CN106033113B - 一种储能电池组健康状态评估方法 - Google Patents
一种储能电池组健康状态评估方法 Download PDFInfo
- Publication number
- CN106033113B CN106033113B CN201510121048.2A CN201510121048A CN106033113B CN 106033113 B CN106033113 B CN 106033113B CN 201510121048 A CN201510121048 A CN 201510121048A CN 106033113 B CN106033113 B CN 106033113B
- Authority
- CN
- China
- Prior art keywords
- energy
- internal resistance
- storage battery
- battery group
- health
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 55
- 230000036541 health Effects 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000003862 health status Effects 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供了一种储能电池组健康状态评估方法，包括以下步骤：I、获取所述储能电池组的容量历史数据；II、运用灰色预测算法建立所述储能电池组当前容量的预测模型；III、预测所述储能电池组的当前容量；IV、训练神经网络算法形成电池组健康状态模型；V、将估测的当前容量输入所述电池组健康状态模型，获得估测的内阻一致性系数；VI、根据内阻一致性系数判断所述储能电池组是否健康。本发明的方法能够充分适应电池电化学体系的高度非线性特征，具有数据运算量小、需求样本数据少、预测精度高等优点。
Description
技术领域
本发明涉及一种二次电池储能技术领域的方法，具体讲涉及一种储能电池组健康状态评估方法。
背景技术
电池储能是当今储能技术发展的一个重要分支，锂离子二次电池技术则是电池储能中最具潜力的技术之一，具有能量密度大、循环寿命长、自放电率低等诸多优点。然而，它的安全性始终没有很好的解决，近年来由于电动车用动力电池引起的多起安全事故，引发了人们对于锂离子二次电池储能的安全顾虑。为了防止锂离子二次电池储能系统出现安全性事故，在电池组集成、系统监测和安全防护等方面投入了大量的人力、物力，希望通过这些措施在锂离子二次电池储能系统出现安全性事故时能够及时发现、有效控制。但是这些均属于被动性的预防措施，在锂离子二次电池储能系统出现事故之前，是无法做到有效预判的，因为以电压、温度、气体传感器等手段为主的监测预防体系，无法预知锂离子二次电池是否处于安全事故发生前的“准安全”临界状态。另外，电池成组后，由于电池之间的一致性差别造成锂离子电池组寿命明显缩短，电池组的特性与电池单体特性差异较大。
以上这些均不利于电池储能系统的运行管理、维护以及以安全为主要目的的检测，因此，出现了电池或电池组的健康状态评估技术，主要是以电池或电池组为考察对象，评估电池或电池组的当前运行状态，通过与初始状态对比，判断电池或电池组的健康程度，为电池储能系统的运行管理、维护及检修提供依据和判断标准。
对于电池技术而言，健康状态评估分成两类，一类是针对电池单体的健康状态评估，另一类是针对电池组的健康状态评估。对于前一类评估技术，目前研究较多，技术成熟度相对较高，不仅评估参量明确、健康状态定义明确，而且有多种技术路线，目前已知的评估模型有电化学模型、电路模型、经验模型等。对于后一类评估技术，则研究相对较少，技术成熟度相对较低，但是具有相对较高的实用价值。
现有技术中，电池组健康状态评估多数是以电池组的容量保持率作为评估参数，通过当前电池组容量与初始电池组容量的百分比数值作为电池组的健康状态，这种健康状态的定义能够通过容量比值表现出电池性能的衰退状态，不足之处在于难以有效反映出电池组的长期循环的动态变化趋势和特征。
因此，需要提供一种改进的储能电池组健康状态评估方法。
发明内容
为克服上述现有技术的不足，本发明提供一种储能电池组健康状态评估方法。
实现上述目的所采用的解决方案为：
一种储能电池组健康状态评估方法，所述方法包括以下步骤：
I、获取所述储能电池组的容量历史数据；
II、运用灰色预测算法建立所述储能电池组当前容量的预测模型；
III、预测所述储能电池组的当前容量；
IV、训练神经网络算法形成电池组健康状态模型；
V、将估测的当前容量输入所述电池组健康状态模型，获得估测的内阻一致性系数；
VI、根据内阻一致性系数判断所述储能电池组是否健康。
优选的，所述步骤I中，包括以下步骤：
S101、对所述储能电池组的电池进行电化学交流阻抗测试，获得电池欧姆阻抗和电化学阻抗，以能表征电池欧姆阻抗和电化学阻抗对应的频率点作为特征频率，确定所述特征频率对应的时间尺度作为电池内阻测量的时间段；
S102、以所述时间段内测量的储能电池组中各电池内阻为基础，确定各电池内阻的均方差作为电池组内阻一致性系数；
S103、确定所述内阻一致性系数与循环次数的曲线，获得曲线拐点，电池组的内阻一致性系数小于所述曲线拐点的内阻一致性系数的电池组为测量电池组，确定电池组的容量数据为所述储能电池组的容量历史数据。
优选的，所述步骤II中，根据所述容量历史数据，运用灰色预测算法建立评估储能电池组当前容量的预测模型。
优选的，所述步骤IV中，读取一组同类型的正常退役电池组的容量与内阻一致性系数的历史数据作为训练样本，训练神经网络算法形成所述电池组健康状态模型。
优选的，所述步骤V中，将预测获得的所述电池组当前容量和当前循环次数输入到所述电池组健康状态模型中，通过模型计算输出在所述当前循环次数的所述储能电池组的内阻一致性系数。
优选的，所述步骤VI中，判断实测的内阻一致性系数和估测的内阻一致性系数是否一致，若一致，则判定所述储能电池组健康，否则判定为不健康。
与现有技术相比，本发明具有以下有益效果：
1、与现有技术中对于电池组健康状态进行估计的方法均存在估计的电池组当前状态无法反映电池组的长期循环的动态变化趋势和特征，仅是静态估计的问题；本发明提供的方法是从电池组长期循环动态变化趋势出发来估计电池组健康状态，一方面是通过趋势的判断，另一方面是通过建立电池组容量与成组一致性差异的耦合关系，即健康状态模型，这两方面来判断电池组健康状态，能够真实反映电池组的实际健康情况，为电池组管理和日常维护提供依据。
2、本发明的技术方案基于电池组长期运行的数据特征，采取灰色预测和神经网路两种算法，以灰色预测算法估计当前电池组容量，以健康电池组历史数据训练神经网络，充分发挥了灰色预测算法短期预测精度高、运算简单的特点以及神经网络的映射逼近能力和自学习能力，能够充分适应电池电化学体系的高度非线性特征，具有数据运算量小、需求样本数据少、预测精度高等优点。
附图说明
图1为电池/电池组健康参数变化趋势示意图；
图2为本发明中电池健康状态评估方法说明示意图；
图3为本发明中电池健康状态评估流程图；
图4为本发明电池的Nyquist曲线实施例一示意图；
图5为本发明中电池组内阻差异系数曲线实施例一示意图；
图6为本发明中电池组实测容量曲线和预测容量曲线实施例一示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示，图1为电池/电池组健康参数变化趋势示意图；根据图1可以看出，在使用期限内电池总体呈连续的、平缓的下降趋势，且处于相对较窄的一个波动区间内变化，而有问题的电池/电池组，在寿命前期可能外在表现与健康电池没有差别，即有安全隐患的电池不会通过前期的外特性测试检测出来，而是通过使用一段时间后以突变的形式体现出来，如图中的异常变化所示，上述突变情况就是电池在使用期间健康参数的突然较大幅度的改变所导致。
如图2所示，图2为本发明中电池健康状态评估方法说明示意图。
本发明提出的方法中，对于建立SOH模型的输入变量，来自于健康电池的前期循环寿命实验数据，包括健康电池的容量、内阻和内阻一致性参数。
在电池循环寿命实验期间周期性的进行标准容量测试、电化学交流阻抗谱(EIS)测试，采集历史数据(容量数据、EIS数据及从中引申出的其他参量)，以此作为衡量电池健康状态的依据。
利用统计学方法把测试电池单体之间历史数据的一致性差异加以量化，根据一致性差异量化结果确定SOH(电池健康状态)模型预测值的正常变化范围。
本发明中对于SOH模型的建立，采取两种典型的现代智能优化算法：灰色预测算法和神经网络算法。
本发明采用这两种智能优化算法，模拟储能电池因反复充放电过程中电化学活性逐渐老化引起的容量与内阻等参量的非线性状态变化，对电池健康状态做出识别和估计。
具体的，本发明提供一种储能电池组健康状态评估方法，具体包括以下步骤：
步骤一、获取所述储能电池组的容量历史数据；
步骤二、运用灰色预测算法建立所述储能电池组当前容量的预测模型；
步骤三、预测所述储能电池组的当前容量；
步骤四、训练神经网络算法形成电池组健康状态模型；
步骤五、将估测的当前容量输入所述电池组健康状态模型，获得估测的内阻一致性系数；
步骤六、根据内阻一致性系数判断所述储能电池组是否健康。
步骤一、包括以下步骤：
S101、对所述储能电池组的电池进行电化学交流阻抗测试，获得电池欧姆阻抗和电化学阻抗，以能表征电池欧姆阻抗和电化学阻抗对应的频率点作为特征频率，确定所述特征频率对应的时间尺度作为电池内阻测量的时间段。
如图4所示，图4为本发明电池的Nyquist曲线实施例一示意图；图中，5HZ所指处即为频率点。
S102、以所述时间段内测量的储能电池组中各电池内阻为基础，确定各电池内阻的均方差作为电池组内阻一致性系数。
S103、确定所述内阻一致性系数与循环次数的曲线，获得曲线拐点，电池组的内阻一致性系数小于所述曲线拐点的内阻一致性系数的电池组为测量电池组，确定电池组的容量数据为所述储能电池组的容量历史数据。
如图5所示，图5为本发明中电池组内阻差异系数曲线实施例一示意图；图中，虚线与曲线的交汇处即为拐点；通过该拐点判断电池是否健康，若电池的内阻一致性系数小于该拐点的内阻一致性系数，则认为该电池健康，采用其数据，可继续进行下一步骤，若高于，则认为该电池不健康，不采用其数据。
图中，即虚线以下的为健康，即可采用，虚线以上的为不健康，则不采用。
步骤二中，根据所述容量历史数据，运用灰色预测算法建立评估储能电池组当前容量的预测模型。
步骤三中，选取一同类型的正常退役的电池组作为对象，读取该电池组的容量与内阻一致性系数的历史数据作为训练样本，训练神经网络算法形成所述电池组健康状态模型。
步骤五中，将预测获得的所述电池组当前容量和当前循环次数输入到所述电池组健康状态模型中，通过模型计算输出当前循环次数的所述储能电池组的内阻一致性系数。
步骤六中，通过比对实际测量获得的内阻一致性系数和步骤五中估算获得的内阻一致性系数是否一致判断储能电池组是否健康。
若一致，则认为储能电池组健康，若不符合，则认为储能电池组不健康。
通过对比计算得出的电池组内阻一致性系数与实际测量值，如果符合，则认为电池组健康，如果不符合，则认为电池组不健康，
如图6所示，图6为本发明中电池组实测容量曲线和预测容量曲线实施例一示意图；图中，黑色点为实测值，黑色线为预测值，两者符合得很好，说明此电池组状态健康。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (5)
1.一种储能电池组健康状态评估方法，其特征在于：所述方法包括以下步骤：
I、获取所述储能电池组的容量历史数据；
II、运用灰色预测算法建立所述储能电池组当前容量的预测模型；
III、预测所述储能电池组的当前容量；
IV、训练神经网络算法形成电池组健康状态模型；
V、将估测的当前容量输入所述电池组健康状态模型，获得估测的内阻一致性系数；
VI、根据内阻一致性系数判断所述储能电池组是否健康；
所述步骤VI中，判断实测的内阻一致性系数和估测的内阻一致性系数是否一致，若一致，则判定所述储能电池组健康，否则判定为不健康。
2.如权利要求1所述的方法，其特征在于：所述步骤I中，包括以下步骤：
S101、对所述储能电池组的电池进行电化学交流阻抗测试，获得电池欧姆阻抗和电化学阻抗，以能表征电池欧姆阻抗和电化学阻抗对应的频率点作为特征频率，确定所述特征频率对应的时间尺度作为电池内阻测量的时间段；
S102、以所述时间段内测量的储能电池组中各电池内阻为基础，确定各电池内阻的均方差作为电池组内阻一致性系数；
S103、确定所述内阻一致性系数与循环次数的曲线，获得曲线拐点，电池组的内阻一致性系数小于所述曲线拐点的内阻一致性系数的电池组为测量电池组，确定电池组的容量数据为所述储能电池组的容量历史数据。
3.如权利要求1所述的方法，其特征在于：所述步骤II中，根据所述容量历史数据，运用灰色预测算法建立评估储能电池组当前容量的预测模型。
4.如权利要求1所述的方法，其特征在于：所述步骤IV中，读取一组同类型的正常退役电池组的容量与内阻一致性系数的历史数据作为训练样本，训练神经网络算法形成所述电池组健康状态模型。
5.如权利要求1所述的方法，其特征在于：所述步骤V中，将预测获得的所述电池组当前容量和当前循环次数输入到所述电池组健康状态模型中，通过模型计算输出在所述当前循环次数的所述储能电池组的内阻一致性系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510121048.2A CN106033113B (zh) | 2015-03-19 | 2015-03-19 | 一种储能电池组健康状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510121048.2A CN106033113B (zh) | 2015-03-19 | 2015-03-19 | 一种储能电池组健康状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106033113A CN106033113A (zh) | 2016-10-19 |
| CN106033113B true CN106033113B (zh) | 2019-03-08 |
Family
ID=57149156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510121048.2A Active CN106033113B (zh) | 2015-03-19 | 2015-03-19 | 一种储能电池组健康状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106033113B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772064B (zh) * | 2016-11-25 | 2019-05-28 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
| 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 |
| CN109557477B (zh) * | 2017-09-25 | 2021-11-19 | 郑州宇通客车股份有限公司 | 一种电池系统健康状态估算方法 |
| CN109299552A (zh) * | 2018-09-29 | 2019-02-01 | 清华大学 | 一种电池能量状态的评估方法及其评估系统 |
| CN111262896A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 一种网联汽车电池管理系统 |
| CN109856561A (zh) * | 2019-01-30 | 2019-06-07 | 北京长城华冠汽车科技股份有限公司 | 一种车用动力电池组的健康状态评估方法和装置 |
| KR20200117794A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
| CN110058159A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于灰色神经网络的锂电池健康状态估计方法 |
| CN112644336B (zh) * | 2019-10-11 | 2022-11-04 | 北京车和家信息技术有限公司 | 一种动力电池热失控预测方法及装置 |
| CN110806546B (zh) * | 2019-10-28 | 2022-03-08 | 腾讯科技（深圳）有限公司 | 电池健康评估方法、装置、存储介质及电子设备 |
| CN110850319B (zh) * | 2019-11-07 | 2021-12-07 | 北京海博思创科技股份有限公司 | 电池距离跳水点的循环圈数的估计方法、装置和电子设备 |
| CN110703121A (zh) * | 2019-11-08 | 2020-01-17 | 北京化工大学 | 一种锂离子电池健康状态预测方法 |
| CN111812518B (zh) * | 2019-12-25 | 2023-04-28 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
| CN111584952B (zh) * | 2020-04-17 | 2022-04-08 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和系统 |
| CN111525197B (zh) * | 2020-04-30 | 2021-07-30 | 镇江市百汇电器有限公司 | 一种蓄电池soh实时估算系统及方法 |
| CN111693879A (zh) * | 2020-06-19 | 2020-09-22 | 安徽江淮汽车集团股份有限公司 | 电池系统健康状态的评估方法、设备、存储介质及装置 |
| CN111722139B (zh) * | 2020-06-29 | 2022-08-09 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
| CN112003347A (zh) * | 2020-08-24 | 2020-11-27 | 中国工商银行股份有限公司 | 控制方法、系统、电子设备以及介质 |
| CN113466719B (zh) * | 2021-07-15 | 2024-04-19 | 深圳市清新电源研究院 | 一种利用小容量电池测试大容量电池循环寿命的方法 |
| CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
| CN113933718B (zh) * | 2021-11-04 | 2024-02-09 | 格林美股份有限公司 | 一种退役电池容量分选方法、装置、设备及存储介质 |
| CN117310537A (zh) * | 2023-10-18 | 2023-12-29 | 南方电网调峰调频(广东)储能科技有限公司 | 储能系统健康评估与优化方法及系统 |
| CN117420464A (zh) * | 2023-11-24 | 2024-01-19 | 广州穗圣信息科技有限公司 | 一种电动汽车电池组评估方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1691209A1 (en) * | 2005-02-14 | 2006-08-16 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
| CN102680903A (zh) * | 2012-05-11 | 2012-09-19 | 山东轻工业学院 | 便携式蓄电池状态检测系统及其检测方法 |
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
| CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
| CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm（1，n）灰色模型的电池寿命预测方法 |
-
2015
- 2015-03-19 CN CN201510121048.2A patent/CN106033113B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1691209A1 (en) * | 2005-02-14 | 2006-08-16 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
| CN102680903A (zh) * | 2012-05-11 | 2012-09-19 | 山东轻工业学院 | 便携式蓄电池状态检测系统及其检测方法 |
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
| CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
| CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm（1，n）灰色模型的电池寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 锂离子电池健康评估和寿命预测综述;刘大同 等;《仪器仪表学报》;20150131;第36卷(第1期);第1-16页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106033113A (zh) | 2016-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106033113B (zh) | 一种储能电池组健康状态评估方法 | |
| Li et al. | Battery life estimation based on cloud data for electric vehicles | |
| CN105589040B (zh) | 基于老化调适电池运作区间的电池调控方法 | |
| US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
| CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
| CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
| CN109061504A (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
| CN105548900B (zh) | 一种轨道交通用动力电池健康状态评估方法 | |
| He et al. | State-of-health estimation based on real data of electric vehicles concerning user behavior | |
| CN110161414A (zh) | 一种动力电池热失控在线预测方法及系统 | |
| CN106353687A (zh) | 一种锂电池健康状态的评估方法 | |
| Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
| CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
| CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
| CN108205114B (zh) | 电池寿命的预测方法及系统 | |
| Mekonnen et al. | Life cycle prediction of Sealed Lead Acid batteries based on a Weibull model | |
| CN106033114B (zh) | 一种储能电池健康状态评估方法 | |
| CN104569844A (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
| Burzyński et al. | A novel method for the modeling of the state of health of lithium-ion cells using machine learning for practical applications | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
| Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
| CN114329760A (zh) | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 | |
| CN103413033A (zh) | 一种预测蓄电池故障的方法 | |
| Saldana et al. | Empirical calendar ageing model for electric vehicles and energy storage systems batteries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |