CN106383316B - 一种梯次利用锂电池性能评价方法 - Google Patents

一种梯次利用锂电池性能评价方法 Download PDF

Info

Publication number
CN106383316B
CN106383316B CN201610760807.4A CN201610760807A CN106383316B CN 106383316 B CN106383316 B CN 106383316B CN 201610760807 A CN201610760807 A CN 201610760807A CN 106383316 B CN106383316 B CN 106383316B
Authority
CN
China
Prior art keywords
lithium battery
echelon
soc
life
internal resistance
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
Application number
CN201610760807.4A
Other languages
English (en)
Other versions
CN106383316A (zh
Inventor
孙冬
许爽
顾冬华
吴青娥
韩振宇
王俊杰
杨立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN201610760807.4A priority Critical patent/CN106383316B/zh
Publication of CN106383316A publication Critical patent/CN106383316A/zh
Application granted granted Critical
Publication of CN106383316B publication Critical patent/CN106383316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

本发明公开了一种梯次利用锂电池性能评价方法，可用于锂电池的梯次回收再利用，首先，设计锂电池性能测试工况，即设计测试时间，确定初始SOC状态，设计放电间歇时间；根据所设计测试工况，提取锂电池健康特征数据；然后，基于多健康寿命模型数据融合技术的健康状态决策方法，进行SOH估算；最后，划分出锂电池的梯次利用范围；本发明可用于锂电池梯次回收再利用，不仅可以让锂电池性能得到充分地发挥，有利于节能减排，还可以缓解大量锂电池进入回收阶段给回收工作带来的压力。

Description

一种梯次利用锂电池性能评价方法
技术领域
本发明涉及锂电池领域，特别涉及一种梯次利用锂电池性能评价方法，应用于锂电池梯次回收再利用。
背景技术
锂离子电池(简称锂电池)凭借重量轻、体积小、寿命长、电压高、无污染等优势逐步取代铅酸、镍氢、镍镉等蓄电池，成为电动汽车动力电池的首选。当汽车锂电池组的荷电能力降低到原有容量80%左右时，不再适合继续在电动汽车中使用，若将这些锂电池组报废进行回收处理，未能实现物尽其用，将造成极大的资源浪费。在锂电池外观完好、没有破损、各功能元件有效的情况下，可探讨进行锂电池的梯次回收再利用，锂电池梯次利用示意图如图1所示。概括地讲，可将锂电池的回收再利用分为四个梯度，其中第一梯度为在电动汽车、电动自行车等电动装置中应用；第二梯度为第一梯度退役的锂电池，可应用于电网、新能源发电、UPS等储能装置中；第三梯度为低端用户等其它方面的应用；第四梯度对电池进行拆解回收。
然而，退役锂电池组中各单体电池的有效容量存在差异，若要实现合理的梯次利用，需对其SOH（锂电池的健康状态）和性能进行重新评估，以决定其适用的梯度范围。那么如何在离线状态下准确地估计退役锂电池SOH，判别出其性能差异，成为锂电池梯次回收再利用的关键技术之一。
锂电池数学建模是描述锂电池非线性特性、掌握其工作状态的基础，考虑多种影响因素的锂电池工作特性实验研究是建立稳定、可靠、精确数学模型的前提，是实验数据驱动模型的可靠保证。因此，如何在考虑多种影响因素及外部环境条件的前提下，设计锂电池的工作特性验证实验并合理地安排实验流程是研究梯次利用锂电池工作特性和建立精确模型的可靠保证；同时，采用合适的辨识方法从实验数据中提取出有效的模型参数，将锂电池“黑箱”系统“灰箱化”，便于对其内部状态进行精准估计，也是锂电池梯次利用研究的关键技术之一。
在研究锂电池寿命特性和老化机理的基础上，选取适合的健康因子、提取可靠的锂电池健康特征，并建立完善的健康寿命模型，是实现梯次利用锂电池SOH精准评估的可靠保证，也是亟待解决的关键技术之一。
如何在有限的时间内、特定的外部环境中、适合的测试工况下，辨识出所需健康特征，再结合健康寿命模型进行精准SOH估计，完成锂电池性能评估和适用梯度范围决策，同样也是锂电池梯次利用的关键技术之一。
发明内容
本发明解决的技术问题是考虑从电动汽车等电动装置(第一梯度)退役下来的同种锂电池，研究和设计一种适合梯次利用锂电池的评价方法，在特定的测试模式、测试状态和测试条件下，制定合理的评价锂电池组的测试工况，在有限的测试时间内完成锂电池健康状态的性能评估，有利于锂电池梯次回收再利用，达到降低锂电池使用成本的目的。
本发明的技术方案为：
提供一种梯次利用锂电池性能评价方法，可用于锂电池的梯次回收再利用，其特征在于，包括如下步骤：
（a）设计锂电池性能测试工况；
（b）提取锂电池健康特征数据；
（c）根据锂电池的健康寿命模型，进行SOH估算；
（d）根据估算出的SOH，划分出锂电池的梯次利用范围；
其中，SOH表示锂电池的健康状态。
步骤（a）中的性能测试工况包括：设计测试时间，确定初始SOC状态，设计放电间歇时间，其中，SOC表示锂电池的荷电状态。
设计测试时间时，选取SOC为20%~80%的区域作为所设计测试工况DOD范围，其中，DOD表示锂电池的放电深度。
确定初始SOC状态时，进一步包括如下步骤：
（a）上电检测锂电池OCV；
（b）根据OCV-SOC曲线，采用查表的方法得到锂电池当前SOC状态；
（c）若SOC初始值大于80%时， 直接执行步骤（e）
（d）若SOC初始值小于80%时，对锂电池进行恒流充电，充电至截止电压3.5V；
（e）运行动态内阻测试工况；
其中，OCV表示锂电池的开路电压，OCV-SOC曲线，表示开路电压与荷电状态的关系曲线。
放电间歇时间为10秒。
提取锂电池健康特征数据的步骤进一步包括如下步骤：
（a）在tk-n、tk、tk+n三个时刻分别记录在线辨识的内阻值R o,k-n 、R o,k 、R o,k+n 和放电容量D od,k-n 、D od,k 、D od,k+n ；
（b）计算tk+n时刻荷电状态的变化量
；
（c）计算tk时刻内阻值的变化量：
；
以及tk+n时刻内阻值的变化量：
；
（d）计算tk+n时刻健康特征数据a s,k-1：
；
其中，下标k表示为k时刻采样数据，n是正整数，n<k。
所述锂电池的健康寿命模型包括：均值内阻健康寿命模型，最小内阻健康寿命模型和a s健康寿命模型，其中，a s表示健康因子。
本发明的有益效果是：
在缺少历史数据和重要数据丢失的最坏情况下，研究梯次利用锂电池的测试方法，设计锂电池性能测试工况，基于工况测试数据，研究锂电池健康特征的在线辨识方法。为保证梯次利用锂电池性能评估和品质分级的稳定性和可靠性，研究基于多健康寿命模型的数据融合技术，以此做出正确的判别和决策。
附图说明
图1锂电池梯次利用示意图；
图2初始SOC状态确定与测试工况运行流程图；
图3锂电池性能测试工况波形图；
图4动态内阻测试简化波形及其相关参数计算示意图；
图5 as健康特征计算流程图；
图6基于多健康寿命模型数据融合技术的决策方法示意图；
图7梯次利用锂电池性能评价方法示意图。
具体实施方式
梯次利用锂电池性能评估测试需在保证退役锂电池组安全性的前提下，在有限的测试时间、复杂的外部环境下进行，本发明在考虑最坏情况(历史数据和重要数据等未知)和实际工程需求下，设计适用于梯次利用锂电池的测试工况，基于实时获取的单体电池必要测量数据(充放电电压、充放电电流、工作温度)，研究锂电池健康特征的提取方法并以此对其做出合理的性能评估，下面将进行详细的分析。
1. 受限测试时间
动态内阻测试首先以CCCV方式将锂电池充满电，而后进行恒流间歇循环放电直至放电截止电压2V为止，此时被测锂电池DOD范围为100%。若采用此方法设计测试工况须将锂电池充满电，如此便额外延长了测试时间，尤其是CV过程一般约占CC过程的1/3时间(1C倍率下)。因此，考虑锂电池的正常工作范围和内阻-SOC曲线范围，选取SOC为20%~80%的区域作为所设计测试工况DOD范围。此外，处理锂电池健康寿命测试实验数据时发现，在动态内阻测试工况中考虑环境温度、容量衰减等因素，控制锂电池充放电电压范围为3.5V~3.0V时，其DOD范围可完全覆盖SOC为20%~80%的区域，且缩短了动态内阻整体测试时间。
2. SOC状态未知
若无法获取梯次利用锂电池当前SOC状态信息，为保证锂电池组安全性，需在测试之前对其SOC初始状态进行初步判断，整个状态确定和工程测试流程图如图2所示。假设从电动汽车退役的锂电池已经过一段时间静置，因此可认为此时所测量电池电压为OCV，依据OCV-SOC曲线，采用查表的方法可对锂电池当前SOC状态做出初步判断。当SOC初始值等于或大于80%时，可直接运行动态内阻测试工况直至截止电压3.0V为止；当SOC初始值小于80%时，需先对锂电池进行恒流充电，为缩短充电时长选取最大充电电流倍率(1.5C)，充电至截止电压3.5V时再运行动态内阻循环测试工况。由上述测试过程分析可知，整个测试运行时长如表1所示，最短时长约在30min之内，最大时长约为60min，此表根据锂电池标称容量计算所得，若考虑锂电池容量衰减，整个测试时长约为30min~40min。
表1测试工况估计运行时长
SOC初始值 80% 100% 0
工况测试时长 约28min 约38min 约60min
3. 放电间歇时间
由动态内阻测试工况可知，其循环测试分别由恒流放电和静置构成，且间歇时间相同，所设计健康寿命实验分别选取了5s、10s、20s、30s和1min五种间歇时间，此时须对其进行统一。理论上实验数据越多所获取曲线特征越明显、可靠，考虑较快电流切换增加测试系统工作负担和SOC间隔大小(ΔSOC=1%)，选择10s~20s间歇时间较为符合实际情况，因此本发明选取10s放电间歇时间设计锂电池性能测试工况。
综合上述描述和相关参数选择，可得到所设计的适用于梯次利用锂电池的性能测试工况，忽略测试中恒流充电过程，其测试波形如图3所示，图3(a)为测试工况电流波形图，图3(b)为实测锂电池电压波形图。
所设计锂电池性能测试电流工况可简化为如图4所示波形图，所辨识内阻值在每个恒流放电下降沿结束时刻计算得到，以三个放电下降沿时刻为例说明a s的计算过程，在tk-n、tk、tk+n三个时刻分别记录在线辨识的内阻值R o,k-n 、R o,k 、R o,k+n 和放电容量D od,k-n 、D od,k 、 D od,k+n ；每个时刻需计算的相关参数如图4中所示，因测试中每次恒流放电时间和静置时间相同，则锂电池每次放电结束后的DOD变化量(即ΔDod)保持不变，根据DOD和SOC的关系也可确定ΔS oc保持恒定(即ΔS oc=ΔDod)。
因此，对内阻-SOC二次曲线求一阶导数即为计算ΔR o,k /ΔS oc，对二次曲线求二阶导数即为计算(ΔR o,k -ΔR o,k-n )/ΔS oc 2，根据此方法即可计算得到a s健康特征数据。图5所示为图4所示t k+n 时刻a s健康特征数据提取过程流程图，N为测试实验数据总数，此迭代计算流程可实现健康特征数据实时计算，若实测数据出现模型参数较大波动或外部干扰，最后采用求均值的方法以保证计算结果的可靠性。
数据融合技术是利用计算机对按时序获得的若干观测信息在一定准则下加以自动分析、优化综合，完成所需的决策和估计任务而进行的信息处理过程。此技术是针对多传感器或具有多观测信息系统所提出的，目的在于当数据信息出现不完整、不协调或不精确时，对数据信息进行变换以达到信息同化并做出推理，降低系统不确定性、提高系统容错能力、保证系统可靠性，从而增强系统状态估计性能。此外，单一模型预测方法在一定程度上限制了预测结果的精确度，多模型融合方法将多个模型相结合以构建复杂的特征模型，以满足复杂系统状态估计性能要求。
神经网络属于数据融合技术一种常用算法，适用于数据层、特征层和决策层数据融合，因其自学习、自适应和模拟任意非线性等势，本发明选用BP神经网络作为锂电池数据融合方法，针对线性健康寿命模型精度低、单体电池差异等问题，基于前述健康寿命模型使用多模型数据融合决策级技术，以期望获得较好的梯次利用锂电池性能评估效果。
图6所示为基于多健康寿命模型数据融合技术的决策方法示意图，对梯次利用锂电池进行性能验证工况测试，实时记录锂电池组中各单体电池端电压(U L)、充放电电流(I b)和工作温度(T)，基于这些测试实验数据提取出相关健康特征数据均值内阻R o,mean、最小内阻R o,min和内阻-SOC曲线斜率a s，根据三种健康寿命模型进行锂电池健康状态估计，分别得到不同模型的估计值SOHmean、SOHmin和SOHas，将上述实验数据采用BP神经网络算法进行融合，最终决策出梯次利用锂电池的SOH估计值。
综合前述实验测试和仿真结果分析，初步形成一套适用于梯次利用锂电池健康状态估计和性能评价方法，评价方法示意图如图7所示，主要包括三方面研究：锂电池健康寿命特性研究、梯次利用锂电池测试方法研究和性能评估研究。首先，设计锂电池性能测试工况；然后，提取锂电池健康特征数据；根据锂电池的健康寿命模型，进行SOH估算；最后，根据估算出的SOH，划分出锂电池的梯次利用范围
锂电池健康寿命特性研究是以健康寿命实验为基础开展的，旨在通过实验测试数据处理，研究锂电池在不同健康状态下各方面性能和工作特性，从中发现与锂电池健康状态相关数据信息，进一步研究健康特征提取和健康因子构建的方法，以便总结相关变化规律并建立健康寿命模型；在研究锂电池健康寿命特性和实验数据处理的基础上，进一步开展梯次利用锂电池测试方法研究，根据实际工程测试所具有的外部环境、设备条件和不同情况，研究如何进行快速、有效、可靠地梯次利用锂电池性能测试，并从测试实验中提取有效健康特征数据，从而达到锂电池性能评价的目的；通常梯次利用锂电池脱离电池管理系统之后便缺少了历史数据和重要数据的支持，梯次利用锂电池性能评估研究即是在如此情况下，通过合理地利用有限的实验数据和有效健康特征，研究适用于梯次利用锂电池性能评估方法，从而做出合理、正确的最终决策。
