CN112557918A - 电池健康状态预测系统及其方法 - Google Patents
电池健康状态预测系统及其方法 Download PDFInfo
- Publication number
- CN112557918A CN112557918A CN201910853214.6A CN201910853214A CN112557918A CN 112557918 A CN112557918 A CN 112557918A CN 201910853214 A CN201910853214 A CN 201910853214A CN 112557918 A CN112557918 A CN 112557918A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- information
- battery
- module
- server
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000036541 health Effects 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims description 13
- 238000012821 model calculation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开一种电池健康状态预测系统及其方法,包括一可连接至任何具电池充放电功能的测试设备的收容盒、及一具预测演算功能的服务器。使用者只要将收容盒连接至待测电池,收容盒即可自动收集待测电池的第一特征信息,并与内建的特征数据库比对,撷取相符的部分作为第二特征信息,而后透过通讯模块传给服务器,以针对第二特征信息在参数数据库中搜寻、及套用模型数据库的模型运算,以取得多组对应的第一特征参数及第二特征参数,借此,利用预测演算模块综合运算取得一预估值而显示于人机界面。
Description
技术领域
本发明涉及一种电池健康状态预测系统及其方法,尤指一种可安全、快速且低需求的外挂于任何测试设备与待测电池之间,并自动收集数据、仿真运算,而稳定提供电池充放电状态的监测的电池健康状态预测系统及其方法。
背景技术
随着现代电动载具与电能储存装置的需求提升,主要应用组件之一「电池」,其状态检测也越来越受到重视。为了表明电池状态的指标,人们使用了SOH的概念。电池健康状态(State of Health,SOH)反应电池的整体性能以及于一定条件下释放电能能力的参数,即于某一条件下电池可放电总电量占新出厂电池可用容量的比值。随着电池的使用,会有许多不可恢复的物理或化学因素造成电池老化,以致电池的健康度下降,目前,多数电池的SOH系藉由电池的老化状态而判定,表征电池老化的主要参数包括电池容量的衰减、电池内阻的增加等。
由于电池内阻是对电池SOH的最大影响参数,过去存有利用测量内阻来估算电池SOH的方法,例如将内阻、温度、及电池的充电状态(State of Charge,SOC)与电池SOH的关系建成参照表,再藉由量测电池的内阻值查表估算出电池的SOH。惟,将各种因素与电池的SOH建表的过程就需要大量的实验数据来支持,意味着需要大量的设备、时间与人力来进行数据的收集,大大增加了成本。
姑且不考虑时间成本及人力成本,过去为了测量电池SOH都需要使用专用的量测设备,甚至对应不同的测试设备与待测电池,就会有不同的量测设备,该量测设备有时候还只能量测某一种参数,因此,受限于设备规格,使其应用范围有限,且部分量测系统需要与测试设备做侵入式的链接或需额外做系统整合,导致产生影响测试设备既有功能运行的问题、或造成数据外流的发生。
如何解决上述现有的问题与缺失,即为本发明的创作人与从事此行业的相关厂商所亟欲研究改善的方向。
发明内容
本发明的创作人有鉴于上述缺失,乃搜集相关资料,经由多方评估及考虑,并以从事于此行业累积的多年经验,经由不断试作及修改,始设计出此种可安全、快速且低需求的外挂于任何测试设备与待测电池之间,并自动收集数据、仿真运算,而稳定提供电池充放电状态的监测的电池健康状态预测系统及其方法。
本发明的主要目的在于:简单利用收容盒即可快速连接至测试设备与待测电池,具有免安装、适用性高等优势,并可于收容盒预先撷取特征信息,而由服务器进行预测待测电池的健康状态。
为达成上述目的,本发明的结构包括:一供电性连接至少一测试设备的待测电池的收容盒、一设于该收容盒上的人机界面、一设于该收容盒内的数据收集模块、至少一设于该收容盒内的特征数据库、一设于该数据收集模块一侧的特征比对模块、一设于该特征比对模块一侧且与其信息链接的之通讯模块、一信息链接该通讯模块的服务器、至少一设于该服务器内的参数数据库、至少一设于该服务器内的模型数据库、一设于该服务器内的特征搜寻模块、一设于该服务器内的模型演算模块、一设于该服务器内且信息链接该特征搜寻模块及模型演算模块的预测演算模块、及一设于该预测演算模块一侧的测试信息管理平台。
使用者只要将收容盒连接至少一具有电池充放电功能的测试设备及其待测电池上,收容盒即可自动利用数据收集模块收集待测电池的第一特征信息,并与内建的特征数据库比对后,撷取相符的部分作为第二特征信息,而后透过通讯模块传给服务器,以针对第二特征信息在参数数据库中搜寻出相符者作为第一特征参数,及套用模型数据库的模型运算以取得第二特征参数,进而利用预测演算模块综合评估第一特征参数及第二特征参数,以运算取得一预估值并显示于人机界面。如此,由于收容盒可简单的预先撷取重要特征,而由服务器进行预测演算,故可无须安装动作,即实现对任何测试设备的预测动作。
借由上述技术,可针对现有电池健康状态的量测设备所存在的仅可于专用设备执行分析、应用范围有限,以及与测试设备和待测电池的连接不便、安全性不佳等问题点加以突破,达到上述优点的实用进步性。
附图说明
图1为本发明较佳实施例的立体透视图。
图2为本发明较佳实施例的结构方块图。
图3为本发明较佳实施例的方块流程图。
图4为本发明较佳实施例的使用状态图。
图5为本发明较佳实施例的特征比对示意图。
图6为本发明较佳实施例的动作方块流程图一。
图7为本发明较佳实施例的动作方块流程图二。
图8为本发明较佳实施例的特征搜寻示意图。
图9为本发明较佳实施例的模块演算示意图一。
图10为本发明较佳实施例的模块演算示意图二。
图11为本发明较佳实施例的动作方块流程图三。
图12为本发明较佳实施例的预测示意图。
图13为本发明再一较佳实施例的实施示意图。
其中、收容盒、1、1a,人机界面、11,数据收集模块、12,第一特征信息、121,特征数据库、13,特征比对模块、14,第二特征信息、141,通讯模块、15,服务器、2、2a,参数数据库、21,模型数据库、22,特征搜寻模块、23,第一特征参数、231,模型演算模块、24,第二特征参数、241,预测演算模块、25,测试信息管理平台、251,电池模型管理模块、252,预估值、253,测试设备、3、3a,待测电池、31,特征片段、A,特征片段、B,混合数列、C。
具体实施方式
为达成上述目的及功效,本发明所采用的技术手段及构造,通过附图就本发明较佳实施例详加说明其特征与功能如下,以利完全了解。
请参阅图1至3所示,由图中可清楚看出本发明包括:
一收容盒1,供电性连接至少一测试设备3的待测电池31;
一设于该收容盒1上的人机界面11;
一设于该收容盒1内的数据收集模块12,供读取该待测电池31的第一特征信息121,该第一特征信息121为电压、电流及时间信息;
至少一设于该收容盒1内的特征数据库13;
一设于该数据收集模块12一侧的特征比对模块14,由该第一特征信息121中撷取与该特征数据库13相符的部分作为第二特征信息141,该第二特征信息141为开路电压、直流内阻、或时间变化常数其中之一;
一设于该特征比对模块14一侧且与其信息链接的通讯模块15;
一信息链接该通讯模块15的服务器2;
至少一设于该服务器2内的参数数据库21;
至少一设于该服务器2内的模型数据库22;
一设于该服务器2内的特征搜寻模块23,由该参数数据库21中搜寻与该第二特征信息141相符的部分,而取得对应的第一特征参数231;
一设于该服务器2内的模型演算模块24,配合该模型数据库22,而根据该第二特征信息141运算取得对应的第二特征参数241,该第一特征参数231及该第二特征参数241为电容电量、电能容量、荷电残量、等效内阻抗、库伦效率、转换效率、剩余循环使用次数、自放电律、电芯荷电平衡度、或电芯内阻平衡度其中之一;
一设于该服务器2内且信息链接该特征搜寻模块23及模型演算模块24的预测演算模块25,综合该第一特征参数231及该第二特征参数241运算取得一预估值,并显示于该人机界面11上;及
一设于该预测演算模块25一侧的测试信息管理平台251,且该测试信息管理平台251一侧具有一电池模型管理模块252。
而本明的电池健康状态预测方法,其步骤包括:
(a)收容盒连接:将一收容盒连接于至少一测试设备的待测电池上;
(b)第一特征信息收集:收容盒令一数据收集模块自动持续读取该待测电池的第一特征信息;
(c)第二特征信息撷取:利用该收容盒内的特征比对模块,将该第一特征信息与一特征数据库做比对,以撷取相符的部分作为第二特征信息;
(d)连接服务器:透过该特征比对模块一侧的一通讯模块将该第二特征信息传递给一服务器;
(e)第一特征参数搜寻:利用该服务器内的一特征搜寻模块,在该服务器内的一参数数据库中,搜寻与该第二特征信息相符的部分,而取得对应的第一特征参数;
(f)第二特征参数演算:利用该服务器内的一模型演算模块,配合该服务器内的一模型数据库,而根据该第二特征信息运算取得对应的第二特征参数;
(g)综合预测演算:由该服务器内的一预测演算模块,综合该第一特征参数及该第二特征参数运算取得一预估值,并显示一位于该收容盒上的人机接口;
(h)演算记录:利用一位于该预测演算模块一侧的测试信息管理平台,记录该第一特征信息、该第二特征信息、该第一特征参数、该第二特征参数、及测试时由该模型数据库中选用的之模型;
(i)模型管理:利用一位于该测试信息管理平台一侧的电池模型管理模块,于每次测试后自动修补、更新、或新创电池模型。
借由上述的说明,已可了解本技术的结构,而依据这个结构的对应配合,更可安全、快速且低需求的外挂于任何测试设备3与待测电池31之间,并自动收集数据、仿真运算,而具有稳定提供电池充放电状态的监测等优势,而详细的解说将于下述说明。
请同时配合参阅图1至12所示,借由上述构件组构时,由图中可清楚看出,本发明主要由一收容盒1及一服务器2间的联合作动进行电池健康状态的预测。具体而言,如图4所示,乃先利用收容盒1连接一待测电池31,其连接方式可透过测试设备3电性连接、连接测试设备3与待测电池31间的测试线、或直接连接测试设备3的待测电池31,接着由数据收集模块12自动持续读取待测电池31的第一特征信息121,包括电压、电流及时间信息,然后利用特征比对模块14,将第一特征信息121与收容盒1内的特征数据库13进行比对,以撷取第一特征信息121中与特征数据库13内相符的部分作为第二特征信息141。举例而言,如图5所示,为电压及电流的于时间的波形图,其中特征片段A为电流特征与特征数据库13相符的区段,而以此作为数据收集模块12开始收集的时间点,另外特征片段B为电流特征及电压特征同时与特征数据库13相符的区段,而以此做为数据收集模块12结束收集的时间点,并将数据收集结果整理为第二特征信息141,以经由通讯模块15传递给服务器2做后续处理(如图6所示)。
由于收容盒1可独立作业,并预先收集整理电池的特征信息,而数据收集的动作仅需与待测电池31做电性连接即可,无须作软件安装或系统整合的动作,故收容盒1与各种测试设备3的兼容性极强,可直接外挂或后装于任何形式的充放电设备(测试设备3),具有简单快速的优势,且收容盒1本身只需要进行数据收集、数据比对、数据传递的动作,其内装结构非常单纯,故收容盒1本身体积较小,方便使用者携带或不占空间的长时间设置于测试设备3一侧,后者更有利于对电池健康状态进行长时间稳定的自行监测。
服务器2(可为云端服务器2或机柜服务器2)透过通讯模块15接收到第二特征信息141时,分成两个部分进行指定参数与其机率分布的取得。首先,如图7、8所示,直接依据第二特征信息141的内容,利用特征搜寻模块23搜寻参数数据库21中的对应参数数据表,例如将第二特征信息141中的部分特征值(Parameter)撷取出来(如图8虚线部分),如开路电压,当特征值的曲线与参数数据库21的数据(如图8实线部分)符合时,即可对照数据表取得第一特征参数231(如SOC),该第一特征参数231也包括指定参数的机率分布。
第二部分,则是先将第二特征信息141转换为正规化混合数列C,并由混合数列C中分离出演算动作所需处理的区间,例如分离出直流内阻及时间变化常数(如图9所示),接着将分离出来数据套用至模型数据库22中的对应运算模型D内(如类神经网络模型),而利用模型演算模块24各自取得指定参数及其机率分布,以作为第二特征参数241(如图10及11所示)。最后,如图12所示,利用预测演算模块25整合第一特征参数231及第二特征参数241,将其机率进行加总合,其中该加总方式并不设限,例如可为平均法(所有加总参数权重皆相同)、异常排除法(算法运算前加入异常数据判断机制,若数据判断异常,则演算结果不纳入加总参数)、或回归调整法(透过验证机制检验运算法结果正确率,依算法正确率调整权重参数)。本实施例则采用回归调整法将第一特征参数231及第二特征参数241的区间机率密度进行积分加总,而取得一预估值251,而该预估值253之峰值即可判读为该特征参数落在此机率密度之正确率(例如,SOC为33%±0.5%,正确率为78%)。最后,将预测演算的结果再回传给人机界面11,供用户检视。
由于服务器2的预测演算方式,系以至少一个第二特征信息141由参数数据库21(对照表)及模型数据库22(运算模型)中搜索推导出指定参数的预估值253,此种以第一特征参数231及第二特征参数241等多参数综合评估演算的方式,更能快速且较准确的预测电池的健康状态。另外,测试管理平台可自动记录每次预测的过程,包过检测过的数据内容、检测方式、检测结果等,皆可完整记录于测试信息管理平台251中供使用者查阅,或可配合电池模型管理模块252对模型进行修正、管理、改良、或新创,以累绩服务器2的库存数据量,更有利于因应不同的电池测试情境。另外,若服务器2为机柜服务器等不对外连接的类型,则可将收容盒1、服务器2及测试设备3限定于局域网络内作业,而可保障数据安全性及机密性。
再请同时配合参阅图13所示,由图中可清楚看出,本实施例与上述实施例为大同小异,为收容盒1a多信道检测模式的实施说明。由于收容盒1a与测试设备3a的连接动作具有简单、快速、高兼容性的特性,且收容盒1a仅进行数据收集与特征比对的动作,其余预测演算动作皆由服务器2a执行,不会对硬件造成过大的负担,故可轻易达成一对多的检测动作,当然一个收容盒1a连接多种测试设备3a也可胜任。
以上所述仅为本发明的较佳实施例而已,非因此即局限本发明的专利范围,故举凡运用本发明说明书及附图内容所为的简易修饰及等效结构变化,均应同理包含于本发明的专利范围内。
Claims (10)
1.一种电池健康状态预测系统,其特征在于,包括:
一收容盒,供电性连接至少一测试设备的待测电池;
一设于该收容盒上的人机界面;
一设于该收容盒内的数据收集模块,供读取该待测电池的第一特征信息;
至少一设于该收容盒内的特征数据库;
一设于该数据收集模块一侧的特征比对模块,由该第一特征信息中撷取与该特征数据库相符的部分作为第二特征信息;
一设于该特征比对模块一侧且与其信息链接的通讯模块;
一信息链接该通讯模块的服务器;
至少一设于该服务器内的参数数据库;
至少一设于该服务器内的模型数据库;
一设于该服务器内的特征搜寻模块,由该参数数据库中搜寻与该第二特征信息相符的部分,而取得对应的第一特征参数;
一设于该服务器内的模型演算模块,配合该模型数据库,而根据该第二特征信息运算取得对应的第二特征参数;
一设于该服务器内且信息链接该特征搜寻模块及模型演算模块的预测演算模块,综合该第一特征参数及该第二特征参数运算取得一预估值,并显示于该人机界面上;及
一设于该预测演算模块一侧的测试信息管理平台。
2.如权利要求1所述的电池健康状态预测系统,其特征在于,测试信息管理平台一侧具有一电池模型管理模块。
3.如权利要求1所述的电池健康状态预测系统,其特征在于,第一特征信息为电压、电流及时间信息。
4.如权利要求1所述的电池健康状态预测系统,其特征在于,第二特征信息为开路电压、直流内阻、或时间变化常数其中之一。
5.如权利要求1所述的电池健康状态预测系统,其特征在于,第一特征参数及该第二特征参数为电容电量、电能容量、荷电残量、等效内阻抗、库伦效率、转换效率、剩余循环使用次数、自放电律、电芯荷电平衡度、或电芯内阻平衡度其中之一。
6.一种电池健康状态预测方法,其特征在于,步骤包括:
(a)将一收容盒连接于至少一测试设备之待测电池上;
(b)令一数据收集模块自动读取该待测电池的第一特征信息;
(c)利用该收容盒内的特征比对模块,将该第一特征信息与一特征数据库做比对,以撷取相符的部分作为第二特征信息;
(d)透过该特征比对模块一侧的一通讯模块将该第二特征信息传递给一服务器;
(e)利用该服务器内的一特征搜寻模块,在该服务器内的一参数数据库中,搜寻与该第二特征信息相符的部分,而取得对应的第一特征参数;
(f)利用该服务器内的一模型演算模块,配合该服务器内的一模型数据库,而根据该第二特征信息运算取得对应的第二特征参数;
(g)由该服务器内的一预测演算模块,综合该第一特征参数及该第二特征参数运算取得一预估值,并显示一位于该收容盒上的人机界面。
7.如权利要求6所述的电池健康状态预测方法,其特征在于,具有一步骤(h)利用一位于该预测演算模块一侧的测试信息管理平台,记录该第一特征信息、该第二特征信息、该第一特征参数、该第二特征参数、及测试时由该模型数据库中选用的模型。
8.如权利要求7所述的电池健康状态预测方法,其特征在于,具有一步骤(i)利用一位于该测试信息管理平台一侧的电池模型管理模块,于每次测试后自动修补、更新、或新创电池模型。
9.如权利要求6所述的电池健康状态预测方法,其特征在于,第一特征信息为电压、电流及时间信息,且该第二特征信息系为开路电压、直流内阻、或时间变化常数其中之一。
10.如权利要求6所述的电池健康状态预测方法,其特征在于,第一特征参数及该第二特征参数为电容电量、电能容量、荷电残量、等效内阻抗、库伦效率、转换效率、剩余循环使用次数、自放电律、电芯荷电平衡度、或电芯内阻平衡度其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853214.6A CN112557918A (zh) | 2019-09-10 | 2019-09-10 | 电池健康状态预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853214.6A CN112557918A (zh) | 2019-09-10 | 2019-09-10 | 电池健康状态预测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557918A true CN112557918A (zh) | 2021-03-26 |
Family
ID=75028810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853214.6A Pending CN112557918A (zh) | 2019-09-10 | 2019-09-10 | 电池健康状态预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557918A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675692A (zh) * | 2012-09-26 | 2014-03-26 | 财团法人车辆研究测试中心 | 电池健康状态检知方法与装置 |
US20160266212A1 (en) * | 2015-03-11 | 2016-09-15 | Johnson Controls Technology Company | Battery test system with camera |
CN108614219A (zh) * | 2018-04-27 | 2018-10-02 | 联华聚能科技股份有限公司 | 双自我学习式电池估测系统及方法 |
US20190033393A1 (en) * | 2017-07-28 | 2019-01-31 | Northstar Battery Company, Llc | Energy storage device, systems and methods for monitoring and performing diagnostics on batteries |
-
2019
- 2019-09-10 CN CN201910853214.6A patent/CN112557918A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675692A (zh) * | 2012-09-26 | 2014-03-26 | 财团法人车辆研究测试中心 | 电池健康状态检知方法与装置 |
US20160266212A1 (en) * | 2015-03-11 | 2016-09-15 | Johnson Controls Technology Company | Battery test system with camera |
CN107533106A (zh) * | 2015-03-11 | 2018-01-02 | 江森自控科技公司 | 具有相机的电池测试系统 |
US20190033393A1 (en) * | 2017-07-28 | 2019-01-31 | Northstar Battery Company, Llc | Energy storage device, systems and methods for monitoring and performing diagnostics on batteries |
CN108614219A (zh) * | 2018-04-27 | 2018-10-02 | 联华聚能科技股份有限公司 | 双自我学习式电池估测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11215675B2 (en) | Method to estimate battery health for mobile devices based on relaxing voltages | |
CN113138340B (zh) | 电池等效电路模型的建立方法、健康状态估算方法及装置 | |
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111812536A (zh) | 一种退役动力电池残值快速评估方法 | |
CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
CN101738585A (zh) | 一种判定蓄电池容量与健康度的方法及系统 | |
CN102707238A (zh) | 蓄电池性能在线监测系统和监测方法 | |
CN112051512B (zh) | 一种梯次利用分选方法及储能系统 | |
CN107037375B (zh) | 电池直流内阻测量方法及装置 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
CN202661606U (zh) | 蓄电池性能在线监测系统 | |
Kulkarni et al. | Li-ion battery digital twin based on online impedance estimation | |
Li et al. | A high-fidelity hybrid lithium-ion battery model for SOE and runtime prediction | |
CN111551856B (zh) | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 | |
CN116298947B (zh) | 一种蓄电池核容监测装置 | |
CN112068006A (zh) | 一种基于云计算的实验室设备安全运行运维平台 | |
CN112557918A (zh) | 电池健康状态预测系统及其方法 | |
CN110794319A (zh) | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 | |
TWM588251U (zh) | 電池健康狀態預測裝置 | |
TW202111616A (zh) | 電池健康狀態預測系統及其方法 |
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 |