CN111983460B - 一种混动汽车用锂离子电池工作健康状态检测方法 - Google Patents

一种混动汽车用锂离子电池工作健康状态检测方法 Download PDF

Info

Publication number
CN111983460B
CN111983460B CN202010700510.5A CN202010700510A CN111983460B CN 111983460 B CN111983460 B CN 111983460B CN 202010700510 A CN202010700510 A CN 202010700510A CN 111983460 B CN111983460 B CN 111983460B
Authority
CN
China
Prior art keywords
battery
working
state
health
lithium ion
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
Application number
CN202010700510.5A
Other languages
English (en)
Other versions
CN111983460A (zh
Inventor
甘林灵
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.)
Wuhan Institute Of Numerical Simulation Technology Co ltd
Original Assignee
Wuhan Institute Of Numerical Simulation Technology 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 Wuhan Institute Of Numerical Simulation Technology Co ltd filed Critical Wuhan Institute Of Numerical Simulation Technology Co ltd
Priority to CN202010700510.5A priority Critical patent/CN111983460B/zh
Publication of CN111983460A publication Critical patent/CN111983460A/zh
Application granted granted Critical
Publication of CN111983460B publication Critical patent/CN111983460B/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]
    • G01R31/385—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]
    • G01R31/392—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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种混动汽车用锂离子电池工作健康状态检测方法，该方法包括以下步骤：S1：确定电池工作健康状态参数以及影响参数；S2：按照采样周期采集车辆行驶状态、路面平整度、电池剩余SOC值，确定电池理想工作功率；S3：按照采样周期同时采集环境温度、电池温度和电池的实际工作功率，并确定电池的工作健康状态系数S；S4：根据工作健康状态系数确定电池工作健康状态。本发明通过综合多方面因素，并根据电池实际工作功率和理想工作功率以及电池的工作温度，能够确定电池的工作健康状态系数，更加准确反应电池的实际状态，具有美好的应用前景。

Description

一种混动汽车用锂离子电池工作健康状态检测方法
技术领域
本发明涉及锂离子电池工作健康状态检测方法，具体涉及一种混动汽车用锂离子电池工作健康状态检测方法。
背景技术
随着社会经济的不断发展，人民生活水平的大幅度提高，也带来了能源需求的激增，随之而来的就是越来越严峻的环境问题。电动汽车因其能源需求量低、污染小而得到广泛推广，既缓解了能源压力，也改善了环境污染问题。
作为电动汽车的类型之一，纯电动汽车采用锂离子电池作为汽车的动力源，来提供车辆行驶过程中的功率需求，但是纯电动汽车动力不足也是电动力车中本身的最大的问题，因此，锂离子电池的功率性能成为人们研究的热点问题。
电动汽车(纯电动汽车和混动汽车)采用锂离子电池或者锂离子电池和发动机共同作为汽车的动力源，来提供车辆行驶过程中的动力需求，但是当锂离子电池出现故障时，则不能为汽车提供动力源，对于纯电动汽车而言，则失去了动力源，无法正常行驶。对于混动汽车来说，只能通过发动机提供动力源，虽然可以解决一时的动力问题，但是长此以往，对发动机和整车混动操控也是一种损害，也影响了驾驶体验性和驾驶平稳性。
申请号为201910392656.5，公开日为2019年8月16日，名称为“发明公开CN110133525A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”的专利公开一种应用于电池管理系统的锂离子电池的健康状态估算方法，通过建立锂离子电池模型获取电池内部传递函数，基于电池传递内部参数获取电池退化特征，最后通过RVM模型对电池参数与电池SOH进行映射，获的估算效果。但是该模型是在普通充放电模式(即类似于用电器的普通工作模式，工作状态相对单一，可以看作是相同工作模式)下进行的健康状态估算，而车用锂离子电池由于路况、车辆行驶状态和电池本身状态的不同，其工作模式并非一成不变的，需要时刻根据车辆的行驶状态等确定电池的工作状态，因此上述方法测出的结果也不能很好的反应车载电池的健康状态，误差较大。
发明内容
有鉴于此，本发明的目的是提供一种混动汽车用锂离子电池工作健康状态检测方法，通过综合多方面因素，并根据电池实际工作功率和理想工作功率以及电池的工作温度，能够确定电池的工作健康状态系数，更加准确反应电池的实际状态。
本发明所采用的技术方案是一种混动汽车用锂离子电池工作健康状态检测方法，包括以下步骤：
S1：确定电池工作健康状态参数以及影响参数；
其中，所述电池工作健康状态参数为电池实际工作功率和理想工作功率；所述影响参数包括：环境温度、电池温度、电池SOC、路面平整度和车辆行驶状态；
S2：按照采样周期采集车辆行驶状态、路面平整度、电池剩余SOC值，确定电池理想工作功率；
S3：按照采样周期同时采集环境温度、电池温度和电池的实际工作功率，并确定电池的工作健康状态系数S：
Figure BDA0002592869520000031
Figure BDA0002592869520000032
Figure BDA0002592869520000033
当Pi，s＝0时，对应子项整体为0；
式中，n为车辆行驶状态总数，αi为第i个行驶状态的权重，Pi为第i个行驶状态的电池的实际工作功率，Pi，s为第i个行驶状态的电池的理想工作功率，f(Ti，d)为电池的工作状态系数函数并以电池工作温度为自变量，ti为第i个行驶状态的时间，tt为总时间，Ti，d为第i个行驶状态的电池工作温度，Ti，e为第i个行驶状态的环境温度，Ts为电池的理想工作温度；
S4：根据所述S3的电池的工作健康状态系数S，确定电池工作健康状态。
优选地，所述S4中根据所述S3的电池的工作健康状态系数S，确定电池工作健康状态，具体为：
当S≥0.9时，电池工作健康状态为优秀；
当0.75≤S＜0.9时，电池工作健康状态为良好；
当0.6≤S＜0.75时，电池工作健康状态为及格；
当S＜0.6时，电池工作健康状态不及格。
优选地，所述第i个行驶状态的电池工作温度Ti，d为：
Figure BDA0002592869520000041
Figure BDA0002592869520000042
式中，m为第i个行驶状态的电池工作温度的采集数量，H为采样周期的频率，ceil(.)为向上取整。
优选地，所述S2中电池理想工作功率通过以下方法确定：
按照采样周期，通过传感器测量汽车行驶速度，并确定汽车行驶状态、路面平整度和电池剩余SOC；
确定三层BP神经网络的输入层神经元向量x＝{x1，x2，x3，x4}；其中，x1为汽车行驶速度，x2为汽车行驶状态，x3为路面平整度，x4为电池剩余SOC；
其中，所述输入神经元值x2＝(A，B，C)，其中，A为起步状态，B为爬坡状态，C为正常行驶状态；
所述输入层向量映射到隐层，隐层的神经元为m个；
得到输出层神经元向量o＝{o1}；其中，o1为电池的工作状态所述输出层神经元值为
Figure BDA0002592869520000051
当o1为1时，表示电池处于工作状态，当o1为0时，表示电池处于不工作状态。
优选地，
当o1＝0时，Pi，s＝0。
当o1＝1时，
Figure BDA0002592869520000052
式中，m为汽车的重量，fr为汽车车轮滚动阻力系数，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车对应状态下的行驶速度，τ为对应状态下汽车行驶路面的坡度，ηt为传动效率，ηem为电动机的平均效率，α为对应状态下汽车行驶路面与水平面的夹角，F(x2，x3)为以x2，x3为自变量的校正函数。
优选地，所述校正函数为：
Figure BDA0002592869520000061
式中，Eh为高速路面的路面平整度值。
优选地，所述汽车行驶路面的坡度为：
Figure BDA0002592869520000062
其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。
优选地，所述隐层的神经元为3个。
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，所述路面平整度包括城市路面、高速路面和乡村路面。
与现有技术相比，本发明的有益效果是：
本发明通过综合多方面因素，并根据电池实际工作功率和理想工作功率以及电池的工作温度，确定电池的工作健康状态系数，结果更能反应电池的实际状态；同时还能够综合多方面因素，基于BP神经网络确定电池的工作状态，并确定电池的理想工作功率，使得测试结果更加准确。
附图说明
图1为本发明提供的一种混动汽车用锂离子电池工作健康状态检测方法的流程图。
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。
本发明提供一种混动汽车用锂离子电池故障工作健康状态检测方法，如图1所示，包括如下步骤：
S1：确定电池工作健康状态参数以及影响参数；
其中，所述电池工作健康状态参数为电池实际工作功率和理想工作功率；所述影响参数包括：环境温度、电池温度、电池SOC、路面平整度和车辆行驶状态；
根据路面平整度将路面分为城市、高速和乡村路面。
S2：按照采样周期采集车辆的行驶状态、路面平整度、电池剩余SOC值，确定电池理想工作功率；
其中，电池理想工作功率通过以下方法确定，具体包括：
S2.1、建立BP神经网络模型；
BP神经网路模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
Figure BDA0002592869520000071
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
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，对应了表示车辆的n个输入信号，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：
输入向量：x＝(x1，x2，…，xn)T
中间层向量：y＝(y1，y2，…，ym)T
输出向量：o＝(o1，o2，…，op)T
本发明中，输入层节点数为n＝4，输出层节点数为p＝1，隐藏层节点数m＝3。
输入层4个参数分别表示为：x1为汽车行驶速度，x2为汽车行驶状态，x3为路面平整度，x4为电池剩余SOC；
其中，所述输入神经元值x2＝(A，B，C)，其中，A为起步状态，B为爬坡状态，C为正常行驶状态；
输出层1个参数分别表示为：o1为电池的工作状态所述输出层神经元值为
Figure BDA0002592869520000091
当o1为1时，表示电池处于工作状态，当o1为0时，表示电池处于不工作状态。
S2.2、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。根据产品的历史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，隐层节点j和输出层节点k之间的连接权值。
(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。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，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
Figure BDA0002592869520000092
式中，
Figure BDA0002592869520000093
为第n次计算时l层的j单元信息加权和，
Figure BDA0002592869520000094
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，
Figure BDA0002592869520000101
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
Figure BDA0002592869520000102
Figure BDA0002592869520000103
Figure BDA0002592869520000104
为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
Figure BDA0002592869520000105
且
Figure BDA0002592869520000106
若神经元j属于第一隐层(l＝1)，则有
Figure BDA0002592869520000107
若神经元j属于输出层(l＝L)，则有
Figure BDA0002592869520000108
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
Figure BDA0002592869520000109
对隐单元
Figure BDA00025928695200001010
(c)修正权值：
Figure BDA0002592869520000111
η为学习速率。
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。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
S2.3、当o1＝0时，Pi，s＝0；
当o1＝1时，
Figure BDA0002592869520000121
式中，m为汽车的重量，fr为汽车车轮滚动阻力系数，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车对应状态下的行驶速度，τ为对应状态下汽车行驶路面的坡度，ηt为传动效率，ηem为电动机的平均效率，α为对应状态下汽车行驶路面与水平面的夹角，F(x2，x3)为以x2，x3为自变量的校正函数。
所述的校正函数为：
Figure BDA0002592869520000122
式中，Eh为高速路面的路面平整度值。
所述的汽车行驶路面的坡度为：
Figure BDA0002592869520000123
其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。
S3：按照采样周期同时采集环境温度、电池温度和电池的实际工作功率，并确定电池的工作健康状态系数：
Figure BDA0002592869520000131
Figure BDA0002592869520000132
Figure BDA0002592869520000133
当Pi，s＝0时，对应子项整体为0；
式中，S为电池的工作健康状态系数，n为车辆行驶状态总数，αi为第i个行驶状态的权重，Pi为第i个行驶状态的电池的实际工作功率，Pi，s为第i个行驶状态的电池的理想工作功率，f(Ti，d)为电池的工作状态系数函数并以电池工作温度为自变量，ti为第i个行驶状态的时间，tt为总时间，Ti，d为第i个行驶状态的电池工作温度，Ti，e为第i个行驶状态的环境温度，Ts为电池的理想工作温度；
其中，第i个行驶状态的电池工作温度Ti，d为：
Figure BDA0002592869520000134
Figure BDA0002592869520000135
式中，m为第i个行驶状态的电池工作温度的采集数量，H为采样周期的频率，ceil(.)为向上取整。
S4：根据电池的工作健康状态系数，确定电池工作健康状态；
当S≥0.9时，电池工作健康状态为优秀；
当0.75≤S＜0.9时，电池工作健康状态为良好；
当0.6≤S＜0.75时，电池工作健康状态为及格；
当S＜0.6时，电池工作健康状态不及格。
本发明还选取车用锂离子电池进行试验，对本发明提供的混动汽车用锂离子电池工作健康状态检测方法进行详细说明。
选取10组车用锂离子电池进行试验，模拟在不同路面平整度下，采用不同状态行驶，且路面平整度和车辆行驶状态随机生成，并采用本发明的发明确定锂离子电池工作健康状态系数，具体如表1所示。
表1锂离子电池工作健康状态系数
Figure BDA0002592869520000141
Figure BDA0002592869520000151
在模拟过程中，同时按照设定周期分解每一个锂离子电池的整个工作过程，并整合整个过程中每一阶段的电池工作状态，按照高级工程师的经验判定锂离子电池的工作状态，并与本发明确定的锂离子电池工作健康状态系数对比，具体如表2所示。
表2结果对比
Figure BDA0002592869520000152
从表2的数据可知，本发明确定的锂离子电池工作健康状态系数与高级工程师的凭经验判定锂离子电池的工作状态基本一致，说明本发明提供的混动汽车用锂离子电池工作健康状态检测方法具有可靠性。
本发明设计开发的混动汽车用锂离子电池工作健康状态检测方法，能够综合多方面因素，并根据电池实际工作功率和理想工作功率以及电池的工作温度，确定电池的工作健康状态系数，结果更能反应电池的实际状态。本发明还能够综合多方面因素，基于BP神经网络确定电池的工作状态，并确定电池的理想工作功率，使得测试结果更加准确。
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 (10)

1.一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，包括以下步骤：
S1：确定电池工作健康状态参数以及影响参数；
其中，所述电池工作健康状态参数为电池实际工作功率和理想工作功率；所述影响参数包括：环境温度、电池温度、电池SOC、路面平整度和车辆行驶状态；
S2：按照采样周期采集车辆行驶状态、路面平整度、电池剩余SOC值，确定电池理想工作功率；
S3：按照采样周期同时采集环境温度、电池温度和电池的实际工作功率，并确定电池的工作健康状态系数S：
Figure RE-FDA0002592869510000011
Figure RE-FDA0002592869510000012
Figure RE-FDA0002592869510000013
当Pi，s＝0时，对应子项整体为0；
式中，n为车辆行驶状态总数，αi为第i个行驶状态的权重，Pi为第i个行驶状态的电池的实际工作功率，Pi，s为第i个行驶状态的电池的理想工作功率，f(Ti，d)为电池的工作状态系数函数并以电池工作温度为自变量，ti为第i个行驶状态的时间，tt为总时间，Ti，d为第i个行驶状态的电池工作温度，Ti，e为第i个行驶状态的环境温度，Ts为电池的理想工作温度；
S4：根据所述S3的电池的工作健康状态系数S，确定电池工作健康状态。
2.根据权利要求1所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述S4中根据所述S3的电池的工作健康状态系数S，确定电池工作健康状态，具体为：
当S≥0.9时，电池工作健康状态为优秀；
当0.75≤S＜0.9时，电池工作健康状态为良好；
当0.6≤S＜0.75时，电池工作健康状态为及格；
当S＜0.6时，电池工作健康状态不及格。
3.根据权利要求1所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述第i个行驶状态的电池工作温度Ti，d为：
Figure RE-FDA0002592869510000021
Figure RE-FDA0002592869510000022
式中，m为第i个行驶状态的电池工作温度的采集数量，H为采样周期的频率，ceil(.)为向上取整。
4.根据权利要求1所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述S2中电池理想工作功率通过以下方法确定：
按照采样周期，通过传感器测量汽车行驶速度，并确定汽车行驶状态、路面平整度和电池剩余SOC；
确定三层BP神经网络的输入层神经元向量x＝{x1，x2，x3，x4}；其中，x1为汽车行驶速度，x2为汽车行驶状态，x3为路面平整度，x4为电池剩余SOC；
其中，所述输入神经元值x2＝(A，B，C)，其中，A为起步状态，B为爬坡状态，C为正常行驶状态；
所述输入层向量映射到隐层，隐层的神经元为m个；
得到输出层神经元向量o＝{o1}；其中，o1为电池的工作状态所述输出层神经元值为
Figure RE-FDA0002592869510000031
当o1为1时，表示电池处于工作状态，当o1为0时，表示电池处于不工作状态。
5.根据权利要求4所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，
当o1＝0时，Pi，s＝0。
当o1＝1时，
Figure RE-FDA0002592869510000041
式中，m为汽车的重量，fr为汽车车轮滚动阻力系数，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车对应状态下的行驶速度，τ为对应状态下汽车行驶路面的坡度，ηt为传动效率，ηem为电动机的平均效率，α为对应状态下汽车行驶路面与水平面的夹角，F(x2，x3)为以x2，x3为自变量的校正函数。
6.根据权利要求5所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述校正函数为：
Figure RE-FDA0002592869510000042
式中，Eh为高速路面的路面平整度值。
7.根据权利要求5所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述汽车行驶路面的坡度为：
Figure RE-FDA0002592869510000043
其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。
8.根据权利要求4所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述隐层的神经元为3个。
9.根据权利要求8所述的一种混动汽车用锂离子电池工作健康状态检测方法，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)。
10.根据权利要求1所述的一种混动汽车用锂离子电池工作健康状态检测方法，其特征在于，所述路面平整度包括城市路面、高速路面和乡村路面。
CN202010700510.5A 2020-07-20 2020-07-20 一种混动汽车用锂离子电池工作健康状态检测方法 Active CN111983460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010700510.5A CN111983460B (zh) 2020-07-20 2020-07-20 一种混动汽车用锂离子电池工作健康状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010700510.5A CN111983460B (zh) 2020-07-20 2020-07-20 一种混动汽车用锂离子电池工作健康状态检测方法

