CN110501651A - 退役电池核容检测方法及装置 - Google Patents
退役电池核容检测方法及装置 Download PDFInfo
- Publication number
- CN110501651A CN110501651A CN201910762727.6A CN201910762727A CN110501651A CN 110501651 A CN110501651 A CN 110501651A CN 201910762727 A CN201910762727 A CN 201910762727A CN 110501651 A CN110501651 A CN 110501651A
- Authority
- CN
- China
- Prior art keywords
- retired battery
- retired
- data
- battery
- battery core
- 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.)
- Pending
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]
- G01R31/385—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本发明提供退役电池核容检测方法,包括下列步骤:获取退役电池的历史运行数据并基于此和神经网络算法,得到退役电池当前容量的预估值。同时本发明提供退役电池核容检测装置,包括退役电池的历史运行数据获取模块、退役电池当前容量的预估值计算模块和结果输出模块。本发明通过获取退役电池的历史运行数据并输入神经网络算法,从而得到退役电池当前容量的预估值,其仅需其近期历史数据的读取时间,以及神经网络算法的计算时间,极大提高了退役电池核容检测方法的检测效率,降低了检测成本,能够很好地满足现场检测的需求,实用性强,适于推广应用。
Description
技术领域
本发明涉及电池梯次利用技术领域,特别涉及一种退役电池核容检测方法;同时,本发明还涉及一种退役电池核容检测装置。
背景技术
随着新能源汽车产业的蓬勃发展,尤其是近年来随着新能源汽车产量迅猛增长,退役的动力电池也日益增加。动力电池目前以锂电池为主,动力电池性能会随着充放电次数的增加而衰减,当电池容量衰减至额定容量的80%以下时,不但导致用户体验变差,而且在动力电池复杂的工况条件下还会带来安全隐患。为了确保电动汽车的动力性能、续驶里程和使用过程中的安全性,电动汽车的动力电池必须更换,退役的动力电池也日益增加。但是,退役下来的动力电池通常仍然剩余70%到80%的可用容量,直接报废浪费资源非常可惜,而且锂电池的回收不同于铅酸铅碳电池,其回收价值不高,但回收的成本却很高。
经检测,经过测试、筛选、重组等环节处理的退役动力电池,仍然有能力用于备用电源、电力储能等运行工况相对良好且对电池性能要求较低的领域,从而实现电池全寿命周期的充分利用,此即为退役电池梯次利用。目前,退役电池梯次利用主要是用于储能,退役动力电池的梯次利用可以进一步降低储能和备用电源的初期投入,增加电池使用周期,减少资源浪费,具有巨大的经济效益和环境效益。
目前退役电池梯次利用的方式主要有:1)拆解为单体电池,进行二次成组使用,该方法能够实现对每支单体电池的状态评估,二次使用时可靠性高,但是根据现有生产实践,如果将退役动力电池中已经焊接成整体的电池组一一拆解到单个电芯,然后进行筛选、匹配和再次重组,整个工艺极其复杂,造成回收成本接近于购买新电池。因此,这条梯次利用技术路线并不经济;2)直接将整个电池包用于微网储能系统,该方法二次使用成本较低,但会存在有部分电池衰减较为严重,导致整个电池包的使用寿命很短;甚至,由于退役电池的电压等级、剩余容量以及材料类型的不同,退役电池不能像新电池一样直接用于储能系统,根本不能进行大规模的串并联使用。
因此,在电池梯次利用领域,需要提前对退役电池的电池容量进行检测。通常,在对电池容量进行检测时,一般都采用满充满放式检测,即将电池充电至最高截止电压,然后以恒流方式放电至最低电压,并根据放电过程中的电量确定当前电池的总容量。然而,在实际应用中,退役电池依然有较大容量,在充电和放电过程中需要消耗较多的时间,尤其是当需要对较多的电池进行检测时,会导致检测电池容量的时间消耗较大,影响电池容量的检测效率,同时在充放电过程中损耗电池使用寿命,浪费人力物力。
如何能够减少退役电池容量检测过程的时间消耗以及电池寿命损耗,成为本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明旨在提出一种退役电池核容检测方法,以提高退役电池的检测效率,并尽可能降低电池寿命损耗。
为达到上述目的,本发明的技术方案是这样实现的:
一种退役电池核容检测方法,包括下列步骤:
a、获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;
b、基于所述退役电池近期若干个充放电过程中的电压数据、电流数据和神经网络算法,得到退役电池当前容量的预估值;
c、输出退役电池当前容量的预估值。
进一步的,所述退役电池近期若干个充放电过程的个数不少于10个。
进一步的,步骤c还包括:基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到计算误差。
进一步的,所述退役电池的历史运行数据还包括:过充电次数和过放电次数。
进一步的,所述神经网络算法的步骤为:
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
本发明还提供了一种退役电池核容检测装置,以实现上述退役电池核容检测方法。
为达到上述目的,本发明的技术方案是这样实现的:
一种退役电池核容检测装置,包括:
退役电池的历史运行数据获取模块,其被配置为获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;
退役电池当前容量的预估值计算模块,其被配置为基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到退役电池当前容量的预估值;
结果输出模块,其被配置为输出退役电池当前容量的预估值。
进一步的,所述退役电池近期若干个充放电过程的个数不少于10次。
进一步的,结果输出模块,其还被配置为基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到计算误差。
进一步的,所述退役电池的历史运行数据还包括:过充电次数和过放电次数。
进一步的,所述神经网络算法的步骤为:
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
相对于现有技术,本发明具有以下优势:
本发明通过获取退役电池的历史运行数据输入神经网络算法,从而得到退役电池当前容量的预估值。首先,本发明的退役电池核容检测方法应用于退役电池核容检测时,仅需其近期历史数据的读取时间,以及神经网络算法的计算时间,解决了现有技术中退役电池核容检测时需要对其进行完整的充电和放电过程、进而导致整个检测过程耗时较长的技术问题,极大提高了退役电池核容检测方法的检测效率,降低了检测成本,能够很好地满足现场检测的需求,实用性强,适于推广应用。
其次,由于本发明的退役电池核容检测方法不需要对其进行完整的充电和放电过程,因此不会因此过程导致退役电池使用寿命的损耗,进一步保证退役电池进行再利用时的使用性能。
最后,本发明的神经网络算法是基于较多退役电池的历史数据计算得到的,保证了该核容检测方法的准确率。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明退役电池核容检测方法的流程示意图;
图2为本发明退役电池核容检测装置的结构框图;
图3为本发明神经网络算法的流程示意图;
图4为本发明实施例1退役电池核容检测装置的显示屏示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员知道,本发明的实施方式可以实现一种系统、装置、设备、方法或计算机程序。因此,本发明可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
此外,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制意义。
在本文中,技术用语“退役电池”包括但不限于已经退出使用、准备退出使用、可能不再投入使用等其他情形的用于例如车辆等的电池、电池组、电池包等;技术用语“…模块”包括了允许通过硬件、软件或其组合来实施的元器件、装置或设备。
在本文中,所述退役电池近期充放电过程中的电压数据和电流数据包括所述退役电池当前状态之前的N个充放电过程中的电压数据和电流数据。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明涉及退役电池核容检测方法,其主要设计思想在于:通过获取退役电池的历史运行数据,并基于神经网络算法,得到退役电池当前容量的预估值。
通过该整体设计思想的设置,能够快速、准确地完成退役电池的核容检测,进而提升退役电池的使用性能,最终达到最大限度发挥退役电池的剩余价值的目的。
基于如上设计思想,本发明的其中一种具体限定方案中,退役电池核容检测方法(如图1所示)包括下列步骤:
一种退役电池核容检测方法,包括下列步骤:
a、获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;具体地,可将下述退役电池核容检测装置直接连接退役电池包中的BMS(BMS:Battery Management System,电池管理系统)板,读取退役电池包历史运行数据。其中,充电-放电过程计为1次完整的获取电压数据和电流数据过程。
b、基于所述退役电池近期若干个充放电过程中的电压数据、电流数据和神经网络算法,得到退役电池当前容量的预估值;
c、输出退役电池当前容量的预估值。
本发明通过获取退役电池的历史运行数据输入神经网络算法,从而得到退役电池当前容量的预估值。首先,本发明应用于退役电池核容检测时,仅需其近期历史数据的读取时间,以及神经网络算法的计算时间,解决了现有技术中退役电池核容检测时需要对其进行完整的充电和放电过程、进而导致整个检测过程耗时较长的技术问题,极大提高了退役电池核容检测方法的检测效率,降低了检测成本,能够很好地满足现场检测的需求,实用性强,适于推广应用。
其次,由于本发明的退役电池核容检测方法不需要对其进行完整的充电和放电过程,因此不会因此过程导致退役电池使用寿命的损耗,进一步保证退役电池进行再利用时的使用性能。
最后,本发明选用神经网络算法,计算速度得到进一步提升,计算所得到的结果误差亦更小,对硬件依赖度也相对较低,远优于目前常用的物理方法,如安时积分法,开路电压法,直流放电法,交流注入法等,实用性较强,适于推广应用。
为了进一步提高所述退役电池核容检测方法的性能,在本发明的其中一种具体实施方式中,所述退役电池的历史运行数据不少于10个。由此,该基于神经网络算法的退役系统当前容量的预估值是基于较多退役电池的历史数据计算得到的,进一步保证了该核容检测方法的准确率。
为了更进一步提高所述退役电池核容检测方法的性能,在本发明的另一种具体实施方式中,步骤c还包括:基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到计算误差,以更进一步增加该检测方法的准确性。
为了进一步提高所述退役电池核容检测方法的性能,在本发明的其中一种具体实施例中,所述退役电池的历史运行数据还包括:过充电次数和过放电次数。由于退役电池的性能直接关系到其应用时的安全性,因此获取过充电次数和过放电次数以进一步对所述退役电池进行判断,以便于退役电池的分类和具体应用,提高其应用时的安全性能。
为了更进一步提高所述退役电池核容检测方法的性能,在本发明的另一种具体实施例中,所述神经网络算法的步骤为(如图3):
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
为了进一步提高所述退役电池核容检测方法的性能,在本发明的其中一种具体实施方式中,所述退役电池为退役磷酸铁锂电池包。测试发现电动汽车用动力电池的磷酸铁锂锂离子电池具有安全性高、环境适应性强和循环寿命长等诸多优点,从电动汽车上退役后,仍能用于工况相对温和、对电池性能要求相对较低的微电网储能系统,因此,退役磷酸铁锂锂离子电池是梯次利用的优选对象。
本发明还提供了一种退役电池核容检测装置,包括退役电池的历史运行数据获取模块、退役电池当前容量的预估值计算模块和结果输出模块(如图2所示)。具体地,
退役电池的历史运行数据获取模块,其被配置为获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;
退役电池当前容量的预估值计算模块,其被配置为基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到退役电池当前容量的预估值;
结果输出模块,其被配置为输出退役电池当前容量的预估值。
需要说明的是,本发明提供的退役电池核容检测方法中的步骤,可以利用上述退役电池核容检测装置中对应的模块等予以实现,本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程,即所述系统中的实施方式可理解为实现所述方法的优选例,在此不予赘述。
基于如上整体设计,下述实施例对该设计下的其中一部分具体应用进行详细说明。
实施例1
本实施例涉及一种退役电池核容检测方法,具体包括下列步骤:
步骤一:将核容检测装置与退役电池(标称:720V 600Ah)的BMS建立连接,读取电池的历史运行数据,及近期10次(充电-放电为1次)充放电时电压电流数据。
步骤二:将充放电时电压电流数据,作为输入数据代入神经网络算法中,计算预估退役电池当前容量。
所述神经网络算法的步骤为:
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
其中电池容量预估精度<5%,学习次数上限为10000次。
其中节点阙值为-1至1之间,初始化时为1。
连接权值为:
式中n代表学习次数,i代表第i组数(10次充放电数据,有10组充电、10组放电、共20组数据),s代表每组数据中第s个电压电流值;T代表理想当前电池容量(隐含层),C代表实际当前电池容量(输出层)。初始化时值为1。当算法中包含本次计算的全部数据后连接权值将固定不变,为最后一次改变时的值。
步骤三:经过30秒计算后(电池容量计算时间30-60秒)液晶显示、如图4所示,当前电池过充过放次数为0,当前电池容量为475Ah,本次计算误差不大于±20Ah。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种退役电池核容检测方法,其特征在于:所述退役电池核容检测方法包括下列步骤:
a、获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;
b、基于所述退役电池近期充放电过程中的电压数据、电流数据和神经网络算法,得到退役电池当前容量的预估值;
c、输出退役电池当前容量的预估值。
2.根据权利要求1所述的退役电池核容检测方法,其特征在于:所述退役电池近期若干个充放电过程的个数不少于10个。
3.根据权利要求1或2中任一项所述的退役电池核容检测方法,其特征在于:步骤c还包括:基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到计算误差。
4.根据权利要求3所述的退役电池核容检测方法,其特征在于:所述退役电池的历史运行数据还包括:过充电次数和过放电次数。
5.根据权利要求1、2或4中任一项所述的退役电池核容检测方法,其特征在于:所述神经网络算法的步骤为:
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
6.一种退役电池核容检测装置,其特征在于:所述退役电池核容检测装置包括:
退役电池的历史运行数据获取模块,其被配置为获取退役电池的历史运行数据,所述退役电池的历史运行数据包括所述退役电池近期若干个充放电过程中的电压数据和电流数据;
退役电池当前容量的预估值计算模块,其被配置为基于所述退役电池近期充放电过程中的电压数据和电流数据和所述神经网络算法,得到退役电池当前容量的预估值;
结果输出模块,其被配置为输出退役电池当前容量的预估值。
7.根据权利要求6中所述的退役电池核容检测装置,其特征在于:所述退役电池近期若干个充放电过程的个数不少于10次。
8.根据权利要求6或7中任一项所述的退役电池核容检测装置,其特征在于:结果输出模块,其还被配置为基于所述退役电池近期若干个充放电过程中的电压数据和电流数据和所述神经网络算法,得到计算误差。
9.根据权利要求8所述的退役电池核容检测装置,其特征在于:所述退役电池的历史运行数据还包括:过充电次数和过放电次数。
10.根据权利要求6、7或9中任一项所述的退役电池核容检测装置,其特征在于:所述神经网络算法的步骤为:
c21、初始化连接权值、节点阈值;
c22、输入充电或放电的电压、电流;
c23、取一组电压、电流数据作为样本;
c24、计算隐含层节点输出;
c25、计算输出层输出;
c26、更新连接权值和节点阈值;
c27、判断是否包含全部数据;若是,则进行下一步;若否,则返回步骤c22;
c28、判断误差小于下限5%或学习次数是否达到上限10000次;若是,则进行下一步;若否,则返回步骤c24;
c29、得到退役电池当前容量的预估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762727.6A CN110501651A (zh) | 2019-08-19 | 2019-08-19 | 退役电池核容检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762727.6A CN110501651A (zh) | 2019-08-19 | 2019-08-19 | 退役电池核容检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110501651A true CN110501651A (zh) | 2019-11-26 |
Family
ID=68588284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762727.6A Pending CN110501651A (zh) | 2019-08-19 | 2019-08-19 | 退役电池核容检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501651A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN113964409A (zh) * | 2021-09-17 | 2022-01-21 | 江苏大学 | 一种电动汽车电池自动化回收系统和控制方法 |
CN114280491A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
CN109738825A (zh) * | 2018-12-27 | 2019-05-10 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
CN110082682A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大学 | 一种锂电池荷电状态估计方法 |
-
2019
- 2019-08-19 CN CN201910762727.6A patent/CN110501651A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
CN109738825A (zh) * | 2018-12-27 | 2019-05-10 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN110082682A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大学 | 一种锂电池荷电状态估计方法 |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
Non-Patent Citations (1)
Title |
---|
赵泽昆: "基于数据挖掘的大容量电池储能系统建模", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN111814826B (zh) * | 2020-06-08 | 2022-06-03 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN113964409A (zh) * | 2021-09-17 | 2022-01-21 | 江苏大学 | 一种电动汽车电池自动化回收系统和控制方法 |
CN114280491A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
CN114280491B (zh) * | 2021-12-23 | 2024-01-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | End-of-life or second-life options for retired electric vehicle batteries | |
Marques et al. | Comparative life cycle assessment of lithium-ion batteries for electric vehicles addressing capacity fade | |
CN110504501A (zh) | 退役电池梯次利用方法及系统 | |
CN102231546B (zh) | 具有均衡充放电功能的电池管理系统及其控制方法 | |
Jiang et al. | Fundamentals and applications of lithium-ion batteries in electric drive vehicles | |
CN105789716B (zh) | 一种广义电池管理系统 | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN106383316B (zh) | 一种梯次利用锂电池性能评价方法 | |
CN106371027B (zh) | 一种退役电池的梯次回收利用的测试方法 | |
Zhao | Reuse and recycling of lithium-ion power batteries | |
CN109856540A (zh) | 一种退役电池包的回收利用方法和分级方法 | |
CN103675707A (zh) | 锂离子电池峰值功率在线评估方法 | |
CN110501651A (zh) | 退役电池核容检测方法及装置 | |
CN202111502U (zh) | 一种具有均衡充放电功能的电池管理装置 | |
CN205049709U (zh) | 电池检测装置 | |
CN206426869U (zh) | 一种可移动的电动汽车充电系统 | |
Waseem et al. | Battery technologies and functionality of battery management system for EVs: Current status, key challenges, and future prospectives | |
Price et al. | Life cycle costs of electric and hybrid electric vehicle batteries and End-of-Life uses | |
CN108461858A (zh) | 一种钛酸锂电池梯次利用的筛选方法 | |
CN109465209A (zh) | 一种基于光伏基站的动力电池梯级利用方法 | |
CN106324525A (zh) | 电池的检测方法及装置 | |
Singh et al. | State of charge and health estimation of batteries for electric vehicles applications: key issues and challenges | |
CN104977541A (zh) | 用于估算电池堆容量的系统和方法 | |
Lin et al. | State of health estimation of lithium-ion batteries based on remaining area capacity | |
CN115675182A (zh) | 动力电池的控制方法、装置、车辆、介质及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |