CN111537899A - 一种梯次利用动力电池安全性评估方法 - Google Patents

一种梯次利用动力电池安全性评估方法 Download PDF

Info

Publication number
CN111537899A
CN111537899A CN202010250459.2A CN202010250459A CN111537899A CN 111537899 A CN111537899 A CN 111537899A CN 202010250459 A CN202010250459 A CN 202010250459A CN 111537899 A CN111537899 A CN 111537899A
Authority
CN
China
Prior art keywords
battery
soc
voltage
data
safety
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
CN202010250459.2A
Other languages
English (en)
Inventor
刘平
宋欣民
伍发元
毛荣军
刘平根
刘爱华
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.)
Hangzhou Kgooer Electronic Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Hangzhou Kgooer Electronic Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 Hangzhou Kgooer Electronic Technology Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Hangzhou Kgooer Electronic Technology Co ltd
Priority to CN202010250459.2A priority Critical patent/CN111537899A/zh
Publication of CN111537899A publication Critical patent/CN111537899A/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or 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]
    • G01R31/367—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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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]
    • G01R31/396—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)

Abstract

本发明公开了一种梯次利用动力电池安全性评估方法，以不高于0.05C倍率电流对电池进行恒流充电和放电，处理采集数据获取电池OCV‑SOC曲线；然后根据实时采集的电压和电流数据，应用OCV‑SOC曲线计算电池SOP；建立SOP、SOC和电压数据构成的分析数据矩阵，计算SOP、SOC和电压U的权重；应用灰色关联分析法对分析数据矩阵建立灰色关联模型，结合SOP、SOC和电压U的权重计算每组数据与目标值的灰色关联度；最后根据灰色关联度大小评价电池所处的安全状态。结合电池功率状态(SOP)、荷电状态(SOC)和电压参数，应用熵权法和灰色关联度理论建立综合预警指标，在电池达到保护阈值前发出预警，作为BMS保护措施的补充，可以弥补现有电池安全评估方法中的不足。

Description

一种梯次利用动力电池安全性评估方法
技术领域
本发明涉及一种评估方法，具体涉及一种梯次利用动力电池安全性评估方法。
背景技术
退役动力电池梯次利用首先要解决的是电池安全问题。动力电池出厂前的安全性能评估主要是先从批次电池中抽样，然后按照相关国家标准或行业标准进行安全性能试验，根据试验结果进行安全性评估。动力电池经过成组后装车运行至退役，安全性能必然发生一定程度的下降。
梯次利用动力电池配备了电池管理系统(BMS)，通常为电池的电压、电流、温度、荷电状态(SOC)等参数设定保护阈值和保护装置，作为防范电池发生过充、过放、过温、过流等滥用引发安全风险的保护措施。
目前应用于动力电池安全评估和安全保障的措施并不能充分保障梯次利用动力电池安全，主要表现在以下两方面：
(1)考虑电池箱不易拆解的结构特点和梯次利用经济性，原根据国家标准或行业标准评估电池安全的试验方法，已不再适用于梯次利用动力电池安全评估。
(2)电池管理系统为了避免误保护动作，软件上往往加入延时，而硬件上也过度依赖检测传感器的准确性和可靠性，致使该保护措施仍存在较大失效风险。
发明内容
为解决动力电池安全的问题，本发明提供一种梯次利用动力电池安全性评估方法，结合电池功率状态(SOP)、荷电状态(SOC)和电压参数，应用熵权法和灰色关联度理论建立综合预警指标，在电池达到保护阈值前发出预警，作为BMS保护措施的补充，可以弥补现有电池安全评估方法中的不足。
本发明提供如下技术方案：
一种梯次利用动力电池安全性评估方法，包括以下步骤：
S1、首先以不高于0.05C倍率电流对电池进行恒流充电和放电，处理采集数据获取电池开路电压OCV-荷电状态SOC曲线；
S2、然后根据实时采集的电压和电流数据，应用电池开路电压OCV-荷电状态SOC曲线计算电池功率状态SOP；
S3、建立功率状态SOP、荷电状态SOC和电压数据构成的分析数据矩阵，计算功率状态SOP、荷电状态SOC和电压U的权重；
S4、应用灰色关联分析法对分析数据矩阵建立灰色关联模型，结合SOP、SOC和电压U的权重计算每组数据与目标值的灰色关联度；
S5、最后根据灰色关联度大小评价电池所处的安全状态。
进一步的，获取电池开路电压OCV与荷电状态SOC关系曲线：
以不高于0.05C倍率电流，先将电池恒流放电至SOC＝0，然后对电池进行恒流充电测试，电池SOC从0变化到100％；再对电池进行恒流放电测试，电池SOC从100％变化到0；从而获得电池完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线。
进一步的，功率状态SOP计算：
电池管理系统BMS根据电池SOC查OCV-SOC曲线获得OCV值；根据BMS采集的电压U和电流I，计算此时电池直流内阻，计算式为
Figure BDA0002435297940000031
峰值功率SOP计算式为
Figure BDA0002435297940000032
式中，Ulimit为BMS设置的保护电压阈值，充电时Ulimit>OCV，放电时Ulimit<OCV。
进一步的，建立分析数据矩阵：
对于单体电池，分析数据矩阵为连续采集n次数据的数据矩阵A′＝(SOP,SOC,U)n×3；对于电池组，单体电池串联数为m，若采用电池组电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)n×3，n为数据连续采集的次数；若采用电池组中单体电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)m×3，数据采集次数为1；则分析数据矩阵X*为p×3阶矩阵，p∈{n,m}。
Figure BDA0002435297940000033
进一步的，综合预警参数中各分量权重计算：
综合预警参数是结合SOP、SOC和电压U三参数加权计算得出，各分量权重采用熵权法计算；数据首先进行标准化，采用向量归一化法，设定X*＝[x′ij]p×3，p∈{n,m}，其中x′ij表示第i组数据(p＝n)或第i串电池(p＝m)的第j个分量的数值，即根据式(3)每组数据都除以该组数据下所有分量指标值之和，即
Figure BDA0002435297940000041
标准化处理后得X’＝[xij]p×3。则第j个指标的熵为：
Figure BDA0002435297940000042
其中，a＝-(ln p)-1，bij＝xij/∑xij。当bij＝0时，令bijlnbij＝0，第j个分量的熵权为：
Figure BDA0002435297940000043
ωj＝0 Ej＝1
最后得到权重向量W＝(ω1,ω2,ω3)’。
进一步的，电池安全性评估的灰色关联模型：
对多组数据的电池安全进行评价，可以通过建立灰色关联模型来实现，灰色关联评价的模型如下：
G＝E×W (6)
其中，G为被评价对象的评价结果向量；W为评价分量的权重向量；E为各分量的评判矩阵；
假设有p个被评价对象，则G可以表示为：(g01,g02,…,g0p)；有3个分量，则W表示为(ω1,ω2,ω3)’，而E是一个p×3的评判矩阵：
Figure BDA0002435297940000051
其中，ξ0i(j)为第i个评价对象第j个评价分量与参考分量之间的关联度系数。
进一步的，对变量序列进行标准化处理：
对于数据矩阵X*，确定三个评价指标的目标值作为参考矩阵
Figure BDA0002435297940000052
三个分量的目标值分别为SOPlimit、SOClimit和Ulimit，都是根据电池或电池组充放电状态取值，充电时取上限值，放电时取下限值，即：
Figure BDA0002435297940000053
由于在实际的灰色关联评价建模过程中，各评价分量的量纲往往都不同，因此需要对矩阵X*进行无量纲处理，得到标准化的矩阵X，同理对参考矩阵也进行无量纲处理，得到标准化的矩阵X0＝(1,1,1)，标准化处理公式为：
Figure BDA0002435297940000054
进一步的，计算关联系数：
进行关联分析的第一步要建立参考序列，记为x0，表示为:
x0(k)＝[x0(1)，x0(2)，x0(3)] (k＝1,2,3) (8)
在关联分析中与参考序列作关联度比较的比较序列，记为xi，表示为：
xi(k)＝[xi(1)，xi(2)，xi(3)] (i＝1,2,…,p) (9)
比较序列与参考序列的相互比较可以用两者的绝对差值来表示，这个差值存在最大值和最小值，表示为：
Δmax＝maximaxk|x0(k)-xi(k)| (10)
Δmin＝minimink|x0(k)-xi(k)| (11)
根据灰色关联分析的方法求得第i个评价对象的第k个评价指标与参考值的关联系数：
Figure BDA0002435297940000061
其中，分辨系数ρ根据实际情况取值范围为0.1～1.0。
进一步的，计算关联度，根据关联度对比较对象进行排序，由关联度矩阵的值可以得到评价对象与参考序列的关联程度：
Figure BDA0002435297940000062
根据求得的关联度大小，就可以对各评价对象进行排序，进而由排序结果对电池当前安全状态做出评价。
与现有技术相比，本发明的有益效果是：
(1)结合电池功率状态(SOP)、荷电状态(SOC)和电压参数构建退役动力电池安全性评估综合指标作为安全预警，弥补了现有电池安全评估方法的不足；
(2)以不高于0.05C倍率电流对电池进行充放电获取梯次利用动力电池OCV-SOC曲线，并用于SOP计算，方法简单实用，既能用于单体电池安全性评估，也能用在电池组安全性评估，适用于BMS在线应用；
(3)应用熵权法和灰色关联度理论建立电池安全综合评价方案，算法简单、计算量小，适合用于BMS嵌入式系统的软硬件配置。
附图说明
图1为本发明电池安全评估方案流程图。
图2为本发明OCV-SOC曲线图。
图3为本发明单体充电电压与关联度比较图。
图4为本发明单体电池放电电压与关联度比较图。
图5为本发明OCV-SOC曲线图。
图6为本发明电池组充电电压与关联度比较图。
图7为本发明电池组放电电压与关联度比较图。
图8为本发明OCV-SOC曲线图。
图9为本发明组内单体充电电压与关联度比较图。
图10为本发明组内单体电池放电电压与关联度比较图。
图11为脉冲充放电方法与本发明方法测得的OCV-SOC曲线对比图。
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。
本发明的一种梯次利用动力电池安全性评估方法，流程图见图1，包括以下步骤：
S1、首先以不高于0.05C倍率电流对电池进行恒流充电和放电，处理采集数据获取电池开路电压OCV-荷电状态SOC曲线；
S2、然后根据实时采集的电压和电流数据，应用电池开路电压OCV-荷电状态SOC曲线计算电池功率状态SOP；
S3、建立功率状态SOP、荷电状态SOC和电压数据构成的分析数据矩阵，计算功率状态SOP、荷电状态SOC和电压U的权重；
S4、应用灰色关联分析法对分析数据矩阵建立灰色关联模型，结合SOP、SOC和电压U的权重计算每组数据与目标值的灰色关联度；
S5、最后根据灰色关联度大小评价电池所处的安全状态。
上述方案详述如下：
1.获取电池开路电压(OCV)与荷电状态(SOC)关系曲线
以不高于0.05C倍率电流，先将电池恒流放电至SOC＝0，然后对电池进行恒流充电测试，电池SOC从0变化到100％；再对电池进行恒流放电测试，电池SOC从100％变化到0；从而获得电池完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线。
2.功率状态(SOP)计算
电池管理系统BMS根据电池SOC查OCV-SOC曲线获得OCV值；根据BMS采集的电压U和电流I，计算此时电池直流内阻，计算式为
Figure BDA0002435297940000081
峰值功率SOP计算式为
Figure BDA0002435297940000091
式中，Ulimit为BMS设置的保护电压阈值，充电时Ulimit>OCV，放电时Ulimit<OCV。
3.建立分析数据矩阵
对于单体电池，分析数据矩阵为连续采集n次数据的数据矩阵A′＝(SOP,SOC,U)n×3。
对于电池组，单体电池串联数为m，若采用电池组电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)n×3,n为数据连续采集的次数；
若采用电池组中单体电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)m×3，数据采集次数为1。则分析数据矩阵X*为p×3阶矩阵，p∈{n,m}。
Figure BDA0002435297940000092
4.综合预警参数中各分量权重计算
综合预警参数是结合SOP、SOC和电压U三参数加权计算得出。SOP通过式(2)计算得到，SOC和电压可以从BMS直接读取，各分量权重采用熵权法计算。
数据首先进行标准化，采用向量归一化法，设定X*＝[x′ij]p×3，p∈{n,m}，其中x′ij表示第i组数据(p＝n)或第i串电池(p＝m)的第j个分量的数值，即根据式(3)每组数据都除以该组数据下所有分量指标值之和，即
Figure BDA0002435297940000101
标准化处理后得X’＝[xij]p×3。则第j个指标的熵为：
Figure BDA0002435297940000102
其中，a＝-(ln p)-1，bij＝xij/∑xij。当bij＝0时，令bijlnbij＝0，第j个分量的熵权为：
Figure BDA0002435297940000103
ωj＝0 Ej＝0
最后得到权重向量W＝(ω1,ω2,ω3)’。
5.电池安全性评估的灰色关联模型
对多组数据的电池安全进行评价，可以通过建立灰色关联模型来实现。灰色关联评价的模型如下:
G＝E×W (6)
其中，G为被评价对象的评价结果向量；W为评价分量的权重向量；E为各分量的评判矩阵。
假设有p个被评价对象，则G可以表示为：(g01,g02,…,g0p)；有3个分量，则W表示为(ω1,ω2,ω3)’，而E是一个p×3的评判矩阵：
Figure BDA0002435297940000104
其中，ξ0i(j)为第i个评价对象第j个评价分量与参考分量之间的关联度系数。
6.对变量序列进行标准化处理
对于数据矩阵X*，确定三个评价指标的目标值作为参考矩阵
Figure BDA0002435297940000111
三个分量的目标值分别为SOPlimit、SOClimit和Ulimit，都是根据电池或电池组充放电状态取值，充电时取上限值，放电时取下限值，即：
Figure BDA0002435297940000112
由于在实际的灰色关联评价建模过程中，各评价分量的量纲往往都不同，因此需要对矩阵X*进行无量纲处理，得到标准化的矩阵X，同理对参考矩阵也进行无量纲处理，得到标准化的矩阵X0＝(1，1，1)。
标准化处理公式为：
Figure BDA0002435297940000113
7.计算关联系数
进行关联分析的第一步要建立参考序列，记为x0，表示为：
x0(k)＝[x0(1)，x0(2)，x0(3)] (k＝1，2，3) (8)
在关联分析中与参考序列作关联度比较的比较序列，记为xi，表示为：
xi(k)＝[xi(1)，xi(2)，xi(3)] (i＝1，2，...，p) (9)
比较序列与参考序列的相互比较可以用两者的绝对差值来表示，这个差值存在最大值和最小值，表示为：
Δmax＝maximaxk|x0(k)-xi(k)| (10)
Δmin＝minimink|x0(k)-xi(k)| (11)
根据灰色关联分析的方法求得第i个评价对象的第k个评价指标与参考值的关联系数：
Figure BDA0002435297940000121
其中，分辨系数ρ根据实际情况取值范围为0.1～1.0。
8.计算关联度，根据关联度对比较对象进行排序
由关联度矩阵的值可以得到评价对象与参考序列的关联程度：
Figure BDA0002435297940000122
根据求得的关联度大小，就可以对各评价对象进行排序，进而由排序结果对电池当前安全状态做出评价。关联度越大，电池安全性越低，越趋近保护阈值。
以上几个步骤结合起来形成了一个完整的评估方法，结合现有技术电池安全评估存在的问题，综合考虑：
1)动力电池一般属于锂离子电池，最重要的是安全保护，由电池管理系统负责实施，保护失效将会引发火灾等安全事故。梯次利用电池性能比出厂状态下降约80％(依据为国标规定的车用电池退役条件)，安全性已经大打折扣，安全性重要性将超过电池本身储能能力的重要性。目前电池安全评估的常用方法仍然是依据相关标准进行离线安全试验，如过充、过放、短路、针刺、跌落、挤压等，但不适用在梯次利用电池上。因梯次利用的电池单体之间、模块之间、电池包之间，一致性都比较差，无法用抽样试验来评价整批电池安全性。此外，安全试验本身也属于破坏性试验，不符合梯次利用经济性原则。梯次利用电池的在线安全评估显得更加重要。
2)目前电池管理系统的安全保障策略都是基于电池投运前状态制定的，往往以电压、温度、电流等可直接检测的参数为安全保护指标，为其设定保护阈值。随着电池继续使用而进一步老化，这些阈值将缩小实际应保护的工作范围，限制了电池储能能力的发挥。电池管理系统为了容错，也会采用延时机制或其他滤波措施，延迟对达到保护电压电池的处理，又增加了电池安全风险。
3)动力电池梯次利用刚刚兴起，目前对电池在线安全评估的研究几乎是空白，动态评估电池安全性对电池保护策略制定能起到辅助作用。与电池安全相关的在线评价指标主要是电压、SOC、内阻和SOP(步骤3)，其中内阻可以由SOP体现(步骤2)，SOP用于评价电池输入/输出功率能力，而且随电池达到充满或放空趋近极限。根据锂离子电池的极化特性，内阻可以由开路电压、实时电池端电压和实时电流计算得到。BMS可提供实时的电池端电压、电流和SOC，开路电压需要根据OCV-SOC曲线获得。文献【1】李臻，董会超.退役锂离子动力电池梯次利用可行性研究[J].电源技术,2016，40(8):1582-1584，研究了磷酸铁锂梯次利用电池倍率特性，发现0.5C以下放电时电池电压平台还能保持在3.2V。为了尽可能减小极化并且避免电压、电流采集精度、自放电等对数据的影响，使电池充放电曲线接近实际OCV-SOC曲线，选用低于0.05C倍率对电池进行充放电。为了简化计算，将所得充放电曲线进行均值化处理(步骤1)。脉冲充放电方法与上述方法测得的OCV-SOC曲线对比见下图11。
4)电池安全性是一个综合性抽象概念，需要通过多指标进行多维度衡量。在实际计算时多指标会形成数据矩阵，不仅计算量大，也不利于定量化评价电池安全性。因此导入灰色关联模型，通过计算唯一指标灰色关联度可以用部分电池信息评价电池安全性(步骤5～步骤8)。计算灰色关联度时需要计算各指标权重，采用熵权法计算权重可保持评价的客观性(步骤4)。
本发明采用灰色关联分析法和熵权法相结合，根据上下文各步骤，可以得出：
(1)熵权法优势-客观分析不同量纲指标权重
利用信息熵论当中的熵权法来应用到本文中的电池安全指标评价体系当中时，由于各个指标间单位不同，绝对值相差悬殊，因此利用普通计算原理时不能很好的分析出各个参数之间的关系和每个参数的重要程度，不好把握参数的权重比例。因此，利用熵权法计算，则有效的把参数统一化，从而利用数学方法计算，找出电池安全指标当中参数的联系，客观而有效的把握参数的重要程度。
(2)灰色关联分析法优势-信息缺乏时多个对象之间关联度分析
两个或以上的系统之间的因素，因为对象之间的联系，或者随着时间的推进而关联的现象叫做这两者或大于两者之间的关联度。如果各个因素之间的显性数学关系观察起来比较困难，或者综合因素考虑较多而不能准确分析关联度时，就可以应用数学方法进行数据分析。目前对关联度的分析的方法有：对比分析法、综合指数法、聚类分析法等。而目前的新方法新思路主要集中在预警分析法、神经网络方法等。而当原始资料数据有限，而又不知道其内在确定的关联时，灰色关联分析法就具有很广的应用范围。
灰色关联分析法作为一种对数据少、难分析的系统进行处理的分析模型逐渐发展起来。灰色系统理论的首次提出，是由邓聚龙教授根据系统中各个系数的变化曲线的相似程度总结出来的。灰色关联分析法的特点是对系统中的数据数量有限，所得参数之间的关联未知时，灰色关联分析能够对系统中各因素进行数学层次分析，得出根据因素数据而建立起的各因素之间的关联程度。灰色关联分析法应用范围广泛，涉及社会科学、自然科学、社会经济领域等等。
灰色关联分析优点为对系统中因素量纲、绝对值没有要求，对无规律参数同样适用，并可进行无量纲处理。并且是对因素之间的潜在联系进行分析，无需事先知道其联系。动力电池本身是十分复杂的封闭电化学系统，内部存在氧化还原、离子嵌入脱嵌、表面反应、吸附、离子迁移、相变等多种类型反应和过程，理论研究至今只是总结了部分反应机理，甚至电压、电流、温度等可检测参数都只是内部能量状态的外在综合表现，因此电池安全性能采用灰色系统理论来描述，可以以有限的电池外在信息预测电池内部安全性，具备应用灰色关联分析法的条件。
(3)熵权法与灰色关联分析法结合的优势
采用灰色关联分析，当系统因素参数较少时，可能由于参数问题而造成一些误差；在进行参数权重分析时，传统的权重分析主要有平均权重分配和专家分析方法；其中平均权重具有盲目性，专家评定会有主观意义上的偏差，造成灰色关联分析结果有偏差。因此，在分析时引入熵权分析方法进行权重计算，克服了盲目性和主观性，对整个分析的客观性有了更好的基础。
灰色系统理论中，关联的重点在于关联序而非关联度大小。在应用灰色关联理论时，也采用定性和定量相结合。电池系统视作灰色系统，利用客观的实时检测数据，在线计算引入客观权重的灰色关联度变化序列来预测电池安全变化趋势，根据变化趋势对电池安全进行预警，作为电池保护策略补充，应该具备创新性。
实施例：
1、单体电池安全评估
(1)获取电池开路电压(OCV)与荷电状态(SOC)关系曲线
以某品牌3.2V27Ah退役单体动力电池为例，以0.04C倍率电流先将电池恒流放电至SOC＝0，然后对电池进行恒流充电测试，电池SOC从0变化到100％；再对电池进行恒流放电测试，电池SOC从100％变化到0；从而获得电池完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线，见图2。
(2)过充安全评估
过充现象在电池电量趋近充满时容易发生，设置充电电压保护阈值为3.6V。电池充电到SOC>95％时，BMS连续采集的数据集、查图2的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表1，数据采集周期为1s。
表1单体充电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOP(W)
1 54.6 3.576 95.53％ 3.332 4.46 215.9
2 54.7 3.579 95.58％ 3.333 4.50 213.7
3 54.6 3.58 95.64％ 3.333 4.52 212.5
4 54.6 3.583 95.69％ 3.334 4.57 210.0
5 54.7 3.584 95.75％ 3.334 4.57 209.5
6 54.6 3.586 95.80％ 3.335 4.60 207.5
7 54.6 3.589 95.86％ 3.335 4.65 205.1
8 54.6 3.592 95.91％ 3.336 4.69 202.7
9 54.6 3.593 95.97％ 3.336 4.70 201.9
10 54.6 3.598 96.02％ 3.337 4.79 198.1
11 54.6 3.599 96.07％ 3.337 4.80 197.3
12 54.7 3.602 96.13％ 3.338 4.83 195.4
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.3333,0.3334,0.3334)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000171
其中Ulimit＝3.6V，SOPlimit＝Ulimit×I＝196.65W，SOClimit＝97％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000172
计算关联度，根据式(6)和式(13)计算得到关联度向量：G＝(0.663，0.679，0.688，0.709，0.716，0.736，0.764，0.799，0.814，0.902，0.928，0.912)’
电池充电时电压接近保护阈值3.6V时，电压与关联度的对比见图3。从图3中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.9)，可以在电压达到充电保护前触发预警。
(3)过放安全评估
过放现象在电池电量趋近放空时容易发生，设置放电电压保护阈值为2.6V。电池放电到SOC＜5％时，BMS连续采集的数据集、查图2的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表2，数据采集周期为1s。
表2单体放电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOP(W)
1 -54.4 2.663 1.41％ 2.846 3.37 190.0
2 -54.1 2.659 1.35％ 2.840 3.35 186.4
3 -53.9 2.653 1.30％ 2.834 3.36 181.1
4 -53.9 2.649 1.25％ 2.828 3.32 178.5
5 -54.4 2.643 1.19％ 2.822 3.29 175.4
6 -54.0 2.635 1.14％ 2.816 3.35 167.6
7 -54.0 2.631 1.08％ 2.810 3.31 164.8
8 -54.5 2.625 1.03％ 2.803 3.27 161.6
9 -53.8 2.62 0.97％ 2.793 3.21 156.1
10 -54.4 2.613 0.92％ 2.777 3.02 152.6
11 -53.7 2.609 0.86％ 2.762 2.85 147.8
12 -54.4 2.601 0.81％ 2.747 2.68 142.4
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.3337,0.3320,0.3343)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000181
其中Ulimit＝2.6V，SOPlimit＝Ulimit×I＝140.72W，SOClimit＝0.7％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000182
计算关联度，根据式(6)和式(13)计算得到关联度向量：G＝(0.631，0.644，0.661，0.675，0.691，0.721，0.741，0.764，0.797，0.828，0.869，0.921)’
电池放电时电压接近保护阈值2.6V时，电压与关联度的对比图见图4。从图4中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.9)，可以在电压达到放电保护前触发预警。
2、电池组安全评估
以某品牌38.4V200Ah退役动力电池组为例，说明电池组安全评估方案。
2.1电池组电压为安全保护参数
(1)获取电池开路电压(OCV)与荷电状态(SOC)关系曲线
以0.05C倍率电流先将电池组恒流放电至SOC＝0，然后对电池组进行恒流充电测试，电池组SOC从0变化到100％；再对电池组进行恒流放电测试，电池组SOC从100％变化到0；从而获得电池组完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线，见图5。
(2)过充安全评估
设置充电电压保护阈值为42.0V。电池充电到SOC>95％时，BMS连续采集的数据集、查图5的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表3，数据采集周期为1s。
表3单体充电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOP(W)
1 100.6 41.917 97.86％ 40.106 18.00 4418.9
2 100.6 41.920 97.88％ 40.108 18.01 4411.7
3 100.6 41.928 97.90％ 40.110 1807 4392.5
4 100.6 41.934 97.93％ 40.111 18.12 4378.2
5 100.6 41.946 97.95％ 40.113 18.22 4349.7
6 100.6 41.954 97.97％ 40.115 18.28 4330.9
7 100.6 41.959 97.99％ 40.117 18.31 4319.2
8 100.6 41.965 98.01％ 40.119 18.35 4305.3
9 100.6 41.978 98.03％ 40.123 18.43 4275.3
10 100.6 41.984 98.05％ 40.128 18.45 4261.6
11 100.6 41.992 98.07％ 40.132 18.49 4243.4
12 100.6 41.999 98.09％ 40.136 18.52 4227.5
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.33332,0.33334,0.33334)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000201
其中Ulimit＝42.0V，SOPlimit＝Ulimit×I＝4225.2W，SOClimit＝98.5％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000202
计算关联度，根据式(6)和式(13)计算得到关联度向量：G＝(0.684，0.689，0.702，0.713，0.735，0.753，0.767，0.784，0.828，0.855，0.898，0.948)’
电池充电时电压接近保护阈值42.0V时，电压与关联度的对比图见图6。从图6中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.9)，可以在电压达到充电保护前触发预警。
(3)过放安全评估
设置放电电压保护阈值为35.5V。电池放电到SOC＜5％时，BMS连续采集的数据集、查图5的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表4，数据采集周期为1s。
表4电池组放电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOP(W)
1 -100.7 35.578 1.46％ 36.568 9.83 3856.5
2 -100.7 35.565 1.44％ 36.458 8.87 3835.0
3 -100.7 35.560 1.42％ 36.498 9.31 3803.6
4 -100.7 35.553 1.40％ 36.584 10.23 3758.7
5 -100.7 35.550 1.38％ 36.706 11.48 3729.5
6 -100.7 35.538 1.36％ 36.838 12.91 3679.4
7 -100.7 35.533 1.34％ 37.004 14.60 3655.1
8 -100.7 35.524 1.32％ 37.157 16.21 3627.4
9 -100.7 35.521 1.30％ 37.355 18.21 3615.8
10 -100.7 35.509 1.28％ 37.519 19.96 3590.9
11 -100.7 35.504 1.26％ 37.657 21.38 3581.5
12 -100.7 35.500 1.24％ 37.767 22.52 3574.8
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.33336,0.33322,0.33342)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000211
其中Ulimit＝35.5V，SOPlimit＝Ulimit×I＝3574.8W，SOClimit＝1.2％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000212
计算关联度，根据式(6)和式(13)计算得到关联度向量：
G＝(0.632，0.646，0.663，0.687，0.708，0.743，0.768，0.798，0.821，0.859，0.888，0.920)’
电池放电时电压接近保护阈值35.5V时，电压与关联度的对比图见图7。从图7中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.9)，可以在电压达到放电保护前触发预警。
2.2电池组内单体电池电压为安全保护参数
(1)获取单体电池开路电压(OCV)与荷电状态(SOC)关系曲线
以0.05C倍率电流先将电池恒流放电至SOC＝0，然后对电池进行恒流充电测试，电池SOC从0变化到100％；再对电池进行恒流放电测试，电池SOC从100％变化到0；从而获得电池完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线，见图8。
(2)过充安全评估
设置充电电压保护阈值为3.6V，电池充电到SOC>95％时，BMS连续采集的数据集、查图8的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表5，数据采集周期为1s。
表5组内单体充电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOP(W)
1 100.6 3.601 95.48％ 3.333 2.66 360.8
2 100.6 3.577 92.00％ 3.314 2.61 393.8
3 100.6 3.571 95.10％ 3.329 2.41 405.6
4 100.6 3.589 92.57％ 3.316 2.71 376.8
5 100.6 3.502 83.00％ 3.305 1.96 542.3
6 100.6 3.510 87.00％ 3.307 2.02 522.7
7 100.6 3.593 95.57％ 3.334 2.57 371.9
8 100.6 3.588 95.76％ 3.336 2.50 379.4
9 100.6 3.496 81.00％ 3.304 1.91 558.3
10 100.6 3.564 93.88％ 3.321 2.42 415.8
11 100.6 3.595 85.00％ 3.306 2.87 368.4
12 100.6 3.548 85.00％ 3.306 2.41 440.0
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.3322,0.3338,0.3340)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000231
其中Ulimit＝3.6V，SOPlimit＝Ulimit×I＝362.16W，SOClimit＝96％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000232
计算关联度，根据式(6)和式(13)计算得到关联度向量：
G＝(0.990，0.868，0.878，0.915，0.644，0.680，0.963，0.944，0.625，0.846，0.880，0.738)’
电池充电时电压接近保护阈值3.6V时，电压与关联度的对比见图9。从图9中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.99)，可以在电压达到充电保护前触发预警。
(3)过放安全评估
设置放电电压保护阈值为2.8V，电池放电到SOC＜5％时，BMS连续采集的数据集、查图8的OCV、根据式(1)计算的内阻和根据式(2)计算的SOP汇总数据在表6，数据采集周期为1s。
表6单体放电数据汇总表
序号 电流I(A) 电压U(V) SOC OCV(V) 内阻r(mΩ) SOp(W)
1 -100.6 3.113 11.75％ 3.201 0.87 1283.6
2 -100.6 3.028 5.75％ 3.117 0.88 1003.3
3 -100.6 3.100 9.67％ 3.187 0.86 1253.0
4 -100.6 3.000 5.71％ 3.116 1.15 767.3
5 -100.6 2.994 4.32％ 3.079 0.84 924.6
6 -100.6 3.086 8.45％ 3.172 0.85 1218.4
7 -100.6 3.103 11.25％ 3.199 0.95 1170.7
8 -100.6 3.129 13.00％ 3.204 0.75 1517.3
9 -100.6 2.869 1.02％ 2.963 0.93 488.4
10 -100.6 3.072 7.77％ 3.161 0.88 1142.5
11 -100.6 2.948 3.06％ 3.041 0.92 729.9
12 -100.6 2.800 0.19％ 2.914 1.13 281.7
采用熵权法根据式(3)、式(4)和式(5)计算得到的权重向量W＝(0.3263,0.3367,0.3369)。
建立灰色关联模型，目标值向量
Figure BDA0002435297940000241
其中Ulimit＝2.8V，SOPlimit＝Ulimit×I＝281.68W，SOClimit＝1％，根据式(7)～式(12)计算得到关联系数矩阵E为：
Figure BDA0002435297940000242
计算关联度，根据式(6)和式(13)计算得到关联度向量：
G＝(0.753，0.762，0.754，0.767，0.771，0.761，0.755，0.747，0.784，0.757，0.774，0.785)’
电池放电时电压接近保护阈值2.8V时，电压与关联度的对比图见图10。从图10中可见，关联度与电压同步趋近保护阈值，设置合适的关联度预警值(如0.78)，可以在电压达到放电保护前触发预警。
通过以上实施例及验证可以看出，本发明所述的技术方案在电池电压达到保护阈值前能发出预警，可作为BMS电池保护措施的补充。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种梯次利用动力电池安全性评估方法，其特征在于，包括以下步骤：
S1、首先以不高于0.05C倍率电流对电池进行恒流充电和放电，处理采集数据获取电池开路电压OCV-荷电状态SOC曲线；
S2、然后根据实时采集的电压和电流数据，应用电池开路电压OCV-荷电状态SOC曲线计算电池功率状态SOP；
S3、建立功率状态SOP、荷电状态SOC和电压数据构成的分析数据矩阵，计算功率状态SOP、荷电状态SOC和电压U的权重；
S4、应用灰色关联分析法对分析数据矩阵建立灰色关联模型，结合SOP、SOC和电压U的权重计算每组数据与目标值的灰色关联度；
S5、最后根据灰色关联度大小评价电池所处的安全状态。
2.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：获取电池开路电压OCV与荷电状态SOC关系曲线：
以不高于0.05C倍率电流，先将电池恒流放电至SOC＝0，然后对电池进行恒流充电测试，电池SOC从0变化到100％；再对电池进行恒流放电测试，电池SOC从100％变化到0；从而获得电池完整电压-SOC充电曲线和放电曲线；将两条曲线的电压按照相同SOC进行均值化处理，得到OCV-SOC曲线。
3.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：功率状态SOP计算：
电池管理系统BMS根据电池SOC查OCV-SOC曲线获得OCV值；根据BMS采集的电压U和电流I，计算此时电池直流内阻，计算式为
Figure FDA0002435297930000021
峰值功率SOP计算式为
Figure FDA0002435297930000022
式中，Ulimit为BMS设置的保护电压阈值，充电时Ulimit>OCV，放电时Ulimit<OCV。
4.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：建立分析数据矩阵：
对于单体电池，分析数据矩阵为连续采集n次数据的数据矩阵A′＝(SOP,SOC,U)n×3；对于电池组，单体电池串联数为m，若采用电池组电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)n×3，n为数据连续采集的次数；若采用电池组中单体电压为保护参数，则分析数据矩阵为A′＝(SOP,SOC,U)m×3，数据采集次数为1；则分析数据矩阵X*为p×3阶矩阵，p∈{n,m}。
Figure FDA0002435297930000023
5.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：综合预警参数中各分量权重计算：
综合预警参数是结合SOP、SOC和电压U三参数加权计算得出，各分量权重采用熵权法计算；数据首先进行标准化，采用向量归一化法，设定X*＝[x′ij]p×3，p∈{n,m}，其中x′ij表示第i组数据(p＝n)或第i串电池(p＝m)的第j个分量的数值，即根据式(3)每组数据都除以该组数据下所有分量指标值之和，即
Figure FDA0002435297930000031
标准化处理后得X’＝[xij]p×3。则第j个指标的熵为：
Figure FDA0002435297930000032
其中，a＝-(ln p)-1，bij＝xij/∑xij。当bij＝0时，令bijlnbij＝0，第j个分量的熵权为：
Figure FDA0002435297930000033
ωj＝0 Ej＝1
最后得到权重向量W＝(ω1，ω2，ω3)’。
6.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：电池安全性评估的灰色关联模型：
对多组数据的电池安全进行评价，可以通过建立灰色关联模型来实现，灰色关联评价的模型如下：
G＝E×W (6)
其中，G为被评价对象的评价结果向量；W为评价分量的权重向量；E为各分量的评判矩阵；
假设有p个被评价对象，则G可以表示为：(g01，g02，…，g0p)；有3个分量，则W表示为(ω1，ω2，ω3)’，而E是一个p×3的评判矩阵：
Figure FDA0002435297930000034
其中，ξ0i(j)为第i个评价对象第j个评价分量与参考分量之间的关联度系数。
7.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：对变量序列进行标准化处理：
对于数据矩阵X*，确定三个评价指标的目标值作为参考矩阵
Figure FDA0002435297930000041
三个分量的目标值分别为SOPlimit、SOClimit和Ulimit，都是根据电池或电池组充放电状态取值，充电时取上限值，放电时取下限值，即：
Figure FDA0002435297930000042
由于在实际的灰色关联评价建模过程中，各评价分量的量纲往往都不同，因此需要对矩阵X*进行无量纲处理，得到标准化的矩阵X，同理对参考矩阵也进行无量纲处理，得到标准化的矩阵X0＝(1，1，1)，标准化处理公式为：
Figure FDA0002435297930000043
8.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：计算关联系数：
进行关联分析的第一步要建立参考序列，记为x0，表示为：
x0(k)＝[x0(1)，x0(2)，x0(3)](k＝1，2，3) (8)
在关联分析中与参考序列作关联度比较的比较序列，记为xi，表示为：
xi(k)＝[xi(1)，xi(2)，xi(3)](i＝1，2，...，p) (9)
比较序列与参考序列的相互比较可以用两者的绝对差值来表示，这个差值存在最大值和最小值，表示为：
Δmax＝maxi maxk|x0(k)-xi(k)| (10)
Δmin＝mini mink|x0(k)-xi(k)| (11)
根据灰色关联分析的方法求得第i个评价对象的第k个评价指标与参考值的关联系数：
Figure FDA0002435297930000051
其中，分辨系数ρ根据实际情况取值范围为0.1～1.0。
9.根据权利要求1所述的一种梯次利用动力电池安全性评估方法，其特征在于：计算关联度，根据关联度对比较对象进行排序，由关联度矩阵的值可以得到评价对象与参考序列的关联程度：
Figure FDA0002435297930000052
根据求得的关联度大小，就可以对各评价对象进行排序，进而由排序结果对电池当前安全状态做出评价。
CN202010250459.2A 2020-04-01 2020-04-01 一种梯次利用动力电池安全性评估方法 Pending CN111537899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010250459.2A CN111537899A (zh) 2020-04-01 2020-04-01 一种梯次利用动力电池安全性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010250459.2A CN111537899A (zh) 2020-04-01 2020-04-01 一种梯次利用动力电池安全性评估方法

Publications (1)

Publication Number Publication Date
CN111537899A true CN111537899A (zh) 2020-08-14

Family

ID=71952106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010250459.2A Pending CN111537899A (zh) 2020-04-01 2020-04-01 一种梯次利用动力电池安全性评估方法

Country Status (1)

Country Link
CN (1) CN111537899A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983470A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于关联维数的锂离子动力电池安全度评估方法及装置
CN112836174A (zh) * 2020-12-31 2021-05-25 深圳市加码能源科技有限公司 一种基于ahp的实时充电安全评估方法及存储介质
CN113178630A (zh) * 2021-04-28 2021-07-27 合达信科技集团有限公司 多种电芯的电池管理系统hbms
CN113283166A (zh) * 2021-05-21 2021-08-20 上海电力大学 一种退役动力电池剩余价值优化方法
CN113459894A (zh) * 2021-06-24 2021-10-01 北京理工大学 一种电动汽车电池安全预警方法及系统
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
CN113945852A (zh) * 2021-10-20 2022-01-18 福州大学 一种蓄电池组不一致性评价方法
CN114282852A (zh) * 2022-03-03 2022-04-05 清华大学 一种电池安全性计算方法和装置
CN114579659A (zh) * 2022-03-07 2022-06-03 山东云储新能源科技有限公司 一种梯次利用动力电池利用潜力评估及分选系统和方法
CN114707908A (zh) * 2022-05-18 2022-07-05 北京钛镁新技术有限公司 一种动力电池评级确定方法、装置及电子设备
CN115330275A (zh) * 2022-10-13 2022-11-11 深圳市杰成镍钴新能源科技有限公司 一种退役电池的梯次利用方法及装置
CN115840157A (zh) * 2022-12-08 2023-03-24 斯润天朗(合肥)科技有限公司 基于eof分析的锂电池电性能指标协调性分析系统
CN116125310A (zh) * 2023-01-30 2023-05-16 上海玫克生储能科技有限公司 电池电极的嵌锂量的拟合方法、系统、设备和介质
EP4331907A1 (en) * 2022-09-01 2024-03-06 CALB Co., Ltd. Method and device for estimating state of power of battery system
CN117689266A (zh) * 2023-12-27 2024-03-12 中国汽车工程研究院股份有限公司 一种新能源汽车指标评价系统及方法
CN117741449A (zh) * 2024-02-19 2024-03-22 中国电力科学研究院有限公司 电池多层级安全性能等级评价方法、系统、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792495A (zh) * 2014-01-29 2014-05-14 北京交通大学 基于德尔菲法和灰色关联理论的电池性能评价方法
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105469185A (zh) * 2015-11-12 2016-04-06 海南电网有限责任公司 一种基于灰色理论的电池更换站安全评价方法
CN106154165A (zh) * 2015-03-27 2016-11-23 国家电网公司 一种大容量电池储能系统性能的评估方法和评估系统
CN107192954A (zh) * 2017-05-02 2017-09-22 杭州科工电子科技有限公司 一种锂离子电池性能在线诊断方法
CN107561452A (zh) * 2017-08-25 2018-01-09 国网辽宁省电力有限公司锦州供电公司 一种蓄电池组健康度的评估方法
CN107861075A (zh) * 2017-12-24 2018-03-30 江西优特汽车技术有限公司 一种确定动力电池sop的方法
CN108508371A (zh) * 2018-04-09 2018-09-07 重庆大学 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法
CN109799463A (zh) * 2019-01-18 2019-05-24 上海卡鲁自动化科技有限公司 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法
CN110488204A (zh) * 2019-07-12 2019-11-22 武汉大学 一种储能元件soh-soc联合在线估计方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792495A (zh) * 2014-01-29 2014-05-14 北京交通大学 基于德尔菲法和灰色关联理论的电池性能评价方法
CN106154165A (zh) * 2015-03-27 2016-11-23 国家电网公司 一种大容量电池储能系统性能的评估方法和评估系统
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105469185A (zh) * 2015-11-12 2016-04-06 海南电网有限责任公司 一种基于灰色理论的电池更换站安全评价方法
CN107192954A (zh) * 2017-05-02 2017-09-22 杭州科工电子科技有限公司 一种锂离子电池性能在线诊断方法
CN107561452A (zh) * 2017-08-25 2018-01-09 国网辽宁省电力有限公司锦州供电公司 一种蓄电池组健康度的评估方法
CN107861075A (zh) * 2017-12-24 2018-03-30 江西优特汽车技术有限公司 一种确定动力电池sop的方法
CN108508371A (zh) * 2018-04-09 2018-09-07 重庆大学 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法
CN109799463A (zh) * 2019-01-18 2019-05-24 上海卡鲁自动化科技有限公司 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法
CN110488204A (zh) * 2019-07-12 2019-11-22 武汉大学 一种储能元件soh-soc联合在线估计方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983470B (zh) * 2020-08-24 2022-06-24 哈尔滨理工大学 一种基于关联维数的锂离子动力电池安全度评估方法及装置
CN111983470A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于关联维数的锂离子动力电池安全度评估方法及装置
CN112836174A (zh) * 2020-12-31 2021-05-25 深圳市加码能源科技有限公司 一种基于ahp的实时充电安全评估方法及存储介质
CN113178630A (zh) * 2021-04-28 2021-07-27 合达信科技集团有限公司 多种电芯的电池管理系统hbms
CN113283166A (zh) * 2021-05-21 2021-08-20 上海电力大学 一种退役动力电池剩余价值优化方法
CN113459894A (zh) * 2021-06-24 2021-10-01 北京理工大学 一种电动汽车电池安全预警方法及系统
CN113459894B (zh) * 2021-06-24 2023-11-10 北京理工大学 一种电动汽车电池安全预警方法及系统
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
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
CN113945852A (zh) * 2021-10-20 2022-01-18 福州大学 一种蓄电池组不一致性评价方法
CN113945852B (zh) * 2021-10-20 2024-03-12 福州大学 一种蓄电池组不一致性评价方法
CN114282852B (zh) * 2022-03-03 2022-06-03 清华大学 一种电池安全性计算方法和装置
CN114282852A (zh) * 2022-03-03 2022-04-05 清华大学 一种电池安全性计算方法和装置
CN114579659A (zh) * 2022-03-07 2022-06-03 山东云储新能源科技有限公司 一种梯次利用动力电池利用潜力评估及分选系统和方法
CN114707908B (zh) * 2022-05-18 2022-08-23 北京钛镁新技术有限公司 一种动力电池评级确定方法、装置及电子设备
CN114707908A (zh) * 2022-05-18 2022-07-05 北京钛镁新技术有限公司 一种动力电池评级确定方法、装置及电子设备
EP4331907A1 (en) * 2022-09-01 2024-03-06 CALB Co., Ltd. Method and device for estimating state of power of battery system
CN115330275A (zh) * 2022-10-13 2022-11-11 深圳市杰成镍钴新能源科技有限公司 一种退役电池的梯次利用方法及装置
CN115840157B (zh) * 2022-12-08 2023-08-22 斯润天朗(合肥)科技有限公司 基于eof分析的锂电池电性能指标协调性分析系统
CN115840157A (zh) * 2022-12-08 2023-03-24 斯润天朗(合肥)科技有限公司 基于eof分析的锂电池电性能指标协调性分析系统
CN116125310A (zh) * 2023-01-30 2023-05-16 上海玫克生储能科技有限公司 电池电极的嵌锂量的拟合方法、系统、设备和介质
CN116125310B (zh) * 2023-01-30 2023-10-20 上海玫克生储能科技有限公司 电池电极的嵌锂量的拟合方法、系统、设备和介质
CN117689266A (zh) * 2023-12-27 2024-03-12 中国汽车工程研究院股份有限公司 一种新能源汽车指标评价系统及方法
CN117741449A (zh) * 2024-02-19 2024-03-22 中国电力科学研究院有限公司 电池多层级安全性能等级评价方法、系统、设备及介质
CN117741449B (zh) * 2024-02-19 2024-05-07 中国电力科学研究院有限公司 电池多层级安全性能等级评价方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111537899A (zh) 一种梯次利用动力电池安全性评估方法
Lipu et al. A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations
Tian et al. A review of the state of health for lithium-ion batteries: Research status and suggestions
Xiong et al. Lithium-ion battery health prognosis based on a real battery management system used in electric vehicles
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
Cen et al. Lithium‐ion battery SOC/SOH adaptive estimation via simplified single particle model
Yu et al. State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions
Burzyński et al. A novel method for the modeling of the state of health of lithium-ion cells using machine learning for practical applications
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN112881914B (zh) 一种锂电池健康状态预测方法
Li et al. Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range
CN115061058A (zh) 退役动力电池梯次利用剩余寿命测算方法及系统
Xu et al. Safety warning analysis for power battery packs in electric vehicles with running data
CN113901707A (zh) 一种车用锂离子动力电池soh时间序列预测方法
Kamali et al. Novel SOH estimation of lithium-ion batteries for real-time embedded applications
Long et al. Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries
Ma et al. State of health estimation of retired battery for echelon utilization based on charging curve
Hu et al. Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
Jia et al. A novel genetic marginalized particle filter method for state of charge and state of energy estimation adaptive to multi-temperature conditions of lithium-ion batteries
Wu et al. A novel state of health estimation of lithium-ion battery energy storage system based on linear decreasing weight-particle swarm optimization algorithm and incremental capacity-differential voltage method
CN117706399A (zh) 一种考虑电池一致性的分布式储能运行健康状态分析方法
Tang et al. An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance
Vatani et al. Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks
CN115327416A (zh) 基于群体智能优化和粒子滤波的锂离子电池soc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: 20200814

RJ01 Rejection of invention patent application after publication