本发明从分析梯次利用锂电池工作特征入手，在最坏情况下考虑有限测试时间、重要数据缺失、放电时间等问题的基础上，设计了适用于梯次利用锂电池性能测试工况。在无法获取历史数据的情况下，根据所设计测试工况及其少量测试实验数据，研究了锂电池健康特征提取方法。
在上述研究的基础上，针对线性近似寿命模型、锂电池单体差异等问题，提出了基于多健康寿命模型数据融合技术的健康状态决策方法，选择具有自学习、自适应和模拟任意非线性等特性的BP神经网络作为数据融合决策算法，仿真实验验证了此方法的有效性和可靠性。最后，综合前述研究内容形成了一套梯次利用锂电池性能评价方法。
上述具体实施例只是为了说明本发明的技术构思和应用特点，其目的在于让熟悉此领域的工程设计人员能够了解本发明的内涵实质并加以应用，但并不能因此而限制本发明的保护范围。因此实际应用时的任何物理位置均在此专利的保护范围之内。无论在上文中出现了如何详细的说明，也可以用许多方式实施本发明。上述控制方式的细节在其执行细节中可以进行相当多的变化，然而其仍然包含在这里所公开的本发明中。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种梯次利用锂电池性能评价方法，用于锂电池的梯次回收再利用，其特征在于，包括如下步骤：
（a）设计锂电池性能测试工况；
（b）提取锂电池健康特征数据；
（c）根据锂电池的健康寿命模型，进行SOH估算；
（d）根据估算出的SOH，划分出锂电池的梯次利用范围；
其中，SOH表示锂电池的健康状态；所述性能测试工况包括：设计测试时间，确定初始SOC状态，设计放电间歇时间，其中，SOC表示锂电池的荷电状态；
设计测试时间时，选取SOC为20%~80%的区域作为所设计测试工况DOD范围，其中，DOD表示锂电池的放电深度；确定初始SOC状态时，进一步包括如下步骤：
（a）上电检测锂电池OCV；
（b）根据OCV-SOC曲线，采用查表的方法得到锂电池当前SOC状态；
（c）若SOC初始值大于80%时， 直接执行步骤（e）；
（d）若SOC初始值小于80%时，对锂电池进行恒流充电，充电至截止电压3.5V；
（e）运行动态内阻测试工况；
其中，OCV表示锂电池的开路电压，OCV-SOC曲线，表示锂电池开路电压与荷电状态的关系曲线；放电间歇时间为10秒；提取锂电池健康特征数据的步骤进一步包括如下步骤：
（a）在tk-n、tk、tk+n三个时刻分别记录在线辨识的内阻值R o,k-n 、R o,k 、R o,k+n 和放电容量D od,k-n 、D od,k 、D od,k+n ；
（b）计算tk+n时刻荷电状态的变化量
；
（c）计算tk时刻内阻值的变化量：
；
以及tk+n时刻内阻值的变化量：
；
（d）计算tk+n时刻健康特征数据a s,k-1：
；
其中，下标k表示为k时刻采样数据，n是正整数，n<k；所述锂电池的健康寿命模型包括：均值内阻健康寿命模型，最小内阻健康寿命模型和a s健康寿命模型，其中，a s表示健康因子。
CN201610760807.4A 2016-08-30 2016-08-30 一种梯次利用锂电池性能评价方法 Active CN106383316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610760807.4A CN106383316B (zh) 2016-08-30 2016-08-30 一种梯次利用锂电池性能评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610760807.4A CN106383316B (zh) 2016-08-30 2016-08-30 一种梯次利用锂电池性能评价方法

Publications (2)

Publication Number Publication Date
CN106383316A CN106383316A (zh) 2017-02-08
CN106383316B true CN106383316B (zh) 2018-07-10

Family

ID=57937871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610760807.4A Active CN106383316B (zh) 2016-08-30 2016-08-30 一种梯次利用锂电池性能评价方法

Country Status (1)

Country Link
CN (1) CN106383316B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107785624A (zh) * 2016-08-30 2018-03-09 郑州思辩科技有限公司 一种评估锂电池性能的方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680730B (zh) * 2017-03-01 2023-06-30 侬泰轲（上海）检测科技有限责任公司 一种可检测荷电状态的充放电装置及荷电状态的检测方法
CN108398652A (zh) * 2017-05-26 2018-08-14 北京航空航天大学 一种基于多层特征融合深度学习的锂电池健康状态评估方法
CN107807333B (zh) * 2017-10-31 2019-09-17 暨南大学 一种退役动力电池组的soc估算方法
CN107894571B (zh) * 2017-11-06 2021-01-26 北京长城华冠汽车科技股份有限公司 车载电池组寿命估算方法
CN108287312B (zh) * 2017-12-22 2021-06-04 广州市香港科大霍英东研究院 一种退役电池的分选方法、系统及装置
CN108155426A (zh) * 2017-12-25 2018-06-12 合肥工业大学智能制造技术研究院 基于衰减特性参数的电池梯次利用方法
CN110703118B (zh) * 2018-06-21 2021-12-10 中信国安盟固利动力科技有限公司 一种用于车载电池寿命预测的该地区普适性电池运行工况提取的方法
CN108845270B (zh) * 2018-07-11 2021-01-05 国网江西省电力有限公司电力科学研究院 磷酸铁锂动力电池梯次利用的全寿命周期成本估算方法
CN109901072B (zh) * 2019-03-19 2020-12-25 上海毅信环保科技有限公司 基于历史数据与实验室测试数据的退役电池参数检测方法
JP7229062B2 (ja) * 2019-03-27 2023-02-27 本田技研工業株式会社 寿命予測装置、寿命予測方法、及びプログラム
CN110310039B (zh) * 2019-07-02 2023-04-14 北斗航天信息网络技术有限公司 一种锂电池全生命周期在线优化监控系统及监控方法
CN110323502B (zh) * 2019-07-04 2021-04-13 北京交通大学 一种退役动力电池梯次利用场景适应性评价方法和装置
CN110632528B (zh) * 2019-11-04 2021-08-31 桂林电子科技大学 一种基于内阻检测的锂电池soh估算方法
CN111239629B (zh) * 2020-02-28 2022-02-18 山东理工大学 一种退役锂电池的梯次利用状态区间划分方法
CN112034350B (zh) * 2020-08-28 2023-07-14 厦门科灿信息技术有限公司 电池组健康状态预测方法及终端设备
CN112505573A (zh) * 2020-11-23 2021-03-16 贵州电网有限责任公司 一种退役动力电池的一致性评价指标计算方法
CN115514068A (zh) * 2022-11-18 2022-12-23 杭州程单能源科技有限公司 一种锂电池梯次利用的电芯压差优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102437385B (zh) * 2011-12-12 2014-03-12 中国电力科学研究院 一种电动汽车动力电池梯次利用的分级方法
CN103337671A (zh) * 2013-06-27 2013-10-02 国家电网公司 一种废旧动力电池梯次利用筛选方法
CN103785629B (zh) * 2014-01-13 2015-10-28 国家电网公司 一种梯次利用锂电池筛选成组方法
CN105242212B (zh) * 2015-09-28 2018-01-30 哈尔滨工业大学 用于电池梯次利用的磷酸铁锂电池健康状态特征参数提取方法
CN105093131A (zh) * 2015-09-28 2015-11-25 哈尔滨工业大学 一种用于磷酸铁锂电池梯次利用的电池健康特征参数提取方法
CN105226695B (zh) * 2015-10-16 2019-03-19 中国电力科学研究院 一种含梯次利用电池多类型储能系统能量管理方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107785624A (zh) * 2016-08-30 2018-03-09 郑州思辩科技有限公司 一种评估锂电池性能的方法

Also Published As

Publication number Publication date
CN106383316A (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN106383316B (zh) 一种梯次利用锂电池性能评价方法
CN107785624A (zh) 一种评估锂电池性能的方法
Zhang et al. An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model
CN110161425B (zh) 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN103792495B (zh) 基于德尔菲法和灰色关联理论的电池性能评价方法
Zhang et al. A GA optimization for lithium–ion battery equalization based on SOC estimation by NN and FLC
CN106093778A (zh) 电池状态预测方法及系统
CN106777786A (zh) 一种锂离子电池soc估算方法
CN110398697A (zh) 一种基于充电过程的锂离子健康状态估计方法
CN103439666A (zh) 一种锂离子电池容量衰退评估的几何方法
Liu et al. An improved SoC estimation algorithm based on artificial neural network
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN106998086A (zh) 兆瓦级储能电站电池管理方法及其系统
CN112379270A (zh) 一种电动汽车动力电池荷电状态滚动时域估计方法
Zhou et al. Practical State of Health Estimation for LiFePO 4 Batteries Based on Gaussian Mixture Regression and Incremental Capacity Analysis
Hu et al. Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation
CN112763916B (zh) 一种空间用锂离子电池组未来工况预测方法
Guo et al. State of charge and parameters estimation for Lithium-ion battery using dual adaptive unscented Kalman filter
Gong et al. Estimation of Peukert constant of lithium-ion batteries and its application in battery discharging time prediction
CN106646260A (zh) 一种基于遗传神经网络的bms系统的soc的估算方法
Han et al. State of Charge estimation of Li-ion battery in EVs based on second-order sliding mode observer
Liu et al. RBF network-aided adaptive unscented kalman filter for lithium-ion battery SOC estimation in electric vehicles
Moreira et al. A comprehensive second-life review of electric vehicle batteries-a brazilian study case
CN108845267A (zh) 一种动力电池的数据处理方法和装置
Liu et al. Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion 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