CN108205114A - 电池寿命的预测方法及系统 - Google Patents
电池寿命的预测方法及系统 Download PDFInfo
- Publication number
- CN108205114A CN108205114A CN201711488316.XA CN201711488316A CN108205114A CN 108205114 A CN108205114 A CN 108205114A CN 201711488316 A CN201711488316 A CN 201711488316A CN 108205114 A CN108205114 A CN 108205114A
- Authority
- CN
- China
- Prior art keywords
- battery
- state variable
- battery capacity
- mesuring battary
- degradation model
- 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]
- G01R31/367—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池寿命的预测方法及系统。所述预测方法包括以下步骤:S1、获取待测电池的历史电池数据;S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值;S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪,更新所述电池容量退化模型的状态变量,并根据所述状态变量确定所述待测电池的寿命。本发明中,电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得,在此基础上,通过粒子滤波算法能准确预测待测电池的寿命规律,提高电池寿命预测的准确性,从而提高电池使用的安全性。
Description
技术领域
本发明涉及电池技术领域,特别涉及一种电池寿命的预测方法及系统。
背景技术
对于充电电池来说,当其实际容量下降至其额定容量的80%时视其失效。这个过程中所经历的循环次数称为充电电池的循环寿命。充电电池非正常状态下的老化和性能衰退会引起严重故障发生,因此对充电电池进行寿命预测具有重要意义。
现有技术中一般采用粒子滤波算法预测电池的使用寿命,粒子滤波模型的参数初值要么通过经验获取,要么通过同类型的其他电池的已知寿命衰减数据计算。但通过上述方式获取的粒子滤波模型的参数初值并不能准确反映待测电池的实际状况,也就不能准确反映待测电池的寿命规律,致使预测结果不准确。
发明内容
本发明要解决的技术问题是为了克服现有技术中预测电池寿命的方法准确度较低的缺陷,提供一种电池寿命的预测方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种电池寿命的预测方法,所述预测方法包括以下步骤:
S1、获取待测电池的历史电池数据;
S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值;
S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪,更新所述电池容量退化模型的状态变量,并根据所述状态变量确定所述待测电池的寿命。
较佳地,步骤S2具体包括:
利用所述历史电池数据对时间序列模型进行训练和建模,以得到所述电池容量退化模型;
对所述电池容量退化模型中的状态变量进行拟合,将拟合结果作为各个状态变量的初值。
较佳地,所述电池容量退化模型为:
Qm=am×exp(bm×m)+cm;
其中,Qm表征所述待测电池第m次充放电对应的电池容量,am、bm、cm表征对应的状态变量。
较佳地,所述时间序列模型具体为:ARMA模型。
较佳地,所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。
较佳地,步骤S3中,根据所述状态变量确定所述待测电池的寿命的步骤具体包括:
利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量;
判断第k+n次充放电对应的电池容量是否在容量阈值内,在判断为是时,将n确定所述待测电池的寿命;
其中,n为自然数。
本发明还提供一种电池寿命的预测系统,所述预测系统包括:
数据获取模块,用于获取待测电池的历史电池数据;
计算模块,用于基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值;
所述计算模块还用于基于粒子滤波系统并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪,更新所述电池容量退化模型的状态变量,并根据所述状态变量确定所述待测电池的寿命。
较佳地,所述计算模块包括:初值计算单元;
所述初值计算单元用于利用所述历史电池数据对时间序列模型进行训练和建模,以得到所述电池容量退化模型,并对所述电池容量退化模型中的状态变量进行拟合,将拟合结果作为各个状态变量的初值。
较佳地,所述电池容量退化模型为:
Qm=am×exp(bm×m)+cm;
其中,Qm表征所述待测电池第m次充放电对应的电池容量,am、bm、cm表征对应的状态变量。
较佳地,所述时间序列模型具体为:ARMA模型。
较佳地,所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。
较佳地,所述计算模块还包括:电池容量计算单元和判断单元;
所述电池容量计算单元用于利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量;
所述判断单元用于判断第k+n次充放电对应的电池容量是否在容量阈值内,在判断为是时,将n确定所述待测电池的寿命;
其中,n为自然数。
本发明的积极进步效果在于:本发明中,电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得,在此基础上,通过粒子滤波算法能准确预测待测电池的寿命规律,提高电池寿命预测的准确性,从而提高电池使用的安全性。
附图说明
图1为本发明实施例1的电池寿命的预测方法的流程图。
图2为本发明实施例2的电池寿命的预测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的电池寿命的预测方法包括以下步骤:
步骤101、获取待测电池的历史电池数据。
其中,历史电池数据包括待测电池的充放电次数k和每次充放电对应的电池容量。
本实施例中,待测电池的历史电池数据可从BMS(电池管理系统)获得。具体的:BMS对待测电池进行实时监测,记录待测电池的电池数据。其中,电池数据包括:待测电池的充放电次数k,电池充放电过程中的电压、电流、温度等参数。BMS根据获得电压、电流、温度等参数可计算待测电池每次充放电对应的电池容量。
步骤102、基于时间序列算法并根据历史电池数据计算待测电池的电池容量退化模型的状态变量的初值。
具体的,步骤102包括:
步骤102-1利用已知的充放电容量序列(历史电池数据)对时间序列模型进行训练和建模,以得到电池容量退化模型。
其中,电池容量退化模型为:
Qm=am×exp(bm×m)+cm;
Qm表征待测电池第m次充放电对应的电池容量,am、bm、m表征对应的状态变量,m为自然数。
状态变量的状态转移方程为:
本实施例中,由于ARMA模型可在最小方差意义下对平稳时间序列进行逼近预测,因此时间序列模型采用ARMA模型。
步骤102-2、对电池容量退化模型中的状态变量进行拟合,将拟合结果作为各个状态变量的初值。其中,状态变量的初值也即a0、b0、c0。
步骤103、基于粒子滤波方法并根据状态变量的初值对电池容量退化模型进行状态跟踪,更新电池容量退化模型的状态变量,并根据状态变量确定待测电池的寿命。
具体的,步骤103中,根据状态变量的初值a0、b0、c0对电池容量退化模型进行状态跟踪,可获得电池容量退化模型的状态变量:a1、b1、c1;a2、b2、c2;以此类推,即可获得ak、bk和ck。
步骤103中,根据状态变量确定待测电池的寿命的步骤具体包括:
利用ak、bk和ck并根据电池容量退化模型预测待测电池第k+1次充放电对应的电池容量Qk+1。
需要说明的是,k作为预测起点,k之前的数据即为电池历史数据,k之后的数据,例如Qk+1、Qk+2、…、Qk+n,即为预测数据。
判断Qk+1是否小于容量阈值。
其中,容量阈值可根据电池的类型等实际情况设置,一般设为电池额定容量的80%。
若判断为否,则将预测的充放电次数加1并重复执行上述步骤。也即下一次利用ak+1、bk+1和ck+1,并根据电池容量退化模型预测待测电池第k+2次充放电对应的电池容量Qk+2,并判断Qk+2是否小于容量阈值,以此类推。
若判断为是,则根据待测电池当前预测的充放电次数(k+n)确定待测电池的寿命,也即将n确定待测电池的寿命。n为自然数。
本实施例中,电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得,在此基础上,通过粒子滤波算法能准确预测待测电池的寿命规律,提高电池寿命预测的准确性,从而提高电池使用的安全性。
实施例2
如图2所示,本实施例的电池寿命的预测系统包括:数据获取模块1和计算模块2。
数据获取模块用于获取待测电池的历史电池数据。其中,历史电池数据包括待测电池的充放电次数k和每次充放电对应的电池容量。
本实施例中,待测电池的历史电池数据可从BMS(电池管理系统)获得。具体的:BMS对待测电池进行实时监测,记录待测电池的电池数据。其中,电池数据包括:待测电池的充放电次数k,电池充放电过程中的电压、电流、温度等参数。BMS根据获得电压、电流、温度等参数可计算待测电池每次充放电对应的电池容量。
计算模块用于基于时间序列算法并根据历史电池数据计算待测电池的电池容量退化模型的状态变量的初值。计算模块还用于基于粒子滤波系统并根据状态变量的初值对电池容量退化模型进行状态跟踪,更新电池容量退化模型的状态变量,并根据状态变量确定待测电池的寿命。
本实施例中,电池容量退化模型采用:
Qm=am×exp(bm×m)+cm;
其中,Qm表征待测电池第m次充放电对应的电池容量;am、bm、cm表征状态变量,m为自然数。
状态变量的状态转移方程为:
本实施例中,由于ARMA模型可在最小方差意义下对平稳时间序列进行逼近预测,因此时间序列模型采用ARMA模型。
本实施例中,计算模块包括:初值计算单元21、电池容量计算单元22和判断单元23。
初值计算单元用于利用历史电池数据对时间序列模型中的状态变量进行拟合,并将拟合结果作为各个状态变量的初值。
电池容量计算单元用于利用状态变量并根据电池容量退化模型预测待测电池第k+n次充放电对应的电池容量。
判断单元用于判断第k+n次充放电对应的电池容量是否在容量阈值内,在判断为是时,将n确定待测电池的寿命。其中,n为自然数。
从而,实现对电池寿命的预测,由于本实施例中是根据待测电池本身的历史电池数据对电池寿命进行在线预测,避免了因其他同类型电池与待测电池一致性差异对预测结果的影响,使得电池寿命预测的精度更准确。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种电池寿命的预测方法,其特征在于,所述预测方法包括以下步骤:
S1、获取待测电池的历史电池数据;
S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值;
S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪,更新所述电池容量退化模型的状态变量,并根据所述状态变量确定所述待测电池的寿命。
2.如权利要求1所述的电池寿命的预测方法,其特征在于,步骤S2具体包括:
利用所述历史电池数据对时间序列模型进行训练和建模,以得到所述电池容量退化模型;
对所述电池容量退化模型中的状态变量进行拟合,将拟合结果作为各个状态变量的初值。
3.如权利要求2所述的电池寿命的预测方法,其特征在于,所述电池容量退化模型为:
Qm=am×exp(bm×m)+cm;
其中,Qm表征所述待测电池第m次充放电对应的电池容量,am、bm、cm表征对应的状态变量。
4.如权利要求2所述的电池寿命的预测方法,其特征在于,所述时间序列模型具体为:ARMA模型。
5.如权利要求2所述的电池寿命的预测方法,其特征在于,所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。
6.如权利要求5所述的电池寿命的预测方法,其特征在于,步骤S3中,根据所述状态变量确定所述待测电池的寿命的步骤具体包括:
利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量;
判断第k+n次充放电对应的电池容量是否小于容量阈值,在判断为是时,将n确定所述待测电池的寿命;
其中,n为自然数。
7.一种电池寿命的预测系统,其特征在于,所述预测系统包括:
数据获取模块,用于获取待测电池的历史电池数据;
计算模块,用于基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值;
所述计算模块还用于基于粒子滤波系统并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪,更新所述电池容量退化模型的状态变量,并根据所述状态变量确定所述待测电池的寿命。
8.如权利要求7所述的电池寿命的预测系统,其特征在于,所述计算模块包括:初值计算单元;
所述初值计算单元用于利用所述历史电池数据对时间序列模型进行训练和建模,以得到所述电池容量退化模型,并对所述电池容量退化模型中的状态变量进行拟合,将拟合结果作为各个状态变量的初值。
9.如权利要求8所述的电池寿命的预测系统,其特征在于,所述电池容量退化模型为:
Qm=am×exp(bm×m)+cm;
其中,Qm表征所述待测电池第m次充放电对应的电池容量,am、bm、cm表征对应的状态变量。
10.如权利要求9所述的电池寿命的预测系统,其特征在于,所述时间序列模型具体为:ARMA模型。
11.如权利要求8所述的电池寿命的预测系统,其特征在于,所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。
12.如权利要求11所述的电池寿命的预测系统,其特征在于,所述计算模块还包括:电池容量计算单元和判断单元;
所述电池容量计算单元用于利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量;
所述判断单元用于判断第k+n次充放电对应的电池容量是否小于容量阈值,在判断为是时,将n确定所述待测电池的寿命;
其中,n为自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711488316.XA CN108205114B (zh) | 2017-12-29 | 2017-12-29 | 电池寿命的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711488316.XA CN108205114B (zh) | 2017-12-29 | 2017-12-29 | 电池寿命的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205114A true CN108205114A (zh) | 2018-06-26 |
CN108205114B CN108205114B (zh) | 2022-01-21 |
Family
ID=62606096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711488316.XA Active CN108205114B (zh) | 2017-12-29 | 2017-12-29 | 电池寿命的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205114B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110161425A (zh) * | 2019-05-20 | 2019-08-23 | 华中科技大学 | 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 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN110531280A (zh) * | 2019-07-22 | 2019-12-03 | 深圳职业技术学院 | 一种动力锂离子电池老化的快速检测方法 |
CN110894038A (zh) * | 2019-11-20 | 2020-03-20 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN114236414A (zh) * | 2021-12-16 | 2022-03-25 | 上海交通大学 | 基于kcc-pf算法的卫星锂电池寿命预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN103926536A (zh) * | 2014-03-07 | 2014-07-16 | 南京航空航天大学 | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 |
US8855954B1 (en) * | 2007-11-30 | 2014-10-07 | Intellectual Assets Llc | System and method for prognosticating capacity life and cycle life of a battery asset |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
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 |
-
2017
- 2017-12-29 CN CN201711488316.XA patent/CN108205114B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855954B1 (en) * | 2007-11-30 | 2014-10-07 | Intellectual Assets Llc | System and method for prognosticating capacity life and cycle life of a battery asset |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN103926536A (zh) * | 2014-03-07 | 2014-07-16 | 南京航空航天大学 | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
DATONG LIU等: "Uncertainty Quantification of Fusion Prognostics for Lithium-ion Battery Remaining Useful Life Estimation", 《2013 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 * |
多米尼克•萨尔瓦多等: "《统计学与计量经济学》", 31 August 2008, 上海:复旦大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110161425A (zh) * | 2019-05-20 | 2019-08-23 | 华中科技大学 | 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 |
CN110161425B (zh) * | 2019-05-20 | 2020-05-19 | 华中科技大学 | 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 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN110531280A (zh) * | 2019-07-22 | 2019-12-03 | 深圳职业技术学院 | 一种动力锂离子电池老化的快速检测方法 |
CN110531280B (zh) * | 2019-07-22 | 2020-07-10 | 深圳职业技术学院 | 一种动力锂离子电池老化的快速检测方法 |
CN110894038A (zh) * | 2019-11-20 | 2020-03-20 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN110894038B (zh) * | 2019-11-20 | 2021-06-11 | 上海电气集团股份有限公司 | 电梯门系统运行状态的预测方法及装置 |
CN114236414A (zh) * | 2021-12-16 | 2022-03-25 | 上海交通大学 | 基于kcc-pf算法的卫星锂电池寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108205114B (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108205114A (zh) | 电池寿命的预测方法及系统 | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
Dong et al. | A method for state of energy estimation of lithium-ion batteries based on neural network model | |
CN107390127A (zh) | 一种soc估算方法 | |
CN108919129A (zh) | 一种时变工况下动力电池的寿命预测方法 | |
CN107015157B (zh) | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 | |
JP6234946B2 (ja) | 電池状態推定装置 | |
JP5936711B2 (ja) | 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法 | |
CN105334462A (zh) | 电池容量损失在线估算方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN109725266A (zh) | 一种电池健康状态soh的计算方法及装置 | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN104535932A (zh) | 一种锂离子电池荷电状态估计方法 | |
WO2020198118A1 (en) | Methods, systems, and devices for estimating and predicting a remaining time to charge and a remaining time to discharge of a battery | |
CN106093778A (zh) | 电池状态预测方法及系统 | |
CN104635163A (zh) | 一种电动车电池组soh在线估算预警方法 | |
CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
CN109752656A (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN103529400A (zh) | 一种具有温度自适应补偿的电池容量预测方法 | |
JP2014025738A (ja) | 残容量推定装置 | |
CN104569844A (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CN107064806A (zh) | 一种锂电池容量衰减率计算方法 | |
CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
FI114048B (fi) | Menetelmä ja laitteisto akkujen kuvaamiseksi ohjelmallisilla mittareilla |
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 |