CN111983475A - 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 - Google Patents
一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 Download PDFInfo
- Publication number
- CN111983475A CN111983475A CN202010867303.9A CN202010867303A CN111983475A CN 111983475 A CN111983475 A CN 111983475A CN 202010867303 A CN202010867303 A CN 202010867303A CN 111983475 A CN111983475 A CN 111983475A
- Authority
- CN
- China
- Prior art keywords
- safety
- lithium ion
- state
- power battery
- ion power
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置,动力电池安全度评估技术领域。本发明为了解决现有技术无法对动力电池的安全性进行量化表示和评估的问题。本发明将锂离子动力电池的工作状态划分成若干安全状态;采集锂离子动力电池在各个安全状态下的工作温度、端电压和充放电电流;建立特征值序列混合高斯分布模型,建立隐马尔科夫模型;将特征值序列输出到隐马尔科夫模型中,得到前向概率值,将最大的前向概率值对应的电池安全状态作为评估结果。本安全度评估方法只需提取锂离子动力电池的端电压、电流和温度,就能够近似评估当前安全度SOS状态,降低了求解难度和解决了在线实时计算安全度问题。
Description
技术领域
本发明涉及电池安全度评估领域,特别是涉及一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置。
背景技术
随着全球市场电动汽车商品化步伐的日益加快,对高功率和高能量动力电池需求迅速增加,而电池的安全性也越来越受到人们的关注。尤其是近几年,锂电池自燃、爆炸等事故的新闻时有发生,锂电池的安全性愈发受到重视。目前,我国锂电池在技术研发层面尚处于初始阶段,在安全性方面依旧存在诸多问题。
电动汽车在中国正处于快速发展新阶段,电动汽车的发展带动了动力电池产业的发展。然而,近几年电池自燃、爆炸等事故频发,人们越来越关注新能源汽车电池系统的安全性。一旦电池达到了某种临界条件,例如过电压,过温度,低寿命,如不及时采取相应的安全防范措施,电池热失控势必导致安全性事故。
由此可见,电池的安全性问题成为了新能源行业迫不及待解决的问题。安全性事故来自热失控,而导致热失控的诱因主要有两种,一是机械电气诱因(针刺、碰撞等事故导致),二是电化学诱因(过充、快充、自发性短路等),电池单体热失控之后传递给相邻单体,随后大面积蔓延,最终导致安全事故的发生。而热失控的发展也存在一定的阶段性,据相关的资料显示,SEI膜分解的初始温度大概是100摄氏度-130摄氏度,也把这个温度视为一连串热失控温度的起点,而温度达到300摄氏度时,电池的温度将会出现剧烈的提升,如果不采取相应的安全措施,毫无疑问,电池在达到温度顶峰时,会对使用者造成不可挽回的损失。现有技术中并没有关于该过程的量化描述,如何做到实时准确的安全估算,一直是锂离子动力电池组设计过程中存在的一个瓶颈性难题。
发明内容
为了解决上述问题,本发明提供了一种基于隐马尔科夫的锂离子动力电池安全度评估方法。能够近似评估当前安全度SOS状态,降低了求解难度和解决了在线实时计算安全度问题。
一种基于隐马尔科夫的锂离子动力电池安全度评估方法,包括以下步骤:
将锂离子动力电池的工作状态划分成若干安全状态;
采集锂离子动力电池在各个安全状态下的工作温度数据、端电压数据和充放电电流数据,并对三种数据进行预处理;
提取预处理后的数据的特征值,并对所述特征值进行归一化处理得到电池不同安全状态下的特征值序列;
建立特征值序列混合高斯分布模型,确定隐马尔科夫模型参数,建立适合电池安全状态的隐马尔科夫模型;
将所述特征值序列导入所述隐马尔科夫模型中,得到前向概率值,通过比较得到最大的前向概率值,将前向概率值对应的电池安全状态作为评估分级的结果。
进一步的,所述锂离子动力电池的安全状态通过采集多种工作状态下的样本的端电压、工作温度和端电压与充放电电流的比值R等数据,对样本数据运用三维K-means聚类的方法确定5个聚类中心,即将锂离子电池安全度状态划分为5个。将未使用的标准锂离子动力电池的安全度为作为初始状态,对应归纳为“良好”,计算各聚类中心到初始状态的距离,距离由远到近对应安全度级别分布划分为“一般”、“潜在危险”、“危险”、“严重危险”。
进一步的,所述预处理过程包括:将端电压和充放电电流相除,结果记为R,将相除的结果R与端电压、工作温度组成新的数据集。
进一步的,所述特征值数据包括端电压、工作温度、端电压和充放电电流相除的结果R,端电压和工作温度归一化后的数据,以及端电压和充放电电流相除的结果R作为观测序列,。
进一步的,所述端电压归一化方法为:
式中,SU为归一化后的端电压值,US为标准工作电压,由电池本身的标准电压确定,Um为电压阈值,取标准电压的0.8-1.2倍,Ui为第i个(状态)电压特征值的采集值。
进一步的,所述工作温度归一化方法为:
式中,ST为归一化的温度值,TS为标准工作温度,由电池本身的标准工作温度确定,Tm为温度阈值,取标准工作温度的0.8-1.2倍,Ti为第i个温度特征值的采集值。
进一步的,所述隐马尔科夫模型为:
λ=(π,A,μjl,∑jl,cjl);
其中,π是初始概率,A是状态转移矩阵,该矩阵描述了隐马尔可夫模型中各个状态之间的转移概率,At,At+1分别表示t和t+1时刻的状态,该状态转移矩阵可表示为A=P(At+1=Sj|At=Si),1≤i,j≤N,表示在t时刻、状态为Si的条件下,在t+1时刻状态是Sj的概率。μjl是状态j对应的第l个高斯分布的平均值,∑jl是状态j对应的第l个高斯分布的协方差,cjl是状态j对应的第l个高斯分布所占的权重。
进一步的,所述λ=(π,A,μjl,∑jl,cjl)利用Baum-Welch算法,经过不断地迭代计算,得到锂离子动力电池在t时刻的模型λ=(π,A,μjl,∑jl,cjl)。为了验证该模型的合理性,采用Forward-Backward算法计算特征值序列在给定λ下的概率,P(O|λ)计算公式为:
P(O|λ)=|α1(t),α2(t),…,αN(t)],
αi(1)=πibi(o1),1≤i≤N
其中πi表示初始时刻状态i的概率,bi(ot)表示状态i下ot的概率分布,αij表示观察序列从状态i向状态j转移的概率,N表示状态数。
进一步的,P=(O|λ)的结果对应安全度程度对应表中相应的安全度显示数值,例如如果P=(O|λ)期望值在0.8-1.0间,我们认为安全等级为“良好”。
进一步的,所述锂离子动力电池为磷酸铁锂电池、钴酸锂电池或锰酸锂电池;所述锂离子动力电池形状为方形、圆柱形、软包方形或塑壳方形。
本发明另一方面提供了一种基于隐马尔科夫的锂离子动力电池安全度评估装置,包括:
估算模块,用以根据本实施例所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法估算电池当前状态的安全度;在实际使用过程中,所述估算模块可以采用现有的电池管理主控模块实现。
区间匹配模块,用以建立安全度对照表,所述安全度对照表由若干安全区间构成,安全区间对应当前时刻的电池安全情况;将估算模块得到的安全度数值与所述安全区间匹配,得到当前时刻的电池安全情况。
如上所述,本发明提供的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,具有如下效果:
1、本申请通过隐马尔科夫模型将电池使用过程中的安全程度进行了量化分级及实时输出。
2、本发明采用隐马尔科夫算法,降低了传统算法在故障种类较少时的估算误差。
3、本方法适用于各种电池的安全度估算,适用性广,应用场合较多。
附图说明
图1为锂离子动力电池安全度隐马尔科夫模型建立流程;
图2为基于隐马尔科夫的锂离子动力电池安全度评估流程图;
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
如图1所示,本实施例的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,包括以下步骤:
S1、将锂离子动力电池的工作状态划分成若干安全状态;
电池的安全性指电池在使用过程中不燃烧、不爆炸、不产生有毒有害气体、不会对使用者造成伤害,定量地描述其在使用过程中的安全程度称为电池安全度,用SOS表示。本实施例所述锂离子动力电池为磷酸铁锂电池、钴酸锂电池或锰酸锂电池;所述锂离子动力电池形状为方形、圆柱形、软包方形或塑壳方形。
本实施例所述锂离子动力电池安全度SOS状态,通过采集多种工作状态下的样本的端电压、工作温度和端电压与充放电电流的比值R等数据,对样本数据运用三维K-means聚类的方法,将锂离子电池安全度状态划分为5个,即确定5个聚类中心。将未使用的标准锂离子动力电池的安全度为作为初始状态,对应归纳为“良好”,计算各聚类中心到初始状态的距离,距离由远到近对应安全度级别分布划分为为“一般”、“潜在危险”、“危险”、“严重危险”,具体如表1所示。
表1电池安全程度对应表
如表1所示,当电池的安全度数值位于[0.8,1]范围内时,表明此时电池的状体良好,可以继续使用,当电池的安全度数值位于[0.6,0.8)范围内时,表明此时电池状态一般,需要使用者稍加留意,当电池的安全度数值位于[0.4,0.6)范围内时,表明此时电池存在潜在危险,在使用过程中需要使用者多加注意,当电池的安全度数值位于[0.2,0.4)范围内时,此时电池已经达到危险程度,此时应停止使用并将更换电池,当电池的安全度数值位于[0,0.2)范围内时,表面电池达到严重危险程度,表明已经出现燃烧爆炸情况或极易引起燃烧和爆炸,此时应根据实际需要采取紧急处理方式将电池拆卸并妥善转移。
S2、采集锂离子动力电池在各个安全状态下的工作温度数据、端电压数据和充放电电流数据,并对三种数据进行预处理,所述预处理过程包括:将端电压和充放电电流相除,结果记为R,将相除的结果R与端电压、工作温度组成新的数据。
S3、提取预处理后的数据的特征值,并对所述特征值进行归一化处理得到电池不同安全状态下的特征值序列;
所述特征值数据包括端电压、工作温度和端电压和充放电电流相除的结果R。
所述端电压按归一化方法为:
式中,SU为归一化后的端电压值,US为标准工作电压,由电池本身的标准电压确定,Um为电压阈值,取标准电压的0.8-1.2倍,Ui为第i个电压特征值的采集值。
所述温度的归一化方法为:
式中,ST为归一化的温度值,TS为标准工作温度,由电池本身的标准工作温度确定,Tm为温度阈值,取标准工作温度的0.8-1.2倍,Ti为第i个温度特征值的采集值。
S4、建立特征值序列分布模型,确定隐马尔科夫模型参数,建立适合电池安全状态的隐马尔科夫模型;
电池使用过程中受到外界环境和内部条件变化的影响,电池的端电压、工作温度和端电压和充放电电流的比值R等观测值不断变化,进而电池的安全度状态不断变化,且下一时刻电池安全度状态与上一时刻无关,符合隐马尔可夫模型的基本要求,故本实施例选用隐马尔科夫链,且该实施例特征值概率分布可使用混合高斯分布表示为:
其中bj(ot)表示状态j下ot的概率分布,Q表示高斯模块的个数,μjl是状态j对应的第l个高斯分布的平均值,∑jl是状态j对应的第l个高斯分布的协方差,cjl是状态j对应的第l个高斯分布所占的权重。
本实施例的隐马尔科夫模型为:
λ=(π,A,μjl,∑jl,cjl);
其中,π是初始概率,A是状态转移矩阵,该矩阵描述了隐马尔可夫模型中各个状态之间的转移概率,At,At+1分别表示t和t+1时刻的状态,该状态转移矩阵可表示为A=P(At+1=Sj|At=Si),1≤i,j≤N,表示在t时刻、状态为Si的条件下,在t+1时刻状态是Sj的概率。μjl是状态j对应的第l个高斯分布的平均值,∑jl是状态j对应的第l个高斯分布的协方差,cjl是状态j对应的第l个高斯分布所占的权重。
初始条件下,我们认为锂离子动力电池处于正常的标准工作状态,则初始状态的概率分布向量为π=(1,0,…,0),利用Baum-Welch算法,经过不断地迭代计算,得到锂离子动力电池在t时刻的模型λ=(π,A,μjl,∑jl,cjl)。为了验证该模型的合理性,采用Forward-Backward算法计算特征值序列在给定λ下的概率,P(O|λ)计算公式为:
P(O|λ)=[α1(t),α2(t),…,αN(t)],
αi(1)=πibi(o1),1≤i≤N
P=(O|λ)的结果对应安全度程度对应表中相应的安全度显示数值,例如如果P=(O|λ)期望值在0.8-1.0间,我们认为安全等级为“良好”。
其中πi表示初始时刻状态i的概率,bi(ot)表示状态i下ot的概率分布,ot表示t时刻的观测序列的观测值,αij表示观察序列从状态i向状态j转移的概率,N表示状态数,N=5,表示P(O|λ)包含5种电池安全度状态的概率计算值。
重复上述步骤进行下一数据段的评估,直至完成所有观察序列的评估,通过上述方式实现在线计算和状态评估。本评估方法无需电池离线,运行中的电池系统也可以用本评估方法进行电池安全度状态评估。
本实施例提供了一种基于隐马尔科夫的锂离子动力电池安全度评估装置,包括:
估算模块,用以根据本实施例所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法估算电池当前状态的安全度;在实际使用过程中,所述估算模块可以采用现有的电池管理主控模块实现。
区间匹配模块,建立安全度对照表,所述安全度对照表由若干安全区间构成,安全区间对应当前时刻的电池安全情况;将估算模块得到的安全度数值与所述安全区间匹配,得到当前时刻的电池安全情况。
所述估算模块和区间匹配模块可以集成在一种电子设备中,具体包括处理器和存储器,存储器中存储实施例中的电池安全度估算方法和区间匹配指令,处理器用以调用所述指令用以执行本发明实施例所述的电池安全度估算方法和区间匹配指令;所述估算模块和区间匹配模块可以分别为两种电子设备,两种电子设备分别包括处理器和存储器,估算模块的电子设备中的存储器中存储实施例中的电池安全度估算方法指令,处理器用以调用所述指令用以执行本发明实施例所述的电池安全度估算方法指令,区间匹配模块的电子设备中的存储器中存储实施例中的安全度区间匹配指令,处理器用以调用所述指令用以执行本发明实施例所述的安全度区间匹配指令。
上述的存储器中的指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中,即本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
在实际应用中,所述处理器可以是MSP430单片机、51单片机、DSP、TMS单片机、STM32单片机、PIC单片机、AVR单片机、STC单片机、Freescale系列单片机等控制电池充放电源的充放电,所述单片机可以通过串口或总线的方式与充放电源连接。
显示模块,用以显示电池当前状态下的安全度信息。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:包括以下步骤:
将锂离子动力电池的工作状态运用三维K-means聚类方法,将锂离子电池安全度状态划分成若干安全状态;
采集锂离子动力电池在各个安全状态下的工作温度数据、端电压数据和充放电电流数据,并对三种数据进行预处理;
提取预处理后的数据的特征值,并对所述特征值进行归一化处理得到电池不同安全状态下的特征值序列;
建立特征值序列混合高斯分布模型,确定隐马尔科夫模型参数,建立适合电池安全状态的隐马尔科夫模型;
将所述特征值序列导入所述隐马尔科夫模型中,得到前向概率值,通过比较得到最大的前向概率值,将最大的前向概率值对应的电池安全状态作为评估结果。
2.根据权利要求1所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:所述锂离子动力电池的安全状态通过采集多种工作状态下的样本的端电压、工作温度和端电压与充放电电流的比值R等数据,对样本数据运用三维K-means聚类的方法,确定5个聚类中心,即将锂离子电池安全度状态划分为5个,将未使用的标准锂离子动力电池的安全度为作为初始状态,对应归纳为“良好”,计算各聚类中心到初始状态的距离,距离由远到近对应安全度级别分布划分为“一般”、“潜在危险”、“危险”、“严重危险”。
3.根据权利要求1所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:所述预处理过程包括:将端电压和充放电电流相除,结果记为R,将相除的结果R与端电压、工作温度组成新的数据集。
4.根据权利要求1所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:所述特征值数据包括端电压、工作温度和端电压和充放电电流相除R的值。
7.根据权利要求1所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:所述隐马尔科夫模型为:
λ=(π,A,μjl,∑jl,cjl);
其中,π是初始概率,A是状态转移矩阵,At,At+1分别表示t和t+1时刻的状态,μjl是状态j对应的第l个高斯分布的平均值,∑jl是状态j对应的第l个高斯分布的协方差,cjl是状态j对应的第l个高斯分布所占的权重。
9.根据权利要求1所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法,其特征在于:所述锂离子动力电池为磷酸铁锂电池、钴酸锂电池或锰酸锂电池;所述锂离子动力电池形状为方形、圆柱形、软包方形或塑壳方形。
10.一种基于隐马尔科夫的锂离子动力电池安全度评估装置,其特征在于,包括:
估算模块,用以根据权利要求1-9任意权利要求所述的一种基于隐马尔科夫的锂离子动力电池安全度评估方法估算电池当前状态的安全度;
显示模块,用以显示电池当前状态下的安全度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867303.9A CN111983475B (zh) | 2020-08-24 | 2020-08-24 | 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867303.9A CN111983475B (zh) | 2020-08-24 | 2020-08-24 | 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983475A true CN111983475A (zh) | 2020-11-24 |
CN111983475B CN111983475B (zh) | 2022-12-30 |
Family
ID=73444083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010867303.9A Active CN111983475B (zh) | 2020-08-24 | 2020-08-24 | 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983475B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023011066A1 (zh) * | 2021-08-03 | 2023-02-09 | 长城汽车股份有限公司 | 一种电池热管理系统的性能检测方法及相关设备 |
CN115954992A (zh) * | 2023-03-14 | 2023-04-11 | 银河航天(西安)科技有限公司 | 基于马尔科夫链的蓄电池过放保护方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
JP2015228724A (ja) * | 2014-05-30 | 2015-12-17 | 三菱電機株式会社 | 太陽電池モジュール及びその故障検出方法 |
US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN106154163A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池寿命状态识别方法 |
CN106249173A (zh) * | 2016-10-10 | 2016-12-21 | 哈尔滨理工大学 | 一种电池健康度soh估算方法 |
EP3162609A1 (en) * | 2015-11-02 | 2017-05-03 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
CN107169243A (zh) * | 2017-06-27 | 2017-09-15 | 电子科技大学 | 一种基于hsmm和经验模型的燃料电池故障预测方法 |
CN108303649A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种电池健康状态识别方法 |
CN111430611A (zh) * | 2020-03-26 | 2020-07-17 | 蜂巢能源科技有限公司 | 电池包 |
CN111542759A (zh) * | 2018-01-11 | 2020-08-14 | 株式会社半导体能源研究所 | 二次电池的异常检测装置、异常检测方法以及程序 |
-
2020
- 2020-08-24 CN CN202010867303.9A patent/CN111983475B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
JP2015228724A (ja) * | 2014-05-30 | 2015-12-17 | 三菱電機株式会社 | 太陽電池モジュール及びその故障検出方法 |
US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN106154163A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池寿命状态识别方法 |
EP3162609A1 (en) * | 2015-11-02 | 2017-05-03 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
CN106249173A (zh) * | 2016-10-10 | 2016-12-21 | 哈尔滨理工大学 | 一种电池健康度soh估算方法 |
CN108303649A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种电池健康状态识别方法 |
CN107169243A (zh) * | 2017-06-27 | 2017-09-15 | 电子科技大学 | 一种基于hsmm和经验模型的燃料电池故障预测方法 |
CN111542759A (zh) * | 2018-01-11 | 2020-08-14 | 株式会社半导体能源研究所 | 二次电池的异常检测装置、异常检测方法以及程序 |
CN111430611A (zh) * | 2020-03-26 | 2020-07-17 | 蜂巢能源科技有限公司 | 电池包 |
Non-Patent Citations (3)
Title |
---|
YUN LIN 等: "Evaluation of lithium batteries based on continuous hidden Markov model", 《2017 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY, RELIABILITY AND SECURITY》 * |
乔玉龙 等: "基于隐马尔可夫模型的锂电池退化状态识别", 《应用科技》 * |
颜景斌 等: "改进初值Π隐马尔科夫模型预测电池健康度", 《哈尔滨理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023011066A1 (zh) * | 2021-08-03 | 2023-02-09 | 长城汽车股份有限公司 | 一种电池热管理系统的性能检测方法及相关设备 |
CN115954992A (zh) * | 2023-03-14 | 2023-04-11 | 银河航天(西安)科技有限公司 | 基于马尔科夫链的蓄电池过放保护方法 |
CN115954992B (zh) * | 2023-03-14 | 2023-05-23 | 银河航天(西安)科技有限公司 | 基于马尔科夫链的蓄电池过放保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111983475B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
CN111983475B (zh) | 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 | |
CN111146514A (zh) | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 | |
CN106249170B (zh) | 一种动力电池系统功率状态估计方法及装置 | |
CN109839602A (zh) | 动力电池性能和价值评估方法、装置、电子设备 | |
CN111890988B (zh) | 电池热失控检测方法、装置、电池管理系统以及车辆 | |
CN116865400B (zh) | 一种智能锂电池充电机及其控制系统 | |
CN111983472B (zh) | 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 | |
CN111257770B (zh) | 一种电池包功率估算方法 | |
CN114240260A (zh) | 一种基于数字孪生的新能源群体车辆热失控风险评估方法 | |
CN109346787A (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
CN111967191B (zh) | 一种基于模糊贝叶斯网络的锂离子动力电池安全度评估方法及装置 | |
CN111983471B (zh) | 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 | |
CN111983466A (zh) | 一种基于电压和温度特性的锂电池安全度估算方法及装置 | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
CN112363058B (zh) | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 | |
CN111983470B (zh) | 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 | |
CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
CN115951253A (zh) | 电池健康状态的检测方法、系统、设备及介质 | |
CN114300763A (zh) | 基于车云协调的电池内阻异常监测方法、设备及存储介质 | |
CN112946498A (zh) | 电动势曲线的获得方法和装置、及处理器 | |
Celen et al. | Equivalent Circuit Modeling of All-Solid-State Battery by using DC-IR Data | |
CN112467236B (zh) | 一种锂离子电池全寿命周期下的分级安全预警方法 | |
Xie et al. | Simulation of health assessment model for thermal management system of lithium-ion battery based on fuzzy clustering algorithm | |
Ni et al. | Check for updates Hybrid Estimation of Residual Capacity for Retired LFP Batteries |
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 |