CN107957562A - 一种锂离子电池剩余寿命在线预测方法 - Google Patents
一种锂离子电池剩余寿命在线预测方法 Download PDFInfo
- Publication number
- CN107957562A CN107957562A CN201810009397.9A CN201810009397A CN107957562A CN 107957562 A CN107957562 A CN 107957562A CN 201810009397 A CN201810009397 A CN 201810009397A CN 107957562 A CN107957562 A CN 107957562A
- Authority
- CN
- China
- Prior art keywords
- mtd
- battery
- mrow
- capacity
- msubsup
- 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
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]
- G01R31/392—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种锂离子电池剩余寿命在线预测方法。包括步骤:(1)首先对电池进行动态工况循环放电,根据等效电路模型在线辨识电池开路电压OCV;然后计算设定时间间隔内电池荷电状态差值和累计放出电量值,并以此估算电池当前所在循环状态容量值。(2)提取预测所需的电池容量数据为样本数据输入到灰色预测模型,计算锂离子电池容量衰减的灰色发展系数a,并以此建立锂离子电池容量在老化过程中的状态转移方程和观测方程;然后利用粒子滤波算法跟踪并更新电池容量状态变化;最后在预测开始时,根据灰色发展系数,外推每个粒子容量随循环次数的变化值,根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。此方法能够实现电池准确在线寿命预测,对电池健康管理有重要意义。
Description
技术领域:
本发明属于锂离子电池技术领域,更为具体地讲,是涉及一种锂离子电池剩余寿命在线预测方法。
背景技术:
锂离子电池以其循环寿命长、能量密度大、自放电低等优点被作为主要储能设备并广泛应用于汽车工业,航天航空,电网储能等。锂离子电池正常运行及状态监控是系统稳定的保障,而电池剩余寿命正确预测可大大降低系统故障发生几率,对于系统设备的维护是必不可少的重要信息。锂离子电池剩余寿命也称为循环寿命,是指电池从额定容量退化到达电池失效阈值时所经历的充放电循环数。
目前,锂离子电池剩余寿命预测方法可分为基于物理模型和统计数据驱动两类。然而由于锂离子电池的物理模型较复杂、失效机理难分析,电池的剩余使用寿命与影响因素之间没有一个固定的可遵循的规律,因此很难用一个数学模型来清晰的表示这种联系。数据驱动方法主要包括人工神经网络、支持向量机、粒子滤波方法等。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力,但训练时需要大量数据样本。支持向量机方法针对小样本、非线性问题具有明显优势,已经被广泛应用于预测领域,但其主要缺点是只能给出单点预测值。粒子滤波算法在解决非线性滤波问题时,不再限制于随机量必须满足高斯分布的条件,因此近几年来,在诸多领域都得到广泛的应用。
建立一个精度高、适应性强的电池寿命预测方法框架存在三个问题:(1)数据量少:表征电池寿命数据量(如锂离子电池的容量)随着电池老化而增加,因此在预测初期时较少。(2)老化建模复杂:由于锂离子电池退化过程是电池内部复杂电化学反应导致,锂离子电池模型通常呈现出时变、非线性特征,难以用准确数学模型表示,同时在退化过程易受到放电工况、环境温度等其它因素的影响。(3)预测的不确定性:在实际应用中,锂离子电池由于受到环境和负载工况影响,锂离子电池在退化过程中会存在局部波动的特性,而且在剩余寿命预测中单点预测结果信息量少,可信度底,不利于维修决策,因此预测结果具备有不确定表达式,带有置信区间等能包含更多锂离子电池退化过程的信息才能为锂离子电池监控、维护提供更为全面和合理的参考。
目前,锂离子电池剩余寿命预测方法集中在离线预测上,即根据历史数据建立一个离线预测模型,离线预测模型一经建立就不再更新。且对于负载工况变化剧烈的在线预测情形,离线模型适应性较差,精度较低。
发明内容:
本发明的目的是针对上述背景技术的不足,提出一种锂离子电池剩余寿命在线预测方法,基于灰色预测模型建立锂离子电池老化模型,结合粒子滤波算法,通过在线估算电池容量作为预测的所需历史数据,进行电池剩余寿命在线预测。
本发明所提出的一种锂离子电池剩余寿命在线预测方法,包含如下步骤:
电池容量在线估算部分:
步骤1,设置电池在动态工况下放电,采集电池放电电流值It、电压值Vt;
步骤2,建立锂离子电池等效电路模型,采用带遗忘因子的递推最小二乘法在线辨识电池开路电压OCV;
步骤3,通过OCV曲线,计算t1、t2时刻电池荷电状态值
步骤4,根据安时积分法,计算t1时刻到t2时刻电池累计放出电量ΔQ,根据得到电池当前所在循环状态的容量C;
步骤5,进入下一个放电循环,重复步骤步骤1到步骤4;
电池剩余寿命在线预测部分:
步骤6,建立锂离子电池循环寿命退化模型:
步骤6-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;
步骤6-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a;
步骤6-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤7,利用粒子滤波算法跟踪电池容量变化:
步骤7-1,初始化粒子滤波算法,设定相关参数;
步骤7-2,初始化粒子集,k=0时,由初始概率分布随机产生粒子集;
步骤7-3,选取重要分布函数,计算当前时刻粒子权重,更新并归一化当前时刻粒子权重。由归一化的当前时刻粒子权重得到有效粒子数,当有效粒子数小于粒子数目阀值时,执行重采样,得到重采样后的粒子集及权重。输出当前时刻电池容量更新值;
步骤7-4,进入下一采样时刻,重复步骤7-2至步骤7-3。根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态;
步骤8,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量达设定的阈值,最后根据每个粒子的权重来预测电池剩余寿命并给出概率密度分布。
上述步骤6-2中锂离子电池容量衰减的灰色发展系数a利用灰色模型获得,计算方法如下:
步骤①,将样本数据S中的电池真实容量值数据构成序列X(0),则X(0)可表示为:
步骤②,对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1),则X(1)可表示为:其中
步骤③,在1-AGO变换的基础上,采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为:
步骤④,利用最小二乘法方程式求解出中a值:
其中B和YN表达式为:
上述步骤6-2中灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
本发明采用上述技术方案,具有如下有益效果:
1、本发明提出基于容量估算的锂离子剩余寿命预测,解决实际应用中锂离子电池剩余寿命在线预测时容量难以直接测量,即在变工况下累计放出电量值不能作为真实容量值的问题。
2、本发明将灰色老化模型融合到粒子滤波算法中,构建一种灰色粒子滤波框架。解决离子电池老化建模过程中可用数据量少、老化模型建立复杂问题。
3、本发明所提方法对不同电池,在不同老化阶段都能实现准确在线预测,能够满足实际应用中预测需求。
附图说明
附图1为一种锂离子电池剩余寿命在线预测方法流程图。
具体实施方式:
下面结合附图1对本发明的实施方式进行详细说明。
本发明基于灰色粒子滤波的锂离子电池剩余寿命预测方法,如图1所示包含如下步骤:
电池容量在线估算部分:
步骤1,设置电池在动态工况下放电,采集电池放电电流值It、电压值Vt;
步骤2,建立锂离子电池1阶RC等效电路模型,其表达式(1)为:
其中IL为电池所受激励电流(IL符号以电池放电时电流方向为正,以电池充电时电流方向为负)。Ut为电池端电压。Uoc为电池开路电压。R0表示锂离子电池欧姆内阻部分。R1为电池极化内阻。
式(1)经过离散化处理后变换成式(2):
Ut(k)=(1-a1)Uoc(k)+a1Ut(k-1)+a2IL(k)+a3IL(k-1) (2)
其中k为采样序列时刻序号,k=1,2,3,…,n。其中Ut(k)为k时刻电池端电压,IL(k)为k时刻电流。T为离散系统采样时间间隔。
由式(2)可以推出系统数据矩阵H(k)和系统参数矩阵θ(k),两者表达式(3)为:
引入带遗忘因子的递推最小二乘算法(forgetting factor recursive leastsquares,简称FFRLS)作为参数辨识及模型在线更新算法。得(4)式:
Y(k)=H(k)θ(k)+e(k) (4)
其中e(k)为算法对电池端电压值预测误差,具体FFRLS算法表达式(5)为:
其中K(k)为算法增益矩阵在k时刻的值,P(k)为算法协方差矩阵在k时刻的值,θ(k)为算法估算的k时刻系统参数矩阵,λ为FFRLS遗忘因子系数,Y(k)为系统输出变量,值与Ut(k)相同。对λ、θ(1)、P(1)赋值以进行算法初始化,将步骤1-1电池工作时采集到的电流值IL(k)、端电压值Ut(k)等数据构成的序列作为输入,递推求解出每一时刻θ(k)值,进而求得一阶RC模型参数R1、R0、C1和Uoc;
步骤3,根据计算电池开路电压OCV,其中θ(1)是步骤2中带遗忘因子的递推最小二乘法辨识出的系统参数矩阵θ中第一列数据,a1是系统参数矩阵θ中第二列数据。通过OCV-SOC映射关系,计算t1、t2时刻电池荷电状态值
步骤4,由安时积分法得到t1时刻到t2时刻电池累计放出电量ΔQ;由获得的SOCt1、SOCt2、ΔQ,根据得到电池当前所在循环状态的容量C;
步骤5,进入下一个放电循环,重复步骤1到步骤4;
电池剩余寿命在线预测部分:
步骤6,建立锂离子电池循环寿命退化模型:
步骤6-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;
步骤6-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a,计算方法如下:
步骤①,将样本数据S中的电池真实容量值数据构成序列X(0),则X(0)可表示为:
步骤②,对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1),则X(1)可表示为:其中
步骤③,在1-AGO变换的基础上,采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为:
步骤④,利用最小二乘法方程式求解出a值:
其中B和YN表达式为:
步骤6-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤7,利用粒子滤波算法跟踪电池容量变化:
步骤7-1,初始化粒子滤波算法,设定相关参数(包含但不限于):
(1)粒子数目;
(2)状态方程中系统噪声和观测噪声;
(3)电池循环寿命截止容量阈值;
步骤7-2,初始化粒子集,由初始概率分布随机产生粒子集,当k=0时,粒子权重相等
步骤7-3,选取重要分布函数计算当前时刻粒子权重更新并归一化当前时刻粒子权重由归一化的当前时刻粒子权重计算有效粒子数当Nthres为设定的粒子数目阀值,执行重采样,得到重采样后的粒子集及权重。输出当前时刻电池容量更新值
步骤7-4,进入下一采样时刻k=k+1,重复步骤7-2至步骤7-3。根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态。
步骤8,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量达设定的阈值,最后根据每个粒子的权重来计算预测循环数并给出电池预测剩余寿命的概率密度分布。
最后说明的是以上所述实施例仅表达本发明的一种实施方式,其描述较为具体和详细。所述内容仅为本专利较佳实施例,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干均等变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种锂离子电池剩余寿命在线预测方法,其特征在于,包括以下步骤:
A.电池容量在线估算部分:
步骤1,设置电池在动态工况下放电,采集电池放电电流值It、电压值Vt;
步骤2,建立锂离子电池等效电路模型,采用带遗忘因子的递推最小二乘法在线辨识电池开路电压OCV;
步骤3,通过OCV曲线,计算t1、t2时刻电池荷电状态值
步骤4,根据安时积分法,计算t1时刻到t2时刻电池累计放出电量ΔQ,根据得到电池当前所在循环状态的容量C;
步骤5,进入下一个放电循环,重复步骤1到步骤4;
B.电池剩余寿命在线预测部分:
步骤6,建立锂离子电池循环寿命退化模型:
步骤6-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;
步骤6-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a;
步骤6-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤7,利用粒子滤波算法跟踪电池容量变化:
步骤7-1,初始化粒子滤波算法,设定相关参数;
步骤7-2,初始化粒子集,k=0时,由初始概率分布随机产生粒子集;
步骤7-3,选取重要分布函数,计算当前时刻粒子权重,更新并归一化当前时刻粒子权重。由归一化的当前时刻粒子权重得到有效粒子数,当有效粒子数小于粒子数目阀值时,执行重采样,得到重采样后的粒子集及权重。输出当前时刻电池容量更新值;
步骤7-4,进入下一采样时刻,重复步骤7-2至步骤7-3。根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态;
步骤8,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量到达设定的阈值,最后根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。
2.根据权利要求书1所述的一种基于灰色粒子滤波的锂离子电池剩余寿命在线预测方法,其特征在于,所述步骤6-2中锂离子电池容量衰减的灰色发展系数a利用灰色模型获得,计算方法如下:
步骤①,将样本数据S中的电池真实容量值数据构成序列X(0),则X(0)可表示为:
步骤②,对序列X(0)进行1-AGO(1-accumulating generation operation)变换得到序列X(1),则X(1)可表示为:其中
步骤③,在1-AGO变换的基础上,采用线性动态模型进行逼近得GM(1,1)的一阶方程式表达式为:
步骤④,利用最小二乘法方程式求解出中a值:
其中B和YN表达式为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
3.根据权利要求2所述的一种基于灰色粒子滤波的锂离子电池剩余寿命在线预测方法,其特征在于,所述灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009397.9A CN107957562B (zh) | 2018-01-05 | 2018-01-05 | 一种锂离子电池剩余寿命在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009397.9A CN107957562B (zh) | 2018-01-05 | 2018-01-05 | 一种锂离子电池剩余寿命在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107957562A true CN107957562A (zh) | 2018-04-24 |
CN107957562B CN107957562B (zh) | 2023-06-09 |
Family
ID=61957336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009397.9A Active CN107957562B (zh) | 2018-01-05 | 2018-01-05 | 一种锂离子电池剩余寿命在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107957562B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803323A (zh) * | 2018-06-05 | 2018-11-13 | 中国民航大学 | 一种基于改进权值生成方式的粒子滤波舵机状态预测方法 |
CN108931742A (zh) * | 2018-09-27 | 2018-12-04 | 广州亚美信息科技有限公司 | 一种在线实时检测车辆蓄电池寿命的方法及系统 |
CN109146115A (zh) * | 2018-06-11 | 2019-01-04 | 广州市香港科大霍英东研究院 | 基于模型迁移的电池寿命预测方法、系统及装置 |
CN109446661A (zh) * | 2018-10-31 | 2019-03-08 | 河北工业大学 | 一种考虑锂电池退化特性的剩余寿命预测方法 |
CN109471036A (zh) * | 2018-09-03 | 2019-03-15 | 北京必创科技股份有限公司 | 一种传感器网络节点电池评估和预警方法 |
CN110095731A (zh) * | 2019-05-06 | 2019-08-06 | 哈尔滨工业大学 | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 |
CN110209628A (zh) * | 2019-06-05 | 2019-09-06 | 杭州华塑加达网络科技有限公司 | 一阶滞后滤波生成装置及方法 |
CN110532620A (zh) * | 2019-07-30 | 2019-12-03 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN110531279A (zh) * | 2019-05-31 | 2019-12-03 | 西安工程大学 | 基于iupf的锂离子电池剩余使用寿命预测方法 |
CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及系统 |
CN111308381A (zh) * | 2020-04-07 | 2020-06-19 | 国网江苏省电力有限公司苏州供电分公司 | 一种纯电动公交车动力电池健康状态评估方法 |
CN111458643A (zh) * | 2020-05-22 | 2020-07-28 | 清华四川能源互联网研究院 | 异常电池筛选方法、装置、电子设备及可读存储介质 |
CN111562506A (zh) * | 2019-02-13 | 2020-08-21 | 丰田自动车株式会社 | 车辆、信息终端及车辆的控制方法 |
CN111736080A (zh) * | 2020-05-21 | 2020-10-02 | 广汽菲亚特克莱斯勒汽车有限公司 | 一种结合充电策略校准动力电池容量的方法 |
CN112231879A (zh) * | 2019-06-26 | 2021-01-15 | 比亚迪股份有限公司 | 功率预估方法、装置、电动汽车、电子设备和存储介质 |
CN112485675A (zh) * | 2020-11-23 | 2021-03-12 | 郑州轨道交通信息技术研究院 | 一种锂电池soc估计方法和系统 |
CN112687926A (zh) * | 2019-10-18 | 2021-04-20 | 中国科学院大连化学物理研究所 | 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113125983A (zh) * | 2020-01-15 | 2021-07-16 | 通用汽车环球科技运作有限责任公司 | 电池容量估算方法和系统 |
CN113125982A (zh) * | 2019-12-31 | 2021-07-16 | 比亚迪股份有限公司 | 电池寿命预测方法及装置 |
CN113167835A (zh) * | 2018-07-17 | 2021-07-23 | 赛峰电子与防务舱解决方案公司 | 用于确定电池最大使用持续时间的方法和装置 |
CN113466728A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种两阶段电池模型参数在线辨识的方法与系统 |
CN113805087A (zh) * | 2020-07-25 | 2021-12-17 | 广东毓秀科技有限公司 | 一种数据驱动进行ups整体健康度评估和预测的方法 |
CN114062957A (zh) * | 2020-08-10 | 2022-02-18 | 北京小米移动软件有限公司 | 电池剩余电量获取方法和装置、电子设备、存储介质 |
CN114420983A (zh) * | 2022-03-31 | 2022-04-29 | 北京英博新能源有限公司 | 燃料电池电堆健康的评估方法、装置、系统和电子设备 |
US11366171B2 (en) * | 2018-04-23 | 2022-06-21 | Samsung Sdi Co., Ltd. | Battery state estimation method |
CN115032548A (zh) * | 2022-05-25 | 2022-09-09 | 广州汽车集团股份有限公司 | 一种汽车蓄电池预警方法与系统 |
CN115184814A (zh) * | 2022-09-07 | 2022-10-14 | 江铃汽车股份有限公司 | 动力电池包寿命预测方法、装置、可读存储介质及设备 |
CN116699445A (zh) * | 2023-08-07 | 2023-09-05 | 江苏天合储能有限公司 | 一种电池储能系统的容量预测方法及其系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
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 |
CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
US20130268466A1 (en) * | 2012-04-05 | 2013-10-10 | Hoyul Baek | System for predicting lifetime of battery |
CN103728569A (zh) * | 2014-01-09 | 2014-04-16 | 中国计量学院 | 一种基于多因素灰色关联模型的蓄电池容量预测方法 |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
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 |
CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
CN105678089A (zh) * | 2016-01-11 | 2016-06-15 | 安徽理工大学 | 模型自匹配融合健康预测方法 |
CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池系统剩余可用寿命预测方法 |
-
2018
- 2018-01-05 CN CN201810009397.9A patent/CN107957562B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268466A1 (en) * | 2012-04-05 | 2013-10-10 | Hoyul Baek | System for predicting lifetime of battery |
CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
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 |
CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
CN103728569A (zh) * | 2014-01-09 | 2014-04-16 | 中国计量学院 | 一种基于多因素灰色关联模型的蓄电池容量预测方法 |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
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 |
CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
CN105678089A (zh) * | 2016-01-11 | 2016-06-15 | 安徽理工大学 | 模型自匹配融合健康预测方法 |
CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池系统剩余可用寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
DONG ZHOU 等: "On-Line Remaining Useful Life Prediction of Lithium-Ion Batteries Based on the Optimized Gray Model GM(1,1)", 《BATTERIES》 * |
WANG TONG 等: "Cycle life prediction for lithium-ion battery based on GM(1, N) grey model", 《2015 34TH CHINESE CONTROL CONFERENCE》 * |
邹峰: "锂离子电池健康状态评估及剩余使用寿命预测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11366171B2 (en) * | 2018-04-23 | 2022-06-21 | Samsung Sdi Co., Ltd. | Battery state estimation method |
CN108803323A (zh) * | 2018-06-05 | 2018-11-13 | 中国民航大学 | 一种基于改进权值生成方式的粒子滤波舵机状态预测方法 |
CN109146115A (zh) * | 2018-06-11 | 2019-01-04 | 广州市香港科大霍英东研究院 | 基于模型迁移的电池寿命预测方法、系统及装置 |
CN113167835A (zh) * | 2018-07-17 | 2021-07-23 | 赛峰电子与防务舱解决方案公司 | 用于确定电池最大使用持续时间的方法和装置 |
CN113167835B (zh) * | 2018-07-17 | 2024-05-14 | 赛峰电气与电源公司 | 用于确定电池最大使用持续时间的方法和装置 |
CN109471036A (zh) * | 2018-09-03 | 2019-03-15 | 北京必创科技股份有限公司 | 一种传感器网络节点电池评估和预警方法 |
CN109471036B (zh) * | 2018-09-03 | 2020-12-29 | 北京必创科技股份有限公司 | 一种传感器网络节点电池评估和预警方法 |
CN108931742A (zh) * | 2018-09-27 | 2018-12-04 | 广州亚美信息科技有限公司 | 一种在线实时检测车辆蓄电池寿命的方法及系统 |
CN109446661A (zh) * | 2018-10-31 | 2019-03-08 | 河北工业大学 | 一种考虑锂电池退化特性的剩余寿命预测方法 |
CN111562506A (zh) * | 2019-02-13 | 2020-08-21 | 丰田自动车株式会社 | 车辆、信息终端及车辆的控制方法 |
CN110095731A (zh) * | 2019-05-06 | 2019-08-06 | 哈尔滨工业大学 | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 |
CN110095731B (zh) * | 2019-05-06 | 2021-06-22 | 哈尔滨工业大学 | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 |
CN110531279A (zh) * | 2019-05-31 | 2019-12-03 | 西安工程大学 | 基于iupf的锂离子电池剩余使用寿命预测方法 |
CN110209628A (zh) * | 2019-06-05 | 2019-09-06 | 杭州华塑加达网络科技有限公司 | 一阶滞后滤波生成装置及方法 |
CN112231879A (zh) * | 2019-06-26 | 2021-01-15 | 比亚迪股份有限公司 | 功率预估方法、装置、电动汽车、电子设备和存储介质 |
CN110532620B (zh) * | 2019-07-30 | 2023-01-13 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN110532620A (zh) * | 2019-07-30 | 2019-12-03 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN112687926A (zh) * | 2019-10-18 | 2021-04-20 | 中国科学院大连化学物理研究所 | 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统 |
CN112687926B (zh) * | 2019-10-18 | 2021-10-26 | 中国科学院大连化学物理研究所 | 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统 |
CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及系统 |
CN113125982A (zh) * | 2019-12-31 | 2021-07-16 | 比亚迪股份有限公司 | 电池寿命预测方法及装置 |
CN113125982B (zh) * | 2019-12-31 | 2022-10-18 | 比亚迪股份有限公司 | 电池寿命预测方法及装置 |
CN113125983B (zh) * | 2020-01-15 | 2024-05-14 | 通用汽车环球科技运作有限责任公司 | 电池容量估算方法和系统 |
CN113125983A (zh) * | 2020-01-15 | 2021-07-16 | 通用汽车环球科技运作有限责任公司 | 电池容量估算方法和系统 |
CN111308381A (zh) * | 2020-04-07 | 2020-06-19 | 国网江苏省电力有限公司苏州供电分公司 | 一种纯电动公交车动力电池健康状态评估方法 |
CN111736080A (zh) * | 2020-05-21 | 2020-10-02 | 广汽菲亚特克莱斯勒汽车有限公司 | 一种结合充电策略校准动力电池容量的方法 |
CN111458643B (zh) * | 2020-05-22 | 2022-04-15 | 清华四川能源互联网研究院 | 异常电池筛选方法、装置、电子设备及可读存储介质 |
CN111458643A (zh) * | 2020-05-22 | 2020-07-28 | 清华四川能源互联网研究院 | 异常电池筛选方法、装置、电子设备及可读存储介质 |
CN113805087A (zh) * | 2020-07-25 | 2021-12-17 | 广东毓秀科技有限公司 | 一种数据驱动进行ups整体健康度评估和预测的方法 |
CN114062957A (zh) * | 2020-08-10 | 2022-02-18 | 北京小米移动软件有限公司 | 电池剩余电量获取方法和装置、电子设备、存储介质 |
CN112485675A (zh) * | 2020-11-23 | 2021-03-12 | 郑州轨道交通信息技术研究院 | 一种锂电池soc估计方法和系统 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113466728A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种两阶段电池模型参数在线辨识的方法与系统 |
CN113466728B (zh) * | 2021-07-13 | 2024-04-05 | 北京西清能源科技有限公司 | 一种两阶段电池模型参数在线辨识的方法与系统 |
CN114420983A (zh) * | 2022-03-31 | 2022-04-29 | 北京英博新能源有限公司 | 燃料电池电堆健康的评估方法、装置、系统和电子设备 |
CN115032548A (zh) * | 2022-05-25 | 2022-09-09 | 广州汽车集团股份有限公司 | 一种汽车蓄电池预警方法与系统 |
CN115184814A (zh) * | 2022-09-07 | 2022-10-14 | 江铃汽车股份有限公司 | 动力电池包寿命预测方法、装置、可读存储介质及设备 |
CN116699445A (zh) * | 2023-08-07 | 2023-09-05 | 江苏天合储能有限公司 | 一种电池储能系统的容量预测方法及其系统 |
CN116699445B (zh) * | 2023-08-07 | 2023-10-20 | 江苏天合储能有限公司 | 一种电池储能系统的容量预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107957562B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562A (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Tang et al. | A novel framework for Lithium-ion battery modeling considering uncertainties of temperature and aging | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
Boulmrharj et al. | Online battery state-of-charge estimation methods in micro-grid systems | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN107918103A (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
Wang et al. | A novel energy management strategy for the ternary lithium batteries based on the dynamic equivalent circuit modeling and differential Kalman filtering under time-varying conditions | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
Hassan et al. | A comprehensive review of battery state of charge estimation techniques | |
Qiu et al. | State of charge estimation of vanadium redox battery based on improved extended Kalman filter | |
Loukil et al. | A real-time estimator for model parameters and state of charge of lead acid batteries in photovoltaic applications | |
CN104535934A (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
Keshun et al. | Remaining useful life prediction of lithium-ion batteries using EM-PF-SSA-SVR with gamma stochastic process | |
CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
CN105629175A (zh) | 一种基于无迹卡尔曼滤波的锂离子电池寿命预测方法 | |
Jamshidi et al. | An intelligent approach for nonlinear system identification of a li-ion battery | |
Zhao et al. | Digital twin-driven estimation of state of charge for Li-ion battery | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Dong et al. | State of charge estimation of vanadium redox flow battery based on online equivalent circuit model | |
Liu et al. | RBF network-aided adaptive unscented kalman filter for lithium-ion battery SOC estimation in electric vehicles | |
Wang et al. | A novel weight coefficient calculation method for the real‐time state monitoring of the lithium‐ion battery packs under the complex current variation working conditions |
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 |