CN110531281B - 用于估计动力蓄电池单元的健康状态的方法及系统 - Google Patents

用于估计动力蓄电池单元的健康状态的方法及系统 Download PDF

Info

Publication number
CN110531281B
CN110531281B CN201910846560.1A CN201910846560A CN110531281B CN 110531281 B CN110531281 B CN 110531281B CN 201910846560 A CN201910846560 A CN 201910846560A CN 110531281 B CN110531281 B CN 110531281B
Authority
CN
China
Prior art keywords
power storage
storage battery
battery unit
voltage
neural network
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
Application number
CN201910846560.1A
Other languages
English (en)
Other versions
CN110531281A (zh
Inventor
武骥
刘兴涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Guoqi New Energy Technology Co.,Ltd.
Hefei University Of Technology Asset Management Co ltd
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201910846560.1A priority Critical patent/CN110531281B/zh
Publication of CN110531281A publication Critical patent/CN110531281A/zh
Application granted granted Critical
Publication of CN110531281B publication Critical patent/CN110531281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施方式提供一种用于估计动力蓄电池单元的健康状态的方法及系统，属于动力蓄电池的状态估计技术领域。所述方法包括：在恒流恒温的条件下获取所述动力蓄电池单元在充电过程中的不同时间点的多个电压值；将所述电压值输入训练好的神经网络中以得到所述健康状态。所述系统包括恒流电源，用于对所述动力蓄电池单元进行恒流充电；温度控制装置，用于保持所述动力电池单元的温度；电压传感器；控制器，内置有训练好的神经网络，用于：通过所述电压传感器获取所述动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值；根据所述多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态。该方法及系统可以提高估计SOH的准确性。

Description

用于估计动力蓄电池单元的健康状态的方法及系统
技术领域
本发明涉及动力蓄电池的状态估计技术领域，具体地涉及一种用于估计动力蓄电池单元的健康状态的方法及系统。
背景技术
动力蓄电池系统已经成为新能源汽车极为重要的储能部件之一。随着电池使用次数的增加，其健康状态(State of Health，SOH)将发生明显的变化，从而直接影响电池系统的充放电性能、温度稳定性以及系统安全性。同时，不同于电池电压、电流等外部可测物理量，电池SOH不可通过传感器直接测量获得。因而，基于电池外部可测物理量对电池SOH进行估计和计算，是获得电池SOH的主要途径。
常用的SOH定义为：SOH＝Cnow/C0，其中Cnow为电池当前时刻满充后的最大可用容量，C0则代表着电池出厂时的最大可用容量。
目前，广泛用于估计SOH的方法可分为两类。第一类方法需要对电池进行恒流、恒压充满之后再恒流放空的操作后，计算电池当前累计可用放电容量，即：Cnow，从而获电池SOH。这类方法计算较为简单，不涉及复杂的算法。但是，由于需要对电池进行完整的恒流充放电，因而在实际的电池管理系统(BatteryManagementSystem，BMS)中很难实现，一般常用于实验室环境的电池测试。同时，由于BMS中各传感器固有的采集误差，因此若使用简单的累计容量的方式计算SOH，期间误差的累积将直接影响SOH的计算准确度。第二类方法则是对不同SOH下电池外部输出性能进行建模，基于电池可测物理参量与SOH的映射关系，即可实现对电池系统SOH的估计。此类方法中常见的算法有：支持向量机、径向基神经网络等机器学习算法和卡尔曼滤波、粒子滤波等非线性滤波算法。然而，对于实际BMS的嵌入式芯片而言，上述算法对于芯片计算能力要求较高，故而很难移植到嵌入式系统中进行在线的SOH估计。
发明内容
本发明实施方式的目的是提供一种用于估计动力蓄电池单元的健康状态的方法及系统，该方法及系统可以有效提高对动力蓄电池单元的SOH的估计精度。
为了实现上述目的，本发明实施方式提供一种用于估计动力蓄电池单元的健康状态的方法，所述方法包括：
在恒流恒温的条件下获取所述动力蓄电池单元在充电过程中的不同时间点的多个电压值；
将所述电压值输入训练好的神经网络中以得到所述健康状态。
可选地，所述方法包括：
对多个电压值进行筛选；
所述将所述电压值输入训练好的神经网络中以得到所述健康状态包括：
将筛选后的所述电压值输入所述神经网络以得到所述健康状态。
可选地，所述对多个电压值进行筛选包括：
将所述动力蓄电池单元的充电时间划分为多个长度为N的区间，每个所述区间包括多个所述电压值；
根据公式(1)计算每个所述区间的重要性程度，
Figure BDA0002195469030000021
其中，IS为所述重要性程度，
Figure BDA0002195469030000022
为所述区间内的所有电压值的电压均值，Vi为所述区间内的第i个电压值，λ1和λ2为预设的权值；
按照所述重要性程度从大到小的顺序从多个所述区间中筛选出前预定数量个区间的电压均值；
所述将筛选后的所述电压值输入所述神经网络以得到所述健康状态包括：
将前预定数量个区间的电压均值输入所述神经网络以得到所述健康状态。
可选地，所述动力蓄电池单元包括多个动力蓄电池单体；
所述在恒流恒温的条件下获取所述动力蓄电池单元在充电过程中的不同时间点的多个电压值包括：
获取每个所述动力蓄电池单体在充电过程中的不同时间点的多个电压值；
所述将所述电压值输入训练好的神经网络中以得到所述健康状态包括：
针对每个所述动力蓄电池单体，分别将所述电压值输入训练好的神经网络以得到所述每个动力蓄电池单体的健康状态；
选取多个所述健康状态中的最小值以作为所述动力蓄电池单元的所述健康状态。
另一方面，本发明还提供一种用于估计动力蓄电池单元的健康状态的系统，所述系统包括：
恒流电源，用于对所述动力蓄电池单元进行恒流充电；
温度控制装置，用于保持所述动力蓄电池单元的温度；
电压传感器；
控制器，内置有训练好的神经网络，用于：
通过所述电压传感器获取所述动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值；
根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态。
可选地，所述控制器进一步用于：
对多个电压值进行筛选；
所述根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态包括：
将筛选后的所述电压值输入所述神经网络以得到所述健康状态。
可选地，所述对多个电压值进行筛选包括：
将所述动力蓄电池单元的充电时间划分为多个长度为N的区间，每个所述区间包括多个所述电压值；
根据公式(1)计算每个所述区间的重要性程度，
Figure BDA0002195469030000041
其中，IS为所述重要性程度，
Figure BDA0002195469030000042
为所述区间内的所有电压值的电压均值，Vi为所述区间内的第i个电压值，λ1和λ2为预设的权值；
按照所述重要性程度从大到小的顺序从多个所述区间中筛选出前预定数量个区间的电压均值；
所述将筛选后的所述电压值输入所述神经网络以得到所述健康状态包括：
将前预定数量个区间的电压均值输入所述神经网络以得到所述健康状态。
可选地，所述动力蓄电池单元包括多个动力蓄电池单体；
所述通过所述电压传感器获取所述动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值包括：
通过所述电压传感器获取每个所述动力蓄电池单体在充电过程中的不同时间点的多个电压值；
所述根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态包括：
针对每个所述动力蓄电池单体，分别将所述电压值输入训练好的神经网络以得到所述每个动力蓄电池单体的健康状态；
选取多个所述健康状态中的最小值以作为所述动力蓄电池单元的所述健康状态。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的用于估计动力蓄电池的健康状态的方法及系统通过采用训练好的神经网络对采集到的动力蓄电池在充电过程中的电压值进行分析，降低了传统SOH算法的复杂度，提高了SOH算法的适用范围。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的用于估计动力蓄电池单元的健康状态的方法的流程图；
图2是根据本发明的一个实施方式的动力蓄电池单元在不同的SOH的条件下的电压值的变化曲线；
图3是根据本发明的一个实施方式的用于估计动力蓄电池单元的健康状态的方法的部分流程图；
图4是根据本发明的一个实施方式的用于估计动力蓄电池单元的健康状态的方法的部分流程图；
图5是根据本发明的一个实施方式的GMDH网络的结构示意图；以及
图6是根据本发明的一个实施方式的用于估计动力蓄电池单元的系统的结构框图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的用于估计动力蓄电池单元的健康状态的方法的流程图。在图1中，该方法可以包括：
在步骤S10中，在恒流恒温的条件下获取动力蓄电池单元在充电过程中的不同时间点的多个电压值。由于在动力蓄电池单元充电的过程中，动力蓄电池单元两端的电压值随着充电时间的变化相对比较平缓，并且，从图2示出的动力蓄电池单元的电压值(电池端电压)在不同SOH的状态下随着充电时间的变化曲线可以看出，动力蓄电池单元在不同的SOH的条件下，其电压值的变化存在较大差异，因此采用该电压值作为估计动力蓄电池单元的SOH的参考因素相对于其他因素更加准确。另外，为了消除环境温度、充电电流对充电电压(电压值)曲线的影响，在该步骤S10中，需要将充电电流和环境温度与预先用于训练神经网络的数据保持一致。在该实施方式中，考虑到需要输入的电压值需要反映动力蓄电池单元在充电过程中整体的电压值的变化。因此，该多个电压值可以包括动力电池组在充电过程中的所有采样点。
在步骤S20中，将该电压值输入训练好的神经网络中以得到该动力蓄电池单元的健康状态。对于该神经网络的训练过程，可以是例如预先获取不同的电压值曲线以及对应的SOH的数据集；将该数据集分成训练集和测试集两部分；再采用训练集对初始的神经网络进行训练，同时采用测试集测试每次训练完成的神经网络，直到该神经网络的估计精度小于预设的精度值。
考虑到在该技术方案实施时，运行神经网络的设备所具备的计算能力有限。那么，如果采集的电压值(常规的电压采样周期小于等于0.5s)过多，则会造成设备超负荷运行，从而使得整体系统的反馈时间过长，同时也可能会降低设备的使用寿命。因此，在本发明的一个实施方式中，该方法可以包括如图3所示出的步骤。在图3中，该方法可以进一步包括：
在步骤S11中，对多个电压值进行筛选。这样可以减少输入至神经网络的电压值的数量，从而减少设备的计算负担。同时相应地，步骤S20则可以为将筛选后的电压值输入该神经网络以得到该动力蓄电池单元的健康状态。
对于该筛选的具体方式，可以是本领域人员结合实际采集的电压值的数量以及电压值随着时间变化的规律来确定。在本发明的一个示例中，考虑到输入的电压值需要最大程度地反映出动力蓄电池单元在充电过程中端电压的变化规律，那么该筛选方式可以是例如图4所示的步骤。在图4中，该筛选方式可以是例如：
在步骤S110中，将动力蓄电池单元的充电时间划分为多个长度为N的区间，每个区间包括多个电压值；
在步骤S111中，根据公式(1)计算每个区间的重要性程度，
Figure BDA0002195469030000081
其中，IS为该重要性程度，
Figure BDA0002195469030000082
为区间内的所有电压值的电压均值(平均值)，Vi为区间内的第i个电压值，λ1和λ2为预设的权值；
在步骤S112中，按照重要性程度从大到小的顺序从多个区间中筛选出前预定数量(例如9)个区间的电压均值；
相应地，该步骤S20则可以为前预定数量个区间的电压均值输入神经网络以得到该动力蓄电池单元的健康状态。通过如图4中所示出的筛选方式，排除了不能反映出变化规律的电压值，而保留了能够最大程度地反映出变化规律的电压值，同时也避免了局部采样的电压值的不准确性的影响，从而在减少向神经网络输入电压值的数量的情况下，确保该神经网络仍然能够分析出该动力蓄电池单元的SOH，也提高了算法的鲁棒性。
由于在现有技术中，动力蓄电池多是以电池组的形式来投入使用的。因此，在本发明的一个实施方式中，该动力蓄电池单元可以包括多个动力蓄电池单体。那么相应地，步骤S10则可以包括获取每个动力蓄电池单体在充电过程中的不同时间点的多个电压值。步骤S20则可以包括针对每个动力蓄电池单体，分别将电压值输入训练好的神经网络以得到每个动力蓄电池单体的健康状态；选取多个健康状态中的最小值以作为动力蓄电池单元的健康状态。
另外，针对该神经网络，可以是本领域人员所知的多种网络。在本发明的一个优选示例中，该神经网络可以为基于数据群组(GroupMethodofDataHandling，GMDH)的网络，该GMDH网络的结构可以是例如图5所示，其处理过程则可以简化为公式(2)，
Figure BDA0002195469030000091
其中，
Figure BDA0002195469030000092
为各个动力蓄电池单体的SOH的估计值，fO()为连接隐含层输入与输出的二次多项式，fH4()、fH3()、fH2()和fH1()为连接神经网络不同层之间二次多项式，I是筛选后的区间的电压均值组成的向量，
Figure BDA0002195469030000093
和
Figure BDA0002195469030000094
为第三、四个隐含层的节点。
另一方面，本发明还提供一种用于估计动力蓄电池单元的健康状态的系统，如图6所示，该系统可以包括恒流电源01、温度控制装置02、电压传感器03和控制器04。
恒流电源01可以用于对动力蓄电池单元05进行恒流充电；温度控制装置02可以用于保持动力蓄电池单元05的温度；电压传感器03可以用于检测该动力蓄电池单元05的电压值。其中，在实施时对于该恒流电源01的设备选择，可以是包括但不限于本领域人员所知的车载充电机、充电桩以及其他可控充电设备。
控制器04可以内置有训练好的神经网络，用于通过电压传感器03获取动力蓄电池单元05在恒流充电过程中的不同时间点的多个电压值；根据该多个电压值采用神经网络得到动力蓄电池单元05的健康状态。
考虑到在该技术方案实施时，为了节约设计成本以及整体设备的体积，温度控制装置02、电压传感器03和控制器04的功能可以采用BMS来实现。而对BMS本身而言，其具备的计算能力有限。那么，如果采集的电压值过多，则会造成BMS超负荷运行，从而使得整体系统的反馈时间过长，同时也可能会降低BMS的使用寿命。因此，该控制器04可以进一步用于对多个电压值进行筛选。相应地，根据多个电压值采用神经网络得到动力蓄电池单元的健康状态的步骤则可以包括将筛选后的电压值输入神经网络以得到健康状态。
对于该筛选的具体方式，可以是例如采用如图4中所示出的步骤来进行筛选。对于该图4中的具体步骤，前文已经详述，故此处不再赘述。
在该动力蓄电池单元05包括多个动力蓄电池单体的情况下，在该控制器04执行的功能中，通过电压传感器03获取动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值的步骤则可以包括通过电压传感器获取每个动力蓄电池单体在充电过程中的不同时间点的多个电压值。相应地，根据多个电压值采用神经网络得到动力蓄电池单元的健康状态则可以包括包括针对每个动力蓄电池单体，分别将电压值输入训练好的神经网络以得到每个动力蓄电池单体的健康状态；以及选取多个健康状态中的最小值以作为动力蓄电池单元的健康状态。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令，该指令可以用于被机器读取以使得该机器执行如上述任一的方法。
通过上述技术方案，本发明提供的用于估计动力蓄电池的健康状态的方法及系统通过采用训练好的神经网络对采集到的动力蓄电池在充电过程中的电压值进行分析，降低了传统SOH算法的复杂度，提高了SOH算法的适用范围和在线估计精度。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (5)

1.一种用于估计动力蓄电池单元的健康状态的方法，其特征在于，所述方法包括：
在恒流恒温的条件下获取所述动力蓄电池单元在充电过程中的不同时间点的多个电压值；
将所述电压值输入训练好的神经网络中以得到所述健康状态；
所述方法包括：
对多个电压值进行筛选；
所述将所述电压值输入训练好的神经网络中以得到所述健康状态包括：
将筛选后的所述电压值输入所述神经网络以得到所述健康状态；
所述对多个电压值进行筛选包括：
将所述动力蓄电池单元的充电时间划分为多个长度为N的区间，每个所述区间包括多个所述电压值；
根据公式(1)计算每个所述区间的重要性程度，
Figure FDA0003092082980000011
其中，IS为所述重要性程度，
Figure FDA0003092082980000012
为所述区间内的所有电压值的电压均值，Vi为所述区间内的第i个电压值，λ1和λ2为预设的权值；
按照所述重要性程度从大到小的顺序从多个所述区间中筛选出前预定数量个区间的电压均值；
所述将筛选后的所述电压值输入所述神经网络以得到所述健康状态包括：
将前预定数量个区间的电压均值输入所述神经网络以得到所述健康状态。
2.根据权利要求1所述的方法，其特征在于，所述动力蓄电池单元包括多个动力蓄电池单体；
所述在恒流恒温的条件下获取所述动力蓄电池单元在充电过程中的不同时间点的多个电压值包括：
获取每个所述动力蓄电池单体在充电过程中的不同时间点的多个电压值；
所述将所述电压值输入训练好的神经网络中以得到所述健康状态包括：
针对每个所述动力蓄电池单体，分别将所述电压值输入训练好的神经网络以得到每个所述动力蓄电池单体的健康状态；
选取多个所述健康状态中的最小值以作为所述动力蓄电池单元的所述健康状态。
3.一种用于估计动力蓄电池单元的健康状态的系统，其特征在于，所述系统包括：
恒流电源，用于对所述动力蓄电池单元进行恒流充电；
温度控制装置，用于保持所述动力蓄电池单元的温度；
电压传感器；
控制器，内置有训练好的神经网络，用于：
通过所述电压传感器获取所述动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值；
根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态；
所述控制器进一步用于：
对多个电压值进行筛选；
所述根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态包括：
将筛选后的所述电压值输入所述神经网络以得到所述健康状态；
所述对多个电压值进行筛选包括：
将所述动力蓄电池单元的充电时间划分为多个长度为N的区间，每个所述区间包括多个所述电压值；
根据公式(1)计算每个所述区间的重要性程度，
Figure FDA0003092082980000031
其中，IS为所述重要性程度，
Figure FDA0003092082980000032
为所述区间内的所有电压值的电压均值，Vi为所述区间内的第i个电压值，λ1和λ2为预设的权值；
按照所述重要性程度从大到小的顺序从多个所述区间中筛选出前预定数量个区间的电压均值；
所述将筛选后的所述电压值输入所述神经网络以得到所述健康状态包括：
将前预定数量个区间的电压均值输入所述神经网络以得到所述健康状态。
4.根据权利要求3所述的系统，其特征在于，所述动力蓄电池单元包括多个动力蓄电池单体；
所述通过所述电压传感器获取所述动力蓄电池单元在恒流充电过程中的不同时间点的多个电压值包括：
通过所述电压传感器获取每个所述动力蓄电池单体在充电过程中的不同时间点的多个电压值；
所述根据多个电压值采用所述神经网络得到所述动力蓄电池单元的所述健康状态包括：
针对每个所述动力蓄电池单体，分别将所述电压值输入训练好的神经网络以得到每个所述动力蓄电池单体的健康状态；
选取多个所述健康状态中的最小值以作为所述动力蓄电池单元的所述健康状态。
5.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1或2所述的方法。
CN201910846560.1A 2019-09-09 2019-09-09 用于估计动力蓄电池单元的健康状态的方法及系统 Active CN110531281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910846560.1A CN110531281B (zh) 2019-09-09 2019-09-09 用于估计动力蓄电池单元的健康状态的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910846560.1A CN110531281B (zh) 2019-09-09 2019-09-09 用于估计动力蓄电池单元的健康状态的方法及系统

Publications (2)

Publication Number Publication Date
CN110531281A CN110531281A (zh) 2019-12-03
CN110531281B true CN110531281B (zh) 2021-08-13

Family

ID=68667944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910846560.1A Active CN110531281B (zh) 2019-09-09 2019-09-09 用于估计动力蓄电池单元的健康状态的方法及系统

Country Status (1)

Country Link
CN (1) CN110531281B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257780A (zh) * 2020-03-12 2020-06-09 王国平 蓄电池健康度评估方法、装置及存储介质
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691209B1 (en) * 2005-02-14 2008-10-01 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
CN202693771U (zh) * 2012-05-11 2013-01-23 山东轻工业学院 便携式蓄电池状态检测系统
CN104881001A (zh) * 2014-04-25 2015-09-02 安徽贵博新能科技有限公司 一种基于深度学习网络的储能电池管理系统
CN204789949U (zh) * 2015-07-21 2015-11-18 桂林电子科技大学 电动汽车动力电池soc检测装置
CN106125004A (zh) * 2016-08-29 2016-11-16 哈尔滨理工大学 基于神经网络核函数gpr的锂电池健康状态预测方法
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107329094A (zh) * 2017-08-23 2017-11-07 北京新能源汽车股份有限公司 动力电池健康状态估算方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691209B1 (en) * 2005-02-14 2008-10-01 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
CN202693771U (zh) * 2012-05-11 2013-01-23 山东轻工业学院 便携式蓄电池状态检测系统
CN104881001A (zh) * 2014-04-25 2015-09-02 安徽贵博新能科技有限公司 一种基于深度学习网络的储能电池管理系统
CN204789949U (zh) * 2015-07-21 2015-11-18 桂林电子科技大学 电动汽车动力电池soc检测装置
CN106125004A (zh) * 2016-08-29 2016-11-16 哈尔滨理工大学 基于神经网络核函数gpr的锂电池健康状态预测方法
CN108872866A (zh) * 2018-06-04 2018-11-23 桂林电子科技大学 一种锂离子电池荷电状态动态评估与长效预测融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"纯电动汽车锂动力电池健康状态估算方法研究";徐文静;《中国优秀硕士学位论文全文数据库（工程科技II辑）》;20121015(第10期);C042-1323 *

Also Published As

Publication number Publication date
CN110531281A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
JP6734784B2 (ja) バッテリの健全性を推定する方法
CN107991623B (zh) 一种考虑温度和老化程度的电池安时积分soc估计方法
KR101866073B1 (ko) 배터리 soh 추정 방법
US9476947B2 (en) Method for ascertaining operating parameters of a battery, battery management system, and battery
KR102032229B1 (ko) 배터리 수명 상태 추정 시스템 및 그 방법
WO2020198118A1 (en) Methods, systems, and devices for estimating and predicting a remaining time to charge and a remaining time to discharge of a battery
KR102101912B1 (ko) 에너지 저장장치 충전상태 추정방법
WO2005085889A1 (en) Method of estimating the state-of-charge and of the use time left of a rechargeable battery, and apparatus for executing such a method
WO2013016188A1 (en) Method, system, and apparatus for battery equivalent circuit model parameter estimation
CN111416397B (zh) 电池均衡方法及装置、控制设备、计算机可读存储介质
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
CN110646737B (zh) 基于多模型的电池soc动态估算方法、系统及存储介质
JP7172013B2 (ja) バッテリー管理装置、バッテリー管理方法及びバッテリーパック
CN109342950A (zh) 一种用于锂电池荷电状态的评估方法、装置及其设备
CN113785209B (zh) 用于检测异常电池单体的方法
JP2015524048A (ja) バッテリの充電状態の推定
CN107925135A (zh) 劣化程度估计装置和劣化程度估计方法
CN110531281B (zh) 用于估计动力蓄电池单元的健康状态的方法及系统
CN112912747B (zh) 电池状态推算装置和电池控制装置
CN112666475B (zh) 一种电动车的电池组的荷电状态估算方法
CN110196395A (zh) 蓄电池soc估算方法
Ren et al. Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions
CN111987377B (zh) 电池的快充方法、电池管理系统以及电池的快充装置
JP2014174172A (ja) バッテリーの残存容量の決定方法
CN113853524A (zh) 用于估计电池状态的方法

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
TR01 Transfer of patent right

Effective date of registration: 20231012

Address after: 230000 Building A12 (Taohua Science and Technology Innovation Center), Phase II, Gongtou Liheng Industrial Plaza, Intersection of Fanhua Avenue and Chuangxin Avenue, Feixi County Economic Development Zone, Hefei City, Anhui Province 602

Patentee after: Hefei Guoqi New Energy Technology Co.,Ltd.

Address before: No. 193, Tunxi Road, Hefei City, Anhui Province

Patentee before: HeFei University of Technology Asset Management Co.,Ltd.

Effective date of registration: 20231012

Address after: No. 193, Tunxi Road, Hefei City, Anhui Province

Patentee after: HeFei University of Technology Asset Management Co.,Ltd.

Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009

Patentee before: Hefei University of Technology

TR01 Transfer of patent right