CN107957562B - 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
- CN107957562B CN107957562B CN201810009397.9A CN201810009397A CN107957562B CN 107957562 B CN107957562 B CN 107957562B CN 201810009397 A CN201810009397 A CN 201810009397A CN 107957562 B CN107957562 B CN 107957562B
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- particle
- lithium ion
- prediction
- 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
Images
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
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:
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)
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:
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7-3,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阈值时,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。
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 CN107957562A (zh) | 2018-04-24 |
CN107957562B true 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) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102650965B1 (ko) * | 2018-04-23 | 2024-03-25 | 삼성에스디아이 주식회사 | 배터리 상태 추정 방법 |
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 |
FR3084171B1 (fr) * | 2018-07-17 | 2020-07-17 | Zodiac Aero Electric | Procede et dispositif de determination d'une duree limite d'utilisation d'une batterie |
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 |
CN108931742B (zh) * | 2018-09-27 | 2019-09-10 | 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 |
JP2020137156A (ja) * | 2019-02-13 | 2020-08-31 | トヨタ自動車株式会社 | 車両、情報端末および車両の制御方法 |
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 |
CN110209628B (zh) * | 2019-06-05 | 2021-04-27 | 杭州华塑科技股份有限公司 | 一阶滞后滤波生成装置及方法 |
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 |
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 |
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 |
US11300626B2 (en) * | 2020-01-15 | 2022-04-12 | GM Global Technology Operations LLC | Method and system for battery capacity estimation |
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 |
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 |
CN112949060B (zh) * | 2021-03-01 | 2023-07-07 | 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 |
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 |
CN114420983B (zh) * | 2022-03-31 | 2022-06-28 | 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 |
CN115032548B (zh) * | 2022-05-25 | 2023-03-21 | 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 |
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 |
Citations (10)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9316699B2 (en) * | 2012-04-05 | 2016-04-19 | Samsung Sdi Co., Ltd. | System for predicting lifetime of battery |
-
2018
- 2018-01-05 CN CN201810009397.9A patent/CN107957562B/zh active Active
Patent Citations (10)
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 |
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 |
---|
Cycle life prediction for lithium-ion battery based on GM(1, N) grey model;Wang Tong 等;《2015 34th Chinese Control Conference》;20150914;第1-17页 * |
On-Line Remaining Useful Life Prediction of Lithium-Ion Batteries Based on the Optimized Gray Model GM(1,1);Dong Zhou 等;《Batteries》;20170708;第3卷(第3期);第4010-4014页 * |
锂离子电池健康状态评估及剩余使用寿命预测技术研究;邹峰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170315(第03期);第C042-3368页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107957562A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN107918103B (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 | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN113238157B (zh) | 一种通过对电动汽车退役电池进行ai检测来筛选的方法 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN110658459A (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN112379270A (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN111965548A (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN114252797B (zh) | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 | |
CN115097344A (zh) | 一种基于恒压充电片段的电池健康状态端云协同估计方法 | |
Dong et al. | State of charge estimation of vanadium redox flow battery based on online equivalent circuit model |
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 |