CN110398697A - 一种基于充电过程的锂离子健康状态估计方法 - Google Patents
一种基于充电过程的锂离子健康状态估计方法 Download PDFInfo
- Publication number
- CN110398697A CN110398697A CN201910668127.3A CN201910668127A CN110398697A CN 110398697 A CN110398697 A CN 110398697A CN 201910668127 A CN201910668127 A CN 201910668127A CN 110398697 A CN110398697 A CN 110398697A
- Authority
- CN
- China
- Prior art keywords
- voltage
- data
- lithium ion
- feature vector
- constant
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于充电过程的锂离子健康状态估计方法在离线状态下,通过锂离子循环充放电实验获取电压、电流和时间等实验数据,从恒流充电过程中提取特征向量,特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中,电压从Va到Vb所需要的时间)。并通过灰色关联度分析和高斯过程回归模型对提取的特征向量进行筛选,获取最优特征向量所属的电压区间和其训练模型。在线状态下,获取离线状态下得到的电压区间的时间间隔,作为输入特征向量,输入到已训练的高斯过程回归模型中,得到电池SOH。本发明不需要建立复杂的等效电路模型,通过数据驱动的方法,可在线对电池SOH进行估计,具有非常好的精确度。
Description
技术领域
本发明属于锂离子电池领域,具体涉及一种基于充电过程的锂离子健康状态估计方法。
背景技术
锂离子电池因其高电压、自放电率低、能量密度高、循环寿命高、无污染和无记忆效应等优势,被用于手机、笔记本电脑、平衡车以及电动汽车、航天等领域。但在电池长期使用过程中,由于滥用或者老化,电池内部会发生一系列的电化学反应,会使容量衰退,内阻增加,还可能会造成火灾、爆炸等灾难性后果。为保证电池正常高效地工作,电池管理系统(BMS)必不可少,而电池健康状态(SOH)是BMS的核心功能之一。准确地对电池健康状态进行估计可以判定电池的老化程度,为电池SOC估计和均衡控制技术提供依据,提高电池组的安全性能。
目前,锂离子电池SOH估计方法主要有:直接测量法、基于模型法、数据驱动法。其中,直接测量法以容量和内阻测试为测试指标。直接测量法虽然测量结果准确,但不能在线应用。基于模型的方法主要包含:经验模型、电化学模型、等效电路模型。经验模型具有建模容易、使用方便等优点,但是其过度依赖电池类型和经验参数,应用范围受到限制;电化学模型包含许多方程和大量的内部参数,以及边界条件,计算复杂,不容易对其进行求解;等效电路模型中模型参数随环境温度会发生变化,具体应用会存在较大估计误差。
基于数据驱动的方法是从锂离子电池充放电过程中,利用神经网络法、支持向量机、相关向量机和高斯过程回归等算法来估计电池SOH。相对于直接测量方法和基于模型的方法,更加适应于在线使用,而且具有很好的适应性。
此外,由于电池的放电过程放电倍率不断变化,且实际使用过程中,电池很少达到完整的循环过程,本发明基于数据驱动的方法不需要考虑放电倍率和计量完整的放电循环次数,只需要提取充电过程中的特征向量作为输入向量,通过灰色关联度和高斯过程算法对电池SOH进行估计。
发明内容
本发明的目的在于提供了基于充电过程的电池SOH估计方法,该方法从充电过程中提取特征向量,利用灰色关联度分析和高斯过程回归算法对电池SOH进行估计。
本发明采用如下技术方案来实现:
一种基于充电过程的锂离子健康状态估计方法,包括如下步骤:
第一步、对锂离子电池进行循环充放电实验,分为恒流充电过程、恒压充电过程、恒流放电过程。实时记录各个过程采集到的电流、电压和时间数据。
第二步、提取输入特征向量和输出特征向量。输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中,电压从Va到Vb所需要的时间),输出特征向量为电池SOH。
第三步、通过灰色关联度分析计算特征向量与SOH之间的关联度,排除关联度低于0.6的特征向量。通过关联度筛选之后的特征向量数据分为训练数据集和验证数据集,输入数据和输出数据为一一对应的,以输入数据和输出数据的前85%作为训练集,后15%作为验证集。以训练数据集来训练高斯过程回归模型,模型训练之后,以验证数据集输入回归模型,获取预测的电池SOH,将预测的电池SOH与验证数据中的电池SOH比较,进行误差分析,通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)两种指标。获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得的模型。
第四步、在线状态下,利用在线过程中恒流充电过程中记录的电压、电流和时间数据,提取第三步获取的局部电压区间[Va,Vb]下的时间间隔,作为高斯过程回归模型的输入向量,获取电池SOH。
附图说明
图1为锂离子电池SOH估计流程图;
图2为锂离子电池的容量下降趋势图;
图3为锂离子电池特征向量提取示例图;
图4为提取的特征向量随着电池老化的变化趋势图;
图5为锂离子电池SOH估计结果。
具体实施方式
以下结合附图与具体实施方式,对本发明进一步详细说明。
一种基于充电过程的锂离子健康状态估计方法,如图1所示,包括以下步骤:具体实施方式分为离线过程和在线过程。
离线过程:
步骤1:对锂离子电池进行充放电循环实验,实时记录充放电过程中电压V、电流I和时间t数据。
步骤2:提取输入特征向量和输出特征向量。输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中,电压从Va到Vb所需要的时间),输出特征向量为电池SOH。
输入特征向量:电压区间[Va,Vb]的选择可根据以下方法获取,根据恒流充电过程所记录电压V、电流I和时间t数据,获取恒流充电过程的起始充电电压V0和截止电压Vn,起始充电电压V0为充放电循环实验中恒流充电起始阶段均可达到的最小电压。恒流充电过程电压区间[V0,Vn]划分成不同局部电压区间,电压节点为V0、V0+0.1、V0+0.2、……Vn。即可表示电压节点为V0、V1、V2、V3、……、Vn,并获取局部电压区间[Va,Vb],当Va取V0时,Vb取V1、V2、V3、……、Vn,当Va取V1时,Vb可取V2、V3、……、Vn,同理可得其它Va和Vb的取值,需满足Va<Vb。根据组成的局部电压区间,对应于不同的时间间隔,得不同局部电压区间下的特征向量。
输出特征向量:电池SOH为电池当前最大放电容量与电池额定容量之比。电池当前容量为放电过程中电流I对于时间t的积分。由此可得电池SOH
步骤3:输入特征向量筛选:根据获取的特征向量,对其进行选择.
步骤3-1:首先通过灰色关联度分析算法计算选取的各个特征向量分别与电池SOH之间的关联度。排除关联度低于0.6的特征向量。
先将X0与Xi初值化,其值分别为:
X′0=X0/x0(1) X′i=Xi/xi(1) (1)
其中,X0为输入特征向量,Xi为输出特征向量电池SOH,x0(1)为输入特征向量的初值,xi(1)为输出特征向量的初值。
则其相应的初值化序列为:
X′0和X′i分别为经过初值化后的输出特征向量和输出特征向量电池SOH。
因此X0与Xi的灰色相对关联度为:
式中:
其中是xi(n)初值像的始点零化像。
通过此方法获取各个特征向量分别与电池SOH的关联度,排除关联度小于0.6的特征向量。
步骤3-2:将通过关联度排除之后的特征向量数据分为训练数据集和验证数据集,输入数据和输出数据为一一对应的,以输入数据和输出数据的前85%作为训练集,后15%作为验证集。以训练数据集来训练高斯过程回归模型,获取模型之后,以验证数据集输入回归模型,获取预测的电池SOH,将预测的电池SOH与验证数据中的电池SOH比较,进行误差分析,通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean SquaredError,RMSE)两种指标。获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得模型。
高斯过程回归模型:
已知训练集的输入输出关系映射为f(x),其中f(x)服从高斯分布
f(x)~N(m(x),k(x,x′)) (7)
此时以预测集输入所估计的函数分布,其输出同样服从高斯分布
f(x*)~N(m(x*),k(x*,x*′)) (8)
其中m(x)和k(x,x’)分别为均值函数和协方差函数,它们的表达式为:
当没有噪声加入的情况下训练集输出和预测值输出服从如下联合高斯先验分布:
其中,K(X,X*)、K(X,X)、K(X*,X*)和K(X*,X)分别是n×n*、n×n、n*×n*、n*×n维的协方差矩阵。
根据联合先验分布,得到f*的条件分布为:
f*|X*,X,f~N(m*,cov(f*)) (11)
其中,m*和cov(f*)分别为预测值的均值函数和协方差函数。
m*=m(x*)+K(X*,X)(K(X,X))-1(f-m(x)) (12)
cov(f*)=K(X*X*)-K(X*,X)(K(X,X))-1K(X,X*) (13)
但在实际情况中,常常会受到噪声的影响,因此假设噪声ε服从高斯分布,即ε~N(0,σ2)
ε为独立的高斯白噪声,均值为0,方差为σ2。则y=f(x)+ε
因此f*的后验分布为:
f*|X*,X,y~N(m*,cov(f*)) (14)
其中,m*和cov(f*)分别为考虑噪声影响后的预测值的均值函数和协方差函数。
步骤3-3:误差分析:根据估计结果,通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)两种指标对估计结果进行评判。当两个误差最小时,此时的特征向量即为最优特征向量。
其中n为预测样本数,为预测值,yi为实际值。
在线过程:
步骤4:在线状态下,利用在线过程中恒流充电过程中记录的电压、电流和时间数据,提取离线状态下最优局部电压区间[Va,Vb]下的时间间隔,作为高斯过程回归模型的输入向量,获取电池SOH。
Claims (5)
1.一种基于充电过程的锂离子健康状态估计方法,其特征在于:包括如下步骤,
第一步、对锂离子电池进行循环充放电实验,分为恒流充电过程、恒压充电过程、恒流放电过程;实时记录各个过程采集到的电流、电压和时间数据;
第二步、提取输入特征向量和输出特征向量;输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔即恒流充电中电压从Va到Vb所需要的时间,输出特征向量为电池SOH;
第三步、通过灰色关联度分析计算输入特征向量与SOH之间的关联度,排除关联度低于0.6的特征向量;通过关联度筛选之后的特征向量数据分为训练数据集和验证数据集,输入数据和输出数据为一一对应的,以输入数据和输出数据的前85%作为训练集,后15%作为验证集;以训练数据集来训练高斯过程回归模型,模型训练之后,以验证数据集输入回归模型,获取预测的电池SOH,将预测的电池SOH与验证数据中的电池SOH比较,进行误差分析,通过平均绝对误差和均方根误差两种指标;获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得的模型;
第四步、在线状态下,利用在线过程中恒流充电过程中记录的电压、电流和时间数据,提取第三步获取的局部电压区间[Va,Vb]下的时间间隔,作为高斯过程回归模型的输入向量,获取电池SOH。
2.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法,其特征在于:第二步中,输入特征向量的提取:根据恒流充电过程所记录电压V、电流I和时间t数据,获取恒流充电过程的起始充电电压V0和截止电压Vn,起始充电电压V0为充放电循环实验中恒流充电起始阶段均可达到的的最小电压;恒流充电过程电压区间[V0,Vn]划分成不同局部电压区间,电压节点为V0、V0+0.1、V0+0.2、……Vn;即可表示电压节点为V0、V1、V2、V3、……、Vn,并获取局部电压区间[Va,Vb],需满足Va<Vb;根据组成的不同局部电压区间,对应于不同的时间间隔,得不同局部电压区间下的特征向量。
3.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法,其特征在于:第三步中,通过灰色关联度分析来得出选取的特征向量与SOH之间的关联度;排除关联度低于0.6的特征向量。
4.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法,其特征在于:第三步中,将通过灰色关联度排除之后的特征向量数据分为训练数据集和验证数据集,输入数据和输出数据为一一对应的,以输入数据和输出数据的前85%作为训练集,后15%作为验证集。
5.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法,其特征在于:第四步中,局部电压区间[Va,Vb]为离线状态下经过灰色关联度分析和误差分析筛选之后获取的最优电压区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668127.3A CN110398697B (zh) | 2019-07-23 | 2019-07-23 | 一种基于充电过程的锂离子健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668127.3A CN110398697B (zh) | 2019-07-23 | 2019-07-23 | 一种基于充电过程的锂离子健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398697A true CN110398697A (zh) | 2019-11-01 |
CN110398697B CN110398697B (zh) | 2021-06-25 |
Family
ID=68325991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668127.3A Active CN110398697B (zh) | 2019-07-23 | 2019-07-23 | 一种基于充电过程的锂离子健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398697B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN111308377A (zh) * | 2020-03-10 | 2020-06-19 | 北京理工大学 | 基于温度电压微分的电池健康状态检测方法及系统 |
CN111366864A (zh) * | 2020-03-19 | 2020-07-03 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
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 |
CN112287597A (zh) * | 2020-09-22 | 2021-01-29 | 国网天津市电力公司电力科学研究院 | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 |
CN112924886A (zh) * | 2021-01-23 | 2021-06-08 | 青岛大学 | 一种电池健康状态soh预测方法及装置 |
CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 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 |
CN113657360A (zh) * | 2021-10-21 | 2021-11-16 | 长沙德壹科技有限公司 | 锂电池健康状态估计方法、装置、设备及可读存储介质 |
CN115201686A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学技术大学 | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
EP4253974A4 (en) * | 2020-11-27 | 2024-02-21 | Dongguan Nvt Tech Limited | BATTERY CAPACITY ESTIMATION METHOD, ELECTRONIC APPARATUS AND STORAGE MEDIUM |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103792495A (zh) * | 2014-01-29 | 2014-05-14 | 北京交通大学 | 基于德尔菲法和灰色关联理论的电池性能评价方法 |
CN106772064A (zh) * | 2016-11-25 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109444762A (zh) * | 2018-10-28 | 2019-03-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN109507594A (zh) * | 2018-12-26 | 2019-03-22 | 中国人民解放军国防科技大学 | 锂电池容量估计的间接健康因子选取方法 |
CN109633449A (zh) * | 2018-11-22 | 2019-04-16 | 中国矿业大学 | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 |
-
2019
- 2019-07-23 CN CN201910668127.3A patent/CN110398697B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103792495A (zh) * | 2014-01-29 | 2014-05-14 | 北京交通大学 | 基于德尔菲法和灰色关联理论的电池性能评价方法 |
CN106772064A (zh) * | 2016-11-25 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109444762A (zh) * | 2018-10-28 | 2019-03-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN109633449A (zh) * | 2018-11-22 | 2019-04-16 | 中国矿业大学 | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 |
CN109507594A (zh) * | 2018-12-26 | 2019-03-22 | 中国人民解放军国防科技大学 | 锂电池容量估计的间接健康因子选取方法 |
Non-Patent Citations (1)
Title |
---|
DONG ZHOU等: "On-Line Remaining Useful Life Prediction of Lithium-Ion Batteries Based on the Optimized Gray Model GM", 《BATTERIES》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN110927606B (zh) * | 2019-11-05 | 2022-01-25 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN111308377A (zh) * | 2020-03-10 | 2020-06-19 | 北京理工大学 | 基于温度电压微分的电池健康状态检测方法及系统 |
CN111366864B (zh) * | 2020-03-19 | 2021-05-07 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN111366864A (zh) * | 2020-03-19 | 2020-07-03 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111985156B (zh) * | 2020-08-19 | 2022-06-14 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112287597A (zh) * | 2020-09-22 | 2021-01-29 | 国网天津市电力公司电力科学研究院 | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 |
CN112287597B (zh) * | 2020-09-22 | 2023-10-03 | 国网天津市电力公司电力科学研究院 | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 |
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 |
EP4253974A4 (en) * | 2020-11-27 | 2024-02-21 | Dongguan Nvt Tech Limited | BATTERY CAPACITY ESTIMATION METHOD, ELECTRONIC APPARATUS AND STORAGE MEDIUM |
CN112924886A (zh) * | 2021-01-23 | 2021-06-08 | 青岛大学 | 一种电池健康状态soh预测方法及装置 |
CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 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 |
CN113189490B (zh) * | 2021-05-17 | 2022-04-01 | 武汉理工大学 | 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 |
CN113657360A (zh) * | 2021-10-21 | 2021-11-16 | 长沙德壹科技有限公司 | 锂电池健康状态估计方法、装置、设备及可读存储介质 |
CN115201686A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学技术大学 | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
CN115201686B (zh) * | 2022-07-12 | 2023-08-29 | 中国科学技术大学 | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110398697B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398697A (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110045298A (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN106383316B (zh) | 一种梯次利用锂电池性能评价方法 | |
CN110161425B (zh) | 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 | |
CN106772064B (zh) | 一种锂离子电池健康状态预测方法及装置 | |
CN105807226B (zh) | 基于等效电路模型的锂离子电池soc预测方法及装置 | |
CN104849672B (zh) | 基于等效电路模型的锂电池动态阻抗参数识别方法 | |
CN105676138B (zh) | 一种预测电池的剩余电量的方法和系统 | |
CN108445406A (zh) | 一种动力电池健康状态估计方法 | |
CN107785624A (zh) | 一种评估锂电池性能的方法 | |
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
CN106291378A (zh) | 一种电动汽车动力电池soh的测算方法 | |
CN105445671A (zh) | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN112034356A (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN110525269A (zh) | Soc的电池组均衡控制方法 | |
CN105116338B (zh) | 一种基于soc补偿器的并联型电池系统建模方法 | |
Pei et al. | An equivalent circuit model for lithium battery of electric vehicle considering self-healing characteristic | |
CN109358293A (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
Jiang et al. | Sorting and grouping optimization method for second-use batteries considering aging mechanism | |
Zhao et al. | Estimation of the SOC of energy-storage lithium batteries based on the voltage increment |
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 |