CN112540318B - 一种起动内燃机的铅酸蓄电池健康状态估算方法 - Google Patents
一种起动内燃机的铅酸蓄电池健康状态估算方法 Download PDFInfo
- Publication number
- CN112540318B CN112540318B CN202011533513.0A CN202011533513A CN112540318B CN 112540318 B CN112540318 B CN 112540318B CN 202011533513 A CN202011533513 A CN 202011533513A CN 112540318 B CN112540318 B CN 112540318B
- Authority
- CN
- China
- Prior art keywords
- battery
- lead
- starting
- health
- voltage
- 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
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
- G01R31/379—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator for lead-acid batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明属于电池管理技术领域,公开了一种起动内燃机的铅酸蓄电池健康状态估算方法;包括构建用于起动内燃机的铅酸蓄电池的“OCV‑温度‑SOC”二维插值表;选取起动电压降、累计起动能量、等电压降放电时间作为电池寿命的健康因子;建立电池寿命的健康因子与电池实际容量的支持向量回归机模型;将待测铅酸蓄电池对应的电池寿命的健康因子输入至训练好的支持向量回归机模型,得到电池实际容量的预测值,根据电池实际容量的预测值得到待测铅酸蓄电池的健康状态。本发明解决了现有技术中起动内燃机的铅酸蓄电池健康状态估算的精度较低的问题。本发明能够高精度估算电池的健康状态。
Description
技术领域
本发明属于电池管理技术领域,更具体地,涉及一种起动内燃机的铅酸蓄电池健康状态估算方法。
背景技术
电池的健康状态(SOH)反映了电池当前容量的衰减程度,SOH的精确估算有助于电池的安全使用及维护,对于车辆起动至关重要。目前,SOH估计方法可分为两类,即实验分析法与基于模型的方法,前者通常通过直接测量容量,欧姆内阻和阻抗来确定电池SOH或者通过设计或测量反映电池容量衰减或者内阻增加的过程参数(即为健康因子)来间接标定电池SOH;由于间接健康因子易于测量,可以实现在线监测,从而可以及时根据采集到的数据更新预测模型,实现电池健康状态的在线监测。后者通常分为自适应状态估计算法和基于数据驱动的方法,自适应算法需要借助电化学模型或等效电路模型,对模型参数进行辨识,实现SOH的估算。基于数据驱动的方法需要依赖历史老化数据通过经验/拟合模型或机器学习算法来完成电池SOH估计,计算精度较高。
SOH可以通过最大容量和标称容量的比值来计算。针对实车应用中容量、内阻等直接参数的获取较为困难的情况,可通过表征电池SOH的健康因子与电池SOH建立关系模型。目前研究中绝大部分采用单健康因子来构建关系模型,其估算精度有限。此外,目前没有有效估算车载铅酸蓄电池健康状态的方案。
发明内容
本发明通过提供一种起动内燃机的铅酸蓄电池健康状态估算方法,解决现有技术中电池健康状态估算的精度较低、现有技术中没有针对起动内燃机的铅酸蓄电池健康状态估算方案的问题。
本发明提供一种起动内燃机的铅酸蓄电池健康状态估算方法,包括以下步骤:
步骤1、构建用于起动内燃机的铅酸蓄电池的“OCV-温度-SOC”二维插值表,获得铅酸蓄电池在不同初始电压、不同温度条件下的荷电状态SOC;
步骤2、在不同温度、不同荷电状态SOC下,选取起动电压降、累计起动能量、等电压降放电时间作为电池寿命的健康因子;
步骤3、建立电池寿命的健康因子与电池实际容量的支持向量回归机模型;采集获取铅酸蓄电池试验数据,将所述试验数据划分为训练集和测试集;以电池寿命的健康因子为输入,以电池实际容量为输出,利用所述训练集与所述测试集分别对所述支持向量回归机模型进行训练与测试,得到训练好的支持向量回归机模型;
步骤4、将待测铅酸蓄电池对应的电池寿命的健康因子输入至训练好的支持向量回归机模型,得到电池实际容量的预测值,根据所述电池实际容量的预测值得到待测铅酸蓄电池的健康状态。
优选的,所述步骤1中,将所述铅酸蓄电池起动前的端电压作为开路电压,通过充放电实验得到铅酸蓄电池在不同温度条件下的开路电压数据、荷电状态数据,将多个温度下的SOC-OCV曲线进行拟合,构建所述铅酸蓄电池的“OCV-温度-SOC”二维插值表。
优选的,所述步骤1中,基于所述铅酸蓄电池的“OCV-温度-SOC”二维插值表,在起动内燃机前,通过采集铅酸蓄电池的初始电压、内燃机的冷却水温度得到对应电压和温度条件下的荷电状态SOC。
优选的,所述步骤2中,通过实车实验采集所述铅酸蓄电池的电压、电流,将采集的内燃机的冷却水温度作为当前温度,得到不同温度下内燃机所需的起动消耗能量;构建能量二维表,所述能量二维表的横坐标为温度、纵坐标为起动消耗能量;通过统计内燃机的起动次数,结合所述能量二维表,得到所述累计起动能量。
优选的,所述步骤2中,获取不同温度、不同荷电状态SOC下的起动电压降;将在起动工况时放电中,所述铅酸蓄电池的电压从初始电压下降至最低电压的幅值作为所述起动电压降。
优选的,所述步骤2中,获取不同温度、不同荷电状态SOC下的等电压降放电时间;将在所述铅酸蓄电池的放电周期中,所述铅酸蓄电池的电压从第一电压下降至第二电压所需要的时间作为所述等电压降放电时间;所述第一电压对应所述初始电压的第一百分比,所述第二电压对应所述初始电压的第二百分比。
优选的,所述步骤3中,所述支持向量回归机模型中的内积函数选用高斯径向基核函数RBF。
优选的,所述步骤3中,对所述铅酸蓄电池进行起动工况下的老化试验,监测记录运行参数,提取电池寿命的健康因子,每隔一段时间对电池进行容量标定;以等电压降放电时间序列、起动电压降序列、累计起动能量序列为输入,以电池实际容量序列为输出,对所述支持向量回归机模型进行训练与测试。
优选的,所述步骤3中,将采集获取的铅酸蓄电池试验数据进行归一化处理之后,提取所述电池寿命的健康因子。
优选的,所述步骤4中,根据所述电池实际容量的预测值得到待测铅酸蓄电池的健康状态采用如下公式:
式中,SOH为电池的健康状态,Cnow为电池实际容量的预测值,Crated为电池出厂时的额定容量。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在发明中,首先通过实验构建出“开路电压(OCV)-温度-荷电状态(SOC)”的二维表,将不同温度下的SOC-OCV曲线进行曲线拟合,根据SOC-OCV曲线查表获得SOC。对电池进行起动测试,并采集电池起动电压和电流信号数据,然后在不同温度,不同SOC下以起动电压降、累计起动能量、等电压降放电时间为电池寿命的健康因子,建立上述健康因子与电池实际容量支持向量机模型,以起动电压降、累计起动能量、等电压降放电时间为输入,实际电池容量为输出,将实验数据划分为训练集和测试集,对模型进行训练与测试,获取电池寿命的健康因子与实际容量的关系模型,以此可计算电池健康状态(SOH)。本发明针对了目前没有有效估算车载铅酸蓄电池健康状态的问题提出了一种有效方法,具有较强的实用性和较高的精度。本发明针对该类铅酸蓄电池使用的特殊工况,充分考虑起动工况提取了多种特殊健康因子,具有较好适用性。
附图说明
图1为本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法的流程示意图;
图2为本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法中的OCV-SOC曲线图;
图3为本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法中的起动电压图;
图4为本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法中的起动工况图;
图5为本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法的预测结果图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明提供的一种起动内燃机的铅酸蓄电池健康状态估算方法,参见图1,包括以下步骤:
步骤1:构建用于起动内燃机的铅酸蓄电池的“OCV-温度-SOC”二维插值表,获得铅酸蓄电池在不同初始电压、不同温度条件下的荷电状态SOC。
通过对起动用铅酸蓄电池进行充放电实验,辨识荷电状态SOC。具体的,考虑起动型铅酸蓄电池实际使用特征,其SOC通常为100%至80%。将起动用铅酸蓄电池起动前的端电压近似为开路电压(OCV),通过充放电实验构建出电池的“OCV-温度-SOC”的二维插值表数据,将不同温度(例如,-20℃,-10℃,0℃,10℃,20℃,30℃,40℃,50℃)下的SOC-OCV曲线进行曲线拟合,如图2所示;基于所拟合到的二维插值表,起动内燃机前,通过采集的初始电压(即起动前测量的端电压)以及所起动内燃机的冷却水温度可得到此时状态(即当前温度和初始电压)下的荷电状态SOC。其中,充放电实验过程如下:
1)将待测电池放置于环境舱中静置2小时;
2)采用恒流恒压充电方式(Constant current and Constant voltage method)将电池充满电;
3)静置1小时;
4)用1/3C电流放电5%DOD(depth of discharge);
接着将步骤3)至步骤4)循环6次,以覆盖SOC100%至70%。
步骤2:在不同温度、不同荷电状态SOC下,选取起动电压降、累计起动能量、等电压降放电时间作为电池寿命的健康因子。
具体的,电池寿命的健康因子数据的获取,通过实车实验采集电池的电压、电流(整个起动工况的电压和电流),建立不同温度下内燃机所需的起动能量值,并制成横坐标为温度、纵坐标为起动能量的能量二维表;通过统计起动次数,结合所述能量二维表,累计当前起动次数下总的起动能量,得到所述累计起动能量。通过实车采集内燃机的冷却水温度作为当前温度。
所述起动电压降是指在起动工况时放电中,电压从初始电压下降至最低电压的幅值。所述累计起动能量是指基于所有的起动次数所得到的起动能量。所述等电压降放电时间是指在放电周期中,电池电压从一个第一电压(即较高电压)下降至第二电压(即较低电压)所需要的时间。其中,所述第一电压对应所述初始电压的第一百分比,所述第二电压对应所述初始电压的第二百分比。所述第一百分比和所述第二百分比可根据应用需要进行设置。例如,所述第一电压(即较高电压)可确定为初始电压的97%~94%,所述第二电压(即较低电压)可确定为初始电压的90%~88%。
起动工况下采样的放电电压数据如图3所示,所述等电压降放电时间表示为:
所述起动电压降表示为:
vi=|vmaz-vmin|,i=1,2,…
式中,vmax为放电周期中的初始电压(即最高电压),vmin为放电周期中的最低电压。
所述起动消耗能量二维表根据图4所示的起动工况的电流、电压得到:
E=∫It vt dt
式中,E为某温度下起动内燃机所需的能量,vt、It分别为某时刻下的电压值、电流值。
则所述累计起动能量表示为:
式中,Q为累计起动能量,Ei为每次起动所需能量,N为起动次数。
步骤3:建立电池寿命的健康因子与电池实际容量的支持向量回归机模型;采集获取铅酸蓄电池实验数据,将所述实验数据划分为训练集和测试集;以电池寿命的健康因子为输入,以电池实际容量为输出,利用所述训练集与所述测试集分别对所述支持向量回归机模型进行训练与测试,得到训练好的支持向量回归机模型。
其中,支持向量回归机(SVM)的基本思想是利用内积函数将训练数据映射到一个高维空间,在高维空间中运用函数进行线性回归,然后返回到原空间,得到原输入空间的线性分类。
本发明中的内积函数选用高斯径向基核函数RBF,其表达式为:
K(x,xi)=exp(-γ||x-xi||2),γ>0
式中,γ为核参数,γ=1/2σ2,σ为函数的宽度参数;x为核函数中心,xi为输入样本。
具体的,首先对电池进行起动工况下的老化试验,监测记录运行参数,提取电池寿命的健康因子,每隔一段时间,对电池进行容量标定。其中,等压降的电压范围可以根据电池特性和使用情况选取,获取其对应的等压降放电时间。例如,根据统计车载12V铅酸蓄电池实验数据,等压降范围可取11.5V-10.8V之间。所述起动电压降即可选择在起动工况时放电中电压从初始电压下降至最低电压的幅值。然后,以等压降放电时间序列、起动电压降序列、累计起动能量序列为输入,以电池实际容量序列为输出,建立、训练、测试所述支持向量回归机模型。
假设获得的样本数据为:
{(x1,y1),(x2,y2),…,(xn,yn)}
式中,xi为第i个输入样本,即电池寿命的健康因子,包括等压降放电时间序列、起动电压降序列、累计起动能量;yi为第i个输出样本,即电池实际容量;n为采集样本的次数。
在高维特征空间转换成线性回归方程如下式:
f(x)=w·x+b
式中,f(x)为回归方程的预测值,w为高维特征空间F中待求解的回归系数向量;x为输入样本序列,b为偏置;w∈Rn,b∈R,R为实数。
基于结构风险最小化原则,得到支持向量回归算法,把回归问题转化成在约束条件下的凸优化问题的求解,可转化为:
约束条件为:
针对上式,通过给每一个约束条件加上一个拉格朗日乘子α,定义拉格朗日函数,通过拉格朗日函数将约束条件融合到上述函数里去,从而只用一个函数表达式。
通过核函数实现线性回归,得到线性回归表达式为:
应用中,可根据电池工况数据进行归一化处理,提取电池寿命的健康因子并输入到支持向量回归机模型进行训练,得到训练好的支持向量回归机模型。
步骤4:将待测铅酸蓄电池对应的电池寿命的健康因子输入至训练好的支持向量回归机模型,得到电池实际容量的预测值,根据所述电池实际容量的预测值得到待测铅酸蓄电池的健康状态SOH。
具体的,对电池SOH进行估计根据下式得到:
式中,Cnow为电池实际容量的预测值,作为当前电池容量;Crated为出厂时的额定容量。
其中,电池容量的测量实验为电池在25℃条件下,以1C的放电电流放电到截止电压所释放的最大电量。
即模型运用时,将测试数据代入到训练完成的支持向量回归机模型进行测试,可将该算法写入单片机中,利用传感器采集数据进行运用。
图5为利用本发明提供的一种起动内燃机的铅酸蓄电池健康状态估算方法得到的预测结果图,可以看到电池SOH的实际值和预测值非常接近,说明本发明能够对铅酸蓄电池的健康状态进行准确的估算,且精度高。
本发明实施例提供的一种起动内燃机的铅酸蓄电池健康状态估算方法至少包括如下技术效果:
本发明考虑多种健康因子来估算电池健康状态。本发明在不需要建立电池等效电路模型即不需要得到电池内部参数的情况下,通过构建多种健康因子得到健康因子与电池实际容量的对应关系,能够高精度估算电池的健康状态。本发明针对了目前没有有效估算车载铅酸蓄电池健康状态的问题提出了一种有效方法,具有较强的实用性和较高的精度,针对该类铅酸蓄电池使用的特殊工况,充分考虑起动工况提取了多种特殊健康因子,具有较好适用性。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,包括以下步骤:
步骤1、构建用于起动内燃机的铅酸蓄电池的“OCV-温度-SOC”二维插值表,获得铅酸蓄电池在不同初始电压和不同温度条件下的荷电状态SOC;
步骤2、在不同温度和不同荷电状态SOC下,选取起动电压降、累计起动能量和等电压降放电时间作为电池寿命的健康因子;
通过实车实验采集所述铅酸蓄电池的电压、电流,将采集的内燃机的冷却水温度作为当前温度,得到不同温度下内燃机所需的起动消耗能量;构建能量二维表,所述能量二维表的横坐标为温度,纵坐标为起动消耗能量;通过统计内燃机的起动次数,结合所述能量二维表,得到所述累计起动能量;
步骤3、建立电池寿命的健康因子与电池实际容量的支持向量回归机模型;采集获取铅酸蓄电池试验数据,将所述试验数据划分为训练集和测试集;以电池寿命的健康因子为输入,以电池实际容量为输出,利用所述训练集与所述测试集分别对所述支持向量回归机模型进行训练与测试,得到训练好的支持向量回归机模型;
步骤4、将待测铅酸蓄电池对应的电池寿命的健康因子输入至训练好的支持向量回归机模型,得到电池实际容量的预测值,根据所述电池实际容量的预测值得到待测铅酸蓄电池的健康状态。
2.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤1中,将所述铅酸蓄电池起动前的端电压作为开路电压,通过充放电实验得到铅酸蓄电池在不同温度条件下的开路电压数据和荷电状态数据,将多个温度下的SOC-OCV曲线进行拟合,构建所述铅酸蓄电池的“OCV-温度-SOC”二维插值表。
3.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤1中,基于所述铅酸蓄电池的“OCV-温度-SOC”二维插值表,在起动内燃机前,通过采集铅酸蓄电池的初始电压和内燃机的冷却水温度得到对应电压和温度条件下的荷电状态SOC。
4.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤2中,获取不同温度和不同荷电状态SOC下的起动电压降;将在起动工况时放电中,所述铅酸蓄电池的电压从初始电压下降至最低电压的幅值作为所述起动电压降。
5.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤2中,获取不同温度和不同荷电状态SOC下的等电压降放电时间;将在所述铅酸蓄电池的放电周期中,所述铅酸蓄电池的电压从第一电压下降至第二电压所需要的时间作为所述等电压降放电时间;所述第一电压对应所述初始电压的第一百分比,所述第二电压对应所述初始电压的第二百分比。
6.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤3中,所述支持向量回归机模型中的内积函数选用高斯径向基核函数RBF。
7.根据权利要求1所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤3中,对所述铅酸蓄电池进行起动工况下的老化试验,监测记录运行参数,提取电池寿命的健康因子,每隔一段时间对电池进行容量标定;以等电压降放电时间序列、起动电压降序列和累计起动能量序列为输入,以电池实际容量序列为输出,对所述支持向量回归机模型进行训练与测试。
8.根据权利要求7所述的起动内燃机的铅酸蓄电池健康状态估算方法,其特征在于,所述步骤3中,将采集获取的铅酸蓄电池试验数据进行归一化处理之后,提取所述电池寿命的健康因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533513.0A CN112540318B (zh) | 2020-12-22 | 2020-12-22 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533513.0A CN112540318B (zh) | 2020-12-22 | 2020-12-22 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112540318A CN112540318A (zh) | 2021-03-23 |
CN112540318B true CN112540318B (zh) | 2022-01-04 |
Family
ID=75017544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533513.0A Active CN112540318B (zh) | 2020-12-22 | 2020-12-22 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112540318B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484762B (zh) * | 2021-07-16 | 2024-05-14 | 东风柳州汽车有限公司 | 电池健康状态估算方法、装置、设备及存储介质 |
CN113740739B (zh) * | 2021-07-22 | 2023-05-02 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN113567836B (zh) * | 2021-07-23 | 2023-12-26 | 电子科技大学长三角研究院(湖州) | 一种分段预测电路老化系统及方法 |
CN114200333A (zh) * | 2021-10-25 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 一种铅酸蓄电池容量预测方法 |
CN114200313B (zh) * | 2021-11-29 | 2024-03-08 | 重庆长安汽车股份有限公司 | 铅酸蓄电池健康分析方法、系统及存储介质 |
CN114487848B (zh) * | 2022-01-17 | 2024-05-03 | 北京和利时系统集成有限公司 | 一种蓄电池的状态计算方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592713A (zh) * | 2008-05-28 | 2009-12-02 | 株式会社日本自动车部品综合研究所 | 车载电池状况估计装置 |
CN101813754A (zh) * | 2010-04-19 | 2010-08-25 | 清华大学 | 一种用于汽车起动照明型铅酸蓄电池的状态估算方法 |
CN102077408A (zh) * | 2008-06-27 | 2011-05-25 | 通用汽车环球科技运作公司 | 利用车辆起动期间的电池电压监测电池健康状态的方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
CN109683101A (zh) * | 2018-12-20 | 2019-04-26 | 安徽优旦科技有限公司 | 一种基于soc-ocv曲线获得电池剩余能量的方法 |
CN109725266A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 一种电池健康状态soh的计算方法及装置 |
CN109782192A (zh) * | 2019-03-08 | 2019-05-21 | 安徽理工大学 | 不同放电倍率下锂离子电池剩余寿命预测方法 |
CN110703112A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于局部充电数据的电池组状态的在线估计方法 |
CN110907844A (zh) * | 2019-11-19 | 2020-03-24 | 北京汽车股份有限公司 | 车载蓄电池状态检测方法、装置、可读存储介质和车辆 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN111999659A (zh) * | 2020-09-30 | 2020-11-27 | 重庆长安新能源汽车科技有限公司 | 基于特征值法的磷酸铁锂电池soh估算方法及存储介质 |
-
2020
- 2020-12-22 CN CN202011533513.0A patent/CN112540318B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592713A (zh) * | 2008-05-28 | 2009-12-02 | 株式会社日本自动车部品综合研究所 | 车载电池状况估计装置 |
CN102077408A (zh) * | 2008-06-27 | 2011-05-25 | 通用汽车环球科技运作公司 | 利用车辆起动期间的电池电压监测电池健康状态的方法 |
CN101813754A (zh) * | 2010-04-19 | 2010-08-25 | 清华大学 | 一种用于汽车起动照明型铅酸蓄电池的状态估算方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
CN109683101A (zh) * | 2018-12-20 | 2019-04-26 | 安徽优旦科技有限公司 | 一种基于soc-ocv曲线获得电池剩余能量的方法 |
CN109725266A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 一种电池健康状态soh的计算方法及装置 |
CN109782192A (zh) * | 2019-03-08 | 2019-05-21 | 安徽理工大学 | 不同放电倍率下锂离子电池剩余寿命预测方法 |
CN110703112A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于局部充电数据的电池组状态的在线估计方法 |
CN110907844A (zh) * | 2019-11-19 | 2020-03-24 | 北京汽车股份有限公司 | 车载蓄电池状态检测方法、装置、可读存储介质和车辆 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN111999659A (zh) * | 2020-09-30 | 2020-11-27 | 重庆长安新能源汽车科技有限公司 | 基于特征值法的磷酸铁锂电池soh估算方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
State of Health Estimation Based on OS-ELM for Lithium-ion Batteries;Zhu, YD et al.;《INTERNATIONAL JOURNAL OF ELECTROCHEMICAL SCIENCE》;20170731;第12卷(第7期);第6895-6907页 * |
基于支持向量回归的锂电池健康状态估计;张新锋等;《中北大学学报(自然科学版)》;20191231;第40卷(第6期);第511-516,536页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112540318A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112540318B (zh) | 一种起动内燃机的铅酸蓄电池健康状态估算方法 | |
CN107533105B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN108732503B (zh) | 一种电池健康状态与电池容量检测方法及装置 | |
US9709635B2 (en) | System and method for SOC estimation of a battery | |
WO2020090143A1 (ja) | 電流パルス法による電池診断装置及び電池診断方法 | |
CN111929602B (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN111974709B (zh) | 基于温度变化聚类分析的退役动力锂电池筛选方法及系统 | |
CN108845264B (zh) | 一种基于小波的电池健康状态估计方法 | |
CN113075554A (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
CN110275118B (zh) | 一种功率型动力电池健康状态估算方法 | |
CN112158105B (zh) | 新能源汽车动力电池soh评估装置、方法及系统 | |
SE543436C2 (en) | Method for estimating state of health of a battery | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN117368767B (zh) | 一种基于安时积分法的锂电池荷电状态预估方法及系统 | |
CN112485695A (zh) | 动力电池的检测方法及装置 | |
CN110850322B (zh) | 一种基于小波信号分解的电池相对健康状态估计方法 | |
CN111216595B (zh) | 基于锂电池等效电路模型的重度混合动力汽车soc校准方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN115902666A (zh) | 电池状态检测方法、装置及电池系统 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN114325449A (zh) | 一种锂离子电池soh预测方法 |
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 |