CN112540317B - 基于实车数据的电池健康状态估计与剩余寿命预测方法 - Google Patents

基于实车数据的电池健康状态估计与剩余寿命预测方法 Download PDF

Info

Publication number
CN112540317B
CN112540317B CN202011487950.3A CN202011487950A CN112540317B CN 112540317 B CN112540317 B CN 112540317B CN 202011487950 A CN202011487950 A CN 202011487950A CN 112540317 B CN112540317 B CN 112540317B
Authority
CN
China
Prior art keywords
battery
capacity
voltage
soh
temperature
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
CN202011487950.3A
Other languages
English (en)
Other versions
CN112540317A (zh
Inventor
胡杰
高志文
朱雪玲
何陈
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 University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011487950.3A priority Critical patent/CN112540317B/zh
Publication of CN112540317A publication Critical patent/CN112540317A/zh
Application granted granted Critical
Publication of CN112540317B publication Critical patent/CN112540317B/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提出一种基于实车数据的电池健康状态估计与剩余寿命预测方法，获取车载终端采集到的1Hz频率的实车数据；进行数据清洗与切分重构；基于自适应变区间法构建改进电压法与电容法的容量SOH评估模型；使用温度与电流进行容量修正，并进行滤波去噪；构建电池一致性评价指标，并与容量SOH评估模型加权融合得到电池SOH估计值；使用ICEEMDAN算法对SOH进行分解，对分解后的多模态分量分别构建LSTM算法进行时序预测，并将驾驶行为信息输入模型中；将预测结果进行重构得到电池剩余寿命。本发明提出的方法是基于实车数据进行建模，摆脱了现有方法需在实验条件下进行稳态充放电获取电池数据的限制，为优化车载电池管理系统提供了科学依据。

Description

基于实车数据的电池健康状态估计与剩余寿命预测方法
技术领域
本发明属于电动汽车动力电池的技术领域，尤其涉及一种基于实车数据的电池健康状态估计与剩余寿命预测方法。
背景技术
由于纯电动汽车具有环保、低噪声、燃料经济性好等优点，近年来已逐渐成为汽车产业的重大发展方向，为了保证纯电动汽车的安全性与可靠性，准确预估动力电池组的健康状态(SOH)的衰减与剩余寿命(RUL)显得尤为重要，没有SOH和RUL的准确信息，就无法对车辆进行合理的能量管理，无法及时识别动力电池组的安全隐患，也无法完成车辆价值的准确评估。
目前对电动汽车动力电池健康状态估计的方法可分为基于实验分析法与基于模型分析法两类。其中，基于实验分析法的电池健康状态评估，多在实验室条件下进行电池的稳态充放电实验以获取电池参数，进而得到反映电池健康状态的特征参数，实现动力电池的健康状态评估。而基于模型分析法则大多需要借助电化学模型或等效电路模型进行参数辨识，实现健康状态的评估。而由于汽车实际行驶过程中存在工况变化复杂，充放电片段不完整等特点，难以进行在线的电池健康状态评估，因此目前的估计方法存在与实车数据差异较大的问题。
对于动力电池的剩余寿命预测，其主体是一个时间序列问题，可通过时间序列模型进行预测。但由于其不仅与自身历史状态直接相关，同时又受到汽车的未来驾驶行为影响，而且电池历史健康状态的时间序列属于非线性时间序列，又包含一定的噪声，单独使用时间序列进行预测会导致预测性能下降，因此目前的剩余寿命预测方法存在预测精度不高的问题。
发明内容
本发明所要解决的技术问题在于针对上述存在的问题，提供一种基于实车数据的电池健康状态估计与剩余寿命预测方法，进行电动汽车动力电池健康状态的估计与剩余寿命预测，摆脱了现有方法需在实验室条件下进行稳态充放电获取电池数据的限制，解决现有电池健康状态估计模型中的与实车数据差异较大的问题以及剩余寿命预测不准确的问题。
本发明解决上述技术问题所采用的技术方案是：基于实车数据的电池健康状态估计与剩余寿命预测方法，其特征在于，包括如下步骤：
S1)获取车载终端采集到的1Hz频率的实车数据；
S2)进行数据清洗与切分重构；
S3)基于自适应变区间法构建改进电压法与电容法的容量SOH评估模型；
S4)使用温度与电流进行容量修正，并进行滤波去噪；
S5)构建电池一致性评价指标，并与容量SOH评估模型加权融合得到电池SOH估计值；
S6)使用ICEEMDAN算法对SOH进行分解，对分解后的多模态分量分别构建LSTM算法进行时序预测，并将驾驶行为信息输入模型中；
S7)将预测结果进行重构得到电池剩余寿命。
按上述方案，步骤S1)中所述实车数据包括：时间、车速、总电压、总电流、总里程、单体电压最高值与最低值、单体温度最高值与最低值、电池SOC、环境温度。
按上述方案，步骤S2)中具体包括如下内容：对车速数据进行滑动均值滤波平滑、对缺失单体数据进行分形插值填补、对充放电片段进行切分重构。
按上述方案，步骤S3)中具体包括如下内容：
所述自适应变区间法是指选取较为完整的充放电片段作为标准片段，对于其余充放电片段，可以截取相同电压与相同电压降对应部分，计算二者电容比值，进行SOH评估；根据下式计算所述自适应变区间下的电压法容量健康状态：
Figure BDA0002839893210000031
其中，
Figure BDA0002839893210000032
为电压从V1降低到V2释放的电量，
Figure BDA0002839893210000033
表示新电池电压由V1降低到V2释放的电量；
计算所述自适应变区间下的电容法容量健康状态：
Figure BDA0002839893210000034
其中，CN为初始电池容量，CM为当前电池容量，可由自适应变区间下的电流积分得到，即
Figure BDA0002839893210000035
按上述方案，步骤S4)中具体包括如下内容：
进行所述容量状态的温度修正：
Figure BDA0002839893210000036
其中，C(t)为温度修正后的容量值，Ci表示未经过温度修正的电池容量值，Ci(t)为温度修正系数，满足C1(t)＝1.7·e-0.005058t-0.8204·e-0.01984t；
进行所述容量状态的电流修正：
Figure BDA0002839893210000037
其中，C(i)为电流修正后的容量值，Ci表示未经过电流修正的电池容量值，Ci(t)为温度修正系数，满足C2(i)＝0.00415i+0.9305。
按上述方案，步骤S5)中具体包括如下内容：
所述的电池一致性评价指标建立，包括电池温度一致性与电压一致性评价指标的构建：
Figure BDA0002839893210000038
Figure BDA0002839893210000041
其中，Tempmax，Tempmin，Umax，Umin为该时刻所述数据中单体温度最大值与最小值和单体电压最大值与最小值，TempΔmin，UΔmin为所述数据中单体温度极差，单体电压极差的最小值，f为归一化函数，其公式为
Figure BDA0002839893210000042
kTemp，ku为一致性得分修正系数，取0.2，εTemp，εu为温度一致性与电压一致性得分。
按上述方案，步骤S6)中所述多模态分量具体包括:由ICEEMDAN算法分解出的多个IMF分量与残差分量；所述驾驶行为信息具体包括：平均充电次数、平均充电时长、平均行驶时间、平均行驶里程。
按上述方案，步骤S6)中具体包括如下内容：将ICEEMDAN分解后的多模态分量分别进行时间序列预测，并将预测结果进行叠加融合得到电池SOH到达80％的时间，得到所述的电池剩余寿命。
本发明的有益效果是：提供一种基于实车数据的电池健康状态估计与剩余寿命预测方法，基于自适应变区间法的电池健康状态评估模型，并基于该模型进行了电池剩余寿命的预测，本发明摆脱了现有方法需在实验室条件下进行稳态充放电获取电池数据的限制，可以有效解决实车数据中充放电片段不完整情况下健康状态估计难的问题，以及可以准确提供电池健康状态与剩余寿命信息，充分缓解了驾驶者的电池寿命焦虑，并对车辆的能量管理以及安全预警具有重要意义。
附图说明
图1为本发明一个实施例的流程图。
图2为本发明一个实施例的自适应变区间法的原理图。
图3为本发明一个实施例的一致性得分的结果图。
图4为本发明一个实施例的健康状态估计与剩余寿命预测的结果图。
具体实施方式
为更好地理解本发明，下面结合附图和实施例对本发明进一步的描述。
如图1、图2、图3、图4所示，一种基于实车数据的电池健康状态估计与剩余寿命预测方法，包括以下步骤：
1)当用户驾车行驶时，车载终端通过CAN总线采集频率为1HZ的实车运行数据与电池数据，所述数据具体包括：时间、车速、总电压、总电流、总里程、单体电压最高值与最低值、单体温度最高值与最低值、电池SOC、环境温度；
为验证方法有效性，本实例采集一辆电动汽车在2018年1月-2020年3月的所述数据进行后续分析与建模。
2)对获得数据进行数据清洗与切分重构，具体包括：
对车速数据进行滑动均值滤波平滑，可以有效降低信号采集中的噪声与干扰信号。
对缺失单体数据进行分形插值填补，分型插值填补能够反映出相邻已知相关点之间的局部特征，得到比传统插值方法更高的精度，可以有效的填补缺失的单体数据，提升后续模型的精度
对充放电片段进行切分重构，按车辆行驶状态以及电池SOC进行片段的划分，将片段划分为充电片段以及放电片段，对于样本数据量较小或片段持续时间较短的数据进行删除，并对异常片段进行状态矫正。
3)传统的容量估算方法是采用当前电池的最大容量和新电池的最大实际容量的比值来计算SOH，对于电容法，其需要测算出电池SOC值从100％放电至0％的放电量，对于电压法，其需要测算出电池电压在固定变化区间的充电量。但是，由于这种传统方法大多在实验室条件下进行，必须对电池进行完全的充放电，以获得完整的充放电区间以及电压变化区间，所以只能进行离线估计。而在实际情况下，由于汽车实际行驶状况多变，难以获得完整的充放电区间。需要对传统的电容法以及电压法进行改进。因此本发明基于自适应变区间法构建改进电压法与电容法的容量健康状态评估模型，具体包括：
所述自适应变区间法是指选取较为完整的充放电片段作为标准片段，对于其余充放电片段，可以截取相同电压与相同电压降对应部分，计算二者电容比值，进行SOH评估，所述自适应变区间法原理如图2所示；
根据公式(1)计算所述自适应变区间下的电压法容量健康状态：
Figure BDA0002839893210000061
公式(1)中，
Figure BDA0002839893210000062
为电压从V1降低到V2释放的电量，
Figure BDA0002839893210000063
表示新电池电压由V1降低到V2释放的电量；
根据公式(2)计算所述自适应变区间下的电容法容量健康状态：
Figure BDA0002839893210000064
公式(2)中，CN为初始电池容量，CM为当前电池容量，可由自适应变区间下的电流积分得到，即
Figure BDA0002839893210000065
4)使用温度值与电流值对容量进行修正，并对容量值进行滤波去噪，具体包括：
温度对锂电池内部的化学反应及能量消耗有很大影响，相比于常温环境，低温状态的电池容量会有明显减少。根据公式(3)进行所述容量状态的温度修正，将电池容量修正到温度为25℃时的电池容量值：
Figure BDA0002839893210000066
公式(3)中，C(t)为温度修正后的容量值，Ci表示未经过温度修正的电池容量值，Ci(t)为温度修正系数，表示为不同温度条件下的电池单体容量变化关系，满足
C1(t)＝1.7·e-0.005058t-0.8204·e-0.01984t；
由于电池放电电流的变化会影响电池容量值。当放电电流过大时，电池内部的电化学反应速率会增大，造成电池容量的加速衰减，因此，需要考虑放电电流对电池容量的修正。根据公式(4)进行所述容量状态的电流修正，使用电流修正系数公式将所有电池容量修正到标准电流15A时的容量：
Figure BDA0002839893210000067
公式(4)中，C(i)为电流修正后的容量值，Ci表示未经过电流修正的电池容量值，Ci(t)为温度修正系数，满足C2(i)＝0.00415i+0.9305，i表示每个放电片段的平均放电电流；
经过温度和电流修正后的容量值中依然存在远离数据中心的数据点，即离群点。而电池容量离群点的产生原因有很多，主要包括传输过程中天气、温度以及数据采集设备的影响。离群点会影响后续电池健康状态的估计和预测模型的精度，因此需要予以删除处理。本发明采用箱型图的离群点去除方法，将位于箱型图上下边缘之外的异常点删除。
由于存在随机误差，因此数据中会产生噪声，这会使数据整体分布不均衡，增加后续建模的难度，因此需要对数据进行去噪处理。本发明采用小波去噪的方法对信号进行小波分解，通过小波变换得到去噪后的信号。
5)基于电池单体数据构建电池一致性评价指标，具体包括：
动力电池由多个电池包组成，每个电池包又包含多个单体电池，当电池成组使用后，由于连接内阻不同、温度场的分布和电池自身性能的差异，电池组整体充放电时，会导致各单体电池电流、放电深度和端电压不同，会使各单体电池性能衰减速度不同，从而可能导致电池组提前失效，而电池单体工作在不同温度环境中将进一步扩大电池间的不一致性，影响电池组的使用寿命。因此需分析电池的一致性。根据公式(5)与公式(6)进行所述的电池一致性评价指标建立，包括电池温度一致性与电压一致性评价指标的构建：
Figure BDA0002839893210000071
Figure BDA0002839893210000072
公式中:Tempmax，Tempmin，Umax，Umin为该时刻所述数据中单体温度最大值与最小值和单体电压最大值与最小值，TempΔmin，UΔmin为所述数据中单体温度极差，单体电压极差的最小值，f为归一化函数，其公式为
Figure BDA0002839893210000073
kTemp，ku为一致性得分修正系数，取0.2，εTemp，εu为温度一致性与电压一致性得分，得到所述的电池一致性评价指标，案例数据的一致性得分如图3所示。
6)对容量健康状态估计模型以及电池一致性评分进行加权融合得到电池健康状态估计值，其中电压-SOH，电容-SOH，以及电池一致性得分加权比例为5：4：1，通过加权后得到最终的电池健康状态估计值。
7)上述模型得到的电池健康状态估计值属于复杂的非线性，非平稳时间序列信号，且存在一定的噪声，因此使用ICEEMDAN算法对对历史容量进行分解，分解为多个模态分量，具体包括：多个本征模函数IMF和残差，IMF和残差会保留原始信号的非周期性趋势以及任何周期性波动。
8)对所述的多个模态分量分别构建LSTM算法进行时序预测，由于未来驾驶行为信息对电池的剩余寿命影响较大，因此同时考虑驾驶行为特征的影响，将驾驶行为信息作为副输入，输入到LSTM模型中，所述驾驶行为信息具体包括：平均充电次数、平均充电时长、平均行驶时间、平均行驶里程；
9)将多个模态分量预测后的结果进行叠加重构得到最终的电池剩余寿命，即电池SOH到达80％的时间，即为所述的电池剩余寿命，案例数据的健康状态估计与剩余寿命预测结果如图4所示，由图可验证本发明的有效性。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (2)

1.基于实车数据的电池健康状态估计与剩余寿命预测方法，其特征在于，包括如下步骤：
S1)获取车载终端采集到的1Hz频率的实车数据，包括：时间、车速、总电压、总电流、总里程、单体电压最高值与最低值、单体温度最高值与最低值、电池SOC、环境温度；
S2)进行数据清洗与切分重构，具体包括如下内容：对车速数据进行滑动均值滤波平滑、对缺失单体数据进行分形插值填补、对充放电片段进行切分重构；
S3)基于自适应变区间法构建改进电压法与电容法的容量SOH评估模型，所述自适应变区间法是指选取较为完整的充放电片段作为标准片段，对于其余充放电片段，可以截取相同电压与相同电压降对应部分，计算二者电容比值，进行SOH评估；根据下式计算所述自适应变区间下的电压法容量健康状态：
Figure FDA0003894894260000011
其中，
Figure FDA0003894894260000012
为电压从V1降低到V2释放的电量，
Figure FDA0003894894260000013
表示新电池电压由V1降低到V2释放的电量；
计算所述自适应变区间下的电容法容量健康状态：
Figure FDA0003894894260000014
其中，CN为初始电池容量，CM为当前电池容量，由自适应变区间下的电流积分得到，即
Figure FDA0003894894260000015
S4)使用温度与电流进行容量修正，并进行滤波去噪，具体包括如下内容：
进行所述容量状态的温度修正：
Figure FDA0003894894260000016
其中，C(t)为温度修正后的容量值，Ci表示未经过温度修正的电池容量值，Ci(t)为温度修正系数，满足C1(t)＝1.7·e-0.005058t-0.8204·e-0.01984t；
进行所述容量状态的电流修正：
Figure FDA0003894894260000021
其中，C(i)为电流修正后的容量值，Ci表示未经过电流修正的电池容量值，Ci(t)为温度修正系数，满足C2(i)＝0.00415i+0.9305；
S5)构建电池一致性评价指标，并与容量SOH评估模型加权融合得到电池SOH估计值，具体包括如下内容：
所述的电池一致性评价指标建立，包括电池温度一致性与电压一致性评价指标的构建：
Figure FDA0003894894260000022
Figure FDA0003894894260000023
其中，Tempmax，Tempmin，Umax，Umin为该时刻所述数据中单体温度最大值与最小值和单体电压最大值与最小值，TempΔmin，UΔmin为所述数据中单体温度极差的最小值，单体电压极差的最小值，f为归一化函数，其公式为
Figure FDA0003894894260000024
kTemp，ku为一致性得分修正系数，取0.2，εTemp，εu为温度一致性与电压一致性得分，将由电压法得到的SOH、电容法得到的SOH以及电池一致性得分按一定比例加权后得到电池SOH估计值；
S6)使用ICEEMDAN算法对SOH进行分解，对分解后的多模态分量分别构建LSTM算法进行时序预测，并将驾驶行为信息输入模型中，所述多模态分量具体包括:由ICEEMDAN算法分解出的多个IMF分量与残差分量；所述驾驶行为信息具体包括：平均充电次数、平均充电时长、平均行驶时间、平均行驶里程；
S7)将预测结果进行重构得到电池剩余寿命。
2.根据权利要求1所述的基于实车数据的电池健康状态估计与剩余寿命预测方法，其特征在于，步骤S6)中具体包括如下内容：将ICEEMDAN分解后的多模态分量分别进行时间序列预测，并将预测结果进行叠加融合得到电池SOH到达80％的时间，得到所述的电池剩余寿命。
CN202011487950.3A 2020-12-16 2020-12-16 基于实车数据的电池健康状态估计与剩余寿命预测方法 Active CN112540317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011487950.3A CN112540317B (zh) 2020-12-16 2020-12-16 基于实车数据的电池健康状态估计与剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011487950.3A CN112540317B (zh) 2020-12-16 2020-12-16 基于实车数据的电池健康状态估计与剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN112540317A CN112540317A (zh) 2021-03-23
CN112540317B true CN112540317B (zh) 2022-12-02

Family

ID=75018266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487950.3A Active CN112540317B (zh) 2020-12-16 2020-12-16 基于实车数据的电池健康状态估计与剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN112540317B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049976B (zh) * 2021-04-27 2022-07-29 武汉理工大学 一种车辆电池健康状态评估方法及系统
CN113253142B (zh) * 2021-04-29 2023-02-03 武汉云衡智能科技有限公司 基于小波变换的锂电池组一致性评估与诊断方法及装置
CN113253128B (zh) * 2021-05-12 2022-04-12 合肥国轩高科动力能源有限公司 一种电池系统soc一致性评估方法和内阻一致性评估方法
CN113406505A (zh) * 2021-07-22 2021-09-17 中国第一汽车股份有限公司 一种燃料电池的剩余寿命预测方法及装置
CN114035083B (zh) * 2021-12-13 2023-12-19 广东高标智能科技股份有限公司 电池总容量计算方法、装置、系统和存储介质
CN114487850A (zh) * 2022-01-25 2022-05-13 重庆标能瑞源储能技术研究院有限公司 一种基于实车数据的动力电池容量预测方法
CN114676647B (zh) * 2022-05-30 2022-08-23 中科航迈数控软件(深圳)有限公司 一种基于深度学习方法的数控机床零部件寿命预测方法
CN115389948B (zh) * 2022-10-28 2023-03-21 昆山斯沃普智能装备有限公司 一种建立换电站动力电池健康状态评估模型的方法
CN116080477A (zh) * 2023-04-10 2023-05-09 陕西汽车集团股份有限公司 一种基于实车数据的电动汽车动力电池soh预测方法
CN116381540B (zh) * 2023-06-05 2023-08-22 石家庄学院 一种计算机运行状态下电池健康监控系统
CN116990692B (zh) * 2023-09-28 2023-12-08 深圳康普盾科技股份有限公司 一种锂电池的健康状况评估与剩余寿命预测方法及系统
CN117269805A (zh) * 2023-11-23 2023-12-22 中国人民解放军国防科技大学 车载锂电池组健康状态评估模型训练、预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303652A (zh) * 2018-01-18 2018-07-20 武汉理工大学 一种锂电池剩余寿命预测方法
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN111693876A (zh) * 2020-05-09 2020-09-22 清华大学 电池组评价方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9846203B2 (en) * 2013-04-30 2017-12-19 Mitsubishi Electric Corporation Storage battery state detection apparatus and storage battery state detection method
KR101944751B1 (ko) * 2017-09-06 2019-02-01 주식회사 민테크 배터리 재사용 수명 진단 방법
JP7182476B2 (ja) * 2019-01-21 2022-12-02 株式会社日立製作所 二次電池モジュールの余寿命診断方法及び余寿命診断システム
CN110045298B (zh) * 2019-05-06 2021-05-11 重庆大学 一种动力电池组参数不一致性的诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN108303652A (zh) * 2018-01-18 2018-07-20 武汉理工大学 一种锂电池剩余寿命预测方法
CN111693876A (zh) * 2020-05-09 2020-09-22 清华大学 电池组评价方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于实车行驶数据的某型号纯电动汽车健康状态模型研究;李梦飞 等;《传动技术》;20180930(第03期);说明书第8页第0节至第13页第4节 *
联合精确估算电池的健康状态;夏克刚 等;《联合精确估算电池的健康状态》;20190228;第27页第2节至第28页第3.1节 *

Also Published As

Publication number Publication date
CN112540317A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112540317B (zh) 基于实车数据的电池健康状态估计与剩余寿命预测方法
Lai et al. Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model
CN112765772A (zh) 一种基于数据驱动的动力电池剩余寿命预测方法
CN107870306A (zh) 一种基于深度神经网络下的锂电池荷电状态预测算法
US11965935B2 (en) Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods
CN110058160B (zh) 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法
JP6305988B2 (ja) 処理方法に由来するデータに基づいてエネルギ状態を判定するデバイス及び方法
CN110687450B (zh) 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN113740736B (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
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN110568360B (zh) 一种基于模糊逻辑算法的锂电池老化诊断方法
CN113065283A (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
WO2022198616A1 (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
CN112098874B (zh) 一种考虑老化情况下的锂离子电池电量预测方法
CN113093020B (zh) 基于lstm神经网络预测锂离子电池剩余使用寿命方法
KR101996943B1 (ko) 배터리 용량 상태 추정 장치 및 이의 방법
Wang et al. Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model
Guo et al. State-of-health estimation for lithium-ion batteries based on historical dependency of charging data and ensemble SVR
CN115808922B (zh) 商用电动车辆能耗预测方法、装置和计算机设备
CN114462259A (zh) 基于soc的电池剩余寿命预测方法、系统、汽车及介质
CN112881918B (zh) 一种铅酸电池soc估计方法
CN115015789A (zh) 基于增量电容曲线的锂离子电池健康状态估计方法及装置
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN117665620A (zh) 基于新能源汽车数据的电池健康度评估方法

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