CN111308350A - 一种通过大数据进行轨交锂电池性能评估的整体模型框架 - Google Patents
一种通过大数据进行轨交锂电池性能评估的整体模型框架 Download PDFInfo
- Publication number
- CN111308350A CN111308350A CN201910914087.6A CN201910914087A CN111308350A CN 111308350 A CN111308350 A CN 111308350A CN 201910914087 A CN201910914087 A CN 201910914087A CN 111308350 A CN111308350 A CN 111308350A
- Authority
- CN
- China
- Prior art keywords
- data
- submodule
- battery
- module
- performance evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 22
- 238000012827 research and development Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- 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
-
- 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
本发明涉及轨道交通维护技术领域，尤其是一种通过大数据进行轨交锂电池性能评估的整体模型框架；它包括：数据源层，用于收集数据；数据出来层，用于实现数据充实、数据集成和数据交换；数据仓库层，用于保存电池数据，也就是电池数据中心；评价模型，用于通过大数据和机器学习实现电池使用分析、性能评估、故障预测、安全性能评估以及后续研发；应用场景层，用于管理人员应用；应用API层，用于大屏展示、服务站门户等。
Description
技术领域
本发明涉及轨道交通维护技术领域，尤其是一种通过大数据进行轨交锂电池性能评估的整体模型框架。
背景技术
轨道交通中采用了大量的动力电池(锂电池)，锂电池组或者单体通过各种传感器向工控机传导数据信号，但由于涉及多种数据的采集、传输、归类、处理，而且数据又需要通过多种评价模型进行评估，还需要向工作人员实现应用等。目前现有技术依然停留在单项数据的观察、评估和预测，难以将锂电池的整体性能进行评估。
发明内容
针对现有技术的不足，本发明提供一种通过大数据进行轨交锂电池性能评估的整体模型框架。
本发明的技术方案为：
一种通过大数据进行轨交锂电池性能评估的整体模型框架，它包括：
数据源层，用于收集数据；
数据出来层，用于实现数据充实、数据集成和数据交换；
数据仓库层，用于保存电池数据，也就是电池数据中心；
评价模型，用于通过大数据和机器学习实现电池使用分析、性能评估、故障预测、安全性能评估以及后续研发；
应用场景层，用于管理人员应用；
应用API层，用于大屏展示、服务站门户等。
具体的，所述数据源层中的数据来源包括TSP、CRM、DMS、研发。
具体的，所述数据处理层中数据集成采用了ELT。
具体的，所述数据仓库层中电池数据中心与Hadoop Stack交互，而Hadoop Stack将批量处理后的数据传递给高级分析服务模块，所述高级分析服务模块包括3D模型分析子模块、数据可视化分析子模块、算法模拟子模块、Spark ML子模块、Mahout子模块，其中Spark ML子模块、Mahout子模块与评价模型层进行信息交互。
具体的，所述评价模型层包括电池使用分析模块、SOX性能评估模块、PHM故障预测模块、SOS安全模块和研发模块，其中电池使用分析模块包括充放电热力分布子模块、充电状态分别子模块、工况与能耗分布，SOX性能评估模块包括SOH子模块、SOE子模块、RDR子模块、TOC子模块，所述PHM故障预测模块包括报警优化子模块、温升子模块、单体欠压子模块、电瓶亏电子模块、知识图谱子模块、电压不均衡子模块、温度不均衡子模块、密封失效子模块和接触器断路子模块，所述SOS安全模块包括热失控子模块和亚健康子模块，所述研发模块包括三电性能评估子模块、电池控制策略子模块、智能pack子模块。
具体的，应用场景层包括电池使用情况分析模块、电池性能评估模块、故障预测分析模块、电池安全预测模块、逆向研发模块和运营调度管理模块。
具体的，所述数据源层将轨道交通锂电池上采集到的数据以RTM Data的形式为SOX性能评估模块以及PHM故障预测模块提供数据，其中SOH子模块和SOE子模块评估充电时间和续航里程。
具体的，所述SOX性能评估模块在云端完成电池SOX云端估算，
其中SOH估算：通过对电动汽车在运行期间会不断记录动力电池所处的温度、电流、电压、SOC与时间序列数据，基于输入的标准化数据，进行数据的SOH特征定义，通过不同的算法模型进行学习，然后进行评估，大规模运行数据进行SOH估算，从而对一定规模的电池系统长期运行工况数据和性能状态进行评估，从而预测SOH的演化规律；
其中SOE估算：SOE是指电池剩余能量占可用总能量的百分比，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池能量状态信息及其演变规律，并充分考虑到能耗关系，实现电池SOE精确预测；
其中RDR估算：通过预测电池的剩余能量，同时评估未来的平均能耗，两者相除，就是剩余里程的估算。有当前周期和长周期两种方式表示；
其中TOC估算：充电时间(Time of Charging,ToC)是指保持现有充电模式下，从SOC当前值充到SOC目标值所需要的时间，在依赖于电动汽车数据采集的长周期情况下，从电池单位容量随着时间变化的趋势来进行所需要充电时间的预测。
本发明的有益效果为：电池产生数据整理后分别传递给SOX性能评估模块和PHM故障预测模块，并且SOX性能评估模块与PHM故障预测模块在温度、电压影响因子上进行信息共享，最终通过算法对报警数据进行优化，整个模块框架覆盖了数据源、数据库、应用层等，对轨道交通所用的锂电池可进行全面完整的评估。
附图说明
图1为本发明的电池分析架构图；
图2为本发明的体系架构图；
图3为本发明的具体评估内容说明图(其1)；
图4为本发明的具体评估内容说明图(其2)。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1-4所示，一种通过大数据进行轨交锂电池性能评估的整体模型框架，它包括：
数据源层，用于收集数据；
数据出来层，用于实现数据充实、数据集成和数据交换；
数据仓库层，用于保存电池数据，也就是电池数据中心；
评价模型，用于通过大数据和机器学习实现电池使用分析、性能评估、故障预测、安全性能评估以及后续研发；
应用场景层，用于管理人员应用；
应用API层，用于大屏展示、服务站门户等。
具体的，所述数据源层中的数据来源包括TSP、CRM、DMS、研发。
具体的，所述数据处理层中数据集成采用了ELT。
具体的，所述数据仓库层中电池数据中心与Hadoop Stack交互，而Hadoop Stack将批量处理后的数据传递给高级分析服务模块，所述高级分析服务模块包括3D模型分析子模块、数据可视化分析子模块、算法模拟子模块、Spark ML子模块、Mahout子模块，其中Spark ML子模块、Mahout子模块与评价模型层进行信息交互。
具体的，所述评价模型层包括电池使用分析模块、SOX性能评估模块、PHM故障预测模块、SOS安全模块和研发模块，其中电池使用分析模块包括充放电热力分布子模块、充电状态分别子模块、工况与能耗分布，SOX性能评估模块包括SOH子模块、SOE子模块、RDR子模块、TOC子模块，所述PHM故障预测模块包括报警优化子模块、温升子模块、单体欠压子模块、电瓶亏电子模块、知识图谱子模块、电压不均衡子模块、温度不均衡子模块、密封失效子模块和接触器断路子模块，所述SOS安全模块包括热失控子模块和亚健康子模块，所述研发模块包括三电性能评估子模块、电池控制策略子模块、智能pack子模块。
具体的，应用场景层包括电池使用情况分析模块、电池性能评估模块、故障预测分析模块、电池安全预测模块、逆向研发模块和运营调度管理模块。
具体的，所述数据源层将轨道交通锂电池上采集到的数据以RTM Data的形式为SOX性能评估模块以及PHM故障预测模块提供数据，其中SOH子模块和SOE子模块评估充电时间和续航里程。
具体的，所述SOX性能评估模块在云端完成电池SOX云端估算，
其中SOH估算：通过对电动汽车在运行期间会不断记录动力电池所处的温度、电流、电压、SOC与时间序列数据，基于输入的标准化数据，进行数据的SOH特征定义，通过不同的算法模型进行学习，然后进行评估，大规模运行数据进行SOH估算，从而对一定规模的电池系统长期运行工况数据和性能状态进行评估，从而预测SOH的演化规律；
其中SOE估算：SOE是指电池剩余能量占可用总能量的百分比，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池能量状态信息及其演变规律，并充分考虑到能耗关系，实现电池SOE精确预测；
其中RDR估算：通过预测电池的剩余能量，同时评估未来的平均能耗，两者相除，就是剩余里程的估算。有当前周期和长周期两种方式表示；
其中TOC估算：充电时间(Time of Charging,ToC)是指保持现有充电模式下，从SOC当前值充到SOC目标值所需要的时间，在依赖于电动汽车数据采集的长周期情况下，从电池单位容量随着时间变化的趋势来进行所需要充电时间的预测。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种通过大数据进行轨交锂电池性能评估的整体模型框架，它包括：
数据源层，用于收集数据；
数据出来层，用于实现数据充实、数据集成和数据交换；
数据仓库层，用于保存电池数据，也就是电池数据中心；
评价模型，用于通过大数据和机器学习实现电池使用分析、性能评估、故障预测、安全性能评估以及后续研发；
应用场景层，用于管理人员应用；
应用API层，用于大屏展示、服务站门户。
2.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述数据源层中的数据来源包括TSP、CRM、DMS、研发。
3.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述数据处理层中数据集成采用了ELT。
4.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述数据仓库层中电池数据中心与Hadoop Stack交互，而Hadoop Stack将批量处理后的数据传递给高级分析服务模块，所述高级分析服务模块包括3D模型分析子模块、数据可视化分析子模块、算法模拟子模块、Spark ML子模块、Mahout子模块，其中Spark ML子模块、Mahout子模块与评价模型层进行信息交互。
5.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述评价模型层包括电池使用分析模块、SOX性能评估模块、PHM故障预测模块、SOS安全模块和研发模块，其中电池使用分析模块包括充放电热力分布子模块、充电状态分别子模块、工况与能耗分布，SOX性能评估模块包括SOH子模块、SOE子模块、RDR子模块、TOC子模块，所述PHM故障预测模块包括报警优化子模块、温升子模块、单体欠压子模块、电瓶亏电子模块、知识图谱子模块、电压不均衡子模块、温度不均衡子模块、密封失效子模块和接触器断路子模块，所述SOS安全模块包括热失控子模块和亚健康子模块，所述研发模块包括三电性能评估子模块、电池控制策略子模块、智能pack子模块。
6.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
应用场景层包括电池使用情况分析模块、电池性能评估模块、故障预测分析模块、电池安全预测模块、逆向研发模块和运营调度管理模块。
7.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述数据源层将轨道交通锂电池上采集到的数据以RTM Data的形式为SOX性能评估模块以及PHM故障预测模块提供数据，其中SOH子模块和SOE子模块评估充电时间和续航里程。
8.根据权利要求1所述的一种通过大数据进行轨交锂电池性能评估的整体模型框架，其特征在于：
所述SOX性能评估模块在云端完成电池SOX云端估算，
其中SOH估算：通过对电动汽车在运行期间会不断记录动力电池所处的温度、电流、电压、SOC与时间序列数据，基于输入的标准化数据，进行数据的SOH特征定义，通过不同的算法模型进行学习，然后进行评估，大规模运行数据进行SOH估算，从而对一定规模的电池系统长期运行工况数据和性能状态进行评估，从而预测SOH的演化规律；
其中SOE估算：SOE是指电池剩余能量占可用总能量的百分比，从电池的额定信息和状态监测数据挖掘其中隐含的电池能量状态信息及其演变规律，并充分考虑到能耗关系，实现电池SOE精确预测；
其中RDR估算：通过预测电池的剩余能量，同时评估未来的平均能耗，两者相除，就是剩余里程的估算；
其中TOC估算：充电时间是指保持现有充电模式下，从SOC当前值充到SOC目标值所需要的时间，在依赖于电动汽车数据采集的长周期情况下，从电池单位容量随着时间变化的趋势来进行所需要充电时间的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910914087.6A CN111308350A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910914087.6A CN111308350A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111308350A true CN111308350A (zh) | 2020-06-19 |
Family
ID=71148836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910914087.6A Pending CN111308350A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111308350A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111983466A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨市新量能电气技术有限公司 | 一种基于电压和温度特性的锂电池安全度估算方法及装置 |
| CN117110896A (zh) * | 2023-10-24 | 2023-11-24 | 湖北工业大学 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
| CN117458010A (zh) * | 2023-12-20 | 2024-01-26 | 超耐斯(深圳)新能源集团有限公司 | 一种基于数据分析的锂电池储能监控系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
| CN104569847A (zh) * | 2015-01-28 | 2015-04-29 | 国网冀北电力有限公司电力科学研究院 | 一种锂电池性能评估方法及装置 |
| EP3309567A1 (en) * | 2016-10-13 | 2018-04-18 | Contemporary Amperex Technology Co., Limited | Method and device for estimating remaining available energy of a power battery |
| CN108009300A (zh) * | 2017-12-28 | 2018-05-08 | 中译语通科技（青岛）有限公司 | 一种基于大数据技术的远程运维系统 |
| CN108182551A (zh) * | 2018-02-02 | 2018-06-19 | 域通全球成都科技有限责任公司 | 一种基于大数据的锂电池巡检排期系统 |
| CN108258338A (zh) * | 2017-12-29 | 2018-07-06 | 江苏博强新能源科技股份有限公司 | 电池的管理系统和方法 |
| CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN109655748A (zh) * | 2018-12-29 | 2019-04-19 | 清华大学 | 电池热失控温度的确定方法与电池热失控性能的评价方法 |
| 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 |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
-
2019
- 2019-09-25 CN CN201910914087.6A patent/CN111308350A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
| CN104569847A (zh) * | 2015-01-28 | 2015-04-29 | 国网冀北电力有限公司电力科学研究院 | 一种锂电池性能评估方法及装置 |
| EP3309567A1 (en) * | 2016-10-13 | 2018-04-18 | Contemporary Amperex Technology Co., Limited | Method and device for estimating remaining available energy of a power battery |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN108009300A (zh) * | 2017-12-28 | 2018-05-08 | 中译语通科技（青岛）有限公司 | 一种基于大数据技术的远程运维系统 |
| CN108258338A (zh) * | 2017-12-29 | 2018-07-06 | 江苏博强新能源科技股份有限公司 | 电池的管理系统和方法 |
| CN108182551A (zh) * | 2018-02-02 | 2018-06-19 | 域通全球成都科技有限责任公司 | 一种基于大数据的锂电池巡检排期系统 |
| CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理系统 |
| 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 |
| CN109655748A (zh) * | 2018-12-29 | 2019-04-19 | 清华大学 | 电池热失控温度的确定方法与电池热失控性能的评价方法 |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111983466A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨市新量能电气技术有限公司 | 一种基于电压和温度特性的锂电池安全度估算方法及装置 |
| CN117110896A (zh) * | 2023-10-24 | 2023-11-24 | 湖北工业大学 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
| CN117110896B (zh) * | 2023-10-24 | 2024-01-05 | 湖北工业大学 | 一种基于知识图谱的锂离子电池故障检测方法及系统 |
| CN117458010A (zh) * | 2023-12-20 | 2024-01-26 | 超耐斯(深圳)新能源集团有限公司 | 一种基于数据分析的锂电池储能监控系统 |
| CN117458010B (zh) * | 2023-12-20 | 2024-04-02 | 超耐斯(深圳)新能源集团有限公司 | 一种基于数据分析的锂电池储能监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dai et al. | Advanced battery management strategies for a sustainable energy future: Multilayer design concepts and research trends | |
| Ahmed et al. | The role of artificial intelligence in the mass adoption of electric vehicles | |
| Lai et al. | Sorting, regrouping, and echelon utilization of the large-scale retired lithium batteries: A critical review | |
| Song et al. | Intelligent state of health estimation for lithium-ion battery pack based on big data analysis | |
| Hu et al. | State estimation for advanced battery management: Key challenges and future trends | |
| Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
| Meng et al. | Lithium-ion battery state-of-health estimation in electric vehicle using optimized partial charging voltage profiles | |
| Panchal et al. | Thermal and electrical performance assessments of lithium-ion battery modules for an electric vehicle under actual drive cycles | |
| CN111308350A (zh) | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 | |
| CN108872863B (zh) | 一种优化分类的电动汽车充电状态监测方法 | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN103576096A (zh) | 电动汽车动力电池剩余电量的实时评估方法及装置 | |
| Hu et al. | Research directions for next-generation battery management solutions in automotive applications | |
| CN111581850A (zh) | 一种应用数字孪生技术的全周期动力电池管理系统 | |
| CN110310039B (zh) | 一种锂电池全生命周期在线优化监控系统及监控方法 | |
| CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
| 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 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| KR20130082959A (ko) | 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법 | |
| Liang et al. | Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation | |
| Anandavel et al. | Application of digital twins to the product lifecycle management of battery packs of electric vehicles | |
| Singh et al. | Driving electric vehicles into the future with battery management systems | |
| Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
| Karmawijaya et al. | Development of big data analytics platform for electric vehicle battery management system | |
| Khalatbarisoltani et al. | Energy management strategies for fuel cell vehicles: A comprehensive review of the latest progress in modeling, strategies, and future prospects |
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 |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |