CN110703112A - 一种基于局部充电数据的电池组状态的在线估计方法 - Google Patents

一种基于局部充电数据的电池组状态的在线估计方法 Download PDF

Info

Publication number
CN110703112A
CN110703112A CN201910973355.1A CN201910973355A CN110703112A CN 110703112 A CN110703112 A CN 110703112A CN 201910973355 A CN201910973355 A CN 201910973355A CN 110703112 A CN110703112 A CN 110703112A
Authority
CN
China
Prior art keywords
battery pack
charging
current
soh
data
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
Application number
CN201910973355.1A
Other languages
English (en)
Inventor
胡晓松
车云弘
刘波
冯飞
邓忠伟
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201910973355.1A priority Critical patent/CN110703112A/zh
Publication of CN110703112A publication Critical patent/CN110703112A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385Arrangements for measuring battery or accumulator variables
    • G01R31/387Determining ampere-hour charge capacity or SoC
    • G01R31/388Determining ampere-hour charge capacity or SoC involving voltage measurements
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于局部充电数据的电池组状态的在线估计方法,属于电池管理技术领域。该方法包括以下步骤:S1:选定待测串联电池组,收集整理该串联电池组的技术参数,并进行初始容量的标定;S2:进行多段变电流工况充电和恒电流放电的循环老化工况,并收据电压电流等数据,建立电池组老化数据库;S3:提取电池组局部充电曲线的多个健康因子HI作为输入,恒流放电容量对应的SOH作为输出,进行多输入单输出的GPR模型训练;S4:利用训练得到的GPR模型进行电池组SOH的在线估计。本发明运用局部充电数据特征,在较少训练集数据进行模型训练的情况下得到较好的估计效果。

Description

一种基于局部充电数据的电池组状态的在线估计方法
技术领域
本发明属于电池管理技术领域,涉及一种基于局部充电数据的电池组状态的在线估计方法。
背景技术
在全球范围内,以汽油和柴油为基础的汽车排放了大约14%的碳,这导致了全球变暖和气候变化问题。电动汽车(EV)由于其性能和效率的提高,以及对解决温室气体排放和全球变暖等环境问题的贡献,在汽车行业得到了广泛的认可。电池作为电动汽车的主要储能和供能装置,成为专家学者们的重点突破关键技术之一。锂离子电池具有寿命长、充电速度快、能量密度大、电压高等特点,在电动汽车应用中得到了广泛的应用。由于电池单体的功率和电压的限制,电动汽车动力电池组通常由成百上千节单体电池通过串并联的方式成组,以满足车辆的能量和功率需求。然而,电动汽车的性能取决于可靠性、安全性、行驶里程、能量管理系统,最重要的是高度依赖储能设备的功能来预测和控制关键的健康问题。因此,需要合适的和鲁棒的电池组SOH估计算法来解决这些问题,提高性能,优化车辆运行。
目前电池组的SOH估计方法主要可分为:基于测量数据直接评估法,基于模型方法以及基于数据驱动的方法。基于测量值直接评估的方法主要含有安时积分法与基于电压曲线法以及基于电化学阻抗谱法。安时积分法是比较简单SOH估计的方法,该方法采用恒流放电深度进行SOH评价,但此方法需要完整小电流放电且精度很低而很难得到实车在线运用。基于电压曲线法,是根据小电流充电或放电曲线作出其容量增量曲线或电压差分曲线,寻找峰值,峰区间等特征随老化变化特征而进行SOH估计,但此方法需要小电流充放电,进行曲线转换等而需要很大时间代价也缺乏实车运用。基于电化学阻抗谱法通过电化学工作站测试电池电化学阻抗谱的变化而进行SOH评估,但此方法需要昂贵的设备,并且不能实现在线运用。
基于模型的电池组SOH估计方法,通过建立电池组的等效电路模型,电化学模型以及老化经验模型等,利用扩展卡尔曼滤波,粒子滤波,无味卡尔曼滤波等优化算法进行SOH估计。但等效电路模型参数会随着电池组老化出现变化,并且电池组不一致会导致模型参数的不准确。老化经验模型需要耗费巨大的时间和人力物力,进行大量实验寻找拟合模型,并且不同型号电池的拟合模型存在较大差异。电化学模型因其复杂度较高,计算量较大而很难得到实际运用。
基于数据驱动的电池组SOH估计方法,可以不考虑电池组内部复杂的变化过程,通过机器学习对已有数据进行训练,得到回归模型并进行SOH的预测。但是目前已有的方法多采用小电流充放电获取缓慢电压变化中的特征因子,或通过恒流恒压的充电工况数据获取特征因子。小电流需要很长的时间,并且实际电动汽车使用中很难实现,仅适用于离线的检测。恒流恒压充电工况研究较多,但由于快充的需求的日益增加,这种工况需要的充电时间较长且需要较高的采样频率以获取变化的细节而需要更大的数据存储和计算量,并且在实际车用中通常是不完整的局部充电,因此该方法也存在较大实施困难。
针对上述的问题,目前尚未提出有效的在实际车用中电池组SOH估计的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于局部充电数据的电池组状态的在线估计方法。
为达到上述目的,本发明提供如下技术方案:
一种基于局部充电数据的电池组状态的在线估计方法,该方法利用局部变电流的多段充电工况提取多个电池组健康因子HI,通过高斯过程回归GPR模型进行模型训练,运用得到的GPR模型进行电池组SOH估计,能够实现电池组SOH的在线精确估计,包括以下步骤:
步骤S1:选定待测电池组,收集整理该电池组的技术参数,并进行初始容量的标定;
步骤S2:进行多段变电流工况充电和恒电流放电的循环老化工况,并收据电压电流等数据,建立电池组老化数据库;
步骤S3:提取电池组局部充电曲线的多个健康因子HI作为输入,恒流放电容量对应的SOH作为输出,进行多输入单输出的GPR模型训练;
步骤S4:利用训练得到的GPR模型进行电池组SOH的在线估计。
可选的,所述步骤S1中,所述初始容量的标定,包括采用1C/3和1C电流中的一种,进行恒电流放电容量测试,其中电流的选取应和循环老化中的恒流放电电流保持一致。
可选的,所述步骤S2具体为:
步骤S21:将待测电池组在25℃的恒温环境中静置2h;
步骤S22:以多段变电流工况进行充电测试,获取电池组电压和电流数据;
步骤S23:静置30min;
步骤S24:采用恒电流进行放电测试,获取电池组电压和电流数据;其中恒电流放电的电流大小应与初始容量标定中的电流选取保持一致;
步骤S25:静置30min;
步骤S26:重复步骤S22-S25,直到恒流放电容量小于初始标定容量的80%,建立电池组循环老化数据库。
可选的,所述步骤S22中,多段变电流工况根据实际充电时间,各段充电容量等需求设置不同的充电工况;所述步骤S26中,电池组循环老化数据库遗漏值填补和错误值删除数据预处理。
可选的,所述步骤S3具体为:
步骤S31:提取电池组多段变电流充电工况中的各段充电工况的充电容量,充电曲线斜率特征,得到电池组多个健康因子HI;
步骤S32:提取电池组恒电流放电工况的放电容量与初始标定容量的比值所为电池组SOH实际值;
步骤S33:进行多个健康因子HI与电池组SOH实际值的相关性分析,优选相关性较大的多个电池组多个健康因子HI;
步骤S34:将所优选的多个健康因子HI和提取的电池组SOH实际值,分别作为输入和输出,进行多输入单输出的GPR模型训练,得到训练模型。
可选的,所述步骤S31中,电池组多个健康因子HI包括每段充电容量和对应的充电曲线的斜率中的几个的组合或者全部组合;
所述步骤S33中,相关性分析包括协方差法、相关系数法或回归法;
所述步骤S34中,GPR模型还包括支持向量机回归模型SVR、关联向量机模型RVR和维纳过程机器学习模型。
可选的,所述步骤S4中,将测试集中的电池组局部充电的多个健康因子HI作为输入,运用得到的GPR模型进行电池组SOH的在线估计。
可选的,所述局部充电的多个健康因子在较少的训练集数据得到的GPR模型便能得到较好的预测效果。
本发明的有益效果在于:
1)采用多段变电流的充电工况,更加符合实际车用快速充电的需求。能够有效解决实际车用过程中的电池组SOH的估计困难问题。
2)采用变电流的每段充电容量和充电电压曲线斜率,可以采用长时间采样间隔,且不需要进行繁琐的容量增量曲线和差分电压曲线等的换算,能够较小减少存储量和计算时长。
3)本发明所采用的阶梯式的变电流充电工况,在电流变化过程中很容易检测到电压曲线变化点,并提取所需要的特征,因此,该方法很容易在实车中得到运用。
4)本发明提出电池组的多个健康因子与电池组SOH具有很好的相关性,能够在较少数据集训练的情况下,得到满意的GPR回归模型而进行电池组SOH的较高精度估计。
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为本发明整体的方法流程图;
图2为根据本发明优选实施例的锂电池多段变电流充电工况电流曲线和恒电流放电曲线及其电压变化曲线;
图3为根据本发明优选实施例的锂电池多段变电流充电工况对应不同循环次数下的电压变化曲线;
图4为本发明优选实施例的多个健康因子HI与电池组SOH的相关系数图;
图5为本发明优选实施例的电池组SOH的估计结果曲线图;
图6为本发明优选实施例的电池组SOH的估计误差曲线图。
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。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,基于局部充电数据的电池组SOH的在线估计方法可以分为以下步骤:
步骤S1:选定待测电池组,收集整理该电池组的技术参数,并进行初始容量的标定;
步骤S2:进行多段变电流工况充电和恒电流放电的循环老化工况,并收据电压电流等数据,建立电池组老化数据库;
步骤S3:提取电池组局部充电曲线的多个健康因子HI作为输入,恒流放电容量对应的SOH作为输出,进行多输入单输出的GPR模型训练;
步骤S4:利用训练得到的GPR模型进行电池组SOH的在线估计。
作为一种可选的实施例,步骤S1中所述的初始容量标定选择1C放电,通过测试新电池组从充满电以1C放电至下截止电压所放出的电量作为电池组的初始容量。所选的电池组为4节单体串联的串联电池组。
作为一种可选的实施例,上述步骤S2具体包括S21-S26:
步骤S21:将待测电池组在25℃的恒温环境中静置2h;
步骤S22:以多段变电流工况进行充电测试,获取电池组电压,电流等数据;
步骤S23:静置30min;
步骤S24:采用恒电流进行放电测试,获取电池组电压,电流等数据;其中恒电流放电的电流大小应与初始容量标定中的电流选取保持一致。
步骤S25:静置30min;
步骤S26:重复步骤S22-S25,直到恒流放电容量小于初始标定容量的80%,建立电池组循环老化数据库。
上述S22所述的多段变电流充电工况采用五段式变电流工况。具体的,包括以下5段充电工况:
以1.25C充电至任意单体电压达到3.78V;
将电流降至0.85C充电至任意单体电压达到4.08V;
将电流降至0.5C充电至任意单体电压达到4.125V;
将电流降至0.2C充电至任意单体电压达到4.135V;
将电流降至0.1C充电至任意单体电压达到4.2V,截止充电。
上述S24所述的恒流放电测试采用的电流为1C,与初始容量测试电流保持一致。
步骤S2采用1min采样一次的长时间采样间隔,以减少数据存储空间的需求。
上述充放电电流变化和相应的电压变化曲线图如图2所示。
作为一种可选的实施例,上述步骤S3具体包括S31-S34:
步骤S31:提取电池组多段变电流充电工况中的各段充电工况的充电容量,充电曲线斜率特征,得到电池组多个健康因子HI;
选取局部充电的第一段充电容量和第二段充电容量,以及第一段充电容量的斜率作为健康因子HI。
上述的健康因子HI的选定方法,可以无需进行完整的充电过程,且前两段充电电流较大,充电速率快,时间要求少,满足电动汽车多数时间为部分充电的需求。
局部充电容量可由安时积分法计算求得:
Figure BDA0002232832360000061
式中t1和t2分别为局部充电下限电压和上限电压达到的时间。
请参见图3所示的充电过程电压曲线随时间和循环次数变化图,可以发现第一段充电电压曲线斜率的变化较为明显,选为电池组健康因子HI。
充电曲线的斜率,采用到达截止电压前的五次采样数据计算得到,如下式所示。
K=(Uk-1-Uk-6)/5
式中K是局部电压曲线的斜率,k-1和k-6分别为达到局部充电上限电压的前的第1个和第6个采样点。
选取第一段充电电压曲线的斜率作为健康因子HI。
步骤S32:提取电池组恒电流放电工况的放电容量与初始标定容量的比值所为电池组SOH实际值。
电池组SOH定义如下:
Figure BDA0002232832360000062
式中Capacityn和Capacity0分别为循环次数为n和初始时的恒流放电所放出的电量。
步骤S33:进行多个健康因子HI与电池组SOH实际值的相关性分析,优选相关性较大的多个电池组多个健康因子HI。
采用相关系数法进行参数的相关性分析,采用互相关系数表示输入健康因子HI与输出SOH之间的关联程度。
Figure BDA0002232832360000063
式中,r(x,y)为输入x与输出y之间的互相关系数,Cov(x,y)表示输入x与输出y之间的协方差,Var[x]和Var[y]分别表示输入x和输出y的方差。
前两段充电容量及第一段充电电压曲线斜率与电池组SOH之间的互相关系数如图4所示。
上述的相关性分析还可采用协方差法,回归法等中的一种。
步骤S34:将所优选的多个健康因子HI和提取的电池组SOH实际值,分别作为输入和输出,进行多输入单输出的GPR模型训练,得到训练模型。
作为一种可选的特例,GPR模型的输入矩阵x和输出矩阵y分别为:
x=[C1,C2,K1]
y=[SOH]
式中C1,C2,K1分别为第一段充电容量,第二段充电容量和第一段充电电压曲线斜率。
GPR模型的似然函数选作高斯似然函数,如下式所示:
Figure BDA0002232832360000071
式中,m为似然均值,sd为标准差。
GPR模型的核函数选择平方指数协方差函数,如下式所示:
k(x,z)=sf2*exp(-(x-z)T*inv(P)*(x-z)/2)
式中sf和P分别为信号的方差和单位矩阵。
均值函数选择为空函数。
上述的GPR的似然函数,核函数和均值函数可根据实际需求进行挑选。
选择电池组老化循环600次的数据集进行特例说明,选择其中360次循环(即60%的数据)进行GPR模型的训练。
作为一种可选的实施例,步骤S4将步骤S3得到的GPR模型进行训练,采用600次循环数据集的第360-600次循环数据作为测试级进行模型测试。
模型预测结果如图5所示。可以发现,基于本发明的局部充电数据的电池组SOH估计方法能够达到很好的预测效果。
模型预测的SOH与真实SOH之间的误差曲线如图6所示,可以发现基于本发明的电池组SOH预测误差小于1%。
在实际运用中,可以改变训练集合测试集的大小以满足实际的需求。
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 (8)

1.一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:该方法利用局部变电流的多段充电工况提取多个电池组健康因子HI,通过高斯过程回归GPR模型进行模型训练,运用得到的GPR模型进行电池组SOH估计,能够实现电池组SOH的在线精确估计,包括以下步骤:
步骤S1:选定待测电池组,收集整理该电池组的技术参数,并进行初始容量的标定;
步骤S2:进行多段变电流工况充电和恒电流放电的循环老化工况,并收据电压电流等数据,建立电池组老化数据库;
步骤S3:提取电池组局部充电曲线的多个健康因子HI作为输入,恒流放电容量对应的SOH作为输出,进行多输入单输出的GPR模型训练;
步骤S4:利用训练得到的GPR模型进行电池组SOH的在线估计。
2.根据权利要求1所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:
所述步骤S1中,所述初始容量的标定,包括采用1C/3和1C电流中的一种,进行恒电流放电容量测试,其中电流的选取应和循环老化中的恒流放电电流保持一致。
3.根据权利要求1所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:
所述步骤S2具体为:
步骤S21:将待测电池组在25℃的恒温环境中静置2h;
步骤S22:以多段变电流工况进行充电测试,获取电池组电压和电流数据;
步骤S23:静置30min;
步骤S24:采用恒电流进行放电测试,获取电池组电压和电流数据;其中恒电流放电的电流大小应与初始容量标定中的电流选取保持一致;
步骤S25:静置30min;
步骤S26:重复步骤S22-S25,直到恒流放电容量小于初始标定容量的80%,建立电池组循环老化数据库。
4.根据权利要求3所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:所述步骤S22中,多段变电流工况根据实际充电时间,各段充电容量等需求设置不同的充电工况;所述步骤S26中,电池组循环老化数据库遗漏值填补和错误值删除数据预处理。
5.根据权利要求1所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:
所述步骤S3具体为:
步骤S31:提取电池组多段变电流充电工况中的各段充电工况的充电容量,充电曲线斜率特征,得到电池组多个健康因子HI;
步骤S32:提取电池组恒电流放电工况的放电容量与初始标定容量的比值所为电池组SOH实际值;
步骤S33:进行多个健康因子HI与电池组SOH实际值的相关性分析,优选相关性较大的多个电池组多个健康因子HI;
步骤S34:将所优选的多个健康因子HI和提取的电池组SOH实际值,分别作为输入和输出,进行多输入单输出的GPR模型训练,得到训练模型。
6.根据权利要求5所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:所述步骤S31中,电池组多个健康因子HI包括每段充电容量和对应的充电曲线的斜率中的几个的组合或者全部组合;
所述步骤S33中,相关性分析包括协方差法、相关系数法或回归法;
所述步骤S34中,GPR模型还包括支持向量机回归模型SVR、关联向量机模型RVR和维纳过程机器学习模型。
7.根据权利要求1所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:
所述步骤S4中,将测试集中的电池组局部充电的多个健康因子HI作为输入,运用得到的GPR模型进行电池组SOH的在线估计。
8.根据权利要求7所述的一种基于局部充电数据的电池组状态的在线估计方法,其特征在于:所述局部充电的多个健康因子在较少的训练集数据得到的GPR模型便能得到较好的预测效果。
CN201910973355.1A 2019-10-14 2019-10-14 一种基于局部充电数据的电池组状态的在线估计方法 Pending CN110703112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910973355.1A CN110703112A (zh) 2019-10-14 2019-10-14 一种基于局部充电数据的电池组状态的在线估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910973355.1A CN110703112A (zh) 2019-10-14 2019-10-14 一种基于局部充电数据的电池组状态的在线估计方法

Publications (1)

Publication Number Publication Date
CN110703112A true CN110703112A (zh) 2020-01-17

Family

ID=69198670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910973355.1A Pending CN110703112A (zh) 2019-10-14 2019-10-14 一种基于局部充电数据的电池组状态的在线估计方法

Country Status (1)

Country Link
CN (1) CN110703112A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060824A (zh) * 2020-01-19 2020-04-24 南京航空航天大学 一种基于模型与算法分步融合的荷电状态估计方法
CN111965560A (zh) * 2020-08-24 2020-11-20 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112269137A (zh) * 2020-10-19 2021-01-26 中山大学 一种基于动态参数识别的电池健康状态估算方法
CN112540318A (zh) * 2020-12-22 2021-03-23 武汉理工大学 一种起动内燃机的铅酸蓄电池健康状态估算方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法
CN116577686A (zh) * 2023-07-13 2023-08-11 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统
CN117991108A (zh) * 2024-04-07 2024-05-07 邦邦汽车销售服务(北京)有限公司 一种基于数据的动力电池损伤检测方法与系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884993A (zh) * 2014-03-03 2014-06-25 中国东方电气集团有限公司 锂离子电池在充电过程中的soc在线检测与修正方法
CN106199445A (zh) * 2016-07-14 2016-12-07 安徽轰达电源有限公司 电池快速充电循环寿命检测方法
CN107290678A (zh) * 2017-07-03 2017-10-24 北京理工大学 一种动力电池健康状态在线监测方法
US10036781B2 (en) * 2013-10-01 2018-07-31 Centre National De La Recherche Scientifique Method and apparatus for evaluating the state of health of a lithium battery
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN109870659A (zh) * 2019-03-14 2019-06-11 燕山大学 应用滑窗寻优策略的锂离子电池健康状态估算方法
CN110068774A (zh) * 2019-05-06 2019-07-30 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质
CN110146822A (zh) * 2019-04-25 2019-08-20 同济大学 一种基于恒流充电过程的车用动力电池容量在线估计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10036781B2 (en) * 2013-10-01 2018-07-31 Centre National De La Recherche Scientifique Method and apparatus for evaluating the state of health of a lithium battery
CN103884993A (zh) * 2014-03-03 2014-06-25 中国东方电气集团有限公司 锂离子电池在充电过程中的soc在线检测与修正方法
CN106199445A (zh) * 2016-07-14 2016-12-07 安徽轰达电源有限公司 电池快速充电循环寿命检测方法
CN107290678A (zh) * 2017-07-03 2017-10-24 北京理工大学 一种动力电池健康状态在线监测方法
CN109870659A (zh) * 2019-03-14 2019-06-11 燕山大学 应用滑窗寻优策略的锂离子电池健康状态估算方法
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN110146822A (zh) * 2019-04-25 2019-08-20 同济大学 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN110068774A (zh) * 2019-05-06 2019-07-30 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060824A (zh) * 2020-01-19 2020-04-24 南京航空航天大学 一种基于模型与算法分步融合的荷电状态估计方法
CN111060824B (zh) * 2020-01-19 2021-08-06 南京航空航天大学 一种基于模型与算法分步融合的荷电状态估计方法
CN111965560A (zh) * 2020-08-24 2020-11-20 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN111965560B (zh) * 2020-08-24 2023-03-28 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN112269137A (zh) * 2020-10-19 2021-01-26 中山大学 一种基于动态参数识别的电池健康状态估算方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112540318A (zh) * 2020-12-22 2021-03-23 武汉理工大学 一种起动内燃机的铅酸蓄电池健康状态估算方法
CN112540318B (zh) * 2020-12-22 2022-01-04 武汉理工大学 一种起动内燃机的铅酸蓄电池健康状态估算方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法
CN116577686A (zh) * 2023-07-13 2023-08-11 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统
CN116577686B (zh) * 2023-07-13 2023-09-26 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统
CN117991108A (zh) * 2024-04-07 2024-05-07 邦邦汽车销售服务(北京)有限公司 一种基于数据的动力电池损伤检测方法与系统

Similar Documents

Publication Publication Date Title
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
CN111090047B (zh) 一种基于多模型融合的锂电池健康状态估计方法
CN111007417A (zh) 基于不一致性评估的电池组soh和rul预测方法及系统
CN108445406B (zh) 一种动力电池健康状态估计方法
Singh et al. Hardware-in-the-loop implementation of ANFIS based adaptive SoC estimation of lithium-ion battery for hybrid vehicle applications
Hentunen et al. Time-domain parameter extraction method for thévenin-equivalent circuit battery models
CN104678316B (zh) 锂离子电池荷电状态估算方法和装置
Eddahech et al. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks
Song et al. Model-based health diagnosis for lithium-ion battery pack in space applications
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
CN105425154B (zh) 一种估计电动汽车的动力电池组的荷电状态的方法
CN109061508A (zh) 一种电动汽车锂电池soh的估计方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
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
CN105929338B (zh) 一种测量电池状态的方法及其应用
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN103983920A (zh) 一种建立电动车辆的动力电池的模型的方法
CN113109729B (zh) 基于加速老化试验与实车工况的车用动力电池soh评估方法
Xiong et al. Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter
CN107356879B (zh) 一种基于多物理场的电池健康状态检测与评估方法及装备系统
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
CN105954682A (zh) 蓄电池荷电状态在线估计检测方法及系统
CN106998086A (zh) 兆瓦级储能电站电池管理方法及其系统
CN110632520A (zh) 一种动力电池soc的估算装置及其估算方法
CN115616428A (zh) 一种“充—检”一体电动汽车电池状态检测与评价方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200117