Publications (2)

Publication Number Publication Date
CN111983460A CN111983460A (zh) 2020-11-24
CN111983460B true CN111983460B (zh) 2023-02-10

Family

ID=73439382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010700510.5A Active CN111983460B (zh) 2020-07-20 2020-07-20 一种混动汽车用锂离子电池工作健康状态检测方法

Country Status (1)

Country Link
CN (1) CN111983460B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675707A (zh) * 2013-12-13 2014-03-26 国家电网公司 锂离子电池峰值功率在线评估方法
CN107035560A (zh) * 2017-05-18 2017-08-11 吉林大学 基于驾驶员类型在线识别的发动机控制系统
CN109703548A (zh) * 2019-01-21 2019-05-03 辽宁工业大学 一种基于混合动力的汽车动力分配方法
CN111256141A (zh) * 2018-11-30 2020-06-09 贝尔泰利联合公司 用于控制预混气体燃烧器中的混合物的装置
CN112798296A (zh) * 2020-12-31 2021-05-14 东风汽车集团有限公司 燃料电池汽车低温性能评价方法和评价系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10005372B2 (en) * 2016-02-23 2018-06-26 Ford Global Technologies, Llc Virtual assessment of battery state of health in electrified vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675707A (zh) * 2013-12-13 2014-03-26 国家电网公司 锂离子电池峰值功率在线评估方法
CN107035560A (zh) * 2017-05-18 2017-08-11 吉林大学 基于驾驶员类型在线识别的发动机控制系统
CN111256141A (zh) * 2018-11-30 2020-06-09 贝尔泰利联合公司 用于控制预混气体燃烧器中的混合物的装置
CN109703548A (zh) * 2019-01-21 2019-05-03 辽宁工业大学 一种基于混合动力的汽车动力分配方法
CN112798296A (zh) * 2020-12-31 2021-05-14 东风汽车集团有限公司 燃料电池汽车低温性能评价方法和评价系统

Also Published As

Publication number Publication date
CN111983460A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
Ismail et al. Battery state of charge estimation using an Artificial Neural Network
CN107422272B (zh) 一种电动汽车动力电池soc智能化检测装置
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN106026260A (zh) 一种带有均衡电路的串连电池组soc估算方法
CN107436409B (zh) 一种电动汽车动力电池soc智能预测装置
CN105974327A (zh) 一种基于神经网络和ukf的锂电池组soc预测方法
CN109703548B (zh) 一种基于混合动力的汽车动力分配方法
CN111983459B (zh) 一种基于车用锂离子电池的健康状态测试评估方法
CN106501721A (zh) 一种基于生物进化的锂电池soc估算方法
Bi et al. Residual range estimation for battery electric vehicle based on radial basis function neural network
CN112858929B (zh) 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
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
EP3871938A1 (en) Method and device for determining pavement rating, storage medium and automobile
CN105183994A (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN112163372B (zh) 一种动力电池的soc估算方法
CN102567782A (zh) 一种基于神经网络的汽车发动机转矩的估算方法
CN111999651B (zh) 一种纯电动汽车用锂离子电池的功率性能测试方法
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
CN110077389B (zh) 一种插电式混合动力电动汽车能量管理方法
CN111983464A (zh) 一种基于纯电动车用锂电池析锂测试方法
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
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN111983460B (zh) 一种混动汽车用锂离子电池工作健康状态检测方法
CN117799495A (zh) 一种锂离子电池荷电状态估算与均衡控制方法

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