CN111999651A - 一种纯电动汽车用锂离子电池的功率性能测试方法 - Google Patents

一种纯电动汽车用锂离子电池的功率性能测试方法 Download PDF

Info

Publication number
CN111999651A
CN111999651A CN202010707426.6A CN202010707426A CN111999651A CN 111999651 A CN111999651 A CN 111999651A CN 202010707426 A CN202010707426 A CN 202010707426A CN 111999651 A CN111999651 A CN 111999651A
Authority
CN
China
Prior art keywords
battery
power
power performance
lithium ion
performance
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
CN202010707426.6A
Other languages
English (en)
Other versions
CN111999651B (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 CN202010707426.6A priority Critical patent/CN111999651B/zh
Publication of CN111999651A publication Critical patent/CN111999651A/zh
Application granted granted Critical
Publication of CN111999651B publication Critical patent/CN111999651B/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
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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)

Abstract

本发明公开一种纯电动汽车用锂离子电池的功率性能测试方法，该方法包括以下步骤：S1、选取锂离子电池功率性能参数以及影响功率性能的影响因子；S2：根据电池功率性能参数以及影响因子，模拟锂离子电池在不同行驶路况、环境温度以及电池状态中的运行工况，并确定对应工况下的电池功率；S3：建立电池功率性能测试模型，利用电池功率测试模型确定电池功率性能指数A，根据A判断电池的功率性能。本发明通过选取多个电池功率性能参数以及相应的影响因子，并综合多个影响因子和性能参数对纯电动汽车用锂离子电池的功率性能进行测试评价，得到综合多方面影响因素的测试结果，测试结果更加全面。

Description

一种纯电动汽车用锂离子电池的功率性能测试方法
技术领域
本发明涉及锂离子电池性能测试技术领域，具体涉及一种纯电动汽车用锂离子电池的功率性能测试方法。
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。
专利号为201610009520.8、申请公布日为2016.06.15，名称为“一种混合动力车用锂离子电池功率性能的在线预测方法”的专利公开一种混合动力车用锂离子电池功率性能的在线测试方法，基于支持向量机的原理建立锂离子电池功率性能的在线预测模型，利用网络搜索的方法对该模型的模型参数进行优化，最终确立锂离子电池功率性能的在线预测模型，对电池的功率性能进行估计。但是混动汽车和纯电动汽车有着本质上的区别，该模型仅是对电池的短时峰值功率进行测试，以保证车辆的安全性和可靠性，因为混动汽车是发动机和电池分别工作或者协同工作来提供动力源，因此只需研究电池的峰值功率即可。但是对于纯电动汽车而言，只有电池作为动力源，因此，对纯电动汽车的电池的功率性能研究需要多方面研究，才能更有利于纯电动汽车领域的发展。
发明内容
有鉴于此，本发明的目的是提供一种纯电动汽车用锂离子电池的功率性能测试方法，通过选取多个电池功率性能参数以及相应的影响因子，并综合多个影响因子和性能参数对纯电动汽车用锂离子电池的功率性能进行测试评价，得到综合多方面影响因素的测试结果，测试结果更加全面。
本发明所采用的技术方案是，一种纯电动汽车用锂离子电池的功率性能测试方法，包括以下步骤：
S1、选取锂离子电池功率性能参数以及影响所述功率性能的影响因子；
其中，所述锂离子电池功率性能参数包括车辆爬坡时的电池功率、启动功率以及不同路面平整度下车辆恒速行驶的电池功率；所述影响因子包括环境温度、电池温度、电池SOC以及电池充放电的均衡性系数；
S2、根据所述电池功率性能参数以及影响因子，模拟锂离子电池在不同行驶路况、环境温度以及电池状态中的运行工况，并确定对应工况下的电池功率；
S3、建立电池功率性能测试模型，利用所述电池功率测试模型确定电池功率性能指数A：
Figure BDA0002593145310000021
且
Figure BDA0002593145310000031
其中，m为影响因子数量，n为性能参数数量，αi为第i个影响因子的权重，xi为第i个影响因子的值，xi0为第i个影响因子的设定标准值，βi为第i个影响因子与电池功率性能的综合相关性系数，wj为测定周期内第j个性能参数对应车辆状态出现的次数，w为测定周期内车辆状态的总次数，Pj为测定周期内第j个性能参数对应车辆状态时的电池功率，Pj，si为测定周期内第j个性能参数对应车辆状态时的电池理想功率；
当A≥0.85时，电池的功率性能优秀；
当0.7≤A＜0.85时，电池的功率性能良好；
当A＜0.7时，电池的功率性能较差。
优选地，所述步骤1中车辆爬坡时的电池功率为：
Figure BDA0002593145310000032
其中，Pc为车辆爬坡时的电池功率，k为车辆爬坡数量，θp为车辆第p个爬坡的角度，Pp为车辆第p个爬坡的电池功率。
优选地，所述S1中，不同路面平整度下车辆恒速行驶时的电池功率为：
Figure BDA0002593145310000033
其中，Pu为车辆恒速行驶时的电池功率，t为不同路面平整度的路段数量，Pq为第q个路面平整度下车辆恒速行驶时的电池功率。
优选地，在所述S3中，电池的影响因子与电池功率性能的综合相关性系数通过以下方法确定：
以环境温度、电池温度、电池SOC或电池充放电的均衡性系数和对应的标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，采用单一变量法拟合幂函数关系，确定指数为对应条件下的单一相关性系数；
以环境温度、电池温度、电池SOC和电池充放电的均衡性系数和对应标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，输入单一相关性系数，并采用多变量法对所述单一相关性系数进行调优，直至误差小于等于±1.5％，输出综合相关性系数；
其中，在调优过程中满足：
Figure BDA0002593145310000041
优选地，所述S3中，所述电池的影响因子的权重通过以下方法确定：
输入影响因子与电池功率性能的综合相关性系数；
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为环境温度与电池功率性能的综合相关性系数，x2为电池温度与电池功率性能的综合相关性系数，x3为电池SOC与电池功率性能的综合相关性系数，x4为电池充放电的均衡性系数与电池功率性能的综合相关性系数；
所述输入层向量映射到隐层，隐层的神经元为s个；
得到输出层神经元向量o＝{o1，o2，o3，o4}；其中，o1为环境温度的权重，o2为电池温度的权重，o3为电池SOC的权重，o4为电池充放电的均衡性系数的权重。
优选地，所述隐层的神经元为8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S3中，所述测定周期内第j个性能参数对应车辆状态时的电池理想功率为相同工况下、相同车辆参数对应的燃油型车辆在第j个性能参数对应车辆状态时的发动机的功率。
优选地，所述S2中，测试周期为2～4h，测试频率为15～30s。
优选地，所述不同路面包括根据路面平整度进行分类的城市路面、高速路面和乡村路面。
本发明的有益效果是：
本发明通过选取多个电池功率性能参数以及相应的影响因子，并综合多个影响因子和性能参数建立电池功率性能模型，即综合多个影响因子和性能参数对纯电动汽车用锂离子电池的功率性能进行测试评价，得到综合多方面影响因素的测试结果，测试结果更加综合全面；同时本发明获得的电池的功率性能测试结果更具指导作用，更有利于纯电动汽车领域的发展。
附图说明
图1为本发明实施例的一种纯电动汽车用锂离子电池的功率性能测试方法的流程图。
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。
本发明提供一种纯电动汽车用锂离子电池的功率性能测试方法，如图1所示，具体包括如下步骤：
S1、选取锂离子电池功率性能参数以及影响所述功率性能的影响因子；
其中，所述的电池功率性能参数为车辆爬坡时的电池功率、启动功率以及不同路面平整度下车辆恒速行驶的电池功率；
所述不同路面包括根据路面平整度进行分类的城市路面、高速路面和乡村路面；
所述的影响因子包括：环境温度、电池温度、电池SOC以及电池充放电的均衡性系数；
电池均衡性即不一致性，不一致性的存在使得电池组的容量小于组中最小单体的容量；电池均衡性即根据单体电池信息，采用主动或被动、耗散或非耗散等均衡方式，尽可能使电池组容量接近于最小单体的容量。
S2、根据电池功率性能参数以及影响因子，模拟锂离子电池在不同行驶路况、环境温度以及电池状态中的运行工况，并确定对应工况下的电池功率；
其中，测试周期为2～4h，测试频率为15～30s。
S3、建立电池功率性能测试模型，利用所述电池功率测试模型确定电池功率性能指数：
Figure BDA0002593145310000071
且
Figure BDA0002593145310000072
其中，A为电池功率性能指数，m为影响因子数量，n为性能参数数量，αi为第i个影响因子的权重，xi为第i个影响因子的值，xi0为第i个影响因子的设定标准值，βi为第i个影响因子与电池功率性能的综合相关性系数，wj为测定周期内第j个性能参数对应车辆状态出现的次数，w为测定周期内车辆状态的总次数，Pj为测定周期内第j个性能参数对应车辆状态时的电池功率，Pj，si为测定周期内第j个性能参数对应车辆状态时的电池理想功率；
其中，车辆爬坡时的电池功率为：
Figure BDA0002593145310000073
式中，Pc为车辆爬坡时的电池功率，k为车辆爬坡数量，θp为车辆第p个爬坡的角度，Pp为车辆第p个爬坡的电池功率。
车辆恒速行驶时的电池功率为：
Figure BDA0002593145310000074
其中，Pu为车辆恒速行驶时的电池功率，t为不同路面平整度的路段数量，Pq为第q个路面平整度下车辆恒速行驶时的电池功率。
当A≥0.85时，电池的功率性能优秀；
当0.7≤A＜0.85时，电池的功率性能良好；
当A＜0.7时，电池的功率性能较差。
在S3中，电池影响因子与电池功率性能的综合相关性系数的确定包括：
S3.1、以环境温度、电池温度、电池SOC或电池充放电的均衡性系数和对应标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，采用单一变量法拟合幂函数关系，确定指数为对应条件下的单一相关性系数；
S3.2、以环境温度、电池温度、电池SOC和电池充放电的均衡性系数和对应标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，输入单一相关性系数，并采用多变量法对所述单一相关性系数进行调优，直至误差小于等于±1.5％，输出综合相关性系数；
其中，在调优过程中满足：
Figure BDA0002593145310000081
在S3中，所述的电池的影响因子的权重的确定通过上述步骤确定的综合相关性系数，并基于BP神经网络确定影响因子的权重，具体包括如下步骤：
S3.3、建立BP神经网络模型。
BP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 BDA0002593145310000091
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，对应表示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＝4，隐藏层节点数m＝8。
输入层4个参数分别表示为：x1为环境温度与电池功率性能的综合相关性系数，x2为电池温度与电池功率性能的综合相关性系数，x3为电池SOC与电池功率性能的综合相关性系数，x4为电池充放电的均衡性系数与电池功率性能的综合相关性系数；
输出层4个参数分别表示为：o1为环境温度的权重，o2为电池温度的权重，o3为电池SOC的权重，o4为电池充放电的均衡性系数的权重。
S3.4、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 BDA0002593145310000111
式中，
Figure BDA0002593145310000112
为第n次计算时l层的j单元信息加权和，
Figure BDA0002593145310000113
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 BDA0002593145310000114
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 BDA0002593145310000115
Figure BDA0002593145310000116
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 BDA0002593145310000117
且
Figure BDA0002593145310000118
若神经元j属于第一隐层(l＝1)，则有
Figure BDA0002593145310000119
若神经元j属于输出层(l＝L)，则有
Figure BDA0002593145310000121
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
Figure BDA0002593145310000122
对隐单元
Figure BDA0002593145310000123
(c)修正权值：
Figure BDA0002593145310000124
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。
在S3中，测定周期内第j个性能参数对应车辆状态时的电池理想功率为相同工况下、相同车辆参数对应的燃油型车辆在第j个性能参数对应车辆状态时的发动机的功率。
本实施例还结合具体测试过程对本发明提供的纯电动汽车用锂离子电池的功率性能测试方法进行详细说明。
选取多组锂离子电池(锰酸锂电池)，置于同一车辆型号上，如表1所示，分别在不同工况下进行测试，其中部分数据如表2所示。
表1车型参数
车重(空车) 1553kg
车的尺寸 4454mm×1798mm×1545mm
前后轴距 2780mm
左右轴距 1430mm
车载锂电池最大功率 60kW
表2部分试验数据
Figure BDA0002593145310000131
Figure BDA0002593145310000141
对应测得的电池功率如表3所示。
表3测试结果
Figure BDA0002593145310000142
Figure BDA0002593145310000151
采用上述的方法获取单一相关性系数，并经过多变量法调优获得综合相关性系数，并基于BP神经网络确定对应的权重，确定最终的电池功率性能指数：
Figure BDA0002593145310000152
其中，α＝[α1，α2，α3，α4]＝[0.21，0.22，0.26，0.31]，
β＝[β1，β2，β3，β4]＝[0.43，0.35，0.52，0.66]，
x0＝[x10，x20，x30，x40]＝[15，20，0.5，0.75]。
重新选取5组已知电池功率性能的锰酸锂电池，功率性能依次为强、较强、中等、中等偏下、较差。采用上述测试方法对该五组电池进行测试，试验结果如表4所示。
表4试验结果
Figure BDA0002593145310000153
Figure BDA0002593145310000161
由表4可知，本发明提供的纯电动汽车用锂离子电池的功率性能测试方法获得的测试结果与实际结果基本一致，因此该方法的测试结果是可靠的，并在通过后期数据的逐渐增加，更新数据库，使得系统可以进行自学习，以不断完善该测试模型的精度。
需要说明的是，更换不同车型或锂电池型号时，需要重新确定电池功率性能指数的具体公式。
本发明设计开发的纯电动汽车用锂离子电池的功率性能测试方法，能够综合多个影响因子和性能参数对纯电动汽车用锂离子电池的功率性能进行测试评价，测试结果综合多方面影响因素，更加综合全面。并且本发明获得的电池的功率性能测试结果更具指导作用，更有利于纯电动汽车领域的发展。
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，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。

Claims (10)

1.一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，包括以下步骤：
S1、选取锂离子电池功率性能参数以及影响所述功率性能的影响因子；
其中，所述锂离子电池功率性能参数包括车辆爬坡时的电池功率、启动功率以及不同路面平整度下车辆恒速行驶的电池功率；所述影响因子包括环境温度、电池温度、电池SOC以及电池充放电的均衡性系数；
S2、根据所述电池功率性能参数以及影响因子，模拟锂离子电池在不同行驶路况、环境温度以及电池状态中的运行工况，并确定对应工况下的电池功率；
S3、建立电池功率性能测试模型，利用所述电池功率测试模型确定电池功率性能指数A：
Figure FDA0002593145300000011
且
Figure FDA0002593145300000012
其中，m为影响因子数量，n为性能参数数量，αi为第i个影响因子的权重，xi为第i个影响因子的值，xi0为第i个影响因子的设定标准值，βi为第i个影响因子与电池功率性能的综合相关性系数，wj为测定周期内第j个性能参数对应车辆状态出现的次数，w为测定周期内车辆状态的总次数，Pj为测定周期内第j个性能参数对应车辆状态时的电池功率，Pj，si为测定周期内第j个性能参数对应车辆状态时的电池理想功率；
当A≥0.85时，电池的功率性能优秀；
当0.7≤A＜0.85时，电池的功率性能良好；
当A＜0.7时，电池的功率性能较差。
2.根据权利要求1所述的一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述S1中车辆爬坡时的电池功率为：
Figure FDA0002593145300000021
其中，Pc为车辆爬坡时的电池功率，k为车辆爬坡数量，θp为车辆第p个爬坡的角度，Pp为车辆第p个爬坡的电池功率。
3.根据权利要求1所述的一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述S1中，不同路面平整度下车辆恒速行驶时的电池功率为：
Figure FDA0002593145300000022
其中，Pu为车辆恒速行驶时的电池功率，t为不同路面平整度的路段数量，Pq为第q个路面平整度下车辆恒速行驶时的电池功率。
4.根据权利要求1所述的一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，在所述S3中，电池的影响因子与电池功率性能的综合相关性系数通过以下方法确定：
以环境温度、电池温度、电池SOC或电池充放电的均衡性系数和对应的标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，采用单一变量法拟合幂函数关系，确定指数为对应条件下的单一相关性系数；
以环境温度、电池温度、电池SOC和电池充放电的均衡性系数和对应标准值的比值为自变量，对应条件下的电池功率和理想功率的比值为因变量，输入单一相关性系数，并采用多变量法对所述单一相关性系数进行调优，直至误差小于等于±1.5％，输出综合相关性系数；
其中，在调优过程中满足：
Figure FDA0002593145300000031
5.根据权利要求1所述的一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述S3中，所述电池的影响因子的权重通过以下方法确定：
输入影响因子与电池功率性能的综合相关性系数；
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为环境温度与电池功率性能的综合相关性系数，x2为电池温度与电池功率性能的综合相关性系数，x3为电池SOC与电池功率性能的综合相关性系数，x4为电池充放电的均衡性系数与电池功率性能的综合相关性系数；
所述输入层向量映射到隐层，隐层的神经元为s个；
得到输出层神经元向量o＝{o1，o2，o3，o4}；其中，o1为环境温度的权重，o2为电池温度的权重，o3为电池SOC的权重，o4为电池充放电的均衡性系数的权重。
6.根据权利要求5所述一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述隐层的神经元为8个。
7.根据权利要求5所述一种纯电动汽车用锂离子电池的功率性能测试方法，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)
8.根据权利要求1所述一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述S3中，所述测定周期内第j个性能参数对应车辆状态时的电池理想功率为相同工况下、相同车辆参数对应的燃油型车辆在第j个性能参数对应车辆状态时的发动机的功率。
9.根据权利要求1所述的一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述S2中，测试周期为2～4h，测试频率为15～30s。
10.根据权利要求1所述一种纯电动汽车用锂离子电池的功率性能测试方法，其特征在于，所述不同路面包括根据路面平整度进行分类的城市路面、高速路面和乡村路面。
CN202010707426.6A 2020-07-20 2020-07-20 一种纯电动汽车用锂离子电池的功率性能测试方法 Active CN111999651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010707426.6A CN111999651B (zh) 2020-07-20 2020-07-20 一种纯电动汽车用锂离子电池的功率性能测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010707426.6A CN111999651B (zh) 2020-07-20 2020-07-20 一种纯电动汽车用锂离子电池的功率性能测试方法

Publications (2)

Publication Number Publication Date
CN111999651A true CN111999651A (zh) 2020-11-27
CN111999651B CN111999651B (zh) 2023-06-06

Family

ID=73468077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010707426.6A Active CN111999651B (zh) 2020-07-20 2020-07-20 一种纯电动汽车用锂离子电池的功率性能测试方法

Country Status (1)

Country Link
CN (1) CN111999651B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609760A (zh) * 2021-07-19 2021-11-05 北京圣涛平试验工程技术研究院有限责任公司 集成电路寿命预估方法及装置、电子设备和存储介质
CN113659246A (zh) * 2021-10-20 2021-11-16 中国气象科学研究院 适应于极地超低温环境的电池系统及其控温方法

Citations (3)

* 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
CN105678077A (zh) * 2016-01-07 2016-06-15 北京北交新能科技有限公司 一种混合动力车用锂离子电池功率性能的在线预测方法
CN108146260A (zh) * 2017-11-22 2018-06-12 中国汽车技术研究中心 整车制动回馈电流对锂离子电池使用寿命影响的测试方法

Patent Citations (3)

* 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
CN105678077A (zh) * 2016-01-07 2016-06-15 北京北交新能科技有限公司 一种混合动力车用锂离子电池功率性能的在线预测方法
CN108146260A (zh) * 2017-11-22 2018-06-12 中国汽车技术研究中心 整车制动回馈电流对锂离子电池使用寿命影响的测试方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱浩等: "基于SA+BP混合算法的动力电池放电峰值功率估算", 《江苏大学学报(自然科学版)》 *
苏岭等: "插电式混合动力汽车能量管理策略研究现状和发展趋势", 《重庆大学学报》 *
马俊等: "不同工况对锂离子电池SOC预估精度的影响", 《电源技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609760A (zh) * 2021-07-19 2021-11-05 北京圣涛平试验工程技术研究院有限责任公司 集成电路寿命预估方法及装置、电子设备和存储介质
CN113609760B (zh) * 2021-07-19 2023-12-05 北京圣涛平试验工程技术研究院有限责任公司 集成电路寿命预估方法及装置、电子设备和存储介质
CN113659246A (zh) * 2021-10-20 2021-11-16 中国气象科学研究院 适应于极地超低温环境的电池系统及其控温方法

Also Published As

Publication number Publication date
CN111999651B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Zahid et al. State of charge estimation for electric vehicle power battery using advanced machine learning algorithm under diversified drive cycles
Mao et al. Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with Levy flight
Zhao et al. A deep reinforcement learning framework for optimizing fuel economy of hybrid electric vehicles
CN102569922B (zh) 一种基于单体电池一致性的蓄电池组soc估计改进方法
Zhang et al. Intelligent state of charge estimation of lithium-ion batteries based on LM optimized back-propagation neural network
CN105644548A (zh) 混合动力汽车的能量控制方法及装置
CN106501721A (zh) 一种基于生物进化的锂电池soc估算方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN109703548B (zh) 一种基于混合动力的汽车动力分配方法
CN105183994A (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN111983459B (zh) 一种基于车用锂离子电池的健康状态测试评估方法
CN111983468B (zh) 基于神经网络的锂动力电池的安全度估算方法
CN111891111B (zh) 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法
CN111999651A (zh) 一种纯电动汽车用锂离子电池的功率性能测试方法
CN112881914A (zh) 一种锂电池健康状态预测方法
CN113554200A (zh) 动力电池电压不一致性预测方法、系统及设备
CN110077389B (zh) 一种插电式混合动力电动汽车能量管理方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Niu et al. State of charge prediction study of vanadium redox-flow battery with BP neural network
CN111983460B (zh) 一种混动汽车用锂离子电池工作健康状态检测方法
CN113495215B (zh) 一种虚拟电芯系统及其运行方法和一种孪生电池
CN111301223A (zh) 一种电动汽车电池管理系统及管理方法
CN114545279A (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
CN111983462B (zh) 一种车用锂离子电池的充放电性能测试方法
GB2386709A (en) A neural network for estimating battery residual capacity in an electric vehicle

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