CN110045298B - 一种动力电池组参数不一致性的诊断方法 - Google Patents
一种动力电池组参数不一致性的诊断方法 Download PDFInfo
- Publication number
- CN110045298B CN110045298B CN201910373001.3A CN201910373001A CN110045298B CN 110045298 B CN110045298 B CN 110045298B CN 201910373001 A CN201910373001 A CN 201910373001A CN 110045298 B CN110045298 B CN 110045298B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- temperature
- voltage
- battery
- entropy
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种动力电池组参数不一致性的诊断方法,属于电池管理技术领域。该方法包括:S1:选定初始性能存在差异以及初始性能相近的动力电池,采用串并联的方式组成两类电池组,并收集其技术参数;S2:模拟不同道路下的实车工况,控制电池组内各单体的温度,对动力电池组进行充放电实验,采集各单体电池的电压、电流、温度数据,建立实车工况测试数据库;S3:采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取;S4:针对提取的特征利用权重法评价电池组的一致性,多尺度熵和人工神经网络结合进而实现参数不一致性诊断。本发明能够实时诊断出故障电池,提高电池组参数不一致性的诊断精确度,便于及时维护。
Description
技术领域
本发明属于电池管理技术领域,涉及一种动力电池组参数不一致性的诊断方法。
背景技术
车用动力电池为满足车辆行驶的能量和功率需求,通常需要将成百上千个单体电池经过串并联的方式形成电池组。成组后的电池组能量密度、安全性、耐久性等性能相比于单体都会有一定程度的下降,导致这种现象的主要原因就是动力电池组单体之间存在不一致性。准确诊断电池组不一致性参数,能够更好地为维护电池组提供依据,防止不一致性加大。
电池组的不一致性现象主要来自于两个方面。一方面是生产制造上,电池的生产工艺流程是复杂的,包括极片制作、电芯制作、电池组装三大工段。同一批生产出的电池电极厚度、电解质浓度、SEI膜的形成等不可避免地存在差异,导致电池的初始参数容量、SOC、内阻、自放电率等存在不一致,因此必须筛选之后成组,同时装配过程也将带来接触内阻的差异。虽然筛选之后的单体之间差异较小,但随着使用时间增长,电池经过循环充放电之后老化,这种差异就会逐渐增大。另一方面来源于使用过程,电动汽车长期工作在动态负载下,初始参数的差异将导致单体的充放电倍率、SOC工作区间存在不一致。由于电池摆放位置、通风散热条件不同,导致电池组内的单体工作温度不同。此外,电池的充放电倍率、温度、放电深度(Depth of Discharge,DOD)等外部因素会进一步影响内部参数的变化,例如高温会加速电池的老化现象,扩大电池组参数不一致性。
目前,动力电池组参数不一致诊断方法都是基于电池模型的方法,利用模型估计出来的SOC和内阻诊断老化不一致和内阻不一致,实验方案是简单的恒流工况。但是工程上应用难度很大,应用于实车工况时可能会存在不稳定性,甚至无法实现。
发明内容
有鉴于此,本发明的目的在于提供一种动力电池组参数不一致性的诊断方法,实现电池组参数不一致精确诊断。
为达到上述目的,本发明提供如下技术方案:
一种动力电池组参数不一致性的诊断方法,具体包括以下步骤:
S1:电池组的选择:选定初始性能存在差异以及初始性能相近的动力电池,采用串并联的方式组成两类电池组,收集整理该动力电池组的技术参数;
S2:实验数据的获取:模拟不同道路下的实车工况,控制电池组内各单体的温度,对动力电池组进行充放电实验,采集各单体电池的电压、电流、温度数据,建立实车工况测试数据库;
S3:特征提取:采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取;
S4:参数一致性诊断:针对提取的特征利用权重法评价电池组的一致性,多尺度熵和人工神经网络结合进而实现参数不一致性诊断。
进一步,步骤S1中,所述初始性能存在差异的动力电池为初始内阻、初始容量和初始SOC等电池本身的特性参数不一致的电池,控制变量法保证一个初始变量差异较大,而其他初始参数相近,形成几组电池组。
进一步,所述步骤S2具体包括以下步骤:
S21:将连接好的待测动力电池组在25℃恒温实验箱中静置足够长时间,直到电池内外部温度达到平衡;
S22:对于第一类初始性能存在差异的电池组,控制每个单体的工作温度尽可能一致,模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度等实验数据;
S23:对于第二类初始性能相近的电池组,控制单体温度不一致,模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据;
S24:将获取的实验数据汇总,建立实验数据库。
进一步,所述步骤S3中,提取的特征包括:基于信号处理方法计算采集到的电压和温度的标准差和极差,表达式为:
ΔU=Umax-Umin
其中,n为电池总个数,Ui表示第i个电池电压,Uav表示电池组平均电压,σU表示电压标准差,ΔU表示电压极差,Umax表示电压最大值,Umin表示电压最小值;
ΔT=Tmax-Tmin
其中,Ti表示第i个电池温度,Tav表示电池组平均温度,σT表示温度标准差,ΔT表示温度极差,Tmax表示温度最大值,Tmin表示温度最小值。
进一步,所述步骤S4具体包括以下步骤:
S41:将德尔菲分析法和熵权法结合,即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重,计算某段时间内电池组的综合评价值;
S42:设定阈值,将综合评价值与阈值比较,进行电池组的一致性评价,如果低于阈值,则判断为该电池组一致性较差,转步骤S43,否则为正常;
S43:根据步骤S42中计算的一段时间内电池组的综合评价值,对评价值进行多尺度熵的计算,提取不一致性故障特征,将不同尺度的熵作为一个样本的特征向量;
S44:将不同尺度的熵作为诊断算法的输入,输出为电池组不一致原因;确定训练样本集和测试样本集,采用人工神经网络分类算法诊断参数不一致故障。
进一步,所述步骤S41具体包括以下步骤:
S411:采用德尔菲分析法确定各指标σU,ΔU,σT,ΔT的权重W1;
S412:采用熵权法确定各指标σU,ΔU,σT,ΔT的权重W2;
S413:“加法”综合得到综合权重为:
W=[w1,w2,w3,w4]=αW1+(1-α)W2
其中,w1,w2,w3,w4分别为电压标准差、极差和温度标准差、极差对应的权重,α的取值取决于决策者的偏好;
S414:k时刻电池组的评价值:
scorek=W*Ak T=w1*σU+w2*ΔU+w3*σT+w4*ΔT
进一步,步骤S43中,所述的多尺度熵为:多尺度样本熵或多尺度香农熵;
进一步,步骤S43中,所述多尺度样本熵的计算包括以下步骤:
S432:求取不同尺度因子下每一个粗粒向量的样本熵,构成一个样本的特征向量:
[SE1,SE2,…SEτ,…,SEn]
其中,SEτ表示尺度为τ下的样本熵。
本发明的有益效果在于:本发明根据某个或某几个单体与其他单体参数不一致所表现出来的电压特性曲线不同,结合特征提取方法和故障诊断方法实现电池组参数不一致精确诊断。采用本发明的动力电池参数不一致诊断方法的优点是:1)所用数据为电压、温度数据,符合实车行驶过程中能采集到的数据,能够实现在线参数不一致的诊断;2)特征提取的方法运用统计的思想,便于实现;3)采用基于阈值的一致性评价方法能够有效判断当前电池组的运行状态,并实时诊断出故障电池,辨识故障原因,便于采取及时的维护手段。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述的动力电池组参数不一致性诊断方法实现流程图;
图2为参数不一致性诊断的流程图;
图3为参数不一致性诊断中多尺度熵的原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,图1为本发明所述的一种动力电池组参数不一致性的诊断方法,具体包括以下步骤:
S1:电池组的选择:选定初始性能存在差异以及初始性能相近的动力电池,采用串并联的方式组成两类电池组,收集整理该动力电池组的技术参数。
所述初始性能存在差异的动力电池为初始内阻、初始容量和初始SOC等电池本身的特性参数不一致的电池,控制变量法保证一个初始变量差异较大,而其他初始参数相近,形成几组电池组。
S2:实验数据的获取:模拟不同道路下的实车工况,控制电池组内各单体的温度,对动力电池组进行充放电实验,采集各单体电池的电压、电流、温度数据,建立实车工况测试数据库;具体包括以下步骤:
S21:将连接好的待测动力电池组在25℃恒温实验箱中静置2h;
S22:对于第一类初始性能存在差异的电池组,控制每个单体的工作温度尽可能一致,模拟城市激烈驾驶工况(Urban Assault Cycle,UAC)或Artemis混合动力汽车工况(Artemis HEV),采集该动力电池组每个单体的电流、电压、温度等实验数据;
S23:对于第二类初始性能相近的电池组,控制单体温度极差在15℃,模拟城市激烈驾驶工况(Urban Assault Cycle,UAC)或Artemis混合动力汽车工况(Artemis HEV),采集该动力电池组每个单体的电流、电压、温度等实验数据;
S24:将获取的实验数据汇总,建立实验数据库。
S3:特征提取:采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取;
提取的特征包括:基于信号处理方法计算采集到的电压和温度的标准差和极差,表达式为:
ΔU=Umax-Umin
其中,n为电池总个数,Ui表示第i个电池电压,Uav表示电池组平均电压,σU表示电压标准差,ΔU表示电压极差,Umax表示电压最大值,Umin表示电压最小值;
ΔT=Tmax-Tmin
其中,Ti表示第i个电池温度,Tav表示电池组平均温度,σT表示温度标准差,ΔT表示温度极差,Tmax表示温度最大值,Tmin表示温度最小值。
S4:参数一致性故障诊断:针对提取的特征利用权重法评价电池组的一致性,多尺度熵和人工神经网络结合进而实现参数不一致性故障的诊断;如图2所示,诊断算法具体包括以下步骤:
S41:将德尔菲分析法和熵权法结合,即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重,计算某段时间内电池组的综合评价值;具体包括以下步骤:
S411:采用德尔菲分析法确定各指标σU,ΔU,σT,ΔT的权重W1;
S412:采用熵权法确定各指标σU,ΔU,σT,ΔT的权重W2;
取时间T内的采样点的运行数据特征,即σU,ΔU,σT,ΔT,归一化后计算各个指标的熵值:
其中,p(xkj)表示第j项指标下第k个样本值占该指标的比重,Hj表示第j项指标的熵值;
S413:“加法”综合得到综合权重为:
W=[w1,w2,w3,w4]=αW1+(1-α)W2
其中,w1,w2,w3,w4分别为电压标准差、极差和温度标准差、极差对应的权重,α的取值取决于决策者的偏好;
S414:k时刻电池组的评价值:
scorek=W*Ak T=w1*σU+w2*ΔU+w3*σT+w4*ΔT
S42:设定阈值0.4,将综合评价值与阈值比较,进行电池组的一致性评价,如果低于阈值,则判断为该电池组一致性较差,转步骤S43,否则为正常。
S43:根据步骤S42中计算的一段时间内电池组的综合评价值,对评价值进行多尺度熵的计算,提取不一致性故障特征,将不同尺度的熵作为一个样本的特征向量。其中,多尺度熵可以是多尺度样本熵、多尺度香农熵或其他相关熵中的一种。
步骤S43中多尺度熵的计算,以样本熵为例,具体包括以下步骤:
S432:求取不同尺度因子下每一个粗粒向量的样本熵,构成一个样本的特征向量:
[SE1,SE2,…SEτ,…,SEn]
其中,SEτ表示尺度为τ下的样本熵。
S44:将不同尺度的熵作为诊断算法的输入,输出为电池组不一致原因;确定训练样本集和测试样本集,采用人工神经网络分类算法诊断参数不一致故障。其中,人工神经网络算法也可以采用支持向量机等多分类算法。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种动力电池组参数不一致性的诊断方法,其特征在于,该方法具体包括以下步骤:
S1:电池组的选择:选定初始性能存在差异以及初始性能相近的动力电池,采用串并联的方式组成两类电池组,收集整理该动力电池组的技术参数;
S2:实验数据的获取:模拟不同道路下的实车工况,控制电池组内各单体的温度,对动力电池组进行充放电实验,采集各单体电池的电压、电流、温度数据,建立实车工况测试数据库;
S3:特征提取:采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取;
S4:参数一致性诊断:针对提取的特征利用权重法评价电池组的一致性,多尺度熵和人工神经网络结合进而实现参数不一致性诊断,具体包括:
S41:将德尔菲分析法和熵权法结合,即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重,计算某段时间内电池组的综合评价值,具体包括:
S411:采用德尔菲分析法确定各指标σU,ΔU,σT,ΔT的权重W1;
S412:采用熵权法确定各指标σU,ΔU,σT,ΔT的权重W2;
S413:“加法”综合得到综合权重为:
W=[w1,w2,w3,w4]=αW1+(1-α)W2
其中,w1,w2,w3,w4分别为电压标准差、极差和温度标准差、极差对应的权重,α的取值取决于决策者的偏好;
S414:k时刻电池组的评价值:
scorek=W*Ak T=w1*σU+w2*ΔU+w3*σT+w4*ΔT
其中,ΔU表示电压极差,σU表示电压标准差,σT表示温度标准差,ΔT表示温度极差,Ak=[σU,ΔU,σT,ΔT],运行时间T内电池组的综合评价值表示为:
S42:设定阈值,将综合评价值与阈值比较,进行电池组的一致性评价,如果低于阈值,则判断为该电池组一致性较差,转步骤S43,否则为正常;
S43:根据步骤S42中计算的一段时间内电池组的综合评价值,对评价值进行多尺度熵的计算,提取不一致性故障特征,将不同尺度的熵作为一个样本的特征向量;
S44:将不同尺度的熵作为诊断算法的输入,输出为电池组不一致原因;确定训练样本集和测试样本集,采用人工神经网络分类算法诊断参数不一致性故障。
2.根据权利要求1所述的一种动力电池组参数不一致性的诊断方法,其特征在于,步骤S1中,所述初始性能存在差异的动力电池为初始内阻、初始容量和初始荷电状态(State ofCharge,SOC)不一致的电池。
3.根据权利要求1所述的一种动力电池组参数不一致性的诊断方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:将连接好的待测动力电池组在25℃恒温实验箱中静置2h,直到电池内外部温度达到平衡;
S22:对于第一类初始性能存在差异的电池组,控制每个单体的工作温度尽可能一致,模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据;
S23:对于第二类初始性能相近的电池组,控制单体温度不一致,模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据;
S24:将获取的实验数据汇总,建立实验数据库。
5.根据权利要求4所述的一种动力电池组参数不一致性的诊断方法,其特征在于,步骤S43中,所述的多尺度熵为:多尺度样本熵或多尺度香农熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373001.3A CN110045298B (zh) | 2019-05-06 | 2019-05-06 | 一种动力电池组参数不一致性的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373001.3A CN110045298B (zh) | 2019-05-06 | 2019-05-06 | 一种动力电池组参数不一致性的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045298A CN110045298A (zh) | 2019-07-23 |
CN110045298B true CN110045298B (zh) | 2021-05-11 |
Family
ID=67281038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373001.3A Active CN110045298B (zh) | 2019-05-06 | 2019-05-06 | 一种动力电池组参数不一致性的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045298B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542867A (zh) * | 2019-08-05 | 2019-12-06 | 燕山大学 | 电池健康状态评估方法、装置及存储介质 |
CN112526378B (zh) * | 2019-09-18 | 2024-07-19 | 中车时代电动汽车股份有限公司 | 一种电池不一致性故障预警方法及设备 |
CN110703109B (zh) | 2019-10-25 | 2020-07-07 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
CN111812518B (zh) * | 2019-12-25 | 2023-04-28 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
CN111693876A (zh) * | 2020-05-09 | 2020-09-22 | 清华大学 | 电池组评价方法及系统 |
CN112083347B (zh) * | 2020-08-20 | 2023-06-30 | 上海电享信息科技有限公司 | 一种电动汽车动力电池筛选方法 |
CN112147527B (zh) * | 2020-09-04 | 2023-01-06 | 欣旺达电动汽车电池有限公司 | 电池包寿命评估装置及方法 |
CN111965555B (zh) * | 2020-09-18 | 2022-05-03 | 重庆长安新能源汽车科技有限公司 | 一种单体电池的并联成组筛选方法 |
CN112255560B (zh) * | 2020-10-19 | 2024-05-10 | 奇瑞商用车(安徽)有限公司 | 一种电池电芯健康度预测方法 |
CN112550066A (zh) * | 2020-11-30 | 2021-03-26 | 蜂巢能源科技有限公司 | 用于确定车辆电池温度是否均衡的方法、装置、存储介质及车辆 |
CN112630660B (zh) * | 2020-12-14 | 2022-10-21 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
CN112540317B (zh) * | 2020-12-16 | 2022-12-02 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN113030763A (zh) * | 2021-02-20 | 2021-06-25 | 武汉云衡智能科技有限公司 | 一种车用动力电池一致性差异的潜在风险诊断系统 |
CN113075554B (zh) * | 2021-03-26 | 2022-07-05 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
CN113111508B (zh) * | 2021-04-08 | 2024-08-30 | 东软睿驰汽车技术(沈阳)有限公司 | 电芯一致性的评估方法、装置及服务器 |
CN113376534B (zh) * | 2021-05-12 | 2022-04-05 | 山东大学 | 动力电池早期故障相平面诊断方法及超前预警系统 |
CN113406524B (zh) * | 2021-05-26 | 2022-04-12 | 北京理工大学 | 一种动力电池系统的不一致性故障诊断方法及系统 |
CN113533995B (zh) * | 2021-07-05 | 2023-10-20 | 上海电享信息科技有限公司 | 一种动力电池一致性检测方法 |
CN113408146B (zh) * | 2021-07-15 | 2022-11-25 | 华南理工大学 | 一种基于gra-熵权法的动力电池安全模糊定级方法 |
CN114200308B (zh) * | 2021-12-03 | 2024-03-15 | 西安理工大学 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
CN114415032A (zh) * | 2022-01-25 | 2022-04-29 | 中国汽车工程研究院股份有限公司 | 一种动力电池安全性检测方法、系统及存储介质 |
CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
CN116125325A (zh) * | 2022-12-06 | 2023-05-16 | 北汽福田汽车股份有限公司 | 电池的电芯一致性的检测方法及装置、车辆和存储介质 |
CN115902646B (zh) * | 2023-01-06 | 2023-06-13 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
CN117590242B (zh) * | 2024-01-18 | 2024-04-26 | 未势能源科技有限公司 | 电堆的一致性检测方法、装置、存储介质及电子装置 |
CN117705196B (zh) * | 2024-01-31 | 2024-05-03 | 杭州高特电子设备股份有限公司 | 一种储能空调温度故障诊断方法及储能设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1917267A (zh) * | 2005-08-18 | 2007-02-21 | 苏州富源科技能源有限公司 | 一种储能锂电池组制造方法及一种储能锂电池组 |
CN101212071A (zh) * | 2006-12-31 | 2008-07-02 | 比亚迪股份有限公司 | 一种动力电池荷电状态估计方法 |
CN103580247A (zh) * | 2013-10-18 | 2014-02-12 | 吉林省高新电动汽车有限公司 | 基于功率电感的能量传递双向均衡系统及其控制方法 |
CN104821632A (zh) * | 2015-05-21 | 2015-08-05 | 重庆大学 | 一种电池系统充电电压均衡控制方法及系统 |
CN105226744A (zh) * | 2015-09-10 | 2016-01-06 | 广西大学 | 一种基于soc的动力电池组均衡充放电控制方法及系统 |
CN105429230A (zh) * | 2015-12-22 | 2016-03-23 | 重庆西南集成电路设计有限责任公司 | 基于人工神经网络算法的电池管理系统及方法 |
CN107015152A (zh) * | 2017-03-13 | 2017-08-04 | 上海理工大学 | 电池组不一致性的辨识方法 |
CN107255787A (zh) * | 2017-06-22 | 2017-10-17 | 山东大学 | 基于信息熵的电池组不一致性综合评价方法及系统 |
CN107807333A (zh) * | 2017-10-31 | 2018-03-16 | 暨南大学 | 一种退役动力电池组的soc估算方法 |
CN207459749U (zh) * | 2017-06-23 | 2018-06-05 | 广州邦禾检测技术有限公司 | 一种基于soc均衡检测的动力锂离子电池均衡系统 |
CN108336780A (zh) * | 2018-01-26 | 2018-07-27 | 北京匠芯电池科技有限公司 | 一种梯次利用电池包控制方法及系统 |
CN108583347A (zh) * | 2018-06-06 | 2018-09-28 | 昆明理工大学 | 一种并联充电和选择性单体电池放电均衡的均衡电路及其控制方法 |
CN108732503A (zh) * | 2017-04-21 | 2018-11-02 | 郑州宇通客车股份有限公司 | 一种电池健康状态与电池容量检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4400536B2 (ja) * | 2004-12-27 | 2010-01-20 | 日産自動車株式会社 | 組電池の容量調整装置および容量調整方法 |
KR101325097B1 (ko) * | 2011-10-04 | 2013-11-06 | 주식회사 켐에쎈 | 순수한 유기화합물의 이상기체의 생성 에너지를 예측하는 다중선형회귀-인공신경망 혼성모형 |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
-
2019
- 2019-05-06 CN CN201910373001.3A patent/CN110045298B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1917267A (zh) * | 2005-08-18 | 2007-02-21 | 苏州富源科技能源有限公司 | 一种储能锂电池组制造方法及一种储能锂电池组 |
CN101212071A (zh) * | 2006-12-31 | 2008-07-02 | 比亚迪股份有限公司 | 一种动力电池荷电状态估计方法 |
CN103580247A (zh) * | 2013-10-18 | 2014-02-12 | 吉林省高新电动汽车有限公司 | 基于功率电感的能量传递双向均衡系统及其控制方法 |
CN104821632A (zh) * | 2015-05-21 | 2015-08-05 | 重庆大学 | 一种电池系统充电电压均衡控制方法及系统 |
CN105226744A (zh) * | 2015-09-10 | 2016-01-06 | 广西大学 | 一种基于soc的动力电池组均衡充放电控制方法及系统 |
CN105429230A (zh) * | 2015-12-22 | 2016-03-23 | 重庆西南集成电路设计有限责任公司 | 基于人工神经网络算法的电池管理系统及方法 |
CN107015152A (zh) * | 2017-03-13 | 2017-08-04 | 上海理工大学 | 电池组不一致性的辨识方法 |
CN108732503A (zh) * | 2017-04-21 | 2018-11-02 | 郑州宇通客车股份有限公司 | 一种电池健康状态与电池容量检测方法及装置 |
CN107255787A (zh) * | 2017-06-22 | 2017-10-17 | 山东大学 | 基于信息熵的电池组不一致性综合评价方法及系统 |
CN207459749U (zh) * | 2017-06-23 | 2018-06-05 | 广州邦禾检测技术有限公司 | 一种基于soc均衡检测的动力锂离子电池均衡系统 |
CN107807333A (zh) * | 2017-10-31 | 2018-03-16 | 暨南大学 | 一种退役动力电池组的soc估算方法 |
CN108336780A (zh) * | 2018-01-26 | 2018-07-27 | 北京匠芯电池科技有限公司 | 一种梯次利用电池包控制方法及系统 |
CN108583347A (zh) * | 2018-06-06 | 2018-09-28 | 昆明理工大学 | 一种并联充电和选择性单体电池放电均衡的均衡电路及其控制方法 |
Non-Patent Citations (3)
Title |
---|
A novel grouping method for lithium-ion battery packconsidering cell divergence;Rui Xiong等;《IEEE XploreIEEE Xplore. Restrictions apply》;20171231;全文 * |
Equalization of Lithium-Ion Battery Pack Based on Fuzzy Logic Control in Electric Vehicle;Yan Ma等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180831;全文 * |
一种锂离子动力电池组的复合均衡方法;来鑫;《农业装备与车辆工程》;20181031;第56卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110045298A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045298B (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN111007417A (zh) | 基于不一致性评估的电池组soh和rul预测方法及系统 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN112103580B (zh) | 一种基于等效内阻的锂电池充电方法 | |
CN111007399A (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN108732510A (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
CN112904219A (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN111027625A (zh) | 基于SAE和K-means聚类算法的电池筛选方法 | |
CN111814826B (zh) | 退役动力电池余能快速检测评级方法 | |
CN113158345A (zh) | 一种新能源车辆动力电池容量预测方法及系统 | |
CN115639481B (zh) | 基于大数据预测soc的电池数据预处理系统及方法 | |
CN111983464B (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
CN111967194A (zh) | 一种基于云端历史数据的电池分类方法 | |
CN111487532B (zh) | 一种基于层次分析法和熵值法的退役电池筛选方法及系统 | |
CN114167301A (zh) | 一种基于电动汽车实车数据的动力电池评估方法 |
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 |