CN111308377A - 基于温度电压微分的电池健康状态检测方法及系统 - Google Patents
基于温度电压微分的电池健康状态检测方法及系统 Download PDFInfo
- Publication number
- CN111308377A CN111308377A CN202010161594.XA CN202010161594A CN111308377A CN 111308377 A CN111308377 A CN 111308377A CN 202010161594 A CN202010161594 A CN 202010161594A CN 111308377 A CN111308377 A CN 111308377A
- Authority
- CN
- China
- Prior art keywords
- battery
- temperature
- voltage
- differential curve
- voltage differential
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于温度电压微分的电池健康状态检测方法及系统,包括:获取训练样本数据;根据训练样本数据对高斯过程回归模型训练,得离线高斯过程回归模型;获取当前时刻电池的端电压及表面温度;根据当前时刻数据确定温度电压微分曲线;采用移动平均滤波算法对温度电压微分曲线滤波,得滤波后温度电压微分曲线;根据滤波后温度电压微分曲线确定电池特征值;将电池特征值输入到离线的高斯过程回归模型,得电池当前健康状态检测结果;根据检测结果对电池特征值标定作为更新数据,对离线的高斯过程回归模型更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。通过本发明的上述方法能实时检测出电池的健康状态,提高检测精度。
Description
技术领域
本发明涉及电池健康状态检测技术领域,特别是涉及一种基于温度电压微分的电池健康状态检测方法及系统。
背景技术
锂电池由于能量密度高、循环寿命长等优点,已经在电动汽车上得到了广泛的应用。锂离子电池在使用过程中的性能衰退会导致车辆续驶里程下降、动力性变差、使用寿命缩短及安全隐患增大,因此准确估计及预测动力电池的健康状态为用户提供精确参数指导,以免造成更大的电池损坏甚至严重安全事故,同时也是提升电动汽车在动力性、安全性、可靠性等方面的重要保证。
造成电池衰退的内部机制复杂多样,受到环境温度、充放电倍率等众多外部因素的影响,同时电动汽车具有较高的实时性要求,如何快速准确估计电池健康状态是目前亟待解决的难题。
发明内容
本发明的目的是提供一种基于温度电压微分的电池健康状态检测方法及系统,能实时检测出电池的健康状态。
为实现上述目的,本发明提供了如下方案:
一种基于温度电压微分的电池健康状态检测方法,所述电池健康状态检测方法包括:
获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据;
根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型;
获取当前时刻电池的端电压以及表面温度;所述电池为多个;
根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值;
采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线;
根据所述滤波后温度电压微分曲线确定电池特征值;
将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果;
根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据;
根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
可选的,所述获取当前时刻电池的端电压以及表面温度之后还包括:
判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果;
若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号;
若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果;
若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号;
若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回“根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线”步骤。
可选的,所述根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线,具体包括:
获取预设电压间隔;
可选的,所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
一种基于温度电压微分的电池健康状态检测系统,所述电池健康状态检测系统包括:
训练样本数据获取模块,用于获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据;
离线高斯过程回归模型获得模块,用于根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型;
端电压以及表面温度获取模块,用于获取当前时刻电池的端电压以及表面温度;所述电池为多个;
温度电压微分曲线确定模块,用于根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值;
滤波后温度电压微分曲线获得模块,用于采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线;
电池特征值确定模块,用于根据所述滤波后温度电压微分曲线确定电池特征值;
电池当前健康状态检测模块,用于将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果;
数据更新模块,用于根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据;
下一时刻电池健康状态检测模块,用于根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
可选的,所述电池健康状态检测系统还包括:
第一判断模块,用于判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果;
报警模块一,用于若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号;
第二判断模块,用于若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果;
报警模块二,用于若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号;
返回模块,用于若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回所述温度电压微分曲线确定模块。
可选的,所述温度电压微分曲线确定模块,具体包括:
预设电压间隔获取单元,用于获取预设电压间隔;
温度电压微分曲线确定单元,用于根据公式k=1,2,3,...,n确定所述电池的温度电压微分曲线;其中,DVKk为温度电压微分曲线值,ΔV为预设电压间隔,k为采样时间点,n为采样时间点的数量,ΔTk为预设电压间隔内温度变化值。
可选的,所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种基于温度电压微分的电池健康状态检测方法及系统,根据容易测量的电池表面温度和电池端电压计算温度电压微分曲线,根据温度电压微分曲线提取高精度强鲁棒性的健康因子即电池特征值,建立与电池健康状态的映射关系,由于健康因子与电池健康状态的强相关性,降低了电池健康状态诊断误差,最后根据电池特征值采用离线高斯过程回归模型对电池健康状态进行检测,实现了电池的健康状态的实时检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于温度电压微分的电池健康状态检测方法的流程图;
图2为本发明实施例所提供的温度电压微分曲线图;
图3为本发明实施例所提供的一种基于温度电压微分的电池健康状态检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于温度电压微分的电池健康状态检测方法及系统,能实时检测出电池的健康状态。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的一种基于温度电压微分的电池健康状态检测方法的流程图,如图1所示,本发明所述电池健康状态检测方法包括:
S101,获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据。
S102,根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型。
具体的,基于动力电池运行的历史数据(表面温度、电压)即训练样本数据,计算预设电压间隔内每个电池表面温度的变化,即每个电池的温度电压微分(DTV)曲线,计算公式如下:
其中,DVKk为温度电压微分曲线值,ΔV为预设电压间隔,k为采样时间点,n为采样时间点的数量,ΔTk为预设电压间隔内温度变化值。本发明实施例中ΔV=2mV。
采用移动平均滤波算法对多个DTV曲线均进行滤波,在设定滤波窗口内,按照如下滤波公式进行滤波处理:
其中,x为输入即滤波前的曲线值,y为输出即滤波后的曲线值,N为滤波窗口大小,本发明实施例中取N=9即滤波窗口大小为9。
对滤波后的DTV曲线,取第一个波峰对应电压Vpeak1为第一个特征值FV1,取两峰中间波谷对应电压Vvolly为第二特征值FV2,取第二个波峰对应电压Vpeak2为第三特征值FV3,如图2所示,获得了训练电池特征值。
将训练电池特征值[FV1,FV2,FV3]作为输入,电池健康状态SOH作为输出,离线训练基于高斯过程回归(Gaussian Process Regression,GPR)的电池健康状态诊断模型,即对高斯过程回归模型进行训练。
GPR是一种核学习机算法,需要进行核函数的选取和超参数初始值设定,常用的核函数有平方指数核(SE)函数、Matern类核函数、神经网络(NN)核函数等,本实施例中选用平方指数(SE)核函数。
高斯过程回归模型的输出可表达为带高斯噪声的隐函数:y=f(x)+ε,其中x为输入向量[x1,x2,...xn],y为输出向量[y1,y2,...yn];高斯噪声包括测量误差、模型误差等误差,服从高斯分布其中为高斯噪声ε的方差。
高斯过程中预测结果y的先验分布为:y~N(0,Kf(x,x)+σn 2In),
其中kij为变量xi和xj的协方差,代表两变量相似度,i=1,2,...n;j=1,2,...n。
进行模型训练时,以电池健康因子[FV1,FV2,FV3]作为输入,电池健康状态SOH作为输出,通过优化负边际对数似然求解超参数,如下所示:
设定模型训练迭代次数为100次,本例中在50-80次迭代时均收敛。
S103,获取当前时刻电池的端电压以及表面温度;所述电池为多个。
进行动力电池在线健康状态诊断时,电池管理系统(Battery ManagementSystem,BMS)采集每个电池端电压及表面温度。动力电池为多个单电池,对每个电池的端电压及表面温度进行采集,然后采用本发明的方法同时对多个电池同时检测。
S104,根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值,具体包括:
获取预设电压间隔。
S105,采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线。具体的,采用上述滤波公式进行滤波。
S106,根据所述滤波后温度电压微分曲线确定电池特征值;所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
具体的,电池特征值的确定和上述S102中电池特征值方法一样。
S107,将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果。
S108,根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据。
S109,根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
S103之后还包括:
判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果。
若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号,不对电池健康状态进行更新,保留上一循环时的状态值,之后,再获取下一时刻电池的端电压以及表面温度,再进行阈值判断,符合条件就对下一时刻电池组健康状态进行检测,完成电池健康状态的实时检测。
若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果。
若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号,不对电池健康状态进行更新,保留上一循环时的状态值。之后,再获取下一时刻电池的端电压以及表面温度,再进行阈值判断,符合条件就对下一时刻电池组健康状态进行检测,完成电池健康状态的实时检测。
若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回S104,对当前时刻电池健康状态进行检测。
本发明还提供一种基于温度电压微分的电池健康状态检测系统,如图3所示,所述电池健康状态检测系统包括:
训练样本数据获取模块1,用于获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据。
离线高斯过程回归模型获得模块2,用于根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型。
端电压以及表面温度获取模块3,用于获取当前时刻电池的端电压以及表面温度;所述电池为多个。
温度电压微分曲线确定模块4,用于根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值。
滤波后温度电压微分曲线获得模块5,用于采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线。
电池特征值确定模块6,用于根据所述滤波后温度电压微分曲线确定电池特征值。
电池当前健康状态检测模块7,用于将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果。
数据更新模块8,用于根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据。
下一时刻电池健康状态检测模块9,用于根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
优选的,所述电池健康状态检测系统还包括:
第一判断模块,用于判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果。
报警模块一,用于若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号。
第二判断模块,用于若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果。
报警模块二,用于若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号。
返回模块,用于若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回所述温度电压微分曲线确定模块。
优选的,所述温度电压微分曲线确定模块4具体包括:
预设电压间隔获取单元,用于获取预设电压间隔。
温度电压微分曲线确定单元,用于根据公式k=1,2,3,...,n确定所述电池的温度电压微分曲线;其中,DVKk为温度电压微分曲线值,ΔV为预设电压间隔,k为采样时间点,n为采样时间点的数量,ΔTk为预设电压间隔内温度变化值。
优选的,所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
由于锂电池内部化学反应机理复杂,难以通过建立物理模型准确反应内部状态,近几年基于数据驱动的电池健康状态检测方法得到很大发展,只需要监测电池外部电流电压等容易测量的参数和历史样本数据就可以实现对电池的健康状态在线预测。但是现有技术中多基于电池电压和电流数据提取表征电池健康状态的健康因子,且健康状态结果准确性可靠性较低,不能满足实际应用需求。因此本发明提供一种基于温度电压微分的电池健康状态检测方法及系统,根据容易测量的电池表面温度和电池端电压计算温度电压微分曲线,根据温度电压微分曲线提取高精度强鲁棒性的健康因子即电池特征值,建立与电池健康状态的映射关系,由于健康因子与电池健康状态的强相关性,降低了电池健康状态诊断误差,最后根据电池特征值采用离线高斯过程回归模型对电池健康状态进行检测,实现了电池的健康状态的实时检测。
本发明提取高精度强鲁棒性的健康因子并建立与电池健康状态的映射关系,弥补了当前电池系统健康状态诊断方法在线诊断困难的问题,由于基于温度电压微分曲线提取的健康因子与电池健康状态的强相关性,降低了电池健康状态诊断误差,提高了该功能的适用性。由于所提出的电池健康状态检测方法能够不断监测电池表面温度的变化,该方法在快速有效监测电池健康状态的同时还可以对电池热失控故障进行有效预警,保证了电池系统的安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于温度电压微分的电池健康状态检测方法,其特征在于,所述电池健康状态检测方法包括:
获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据;
根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型;
获取当前时刻电池的端电压以及表面温度;所述电池为多个;
根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值;
采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线;
根据所述滤波后温度电压微分曲线确定电池特征值;
将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果;
根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据;
根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
2.根据权利要求1所述的基于温度电压微分的电池健康状态检测方法,其特征在于,所述获取当前时刻电池的端电压以及表面温度之后还包括:
判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果;
若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号;
若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果;
若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号;
若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回“根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线”步骤。
4.根据权利要求1所述的基于温度电压微分的电池健康状态检测方法,其特征在于,所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
5.一种基于温度电压微分的电池健康状态检测系统,其特征在于,所述电池健康状态检测系统包括:
训练样本数据获取模块,用于获取训练样本数据;所述训练样本数据包括多个电池的表面温度数据以及所述多个电池的端电压数据;
离线高斯过程回归模型获得模块,用于根据所述训练样本数据对高斯过程回归模型进行训练,获得离线高斯过程回归模型;
端电压以及表面温度获取模块,用于获取当前时刻电池的端电压以及表面温度;所述电池为多个;
温度电压微分曲线确定模块,用于根据所述当前时刻电池的端电压以及表面温度确定所述电池的温度电压微分曲线;所述温度电压微分曲线包括多个温度电压微分值;
滤波后温度电压微分曲线获得模块,用于采用移动平均滤波算法对所述电池的温度电压微分曲线进行滤波,获得滤波后温度电压微分曲线;
电池特征值确定模块,用于根据所述滤波后温度电压微分曲线确定电池特征值;
电池当前健康状态检测模块,用于将所述电池特征值输入到所述离线的高斯过程回归模型,得到电池当前健康状态检测结果;
数据更新模块,用于根据所述电池当前健康状态检测结果对所述电池特征值进行标定,作为更新数据;
下一时刻电池健康状态检测模块,用于根据所述更新数据,对所述离线的高斯过程回归模型进行更新,采用更新后的高斯过程回归模型对下一时刻的电池健康状态进行检测。
6.根据权利要求5所述的基于温度电压微分的电池健康状态检测系统,其特征在于,所述电池健康状态检测系统还包括:
第一判断模块,用于判断所述当前时刻电池的端电压是否小于预设电压阈值,获得第一判断结果;
报警模块一,用于若所述第一判断结果表示所述当前时刻电池的端电压大于或等于预设电压阈值,发出报警信号;
第二判断模块,用于若所述第一判断结果表示所述当前时刻电池的端电压小于预设电压阈值,判断当前时刻电池的表面温度是否小于预设温度阈值,获得第二判断结果;
报警模块二,用于若所述第二判断结果表示所述当前时刻电池的表面温度大于或等于预设温度阈值,发出报警信号;
返回模块,用于若所述第二判断结果表示所述当前时刻电池的表面温度小于预设温度阈值,返回所述温度电压微分曲线确定模块。
8.根据权利要求5所述的基于温度电压微分的电池健康状态检测系统,其特征在于,所述电池特征值包括所述滤波后温度电压微分曲线中第一个波峰对应的第一端电压值、第二个波峰对应的第二端电压值以及波谷对应的第三端电压值,所述波谷为所述第一个波峰与所述第二个波峰之间的波谷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161594.XA CN111308377A (zh) | 2020-03-10 | 2020-03-10 | 基于温度电压微分的电池健康状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161594.XA CN111308377A (zh) | 2020-03-10 | 2020-03-10 | 基于温度电压微分的电池健康状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111308377A true CN111308377A (zh) | 2020-06-19 |
Family
ID=71149595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010161594.XA Pending CN111308377A (zh) | 2020-03-10 | 2020-03-10 | 基于温度电压微分的电池健康状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111308377A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462288A (zh) * | 2020-10-22 | 2021-03-09 | 江苏大学 | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 |
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
CN117804535A (zh) * | 2023-12-31 | 2024-04-02 | 家剧社信息科技(苏州)有限公司 | 基于数字化实现智能家居的数据可视化展示方法及系统 |
US12038482B1 (en) | 2024-03-14 | 2024-07-16 | Prince Mohammad Bin Fahd University | System and method for determining capacity of battery cell |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
-
2020
- 2020-03-10 CN CN202010161594.XA patent/CN111308377A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
Non-Patent Citations (6)
Title |
---|
ROBERT R. RICHARDSON等: ""Gaussian Process Regression for In Situ Capacity Estimation of Lithium-Ion Batteries"", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
YI LI等: ""A quick on-line state of health estimation method for Li-ion battery with incremental capacity curves processed by Gaussian filter"", 《JOURNAL OF POWER SOURCES》 * |
YU MERLA等: ""Novel application of differential thermal voltammetry as an in-depth state-of-health diagnosis method for lithium-ion batteries"", 《JOURNAL OF POWER SOURCES》 * |
ZHENPO WANG等: ""State-of-Health Estimation for Lithium-Ion Batteries Based on the Multi-Island Genetic Algorithm and the Gaussian Process Regression"", 《IEEE ACCESS》 * |
国家税务总局教材编写组: "《全国税务系统干部教育培训系列教材 信息技术 初级》", 31 January 2016, 中国税务出版社 * |
邹渊等: "《地面车辆混合驱动系统建模与控制优化》", 31 January 2015, 北京理工大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462288A (zh) * | 2020-10-22 | 2021-03-09 | 江苏大学 | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 |
CN112462288B (zh) * | 2020-10-22 | 2024-05-10 | 江苏大学 | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 |
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN115389947B (zh) * | 2022-10-27 | 2023-01-03 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
CN117804535A (zh) * | 2023-12-31 | 2024-04-02 | 家剧社信息科技(苏州)有限公司 | 基于数字化实现智能家居的数据可视化展示方法及系统 |
CN117804535B (zh) * | 2023-12-31 | 2024-06-18 | 家剧社信息科技(苏州)有限公司 | 基于数字化实现智能家居的数据可视化展示方法及系统 |
US12038482B1 (en) | 2024-03-14 | 2024-07-16 | Prince Mohammad Bin Fahd University | System and method for determining capacity of battery cell |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111308377A (zh) | 基于温度电压微分的电池健康状态检测方法及系统 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN110161414B (zh) | 一种动力电池热失控在线预测方法及系统 | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
Wang et al. | State of health estimation based on modified Gaussian process regression for lithium-ion batteries | |
CN111142036A (zh) | 基于容量增量分析的锂离子电池在线快速容量估计方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN114167284B (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
CN114611597A (zh) | 基于rgan的锂离子电池健康状态估计方法及系统 | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN113459894A (zh) | 一种电动汽车电池安全预警方法及系统 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
Savargaonkar et al. | A cycle-based recurrent neural network for state-of-charge estimation of li-ion battery cells | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113759258B (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN114839550A (zh) | 一种基于ukf-aukf的锂电池soc联合估计方法 | |
CN111965548B (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
CN114184972A (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN113884884A (zh) | 一种基于相关性的动力电池组故障诊断方法及系统 | |
CN116299015B (zh) | 电池状态评估方法、装置、电子设备及存储介质 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 | |
CN115616434A (zh) | 一种基于退化模型校准的锂电池soc和soh实时估算方法 |
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 |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |