CN112198434B - 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 - Google Patents
电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 Download PDFInfo
- Publication number
- CN112198434B CN112198434B CN202011056559.8A CN202011056559A CN112198434B CN 112198434 B CN112198434 B CN 112198434B CN 202011056559 A CN202011056559 A CN 202011056559A CN 112198434 B CN112198434 B CN 112198434B
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- model
- parameters
- attenuation
- 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]
- G01R31/367—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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种电池容量衰减模型参数的辨识方法、系统、设备、装置及介质,属于动力电池技术领域。所述方法包括:根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据;根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率;根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,并通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数。本发明用于电池多循环试验的参数辨识。
Description
技术领域
本发明涉及动力电池技术领域,具体地涉及一种电池容量衰减模型参数的辨识方法、一种电池容量衰减模型参数的辨识系统、一种电子设备、一种电池容量测试装置和一种计算机可读存储介质。
背景技术
随着新能源电动车的普及,电池厂商对电芯的性能越来越重视,特别是电池的使用寿命,这直接关系到消费者的购买意向。在电池研发时,电池的寿命往往根据国家电池测试标准手册或者企业电池测试标准手册,通过一系列测试得到,根据测试结果得到电池的寿命衰减曲线,而电池的使用场景众多,电池容量衰减特性并不都能通过试验得到,这时往往通过已有的试验数据去推测其他试验条件下的寿命特性。
锂离子电池的循环性能远高于其他种类电池,可以将电池的加速测试方法应用于电池测试中。电池的加速模型中需考虑加速应力与电池性能的对应关系,即影响电池性能的因素,也叫加速因子,现在的研究中温度、充放电倍率和放电深度可作为电池衰减的加速因子。因此,通过增加应力可以研究电池寿命的性能,得到更多的数学关系,这里的关键就是加速模型的建立,也就是电池容量衰减模型,而如何准确得到或者在误差允许之内得到模型里应力的参数,是现在研究的难点之一。
现有方案中,有一种通过构建电池容量预测模型,预测电池容量衰减,其应用Box-Cox变换对电池容量进行变换,构建容量变换值与循环次数之间的线性模型,并利用最小二乘算法对模型参数以及模型不确定性进行辨识,剩余寿命的不确定性应用蒙特卡罗仿真产生,该算法可以缩减精确剩余寿命预测所需的在线老化数据,当有离线老化数据时,精确剩余寿命预测所需要的在线数据量最低仅为电池总衰减数据量的30%。然而,现有方案仅仅针对某一循环条件下电池老化数据和模型仿真结果之间,计算其误差,最终标定电池数学模型参数,但若针对多循环条件下的结果,需要同时考虑综合误差,以使得电池模型得到的结果与试验结果最为接近,这在现有技术中未有考虑。
发明内容
本发明的目的是提供一种电池容量衰减模型参数的辨识方法、系统、设备、装置及介质,解决了多循环条件下的电池容量衰减参数难以辨识等技术问题。
为了实现上述目的,本发明实施例提供一种电池容量衰减模型参数的辨识方法,该辨识方法包括:
根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,并通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数,其中,所述模型计算数据至少具有与所述容量衰减模型的容量衰减率对应的数据。
具体的,所述根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,包括:
根据至少两种试验用例中充电参数和放电参数,分别循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,
所述至少两种试验用例中充电参数包括相同的充电电流、环境温度和放电深度;
所述至少两种试验用例中放电参数包括放电倍率,所述放电倍率在任意一种试验用例中不同。
具体的,所述根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率,包括:
根据所述采集参数与各次循环中放电时间的积分,获得所述电池的电池放电容量,其中,所述采集参数为各次循环中的采集电流;
根据第一次循环的放电容量和余下各次循环的放电容量,获得试验的与循环次数对应的容量衰减率。
具体的,所述确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,包括:
根据阿伦尼乌斯模型,获得关于电流的加速因子的容量衰减模型,其中,所述容量衰减模型为:
式中,i为第i次循环的循环次数值,K(i)为所述第i次循环的容量衰减率,A为指前因子,Ea为表观活化能,T为开尔文摄氏度,R为摩尔气体常数,m为常数,I为所述第i次循环的采集电流,所述指前因子A和所述常数m作为待辨识的衰减参数;
通过所述容量衰减模型,获得各次循环中的拟合的容量衰减率。
具体的,所述根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,包括:
通过与各组循环测试试验数据对应的容量衰减率,分别与所述模型计算数据对应的容量衰减率做差,通过做差差值的绝对值,构建多个目标函数;
分别配置各个目标函数的权重系数;
通过各个目标函数与配置的权重系数的乘积和的最小值,获得多目标优化数据模型。
具体的,所述通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数,包括:
确定所述多目标优化数据模型的初始种群,并对所述初始种群进行二进制编码;
配置适应度函数,并结合所述适应度函数,对所述多目标优化数据模型进行遗传迭代计算,遗传迭代计算后获得所述待辨识的衰减参数的最优解。
本发明实施例提供一种电池容量衰减参数的辨识系统,该辨识系统包括:
数据获取模块,用于根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
容量计算模块,用于根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
容量拟合模块,用于确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
辨识模块,用于根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,并通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数。
再一方面,本发明实施例提供一种电子设备,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的方法。
又一方面,本发明实施例提供一种电池容量测试装置,该电池容量测试装置具有前述的电子设备。
又一方面,本发明实施例提供一种计算机可读存储介质,存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行前述的方法。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1为本发明实施例的主要步骤示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
实施例1
本发明实施例提供了电池容量衰减模型参数的辨识方法,如图1,该辨识方法包括:
根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,并通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数。
在一些具体实施中,电池可以是锂电池,可以对该电池进行循环测试试验;以两种不同循环试验为试验用例,所述至少两种试验用例中充电参数包括相同的充电电流、环境温度和放电深度,所述至少两种试验用例中放电参数包括放电倍率,所述放电倍率在任意一种试验用例中不同;充电电流都为1C,环境温度为25℃,DOD放电深度(Depth ofdischarge,DOD)为100%,以放电倍率为Ia的循环测试1,和放电倍率为Ib的循环测试2,
首先,试验测试中采集电压U、电流I、温度T、时间t,电芯充电和放电容量Ca(i)和Cb(i)的计算公式为:
其中,I对应充电和放电过程中的电流,t为充电和放电过程中时间,i为当前的循环次数,i=1,2,…,n。并记录第一次放电容量为Ca0和Cb0。
容量衰减率的计算公式为:
可有,两种循环试验的得到的容量衰减率Ka(i)(与循环测试1对应)和Kb(i)(与循环测试2对应)作为模型拟合目标。
接着,对不同体系的电池建立的电池容量衰减模型可能不尽相同,同时电池的衰减加速因子在不同研究中也有差别,针对具体衰减模型可以进行修改和按需求变更,在本发明实施例中,电流可以视为加速应力,结合阿伦尼乌斯模型,建立循环寿命关于电流的加速因子衰减方程,具体为:
式中,i为第i次循环的循环次数值,K(i)为所述第i次循环的容量衰减率,A为指前因子,Ea为表观活化能,T为开尔文摄氏度,R为摩尔气体常数,m为常数,I为所述第i次循环的采集电流。
然后,可以进行多目标优化数据模型建立,具体的,设置指前因子和常数m为优化变量(所述指前因子A和所述常数m作为待辨识的衰减参数),以容量衰减率作为试验值,以容量衰减值作为拟合值,两者差值的绝对值作为误差标准,分别设定目标函数为:
多目标优化模型为:
进一步地,可以进行多目标优化问题简化,在进行多目标优化时,可以将各目标函数赋予相应的权重,从而实现区分主次目标,通过加权的方式对优化目标进行处理,得到最终的优化后目标函数为:
式中,Ygoal为综合目标最优解,wj为各目标函数指标权重,优化前可进行初始化或预设值等操作,并可以根据具体循环试验特征,进行设定用于收敛性判断的约束函数或条件。
在遗传算法求解过程中,首先,可以随机产生初始种群,对初始种群进行二进制编码,通过初始种群的二进制码可以将优化后目标函数值通过形式转化成为基因优劣的表现形式;然后,可以根据优化后目标函数值进行群体分级,根据约束函数值进行数值更改或惩罚,下一步则可以确定和设置目标适应度函数,根据适应度,找到适应度最好的个体,对前述的二进制编码进行种群选择、交叉变异,因此,通过初始种群初步,经过几次种群更迭,可以选择适应度较好个体以及合适的交叉和变异操作,直到满足收敛条件为止,最后从解集合中,筛选得到优化问题的近似最优解,其中,为避免求解问题陷入局部最优解情况,遗传算法设置时需保证初始种群和进化迭代数可以配置阈值迭代数。
本发明实施例针对多循环试验结果,根据电池容量衰减计算模型,通过遗传算法,辨识得到电池容量衰减加速因子,使得辨识结果能够更真实地对电池循环试验准确预测,为锂离子电池提供更可靠的数据支持。
实施例2
本发明实施例与实施例1属于同一发明构思,本发明实施例提供了电池容量衰减模型参数的辨识系统,该辨识系统包括:
数据获取模块,用于根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
容量计算模块,用于根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
容量拟合模块,用于确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
辨识模块,用于根据所述循环测试试验数据和通过所述容量衰减模型获得的模型计算数据,构建多目标优化数据模型,并通过遗传算法求解所述多目标优化数据模型,获得辨识的衰减参数。
实施例3
本发明实施例与实施例1和2均属于同一发明构思,本发明实施例提供了电池容量测试装置,该电池容量测试装置包括:至少一个处理器;存储器,与所述至少一个处理器连接;其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现实施例1所述的电池容量衰减模型参数的辨识方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (8)
1.一种电池容量衰减模型参数的辨识方法,其特征在于,该辨识方法包括:
根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
通过与各组循环测试试验数据对应的容量衰减率,分别与所述模型计算数据对应的容量衰减率做差,通过做差差值的绝对值,构建多个目标函数;
分别配置各个目标函数的权重系数;
通过各个目标函数与配置的权重系数的乘积和的最小值,获得多目标优化数据模型;
确定所述多目标优化数据模型的初始种群,并对所述初始种群进行二进制编码;
配置适应度函数,并结合所述适应度函数,对所述多目标优化数据模型进行遗传迭代计算,遗传迭代计算后获得所述待辨识的衰减参数的最优解。
2.根据权利要求1所述的电池容量衰减模型参数的辨识方法,其特征在于,所述根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,包括:
根据至少两种试验用例中充电参数和放电参数,分别循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,
所述至少两种试验用例中充电参数包括相同的充电电流、环境温度和放电深度;
所述至少两种试验用例中放电参数包括放电倍率,所述放电倍率在任意一种试验用例中不同。
3.根据权利要求2所述的电池容量衰减模型参数的辨识方法,其特征在于,所述根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率,包括:
根据所述采集参数与各次循环中放电时间的积分,获得所述电池的电池放电容量,其中,所述采集参数为各次循环中的采集电流;
根据第一次循环的放电容量和余下各次循环的放电容量,获得试验的与循环次数对应的容量衰减率。
5.一种电池容量衰减模型参数的辨识系统,其特征在于,该辨识系统包括:
数据获取模块,用于根据试验用例中充电参数和放电参数,循环执行电池的充电和放电,获得至少两组的循环测试试验数据,其中,所述循环测试试验数据具有所述电池的采集参数;
容量计算模块,用于根据所述采集参数与所述电池的电池充电或放电容量,确定与循环次数对应的容量衰减率;
容量拟合模块,用于确定所述电池的容量衰减模型和所述容量衰减模型的容量衰减率,其中,所述容量衰减模型具有待辨识的衰减参数和与所述循环次数对应的采集参数;
辨识模块,用于通过与各组循环测试试验数据对应的容量衰减率,分别与所述模型计算数据对应的容量衰减率做差,通过做差差值的绝对值,构建多个目标函数,分别配置各个目标函数的权重系数,通过各个目标函数与配置的权重系数的乘积和的最小值,获得多目标优化数据模型;以及
确定所述多目标优化数据模型的初始种群,并对所述初始种群进行二进制编码,配置适应度函数,并结合所述适应度函数,对所述多目标优化数据模型进行遗传迭代计算,遗传迭代计算后获得所述待辨识的衰减参数的最优解。
6.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至4中任意一项权利要求所述的方法。
7.一种电池容量测试装置,其特征在于,该电池容量测试装置具有权利要求6所述的电子设备。
8.一种计算机可读存储介质,存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行权利要求1至4中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056559.8A CN112198434B (zh) | 2020-09-29 | 2020-09-29 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056559.8A CN112198434B (zh) | 2020-09-29 | 2020-09-29 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112198434A CN112198434A (zh) | 2021-01-08 |
CN112198434B true CN112198434B (zh) | 2023-05-19 |
Family
ID=74008063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011056559.8A Active CN112198434B (zh) | 2020-09-29 | 2020-09-29 | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198434B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035065B (zh) * | 2021-10-14 | 2024-03-29 | 国联汽车动力电池研究院有限责任公司 | 电池应力安全阈值获得方法、设备及存储介质 |
CN114019382B (zh) * | 2021-10-29 | 2023-08-25 | 华北电力大学 | 一种锂离子电池储能电站寿命衰减确定方法及系统 |
CN114035097B (zh) * | 2021-11-30 | 2023-08-15 | 深蓝汽车科技有限公司 | 锂离子电池寿命衰减预测的方法、系统及存储介质 |
CN115825782B (zh) * | 2022-01-24 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
CN115267546A (zh) * | 2022-06-24 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种电池寿命模型参数拟合方法 |
CN115629325B (zh) * | 2022-10-26 | 2024-01-26 | 上海玫克生储能科技有限公司 | 电芯衰减程度辨识方法、装置、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN104616062A (zh) * | 2015-02-15 | 2015-05-13 | 河海大学 | 一种基于多目标遗传规划的非线性系统辨识方法 |
CN107064806A (zh) * | 2017-01-23 | 2017-08-18 | 合肥国轩高科动力能源有限公司 | 一种锂电池容量衰减率计算方法 |
CN109606137A (zh) * | 2019-01-23 | 2019-04-12 | 吉林大学 | 融合成本寿命因素的多源电驱动系统经济性优化方法 |
CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
CN110197250A (zh) * | 2019-05-23 | 2019-09-03 | 合肥工业大学智能制造技术研究院 | 一种多因素影响的动力电池参数在线辨识方法 |
CN110728037A (zh) * | 2019-09-26 | 2020-01-24 | 上海理工大学 | 电池容量闭环融合预测方法 |
CN111009914A (zh) * | 2019-11-20 | 2020-04-14 | 广西电网有限责任公司 | 一种面向主动配电网的储能装置选址定容方法 |
CN111220912A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种基于移植神经网络的电池容量衰减轨迹预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732228B2 (en) * | 2013-01-31 | 2020-08-04 | Utopus Insights, Inc. | Estimating condition of battery, related system and vehicle |
US10931128B2 (en) * | 2017-04-28 | 2021-02-23 | Samsung Electronics Co., Ltd. | Method and apparatus to predict capacity fade rate of battery |
-
2020
- 2020-09-29 CN CN202011056559.8A patent/CN112198434B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN104616062A (zh) * | 2015-02-15 | 2015-05-13 | 河海大学 | 一种基于多目标遗传规划的非线性系统辨识方法 |
CN107064806A (zh) * | 2017-01-23 | 2017-08-18 | 合肥国轩高科动力能源有限公司 | 一种锂电池容量衰减率计算方法 |
CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
CN109606137A (zh) * | 2019-01-23 | 2019-04-12 | 吉林大学 | 融合成本寿命因素的多源电驱动系统经济性优化方法 |
CN110197250A (zh) * | 2019-05-23 | 2019-09-03 | 合肥工业大学智能制造技术研究院 | 一种多因素影响的动力电池参数在线辨识方法 |
CN110728037A (zh) * | 2019-09-26 | 2020-01-24 | 上海理工大学 | 电池容量闭环融合预测方法 |
CN111009914A (zh) * | 2019-11-20 | 2020-04-14 | 广西电网有限责任公司 | 一种面向主动配电网的储能装置选址定容方法 |
CN111220912A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种基于移植神经网络的电池容量衰减轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
Enhanced online model identification and state of charge estimation for lithium-ion battery with a FBCRLS based observer;zhangbao wei 等;Applied Energy;第181卷;第332-341页 * |
商用Li_4Ti_5O_(12)电池倍率循环容量衰减模型;王昊;俞海龙;金翼;王绥军;郭晓君;肖修昆;黄学杰;;储能科学与技术;第6卷(第3期);第584-589页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112198434A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 | |
Ding et al. | An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Kim et al. | Data-efficient parameter identification of electrochemical lithium-ion battery model using deep Bayesian harmony search | |
Zhou et al. | A fast screening framework for second-life batteries based on an improved bisecting K-means algorithm combined with fast pulse test | |
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
CN114264964B (zh) | 一种电池容量评估的方法、装置、设备及介质 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN117289146A (zh) | 储能电池的充放电测试方法、装置、设备及存储介质 | |
CN113794254A (zh) | 一种热管理策略配置方法、装置、计算机设备和存储介质 | |
CN112214862B (zh) | 基于遗传算法的电池参数标定方法、系统及设备 | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
Zarei-Jelyani et al. | Development of lifetime prediction model of lithium-ion battery based on minimizing prediction errors of cycling and operational time degradation using genetic algorithm | |
Shen et al. | Simultaneous model selection and parameter estimation for lithium‐ion batteries: A sequential MINLP solution approach | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN111308352A (zh) | 一种锂离子的电池衰减估算方法 | |
CN114282852B (zh) | 一种电池安全性计算方法和装置 | |
Muhsen et al. | Optimized modeling of Ni-MH batteries primarily based on Taguchi approach and evaluation of used Ni-MH batteries | |
CN112611973A (zh) | 一种电池健康状态估算方法、系统、设备和存储介质 | |
Yang et al. | Second Life Battery Life Cycle Estimation | |
CN118226308A (zh) | 高低压电池混合系统soh估算方法、系统、设备及介质 |
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 |