯次利用分析方法 |
CN105738830B (zh) * | 2016-04-14 | 2018-10-16 | 中山大学 | 锂离子动力电池梯次利用分析方法 |
CN106291386A (zh) * | 2016-09-20 | 2017-01-04 | 深圳市鑫彩翼科技有限公司 | 一种快速检测可充电电池容量的方法及其检测装置 |
CN106646260A (zh) * | 2016-12-31 | 2017-05-10 | 深圳市沃特玛电池有限公司 | 一种基于遗传神经网络的bms系统的soc的估算方法 |
CN107064806A (zh) * | 2017-01-23 | 2017-08-18 | 合肥国轩高科动力能源有限公司 | 一种锂电池容量衰减率计算方法 |
CN107064817A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨理工大学 | 一种锌银电池荷电状态检测方法 |
CN107037375A (zh) * | 2017-05-23 | 2017-08-11 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN107037375B (zh) * | 2017-05-23 | 2020-07-24 | 北京新能源汽车股份有限公司 | 电池直流内阻测量方法及装置 |
CN107290683A (zh) * | 2017-07-20 | 2017-10-24 | 中广核核电运营有限公司 | 蓄电池剩余容量的检测方法和装置 |
CN108152750A (zh) * | 2017-12-26 | 2018-06-12 | 深圳先进技术研究院 | 一种电动汽车的电池充放电参数识别方法和系统 |
CN108152750B (zh) * | 2017-12-26 | 2020-09-04 | 深圳先进技术研究院 | 一种电动汽车的电池充放电参数识别方法和系统 |
CN108549030B (zh) * | 2018-03-14 | 2021-03-26 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN108875191B (zh) * | 2018-06-11 | 2022-05-17 | 浙江大学城市学院 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
CN108875191A (zh) * | 2018-06-11 | 2018-11-23 | 浙江大学城市学院 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN109116242A (zh) * | 2018-06-29 | 2019-01-01 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
CN109116242B (zh) * | 2018-06-29 | 2021-03-02 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
JP7217277B2 (ja) | 2018-07-31 | 2023-02-02 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
US11307257B2 (en) | 2018-07-31 | 2022-04-19 | Toyota Jidosha Kabushiki Kaisha | Battery information processing system, method of estimating capacity of secondary battery, and battery assembly and method of manufacturing battery assembly |
WO2020027203A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
JPWO2020027203A1 (ja) * | 2018-07-31 | 2021-08-26 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
CN109116258A (zh) * | 2018-10-15 | 2019-01-01 | 上海工程技术大学 | 一种锂电池充放电截止条件的确定方法和系统 |
CN109031152A (zh) * | 2018-10-15 | 2018-12-18 | 重庆科技学院 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
CN109342955A (zh) * | 2018-11-19 | 2019-02-15 | 台州钱江新能源研究院有限公司 | 一种锂离子电池容量的推算方法及系统 |
CN111381167A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 电池容量推定方法以及电池容量推定系统 |
CN111381168B (zh) * | 2018-12-26 | 2022-06-28 | 丰田自动车株式会社 | 电池特性评价装置以及电池特性评价方法 |
US11221372B2 (en) | 2018-12-26 | 2022-01-11 | Toyota Jidosha Kabushiki Kaisha | Battery performance evaluation device, and battery performance evaluation method |
US11480618B2 (en) | 2018-12-26 | 2022-10-25 | Toyota Jidosha Kabushiki Kaisha | Battery capacity estimation method and battery capacity estimation system |
CN111381168A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 电池特性评价装置以及电池特性评价方法 |
EP3904894A4 (en) * | 2018-12-28 | 2022-03-02 | Yokogawa Electric Corporation | TRAINING DEVICE, ESTIMATION DEVICE, TRAINING METHOD, ESTIMATION METHOD, TRAINING PROGRAM AND ESTIMATION PROGRAM |
CN113227808A (zh) * | 2018-12-28 | 2021-08-06 | 横河电机株式会社 | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 |
CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
CN112825167A (zh) * | 2019-11-05 | 2021-05-21 | 丰田自动车株式会社 | 电池管理系统、电池管理方法以及电池组的制造方法 |
CN111123127A (zh) * | 2019-12-03 | 2020-05-08 | 浙江捷创智能技术有限公司 | 一种锂电池充电电量的函数拟合和电量预测方法 |
FR3106415A1 (fr) | 2020-01-21 | 2021-07-23 | IFP Energies Nouvelles | Procédés de diagnostic rapide et hors ligne d’accumulateurs et dispositifs associés |
WO2021148324A1 (fr) | 2020-01-21 | 2021-07-29 | IFP Energies Nouvelles | Procede de diagnostic rapide et hors ligne d'accumulateurs et dispositifs associes |
CN111579993A (zh) * | 2020-05-21 | 2020-08-25 | 北京航空航天大学 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
CN111579993B (zh) * | 2020-05-21 | 2021-05-28 | 北京航空航天大学 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
CN111729856A (zh) * | 2020-07-02 | 2020-10-02 | 南京工程学院 | 一种基于热一致性的退役动力锂电池筛选方法 |
CN111965559B (zh) * | 2020-08-17 | 2023-06-16 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
CN112698207A (zh) * | 2020-12-03 | 2021-04-23 | 天津小鲨鱼智能科技有限公司 | 一种电池容量检测方法及装置 |
CN113049974A (zh) * | 2021-02-02 | 2021-06-29 | 欣旺达电动汽车电池有限公司 | 电池容量预测方法、装置、设备及存储介质 |
CN113311336A (zh) * | 2021-05-11 | 2021-08-27 | 东软睿驰汽车技术(沈阳)有限公司 | 电池电芯级容量的评估方法、装置和电子设备 |
CN113311336B (zh) * | 2021-05-11 | 2024-08-06 | 东软睿驰汽车技术(沈阳)有限公司 | 电池电芯级容量的评估方法、装置和电子设备 |
CN113381482A (zh) * | 2021-06-29 | 2021-09-10 | 广东工业大学 | 一种基于休息恢复效应的ups充电最大化方法 |
CN114236397A (zh) * | 2021-12-02 | 2022-03-25 | 红安力神动力电池系统有限公司 | 一种梯次锂电池剩余容量测试方法 |
CN114611836A (zh) * | 2022-04-02 | 2022-06-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
CN114611836B (zh) * | 2022-04-02 | 2024-09-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
CN116298931B (zh) * | 2023-05-12 | 2023-09-01 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
CN116930788B (zh) * | 2023-07-25 | 2024-07-05 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103091642B (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103091642B (zh) | 一种锂电池容量快速估计方法 | |
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN106443474B (zh) | 一种动力电池系统寿命衰退特征快速识别的方法 | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN104795857B (zh) | 锂离子电池能量均衡的实现方法 | |
CN109557477B (zh) | 一种电池系统健康状态估算方法 | |
CN110525269B (zh) | Soc的电池组均衡控制方法 | |
CN110703121A (zh) | 一种锂离子电池健康状态预测方法 | |
CN101917038B (zh) | 动力电池组充电均衡控制方法 | |
CN102590751B (zh) | 动力电池包一致性评估方法和装置 | |
CN107271913B (zh) | 一种应用于动力电池剩余容量预测的方法 | |
Lu et al. | A method of cell-to-cell variation evaluation for battery packs in electric vehicles with charging cloud data | |
CN109031145A (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN103675707A (zh) | 锂离子电池峰值功率在线评估方法 | |
CN103926538A (zh) | 基于aic准则的变阶数rc等效电路模型及实现方法 | |
CN106125001A (zh) | 电动汽车退役电池模块实际容量的快速评估方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN106655408B (zh) | 电池组均衡控制方法和控制装置 | |
CN103259055A (zh) | 一种方便操作的电动车用电池组ocv-soc曲线的修正电路及方法 | |
CN112180274A (zh) | 一种动力电池组快速检测测评方法 | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN103176137B (zh) | 基于电池soc不均匀性的电池组健康状态评价方法 | |
CN106712182A (zh) | 基于深度优先搜索算法的动力电池组主动均衡控制策略 | |
CN103983920A (zh) | 一种建立电动车辆的动力电池的模型的方法 | |
Rui-hao et al. | Battery state of charge estimation for electric vehicle based on neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180611 Address after: 100044 2-305-1, 3 floor, 2 building, 59 courtyard street, Haidian District, Beijing. Patentee after: BEIJING BEIJIAO NEW ENERGY TECHNOLOGY CO., LTD. Address before: 100044 science and technology office, Beijing Jiaotong University, No. 3, Shang Yuan village, west gate, Haidian District, Beijing Patentee before: Beijing Jiaotong University |
|
TR01 | Transfer of patent right |