CN111781504B - 一种锂离子动力电池老化状态识别与开路电压重构方法 - Google Patents
一种锂离子动力电池老化状态识别与开路电压重构方法 Download PDFInfo
- Publication number
- CN111781504B CN111781504B CN202010767521.5A CN202010767521A CN111781504B CN 111781504 B CN111781504 B CN 111781504B CN 202010767521 A CN202010767521 A CN 202010767521A CN 111781504 B CN111781504 B CN 111781504B
- Authority
- CN
- China
- Prior art keywords
- battery
- ocv
- aging
- charging
- curve
- 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.)
- Active
Links
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种锂离子动力电池老化状态识别与开路电压重构方法,其考虑到快速获取开路电压‑荷电状态曲线对提升电池老化状态识别与全寿命区间内的荷电状态估计的重要意义,以及常用的电池恒流或恒流恒压充电模式能够为机器学习方法提供一致性输入的特性。该方法着眼于电池内部老化状态估计以及开路电压获取两个问题,使用常见的恒流充电过程中的部分充电电压曲线,结合机器学习方法离线建立部分充电电压曲线与电池正负极容量、初始荷电状态的关系,可以实现快速的电池内部老化状态的估计,以及电池开路电压‑荷电状态曲线的精确重构。
Description
技术领域
本发明涉及动力电池系统管理技术领域,尤其涉及锂离子动力电池的老化诊断与开路电压曲线重构方法设计。
背景技术
锂离子动力电池在长期使用过程中,普遍存在性能逐渐衰退的现象,从而会对动力电池系统的工作性能产生不利影响,因此精确获取电池老化状态对电池系统的耐久性、可靠性管理具有重要意义。电池老化机理的诊断往往需要对电池进行测试,例如小倍率开路电压测试与电化学阻抗谱测试等。但此类测试耗时长,环境要求高,不适用于实际电池应用场景。根据实际运行电池过程中所采集的电压、电流等信号对电池老化状态估计因此具有重要意义。但当前研究仅着眼于电池整体性能,如容量、电阻的估计。电池老化机理复杂,在使用过程中,正极、负极等部位均可能出现老化,共同导致了电池整体性能的衰退,仅仅获取电池整体的容量、内阻无法更加深入地评价电池老化状态。此外,电池的开路电压-荷电状态曲线常被用于电池荷电状态的标定,该曲线在不同老化状态下的更新也需要长时间的测试,使得老化状态识别过程被大大延长。因此,如何全面收集影响电池内部老化状态的各类信号,并建立客观精确的估计手段,在本领域中具有重要意义。
发明内容
有鉴于此,本发明提供了一种锂离子动力电池老化状态识别与开路电压重构方法,具体包括离线电池测试与在线应用两个阶段;
其中,离线电池测试阶段包括以下步骤:
步骤一、选取待研究的样本锂离子电池,测试其在不同老化状态下的电池恒流充电曲线以及开路电压(OCV)曲线;
步骤二、获取样本电池的正极和负极的开路电压曲线;
步骤三、使用步骤二中的正极和负极的开路电压曲线,拟合由步骤一中获得的不同老化状态下的开路电压曲线,以得到正负极的容量、正负极充电初始荷电状态(SOC)四个参数,定义为电极老化参数;
步骤四、选取不同老化状态下的恒流充电曲线中的特定电压区间范围内的充入电量,通过机器学习算法建立所述充入电量与所述电极老化参数间的回归关系,建立电极老化参数估计器;
所述在线应用阶段包括以下步骤:
步骤五、在电池管理系统实际应用电池的充电过程中,采集与所述步骤四中特定电压区间范围对应的充入电量,并输入步骤四建立的估计器,输出电极老化参数;
步骤六、基于输出的电极老化参数检测电极容量损失、电压区间,用于评价电池老化状态;同时重构出电池OCV-充入电量(Q)曲线,并从中提取出电池最大容量估计结果。
进一步地,所述步骤一具体包括:选取一批待研究的样本锂离子电池分别进行老化测试以及特性测试;其中,在电池老化测试中考虑不同工况、不同温度、不同充放电电流倍率,模拟电池在实际应用中的老化过程;特性测试中在电池不同老化状态下分别进行恒流充电测试以及OCV测试;恒流充电测试采用常用电池充电倍率对电池充电,模拟实际应用电池的充电场景;OCV测试可采用较小或者适合的倍率充电,或充电、静置的方式获取电池OCV与充入电量的关系,通过将充入电量归一化为0-1的SOC区间获得OCV-SOC关系,得到不同老化状态下的OCV曲线。
进一步地,所述步骤二具体包括:对选取的样本锂离子电池进行拆解得到正、负极活性材料;将所述正、负极活性材料作为正极,锂片作为负极,组装形成两种电池结构;对组装的两种电池结构分别进行OCV测试,获取正极和负极OCV与充入电量的关系,通过将充入电量归一化为0-1区间,获得正极和负极OCV-SOC关系,得到正负极开路电压曲线。
进一步地,所述步骤三具体包括:对所述正负极OCV-SOC曲线,给定正负极容量、电池充电初始时刻的正负极SOC后,通过安时积分计算充电过程每一时刻下的正负极SOC,相应地得到正负极的OCV,通过二者做差仿真出电池整体OCV曲线;利用优化算法最小化仿真OCV曲线与真实测量OCV曲线之间的误差,辨识获得正负极的容量、正负极充电初始SOC四个电极老化参数。可采用的优化算法如遗传算法、粒子群算法等。
进一步地,所述步骤四具体通过观察电池特性试验中的充电曲线,确定随电池老化变化最明显的电压区间,对该区间内进行采样,获取电压与充入电量的关系,通过机器学习算法建立充入电量向量与电极老化参数之间的回归关系。具体可采用如神经网络,相关向量机等能够描述向量输入、向量输出回归关系的机器学习算法。
进一步地,所述步骤五具体包括:利用电池管理系统在实际电池充电过程中进行采样,当达到步骤四中确定的电压区间下限时开始进行安时积分,计算累积充入电量,当达到指定电压上限时,获取充入电量向量;通过将充入电量向量输入到所述估计器,即得到电极老化参数的估计结果。
进一步地,所述步骤六具体包括:通过步骤五中所估计的电极老化参数,在不同老化阶段检测正负极容量损失,正负极电压范围以及锂离子损失等电池内部老化指标;同时,通过将所估计的电池老化参数代入步骤二中的正负极OCV曲线,得到电池在当前老化状态下的OCV-Q曲线。此外,OCV-Q曲线中充入电量Q的最大值即为电池容量的估计值。
上述本发明所提供的方法,考虑到快速获取开路电压-荷电状态曲线对提升电池全寿命区间内的荷电状态估计效果所具有的重要意义,以及常用的电池恒流或恒流恒压充电模式能够为机器学习方法提供一致性输入的特性。本发明着眼于电池内部老化状态估计以及开路电压获取两个问题,使用常见的恒流充电过程中的部分充电电压曲线,结合机器学习方法离线建立部分充电电压曲线与电池正负极容量、初始荷电状态的关系,可以实现快速的电池内部老化状态的估计,以及电池开路电压-荷电状态曲线的精确重构。
附图说明
图1是本发明所提供方法的总体流程图;
图2是本发明的方法中电池开路电压曲线拟合过程;
图3是本发明的方法中电池充电曲线以及特定电压区间内的电量;
图4是本发明的优选实例中电极老化参数的估计结果;
图5是本发明的优选实例中开路电压曲线的重构结果;
图6是本发明的优选实例中电池容量的估计结果。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本发明所提供的锂离子动力电池老化状态识别与开路电压重构方法,如图1所示,具体包括离线电池测试与在线应用两个阶段;
其中,离线电池测试阶段包括以下步骤:
步骤一、选取待研究的样本锂离子电池,测试其在不同老化状态下的电池恒流充电曲线以及开路电压(OCV)曲线;
步骤二、获取样本电池的正极和负极的开路电压曲线;
步骤三、使用步骤二中的正极和负极的开路电压曲线,拟合由步骤一中获得的不同老化状态下的开路电压曲线,以得到正负极的容量、正负极充电初始荷电状态(SOC)四个参数,定义为电极老化参数;
步骤四、选取不同老化状态下的恒流充电曲线中的特定电压区间范围内的充入电量,通过机器学习算法建立所述充入电量与所述电极老化参数间的回归关系,建立电极老化参数估计器;
所述在线应用阶段包括以下步骤:
步骤五、在电池管理系统实际应用电池的充电过程中,采集与所述步骤四中特定电压区间范围对应的充入电量,并输入步骤四建立的估计器,输出电极老化参数;
步骤六、基于输出的电极老化参数检测电极容量损失、电压区间,用于评价电池老化状态;同时重构出电池OCV-充入电量(Q)曲线,并从中提取出电池最大容量估计结果。
在本发明的一个优选实施方式中,所述步骤一具体包括:选取一批待研究的样本锂离子电池分别进行老化测试以及特性测试;其中,在电池老化测试中考虑不同工况、不同温度、不同充放电电流倍率,模拟电池在实际应用中的老化过程;特性测试中在电池不同老化状态下分别进行恒流充电测试以及OCV测试;恒流充电测试采用常用电池充电倍率对电池充电,模拟实际应用电池的充电场景;OCV测试可采用较小或者适合的倍率充电,或充电、静置的方式获取电池OCV与充入电量的关系,通过将充入电量归一化为0-1的SOC区间获得OCV-SOC关系,得到不同老化状态下的OCV曲线。
在本发明的一个优选实施方式中,所述步骤二具体包括:对选取的样本锂离子电池进行拆解得到正、负极活性材料;将所述正、负极活性材料作为正极,锂片作为负极,组装形成两种电池结构;对组装的两种电池结构分别进行OCV测试,获取正极和负极OCV与充入电量的关系,通过将充入电量归一化为0-1区间,获得正极和负极OCV-SOC关系,得到正负极开路电压曲线。
在本发明的一个优选实施方式中,所述步骤三具体包括:对所述正负极OCV-SOC曲线,给定正负极容量、电池充电初始时刻的正负极SOC后,通过安时积分计算充电过程每一时刻下的正负极SOC,相应地得到正负极的OCV,通过二者做差仿真出电池整体OCV曲线;利用优化算法最小化仿真OCV曲线与真实测量OCV曲线之间的误差,辨识获得正负极的容量、正负极充电初始SOC四个电极老化参数。可采用的优化算法如遗传算法、粒子群算法等。本例中的一个拟合结果如图2所示。通过拟合不同老化状态下的电池OCV曲线,即可得到电极老化参数随电池老化的变化轨迹。
在本发明的一个优选实施方式中,所述步骤四具体通过观察电池特性试验中的充电曲线,确定随电池老化变化最明显的电压区间,如图3所示,本例中所采用的电池不同老化状态下的充电曲线在3.7-3.9V区间内变化明显,因此,可通过对该区间内进行采样,获取电压与充入电量的关系。对该区间内进行采样,获取电压与充入电量的关系,例如,每隔5mV计算充入电量,则可通过安时积分获得从3.7V起,[3.705,3.71,…,3.9]V点处充入的电量,组成向量。通过机器学习算法建立充入电量向量与电极老化参数之间的回归关系。具体可采用如神经网络,相关向量机等能够描述向量输入、向量输出回归关系的机器学习算法。
进一步地,所述步骤五具体包括:利用电池管理系统在实际电池充电过程中进行采样,当达到步骤四中确定的电压区间下限时开始进行安时积分,计算累积充入电量,当达到指定电压上限时,获取充入电量向量;通过将充入电量向量输入到所述估计器,即得到电极老化参数的估计结果。本例中使用步骤四中的神经网络所估计的老化参数结果如图4所示。
进一步地,所述步骤六具体包括:通过步骤五中所估计的电极老化参数,在不同老化阶段检测正负极容量损失,正负极电压范围以及锂离子损失等电池内部老化指标;同时,通过将所估计的电池老化参数代入步骤二中的正负极OCV曲线,得到电池在当前老化状态下的OCV-Q曲线。此外,OCV-Q曲线中充入电量Q的最大值即为电池容量的估计值。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。在本例中,使用步骤五中所估计的电极老化参数,在4个不同循环数下的重构的OCV-Q曲线结果如图5所示。所有循环数下的电池容量估计结果如图6所示。
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 (6)
1.一种锂离子动力电池老化状态识别与开路电压重构方法,其特征在于:具体包括离线电池测试与在线应用两个阶段;
其中,离线电池测试阶段包括以下步骤:
步骤一、选取待研究的样本锂离子电池,测试其在不同老化状态下的电池恒流充电曲线以及OCV曲线;
步骤二、对选取的样本锂离子电池进行拆解得到正、负极活性材料;将所述正、负极活性材料作为正极,锂片作为负极,组装形成两种电池结构;对组装的两种电池结构分别进行OCV测试,获取正极和负极OCV与充入电量的关系,通过将充入电量归一化为0-1区间,获得正极和负极OCV-SOC关系,得到正负极OCV曲线;
步骤三、使用步骤二中的正极和负极的OCV曲线,拟合由步骤一中获得的不同老化状态下的开路电压OCV曲线,以得到正负极的容量、正负极充电初始SOC四个参数,定义为电极老化参数;
步骤四、选取不同老化状态下的恒流充电曲线中的特定电压区间范围内的充入电量,通过机器学习算法建立所述充入电量与所述电极老化参数间的回归关系,建立电极老化参数估计器;
所述在线应用阶段包括以下步骤:
步骤五、在电池管理系统实际应用电池的充电过程中,采集与所述步骤四中特定电压区间范围对应的充入电量,并输入步骤四建立的估计器,输出电极老化参数;
步骤六、基于输出的电极老化参数检测电极容量损失、电压区间,用于评价电池老化状态;同时重构出电池OCV-充入电量Q曲线,并从中提取出电池最大容量估计结果。
2.如权利要求1所述的方法,其特征在于:所述步骤一具体包括:选取一批待研究的样本锂离子电池分别进行老化测试以及特性测试;其中,在电池老化测试中考虑不同工况、不同温度、不同充放电电流倍率,模拟电池在实际应用中的老化过程;特性测试中在电池不同老化状态下分别进行恒流充电测试以及OCV测试;恒流充电测试采用常用电池充电倍率对电池充电,模拟实际应用电池的充电场景;OCV测试采用适合的倍率充电,或充电、静置的方式获取电池OCV与充入电量的关系,通过将充入电量归一化为0-1的SOC区间获得OCV-SOC关系,得到不同老化状态下的OCV曲线。
3.如权利要求1所述的方法,其特征在于:所述步骤三具体包括:对所述正负极OCV-SOC曲线,给定正负极容量、电池充电初始时刻的正负极SOC后,通过安时积分计算充电过程每一时刻下的正负极SOC,相应地得到正负极的OCV,通过二者做差仿真出电池整体OCV曲线;利用优化算法最小化仿真OCV曲线与真实测量OCV曲线之间的误差,辨识获得正负极的容量、正负极充电初始SOC四个电极老化参数。
4.如权利要求1所述的方法,其特征在于:所述步骤四具体通过观察电池特性试验中的充电曲线,确定随电池老化变化最明显的电压区间,对该区间内进行采样,获取电压与充入电量的关系,通过机器学习算法建立充入电量向量与电极老化参数之间的回归关系。
5.如权利要求1所述的方法,其特征在于:所述步骤五具体包括:利用电池管理系统在实际电池充电过程中进行采样,当达到步骤四中确定的电压区间下限时开始进行安时积分,计算累积充入电量,当达到指定电压上限时,获取充入电量向量;通过将充入电量向量输入到所述估计器,即得到电极老化参数的估计结果。
6.如权利要求1所述的方法,其特征在于:所述步骤六具体包括:通过步骤五中所估计的电极老化参数,在不同老化阶段检测正负极容量损失,正负极电压范围以及锂离子损失等电池内部老化指标;同时,通过将所估计的电池老化参数代入步骤二中的正负极OCV曲线,得到电池在当前老化状态下的OCV-Q曲线;OCV-Q曲线中充入电量Q的最大值则为电池容量的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767521.5A CN111781504B (zh) | 2020-08-03 | 2020-08-03 | 一种锂离子动力电池老化状态识别与开路电压重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767521.5A CN111781504B (zh) | 2020-08-03 | 2020-08-03 | 一种锂离子动力电池老化状态识别与开路电压重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111781504A CN111781504A (zh) | 2020-10-16 |
CN111781504B true CN111781504B (zh) | 2023-09-01 |
Family
ID=72766178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767521.5A Active CN111781504B (zh) | 2020-08-03 | 2020-08-03 | 一种锂离子动力电池老化状态识别与开路电压重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111781504B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379280B (zh) * | 2020-11-10 | 2022-12-27 | 南京理工大学 | 基于恒压恒流充电曲线的电池模型参数与ocv-soc关系确定方法 |
CN112379273B (zh) * | 2020-11-16 | 2021-07-30 | 北京理工大学 | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 |
KR20220094042A (ko) | 2020-12-28 | 2022-07-05 | 주식회사 엘지에너지솔루션 | 이차 전지 진단 장치 및 방법 |
KR20220093840A (ko) * | 2020-12-28 | 2022-07-05 | 주식회사 엘지에너지솔루션 | 이차 전지 진단 장치 및 방법 |
CN112782604A (zh) * | 2020-12-29 | 2021-05-11 | 珠海中力新能源科技有限公司 | 一种电池诊断方法、装置及终端设备 |
CN112946509A (zh) * | 2021-02-26 | 2021-06-11 | 同济大学 | 一种基于电极应变的锂离子电池老化状态估计方法 |
WO2022205221A1 (zh) * | 2021-03-31 | 2022-10-06 | 宁德时代新能源科技股份有限公司 | 电池组、电池包、用电装置以及电池组的制造方法及制造设备 |
CN113311338B (zh) * | 2021-06-02 | 2023-01-17 | 江苏大学 | 一种数据驱动的锂离子电池开路电压曲线重构方法 |
CN113466728B (zh) * | 2021-07-13 | 2024-04-05 | 北京西清能源科技有限公司 | 一种两阶段电池模型参数在线辨识的方法与系统 |
CN114720879A (zh) * | 2022-03-25 | 2022-07-08 | 中国长江三峡集团有限公司 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
CN106383324A (zh) * | 2016-12-07 | 2017-02-08 | 上海动力储能电池系统工程技术有限公司 | 一种基于容量衰减机理分解分析的锂离子电池寿命预测方法 |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
CN107247235A (zh) * | 2017-05-19 | 2017-10-13 | 江苏大学 | 一种考虑并联电池差异的电池组容量估算方法 |
DE102008053344B4 (de) * | 2007-10-30 | 2018-01-11 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Adaptiver Filteralgorithmus zum Schätzen des Lebensalters einer Batterie mit dazugehörigen Verfahren und dazugehörigem System |
CN107608863A (zh) * | 2017-07-31 | 2018-01-19 | 维沃移动通信有限公司 | 一种电量显示的校准方法及移动终端 |
CN207282658U (zh) * | 2017-07-24 | 2018-04-27 | 江西优特汽车技术有限公司 | 一种充电时间显示系统 |
CN108318775A (zh) * | 2018-05-11 | 2018-07-24 | 北京市亿微科技有限公司 | 在线诊断电池短路故障的方法及装置 |
DE102018103059A1 (de) * | 2017-02-20 | 2018-08-23 | Avl List Gmbh | Verfahren zum Abschätzen einer restlichen Lebensdauer einer aufladbaren Batterie |
CN108896913A (zh) * | 2018-05-10 | 2018-11-27 | 燕山大学 | 一种锂离子电池健康状态的估算方法 |
CN109164398A (zh) * | 2018-08-03 | 2019-01-08 | 北京交通大学 | 一种锂离子电池组中单体电池容量估算方法 |
CN110210147A (zh) * | 2019-06-05 | 2019-09-06 | 杭州华塑加达网络科技有限公司 | 估算电池健康状态的仿真装置及仿真方法 |
CN110635187A (zh) * | 2019-09-01 | 2019-12-31 | 南京理工大学 | 一种考虑老化的锂电池充电方法 |
CN110954832A (zh) * | 2019-12-19 | 2020-04-03 | 北京交通大学 | 一种识别老化模式的锂离子电池健康状态在线诊断方法 |
CN111048857A (zh) * | 2019-12-20 | 2020-04-21 | 宁德时代新能源科技股份有限公司 | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9130248B2 (en) * | 2012-05-25 | 2015-09-08 | GM Global Technology Operations LLC | Modeling changes in the state-of-charge open circuit voltage curve by using regressed parameters in a reduced order physics based model |
-
2020
- 2020-08-03 CN CN202010767521.5A patent/CN111781504B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008053344B4 (de) * | 2007-10-30 | 2018-01-11 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Adaptiver Filteralgorithmus zum Schätzen des Lebensalters einer Batterie mit dazugehörigen Verfahren und dazugehörigem System |
CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
CN106383324A (zh) * | 2016-12-07 | 2017-02-08 | 上海动力储能电池系统工程技术有限公司 | 一种基于容量衰减机理分解分析的锂离子电池寿命预测方法 |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
DE102018103059A1 (de) * | 2017-02-20 | 2018-08-23 | Avl List Gmbh | Verfahren zum Abschätzen einer restlichen Lebensdauer einer aufladbaren Batterie |
CN107247235A (zh) * | 2017-05-19 | 2017-10-13 | 江苏大学 | 一种考虑并联电池差异的电池组容量估算方法 |
CN207282658U (zh) * | 2017-07-24 | 2018-04-27 | 江西优特汽车技术有限公司 | 一种充电时间显示系统 |
CN107608863A (zh) * | 2017-07-31 | 2018-01-19 | 维沃移动通信有限公司 | 一种电量显示的校准方法及移动终端 |
CN108896913A (zh) * | 2018-05-10 | 2018-11-27 | 燕山大学 | 一种锂离子电池健康状态的估算方法 |
CN108318775A (zh) * | 2018-05-11 | 2018-07-24 | 北京市亿微科技有限公司 | 在线诊断电池短路故障的方法及装置 |
CN109164398A (zh) * | 2018-08-03 | 2019-01-08 | 北京交通大学 | 一种锂离子电池组中单体电池容量估算方法 |
CN110210147A (zh) * | 2019-06-05 | 2019-09-06 | 杭州华塑加达网络科技有限公司 | 估算电池健康状态的仿真装置及仿真方法 |
CN110635187A (zh) * | 2019-09-01 | 2019-12-31 | 南京理工大学 | 一种考虑老化的锂电池充电方法 |
CN110954832A (zh) * | 2019-12-19 | 2020-04-03 | 北京交通大学 | 一种识别老化模式的锂离子电池健康状态在线诊断方法 |
CN111048857A (zh) * | 2019-12-20 | 2020-04-21 | 宁德时代新能源科技股份有限公司 | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 |
Non-Patent Citations (1)
Title |
---|
《电动汽车锂离子动力电池健康状态在线诊断方法》;姜久春等;《机械工程学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111781504A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111781504B (zh) | 一种锂离子动力电池老化状态识别与开路电压重构方法 | |
Pastor-Fernández et al. | Critical review of non-invasive diagnosis techniques for quantification of degradation modes in lithium-ion batteries | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Cui et al. | State of health diagnosis model for lithium ion batteries based on real-time impedance and open circuit voltage parameters identification method | |
CN109143108B (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
Farmann et al. | Critical review of on-board capacity estimation techniques for lithium-ion batteries in electric and hybrid electric vehicles | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
US11703548B2 (en) | Methods and systems for accelerated determining of state of health using incremental capacity analysis | |
US20210382114A1 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
CN110568361A (zh) | 一种动力电池健康状态的预测方法 | |
Lyu et al. | A new method for lithium-ion battery uniformity sorting based on internal criteria | |
CN108896913A (zh) | 一种锂离子电池健康状态的估算方法 | |
CN110068772A (zh) | 基于改进分数阶模型的锂离子电池荷电状态估计方法 | |
CN111398833A (zh) | 一种电池健康状态评估方法和评估系统 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN107533105A (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN114089191B (zh) | 一种复合锂离子电池健康状况估计方法 | |
CN109799463A (zh) | 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 | |
CN110954832A (zh) | 一种识别老化模式的锂离子电池健康状态在线诊断方法 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN113533988B (zh) | 一种锂离子电池长期循环容量衰减分析方法 | |
CN114865117B (zh) | 锂离子电池电极嵌锂量检测方法、装置及电池管理系统 |
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 |