CN110873841A - 一种基于数据驱动与电池特性相结合的电池寿命预测方法 - Google Patents

一种基于数据驱动与电池特性相结合的电池寿命预测方法 Download PDF

Info

Publication number
CN110873841A
CN110873841A CN201911071304.6A CN201911071304A CN110873841A CN 110873841 A CN110873841 A CN 110873841A CN 201911071304 A CN201911071304 A CN 201911071304A CN 110873841 A CN110873841 A CN 110873841A
Authority
CN
China
Prior art keywords
battery
data
charging
driving
different
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
Application number
CN201911071304.6A
Other languages
English (en)
Other versions
CN110873841B (zh
Inventor
车晓刚
赵彬
董海书
陈丽贝
张津伟
由勇
李玉军
李晓峰
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.)
Beijing Craftsman Battery Technology Co Ltd
Original Assignee
Beijing Craftsman Battery Technology Co Ltd
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 Beijing Craftsman Battery Technology Co Ltd filed Critical Beijing Craftsman Battery Technology Co Ltd
Priority to CN201911071304.6A priority Critical patent/CN110873841B/zh
Publication of CN110873841A publication Critical patent/CN110873841A/zh
Application granted granted Critical
Publication of CN110873841B publication Critical patent/CN110873841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/385—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

Abstract

本发明公开了一种基于数据驱动与电池特性相结合的电池寿命预测方法，包括电池老化与剩余寿命因子测试分析及权值对比，电池与用户画像算法建立，数据清洗提取分析，SOH算法设计等步骤；本发明的优点在于：不仅能够应用于具有历史使用数据的车辆或电池产品的估算预测，也能够应用于无历史运行或测试数据而只有电池画像与用户画像的电池SOH的估算，应用范围广，且算法设计具有自学习性，可随着数据量的增大不断提升估算的准确性。

Description

一种基于数据驱动与电池特性相结合的电池寿命预测方法
技术领域
本发明涉及一种电池寿命预测(RUL)方法，具体地说是一种基于数据驱动与电池特性相结合的电池寿命预测方法，属于电池寿命预测(RUL)方法领域。
背景技术
随着锂电池应用领域的越来越广泛，其设计容量逐渐加大，而电池单体的不一致以及运行工况的不同，使得电池的使用寿命差异较大，电池性能衰减的因素较多，电池内部化学反应机理较为复杂，使得电池寿命预测较难实现。
电动汽车采用汽车电池作为供电源，并通过BMS(BatteryManagementSystem，电池管理系统)集中管控汽车电池的运作。为了保证BMS正常的系统运转，需要高频次地采集汽车电池的电流、电压、温度、电池故障信号等的电池数据，并由电池数据服务器针对电池数据进行汽车电池寿命预测。
现有的电池寿命预测模型通常基于两种建模方法，一是经验模型。经验模型通常需要进行大量的测试，得到测试数据，通过获取参数值，取得容量衰减的经验数据，其需要的时间较长，要投入大量的资源进行测试以获取数据。二是物理或基于数据驱动模型。由于锂电池的失效机理较为复杂、物理模型难以建立，因此现有的大部分研究集中于建立数据驱动模型的方法，如自回归(AR)模型、卡尔曼滤波、神经网络等，但由于缺乏实验数据，导致电池运行后期误差较大。
发明内容
为了解决上述问题，本发明设计了一种基于数据驱动与电池特性相结合的电池寿命预测方法，不仅能够应用于具有历史使用数据的车辆或电池产品的估算预测，也能够应用于无历史运行或测试数据而只有电池画像与用户画像的电池SOH的估算，应用范围广，且算法设计具有自学习性，可随着数据量的增大不断提升估算的准确性。
本发明的技术方案为：
一种基于数据驱动与电池特性相结合的电池寿命预测方法，具体包括以下步骤：
步骤1：电池性能测试与影响因子研究，测试电池在不同环境条件下电池的老化规律，分析电池各参数对电池老化的影响程度；
步骤2：数据选取，下载不同款电池搭载车型的运行数据，包含不同里程、不同用户、 不同区域数据；
步骤3： 因子提取，提取车辆的电池与用户行为的相关数据信息；
步骤4：SOH计算，计算车辆在不同状态下的SOH;
步骤5：根据提取数据，结合电池寿命衰减因子设计建立电池与用户画像算法模型；
步骤6：分析数据，建立电池与用户画像中标签与SOH的关系算法模型；
步骤7：待评电池估算，根据已有算法，输入已知标签，输出评估结果。
作为优选，步骤1中的不同环境条件是指：不同的温度条件、不同的充放电倍率、不同的电池充放电起始SOC值、不同的充电方式。
作为优选，步骤2中的不同款电池包括：国内销量较好的车型排名及搭载车型较多的电芯排名对应的车辆数据。
作为优选，步骤3中的电池相关信息包括：电池材料、电芯厂家、电池串并联、额定容量、能量回收、加热方式、冷却方式、充电方式、动力电池标称电压、动力电池标称容量、最大允许工作电流、最大允许充电电压。
作为优选，步骤3中的用户行为相关数据信息包括：用户类型、续航里程（满电时的最大续驶里程）、ODO（总里程）、用户区域、快慢充频率、行驶过程的平均功率、每次行驶过程中的电流峰值、行驶过程中的平均能量回收、车辆最长搁置时间、快慢充开始的SOC与截止时的SOC、单次行驶车速、单日出行次数、单日出行里程、单次出行时间、每日出行时刻、每日结束时刻、快慢充发生时刻、快慢充对应经纬度、两次充电间隔里程。
作为优选，步骤4中的SOH计算方式为：计算间隔为0.5-3个月，选择充电数据进行计算、且接近满充的数据。
作为优选，步骤5中的电池画像标签包括：电池材料、电芯厂家、电池串并联、额定容量、能量回收、加热方式、冷却方式、充电方式、动力电池标称电压、动力电池标称容量、最大允许工作电流、最大允许充电电压。
作为优选，步骤5中的用户画像标签包括： 用户类型、续航里程（满电时的最大续驶里程）、ODO总里程、用户区域、快慢充频率、单次出行里程分布、单次出行时间分布、单日出行里程分布、单日出行时间分布、快慢充地点、快慢充开始时刻、每次充入电量、每次行驶路况、每次行驶速度。
作为优选，步骤6中的算法模型建立，可选择目前使用较广的自学习大数据神经网络算法，如：SVM、遗传算法、自竞争算法等。
本发明的有益效果为：依据电池健康老化程度的影响因素，前期建模过程借助新能源车辆在线监控平台、储能等电池相关产品的监控数据，考虑电池本身特性与电池的历史使用习惯，建立基于电池画像与车辆用户画像的SOH（电池健康状态）的自学习评估算法，及在特定条件下使用的电池的剩余寿命。本发明方法不仅能够应用于具有历史使用数据的车辆或电池产品的估算预测，也能够应用于无历史运行或测试数据而只有电池画像与用户画像的电池SOH的估算，应用范围广，且算法设计具有自学习性，可随着数据量的增大不断提升估算的准确性。
下面结合实施例对本发明作进一步说明。
具体实施方式
以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
一种基于数据驱动与电池特性相结合的电池寿命预测方法，具体包括以下步骤：
步骤1：电池性能测试与影响因子研究，测试电池在不同环境条件下电池的老化规律，得到不同的温度条件、不同的充放电倍率、不同的电池充放电起始SOC值、不同的充电方式等条件下电池寿命的衰减趋势，并分析电池各参数对电池老化的影响程度。
步骤2：数据选取，下载不同款电池搭载车型的运行数据，包含不同里程、不同用户、 不同区域数据。例如根据国内车辆销量排名，选取了一款销量较好的车型，然后通过车辆在线监控平台、充电桩、移动监测设备等途径查询并下载同一用户类型、同一地域、里程在30万公里左右的100辆车，同一用户类型、里程在30万公里左右、不同地域的100辆车，里程在30万公里左右、同一地域、不同用户类型的100辆车以及其他交叉条件对应的车辆历史数据，做为之后搭建该款车型模型的数据基础。
步骤3：因子提取，提取车辆的电池与用户行为的相关数据信息，例如用户类型、续航里程（满电时的最大续驶里程）、用户区域、ODO（总里程）、快慢充频率、行驶过程的平均功率、每次行驶过程中的电流峰值等标签信息，用以建立电池与用户画像。
步骤4：SOH计算，计算车辆在不同状态下的SOH；根据间隔为0.5到3个月的历史数据，选择其中接近满充的充电数据，按照安时积分法计算车辆该装态下的可用容量及SOH。
步骤5：根据提取数据，结合电池寿命衰减因子设计建立电池与用户画像算法模型；即以电池实际使用过程的因子数据作为输入数据，结合不同温度、不同电流、不同充电放电深度条件对电池老化的影响程度，通过GRNN算法建立电池与用户画像算法模型。
步骤6：分析数据，建立电池与用户画像中标签与SOH的关系算法模型；建立模型的算法可选择目前使用较广的自学习大数据神经网络算法，如：SVM、遗传算法、自竞争算法等。
步骤7：待评电池估算，根据已有算法，输入已知标签，输出评估结果。例如一辆运行区域在江苏的某款车型的运营车，当前ODO总里程为11.8万公里，续航里程为180公里，快、慢充频率分别为0%和100%，行驶路况基本为高速，单次日出行时间大概在上午9点和下午6点， 单日出行里程基本在50公里，每次行驶速度基本为100km/h，输出的SOH为86%，根据电池与用户画像中标签与SOH的关系算法模型预计SOH衰减到80%还能再行驶5.1万公里。

Claims (9)

1.一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：具体包括以下步骤：
步骤1：电池性能测试与影响因子研究，测试电池在不同环境条件下电池的老化规律，分析电池各参数对电池老化的影响程度；
步骤2：数据选取，下载不同款电池搭载车型的运行数据，包含不同里程、不同用户、 不同区域数据；
步骤3： 因子提取，提取车辆的电池与用户行为的相关数据信息；
步骤4：SOH计算，计算车辆在不同状态下的SOH;
步骤5：根据提取数据，结合电池寿命衰减因子设计建立电池与用户画像算法模型；
步骤6：分析数据，建立电池与用户画像中标签与SOH的关系算法模型；
步骤7：待评电池估算，根据已有算法，输入已知标签，输出评估结果。
2.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤1中的不同环境条件是指：不同的温度条件、不同的充放电倍率、不同的电池充放电起始SOC值、不同的充电方式。
3.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤2中的不同款电池包括：国内销量较好的车型排名及搭载车型较多的电芯排名对应的车辆数据。
4.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤3中的电池相关信息包括：电池材料、电芯厂家、电池串并联、额定容量、能量回收、加热方式、冷却方式、充电方式、动力电池标称电压、动力电池标称容量、最大允许工作电流、最大允许充电电压。
5.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤3中的用户行为相关数据信息包括：用户类型、满电时的最大续驶里程、ODO（总里程）、用户区域、快慢充频率、行驶过程的平均功率、每次行驶过程中的电流峰值、行驶过程中的平均能量回收、车辆最长搁置时间、快慢充开始的SOC与截止时的SOC、单次行驶车速、单日出行次数、单日出行里程、单次出行时间、每日出行时刻、每日结束时刻、快慢充发生时刻、快慢充对应经纬度、两次充电间隔里程。
6.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤4中的SOH计算方式为：计算间隔为0.5-3个月，选择充电数据进行计算、且接近满充的数据。
7.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤5中的电池画像标签包括：电池材料、电芯厂家、电池串并联、额定容量、能量回收、加热方式、冷却方式、充电方式、动力电池标称电压、动力电池标称容量、最大允许工作电流、最大允许充电电压。
8.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤5中的用户画像标签包括： 用户类型、满电时的最大续驶里程、ODO总里程、用户区域、快慢充频率、单次出行里程分布、单次出行时间分布、单日出行里程分布、单日出行时间分布、快慢充地点、快慢充开始时刻、每次充入电量、每次行驶路况、每次行驶速度。
9.根据权利要求1所述的一种基于数据驱动与电池特性相结合的电池寿命预测方法，其特征在于：步骤6中的算法模型建立，可选择目前使用较广的自学习大数据神经网络算法。
CN201911071304.6A 2019-11-05 2019-11-05 一种基于数据驱动与电池特性相结合的电池寿命预测方法 Active CN110873841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911071304.6A CN110873841B (zh) 2019-11-05 2019-11-05 一种基于数据驱动与电池特性相结合的电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911071304.6A CN110873841B (zh) 2019-11-05 2019-11-05 一种基于数据驱动与电池特性相结合的电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN110873841A true CN110873841A (zh) 2020-03-10
CN110873841B CN110873841B (zh) 2021-12-07

Family

ID=69717132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911071304.6A Active CN110873841B (zh) 2019-11-05 2019-11-05 一种基于数据驱动与电池特性相结合的电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN110873841B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111497685A (zh) * 2020-03-26 2020-08-07 明创佳联(浙江)新能源科技有限公司 一种汽车锂电池充电管理方法及系统
CN112345952A (zh) * 2020-09-23 2021-02-09 上海电享信息科技有限公司 动力电池老化程度判断方法
CN112731184A (zh) * 2020-12-28 2021-04-30 深圳供电局有限公司 一种电池寿命检测方法和系统
CN113255215A (zh) * 2021-05-19 2021-08-13 四川大学 一种基于电压片段的锂电池健康状态估计方法
CN113255764A (zh) * 2021-05-21 2021-08-13 池测(上海)数据科技有限公司 利用机器学习检测电化学储能系统故障的方法、系统和装置
CN113459898A (zh) * 2021-06-24 2021-10-01 云度新能源汽车有限公司 一种电动汽车电池过充智能远程诊断方法及系统
CN113514767A (zh) * 2021-07-20 2021-10-19 东风汽车集团股份有限公司 一种燃料电池汽车动力电池soc估算系统及估算方法
CN113627565A (zh) * 2021-08-23 2021-11-09 湖北亿纬动力有限公司 新能源汽车电池数据标签生成方法、装置、设备及存储介质
CN113702844A (zh) * 2021-08-02 2021-11-26 荣盛盟固利新能源科技股份有限公司 评估整车回馈过充行为对电池寿命影响的方法
WO2022105070A1 (zh) * 2020-11-19 2022-05-27 广州汽车集团股份有限公司 利用机器学习模型预测电池健康状况的方法和系统

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001053636A (ja) * 1999-08-05 2001-02-23 Matsushita Electric Ind Co Ltd 自動利得制御回路
JP2007055450A (ja) * 2005-08-24 2007-03-08 Fuji Heavy Ind Ltd 蓄電デバイスの劣化状態推定システム
CN101635470A (zh) * 2009-08-19 2010-01-27 王广生 一种节电型蓄电池快速充电器及智能化充电方法
CN202206456U (zh) * 2010-07-26 2012-04-25 精工爱普生株式会社 光学读取装置及图像获取装置
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
CN103576095A (zh) * 2012-08-02 2014-02-12 同济大学 一种燃料电池内部性能实时检测系统及方法
US20140126614A1 (en) * 2012-11-08 2014-05-08 Broadcom Corporation System, method, and apparatus for digital pre-emphasis in low power serdes systems
JP2016070682A (ja) * 2014-09-26 2016-05-09 スズキ株式会社 二次電池の劣化状態推定装置
CN106114426A (zh) * 2016-06-28 2016-11-16 广州汽车集团股份有限公司 一种车辆电源管理系统及其控制方法
CN106249173A (zh) * 2016-10-10 2016-12-21 哈尔滨理工大学 一种电池健康度soh估算方法
CN106515480A (zh) * 2016-11-08 2017-03-22 彩虹无线（北京）新技术有限公司 一种基于车联网大数据技术的汽车蓄电池智能监控方法
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
JP2017090426A (ja) * 2015-11-13 2017-05-25 ゴイク電池株式会社 バッテリー寿命診断と診断回路
CN106814320A (zh) * 2015-11-28 2017-06-09 华南理工大学 一种磷酸铁锂动力电池循环寿命预测系统
US20170295435A1 (en) * 2016-04-11 2017-10-12 Enrique Gajstut Audio amplification electronic device with independent pitch and bass response adjustment
CN107729678A (zh) * 2017-11-02 2018-02-23 中国科学院数学与系统科学研究院 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法
CN108107368A (zh) * 2016-11-18 2018-06-01 半导体组件工业公司 用于估计电池的健康状态的方法和装置
CN108957331A (zh) * 2018-05-16 2018-12-07 蔚来汽车有限公司 电池性能检测方法及电池性能检测系统
CN109604186A (zh) * 2018-12-14 2019-04-12 北京匠芯电池科技有限公司 动力电池性能柔性评估分选方法
CN109655754A (zh) * 2018-12-14 2019-04-19 北京匠芯电池科技有限公司 一种基于充电过程多维分阶的电池性能评估方法
CN110008235A (zh) * 2019-04-15 2019-07-12 优必爱信息技术（北京）有限公司 动力电池健康度评价方法、装置及系统
CN110058179A (zh) * 2019-05-27 2019-07-26 爱驰汽车有限公司 基于容量衰减的soh估算方法、系统、设备及存储介质
CN110333456A (zh) * 2019-07-23 2019-10-15 北京长城华冠汽车科技股份有限公司 动力电池soc的估算方法和装置、车辆

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001053636A (ja) * 1999-08-05 2001-02-23 Matsushita Electric Ind Co Ltd 自動利得制御回路
JP2007055450A (ja) * 2005-08-24 2007-03-08 Fuji Heavy Ind Ltd 蓄電デバイスの劣化状態推定システム
CN101635470A (zh) * 2009-08-19 2010-01-27 王广生 一种节电型蓄电池快速充电器及智能化充电方法
CN202206456U (zh) * 2010-07-26 2012-04-25 精工爱普生株式会社 光学读取装置及图像获取装置
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
CN103576095A (zh) * 2012-08-02 2014-02-12 同济大学 一种燃料电池内部性能实时检测系统及方法
US20140126614A1 (en) * 2012-11-08 2014-05-08 Broadcom Corporation System, method, and apparatus for digital pre-emphasis in low power serdes systems
JP2016070682A (ja) * 2014-09-26 2016-05-09 スズキ株式会社 二次電池の劣化状態推定装置
JP2017090426A (ja) * 2015-11-13 2017-05-25 ゴイク電池株式会社 バッテリー寿命診断と診断回路
CN106814320A (zh) * 2015-11-28 2017-06-09 华南理工大学 一种磷酸铁锂动力电池循环寿命预测系统
US20170295435A1 (en) * 2016-04-11 2017-10-12 Enrique Gajstut Audio amplification electronic device with independent pitch and bass response adjustment
CN106114426A (zh) * 2016-06-28 2016-11-16 广州汽车集团股份有限公司 一种车辆电源管理系统及其控制方法
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
CN106249173A (zh) * 2016-10-10 2016-12-21 哈尔滨理工大学 一种电池健康度soh估算方法
CN106515480A (zh) * 2016-11-08 2017-03-22 彩虹无线（北京）新技术有限公司 一种基于车联网大数据技术的汽车蓄电池智能监控方法
CN108107368A (zh) * 2016-11-18 2018-06-01 半导体组件工业公司 用于估计电池的健康状态的方法和装置
CN107729678A (zh) * 2017-11-02 2018-02-23 中国科学院数学与系统科学研究院 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法
CN108957331A (zh) * 2018-05-16 2018-12-07 蔚来汽车有限公司 电池性能检测方法及电池性能检测系统
CN109604186A (zh) * 2018-12-14 2019-04-12 北京匠芯电池科技有限公司 动力电池性能柔性评估分选方法
CN109655754A (zh) * 2018-12-14 2019-04-19 北京匠芯电池科技有限公司 一种基于充电过程多维分阶的电池性能评估方法
CN110008235A (zh) * 2019-04-15 2019-07-12 优必爱信息技术（北京）有限公司 动力电池健康度评价方法、装置及系统
CN110058179A (zh) * 2019-05-27 2019-07-26 爱驰汽车有限公司 基于容量衰减的soh估算方法、系统、设备及存储介质
CN110333456A (zh) * 2019-07-23 2019-10-15 北京长城华冠汽车科技股份有限公司 动力电池soc的估算方法和装置、车辆

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIANTAO QU等: "A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery", 《IEEE ACCESS》 *
PHATTARA KHUMPROM等: "Data-driven Prognostic Model of Li-ion Battery with Deep Learning Algorithm", 《2019 ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM (RAMS)》 *
何向明等: "车用锂离子动力电池系统的安全性", 《科技导报》 *
肖伟等: "基于大数据的电池健康状态（SOH）的估算及应用", 《汽车安全与节能学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111497685A (zh) * 2020-03-26 2020-08-07 明创佳联(浙江)新能源科技有限公司 一种汽车锂电池充电管理方法及系统
CN111497685B (zh) * 2020-03-26 2021-05-14 明创佳联(浙江)新能源科技有限公司 一种汽车锂电池充电管理方法及系统
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
CN112345952A (zh) * 2020-09-23 2021-02-09 上海电享信息科技有限公司 动力电池老化程度判断方法
WO2022105070A1 (zh) * 2020-11-19 2022-05-27 广州汽车集团股份有限公司 利用机器学习模型预测电池健康状况的方法和系统
CN112731184A (zh) * 2020-12-28 2021-04-30 深圳供电局有限公司 一种电池寿命检测方法和系统
CN112731184B (zh) * 2020-12-28 2023-03-03 深圳供电局有限公司 一种电池寿命检测方法和系统
CN113255215B (zh) * 2021-05-19 2022-02-01 四川大学 一种基于电压片段的锂电池健康状态估计方法
CN113255215A (zh) * 2021-05-19 2021-08-13 四川大学 一种基于电压片段的锂电池健康状态估计方法
CN113255764A (zh) * 2021-05-21 2021-08-13 池测(上海)数据科技有限公司 利用机器学习检测电化学储能系统故障的方法、系统和装置
CN113459898A (zh) * 2021-06-24 2021-10-01 云度新能源汽车有限公司 一种电动汽车电池过充智能远程诊断方法及系统
CN113514767A (zh) * 2021-07-20 2021-10-19 东风汽车集团股份有限公司 一种燃料电池汽车动力电池soc估算系统及估算方法
CN113702844A (zh) * 2021-08-02 2021-11-26 荣盛盟固利新能源科技股份有限公司 评估整车回馈过充行为对电池寿命影响的方法
CN113702844B (zh) * 2021-08-02 2024-04-16 荣盛盟固利新能源科技股份有限公司 评估整车回馈过充行为对电池寿命影响的方法
CN113627565A (zh) * 2021-08-23 2021-11-09 湖北亿纬动力有限公司 新能源汽车电池数据标签生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110873841B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN110873841B (zh) 一种基于数据驱动与电池特性相结合的电池寿命预测方法
Panchal et al. Cycling degradation testing and analysis of a LiFePO4 battery at actual conditions
EP3916884B1 (en) Secondary battery module remaining life diagnosis method and remaining life diagnosis system
Wang et al. Probability based remaining capacity estimation using data-driven and neural network model
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
Onori et al. A new life estimation method for lithium-ion batteries in plug-in hybrid electric vehicles applications
Kroeze et al. Electrical battery model for use in dynamic electric vehicle simulations
Lu et al. Online estimation of state of power for lithium-ion batteries in electric vehicles using genetic algorithm
US9533597B2 (en) Parameter identification offloading using cloud computing resources
CN102024999B (zh) 电动车行动力管理系统
CN106569136A (zh) 一种电池健康状态在线估计方法及系统
CN102998623A (zh) 蓄电池荷电状态的在线估算方法及系统
CN110324383B (zh) 云服务器、电动汽车及其中动力电池的管理系统、方法
CN109839602A (zh) 动力电池性能和价值评估方法、装置、电子设备
Shi et al. Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction
CN110542866A (zh) 一种预估电池剩余电量参数的方法
CN112363061A (zh) 一种基于大数据的热失控风险评估方法
CN110687460B (zh) 一种soc预估方法
Urquizo et al. A review of health estimation methods for Lithium-ion batteries in Electric Vehicles and their relevance for Battery Energy Storage Systems
Vennam et al. A novel coupled electro-thermal-aging model for simultaneous SOC, SOH, and parameter estimation of lithium-ion batteries
Juang et al. Coulomb counting state-of-charge algorithm for electric vehicles with a physics-based temperature dependent battery model
Ali et al. Review of batteries reliability in electric vehicle and E-mobility applications
JP2022136663A (ja) 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置
Blidberg Correlation between different impedancemeasurement methods for battery cells
CN108845267B (zh) 一种动力电池的数据处理方法和装置

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
CB02 Change of applicant information

Address after: Room 3E06M, Building 12, No. 5 Donghuan Middle Road, Daxing District, Beijing

Applicant after: Blue Valley smart (Beijing) Energy Technology Co., Ltd

Address before: Room 3E06M, Building 12, No. 5 Donghuan Middle Road, Daxing District, Beijing

Applicant before: BEIJING ARTICORE BATTERY TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant