CN110133525A - 一种应用于电池管理系统的锂离子电池健康状态估计方法 - Google Patents
一种应用于电池管理系统的锂离子电池健康状态估计方法 Download PDFInfo
- Publication number
- CN110133525A CN110133525A CN201910392656.5A CN201910392656A CN110133525A CN 110133525 A CN110133525 A CN 110133525A CN 201910392656 A CN201910392656 A CN 201910392656A CN 110133525 A CN110133525 A CN 110133525A
- Authority
- CN
- China
- Prior art keywords
- battery
- lithium ion
- ion battery
- training
- 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
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 48
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 47
- 238000007600 charging Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 12
- 238000006731 degradation reaction Methods 0.000 abstract description 12
- 238000012512 characterization method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 2
- 230000003412 degenerative effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种应用于电池管理系统的锂离子电池健康状态估计方法，涉及锂离子电池健康状态估计领域。本发明是为了解决现有的电池健康状态估计方法均存在困难的问题。本发明能够提供新的退化特征供研究人员评价电池性能退化。该方法通过建立锂离子电池模型获取电池内部传递函数，基于对电池HPPC测试辨识传递函数内部参数从而获取电池性能退化特征，通过皮尔逊相关系数分析了模型参数与电池容量之间的相关性大于0.8，验证了所提方法提取的模型参数能够直接应用于电池性能退化表征上。最后通过RVM模型对电池参数与电池SOH进行映射，得到了SOH估计模型，取得了良好的估计效果。
Description
技术领域
本发明属于锂离子电池健康状态估计领域。
背景技术
随着锂离子电池不断进行充放电循环，锂离子电池内部存在固态电解质膜增厚、锂枝晶析出等复杂且不可逆的电化学反应，造成锂离子电池的性能退化。
基于容量、内阻等参数的锂离子电池健康状态估计方法具有较高的估计精度，但在实际应用中，此两类参数难以在线测量。
基于可监测参数的健康状态估计方法，则对退化特征的提取条件(如提取特征时电池的电压、荷电状态等)有较高要求；同时，还会给电池管理系统带来额外的计算需求。
发明内容
本发明是为了解决现有的电池健康状态估计方法均存在困难的问题，现提供一种应用于电池管理系统的锂离子电池健康状态估计方法。
一种应用于电池管理系统的锂离子电池健康状态估计方法，包括以下步骤：
步骤一、对训练用锂离子电池进行循环充放电测试，获得训练数据集；
步骤二、根据训练数据集中的OCV训练数据获取电池开路电压uoc与荷电状态SOC之间的对应关系；
步骤三、建立一阶等效电路模型、并根据该模型获得训练用锂离子电池参数和
其中，τc＝RpCp、Cp为电池极化电容、Rp为电池极化内阻、R0为电池欧姆内阻、T为采样点之间的时间间隔；
步骤四、通过循环充放电测试中的恒流放电过程，获得第n个充放电周期的电池容量信息Capacity(n)，并利用以下公式获得训练用锂离子电池第n个充放电周期的健康状态SOH(n)：
其中，Capacityraw为电池额定容量；
步骤五、提取训练数据集中的HPPC训练数据，基于HPPC训练数据利用递归最小二乘法分别对训练用锂离子电池参数d0和d1进行参数辨识，获得辨识结果d0(n)和d1(n)；
步骤六、分别提取d0(n)和d1(n)的辨识结果序列X1＝{d0(1),d0(2),...,d0(n),...}和X2＝{d1(1),d1(2),...,d1(n),...}，
提取SOH(n)的序列X3＝{SOH(1),SOH(2),...,SOH(n),...}；
步骤七、将X1和X2分别与X3进行Pearson相关性分析，分别获得两组相关系数和
步骤八、判断和是否同时大于0.8，是则采用X1和X2表征电池健康状态、并执行步骤九，否则更换n的取值、并返回步骤四；
步骤九、将HI作为输入数据，将X3作为输出数据，构造RVM模型：
其中，HIi为HI中第i列数据，σ为核函数宽度、ωi为权重参数、ω0为偏置因子；
步骤十、对RVM模型权重向量ω＝(ω0,ω1,ω2)T进行训练，获得训练后的RVM模型；
步骤十一、对待估计锂离子电池进行循环充放电测试获得电池HPPC训练数据，基于该电池HPPC训练数据利用递归最小二乘法分别对待估计锂离子电池参数进行辨识，获得辨识结果和将和的辨识结果序列作为输入数据代入训练后的RVM模型中，获得RVM模型的输出结果、并作为待估计锂离子电池的健康状态。
上述步骤三中一阶等效电路模型如下：
其中，ut为电池端电压、uoc为电池开路电压、up为电池RC并联电压、Cp为电池极化电容、i为流过电池的电流；
上述步骤三中获得训练用锂离子电池参数d0、d1和c1的过程如下：
步骤三一、根据步骤二获得的电池开路电压uoc与荷电状态SOC之间的对应关系、获取电池极化电压ud，
步骤三二、根据公式3推导获得：
步骤三三、对上述公式4进行离散化，获得：
根据公式5分别获得训练用锂离子电池参数和
上述公式5中，k为采样点的序号。
上述步骤三一中电池开路电压uoc与荷电状态SOC之间的对应关系如下表：
| 荷电状态SOC | 电池开路电压u<sub>oc</sub> |
| 0 | u<sub>oc</sub>(SOC＝0) |
| 0.1 | u<sub>oc</sub>(SOC＝0.1) |
| 0.2 | u<sub>oc</sub>(SOC＝0.2) |
| … | … |
| 1 | u<sub>oc</sub>(SOC＝1) |
然后根据ud＝uoc-ut获获取电池极化电压ud，其中ut为电池端电压，ut能够通过外部测量获取。
上述步骤七中通过下式分别获得两组相关系数：
其中N表示序列最大长度，X＝X1,X2，Y＝X3。
针对电池容量与电池内阻数据无法直接测量的问题，本发明提出基于等效电路模型的锂离子电池退化特征提取及分析方法，能够提供新的退化特征供研究人员评价电池性能退化。该方法通过建立锂离子电池模型获取电池内部传递函数，基于对电池HPPC测试辨识传递函数内部参数从而获取电池性能退化特征，通过皮尔逊相关系数分析了模型参数与电池容量之间的相关性大于0.8，验证了所提方法提取的模型参数能够直接应用于电池性能退化表征上。最后通过RVM模型对电池参数与电池SOH进行映射，得到了SOH估计模型，取得了良好的估计效果。
附图说明
图1为采用NASA PCoE随机工况进行试验，训练电池的参数变化曲线图，其中(1)表示电池参数d0(2)表示电池参数d1；
图2电池SOH估计结果曲线图；
图3为一阶等效模型电路图；
图4为本发明所述的一种应用于电池管理系统的锂离子电池健康状态估计方法的流程图。
具体实施方式
状态转移方程是现有锂离子电池荷电状态估计中使用较多的模型之一，也是电池管理系统估计电池荷电状态时广泛使用的模型之一。因此，需考虑使用锂离子电池的状态转移方程参数，建立电池健康状态估计方法，本发明通过以下实施方式具体说明：
具体实施方式一：参照图1至4具体说明本实施方式，本实施方式所述的一种应用于电池管理系统的锂离子电池健康状态估计方法，本实施方式中实验数据集为NASA PCoE数据集，将RW9编号电池作为测试电池，RW10编号电池作为训练电池。
步骤一、对训练用锂离子电池进行循环充放电测试，获得训练数据集；
所述循环充放电测试的步骤如下表：
| 测试步骤 | 测试名称 | 测试内容 |
| 1 | 恒流充电 | 以1C电流进行充电，直至充电截止电压停止 |
| 2 | 恒压充电 | 以充电截止电压恒压充电，直至电池小于0.05C |
| 3 | 恒流放电 | 以1C电流进行充电，直至放电截止电压停止 |
| 4 | 恒流充电 | 以1C电流进行充电，直至充电截止电压停止 |
| 5 | 恒压充电 | 以充电截止电压恒压充电，直至电池小于0.05C |
| 6 | HPPC | 以标准的电池HPPC测试工步对电池进行测试 |
。
步骤二、根据训练数据集中的OCV(开路电压)训练数据获取电池开路电压uoc与荷电状态SOC之间的对应关系，其中OCV训练数据中电池电压测试数据为{v(1),v(2),...,v(t),...}，电流测试数据为{i(1),i(2),...,i(t),...}，采样点之间间隔为ts，；
在采样t时刻，荷电状态SOC(t)表示如下：
其中Crate为电池额定容量；
具体的，电池开路电压uoc与荷电状态SOC之间的对应关系如下表：
| 荷电状态SOC | 电池开路电压u<sub>oc</sub> |
| 0 | 3.2V |
| 0.1 | 3.675V |
| 0.2 | 3.737V |
| … | … |
| 1 | 4.196V |
。
步骤三、根据ud＝uoc-ut获获取电池极化电压ud，其中ut为电池端电压，ut能够通过外部测量获取；
建立一阶等效电路模型如下：
根据公式3推导获得：
对上述公式4进行离散化，获得：
根据公式5分别获得训练用锂离子电池参数和
上述公式中，ut为电池端电压、uoc为电池开路电压、up为电池RC并联电压、Cp为电池极化电容、i为流过电池的电流、k为采样点的序号、τc＝RpCp、Cp为电池极化电容、Rp为电池极化内阻、R0为电池欧姆内阻、T为采样点之间的时间间隔。
步骤四、通过循环充放电测试中的恒流放电过程，获得第n个充放电周期的电池容量信息Capacity(n)，并利用以下公式获得训练用锂离子电池第n个充放电周期的健康状态SOH(n)：
其中，Capacityraw为电池额定容量。
步骤五、提取训练数据集中的HPPC训练数据，基于HPPC训练数据利用递归最小二乘法分别对训练用锂离子电池参数d0和d1进行参数辨识，获得辨识结果d0(n)和d1(n)。
步骤六、分别提取d0(n)和d1(n)的辨识结果序列X1＝{d0(1),d0(2),...,d0(n),...}和X2＝{d1(1),d1(2),...,d1(n),...}，
提取SOH(n)的序列X3＝{SOH(1),SOH(2),...,SOH(n),...}。
步骤七、将X1和X2分别与X3进行Pearson相关性分析，分别获得两组相关系数和具体公式如下：
其中N表示序列最大长度，X＝X1,X2，Y＝X3。
步骤八、判断和是否同时大于0.8，是则采用X1和X2表征电池健康状态、并执行步骤九，否则更换n的取值、并返回步骤四。
步骤九、将HI作为输入数据，将X3作为输出数据，构造RVM模型：
其中，HIi为HI中第i列数据，σ为核函数宽度、ωi为权重参数、ω0为偏置因子。
步骤十、对RVM模型权重向量ω＝(ω0,ω1,ω2)T进行训练，获得训练后的RVM模型。
步骤十一、对待估计锂离子电池进行循环充放电测试获得电池HPPC训练数据，基于该电池HPPC训练数据利用递归最小二乘法分别对待估计锂离子电池参数进行辨识，获得辨识结果和将和的辨识结果序列作为输入数据代入训练后的RVM模型中，获得RVM模型的输出结果、并作为待估计锂离子电池的健康状态。
本实施方式采用在锂离子电池荷电状态估计领域常用的锂离子电池状态转移方程参数作为表征电池退化的特征参数，采用Pearson(皮尔逊)相关系数定量评估模型各个参数的退化表征能力，进而使用退化表征能力较强的模型参数估计锂离子电池的健康状态，采用相关向量机算法(Relevance Vector Machine，RVM)建立锂离子电池健康状态(State of Health，SOH)估计模型，在不引入过多额外计算量的前提下，在电池管理系统中实现锂离子电池的健康状态估计。
Claims (5)
1.一种应用于电池管理系统的锂离子电池健康状态估计方法，其特征在于，
步骤一、对训练用锂离子电池进行循环充放电测试，获得训练数据集；
步骤二、根据训练数据集中的OCV训练数据获取电池开路电压uoc与荷电状态SOC之间的对应关系；
步骤三、建立一阶等效电路模型、并根据该模型获得训练用锂离子电池参数和
其中，τc＝RpCp、Cp为电池极化电容、Rp为电池极化内阻、R0为电池欧姆内阻、T为采样点之间的时间间隔；
步骤四、通过循环充放电测试中的恒流放电过程，获得第n个充放电周期的电池容量信息Capacity(n)，并利用以下公式获得训练用锂离子电池第n个充放电周期的健康状态SOH(n)：
其中，Capacityraw为电池额定容量；
步骤五、提取训练数据集中的HPPC训练数据，基于HPPC训练数据利用递归最小二乘法分别对训练用锂离子电池参数d0和d1进行参数辨识，获得辨识结果d0(n)和d1(n)；
步骤六、分别提取d0(n)和d1(n)的辨识结果序列X1＝{d0(1),d0(2),...,d0(n),...}和X2＝{d1(1),d1(2),...,d1(n),...}，
提取SOH(n)的序列X3＝{SOH(1),SOH(2),...,SOH(n),...}；
步骤七、将X1和X2分别与X3进行Pearson相关性分析，分别获得两组相关系数和
步骤八、判断和是否同时大于0.8，是则采用X1和X2表征电池健康状态、并执行步骤九，否则更换n的取值、并返回步骤四；
步骤九、将HI作为输入数据，将X3作为输出数据，构造RVM模型：
其中，HIi为HI中第i列数据，σ为核函数宽度、ωi为权重参数、ω0为偏置因子；
步骤十、对RVM模型权重向量ω＝(ω0,ω1,ω2)T进行训练，获得训练后的RVM模型；
步骤十一、对待估计锂离子电池进行循环充放电测试获得电池HPPC训练数据，基于该电池HPPC训练数据利用递归最小二乘法分别对待估计锂离子电池参数进行辨识，获得辨识结果和将和的辨识结果序列作为输入数据代入训练后的RVM模型中，获得RVM模型的输出结果、并作为待估计锂离子电池的健康状态。
2.根据权利要求1所述的一种应用于电池管理系统的锂离子电池健康状态估计方法，其特征在于，步骤三中一阶等效电路模型如下：
其中，ut为电池端电压、uoc为电池开路电压、up为电池RC并联电压、Cp为电池极化电容、i为流过电池的电流；
3.根据权利要求2所述的一种应用于电池管理系统的锂离子电池健康状态估计方法，其特征在于，步骤三中获得训练用锂离子电池参数d0、d1和c1的过程如下：
步骤三一、根据步骤二获得的电池开路电压uoc与荷电状态SOC之间的对应关系、获取电池极化电压ud，
步骤三二、根据公式3推导获得：
步骤三三、对上述公式4进行离散化，获得：
根据公式5分别获得训练用锂离子电池参数和
上述公式5中，k为采样点的序号。
4.根据权利要求3所述的一种应用于电池管理系统的锂离子电池健康状态估计方法，其特征在于，步骤三一中电池开路电压uoc与荷电状态SOC之间的对应关系如下表：
然后根据ud＝uoc-ut获获取电池极化电压ud，其中ut为电池端电压，ut能够通过外部测量获取。
5.根据权利要求1所述的一种应用于电池管理系统的锂离子电池健康状态估计方法，其特征在于，步骤七中通过下式分别获得两组相关系数：
其中N表示序列最大长度，X＝X1,X2，Y＝X3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910392656.5A CN110133525B (zh) | 2019-05-13 | 2019-05-13 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910392656.5A CN110133525B (zh) | 2019-05-13 | 2019-05-13 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110133525A true CN110133525A (zh) | 2019-08-16 |
| CN110133525B CN110133525B (zh) | 2021-05-28 |
Family
ID=67573484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910392656.5A Active CN110133525B (zh) | 2019-05-13 | 2019-05-13 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110133525B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458648A (zh) * | 2020-04-16 | 2020-07-28 | 天津力神电池股份有限公司 | 锂离子电池健康状态的在线检测方法 |
| CN111856286A (zh) * | 2020-07-14 | 2020-10-30 | 欣旺达电动汽车电池有限公司 | 基于dp-rc模型的电池功率估计方法及装置 |
| CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
| CN111983459A (zh) * | 2020-07-18 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于车用锂离子电池的健康状态测试评估方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
| CN112858914A (zh) * | 2019-11-28 | 2021-05-28 | 中国石油化工股份有限公司 | 一种石油修井机用锂离子电池状态诊断方法 |
| CN112906176A (zh) * | 2019-12-04 | 2021-06-04 | 中车株洲电力机车研究所有限公司 | 基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法和系统 |
| CN112946485A (zh) * | 2021-02-09 | 2021-06-11 | 江西江铃集团新能源汽车有限公司 | 车辆电池检测方法、存储介质及设备 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937704A (zh) * | 2012-11-27 | 2013-02-20 | 山东省科学院自动化研究所 | 一种动力电池rc等效模型的辨识方法 |
| CN105807226A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 基于等效电路模型的锂离子电池soc预测方法及装置 |
| GB2537406B (en) * | 2015-04-16 | 2017-10-18 | Oxis Energy Ltd | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
| CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
| CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
| CN108732509A (zh) * | 2018-06-06 | 2018-11-02 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池荷电状态的在线估计方法 |
| CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
| CN109307845A (zh) * | 2018-10-19 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统 |
-
2019
- 2019-05-13 CN CN201910392656.5A patent/CN110133525B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937704A (zh) * | 2012-11-27 | 2013-02-20 | 山东省科学院自动化研究所 | 一种动力电池rc等效模型的辨识方法 |
| CN105807226A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 基于等效电路模型的锂离子电池soc预测方法及装置 |
| GB2537406B (en) * | 2015-04-16 | 2017-10-18 | Oxis Energy Ltd | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
| CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
| CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
| CN108732509A (zh) * | 2018-06-06 | 2018-11-02 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池荷电状态的在线估计方法 |
| CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
| CN109307845A (zh) * | 2018-10-19 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| DATONG LIU 等: "A Health Indicator Extraction and Optimization Framework for Lithium-Ion Battery Degradation Modeling and Prognostics", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
| JIANBAO ZHOU 等: "Combined Sparse Bayesian Learning Strategy for Remaining Useful Life Forecasting of Lithium-ion Battery", 《2012 SECOND INTERNATIONAL CONFERENCE ON INSTRUMENTATION, MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL》 * |
| 周建宝 等: "可重构卫星锂离子电池剩余寿命预测系统研究", 《仪器仪表学报》 * |
| 徐颖 等: "电动汽车用锂离子电池健康状态评估方法", 《2017中国自动化大会（CAC2017）暨国际智能制造创新大会（CIMIC2017）会议论文集》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858914A (zh) * | 2019-11-28 | 2021-05-28 | 中国石油化工股份有限公司 | 一种石油修井机用锂离子电池状态诊断方法 |
| CN112858914B (zh) * | 2019-11-28 | 2023-09-26 | 中国石油化工股份有限公司 | 一种石油修井机用锂离子电池状态诊断方法 |
| CN112906176B (zh) * | 2019-12-04 | 2022-07-26 | 中车株洲电力机车研究所有限公司 | 一种电池等效电路模型的健康预测方法及系统 |
| CN112906176A (zh) * | 2019-12-04 | 2021-06-04 | 中车株洲电力机车研究所有限公司 | 基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法和系统 |
| CN111458648B (zh) * | 2020-04-16 | 2022-04-08 | 天津力神电池股份有限公司 | 锂离子电池健康状态的在线检测方法 |
| CN111458648A (zh) * | 2020-04-16 | 2020-07-28 | 天津力神电池股份有限公司 | 锂离子电池健康状态的在线检测方法 |
| CN111856286A (zh) * | 2020-07-14 | 2020-10-30 | 欣旺达电动汽车电池有限公司 | 基于dp-rc模型的电池功率估计方法及装置 |
| CN111983459A (zh) * | 2020-07-18 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于车用锂离子电池的健康状态测试评估方法 |
| CN111983459B (zh) * | 2020-07-18 | 2023-06-06 | 武汉数值仿真技术研究院有限公司 | 一种基于车用锂离子电池的健康状态测试评估方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
| CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
| CN111965559B (zh) * | 2020-08-17 | 2023-06-16 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
| CN112946485A (zh) * | 2021-02-09 | 2021-06-11 | 江西江铃集团新能源汽车有限公司 | 车辆电池检测方法、存储介质及设备 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
| CN113740736B (zh) * | 2021-08-31 | 2024-04-02 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110133525B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
| CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
| CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
| CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
| CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
| US11579201B2 (en) | Method and system for identifying third-order model parameters of lithium battery based on likelihood function | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| US20110208453A1 (en) | Circuit-based method for estimating battery capacity | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 | |
| WO2024152592A1 (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
| CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
| CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN113300016B (zh) | 一种电池充放电控制方法和装置 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| Tao et al. | State of charge estimation of lithium Batteries: Review for equivalent circuit model methods | |
| CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
| Gruosso et al. | State of charge estimation of LiFePO4 battery used in electric vehicles using support vector regression, PCA and DP battery model | |
| CN112649735A (zh) | 一种快速得到电池包总容量的方法 | |
| CN114609525A (zh) | 基于分数阶容积卡尔曼滤波的动力电池soc估计方法 |
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 |