CN107219463B - 基于电瓶车状态数据的电池使用寿命预测方法 - Google Patents
基于电瓶车状态数据的电池使用寿命预测方法 Download PDFInfo
- Publication number
- CN107219463B CN107219463B CN201710340766.8A CN201710340766A CN107219463B CN 107219463 B CN107219463 B CN 107219463B CN 201710340766 A CN201710340766 A CN 201710340766A CN 107219463 B CN107219463 B CN 107219463B
- Authority
- CN
- China
- Prior art keywords
- battery
- battery truck
- truck
- user
- discharge time
- 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
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本发明针对不同类型电瓶车的用户使用习惯提出一种基于概率统计的电池组寿命预测方法,所述方法包含以下步骤:步骤1)、对影响电瓶车电池使用寿命的用户习惯如行驶里程数和电池放电时间这两个重要因素进行统计与分析;步骤2)、根据电压值对电瓶车类型进行分类,建立电瓶车用户使用习惯与电池寿命间的关联模型;步骤3)、利用训练样本集对关联模型进行参数估计;步骤4)、将待测试的新用户行驶里程数和累计放电时间代入对应的电池寿命状态函数进行计算,得出电池寿命状态的标准量,与设置阈值进行比较后得到当前电瓶车用户的电池寿命状态结论。
Description
技术领域
本发明属于动力电池组寿命预测技术领域,该方法特别适用于在不同类型电瓶车的用户使用习惯情况下检测和诊断其电池组使用寿命状态。
背景技术
近年来,便捷、节能又环保的电瓶车已成为广大城镇居民青睐的绿色交通工具。目前国内电瓶车厂家常用的电池按照化学材料划分主要有铅酸电池、镍金属电池、锂离子电池等。这些不同材料的电池都属于电动车的最易损耗部件,一直面临着诸如不耐用、寿命短等问题的制约。另外,由于用户行驶中路况及行为习惯的差异特别大,很难达到商家宣传的续航里程;与此同时,用户无法通过现有手段准确知道电瓶车电池的使用寿命,这是由于处于行驶状态中的电瓶车电池放电过程是非线性的,而且电池的放电能力是持续不断变化的,其续航里程很难通过确定的模型直接表示。近年来针对动力电池组寿命预测研究并不多,现有方法大致可分为二种:1)电化学建模方法、2)数据驱动法。
1)电化学建模方法
电化学建模方法以电池组的电化学机理为出发点,建立电池组的机理老化模型。该种方法准确性比较好,可以详细解释电池的老化过程,为改善电池结构提供帮助,例如Ramadass等(请参见:Ramadass P,Haran B,White R,et al.Mathematical Modeling ofthe Capacity Fade of Li-ion Cells[J].Journal of Power Sources,2003,123(2):230-240.)所建立的电池寿命模型从电池老化机理出发,认为电池老化的原因是电池内的活性锂离子逐渐减少引起放电电压降低。他们提出了半经验模型,该模型通过电池SOC和膜阻抗的变化量作为参数,定量研究电池容量的减小,从而进行电池的寿命预测。但该模型没有考虑到截止电压和放电深度对电池寿命衰退的影响。
2)数据驱动法
数据驱动法以大量的电池特性数据为出发点,通过数据挖掘方法分析电池的老化情况,该种方法可考虑多种因素对电池的老化的影响,通过大量样本数据输入,可获得比较高的准确度。例如Parthiban等(请参见:Parthiban T,Ravi R,Kalaiselvi N.Explorationof Artificial Neural Network[ANN]to Predict the ElectrochemicalCharacteristics of Lithium-ion Cells[J].Electrochimica Acta,2007,53(4):1877-1882.)将人工神经网络的方法引入到电池寿命预测的研究中。利用这种方法,只要输入电池的充放电循环次数,就可以计算得到电池的容量值。但是该模型在电池充放电循环的前期对容量的预测非常有效,但在后期的效果并不是太好。
综上所述,现有的动力电池寿命预测模型通常建立在基于标准工况的电化学检测或等效电路模型之上,这些方法仅针对电池的内部特性参数,而没有考虑电瓶车运行的实际工况和用户使用习惯,研究表明,用户不当的行为习惯会导致电池组利用率降低、使用寿命缩短等情况。与此同时,现有的预测方法都没有对大量历史数据进行收集和分析,因此无法客观的找出其中的老化规律,从而增大了误差。
发明内容
本发明通过对电瓶车装载的传感器采集的历史数据进行分析和挖掘,探索电池组寿命与用户使用习惯(例如行驶里程、放电时间等因素)间的关联规律,这样对诊断和预测电瓶车电池组的使用寿命具有重要意义。
具体技术方案如下:
一种基于电瓶车状态数据的电池使用寿命预测方法,包括如下步骤:
(1)将通过对电瓶车上传感器采集的状态数据进行统计和分类,数据结构主要包括有记录序号、瞬时速度、时间戳、电压值这4种属性状态。在此基础上,统计出每辆电瓶车的行驶里程、放电时间和最大电压值,得出汇总数据。然后,将不同类型电瓶车的行驶里程数(S)和累计放电时间(T)作为衡量电池寿命状态的两个随机变量进行归一化处理,分别记作S*和T*;
(2)根据最大电压字段对电瓶车类型进行分类,并分别求出不同类型电瓶车用户数据集的S*和T*的数学期望E(S*)与E(T*),及两个随机变量之间的相关系数ρ(S*,T*);
(3)建立电瓶车电池寿命状态模型;
(4)分别对不同类型电瓶车的训练样本集设定寿命状态阈值并评价其阈值的置信度;
(5)对于测试用户样本,先计算其行驶里程数和累计放电时间并进行归一化处理,然后再根据电压值进行分类后代入对应类型电瓶车的电池寿命状态函数,求得该用户的电池寿命状态标准量,并与阈值r0进行比较后得出寿命状态结论。
进一步的,所述步骤(1)中,计算每辆电瓶车的行驶里程的公式为:
其中,S表示行驶里程,为平均行驶速度,Δt为时间差。进一步的,所述步骤(1)中,计算每辆电瓶车的累计放电时间的公式为:
T=∑Δt=∑(ti-ti-1)
(2)
其中,ti表示电瓶车行驶某时刻的时间戳。
进一步的,所述步骤(1)中,计算每辆电瓶车的行驶最大电压值的公式为:
Vmax=max(V[1…n]) (3)
其中,V[1…n]为电瓶车行驶时记录的电压值列表,行驶中的电瓶车电池处于放电过程,电压是逐渐下降的。
进一步的,所述步骤(1)中,行驶里程数和累计放电时间的归一化公
式分别为:
其中,S*和T*分别表示对S和T进行归一化处理后的随机变量值。进一步的,所述步骤(2)中,未知参数λ1,λ2,λ3的计算公式为:
其中n为样本数,E(S*)为行驶里程的数学期望,E(T*)为累计放电时间的数学期望,ρ(S*,T*)表示行驶里程数与累计放电时间两者间的相关系数。
进一步的,所述步骤(3)中,电池寿命状态函数为:
r=a·exp(-λ1·s*-λ2·t*-λ3·max(s*,t*)}+K (9)
约束条件:s*>0,t*>0,a>0
其中,s*和t*分别表示归一化后的行驶里程和累计放电时间,λ1,λ2,λ3,a,K为预估参数。
进一步的,所述步骤(4)中,阈值置信度公式为:
其中,α表示阈值置信度,n为训练集的样本数量,ri为样本集中第i个样本的寿命状态标准量,r0为样本集对应的阈值。
进一步的,所述步骤(5)中进一步包括以下步骤:
(5.1)判断如果标准量r≥r0,则说明电池寿命状态良好,可继续使用。
(5.2)判断如果标准量r<r0,则说明电池达到报废标准,建议停止使用需更换新电池。
本发明的有益效果:
1)本发明通过对电瓶车上传感器采集的状态数据进行统计,具体来说,就是统计出每辆电瓶车的里程数(S)与累计放电时间(T)之后,将之作为衡量电池组寿命状态的两个随机变量,并且分别进行归一化处理。
2)本发明提出一个电瓶车电池寿命状态预测模型,将新用户的里程数和累计放电时间经过归一化处理后代入对应类型的电池寿命状态函数进行计算,获得该新用户对应的电池组寿命状态的标准量,与阈值进行比较,得出寿命状态结论。本发明可以广泛应用在不同类型电瓶车的用户使用习惯情况下检测和诊断其电池组使用寿命状态。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明提出基于电瓶车状态数据的电池使用寿命预测方法的实施过程如下:
1)、表1为本发明实施例的用户训练数据样本集,其中共包含A、B、C和D这4个用户,每个用户采集的记录都有序号、速度、时间戳和电压值等4个属性。
用户A:
用户B:
用户C:
用户D:
表1.用户训练数据样本集。
2)、根据公式(1)-(4)分别统计每个用户的行驶里程数、累计放电时间和最大电压值,结果如表2所示。
表2.用户行驶里程与放电时间的统计结果。
再根据公式(5)和公式(6)对统计的里程数、累计放电时间进行归一化处理,结果如表3所示。
行驶里程 | 放电时间 | 电压值(v) | |
用户A | 0.9395 | 0.8440 | 48v |
用户B | 0.9780 | 0.8949 | 48v |
用户C | 0.9885 | 0.9365 | 64v |
用户D | 0.9841 | 0.9208 | 64v |
表3.针对表2的归一化处理结果。
3)、根据最大电压值将表3中的电瓶车用户进行分类,结果表4所示。
电瓶车电压类型 | 用户 |
48v | 用户A,用户B |
64v | 用户C,用户D |
表4.根据电压值进行电瓶车类型分类。
4)、在表4的基础上根据公式(7)-(9)计算每种类型电瓶车的行驶里程与放电时间的期望值E(S*)和E(T*),及其两者之间的相关系数ρ(S*,T*)。
例如针对48v类型的电瓶车:
例如针对64v类型的电瓶车:
5)、对寿命状态函数如公式(10)中的未知参数λ1,λ2,λ3进行估计,使用函数的偏导数确定a,K参数的值,从而确定不同电压类型电瓶车对应的电池寿命状态函数。
例如针对48v类型的电瓶车,将上述等式联立可得出:
λ1=-0.0536,λ2=0.0536,λ3=1.0965
然后,分别求出r48v在s*和t*上的方向导数:
令u=0.0536s*-0.0536t*-1.0965max(s*,t*)
恒成立,
表明函数r48v在s*方向上单调递减的。
恒成立,
表明函数r48v在t*方向上单调递减的。
另外,由于s*∈[0,1],t*∈[0,1],r48v∈[0,1]。
根据上述已知条件可知,函数r48v在(0,0)处取得最大值1,在(1,1)处取得最小值0。
将值代入函数得出下列两个等式:
联立等式得出:
a48v=1.5016,K48v=-0.5016
当求出上述所有参数值后,可得出48V类型电瓶车的电池寿命状态函数具体为:
r48v=1.5016·exp{0.0536s*-0.0536t*-1.0965max(s*,t*)}-0.5016
然后,将表3的训练集中用户A和用户B(48v电瓶车)的归一化结果代入上述函数,得到两个用户的寿命状态值:
rA=0.0372,rB=0.0145
例如针对64v类型的电瓶车,将上述等式联立可得出:
λ1=-0.0315,λ2=0.0314,λ3=1.0454
然后,分别求出r64v在s*和t*上的方向导数:
令v=0.0315s*-0.0314t*-1.0454max(s*,t*)
恒成立,
表明函数r64v在s*方向上单调递减的。
恒成立,
表明函数r64v在t*方向上单调递减的。
另外,由于s*∈[0,1],t*∈[0,1],r48v∈[0,1]。
根据上述已知条件可知,函数r64v在(0,0)处取得最大值1,在(1,1)处取得最小值0。
将值代入函数得出下列两个等式:
联立等式得出:
a64v=1.5422,K64v=-0.5422
当求出上述所有参数值后,可得出64V类型电瓶车的电池寿命状态函数具体为:
r64v=1.5422·exp{0.0315s*-0.0314t*-1.0454max(s*,t*)}-0.5422
然后,将表3的训练集中用户C和用户D(64v电瓶车)的归一化结果代入上述函数,得到两个用户的寿命状态值:
rC=0.0075,rD=0.0102
6)、根据上述步骤求出的不同类型电瓶车用户的寿命状态值,分别设定状态阈值并评价样本的置信度。
对于48v类型电瓶车,当设置状态阈值r0_48v=0.001时,求得置信度α48v=1。
对于64v类型电瓶车,当设置状态阈值r0_48v=0.001时,求得置信度α48v=1。
7)、对于表5中的两个新用户E和F,根据公式(1)-(3)分别统计测试用户样本的里程数,累计放电时间,结果如表6所示,再根据公式(5)和(6)进行归一化处理,结果如表7所示。然后根据电压值将测试用户样本进行分类,结果如表8所示。
用户E:
用户F:
表5.新用户测试数据样本集。
行驶里程(km) | 放电时间(h) | 电压值(v) | |
用户E | 18 | 4 | 48v |
用户F | 591 | 30 | 64v |
表6.新用户行驶里程与放电时间的统计结果。
行驶里程 | 放电时间 | 电压值(v) | |
用户E | 0.9647 | 0.8440 | 48v |
用户F | 0.9989 | 0.9788 | 64v |
表7.针对表6归一化处理结果。
电瓶车电压类型 | 用户 |
48v | 用户E |
64v | 用户F |
表8.对新用户进行电瓶车类型分类。
8)、接着,将表7中测试用户E和F的里程数和累计放电时间分别代入到步骤(5)中对应的48v和64v电瓶车的寿命状态函数进行计算,求得用户E和F的电池寿命状态标准量:r′48v=0.0232,r′64v=0.00098,由此可见:
对于48v电瓶车类型的新用户E,其电池寿命状态的标准量大于阈值0.001,说明该用户的电池寿命状态良好,可继续使用。
对于64v电瓶车类型的新用户F,其电池寿命状态的标准量小于阈值0.001,说明该用户的电池达到报废标准,建议停止使用并进行更换。
Claims (9)
1.一种基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,包括如下步骤:
(1)将通过对电瓶车上传感器采集的状态数据进行统计和分类,数据结构主要包括有记录序号、瞬时速度、时间戳、电压值这4种属性状态;在此基础上,统计出每辆电瓶车的行驶里程、放电时间和最大电压值,得出汇总数据;然后,将不同类型电瓶车的行驶里程数S和累计放电时间T作为衡量电池寿命状态的两个随机变量进行归一化处理,分别记作S*和T*;
(2)根据最大电压字段对电瓶车类型进行分类,并分别求出不同类型电瓶车用户数据集的S*和T*的数学期望E(S*)与E(T*),及两个随机变量之间的相关系数ρ(S*,T*);
(3)建立电瓶车电池寿命状态模型,将新用户的里程数和累计放电时间经过归一化处理后代入对应类型的电池寿命状态函数进行计算,获得该新用户对应的电池组寿命状态的标准量,与阈值进行比较,得出寿命状态结论;
(4)分别对不同类型电瓶车的训练样本集设定寿命状态阈值并评价其阈值的置信度;
(5)对于测试用户样本,先计算其行驶里程数和累计放电时间并进行归一化处理,然后再根据电压值进行分类后代入对应类型电瓶车的电池寿命状态函数,求得该用户的电池寿命状态标准量,并与阈值r0进行比较后得出寿命状态结论。
2.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(1)中,计算每辆电瓶车的行驶里程的公式为:
其中,S表示行驶里程,为平均行驶速度,Δt为时间差。
3.如权利要求2所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(1)中,计算每辆电瓶车的累计放电时间的公式为:
T=∑Δt=∑(ti-ti-1) (2)
其中,ti表示电瓶车行驶某时刻的时间戳。
4.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(1)中,计算每辆电瓶车的行驶最大电压值的公式为:
Vmax=max(V[1…n]) (3)
其中,V[1…n]为电瓶车行驶时记录的电压值列表,行驶中的电瓶车电池处于放电过程,电压是逐渐下降的。
5.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(1)中,行驶里程数和累计放电时间的归一化公式分别为:
其中,S*和T*分别表示对S和T进行归一化处理后的随机变量值。
6.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,通过步骤(2)中的E(S*)、E(T*)、ρ(S*,T*)得到未知参数λ1,λ2,λ3的计算公式为:
其中n为样本数,E(S*)为行驶里程的数学期望,E(T*)为累计放电时间的数学期望,ρ(S*,T*)表示行驶里程数与累计放电时间两者间的相关系数。
7.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(3)中,电池寿命状态函数为:
r=a·exp(-λ1·s*-λ2·t*-λ3·max(s*,t*)}+K (9)
约束条件:s*>0,t*>0,a>0
其中,s*和t*分别表示归一化后的行驶里程和累计放电时间,λ1,λ2,λ3,a,K为预估参数。
8.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(4)中,阈值置信度公式为:
其中,α表示阈值置信度,n为训练集的样本数量,ri为样本集中第i个样本的寿命状态标准量,r0为样本集对应的阈值。
9.如权利要求1所述的基于电瓶车状态数据的电池使用寿命预测方法,其特征在于,所述步骤(5)中进一步包括以下步骤:
(5.1)判断如果标准量r≥r0,则说明电池寿命状态良好,可继续使用;
(5.2)判断如果标准量r<r0,则说明电池达到报废标准,建议停止使用需更换新电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340766.8A CN107219463B (zh) | 2017-05-12 | 2017-05-12 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340766.8A CN107219463B (zh) | 2017-05-12 | 2017-05-12 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107219463A CN107219463A (zh) | 2017-09-29 |
CN107219463B true CN107219463B (zh) | 2019-11-12 |
Family
ID=59944804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710340766.8A Active CN107219463B (zh) | 2017-05-12 | 2017-05-12 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107219463B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110103770B (zh) * | 2018-01-17 | 2022-09-06 | 北京京东乾石科技有限公司 | 用于检测车载电池性能的方法和装置 |
EP3591414B1 (en) * | 2018-07-03 | 2022-01-19 | Electricité de France | Method for evaluating an electric battery state of health |
EP3591413B1 (en) * | 2018-07-03 | 2023-08-30 | Electricité de France | Method for evaluating an electric battery state of health |
CN109740802A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN110673036B (zh) * | 2019-07-24 | 2021-09-28 | 广州中国科学院计算机网络信息中心 | 基于obd计算技术的车辆故障预警方法及系统 |
CN113335131B (zh) * | 2020-02-18 | 2022-12-23 | 宁波吉利汽车研究开发有限公司 | 一种车辆续航里程预测方法、装置、设备和存储介质 |
CN113451665B (zh) * | 2020-03-27 | 2022-12-06 | 上海汽车集团股份有限公司 | 一种车辆动力电池保养特征识别方法及装置 |
CN111679202B (zh) * | 2020-07-24 | 2023-04-18 | 广东电网有限责任公司 | 一种蓄电池容量预测方法及其预测装置 |
CN112348224A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
CN112668852A (zh) * | 2020-12-22 | 2021-04-16 | 东软睿驰汽车技术(沈阳)有限公司 | 一种用户使用行为对电池包老化影响的评估方法及装置 |
CN116050662A (zh) * | 2023-03-07 | 2023-05-02 | 中环洁集团股份有限公司 | 一种环卫设备报废预测方法、系统及电子设备 |
CN116739638B (zh) * | 2023-06-16 | 2024-03-22 | 厦门广开电子有限公司 | 一种基于充电宝消费者使用习惯的大数据分析系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644747A (zh) * | 2008-03-04 | 2010-02-10 | 伊顿公司 | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 |
CN101720453A (zh) * | 2007-07-05 | 2010-06-02 | Abb研究有限公司 | 利用时序信号处理进行电池组件预测维护的系统和方法 |
RU2459252C1 (ru) * | 2011-08-17 | 2012-08-20 | Общество с ограниченной ответственностью "Научно-технический центр "КАСИБ" | Система и способ идентификации пользователей эвм (варианты) |
CN102866361A (zh) * | 2012-08-31 | 2013-01-09 | 惠州市亿能电子有限公司 | 一种电池组soh在线估算方法 |
EP2551689A2 (en) * | 2011-07-28 | 2013-01-30 | Yokogawa Electric Corporation | Device for calculating impedances of battery cell and battery impedance measuring system |
CN104267355A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于工况测试和简化阻抗谱等效电路模型的电池分选方法 |
CN105467323A (zh) * | 2015-03-19 | 2016-04-06 | 万向A一二三系统有限公司 | 一种电动汽车动力电池可行驶里程的检测方法 |
-
2017
- 2017-05-12 CN CN201710340766.8A patent/CN107219463B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101720453A (zh) * | 2007-07-05 | 2010-06-02 | Abb研究有限公司 | 利用时序信号处理进行电池组件预测维护的系统和方法 |
CN101644747A (zh) * | 2008-03-04 | 2010-02-10 | 伊顿公司 | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 |
EP2551689A2 (en) * | 2011-07-28 | 2013-01-30 | Yokogawa Electric Corporation | Device for calculating impedances of battery cell and battery impedance measuring system |
RU2459252C1 (ru) * | 2011-08-17 | 2012-08-20 | Общество с ограниченной ответственностью "Научно-технический центр "КАСИБ" | Система и способ идентификации пользователей эвм (варианты) |
CN102866361A (zh) * | 2012-08-31 | 2013-01-09 | 惠州市亿能电子有限公司 | 一种电池组soh在线估算方法 |
CN104267355A (zh) * | 2014-10-29 | 2015-01-07 | 哈尔滨工业大学 | 基于工况测试和简化阻抗谱等效电路模型的电池分选方法 |
CN105467323A (zh) * | 2015-03-19 | 2016-04-06 | 万向A一二三系统有限公司 | 一种电动汽车动力电池可行驶里程的检测方法 |
Non-Patent Citations (2)
Title |
---|
Cycle Life Prediction for Lithium-Ion Battery Based on GM(1,N) Grey Model;WANG Tong 等;《Proceedings of the 34th Chinese Control Conference》;20150730;第4010-4014页 * |
锂电池剩余寿命的ELM间接预测方法;姜媛媛 等;《电子测量与仪器学报》;20160228;第30卷(第2期);第179-185页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107219463A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107219463B (zh) | 基于电瓶车状态数据的电池使用寿命预测方法 | |
WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
Zhang et al. | Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning | |
Liu et al. | Gaussian process regression with automatic relevance determination kernel for calendar aging prediction of lithium-ion batteries | |
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN110045298B (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
CN111707951A (zh) | 一种电池组一致性评估方法及系统 | |
CN110008235A (zh) | 动力电池健康度评价方法、装置及系统 | |
US20160195589A1 (en) | Degradation diagnosis system and degradation diagnosis method for secondary battery | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN109425835B (zh) | 一种电池寿命、基于大数据的车辆性能检测方法及系统 | |
von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
CN110542866B (zh) | 一种预估电池剩余电量参数的方法 | |
CN111044927B (zh) | 一种动力电池寿命评价方法及系统 | |
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 | |
Lee et al. | Learning to recognize driving patterns for collectively characterizing electric vehicle driving behaviors | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN112731161B (zh) | 基于少量数据混插的非线性数据特征提取和分类预测方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
CN110007234B (zh) | 动力电池/电池组的性能测试方法及系统、电动汽车 | |
CN115544900A (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |