CN112098873B - 基于充电电压曲线几何特征的锂电池健康状态估计方法 - Google Patents
基于充电电压曲线几何特征的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN112098873B CN112098873B CN202010826062.3A CN202010826062A CN112098873B CN 112098873 B CN112098873 B CN 112098873B CN 202010826062 A CN202010826062 A CN 202010826062A CN 112098873 B CN112098873 B CN 112098873B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- vector
- key point
- soh
- long
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- 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
Abstract
本发明公开了一种基于充电电压曲线几何特征的锂电池健康状态估计方法,利用锂电池充电过程的电压时间序列曲线,从中提取包含几何特征的关键点,并对所提取关键点之间的梯度、采样熵进行计算,获得老化特征;将该老化特征作为输入,运用长短记忆神经网络建立锂电池SOH估计模型,从而建立了基于大数据的锂电池SOH估计模型,实现了对锂电池SOH的准确估计。本发明无需锂电池的先验知识,能够自动地从锂电池日常工况中获取有效信息,实现锂电池的SOH估计,对于锂电池实际应用中SOH的准确获取具有重要意义。
Description
技术领域
本发明属于动力锂电池应用技术领域,具体涉及一种基于充电电压曲线几何特征的锂电池健康状态估计方法的设计。
背景技术
现今锂电池已经大量应用于新能源汽车、电力储能等领域,在实际系统应用中,锂电池会随着日常充放电循环不断老化。要实现锂电池组有效的能量管理,必须了解锂电池当前的健康状态(State of Health,SOH),过度使用锂电池也容易引发严重的安全事故。为此,精确的估计锂电池SOH是实际应用需要的关键技术。
当前估计锂电池的SOH的方法主要分为三类:基于经验模型的方法、基于参数在线辨识的方法以及基于数据驱动的方法。经验模型的建立一般是基于在不同测试应力下对锂电池的加速老化测试,即可通过分析收集的电池老化数据,使用曲线拟合的方式,获得同类型其他锂电池的经验模型。经验模型对于特定类型电池具有较好的估计精度,但其对于全新电池的适用性,仍有待于进一步提高。参数在线辨识的方法则通过预先建立的模型,以当前电流电压的测量值以及SOC(State of charge,充电状态)的估计值作为输入,在线辨识锂电池的容量或者内阻。电池内阻的值较小容易受到测量噪声的干扰,而辨识电池容量需要将SOC的估计值作为输入,会不可避免地引入新的估计误差。基于数据驱动的方法被认为在SOH估计方面具有较大的潜力,通过利用大数据或者人工智能的方法,能够挖掘BMS(Battery management system,电池管理系统)日常记录历史数据中的隐含信息,实现对锂电池SOH的准确估计。
发明内容
本发明的目的是解决锂电池的SOH受诸多外部因素影响,难以建立清晰有效的SOH预测模型的问题,提出了一种基于充电电压曲线几何特征的锂电池健康状态估计方法,从锂电池相对固定的充电过程中提取几何关键点及建立老化特征的方法,同时运用长短记忆神经网络,建立了一种基于深度学习的锂电池SOH估计模型。
本发明的技术方案为:基于充电电压曲线几何特征的锂电池健康状态估计方法,包括以下步骤:
S1、提取锂电池充电电压曲线的几何特征关键点向量PF。
S2、计算几何特征关键点的梯度值向量GF与采样熵SE。
S3、将几何特征关键点向量PF、梯度值向量GF和采样熵SE进行合并,得到锂电池的老化特征FBat。
S4、收集训练样本对长短记忆神经网络进行训练,得到锂电池SOH估计模型。
S5、将锂电池的老化特征FBat输入至锂电池SOH估计模型中,输出得到锂电池健康状态估计结果。
进一步地,步骤S1包括以下分步骤:
S11、定义特征窗口的宽度为LF,需要选取的关键点个数为NF,并将锂电池充电电压曲线中的电压值归一化到0~1之间,具体公式为:
其中U为电池端电压,Umax和Umin分别为锂电池充电电压曲线的最大值与最小值,Unorm为归一化后的电压值。
S12、根据归一化后的电压值,在所定义宽度为LF的特征窗口内,选取锂电池充电电压曲线首尾两个点为前两个关键点k1和k2。
S13、根据下式获取新的关键点,直到关键点的数目达到NF:
其中D(ki)表示关键点ki的度量距离,i=3,4,...,NF,(xi,yi)为关键点ki的坐标。
进一步地,步骤S2中计算几何特征关键点的梯度值向量GF的具体方法为:
A1、计算几何特征关键点向量PF中每个关键点与其后一个相邻关键点之间的梯度值:
进一步地,步骤S2中计算几何特征关键点的采样熵SE的具体方法为:
B1、定义采样熵计算参数m和r,从几何特征关键点向量PF中提取NF-m+1个包含关键点的向量Um(is)={p(is+ls),0≤ls≤m-1},其中p(is+ls)表示第is个几何特征关键点,is=1,2,...,NF-m+1,ls表示关键点p(is+ls)的长度。
B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值:
d[Um(a),Um(b)]=max{|p(a+ls)-p(b+ls)|,0≤ls≤m-1}
其中d[Um(a),Um(b)]表示向量Um(a)与向量Um(b)之间的距离。
B3、定义中间变量其中js=1,2,...,NF-m,Wm(js)表示满足条件d[Um(js),Um(n)]≤r的向量Um(n)的数目,其计算方法为:定义Wm(js)的初始值为0,当n=1,2,...,NF-m且n≠js时,对于向量Um(n),若d[Um(js),Um(n)]≤r,则Wm(js)的值加1,否则Wm(js)的值保持不变;Wm+1(js)表示满足条件d[Um+1(js),Um+1(n)]≤r的向量Um+1(n)的数目。
B5、根据中间统计量Bm(r)和Am(r)计算采样熵SE:
其中SE(m,r,NF)表示与参数m、r以及NF相关的采样熵SE。
进一步地,步骤S3中锂电池的老化特征FBat表示为FBat=[PF,GF,SE]。
进一步地,步骤S4包括以下分步骤:
S41、通过对锂电池进行加速老化测试,收集锂电池的老化特征FBat以及SOH作为训练样本。
S42、初始化长短记忆神经网络的训练参数,将训练样本中的老化特征FBat作为长短记忆神经网络的输入Xt,将训练样本中的SOH作为长短记忆神经网络的输出Yt,进行前向传播计算。
S44、根据损失函数,利用动量梯度算法寻优,实现长短记忆神经网络中隐含层和输出层权重的更新,完成对长短记忆神经网络的训练,得到锂电池SOH估计模型。
进一步地,长短记忆神经网络包括依次连接的输入层、隐含层和输出层,隐含层包括多个长短记忆单元。
进一步地,长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞。
输入门It表示为It=σ(xtWxi+ht-1Whi+bi),其中σ(·)为激活函数且xt表示长短记忆单元的输入,Wxi和Whi均表示输入门的权重参数,bi表示输入门的偏差,ht-1表示上一时刻的隐藏状态。
遗忘门Ft表示为Ft=σ(xtWxf+ht-1Whf+bf),其中Wxf和Whf均表示遗忘门的权重参数,bf表示遗忘门的偏差。
输出门yt表示为yt=σ(xtWxo+ht-1Who+bo),其中Wxo和Who均表示输出门的权重参数,bo表示遗忘门的偏差。
隐藏状态ht表示为ht=Ft⊙tanh(Ct)。
本发明的有益效果是:本发明能够从锂电池相对固定的充电过程的电压曲线形状中提取关键点,同时计算梯度值及采样熵,作为神经网络的输入量,利用长短记忆神经网络,建立锂电池SOH估计模型。本发明无需锂电池的先验知识,能够自动地从锂电池日常工况中获取有效信息,实现锂电池的SOH估计,对于锂电池实际应用中SOH的准确获取具有重要意义。
附图说明
图1所示为本发明实施例提供的基于充电电压曲线几何特征的锂电池健康状态估计方法流程图。
图2所示为本发明实施例提供的锂电池充电电压曲线几何特征关键点提取示意图。
图3所示为本发明实施例提供的锂电池SOH估计模型示意图。
图4所示为本发明实施例提供的长短记忆单元结构示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于充电电压曲线几何特征的锂电池健康状态估计方法,如图1所示,包括以下步骤S1~S5:
S1、提取锂电池充电电压曲线的几何特征关键点向量PF。
步骤S1包括以下分步骤S11~S14:
S11、定义特征窗口的宽度为LF,需要选取的关键点个数为NF,并将锂电池充电电压曲线中的电压值归一化到0~1之间,具体公式为:
其中U为电池端电压,Umax和Umin分别为锂电池充电电压曲线的最大值与最小值,Unorm为归一化后的电压值。
S12、根据归一化后的电压值,在所定义宽度为LF的特征窗口内,选取锂电池充电电压曲线首尾两个点为前两个关键点k1和k2。
S13、根据下式获取新的关键点,直到关键点的数目达到NF:
其中D(ki)表示关键点ki的度量距离,i=3,4,...,NF,(xi,yi)为关键点ki的坐标。
本发明实施例中,以关键点k3为例,则其获取公式为:
关键点k3的提取示意图如图2所示。
S2、计算几何特征关键点的梯度值向量GF与采样熵SE。
其中,计算几何特征关键点的梯度值向量GF的具体方法为:
A1、计算几何特征关键点向量PF中每个关键点与其后一个相邻关键点之间的梯度值:
计算几何特征关键点的采样熵SE的具体方法为:
B1、定义采样熵计算参数m和r,从几何特征关键点向量PF中提取NF-m+1个包含关键点的向量Um(is)={p(is+ls),0≤ls≤m-1},其中p(is+ls)表示第is个几何特征关键点,is=1,2,...,NF-m+1,ls表示关键点p(is+ls)的长度。
B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值:
d[Um(a),Um(b)]=max{|p(a+ls)-p(b+ls)|,0≤ls≤m-1}
其中d[Um(a),Um(b)]表示向量Um(a)与向量Um(b)之间的距离。本发明实施例中,向量Um(a)与向量Um(b)的长度均为NF-m。
B3、定义中间变量其中js=1,2,...,NF-m,Wm(js)表示满足条件d[Um(js),Um(n)]≤r的向量Um(n)的数目,其计算方法为:定义Wm(js)的初始值为0,当n=1,2,...,NF-m且n≠js时,对于向量Um(n),若d[Um(js),Um(n)]≤r,则Wm(js)的值加1,否则Wm(js)的值保持不变;Wm+1(js)表示满足条件d[Um+1(js),Um+1(n)]≤r的向量Um+1(n)的数目。
B5、根据中间统计量Bm(r)和Am(r)计算采样熵SE:
其中SE(m,r,NF)表示与参数m、r以及NF相关的采样熵SE。
S3、将几何特征关键点向量PF、梯度值向量GF和采样熵SE进行合并,得到锂电池的老化特征FBat,表示为FBat=[PF,GF,SE]。
S4、收集训练样本对长短记忆神经网络进行训练,得到锂电池SOH估计模型。
步骤S4包括以下分步骤:
S41、通过对锂电池进行加速老化测试,收集锂电池的老化特征FBat以及SOH作为训练样本。
S42、初始化长短记忆神经网络的训练参数,将训练样本中的老化特征FBat作为长短记忆神经网络的输入Xt,将训练样本中的SOH作为长短记忆神经网络的输出Yt,进行前向传播计算。
S44、根据损失函数,利用动量梯度算法寻优,实现长短记忆神经网络中隐含层和输出层权重的更新,完成对长短记忆神经网络的训练,得到锂电池SOH估计模型,如图3所示。
本发明实施例中,长短记忆神经网络包括依次连接的输入层、隐含层和输出层,隐含层包括多个长短记忆单元(Long short-term memory,LSTM)。
如图4所示,长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞。
输入门It表示为It=σ(xtWxi+ht-1Whi+bi),其中σ(·)为激活函数且xt表示长短记忆单元的输入,Wxi和Whi均表示输入门的权重参数,bi表示输入门的偏差,ht-1表示上一时刻的隐藏状态。
遗忘门Ft表示为Ft=σ(xtWxf+ht-1Whf+bf),其中Wxf和Whf均表示遗忘门的权重参数,bf表示遗忘门的偏差。
输出门yt表示为yt=σ(xtWxo+ht-1Who+bo),其中Wxo和Who均表示输出门的权重参数,bo表示遗忘门的偏差。
隐藏状态ht表示为ht=Ft⊙tanh(Ct)。
S5、将锂电池的老化特征FBat输入至锂电池SOH估计模型中,输出得到锂电池健康状态估计结果。
训练得到锂电池SOH估计模型之后,将当前需要估计健康状态的锂电池的老化特征FBat输入至锂电池SOH估计模型中,即可输出得到锂电池健康状态估计结果。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.基于充电电压曲线几何特征的锂电池健康状态估计方法,其特征在于,包括以下步骤:
S1、提取锂电池充电电压曲线的几何特征关键点向量PF;
S2、计算几何特征关键点的梯度值向量GF与采样熵SE;
S3、将几何特征关键点向量PF、梯度值向量GF和采样熵SE进行合并,得到锂电池的老化特征FBat;
S4、收集训练样本对长短记忆神经网络进行训练,得到锂电池SOH估计模型;
S5、将锂电池的老化特征FBat输入至锂电池SOH估计模型中,输出得到锂电池健康状态估计结果;
所述步骤S1包括以下分步骤:
S11、定义特征窗口的宽度为LF,需要选取的关键点个数为NF,并将锂电池充电电压曲线中的电压值归一化到0~1之间,具体公式为:
其中U为电池端电压,Umax和Umin分别为锂电池充电电压曲线的最大值与最小值,Unorm为归一化后的电压值;
S12、根据归一化后的电压值,在所定义宽度为LF的特征窗口内,选取锂电池充电电压曲线首尾两个点为前两个关键点k1和k2;
S13、根据下式获取新的关键点,直到关键点的数目达到NF:
其中D(ki)表示关键点ki的度量距离,i=3,4,...,NF,(xi,yi)为关键点ki的坐标;
3.根据权利要求1所述的锂电池健康状态估计方法,其特征在于,所述步骤S2中计算几何特征关键点的采样熵SE的具体方法为:
B1、定义采样熵计算参数m和r,从几何特征关键点向量PF中提取NF-m+1个包含关键点的向量Um(is)={p(is+ls),0≤ls≤m-1},其中p(is+ls)表示第is个几何特征关键点,is=1,2,...,NF-m+1,ls表示关键点p(is+ls)的长度;
B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值:
d[Um(a),Um(b)]=max{|p(a+ls)-p(b+ls)|,0≤ls≤m-1}
其中d[Um(a),Um(b)]表示向量Um(a)与向量Um(b)之间的距离;
B3、定义中间变量其中js=1,2,...,NF-m,Wm(js)表示满足条件d[Um(js),Um(n)]≤r的向量Um(n)的数目,其计算方法为:定义Wm(js)的初始值为0,当n=1,2,...,NF-m且n≠js时,对于向量Um(n),若d[Um(js),Um(n)]≤r,则Wm(js)的值加1,否则Wm(js)的值保持不变;Wm+1(js)表示满足条件d[Um+1(js),Um+1(n)]≤r的向量Um+1(n)的数目;
B5、根据中间统计量Bm(r)和Am(r)计算采样熵SE:
其中SE(m,r,NF)表示与参数m、r以及NF相关的采样熵SE。
4.根据权利要求1所述的锂电池健康状态估计方法,其特征在于,所述步骤S3中锂电池的老化特征FBat表示为FBat=[PF,GF,SE]。
6.根据权利要求1所述的锂电池健康状态估计方法,其特征在于,所述长短记忆神经网络包括依次连接的输入层、隐含层和输出层,所述隐含层包括多个长短记忆单元。
7.根据权利要求6所述的锂电池健康状态估计方法,其特征在于,所述长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞;
所述输入门It表示为It=σ(xtWxi+ht-1Whi+bi),其中σ(·)为激活函数且xt表示长短记忆单元的输入,Wxi和Whi均表示输入门的权重参数,bi表示输入门的偏差,ht-1表示上一时刻的隐藏状态;
所述遗忘门Ft表示为Ft=σ(xtWxf+ht-1Whf+bf),其中Wxf和Whf均表示遗忘门的权重参数,bf表示遗忘门的偏差;
所述输出门yt表示为yt=σ(xtWxo+ht-1Who+bo),其中Wxo和Who均表示输出门的权重参数,bo表示遗忘门的偏差;
所述隐藏状态ht表示为ht=Ft⊙tanh(Ct)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826062.3A CN112098873B (zh) | 2020-08-17 | 2020-08-17 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826062.3A CN112098873B (zh) | 2020-08-17 | 2020-08-17 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098873A CN112098873A (zh) | 2020-12-18 |
CN112098873B true CN112098873B (zh) | 2021-06-01 |
Family
ID=73753726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826062.3A Active CN112098873B (zh) | 2020-08-17 | 2020-08-17 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098873B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740389A (zh) * | 2022-05-11 | 2022-07-12 | 上海采日能源科技有限公司 | 电池健康评估方法、装置、电子设备和可读存储介质 |
CN116388353B (zh) * | 2023-06-06 | 2023-09-08 | 宁波齐云新材料技术有限公司 | 一种锂电池pack用供电系统及控制方法 |
CN117310521B (zh) * | 2023-11-29 | 2024-02-20 | 深圳市普裕时代新能源科技有限公司 | 锂离子电池的充电状态校准方法、系统、设备及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1077032A (zh) * | 1992-03-29 | 1993-10-06 | 张友谱 | 蓄电池及直流供电系统的监控仪 |
JP2002303646A (ja) * | 2001-04-04 | 2002-10-18 | Yazaki Corp | 車載バッテリの純抵抗測定方法及び装置 |
CN102231546A (zh) * | 2011-06-30 | 2011-11-02 | 武汉市菱电汽车电子有限责任公司 | 具有均衡充放电功能的电池管理系统及其控制方法 |
CN103439666A (zh) * | 2013-09-02 | 2013-12-11 | 北京航空航天大学 | 一种锂离子电池容量衰退评估的几何方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN104348205A (zh) * | 2013-07-31 | 2015-02-11 | 杭州锂软科技有限公司 | 一种基于soc-soh分布式bms系统 |
WO2016020086A1 (de) * | 2014-08-04 | 2016-02-11 | Robert Bosch Gmbh | Verfahren zum prüfen der funktion einer schalteinrichtung |
CN105911474A (zh) * | 2016-04-12 | 2016-08-31 | 北京航空航天大学 | 一种基于几何特征提取方法和马氏距离相结合的质子交换膜燃料电池健康状态评估方法 |
CN106772064A (zh) * | 2016-11-25 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
CN106828150A (zh) * | 2016-12-31 | 2017-06-13 | 惠州市蓝微新源技术有限公司 | 一种分立式电池管理系统 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108363012A (zh) * | 2018-01-17 | 2018-08-03 | 广州市香港科大霍英东研究院 | 一种车用锂电池启动电源关键器件故障检测系统及方法 |
CN108445401A (zh) * | 2018-02-09 | 2018-08-24 | 深圳市鹏诚新能源科技有限公司 | 电池荷电状态soc的在线估计方法、电子装置及存储介质 |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN109272657A (zh) * | 2017-07-17 | 2019-01-25 | 周锡卫 | 一种基于可移动储能蓄电供电电动汽车充电系统及运行方法 |
CN109409541A (zh) * | 2018-10-29 | 2019-03-01 | 上海第二工业大学 | 实现报废汽车蓄电池逆向物流可行性评价的方法 |
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
JP2020046332A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ケーヒン | バッテリ監視装置 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
CN111985333A (zh) * | 2020-07-20 | 2020-11-24 | 中国科学院信息工程研究所 | 一种基于图结构信息交互增强的行为检测方法及电子装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160103185A1 (en) * | 2014-10-14 | 2016-04-14 | Ford Global Technologies, Llc | Electrified vehicle battery state-of-charge monitoring with aging compensation |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2020
- 2020-08-17 CN CN202010826062.3A patent/CN112098873B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1077032A (zh) * | 1992-03-29 | 1993-10-06 | 张友谱 | 蓄电池及直流供电系统的监控仪 |
JP2002303646A (ja) * | 2001-04-04 | 2002-10-18 | Yazaki Corp | 車載バッテリの純抵抗測定方法及び装置 |
CN102231546A (zh) * | 2011-06-30 | 2011-11-02 | 武汉市菱电汽车电子有限责任公司 | 具有均衡充放电功能的电池管理系统及其控制方法 |
CN104348205A (zh) * | 2013-07-31 | 2015-02-11 | 杭州锂软科技有限公司 | 一种基于soc-soh分布式bms系统 |
CN103439666A (zh) * | 2013-09-02 | 2013-12-11 | 北京航空航天大学 | 一种锂离子电池容量衰退评估的几何方法 |
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
WO2016020086A1 (de) * | 2014-08-04 | 2016-02-11 | Robert Bosch Gmbh | Verfahren zum prüfen der funktion einer schalteinrichtung |
CN105911474A (zh) * | 2016-04-12 | 2016-08-31 | 北京航空航天大学 | 一种基于几何特征提取方法和马氏距离相结合的质子交换膜燃料电池健康状态评估方法 |
CN106772064A (zh) * | 2016-11-25 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池健康状态预测方法及装置 |
CN106828150A (zh) * | 2016-12-31 | 2017-06-13 | 惠州市蓝微新源技术有限公司 | 一种分立式电池管理系统 |
CN109272657A (zh) * | 2017-07-17 | 2019-01-25 | 周锡卫 | 一种基于可移动储能蓄电供电电动汽车充电系统及运行方法 |
CN108363012A (zh) * | 2018-01-17 | 2018-08-03 | 广州市香港科大霍英东研究院 | 一种车用锂电池启动电源关键器件故障检测系统及方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108445401A (zh) * | 2018-02-09 | 2018-08-24 | 深圳市鹏诚新能源科技有限公司 | 电池荷电状态soc的在线估计方法、电子装置及存储介质 |
JP2020046332A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ケーヒン | バッテリ監視装置 |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN109409541A (zh) * | 2018-10-29 | 2019-03-01 | 上海第二工业大学 | 实现报废汽车蓄电池逆向物流可行性评价的方法 |
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
CN111985333A (zh) * | 2020-07-20 | 2020-11-24 | 中国科学院信息工程研究所 | 一种基于图结构信息交互增强的行为检测方法及电子装置 |
Non-Patent Citations (5)
Title |
---|
On-board state-of-health estimation based on charging current analysis for LiFePO4 batteries;Jufeng Yang等;《2017 IEEE Energy Conversion Congress and Exposition (ECCE)》;20171107;全文 * |
Online estimation of state-of-health for lithium ion batteries based on charge curves;Nina Yang等;《2016 11th International Conference on Reliability, Maintainability and Safety (ICRMS)》;20170928;全文 * |
基于LSTM神经网络的锂离子电池荷电状态估算;明彤彤等;《广东电力》;20200325;第33卷(第3期);第27页左栏第三段至第30页左栏最后一段 * |
基于SA-BP神经网络算法的电池SOH预测;徐元中等;《电源技术》;20200320;第44卷(第3期);全文 * |
基于等幅度充电时间的锂离子电池健康状态估计;林甜甜等;《装备环境工程》;20181225;第15卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112098873A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN111090047A (zh) | 一种基于多模型融合的锂电池健康状态估计方法 | |
Jiang et al. | State of health estimation for lithium-ion battery using empirical degradation and error compensation models | |
Zhang et al. | Implementation of generative adversarial network-CLS combined with bidirectional long short-term memory for lithium-ion battery state prediction | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
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 | |
Cui et al. | State of health diagnosis and remaining useful life prediction for lithium-ion battery based on data model fusion method | |
Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
CN114167284B (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
Shi et al. | A fast state-of-health estimation method using single linear feature for lithium-ion batteries | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN114397577A (zh) | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
CN115236521A (zh) | 基于半监督协同训练框架的锂离子电池健康状态估计方法 | |
Zhu et al. | State of health estimation of lithium-ion battery using time convolution memory neural network |
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 |