CN111007417A - 基于不一致性评估的电池组soh和rul预测方法及系统 - Google Patents

基于不一致性评估的电池组soh和rul预测方法及系统 Download PDF

Info

Publication number
CN111007417A
CN111007417A CN201911245131.5A CN201911245131A CN111007417A CN 111007417 A CN111007417 A CN 111007417A CN 201911245131 A CN201911245131 A CN 201911245131A CN 111007417 A CN111007417 A CN 111007417A
Authority
CN
China
Prior art keywords
battery pack
inconsistency
voltage
rul
current
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
CN201911245131.5A
Other languages
English (en)
Inventor
胡晓松
车云弘
刘波
邓忠伟
李佳承
冯飞
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
Chongqing Changan New Energy Automobile Technology Co Ltd
Original Assignee
Chongqing University
Chongqing Changan New Energy Automobile 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 Chongqing University, Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical Chongqing University
Priority to CN201911245131.5A priority Critical patent/CN111007417A/zh
Publication of CN111007417A publication Critical patent/CN111007417A/zh
Pending legal-status Critical Current

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]
    • G01R31/392—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]
    • G01R31/367—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

Landscapes

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

Abstract

本发明涉及基于不一致性评估的电池组SOH和RUL预测方法及系统，属于电池管理技术领域。该方法包括步骤：选定待测串联电池组，收集整理该串联电池组的技术参数；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流等数据，建立电池组老化数据库。判断局部充电阶段，基于电压变化节点提取多个特征参量。基于提取的特征参量评估电池组不一致性，进行多输入双输出的数据驱动回归模型训练。利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。本发明在评估电池组不一致性大小的基础上，进行电池组状态和寿命的预测，并适应实际使用中不完整充放电状况。

Description

基于不一致性评估的电池组SOH和RUL预测方法及系统
技术领域
本发明属于电池管理技术领域，涉及基于不一致性评估的电池组SOH和RUL预测方法及系统。
背景技术
锂离子电池具有寿命长、自放电率低、能量密度大特点，成为良好的储能设备。并使得其在电气运用中得到广泛运用，例如纯电动汽车、插电式混合动力汽车，移动储能设备，电网等。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。电池组的一致性在新电池状况下通常较好，但会随着电池的老化状况而增大，例如内阻不一致，容量不一致，荷电状态SOC不一致等。实际使用中通过充电曲线特征获取不一致性特征进行不一致性大小的评估具有重要意义。电池组的不一致性的增大又会加速电池的老化进程，使得电池组的寿命往往远远低于电池单体。因此，电池组的不一致性大小与电池的老化状态间存在关联，寻找两者之间的关系进行电池组的健康状态和剩余寿命预测是有待发现和探索的重要领域。
电池组不一致性特征因子的选择是进行不一致性评估的先决条件。目前特征提取的方法主要有基于数据直接提取，基于模型提取和基于融合提取等方面。其中基于数据直接提取简单方便，计算量小等优势而得到广泛运用。主要的方法可以有电压差，电压分布标准差等反应电池组不一致性大小的参量。但是特征参量的提取仍然有巨大的挑战需要克服，例如简单有效的提取特征参量。而对不一致性评估的方法主要有基于阈值，基于人工智能和基于聚类分析等方法，其中基于阈值方法最为简单明了，能够有效体现当前不一致性的相对大小。
目前电池组的健康状态SOH和剩余寿命RUL的预测方法主要可分为：基于电化学机理，基于经验/半经验模型方法以及基于数据驱动的方法。其中基于数据驱动的方法近年来得到广泛的重视和运用。它们可以不考虑电池组内部复杂的变化过程，不需要建立老化模型，而是通过机器学习对已有数据进行训练，得到回归模型并进行预测。但是目前已有的方法多采用完整恒电流充电工况获取电压变化中的特征因子，通过容量增量曲线IC分析或者电压差分曲线DV分析寻找特征因子。恒流恒压充电需要很长的时间，并且实际车用通常是不完整充电过程，因此该方法也存在较大实施困难。另一方面，现有的方法中通常是对电池单体的研究，而实际运用中的电池组与单体差异较大，不一致性是最重要的影响因素之一，目前尚且没有通过不一致性分析对电池组老化状况预测的有效方法。
针对上述的问题，目前尚未提出有效的在实际车用中基于局部充电点提取特征参量以对电池组不一致性进行评估，并以此预测电池组健康状态SOH和剩余寿命RUL的有效解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于不一致性评估的电池组SOH和RUL预测方法及系统。
为达到上述目的，本发明提供如下技术方案：
基于不一致性评估的电池组SOH和RUL预测方法，该方法利用阶梯电流切换点对应的电压节点提取特征参数，基于特征参数评估电池组不一致性大小并以此作为多个健康因子HI为数据驱动训练输入，通过数据驱动方法进行回归模型训练，运用得到的回归模型进行电池组SOH和RUL预测，能够在评价电池组不一致性大小的基础上精确预测SOH及RUL，具体包括以下步骤：
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；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流数据，建立电池组老化数据库；
步骤S2：判断局部充电阶段，基于电压变化节点提取多个特征参量；
步骤S3：基于提取的特征参量评估电池组不一致性，并计算健康因子HI，作为输入，恒流放电容量对应的健康状态SOH以及剩余寿命RUL作为输出，进行多输入双输出的数据驱动回归模型训练；
步骤S4：利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。
可选的，所述步骤S1具体为：
步骤S11：选定待测电池组，确定其基本参数如额定容量，额定电压，上截止电压及下截止电压；
步骤S12：对待测电池组进行初始容量标定；
步骤S13：将待测电池组在25℃的恒温环境中静置2h；
步骤S14：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S15：静置30min；
步骤S16：采用恒电流进行放电测试，获取电池组电压和电流数据；
步骤S17：静置30min；
步骤S18：重复步骤S14-S17，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，所述初始容量标定，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；
所述步骤S14中，多段变电流工况根据实际充电时间，各段充电容量需求设置不同的充电工况；
所述步骤S18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S2具体为：
步骤S21：判断充电电流所属的阶梯电流阶段，等待下个电流切换点；
步骤S22：根据电流切换点所对应的电池组和电池单体的电压曲线，提取多个特征参量。
可选的，所述步骤S22中，多个健康因子包括节点处电池组电压大小、电池单体电压压降和电池单体电压大小。
可选的，所述步骤S3具体为：
步骤S31：根据所提取的特征参量，计算能够反应电池组不一致性的大小的健康因子HI，评估电池组不一致性大小；
步骤S32：将步骤S31计算得到的多个健康因子HI作为数据驱动模型训练的输入参数；
步骤S33：以恒流放电容量所得到的容量值对应的SOH以及电池组的剩余循环次数RUL作为数据驱动模型训练的输出参数；
步骤S34：进行以多输入双输出的数据驱动回归模型训练。
可选的，所述步骤S31中，计算能够反应电池组不一致性大小的HI包括电池组节点电压值、电池单体电压值极差、电池组单体电压分布标准差、电池单体压降的极差和电池单体压降的标准差；
电池组的不一致性评估采用权重法对提取的反应不一致性大小的HI进行融合，从而对不一致性大小进行综合评估；
步骤S3中，数据驱动模型为支持向量机SVM、相关向量机RVM、神经网络ANN或高斯过程回归GPR方法中的一种。
可选的，所述步骤S4具体为：
步骤S41：利用测试集数据，基于电压节点提取多个特征参量；
步骤S42：利用所提特征参量进行电池组不一致性评估及电池组健康状态SOH和剩余寿命RUL预测；
步骤S43：采用误差评价方法对计算预测结果的误差，评价预测效果。
可选的，所述步骤S4中，误差包括置信度区间、最大绝对误差、平均绝对误差和均方根误差。
基于所述方法的电池组状态和寿命预测系统，该系统包括数据采集模块、特征提取模块、不一致性健康因子HI计算模块、不一致性评估模块、数据驱动训练及预测模块和误差评价模块；
所述数据采集模块与特征提取模块相连，再与不一致性健康因子HI计算模块相连；
不一致性健康因子HI计算模块与不一致性评估模块相连；
不一致性健康因子HI计算模块还与数据驱动训练及预测模块相连；
数据驱动训练及预测模块还与误差评价模块相连。
本发明的有益效果在于：
1)采用局部充电电压节点提取数据，无需完整充电过程，符合实际运用。
2)基于多段恒电流充电工况电流切换点对应的节点电压提取的特征参量能够反映电池组内部不一致性的变化过程。
3)本发明能够基于提取的特征参量进行电池组不一致性的评估。
4)本发明基于不一致性健康因子HI，利用数据驱动方法进行的电池组健康状态SOH和剩余寿命RUL的估计方法能够获取不一致与老化间的相关关系，利用不一致性大小进行老化状况的估计。
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的节点电压特征参量提取示意图；
图4为本发明优选实施例的估计系统图。
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：选定待测串联电池组，收集整理该串联电池组的技术参数；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流等数据，建立电池组老化数据库。
步骤S2：判断局部充电阶段，基于电压变化节点提取多个特征参量。
步骤S3：基于提取的特征参量评估电池组不一致性，并计算健康因子HI，作为输入，恒流放电容量对应的健康状态SOH以及剩余寿命RUL作为输出，进行多输入双输出的数据驱动回归模型训练。
步骤S4：利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。
作为一种可选的实施例，上述步骤S1具体包括S11-S18：
步骤S11：选定待测电池组，确定其基本参数如额定容量，额定电压，上截止电压及下截止电压等。
步骤S12：对待测电池组进行初始容量标定。
步骤S13：将待测电池组在25℃的恒温环境中静置2h。
步骤S14：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S15：静置30min。
步骤S16：采用恒电流进行放电测试，获取电池组电压和电流数据。
步骤S17：静置30min。
步骤S18：重复步骤S14-S17，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。
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。
上述S14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。
上述充放电电流变化和相应的电压变化曲线图如图2所示。
如图3所示，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的节点电压特征参量提取示意图。
上述S16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。
上述S18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。
作为一种可选的实施例，上述步骤S2具体包括S21-S22：
步骤S21：判断充电电流所属的阶梯电流阶段，等待下个电流切换点。
步骤S22：根据电流切换点所对应的电池组和电池单体的电压曲线，提取多个特征参量。
作为一种可选的实施例，所述的S22中的多个健康因子包括节点处电池组电压大小，电池单体电压压降，电池单体电压大小等。
电池压降计算公式为：DUi＝Ui-Ui+1
式中Ui和Ui+1分别表示节点电压，以及节点下一时刻电压。
作为一种可选的实施例，上述步骤S3具体包括S31-S3
步骤S31：根据所提取的特征参量，计算能够反应电池组不一致性的大小的健康因子HI，评估电池组不一致性大小。
步骤S32：将步骤S31计算得到的多个健康因子HI作为数据驱动模型训练的输入参数。
步骤S33：以恒流放电容量所得到的容量值对应的SOH以及电池组的剩余循环次数RUL作为数据驱动模型训练的输出参数。
步骤S34：进行以多输入双输出的数据驱动回归模型训练。
作为一种可选的实施例，上述的S31中计算能够反应电池组不一致性大小的HI包括电池组节点电压值，电池单体电压值极差，电池组单体电压分布标准差，电池单体压降的极差，电池单体压降的标准差等。具体如下：
电池组节点电压：UP,i
电池单体电压值极差：ΔUi＝max(Ui,k)-min(Ui,k)
电池单体电压分布标准差：
Figure BDA0002307308940000071
电池单体压降极差：ΔDUi＝max(DUi,k)-min(DUi,k)
电池单体压降的分布标准差：
Figure BDA0002307308940000072
式中k表示第k个单体，n表示电池组内部单体数。
上述的S31电池组的不一致性评估采用权重法对提取的反应不一致性大小的HI进行融合，从而对不一致性大小进行综合评估。每种健康因子HI相对于初始值的相对大小作为不一致性评估因子，选用专家分权法，每种健康因子HI占比重0.2，则不一致性大小为：
εi＝0.2UP,i/UP,0+0.2ΔUi/ΔU0+0.2σi/σ0+0.2ΔDUi/ΔDU0+0.2δi/δ0
则相对初始值，不一致性变化为：ζi＝εi/ε0
上述的S32所述的模型输入为上述5个健康因子HI。所述的数据驱动模型包括支持向量机(SVM)，相关向量机(RVM)，神经网络(ANN)，高斯过程回归(GPR)等方法中的一种。作为一种可选实施例，选取GPR进行说明。
通常，我们可以假设输入输出为带有高斯噪声的概率相关的函数：
Figure BDA0002307308940000073
式中ε是符合高斯分布的白噪声。f(x)可写为：
Figure BDA0002307308940000074
式中m(x)和k(x,x')分别为均值函数和协方差函数，分别为：
m(x)＝E[f(x)]
k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))T]
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。
GPR模型的似然函数选作高斯似然函数，如下式所示：
Figure BDA0002307308940000081
式中，m为似然均值，sd为标准差。
输入输出关系式可写为：
Figure BDA0002307308940000082
式中In为n维单位矩阵，超参数矩阵Θ＝[σf,σn,l]可通过最大似然函数求得：
Figure BDA0002307308940000083
则GPR的输出均值和误差协方差可分别写为：
Figure BDA0002307308940000084
Figure BDA0002307308940000085
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。
上述S34所述的多输入双输出的回归模型具体输入和输出分别为：
x＝[UP,i,ΔUi,σi,ΔDUi,δi]，y＝[SOH,RUL]
作为一种可选的实施例，步骤S4具体包括步骤S41-S43
步骤S41：利用测试集数据，基于电压节点提取多个特征参量。
步骤S42：利用所提特征参量进行电池组不一致性评估及电池组健康状态SOH和剩余寿命RUL预测。
步骤S43：采用误差评价方法对计算预测结果的误差，评价预测效果。
上述S41中，多个特征参量与前S22所述的特征一致。所述的误差包括置信区间，最大绝对误差，平均绝对误差，均方根误差等。具体地：
置信区间可采用95％置信度：
Figure BDA0002307308940000086
最大绝对误差：
Figure BDA0002307308940000087
平均绝对误差：
Figure BDA0002307308940000091
均方根误差：
Figure BDA0002307308940000092
作为一种可选的实施例，所述的一种基于不一致性评估的电池组健康状态和剩余寿命预测方法及系统具体包括数据采集模块，特征提取模块，不一致性健康因子HI计算模块，不一致性评估模块，数据驱动训练及预测模块，误差评价模块。如图4所示。
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 (10)

1.基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：该方法利用阶梯电流切换点对应的电压节点提取特征参数，基于特征参数评估电池组不一致性大小并以此作为多个健康因子HI为数据驱动训练输入，通过数据驱动方法进行回归模型训练，运用得到的回归模型进行电池组SOH和RUL预测，能够在评价电池组不一致性大小的基础上精确预测SOH及RUL，具体包括以下步骤：
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；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流数据，建立电池组老化数据库；
步骤S2：判断局部充电阶段，基于电压变化节点提取多个特征参量；
步骤S3：基于提取的特征参量评估电池组不一致性，并计算健康因子HI，作为输入，恒流放电容量对应的健康状态SOH以及剩余寿命RUL作为输出，进行多输入双输出的数据驱动回归模型训练；
步骤S4：利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。
2.根据权利要求1所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：
所述步骤S1具体为：
步骤S11：选定待测电池组，确定其基本参数如额定容量，额定电压，上截止电压及下截止电压；
步骤S12：对待测电池组进行初始容量标定；
步骤S13：将待测电池组在25℃的恒温环境中静置2h；
步骤S14：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S15：静置30min；
步骤S16：采用恒电流进行放电测试，获取电池组电压和电流数据；
步骤S17：静置30min；
步骤S18：重复步骤S14-S17，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。
3.根据权利要求2所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：所述初始容量标定，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；
所述步骤S14中，多段变电流工况根据实际充电时间，各段充电容量需求设置不同的充电工况；
所述步骤S18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。
4.根据权利要求1所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：
所述步骤S2具体为：
步骤S21：判断充电电流所属的阶梯电流阶段，等待下个电流切换点；
步骤S22：根据电流切换点所对应的电池组和电池单体的电压曲线，提取多个特征参量。
5.根据权利要求4所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：所述步骤S22中，多个健康因子包括节点处电池组电压大小、电池单体电压压降和电池单体电压大小。
6.根据权利要求1所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：
所述步骤S3具体为：
步骤S31：根据所提取的特征参量，计算能够反应电池组不一致性的大小的健康因子HI，评估电池组不一致性大小；
步骤S32：将步骤S31计算得到的多个健康因子HI作为数据驱动模型训练的输入参数；
步骤S33：以恒流放电容量所得到的容量值对应的SOH以及电池组的剩余循环次数RUL作为数据驱动模型训练的输出参数；
步骤S34：进行以多输入双输出的数据驱动回归模型训练。
7.根据权利要求6所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：所述步骤S31中，计算能够反应电池组不一致性大小的HI包括电池组节点电压值、电池单体电压值极差、电池组单体电压分布标准差、电池单体压降的极差和电池单体压降的标准差；
电池组的不一致性评估采用权重法对提取的反应不一致性大小的HI进行融合，从而对不一致性大小进行综合评估；
步骤S3中，数据驱动模型为支持向量机SVM、相关向量机RVM、神经网络ANN或高斯过程回归GPR方法中的一种。
8.根据权利要求1所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：所述步骤S4具体为：
步骤S41：利用测试集数据，基于电压节点提取多个特征参量；
步骤S42：利用所提特征参量进行电池组不一致性评估及电池组健康状态SOH和剩余寿命RUL预测；
步骤S43：采用误差评价方法对计算预测结果的误差，评价预测效果。
9.根据权利要求8所述的基于不一致性评估的电池组SOH和RUL预测方法，其特征在于：所述步骤S4中，误差包括置信度区间、最大绝对误差、平均绝对误差和均方根误差。
10.基于根据权利要求1所述方法的基于不一致性评估的电池组SOH和RUL预测系统，其特征在于：该系统包括数据采集模块、特征提取模块、不一致性健康因子HI计算模块、不一致性评估模块、数据驱动训练及预测模块和误差评价模块；
所述数据采集模块与特征提取模块相连，再与不一致性健康因子HI计算模块相连；
不一致性健康因子HI计算模块与不一致性评估模块相连；
不一致性健康因子HI计算模块还与数据驱动训练及预测模块相连；
数据驱动训练及预测模块还与误差评价模块相连。
CN201911245131.5A 2019-12-06 2019-12-06 基于不一致性评估的电池组soh和rul预测方法及系统 Pending CN111007417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911245131.5A CN111007417A (zh) 2019-12-06 2019-12-06 基于不一致性评估的电池组soh和rul预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911245131.5A CN111007417A (zh) 2019-12-06 2019-12-06 基于不一致性评估的电池组soh和rul预测方法及系统

Publications (1)

Publication Number Publication Date
CN111007417A true CN111007417A (zh) 2020-04-14

Family

ID=70115209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911245131.5A Pending CN111007417A (zh) 2019-12-06 2019-12-06 基于不一致性评估的电池组soh和rul预测方法及系统

Country Status (1)

Country Link
CN (1) CN111007417A (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111537889A (zh) * 2020-05-09 2020-08-14 国网福建省电力有限公司莆田供电公司 一种数据驱动的梯次电池rul预测与分类方法
CN111693876A (zh) * 2020-05-09 2020-09-22 清华大学 电池组评价方法及系统
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
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
CN112347692A (zh) * 2020-09-21 2021-02-09 深圳前海有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN112485694A (zh) * 2020-11-23 2021-03-12 国网北京市电力公司 电池组的检测方法及装置
CN112599876A (zh) * 2020-12-22 2021-04-02 江苏双登富朗特新能源有限公司 一种延长锂离子电池组使用寿命的调控方法
CN112798960A (zh) * 2021-01-14 2021-05-14 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
CN113030744A (zh) * 2021-02-24 2021-06-25 上海交通大学 基于健康因子提取的电池健康状况预测方法、系统及介质
CN113064091A (zh) * 2021-03-10 2021-07-02 北京理工新源信息科技有限公司 一种电池剩余寿命的预测方法及系统
CN113075554A (zh) * 2021-03-26 2021-07-06 国网浙江省电力有限公司电力科学研究院 一种基于运行数据的锂离子电池组不一致性辨识方法
CN113125973A (zh) * 2021-04-20 2021-07-16 太仓中科赛诺新能源科技有限公司 快速判断水系钠离子电池组内电池性能一致性的检测方法
CN113227809A (zh) * 2021-02-08 2021-08-06 香港应用科技研究院有限公司 使用恒定电流脉冲比(ccir)校准的旧电池快速筛选方法
CN113740754A (zh) * 2021-09-06 2021-12-03 北京西清能源科技有限公司 一种检测电池组不一致性的方法与系统
CN113917351A (zh) * 2021-10-09 2022-01-11 长沙理工大学 基于容量变化的储能电站电池簇不一致性在线评估方法
CN114065548A (zh) * 2021-11-30 2022-02-18 重庆长安新能源汽车科技有限公司 一种预测电池包箱体盖密封寿命的方法
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114200308A (zh) * 2021-12-03 2022-03-18 西安理工大学 一种基于特征融合的电池组参数不一致性在线评估方法
CN114236413A (zh) * 2021-12-15 2022-03-25 湖北德普电气股份有限公司 电动汽车动力电池健康状态评估方法
WO2022165875A1 (en) * 2021-02-08 2022-08-11 Hong Kong Applied Science and Technology Research Institute Company Limited Fast screening method for used batteries using constant-current impulse ratio (ccir) calibration
WO2022166519A1 (en) * 2021-02-08 2022-08-11 Hong Kong Applied Science and Technology Research Institute Company Limited Fast screening of rechargeable batteries using sectional constant-current impulse ratio (sccir) calibration with constant-current followed by constant-voltage charging
CN115311838A (zh) * 2022-07-22 2022-11-08 重庆大学 一种隧道入口区域车辆协同一致性评价方法
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115542186A (zh) * 2022-11-30 2022-12-30 中国电力科学研究院有限公司 一种储能电池状态及一致性评价方法、装置、设备及介质
EP4160234A4 (en) * 2021-08-11 2023-05-03 Contemporary Amperex Technology Co., Limited CHARGING CURRENT TEST METHOD AND DEVICE AND CHARGING TEST SYSTEM
CN116540097A (zh) * 2023-04-12 2023-08-04 广东博通新能源科技有限公司 电池劣化度在线评估方法及装置
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
CN116609686A (zh) * 2023-04-18 2023-08-18 江苏果下科技有限公司 一种基于云平台大数据的电芯一致性评估方法
CN116908720A (zh) * 2023-09-07 2023-10-20 中国华能集团清洁能源技术研究院有限公司 一种电池组一致性状态诊断方法、装置及存储介质
CN117590242A (zh) * 2024-01-18 2024-02-23 未势能源科技有限公司 电堆的一致性检测方法、装置、存储介质及电子装置
US12032034B2 (en) 2022-06-02 2024-07-09 Contemporary Amperex Technology Co., Limited Charge current test method and device, and charge test system

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103464388A (zh) * 2013-09-26 2013-12-25 上海动力储能电池系统工程技术有限公司 一种锂离子电池筛选方法
CN103647328A (zh) * 2013-12-23 2014-03-19 中国科学院电工研究所 一种阶梯式渐进参数衰减的电池均衡方法
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
CN108333528A (zh) * 2018-02-07 2018-07-27 重庆大学 基于动力电池电-热耦合模型的soc和sot联合状态估计方法
CN109307845A (zh) * 2018-10-19 2019-02-05 中国电力科学研究院有限公司 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN109659641A (zh) * 2019-01-22 2019-04-19 北京交通大学 一种改善的动力锂电池安全充电方法
CN109856561A (zh) * 2019-01-30 2019-06-07 北京长城华冠汽车科技股份有限公司 一种车用动力电池组的健康状态评估方法和装置
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
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
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN110247451A (zh) * 2019-06-17 2019-09-17 重庆大学 一种锂离子动力电池组全寿命周期均衡控制方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103464388A (zh) * 2013-09-26 2013-12-25 上海动力储能电池系统工程技术有限公司 一种锂离子电池筛选方法
CN103647328A (zh) * 2013-12-23 2014-03-19 中国科学院电工研究所 一种阶梯式渐进参数衰减的电池均衡方法
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
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN108333528A (zh) * 2018-02-07 2018-07-27 重庆大学 基于动力电池电-热耦合模型的soc和sot联合状态估计方法
CN109307845A (zh) * 2018-10-19 2019-02-05 中国电力科学研究院有限公司 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统
CN109659641A (zh) * 2019-01-22 2019-04-19 北京交通大学 一种改善的动力锂电池安全充电方法
CN109856561A (zh) * 2019-01-30 2019-06-07 北京长城华冠汽车科技股份有限公司 一种车用动力电池组的健康状态评估方法和装置
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
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
CN110247451A (zh) * 2019-06-17 2019-09-17 重庆大学 一种锂离子动力电池组全寿命周期均衡控制方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王枫: "锂离子动力电池分段智能充电策略研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111537889A (zh) * 2020-05-09 2020-08-14 国网福建省电力有限公司莆田供电公司 一种数据驱动的梯次电池rul预测与分类方法
CN111693876A (zh) * 2020-05-09 2020-09-22 清华大学 电池组评价方法及系统
CN111707951B (zh) * 2020-06-22 2021-04-06 北京理工大学 一种电池组一致性评估方法及系统
WO2021259196A1 (zh) * 2020-06-22 2021-12-30 北京理工大学 一种电池组一致性评估方法及系统
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
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
CN112347692A (zh) * 2020-09-21 2021-02-09 深圳前海有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
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
CN112485694A (zh) * 2020-11-23 2021-03-12 国网北京市电力公司 电池组的检测方法及装置
CN112599876A (zh) * 2020-12-22 2021-04-02 江苏双登富朗特新能源有限公司 一种延长锂离子电池组使用寿命的调控方法
CN112798960A (zh) * 2021-01-14 2021-05-14 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
CN112798960B (zh) * 2021-01-14 2022-06-24 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
US11656291B2 (en) 2021-02-08 2023-05-23 Hong Kong Applied Science and Technology Research Institute Company Limited Fast screening method for used batteries using constant-current impulse ratio (CCIR) calibration
CN113227809B (zh) * 2021-02-08 2024-01-05 香港应用科技研究院有限公司 使用恒定电流脉冲比(ccir)校准的旧电池快速筛选方法
CN113227809A (zh) * 2021-02-08 2021-08-06 香港应用科技研究院有限公司 使用恒定电流脉冲比(ccir)校准的旧电池快速筛选方法
WO2022166519A1 (en) * 2021-02-08 2022-08-11 Hong Kong Applied Science and Technology Research Institute Company Limited Fast screening of rechargeable batteries using sectional constant-current impulse ratio (sccir) calibration with constant-current followed by constant-voltage charging
WO2022165875A1 (en) * 2021-02-08 2022-08-11 Hong Kong Applied Science and Technology Research Institute Company Limited Fast screening method for used batteries using constant-current impulse ratio (ccir) calibration
CN113030744B (zh) * 2021-02-24 2022-06-28 上海交通大学 基于健康因子提取的电池健康状况预测方法、系统及介质
CN113030744A (zh) * 2021-02-24 2021-06-25 上海交通大学 基于健康因子提取的电池健康状况预测方法、系统及介质
CN113064091A (zh) * 2021-03-10 2021-07-02 北京理工新源信息科技有限公司 一种电池剩余寿命的预测方法及系统
CN113064091B (zh) * 2021-03-10 2023-02-10 北京理工新源信息科技有限公司 一种电池剩余寿命的预测方法及系统
CN113075554A (zh) * 2021-03-26 2021-07-06 国网浙江省电力有限公司电力科学研究院 一种基于运行数据的锂离子电池组不一致性辨识方法
CN113125973A (zh) * 2021-04-20 2021-07-16 太仓中科赛诺新能源科技有限公司 快速判断水系钠离子电池组内电池性能一致性的检测方法
EP4160234A4 (en) * 2021-08-11 2023-05-03 Contemporary Amperex Technology Co., Limited CHARGING CURRENT TEST METHOD AND DEVICE AND CHARGING TEST SYSTEM
CN113740754B (zh) * 2021-09-06 2023-10-13 北京西清能源科技有限公司 一种检测电池组不一致性的方法与系统
CN113740754A (zh) * 2021-09-06 2021-12-03 北京西清能源科技有限公司 一种检测电池组不一致性的方法与系统
CN113917351B (zh) * 2021-10-09 2023-12-22 长沙理工大学 基于容量变化的储能电站电池簇不一致性在线评估方法
CN113917351A (zh) * 2021-10-09 2022-01-11 长沙理工大学 基于容量变化的储能电站电池簇不一致性在线评估方法
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114167284B (zh) * 2021-11-02 2023-12-22 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114065548B (zh) * 2021-11-30 2024-05-07 深蓝汽车科技有限公司 一种预测电池包箱体盖密封寿命的方法
CN114065548A (zh) * 2021-11-30 2022-02-18 重庆长安新能源汽车科技有限公司 一种预测电池包箱体盖密封寿命的方法
CN114200308B (zh) * 2021-12-03 2024-03-15 西安理工大学 一种基于特征融合的电池组参数不一致性在线评估方法
CN114200308A (zh) * 2021-12-03 2022-03-18 西安理工大学 一种基于特征融合的电池组参数不一致性在线评估方法
CN114236413A (zh) * 2021-12-15 2022-03-25 湖北德普电气股份有限公司 电动汽车动力电池健康状态评估方法
US12032034B2 (en) 2022-06-02 2024-07-09 Contemporary Amperex Technology Co., Limited Charge current test method and device, and charge test system
CN115311838A (zh) * 2022-07-22 2022-11-08 重庆大学 一种隧道入口区域车辆协同一致性评价方法
CN115311838B (zh) * 2022-07-22 2023-09-26 重庆大学 一种隧道入口区域车辆协同一致性评价方法
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115542186A (zh) * 2022-11-30 2022-12-30 中国电力科学研究院有限公司 一种储能电池状态及一致性评价方法、装置、设备及介质
CN115542186B (zh) * 2022-11-30 2023-03-14 中国电力科学研究院有限公司 一种储能电池状态及一致性评价方法、装置、设备及介质
CN116540097A (zh) * 2023-04-12 2023-08-04 广东博通新能源科技有限公司 电池劣化度在线评估方法及装置
CN116609686B (zh) * 2023-04-18 2024-01-05 江苏果下科技有限公司 一种基于云平台大数据的电芯一致性评估方法
CN116609686A (zh) * 2023-04-18 2023-08-18 江苏果下科技有限公司 一种基于云平台大数据的电芯一致性评估方法
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
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
CN116908720B (zh) * 2023-09-07 2023-12-26 中国华能集团清洁能源技术研究院有限公司 一种电池组一致性状态诊断方法、装置及存储介质
CN116908720A (zh) * 2023-09-07 2023-10-20 中国华能集团清洁能源技术研究院有限公司 一种电池组一致性状态诊断方法、装置及存储介质
CN117590242A (zh) * 2024-01-18 2024-02-23 未势能源科技有限公司 电堆的一致性检测方法、装置、存储介质及电子装置
CN117590242B (zh) * 2024-01-18 2024-04-26 未势能源科技有限公司 电堆的一致性检测方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN111007417A (zh) 基于不一致性评估的电池组soh和rul预测方法及系统
WO2021259196A1 (zh) 一种电池组一致性评估方法及系统
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
Kim et al. Complementary cooperation algorithm based on DEKF combined with pattern recognition for SOC/capacity estimation and SOH prediction
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
Wang et al. A LiFePO4 battery pack capacity estimation approach considering in-parallel cell safety in electric vehicles
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
CN110133525B (zh) 一种应用于电池管理系统的锂离子电池健康状态估计方法
CN108896914A (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN109061508A (zh) 一种电动汽车锂电池soh的估计方法
CN111974709B (zh) 基于温度变化聚类分析的退役动力锂电池筛选方法及系统
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
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
CN113820604B (zh) 一种基于温度预测的锂电池soh估计方法
CN112858916A (zh) 一种基于模型与数据驱动融合的电池包荷电状态估计方法
CN106597288A (zh) 一种电源soc估算方法
CN112462282A (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
Zhao et al. Estimation of the SOC of energy-storage lithium batteries based on the voltage increment
CN111487532B (zh) 一种基于层次分析法和熵值法的退役电池筛选方法及系统
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
Lyu et al. State-of-charge estimation of lithium-ion batteries based on deep neural network
CN117022048A (zh) 一种电动汽车电池荷电状态的评估方法

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: 20200414