CN111562499A - 一种新能源汽车锂动力电池热管理模拟方法 - Google Patents

一种新能源汽车锂动力电池热管理模拟方法 Download PDF

Info

Publication number
CN111562499A
CN111562499A CN202010518328.8A CN202010518328A CN111562499A CN 111562499 A CN111562499 A CN 111562499A CN 202010518328 A CN202010518328 A CN 202010518328A CN 111562499 A CN111562499 A CN 111562499A
Authority
CN
China
Prior art keywords
battery
lithium
new energy
internal resistance
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010518328.8A
Other languages
English (en)
Other versions
CN111562499B (zh
Inventor
曹坤
闫伟
张静
周从
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.)
Zhejiang Changjiang Automobile Electronics Co ltd
Original Assignee
Wenzhou Changjiang Automobile Electronic System 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 Wenzhou Changjiang Automobile Electronic System Co Ltd filed Critical Wenzhou Changjiang Automobile Electronic System Co Ltd
Priority to CN202010518328.8A priority Critical patent/CN111562499B/zh
Publication of CN111562499A publication Critical patent/CN111562499A/zh
Application granted granted Critical
Publication of CN111562499B publication Critical patent/CN111562499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Secondary Cells (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及一种新能源汽车锂动力电池热管理模拟方法，包括以下步骤：S1、通过HPPC方法测得不同温度、不同SOC参数下的电池单体内阻，得到实验样本；S2、将S1中的实验样本进行归一化处理；S3、通过椭球单元神经网络对S2中的数据以及电池内阻进行创建神经网络预测模型，并得出预测结果；S4、将S3中的预测结果进行间隔加密并测出相应的内阻值；S5、对S4中的数据进行回归拟合；S6、在电池不同的充电倍率下，得出生热回归公式；S7、利用CFD仿真软件的格式编写UDF程序；S8、对电池单体进行CFD仿真实验。采用上述技术方案，本发明提供了一种新能源汽车锂动力电池热管理模拟方法，该模拟方法提高了新能源汽车锂动力电池生热模型的准确性。

Description

一种新能源汽车锂动力电池热管理模拟方法
技术领域
本发明涉及新能源汽车技术领域，具体的涉及一种新能源汽车锂动力电池热管理模拟方法。
背景技术
随着全球能源危机和环境污染的加剧，电动汽车和混合动力汽车由于其良好的能源清洁性受到世界各国的关注，我国的新能源汽车也被列为重点发展行业。随着新能源汽车销量的不断攀升，锂动力电池作为新能源汽车的核心部件，受到了研究人员的广泛关注。锂电池以其较高的重量能量密度和重量功率密度，较好的低温适应性和可靠性得到的广泛的使用。电池的运行状态对整车的动力性、经济性以及安全性都有着至关重要的影响。锂电池的工作性能和运行状态与温度密切相关，作为一种化学动力源，锂电池在充放电过程中会发生大量复杂的化学反应，随着反应的进行，温度也在不断升高，而温度升高又会加快反应的进行，而电池温度的升高和电池整体温度分布的不均匀性会导致电池的使用寿命、性能表现和使用安全，发生热失控的概率会大大增加，危害行车安全。搭建新能源汽车锂电池的生热模型，能够细致分析和优化电池和整车的热管理系统，极大提高电池的使用安全和使用寿命，然而现存的电池热管理中所用的电池单体生热模型的准确性还有待提高。
发明内容
本发明的目的：针对新能源汽车锂动力电池热管理系统，为保证锂电池工作状态稳定，提高性能表现，避免热失控等安全问题的发生，本发明提供了一种新能源汽车锂动力电池热管理模拟方法。
本发明的技术方案：一种新能源汽车锂动力电池热管理模拟方法，其特征在于，包括椭球单元神经网络以及CFD仿真软件，具体的包括以下步骤：
S1、通过HPPC方法测得不同温度、不同SOC参数下的电池单体内阻，得到实验样本；
S2、将S1中的实验样本进行归一化处理；
S3、通过椭球单元神经网络对S2中的数据以及电池内阻进行创建神经网络预测模型，并得出预测结果；
S4、将S3中的预测结果进行间隔加密并测出相应的内阻值；
S5、对S4中的数据进行回归拟合，得出电池内阻与温度和SOC的函数表达式；
S6、在电池不同的充电倍率下，得出生热回归公式；
S7、利用CFD仿真软件的格式编写UDF程序；
S8、对电池单体进行CFD仿真实验，得出瞬态工况下电池内部不同位置的温度变化规律。
本发明的进一步设置：在-20℃-40℃内每隔10℃对锂电池进行充放电试验，在相同间隔的SOC下，通过HPPC方法对电池内阻进行测量，从而得到m组不同温度、不同SOC下的样本，所述试验的设备包括高低温恒温箱和电池测试设备系统；
其中，
高低温恒温箱用于精确控制箱内温度；
电池测试设备用于够精确控制充放电电流、电压以及时间。
本发明的再进一步设置：所述的HPPC为电池直流内阻（DCIR）的测试，计算公式：DCIR=△V/△I=（V2-V1）/（I2-I1），
其中：
DCIR为电池直流内阻；
V１，Ｖ２为选取的两点的电压；
I１，I２为选取的两点的电流。
本发明的再更进一步设置：所述的m个样本对为(Ti，Si，Ri)，其中Ti为第i个样本的温度，Si为第i个样本的电池SOC，Ri为第i个样本的电池内阻值，且对各样本进行归一化处理并建立神经网络预测模型，其中，归一化处理后中80%的样本对作为训练集，20%的样本作为测试集用于神经网络预测模型的仿真测试，
所述归一化公式为：X1=（2（X-Xmin）/（Xmax-Xmin））-1，
其中，
X1为归一化后的数据。
本发明的再更进一步设置：将所述归一化后的样本对作为样本集，以温度和SOC作为输入变量，以相应条件下的电池内阻作为输出变量训练椭球单元神经网络。
本发明的再更进一步设置：根据测试温度范围和SOC范围，在神经网络预测模型上按上述实验将数据进行间隔细化5-10倍，代入神经网络预测模型从而得到n个模型预测点，反归一化后得到n个数据点(T，Si，Ri)，其中，n=(5-10)m。
本发明的再更进一步设置：按照CFD仿真软件的格式编写UDF程序，对电池单体进行三维网格的绘制，并将绘制好的三维网格导入CFD仿真软件中，同时设置电池基本参数，通过UDF程序对电池的内热源进行加载，得出电池在不同温度、不同倍率下的充电放电试验过程中电池内部温度的变化。
本发明的再更进一步设置：所述的椭球单元神经网络包括输入层、隐含层以及输出层；
其中，
输入层有多个输入节点，输入节点根据输入参数的个数进行确定；
隐含层有7个隐含节点；
输出层有1个输出节点；
输入节点与7个隐含节点全部进行连接且连接权重均为1，偏差为0；
隐含节点也通过全连接的方式和输出节点相连；
输入变量采用高斯概率密度函数形式表示。
本发明的再更进一步设置：所述的CFD仿真软件为FLUENT或STAR-CCM＋。
本发明的再更进一步设置：所述试验中使用的锂动力电池为三元锂电池或磷酸铁锂电池或锰酸锂电池。
通过上述技术方案，本发明所取得的有益效果是：本发明通过大数据分析的方式来处理试验数据，并训练椭球单元神经网络模型，对试验参数数据点进行加密，提高了新能源汽车锂动力电池生热模型的准确性。
附图说明
图1为本发明具体实施例的流程图。
具体实施方式
如图1所示，一种新能源汽车锂动力电池热管理模拟方法，包括椭球单元神经网络以及CFD仿真软件，具体的包括以下步骤：
S1、通过HPPC方法测得不同温度、不同SOC参数下的电池单体内阻，得到实验样本；
S2、将S1中的实验样本进行归一化处理；
S3、通过椭球单元神经网络对S2中的数据以及电池内阻进行创建神经网络预测模型，并得出预测结果；
S4、将S3中的预测结果进行间隔加密并测出相应的内阻值；
S5、对S4中的数据进行回归拟合，得出电池内阻与温度和SOC的函数表达式；
S6、在电池不同的充电倍率下，得出生热回归公式；
S7、利用CFD仿真软件的格式编写UDF程序；
S8、对电池单体进行CFD仿真实验，得出瞬态工况下电池内部不同位置的温度变化规律。
在本发明具体实施例中，在-20℃-40℃内每隔10℃对锂电池进行充放电试验，在每间隔0.2SOC下，通过HPPC方法对电池内阻进行测量，从而得到42组不同温度、不同SOC下的样本。
其中，所述的HPPC为电池直流内阻（DCIR）的测试，计算公式：DCIR=△V/△I=（V2-V1）/（I2-I1），
其中：
DCIR为电池直流内阻；
V１，Ｖ２为选取的两点的电压；
I１，I２为选取的两点的电流。
即对锂电池进行充放电试验时，得到电池的电压和电流变化曲线，在曲线上取点计算，避免采集点单一而采集到上升沿记录点，根据选好的记录点，按照公式计算出电压差和电流差的商值即为电池直流内阻值。
具体的，所述的42个样本对为(Ti，Si，Ri)，其中Ti为第i个样本的温度，Si为第i个样本的电池SOC，Ri为第i个样本的电池内阻值，且对各样本进行归一化处理并建立神经网络预测模型，其中，归一化处理后中80%的样本对作为训练集，20%的样本作为测试集用于神经网络预测模型的仿真测试，
所述归一化公式为：X1=（2（X-Xmin）/（Xmax-Xmin））-1，
其中，
X1为归一化后的数据。
进一步，将所述归一化后的样本对作为样本集，以温度和SOC作为输入变量，以相应条件下的电池内阻作为输出变量训练椭球单元神经网络。采用的椭球单元神经网络包括输入层、隐含层以及输出层；
输入层有多个输入节点，输入节点根据输入参数的个数进行确定；隐含层有7个隐含节点；输出层有1个输出节点；输入节点与7个隐含节点全部进行连接且连接权重均为1，偏差为0；隐含节点也通过全连接的方式和输出节点相连；输入变量采用高斯概率密度函数形式表示。
更加具体的，将温度参数进行间隔加密，间隔加密与细化属于相同意思，在实验数据采集的点比较粗时，根据大数据学习的规矩对数据点内部进行增加，是指密度增加的意思，例如在神经网络预测模型上将温度数据进行间隔细化10倍，SOC间隔细化5倍，归一化后代入神经网络预测模型从而得到2100个模型预测点，反归一化后得到2100个数据点(T，Si，Ri)。对各数据点进行回归分析，得出电池内阻与温度和SOC的函数关系式，同时分析不同的充放电倍率情况下,得出不同温度、不同SOC下的电池生热量公式，并按照CFD仿真软件的格式编写UDF程序，对电池单体进行三维网格的绘制，并将绘制好的三维网格导入CFD仿真软件中，同时设置电池基本参数，通过UDF程序对电池的内热源进行加载，得出电池在不同温度、不同倍率下的充电放电试验过程中电池内部温度的变化。
具体的，所述的CFD仿真软件为FLUENT或STAR-CCM＋。所述试验中使用的锂动力电池为三元锂电池或磷酸铁锂电池或锰酸锂电池。

Claims (10)

1.一种新能源汽车锂动力电池热管理模拟方法，其特征在于，包括椭球单元神经网络以及CFD仿真软件，具体的包括以下步骤：
S1、通过HPPC方法测得不同温度、不同SOC参数下的电池单体内阻，得到实验样本；
S2、将S1中的实验样本进行归一化处理；
S3、通过椭球单元神经网络对S2中的数据以及电池内阻进行创建神经网络预测模型，并得出预测结果；
S4、将S3中的预测结果进行间隔加密并测出相应的内阻值；
S5、对S4中的数据进行回归拟合，得出电池内阻与温度和SOC的函数表达式；
S6、在电池不同的充电倍率下，得出生热回归公式；
S7、利用CFD仿真软件的格式编写UDF程序；
S8、对电池单体进行CFD仿真实验，得出瞬态工况下电池内部不同位置的温度变化规律。
2.根据权利要求1所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，在-20℃-40℃内每隔10℃对锂电池进行充放电试验，在相同间隔的SOC下，通过HPPC方法对电池内阻进行测量，从而得到m组不同温度、不同SOC下的样本，所述试验的设备包括高低温恒温箱和电池测试设备系统；
其中，
高低温恒温箱用于精确控制箱内温度；
电池测试设备用于够精确控制充放电电流、电压以及时间。
3.根据权利要求2所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，所述的HPPC为电池直流内阻（DCIR）的测试，计算公式：DCIR=△V/△I=（V2-V1）/（I2-I1），
其中：
DCIR为电池直流内阻；
V1，Ｖ２为选取的两点的电压；
I1，I２为选取的两点的电流。
4.根据权利要求3所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，所述的m个样本对为(Ti，Si，Ri)，其中Ti为第i个样本的温度，Si为第i个样本的电池SOC，Ri为第i个样本的电池内阻值，且对各样本进行归一化处理并建立神经网络预测模型，其中，归一化处理后中80%的样本对作为训练集，20%的样本作为测试集用于神经网络预测模型的仿真测试，
所述归一化公式为：X1=（2（X-Xmin）/（Xmax-Xmin））-1，
其中，
X1为归一化后的数据。
5.根据权利要求4所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，将所述归一化后的样本对作为样本集，以温度和SOC作为输入变量，以相应条件下的电池内阻作为输出变量训练椭球单元神经网络。
6.根据权利要求5所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，根据测试温度范围和SOC范围，在神经网络预测模型上按上述实验将数据进行间隔细化5-10倍，代入神经网络预测模型从而得到n个模型预测点，反归一化后得到n个数据点(T，Si，Ri)，其中，n=(5-10)m。
7.根据权利要求6所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，按照CFD仿真软件的格式编写UDF程序，对电池单体进行三维网格的绘制，并将绘制好的三维网格导入CFD仿真软件中，同时设置电池基本参数，通过UDF程序对电池的内热源进行加载，得出电池在不同温度、不同倍率下的充电放电试验过程中电池内部温度的变化。
8.根据权利要求7所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，所述的椭球单元神经网络包括输入层、隐含层以及输出层；
其中，
输入层有多个输入节点，输入节点根据输入参数的个数进行确定；
隐含层有7个隐含节点；
输出层有1个输出节点；
输入节点与7个隐含节点全部进行连接且连接权重均为1，偏差为0；
隐含节点也通过全连接的方式和输出节点相连；
输入变量采用高斯概率密度函数形式表示。
9.根据权利要求8所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，所述的CFD仿真软件为FLUENT或STAR-CCM＋。
10.根据权利要求9所述的一种新能源汽车锂动力电池热管理模拟方法，其特征在于，所述试验中使用的锂动力电池为三元锂电池或磷酸铁锂电池或锰酸锂电池。
CN202010518328.8A 2020-06-09 2020-06-09 一种新能源汽车锂动力电池热管理模拟方法 Active CN111562499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518328.8A CN111562499B (zh) 2020-06-09 2020-06-09 一种新能源汽车锂动力电池热管理模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518328.8A CN111562499B (zh) 2020-06-09 2020-06-09 一种新能源汽车锂动力电池热管理模拟方法

Publications (2)

Publication Number Publication Date
CN111562499A true CN111562499A (zh) 2020-08-21
CN111562499B CN111562499B (zh) 2022-11-11

Family

ID=72069939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518328.8A Active CN111562499B (zh) 2020-06-09 2020-06-09 一种新能源汽车锂动力电池热管理模拟方法

Country Status (1)

Country Link
CN (1) CN111562499B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统
CN112560173A (zh) * 2020-12-08 2021-03-26 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105974327A (zh) * 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
CN106154171A (zh) * 2016-06-17 2016-11-23 清华大学 建立电池直流内阻函数的方法
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
WO2018017644A1 (en) * 2016-07-22 2018-01-25 Eos Energy Storage, Llc Battery management system
CN108919127A (zh) * 2018-05-17 2018-11-30 合肥国轩高科动力能源有限公司 一种快速统计二次电池不同温度和soc下直流内阻的方法
CN109253494A (zh) * 2018-09-05 2019-01-22 东北大学 一种基于热负荷预测的电蓄热装置控制系统及方法
CN110045292A (zh) * 2019-05-07 2019-07-23 东莞理工学院 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN110188875A (zh) * 2019-04-16 2019-08-30 中国农业大学 一种小样本数据预测方法及装置
CN110991049A (zh) * 2019-12-05 2020-04-10 西南交通大学 一种基于过充锂离子电池的热失控仿真方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105974327A (zh) * 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
CN106154171A (zh) * 2016-06-17 2016-11-23 清华大学 建立电池直流内阻函数的方法
WO2018017644A1 (en) * 2016-07-22 2018-01-25 Eos Energy Storage, Llc Battery management system
CN106526486A (zh) * 2016-08-30 2017-03-22 郑州轻工业学院 一种锂电池健康寿命模型构建方法
CN108919127A (zh) * 2018-05-17 2018-11-30 合肥国轩高科动力能源有限公司 一种快速统计二次电池不同温度和soc下直流内阻的方法
CN109253494A (zh) * 2018-09-05 2019-01-22 东北大学 一种基于热负荷预测的电蓄热装置控制系统及方法
CN110188875A (zh) * 2019-04-16 2019-08-30 中国农业大学 一种小样本数据预测方法及装置
CN110045292A (zh) * 2019-05-07 2019-07-23 东莞理工学院 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN110991049A (zh) * 2019-12-05 2020-04-10 西南交通大学 一种基于过充锂离子电池的热失控仿真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯永涛等: "纯电动汽车锂离子电池热效应的建模及仿真", 《电源技术》 *
冯能莲等: "18650型锂离子动力电池热特性研究", 《电源技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161712A (zh) * 2020-09-29 2021-01-01 上海汽车工业(集团)总公司 一种电动汽车全天候温度监控系统
CN112560173A (zh) * 2020-12-08 2021-03-26 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置
CN112560173B (zh) * 2020-12-08 2021-08-17 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置

Also Published As

Publication number Publication date
CN111562499B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
She et al. Battery aging assessment for real-world electric buses based on incremental capacity analysis and radial basis function neural network
Fu et al. A fast impedance calculation-based battery state-of-health estimation method
Farmann et al. Comparative study of reduced order equivalent circuit models for on-board state-of-available-power prediction of lithium-ion batteries in electric vehicles
She et al. Battery state-of-health estimation based on incremental capacity analysis method: Synthesizing from cell-level test to real-world application
Hu et al. Health prognosis for electric vehicle battery packs: A data-driven approach
Yang et al. A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application
CN110208704B (zh) 一种基于电压滞后效应的锂电池建模方法和系统
Qiao et al. Toward safe carbon–neutral transportation: Battery internal short circuit diagnosis based on cloud data for electric vehicles
Cittanti et al. Modeling Li-ion batteries for automotive application: A trade-off between accuracy and complexity
Lu et al. Online estimation of state of power for lithium-ion batteries in electric vehicles using genetic algorithm
Kroeze et al. Electrical battery model for use in dynamic electric vehicle simulations
Zheng et al. Fault identification and quantitative diagnosis method for series-connected lithium-ion battery packs based on capacity estimation
Ranjbar et al. Online estimation of state of charge in Li-ion batteries using impulse response concept
Wang et al. A battery capacity estimation framework combining hybrid deep neural network and regional capacity calculation based on real-world operating data
Song et al. Model-based health diagnosis for lithium-ion battery pack in space applications
Tian et al. Feature fusion-based inconsistency evaluation for battery pack: Improved Gaussian mixture model
Chen et al. Development of the cycling life model of Ni-MH power batteries for hybrid electric vehicles based on real-world operating conditions
Mocera et al. Battery performance analysis for working vehicle applications
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
Sun et al. Study of parameters identification method of Li-ion battery model for EV power profile based on transient characteristics data
CN111562499B (zh) 一种新能源汽车锂动力电池热管理模拟方法
Zhang et al. A novel battery state-of-health estimation method for hybrid electric vehicles
Su et al. Experimental study on charging energy efficiency of lithium-ion battery under different charging stress
Zhang et al. State-of-charge estimation of the lithium-ion battery using neural network based on an improved thevenin circuit model
An et al. A novel state-of-energy simplified estimation method for lithium-ion battery pack based on prediction and representative cells

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 289 and 291, Binhai Second Road, Wenzhou Economic and Technological Development Zone, Wenzhou, Zhejiang 325000

Patentee after: Zhejiang Changjiang Automobile Electronics Co.,Ltd.

Address before: No.289, Binhai 2nd Road, Wenzhou Economic and Technological Development Zone, Zhejiang Province 325000

Patentee before: WENZHOU CHANGJIANG AUTOMOBILE ELECTRONIC SYSTEM Co.,Ltd.

CP03 Change of name, title or address