CN111983459B - 一种基于车用锂离子电池的健康状态测试评估方法 - Google Patents
一种基于车用锂离子电池的健康状态测试评估方法 Download PDFInfo
- Publication number
- CN111983459B CN111983459B CN202010694897.8A CN202010694897A CN111983459B CN 111983459 B CN111983459 B CN 111983459B CN 202010694897 A CN202010694897 A CN 202010694897A CN 111983459 B CN111983459 B CN 111983459B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- test
- battery
- layer
- 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]
- G01R31/385—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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开一种基于车用锂离子电池的健康状态测试评估方法,该方法包括以下步骤:对待测试评估的车用锂离子电池进行循环充放电测试,并收集训练数据集建立测试模型;将采集的实时监测数据通过测试模型进行分析处理,得到车用锂离子电池的健康状态;其中,训练数据集包括:测试环境温度TE、锂离子电池温度TLi、电池SOC、电池内阻r、放电电压U和放电容量Q;测试模型为BP神经网络监测模型。本发明通过多角度采集电池在循环充放电测试中的测试数据,基于三层BP神经网络的健康状态测试模型,能够对车用锂离子电池的健康状态进行合理评估,有效解决了现有对锂离子电池健康状态评估不全面的问题。
Description
技术领域
本发明涉及锂离子电池健康状态评估技术领域,具体涉及一种基于车用锂离子电池的健康状态测试评估方法。
背景技术
车用锂离子电池是混合动力汽车及电动汽车的动力电池,由于镍氢电池的一些技术性能如能量密度、充放电速度等已经接近到理论极限值,锂电池由于能量密度高、容量大、无记忆性等优点,得到汽车厂商与电池生产厂商的一致认可,各国研发的重点是锂离子电池。但由于随着车用锂离子电池的不断的循环充放电使用,锂离子电池的使用寿命往往会呈现断崖式的降低,因此,在此之前需要对锂离子电池的健康状态做出合理评估,可以提前对锂离子电池的健康状态做出预判。
但是在现有技术中,存在对锂离子电池的健康状态测试评估困难,并且不能结合更多的参数测试数据对锂离子电池全面进行健康状态评估的问题。例如,专利号为201910392656.5、申请公布日为2019.08.16,名称为“一种应用于电池管理系统的锂离子电池健康状态估计方法”的专利公开了一种应用于电池管理系统的锂离子电池健康状态估计方法,该专利中提供新的退化特征供研究人员评价电池退化性能,通过RVM模型对电池参数与电池SOH进行映射,得到了SOH估计模型,取得了良好的估计效果,但是在该模型中对锂离子的电池参数并没有进行全面的采集,因此对模型的建立并不全面,也不能更好的对锂离子电池的健康状态进行更好的评估。
发明内容
有鉴于此,本发明的目的是提供一种基于车用锂离子电池的健康状态测试评估方法,通过多角度采集电池在循环充放电测试中的测试数据,并建立BP神经网络监测模型对车用锂离子电池的健康状态进行合理评估,有效解决了现有对锂离子电池健康状态评估不全面的问题。
本发明所采用的技术方案是,一种基于车用锂离子电池的健康状态测试评估方法,包括以下步骤:
对待测试评估的车用锂离子电池进行循环充放电测试,并收集训练数据集建立测试模型;将采集的实时监测数据通过所述测试模型进行分析处理,得到车用锂离子电池的健康状态;
其中,所述训练数据集包括:测试环境温度TE、锂离子电池温度TLi、电池SOC、电池内阻r、放电电压U和放电容量Q;所述测试模型为BP神经网络监测模型。
优选地,所述将采集的实时监测数据通过所述测试模型进行分析处理,得到车用锂离子电池的健康状态,具体包括以下步骤:
步骤1、建立基于三层BP神经网络的测试模型,按照采样周期采集监测数据;
步骤2、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池SOC系数,x2为电池内阻系数,x3为放电容量系数,x4为温度系数,x5为放电系数;
步骤3、将步骤2所述的输入层神经元向量映射到隐层,隐层的神经元为m个;
步骤4、获得输出层神经元向量o={o1,o2,o3,o4,o5};所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4,5},i为技术状态值,i={1,2,3,4,5},当ok为1时,此时车用锂离子电池处于ok对应的健康状态;
其中,o1为健康状态极佳,o2为健康状态较好,o3为健康状态一般,o4为健康状态较差,o5为报警状态。
优选地,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
优选地,所述步骤2中,所述电池SOC系数、电池内阻系数和放电容量系数通过公式(I)分别对电池SOC、电池内阻r和放电容量Q进行规格得到:
其中,xj为输入层向量中的参数,Xj分别为测量参数SOC、r、Q,j=1,2,3;Xjmax和Xjmin分别为相应测试参数中的最大值和最小值。
优选地,在所述步骤2中,所述温度系数利用公式(II)得到:
其中,T0为校正温度,TLimin为测试的锂离子电池的最小温度,TLimax为测试的锂离子电池的最大温度,TEmin为测试环境的最小测试温度,TEmax为测试环境的最大测试温度。
优选地,在所述步骤2中,所述放电系数利用公式(III)得到:
其中,U0为校正放电电压,Q0为校正放电容量,Qmin为测试的最小放电容量,Qmax为测试的最大放电容量,Umin为测试的最小放电电压,Umax为测试的最大放电电压。
优选地,所述T0为22℃~28℃,所述U0为1.85V~2.05V,所述Q0为100Ah~105Ah。
优选地,所述T0取值为25℃,所述U0取值范围为2V,所述Q0取值范围为102Ah。
优选地,所述测试模型通过在所述训练数据集中随机选取75%的监测数据进行建立,将所述训练数据集中剩余的25%的监测数据作为预测样本,进行测试模型验证;
所述测试模型中BP网络体系由三层组成,第一层为输入层,包括与测试模式的检测信号相对应的节点;第二层为隐层;第三层为输出层。
本发明的有益效果是:
本发明通过多角度采集锂离子电池的测试数据并建立基于三层BP神经网络的健康状态测试模型,对车用锂离子电池的健康状态进行合理评估,能够对车用锂离子电池的健康状态进行合理预判,进而能够更加合理的使用锂离子电池;同时本发明的预判结果全面,包括健康状态极佳、较好、一般、较差以及报警状态五种评估结果,使用户更加明确锂离子电池的健康状态。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种基于车用锂离子电池的健康状态测试评估方法,包括如下步骤:
对待测试评估的车用锂离子电池进行循环充放电测试,并收集训练数据集建立测试模型;将采集的实时监测数据通过所述测试模型进行分析处理,得到车用锂离子电池的健康状态;
其中,所述训练数据集包括:测试环境温度TE、锂离子电池温度TLi、电池SOC、电池内阻r、放电电压U和放电容量Q;所述测试模型为BP神经网络监测模型。
本发明中所用的BP网络监测模型是现有的BP网络监测模型。
具体为,采集实时监测数据,通过所述测试模型进行实时分析处理,确定车用锂离子电池的健康状态;其中,测试模型采用BP神经网络监测模型,包括以下步骤:
步骤1、建立BP神将网络模型;
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示监测模型的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T;
中间层向量:y=(y1,y2,…,ym)T;
输出层向量:o=(o1,o2,…,op)T;
本发明中,输入层节点数为n=5,输出层节点数为p=5;隐藏层节点数m由下式估算得出:
步骤2、按照采样周期,输入的5个参数为:x1为电池SOC系数,x2为电池内阻系数,x3为放电容量系数,x4为温度系数,x5为放电系数;
由于获取的数据属于不同的物理量,其量纲各不相同,因此,在数据输入神经网络之前,需要将数据规格化为0-1之间的数。
也就是按照以下公式(I)、公式(II)和公式(III)得到电池SOC系数、为电池内阻系数、放电容量系数、温度系数和放电系数。
其中,公式(I)为:
其中,xj为输入层向量中的参数,Xj分别为测量参数SOC、r、Q,j=1,2,3;Xjmax和Xjmin分别为相应测试参数中的最大值和最小值
具体而言,采集到电池SOC数据后进行规格化后,得到电池SOC系数x1:
其中,SOCmin和SOCmax分别为测试的最小电池SOC和最大电池SOC。
同样的,采集到电池内阻r进行规格化后,得到电池内阻系数x2:
其中,rmin和rmax分别为测试的最小电池内阻和最大电池内阻;
同样的,采集到电池放电容量Q进行规格化后,得到放电容量系数x3:
其中,Qmin和Qmax分别为测试的最小放电容量和最大放电容量;
采集到测试环境温度TE、锂离子电池温度TLi后计算温度系数x4:
其中,T0为校正温度,TLimin为测试的锂离子电池的最小温度,TLimax为测试的锂离子电池的最大温度,TEmin为测试环境的最小温度,TEmax为测试环境的最大温度;在本实施例中,作为一种优选,T0取值范围为22℃~28℃,优选取值为25℃;
采集到放电电压U和放电容量Q后计算放电系数x5:
其中,U0为校正放电电压,Q0为校正放电容量,Qmin为测试的最小放电容量,Qmax为测试的最大放电容量,Umin为测试的最小放电电压,Umax为测试的最大放电电压;
作为一种优选,U0取值范围为1.85V~2.05V,优选取值为2V,Q0取值范围为100Ah~105Ah,优选取值为102Ah。
步骤3、将输入层神经元向量映射到隐层,隐层的神经元为m个;
步骤4、获得输出层神经元向量o={o1,o2,o3,o4,o5};其中,o1为健康状态极佳,o2为健康状态较好,o3为健康状态一般,o4为健康状态较差,o5为报警状态,所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4,5},i为技术状态值,i={1,2,3,4,5},当ok为1时,此时车用锂离子电池处于ok对应的健康状态。
本发明还包括对BP神经网络的训练过程,以减小系统误差。
具体为将部分训练数据集中的数据作为样本对测试模型即BP神经网络监测模型进行训练,评估测试模型的拟合优度以及训练结果的准确性,确立最终的测试模型。
具体为:
步骤S1、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
步骤1、训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;
步骤2、训练算法
BP网络采用误差反向传播算法进行训练,其步骤可归纳如下:
第一步:选定结构合理的网络,设置所有节点阈值和连接权值的初值;
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,/>为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,/>为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令/>为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中,J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
如表1所示,给定了一组训练样本以及训练过程中各节点的值,如表2所示,各子网训练时的输出样本。
表1训练过程各节点值
表2网络训练用的输出样本
步骤S2、采集初始测试数据,通过将初始测试数据进行规格化得到得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量得到初始输出向量/>后,即可进行下一个周期的测试采样,通过获取第i个采样周期的测试数据,通过BP神经网络的运算得到到第i个采样周期的输出向量/>
为了对本发明的测试模型进行验证,通过在训练数据集中随机选取75%的监测数据进行测试模型建立,将训练数据集中剩余的25%的监测数据作为预测样本,进行测试模验证。本发明还提供以磷酸铁锂电池实验对象,对其健康状态进行具体评估的过程,具体为:
在本实施例中,使用磷酸铁锂电池作为实验对象,结合采集的数据对车用锂离子电池的健康状态进行测试评估;在本实施例中,T0取值为25℃,U0取值范围为2V,Q0取值范围为102Ah,结果如表3、表4所示。
表3车用锂离子电池测试数据
表4健康状态评价结论
实施例 | 极佳 | 较好 | 一般 | 较差 | 报警 |
1 | √ | - | - | - | - |
2 | √ | - | - | - | - |
3 | - | - | √ | - | - |
4 | - | - | - | √ | - |
5 | - | - | √ | - | - |
6 | - | √ | - | - | - |
7 | - | √ | - | - | - |
8 | √ | - | - | - | - |
9 | - | - | √ | - | - |
10 | - | - | √ | - | - |
11 | - | - | - | √ | - |
12 | - | - | - | - | √ |
13 | - | - | - | - | √ |
14 | - | - | √ | - | - |
15 | √ | - | - | - | - |
本发明通过对15组不同的车用锂离子电池的测试数据进行采集并输入到测试模型中,能够对车用锂离子电池的健康状态进行评估,更好的对电池健康状态进行预判,可以使研究人员对车用锂离子电池的合理使用进行更好的改进。
本发明公开了一种基于车用锂离子电池的健康状态测试评估方法,对待测试评估的车用锂离子电池以恒定的测试模式进行循环充放电测试,并收集训练数据集建立测试模型;通过采集实时监测数据,通过所述测试模型进行实时分析处理,确定车用锂离子电池的健康状态;本发明通过全面采集锂离子电池的测试数据对车用锂离子电池的健康状态进行合理评估,能够对车用锂离子电池的健康状态进行合理预判。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,它完全可以被适用于各种适合本发明的领域;同时任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准,在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和具体的实施例。
Claims (8)
1.一种基于车用锂离子电池的健康状态测试评估方法,其特征在于,包括以下步骤:
对待测试评估的车用锂离子电池进行循环充放电测试,并收集训练数据集建立测试模型;将采集的实时监测数据通过所述测试模型进行分析处理,得到车用锂离子电池的健康状态;
其中,所述将采集的实时监测数据通过所述测试模型进行分析处理,得到车用锂离子电池的健康状态,具体包括以下步骤:
步骤1、建立基于三层BP神经网络的测试模型,按照采样周期采集监测数据;
步骤2、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池SOC系数,x2为电池内阻系数,x3为放电容量系数,x4为温度系数,x5为放电系数;
在所述步骤2中,所述温度系数利用公式(II)得到:
其中,T0为校正温度,TLimin为测试的锂离子电池的最小温度,TLimax为测试的锂离子电池的最大温度,TEmin为测试环境的最小测试温度,TEmax为测试环境的最大测试温度;
步骤3、将步骤2所述的输入层神经元向量映射到隐层,隐层的神经元为m个;
步骤4、获得输出层神经元向量o={o1,o2,o3,o4,o5};所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4,5},i为技术状态值,i={1,2,3,4,5},当ok为1时,此时车用锂离子电池处于ok对应的健康状态;
其中,o1为健康状态极佳,o2为健康状态较好,o3为健康状态一般,o4为健康状态较差,o5为报警状态;
其中,所述训练数据集包括:测试环境温度TE、锂离子电池温度TLi、电池SOC、电池内阻r、放电电压U和放电容量Q;所述测试模型为BP神经网络监测模型。
2.根据权利要求1所述的一种基于车用锂离子电池的健康状态测试评估方法,其特征在于,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
5.根据权利要求4所述的一种基于车用锂离子电池的健康状态测试评估方法,其特征在于,所述T0为22℃~28℃,所述U0为1.85V~2.05V,所述Q0为100Ah~105Ah。
6.根据权利要求5所述的一种基于车用锂离子电池的健康状态测试评估方法,其特征在于,所述T0取值为25℃,所述U0取值范围为2V,所述Q0取值范围为102Ah。
8.根据权利要求1所述的一种基于车用锂离子电池的健康状态测试评估方法,其特征在于,所述测试模型通过在所述训练数据集中随机选取75%的监测数据进行建立,将所述训练数据集中剩余的25%的监测数据作为预测样本,进行测试模型验证;
所述测试模型中BP网络体系由三层组成,第一层为输入层,包括与测试模式的检测信号相对应的节点;第二层为隐层;第三层为输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694897.8A CN111983459B (zh) | 2020-07-18 | 2020-07-18 | 一种基于车用锂离子电池的健康状态测试评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694897.8A CN111983459B (zh) | 2020-07-18 | 2020-07-18 | 一种基于车用锂离子电池的健康状态测试评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983459A CN111983459A (zh) | 2020-11-24 |
CN111983459B true CN111983459B (zh) | 2023-06-06 |
Family
ID=73438733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010694897.8A Active CN111983459B (zh) | 2020-07-18 | 2020-07-18 | 一种基于车用锂离子电池的健康状态测试评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983459B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731184B (zh) * | 2020-12-28 | 2023-03-03 | 深圳供电局有限公司 | 一种电池寿命检测方法和系统 |
CN112686380A (zh) * | 2020-12-28 | 2021-04-20 | 江苏宝航能源技术有限公司 | 基于神经网络的梯次动力电芯一致性评估方法和系统 |
CN113740739B (zh) * | 2021-07-22 | 2023-05-02 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN114325436B (zh) * | 2021-12-24 | 2023-10-10 | 华鼎国联四川动力电池有限公司 | 一种dcir测试值的校准方法 |
CN115063040B (zh) * | 2022-07-28 | 2022-11-08 | 湖南工商大学 | 一种用于房屋建筑结构健康协同评估与预测的方法及系统 |
CN115688558B (zh) * | 2022-09-15 | 2023-12-22 | 吉林金域医学检验所有限公司 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
CN110554324A (zh) * | 2019-08-26 | 2019-12-10 | 华中科技大学 | 一种soc和soh联合估计方法 |
-
2020
- 2020-07-18 CN CN202010694897.8A patent/CN111983459B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
CN110554324A (zh) * | 2019-08-26 | 2019-12-10 | 华中科技大学 | 一种soc和soh联合估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111983459A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983459B (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN107436409B (zh) | 一种电动汽车动力电池soc智能预测装置 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
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 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN112526354A (zh) | 一种锂电池健康状态估计方法 | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
CN111999651B (zh) | 一种纯电动汽车用锂离子电池的功率性能测试方法 | |
Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
CN111707956B (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
CN117799495A (zh) | 一种锂离子电池荷电状态估算与均衡控制方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN117233635A (zh) | 一种基于双路并行网络的梯次利用电池性能评估方法 | |
CN116031453A (zh) | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |