CN109633452A - 一种电池健康度检测方法及检测装置 - Google Patents
一种电池健康度检测方法及检测装置 Download PDFInfo
- Publication number
- CN109633452A CN109633452A CN201811580379.2A CN201811580379A CN109633452A CN 109633452 A CN109633452 A CN 109633452A CN 201811580379 A CN201811580379 A CN 201811580379A CN 109633452 A CN109633452 A CN 109633452A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- health degree
- battery health
- deep learning
- 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
- 230000036541 health Effects 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009021 linear effect Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000005955 Ferric phosphate Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229940032958 ferric phosphate Drugs 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 2
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 2
- 229910052493 LiFePO4 Inorganic materials 0.000 description 1
- 238000000627 alternating current impedance spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了电池健康度检测方法及检测装置，属于电池检测技术领域，所述电池健康度检测方法包括如下步骤：检测电池电压和电流，获得电压值和电流值；检测电池在不同频率电流下的交流阻抗值；建立深度学习模型，获得电池健康度估计值SOH1；通过充放电效率计算公式获得充放电效率估计值；根据电压值、电流值和充放电估计值，建立深度学习模式，获得电池健康度估计值SOH2；通过信息融合算法获得电池健康度估计综合值SOH；对电池健康度估计综合值SOH进行优化校准，获得电池健康度校准值。与现有技术比较，本发明所述电池健康度检测方法及检测装置具有自我修成能力，检测精度高；能在线学习优化，适应各种环境，不受检测条件影响。
Description
技术领域
本发明涉及电池检测技术领域，尤其涉及一种电池健康度检测方法及检测装置。
技术背景
研究表明锂离子电池容量衰减的主要机制包括：副反应的发生，金属锂的沉积，电解液的阳极氧化及阴极还原、正负极表面钝化膜的形成，电极活性材料的溶解、相变化以及结构变化，集流体的腐蚀等。然而，锂离子电池容量衰减的机理目前还并不是十分清楚，不同结构形式、不同电化学体系的锂离子电池，其容量衰减机理也不尽相同。
现有技术为专利号为CN201210524782.X，专利名称为《一种电动车车载磷酸铁锂电池SOC与SOH预测方法》。公开了一种电动车车载磷酸铁锂电池的SOC与 SOH预测方法，包括以下步骤：(a)改进戴维南电池等效模型；(b)确定系统的状态方程和输出方程；(c)电池模型参数辨识；(d)运用卡尔曼滤波算法对系统的状态变量进行迭代，从而使SOC预测值更趋近于实际值；(e)运用双通道卡尔曼滤波算法对磷酸铁锂电池的内阻与容量进行在线预测，同时根据电池当前状态与初始状态时内阻与容量值的变化预测电池的SOH。现有技术存在如下缺陷：电流、功率、充电状态、温度等因素对电池特性呈非线性影响，方案中应用的改进戴维南电池等效模型是线性模型，所以模型的实用性能不高。并且初始状态的获取需要许多设定条件，比如开路电压、电池静态容量辨识等，实际应用起来不是很方便。
发明内容
为解决上述技术缺陷，本发明采用的技术方案在于提供一种电池健康度检测方法，包括以下步骤：
步骤S1：检测电池电压和电流，获得电压值和电流值；
步骤S2：检测电池在不同频率电流下的交流阻抗值；
步骤S3：建立第一深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S2获得的所述交流阻抗值为输入，获得电池健康度估计值SOH1；
步骤S4：通过充放电效率计算公式获得充放电效率值；
步骤S5:建立第二深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S4获得的所述充放电效率值为输入，获得电池健康度估计值SOH2；
步骤S6：根据步骤S3所述的电池健康度估计值SOH1和步骤S5所述的电池健康度估计值SOH2,通过信息融合算法获得电池健康度估计综合值SOH；
步骤S7：对步骤S6所述电池健康度估计综合值SOH进行优化校准，获得电池健康度校准值。
较佳的，步骤S3所述第一深度学习参数优化模型建立方法在于，搭建第一深度学习框架，且将所述电压值和所述电流值以及所述交流阻抗值传输到搭建的所述第一深度学习框架中；通过搭建的所述第一深度学习框架对所述电压值和所述电流值以及所述交流阻抗值进行深度学习训练，得到所述第一深度学习参数优化模型。
较佳的，步骤S5所述第二深度学习参数优化模型建立方法在于，搭建第二深度学习框架，且将所述电压值、所述电流值以及、所述充放电效率值传输到搭建的所述第二深度学习框架中；通过搭建的所述第二深度学习框架对所述电压值、所述电流值以及所述充放电效率值进行深度学习训练，得到所述第二深度学习参数优化模型。
较佳的，步骤S4中所述充放电效率通过实时检测电池工作时的电池阻抗、电池电流和电池电压，并经过计算后获得。
较佳的，所述充放电效率η的计算公式为其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
较佳的，步骤S6中所述电池健康度估计综合值SOH的计算公式为： SOH＝SOH1*W1+SOH2*W2，其中W1为所述SOH1的权重值，W2为所述SOH2的权重值。
较佳的，所述W1和所述W2可根据电池的实际工作情况，利用预测误差进行反复修正。
较佳的，步骤S7中所述优化校准为所述第一深度学习参数优化模型和所述第二深度学习参数优化模型可根据电池实际工作的充放电能量检测值采用误差反向传播算法，实现在线调整。
与现有技术比较本发明的有益效果在于：
(1)本发明所述电池健康度检测方法克服了电流、功率、充放电效率对电池特性呈现非线性的影响，具有自我修正能力，检测精度高；
(2)本发明所述电池健康度检测方法，能在线学习优化，适应各种环境，不受检测条件影响。
本发明的另一目的在于提出一种电池健康度检测装置，与上述电池健康度检测方法解决相同的技术问题。
为了达到上述目的，本发明的技术方案是这样实现的：
一种电池健康度检测装置，包括电池模块、采样模块、阻抗检测模块、数据处理模块和控制模块，所述电池模块与所述采样模块相连接，所述采样模块用于对电池的电流和电压进行实时检测，所述阻抗检测模块与所述电池模块相连接，所述阻抗检测模块用于检测电池在不同频率下的阻抗值，所述数据处理模块用于数据储存、传递和更新；所述控制模块与所述采样模块和所述数据处理模块通信连接。
较佳的，所述数据处理模块通过通信从所述采样模块中获取数据进行优化，并将优化后的参数结果发送到所述采样模块。
与现有技术比较，所述电池健康度检测装置的有益效果与所述电池健康度检测方法的有益效果相同，在此不再赘述。
附图说明
图1为本发明实施例所述的电池健康度检测方法流程图；
图2为实施例1中第一深度学习参数优化模型图；
图3为实施例1中第二深度学习参数优化模型图；
图4为图1中电池健康度估计综合值的信息融合算法图；
图5为本发明实施例所述电池健康度检测装置结构简图。
图中数字表示：
1-电池模块；2-采样模块；3-控制模块；4-数据处理模块；5-阻抗检测模块。
具体实施方式
实施例1
结合图1-4，本发明提供了一种电池健康度检测方法，其特征在于，其包括以下步骤：
步骤S1：检测电池电压和电流，获得电压值和电流值；
步骤S2：检测电池在不同频率电流下的交流阻抗值；
步骤S3：建立第一深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S2获得的所述交流阻抗值为输入，获得电池健康度估计值SOH1；
步骤S4：通过充放电效率计算公式获得充放电效率值；
步骤S5:建立第二深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S4获得的所述充放电效率值为输入，获得电池健康度估计值SOH2；
步骤S6：根据步骤S3所述的电池健康度估计值SOH1和步骤S5所述的电池健康度估计值SOH2,通过信息融合算法获得电池健康度估计综合值SOH；
步骤S7：对步骤S6所述电池健康度估计综合值SOH进行优化校准，获得电池健康度校准值。
本发明所述电池健康度检测方法克服了电流、功率、充放电效率对电池特性呈现非线性的影响，具有自我修成能力，检测精度高；并且能在线学习优化，适应各种环境，不受检测条件影响。
其中，步骤S3所述第一深度学习参数优化模型建立方法在于，搭建第一深度学习框架，且将所述电压值和所述电流值以及所述交流阻抗值传输到搭建的所述第一深度学习框架中；通过搭建的所述第一深度学习框架对所述电压值和所述电流值以及所述交流阻抗值进行深度学习训练，得到所述第一深度学习参数优化模型，如图2。
图2中，第一深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层，电池阻抗特征变量以电池充满电时总内阻的2倍为标准进行转换，得到[0,1]范围的数字；电池电流特征变量以电池额定电流为标准进行转换，得到标幺值表示；电池电压特征变量以电池最大电压值为标准进行转换，得到[0,1]范围的数字；节点之间通过权重值连接。通过采用反向传播算法学习优化权重值，训练以达到损失最低；线性转换层采用ReLU激活函数处理，即激活函数为:f(x)＝max(0,1)。
步骤S4中所述充放电效率通过实时检测电池工作时的电池阻抗、电池电流和电池电压，并经过计算后获得，即电池工作时，实时检测电池的阻抗，通过实时阻抗情况，估算电池充放电效率η：其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
步骤S5所述第二深度学习参数优化模型建立方法在于，搭建第二深度学习框架，且将所述电压值、所述电流值以及、所述充放电效率值传输到搭建的所述第二深度学习框架中；通过搭建的所述第二深度学习框架对所述电压值、所述电流值以及所述充放电效率值进行深度学习训练，得到所述第二深度学习参数优化模型,如图3。
图3中，第二深度学习参数优化模型包括输入层、第一隐藏层、非线性转换层、第二隐藏层和输出层，电池电压特征变量以电池最大电压值为标准进行转换，得到[0,1]范围的数字；电池电流特征变量以电池额定电流为标准进行转换，得到标幺值表示；电池充放电效率特征变量为[0,1]范围的数字；节点之间通过权重值连接。通过采用反向传播算法学习优化权重值，训练以达到损失最低；非线性转换层采用ReLU激活函数处理，即激活函数为:f(x)＝max(0,1)。
所述第一深度学习参数优化模型和所述第二深度学习参数优化模型可根据电池实际工作的充放电能量检测值采用误差反向传播算法，实现在线调整。其中，所述充放电能量检测值利用充放电电流和电压实际测量值，通过计算获得。所述误差反向传播算法也称BP算法，其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
第一过程，正向传播：输入样本－>输入层－>隐层－>输出层，若输出层实际输出与期望输出不符，则转入第二过程；
第二过程，误差反向传播：输出误差－>隐层－>输入层，其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，权值调整的过程，也就是网络的学习训练过程。
因此，所述深度学习模块能够进行自我优化，提高了电池荷电状态检测的精度。
步骤S6中所述电池健康度估计综合值SOH的计算公式为： SOH＝SOH1*W1+SOH2*W2，其中W1为所述SOH1的权重值，W2为所述SOH2的权重值。所述W1和所述W2可根据电池的实际工作情况，利用预测误差进行反馈修正。本实施例中优选W1权重值为0.5，W2权重值为0.5。
实施例2
结合图5，本实施例提供了一种电池健康度检测装置，包括电池模块1、采样模块2、阻抗检测模块5、数据处理模块4和控制模块3，所述电池模块1与所述采样模块2相连接，所述采样模块2用于对电池的电流和电压进行实时检测，所述阻抗检测模块5与所述电池模块1相连接，所述阻抗检测模块5用于检测电池在不同频率下的阻抗值，所述数据处理模块4用于数据储存、传递和更新；所述控制模块3与所述采样模块2和所述数据处理模块4通信连接，所述控制模块3用于管理所述采样模块2，把收集到的采样数据进行加工处理，同时通过所述数据处理模块4建立深度学习参数优化模型，实现电池健康度检测。
本实施例所述的电池健康度检测装置克服了电流、功率、充放电效率对电池特性呈现非线性的影响，具有自我修成能力，检测精度高；且能在线学习优化，适应各种环境，不受检测条件影响。
所述采样模块2包括检测板，所述检测板上设置电压传感器和电流传感器，对每节电池的电流和电压进行采样，并通过通信线路把采样数据发送到所述控制模块3，所述电压传感器为霍尔电压传感器，型号为CHV-25P/100，额定输入电压为100V，额定输出电压为5V，所述电流传感器为霍尔电流传感器，型号为 CHB-25NP/12，额定输入电流为12A，额定输出电流为24mA。
其中，所述控制模块3是采样控制器，所述采样控制器具有操作控制界面，通过通信管理所述采样模块2，并把收集到的采样数据进行加工处理，得到电池的实时状态，所述加工处理包括诊断所述采样模块本身的状态和电池模块的状态。
所述数据处理模块4为后台计算机，是数据处理、在线深度学习优化等智能计算的处理平台。所述数据处理模块4包括深度学习分析单元，用于建立深度学习参数优化模型，所述后台计算机通过通信从所述采样控制器中获取数据，并把深度学习参数优化模型的参数结果发送到所述采样控制器。同时，所述采样控制器收集到的电池实际工作数据通过通信上传到所述后台计算机，所述后台计算机可以利用这些数据，每隔一段时间对深度学习参数优化模型进行在线优化。
所述阻抗检测模块5通过发送不同频率的小信号电流到电池中，通过检测电池对小信号电流的响应电压信号，分析得到电池的交流阻抗谱，并通过通信线路把检测到的阻抗数据发送到所述后台计算机。
所述电池健康度检测装置的工作原理如下：
第一步：将电池放入电池模块1,同时启动所述采样模块2，此时所述采样模块2、所述控制模块3、数据处理模块4和阻抗检测模块5为工作状态；
第二步：通过所述采样模块2获得电池当前工作状态时检测到的电流值和电压值；
第三步：通过所述阻抗检测模块5检测当前工作状态时的阻抗；根据充放电效率公式计算电池充放电效率值；
第四步:通过所述采样模块2获得的电流值和电压值以及所述阻抗检测模块 5检测的阻抗值，建立第一深度学习参数优化模型获得电池健康度估计值SOH1；
第五步：通过所述采样模块2获得的电流值和电压值以及第三步获得的电池充放电效率值，建立第二深度学习参数优化模型获得电池健康度估计值SOH2；
第六步：电池健康度估计值SOH1和电池健康度估计值SOH2采用信息融合算法获得电池健康度估计综合值SOH；
第七步：对电池健康度估计综合值SOH进一步优化处理，获得电池健康度校准值。
实施例3
本实施例是对实施例2做出的进一步优化，本发明提供了一种电池健康度检测装置，还包括：
警示模块，所述警示模块与所述数据处理模块4电连接，能够对所述数据处理模块4计算的电池健康度校准值进行分析，对电池是否健康作出警示。
所述警示模块包括数值比较器、光调制器和扬声器，所述数值比较器与所述输出单元电连接，用于比较所述电池健康度校准值与电池健康度健康值；
所述数值比较器当中会输入电池健康度得范围值(a-b),所述数值比较器接收到所述输出单元传输的所述电池健康度校准值c,所述数值比较器对数值c 和所述电池健康度范围值(a-b)进行比较，当c＜a或者c＞b时判定电池不健康；当a＜c＜b时，判定电池健康；
所述光调制器与所述数值比较器电连接，用于将电信号转化为可见光；
当所述光调制器接收到所述数值比较器传来的信号为不健康时，所述光调制器将会发出红色亮光；
当所述光调制器接收到所述数值比较器传来的信号为健康时，所述光调制器将会发出绿色亮光；
所述扬声器与所述数值比较器电连接，用于将电信号转化为声波。
当所述扬声器接收到所述数值比较器传来的信号为健康时，所诉扬声器将不发出声音；
当所述扬声器接收到所述数值比较器传来的信号为不健康时，所述扬声器将发出滴滴的警示声。
本实施例提供了一种电池健康度检测装置，通过加装警示模块，可以使人们更加直观的看到检测电池是否健康，电池健康时会发出绿色亮光，电池不健康时会发出红色亮光，并且发出滴滴的警示声音，操作简单、方便容易掌握。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
Claims (10)
1.一种电池健康度检测方法，其特征在于，包括以下步骤：
步骤S1：检测电池电压和电流，获得电压值和电流值；
步骤S2：检测电池在不同频率电流下的交流阻抗值；
步骤S3：建立第一深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S2获得的所述交流阻抗值为输入，获得电池健康度估计值SOH1；
步骤S4：通过充放电效率计算公式获得充放电效率值；
步骤S5:建立第二深度学习参数优化模型，并将步骤S1获得的所述电压值和所述电流值以及步骤S4获得的所述充放电效率值为输入，获得电池健康度估计值SOH2；
步骤S6：根据步骤S3所述的电池健康度估计值SOH1和步骤S5所述的电池健康度估计值SOH2,通过信息融合算法获得电池健康度估计综合值SOH；
步骤S7：对步骤S6所述电池健康度估计综合值SOH进行优化校准，获得电池健康度校准值。
2.根据权利要求1所述的电池快速充电方法，其特征在于，步骤S3所述第一深度学习参数优化模型建立方法在于，搭建第一深度学习框架，且将所述电压值和所述电流值以及所述交流阻抗值传输到搭建的所述第一深度学习框架中；通过搭建的所述第一深度学习框架对所述电压值和所述电流值以及所述交流阻抗值进行深度学习训练，得到所述第一深度学习参数优化模型。
3.根据权利要求1所述的电池快速充电方法，其特征在于，步骤S5所述第二深度学习参数优化模型建立方法在于，搭建第二深度学习框架，且将所述电压值、所述电流值以及、所述充放电效率值传输到搭建的所述第二深度学习框架中；通过搭建的所述第二深度学习框架对所述电压值、所述电流值以及所述充放电效率值进行深度学习训练，得到所述第二深度学习参数优化模型。
4.根据权利要求1所述的电池健康度检测方法，其特征在于，步骤S4中所述充放电效率通过实时检测电池工作时的电池阻抗、电池电流和电池电压，并经过计算后获得。
5.根据权利要求4所述的电池健康度检测方法，其特征在于，所述充放电效率η的计算公式为其中V电池为电池电压、I电池为电池电流、r阻抗为电池阻抗。
6.根据权利要求5所述的电池健康度检测方法，其特征在于，步骤S6中所述电池健康度估计综合值SOH的计算公式为：SOH＝SOH1*W1+SOH2*W2，其中W1为所述SOH1的权重值，W2为所述SOH2的权重值。
7.根据权利要求6所述的电池健康度检测方法，其特征在于，所述W1和所述W2可根据电池的实际工作情况，利用预测误差进行反复修正。
8.根据权利要求7所述的电池健康度检测方法，其特征在于，步骤S7中所述优化校准为所述第一深度学习参数优化模型和所述第二深度学习参数优化模型可根据电池实际工作的充放电能量检测值采用误差反向传播算法，实现在线调整。
9.一种电池健康度检测装置，其特征在于，包括电池模块、采样模块、阻抗检测模块、数据处理模块和控制模块，所述电池模块与所述采样模块相连接，所述采样模块用于对电池的电流和电压进行实时检测，所述阻抗检测模块与所述电池模块相连接，所述阻抗检测模块用于检测电池在不同频率下的阻抗值，所述数据处理模块用于数据储存、传递和更新；所述控制模块与所述采样模块和所述数据处理模块通信连接。
10.根据权利要求9所述种电池健康度检测装置，其特征在于，所述数据处理模块通过通信从所述采样模块中获取数据进行优化，并将优化后的参数结果发送到所述采样模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811580379.2A CN109633452B (zh) | 2018-12-24 | 2018-12-24 | 一种电池健康度检测方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811580379.2A CN109633452B (zh) | 2018-12-24 | 2018-12-24 | 一种电池健康度检测方法及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109633452A true CN109633452A (zh) | 2019-04-16 |
| CN109633452B CN109633452B (zh) | 2024-10-18 |
Family
ID=66076861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811580379.2A Active CN109633452B (zh) | 2018-12-24 | 2018-12-24 | 一种电池健康度检测方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109633452B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147530A (zh) * | 2020-11-26 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种电池状态评价方法及装置 |
| CN112505567A (zh) * | 2020-10-30 | 2021-03-16 | 武汉蔚来能源有限公司 | 电池健康状态评估系统 |
| CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
| CN113189495A (zh) * | 2021-04-30 | 2021-07-30 | 重庆金康新能源汽车有限公司 | 一种电池健康状态的预测方法、装置及电子设备 |
| CN113933731A (zh) * | 2021-10-13 | 2022-01-14 | 威胜电气有限公司 | 一种电池健康度的精准测量方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344921A (zh) * | 2013-07-08 | 2013-10-09 | 华南师范大学 | 锂离子动力电池健康状态评估系统及方法 |
| CN203480000U (zh) * | 2013-10-15 | 2014-03-12 | 浙江大学城市学院 | 一种纯电动车用动力锂电池健康状况检测器 |
| JP2014059227A (ja) * | 2012-09-18 | 2014-04-03 | Calsonic Kansei Corp | バッテリの健全度算出装置および健全度算出方法 |
| CN103869256A (zh) * | 2014-03-27 | 2014-06-18 | 华南师范大学 | 一种基于交流阻抗测试动力锂离子电池soh的估算方法 |
| US20150276887A1 (en) * | 2014-04-01 | 2015-10-01 | Hon Hai Precision Industry Co., Ltd. | Method and apparatus of estimating state of health of battery |
| CN105158699A (zh) * | 2015-09-14 | 2015-12-16 | 北京新能源汽车股份有限公司 | 电池健康状态的检测方法和装置 |
| JP2016090346A (ja) * | 2014-10-31 | 2016-05-23 | エンネット株式会社 | 電池診断装置および電池診断方法 |
| KR20170034191A (ko) * | 2015-09-18 | 2017-03-28 | 충북대학교 산학협력단 | 리튬이차전지 건강상태 진단방법 |
| TWI579575B (zh) * | 2016-03-23 | 2017-04-21 | 高苑科技大學 | Battery health detection method and its circuit |
| TWI591359B (zh) * | 2016-10-21 | 2017-07-11 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| 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 |
| CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估系统及相关组件 |
-
2018
- 2018-12-24 CN CN201811580379.2A patent/CN109633452B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014059227A (ja) * | 2012-09-18 | 2014-04-03 | Calsonic Kansei Corp | バッテリの健全度算出装置および健全度算出方法 |
| CN103344921A (zh) * | 2013-07-08 | 2013-10-09 | 华南师范大学 | 锂离子动力电池健康状态评估系统及方法 |
| CN203480000U (zh) * | 2013-10-15 | 2014-03-12 | 浙江大学城市学院 | 一种纯电动车用动力锂电池健康状况检测器 |
| CN103869256A (zh) * | 2014-03-27 | 2014-06-18 | 华南师范大学 | 一种基于交流阻抗测试动力锂离子电池soh的估算方法 |
| US20150276887A1 (en) * | 2014-04-01 | 2015-10-01 | Hon Hai Precision Industry Co., Ltd. | Method and apparatus of estimating state of health of battery |
| JP2016090346A (ja) * | 2014-10-31 | 2016-05-23 | エンネット株式会社 | 電池診断装置および電池診断方法 |
| CN105158699A (zh) * | 2015-09-14 | 2015-12-16 | 北京新能源汽车股份有限公司 | 电池健康状态的检测方法和装置 |
| KR20170034191A (ko) * | 2015-09-18 | 2017-03-28 | 충북대학교 산학협력단 | 리튬이차전지 건강상태 진단방법 |
| TWI579575B (zh) * | 2016-03-23 | 2017-04-21 | 高苑科技大學 | Battery health detection method and its circuit |
| TWI591359B (zh) * | 2016-10-21 | 2017-07-11 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| 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 |
| CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
| CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估系统及相关组件 |
Non-Patent Citations (6)
| Title |
|---|
| 冷晓伟;戴作强;郑莉莉;李希超;任可美;: "锂离子电池电化学阻抗谱研究综述", 电源技术, no. 11, 20 November 2018 (2018-11-20) * |
| 张文华等: "锂离子动力电池健康状态评估方法的研究进展", 电源技术, vol. 40, no. 6, 30 June 2016 (2016-06-30) * |
| 徐鑫珉;王练;史慧玲;: "基于电化学阻抗谱的电池老化寿命研究", 电源技术, no. 12, 20 December 2015 (2015-12-20) * |
| 汪秋婷;戚伟;: "基于D-UKF的锂离子电池SOC/SOH联合估计方法和容量衰减机理研究", 科技通报, no. 01, 31 January 2018 (2018-01-31) * |
| 黄伟昭;李小平;张栋省;刘燕林;刘震;李伟善;: "基于开路电压回升速率和交流阻抗相结合的一种锂离子电池SOH算法", 新能源进展, no. 01, 15 February 2014 (2014-02-15) * |
| 黄伟昭等: "基于开路电压回升速率和交流阻抗相结合的一种锂离子电池 SOH 算法", 《新能源进展》, vol. 2, no. 1, 28 February 2014 (2014-02-28) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505567A (zh) * | 2020-10-30 | 2021-03-16 | 武汉蔚来能源有限公司 | 电池健康状态评估系统 |
| CN112147530A (zh) * | 2020-11-26 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种电池状态评价方法及装置 |
| CN112147530B (zh) * | 2020-11-26 | 2021-03-02 | 中国电力科学研究院有限公司 | 一种电池状态评价方法及装置 |
| CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
| CN113189495A (zh) * | 2021-04-30 | 2021-07-30 | 重庆金康新能源汽车有限公司 | 一种电池健康状态的预测方法、装置及电子设备 |
| CN113189495B (zh) * | 2021-04-30 | 2024-05-28 | 重庆金康新能源汽车有限公司 | 一种电池健康状态的预测方法、装置及电子设备 |
| CN113933731A (zh) * | 2021-10-13 | 2022-01-14 | 威胜电气有限公司 | 一种电池健康度的精准测量方法 |
| CN113933731B (zh) * | 2021-10-13 | 2024-03-05 | 威胜能源技术股份有限公司 | 一种电池健康度的精准测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109633452B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109633452A (zh) | 一种电池健康度检测方法及检测装置 | |
| CN109407007A (zh) | 一种电池荷电状态检测方法及装置 | |
| Zhang et al. | A comprehensive equivalent circuit model of all-vanadium redox flow battery for power system analysis | |
| CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
| CN103728563B (zh) | 一种电池健康状态的测算方法 | |
| CN104535934B (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
| CN108445408A (zh) | 一种基于参数估计ocv的全温度soc估计方法 | |
| CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
| CN106569136A (zh) | 一种电池健康状态在线估计方法及系统 | |
| CN105572596B (zh) | 锂电池soc估算方法及系统 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
| CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
| CN106772099A (zh) | 一种动力锂电池劣化程度估算方法 | |
| CN108693483A (zh) | 一种电池包荷电状态的计算方法及系统 | |
| CN109507598A (zh) | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 | |
| CN116449242A (zh) | 一种面向用户的电池健康状态监测系统 | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| CN103424444B (zh) | 一种电化学离子选择性电极法实现深层位溶液pH值的自动监测系统及方法 | |
| CN114879046B (zh) | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 | |
| CN101713818A (zh) | 一种卫星电源分系统工作状态自动判读系统 | |
| CN106405424A (zh) | 锂离子电池剩余电量的计量方法和装置 | |
| CN113098084B (zh) | 电池物联网系统 | |
| CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 | |
| CN107402356A (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc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 |