CN112649736B - 一种用于退役电池的soc、soh联合估算方法 - Google Patents
一种用于退役电池的soc、soh联合估算方法 Download PDFInfo
- Publication number
- CN112649736B CN112649736B CN202011392585.8A CN202011392585A CN112649736B CN 112649736 B CN112649736 B CN 112649736B CN 202011392585 A CN202011392585 A CN 202011392585A CN 112649736 B CN112649736 B CN 112649736B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- soh
- neural network
- ampere
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 230000010354 integration Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000000178 monomer Substances 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 12
- 239000003016 pheromone Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 7
- 235000005770 birds nest Nutrition 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 235000005765 wild carrot Nutrition 0.000 claims description 6
- 241000272878 Apodiformes Species 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- VDRGNAMREYBIHA-UHFFFAOYSA-N 2c-e Chemical compound CCC1=CC(OC)=C(CCN)C=C1OC VDRGNAMREYBIHA-UHFFFAOYSA-N 0.000 claims description 3
- 208000024780 Urticaria Diseases 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000007600 charging Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明公开了一种用于退役电池的荷电状态(Stateof Charge,SOC)、健康状态(Stateof Health,SOH)联合估算方法,针对退役电池的离散、不一致等性能缺陷,首先,建立一种综合考虑退役电池性能影响因素的电池单体模型,随后利用电池的混合动力脉冲能力特性(Hybrid PulsePower Characteristic,HPPC)测试所得试验数据对所建模型实施参数识别,同时根据试验数据联合蜂鸟‑神经网络算法估算电池SOH,进而确定电池的实际可用容量,以此为依据对安时积分法进行校正,最后,基于上述所得电池单体离线模型参数和改进安时积分法,采用离线‑迭代算法对电池SOC进行估算。本发明将蜂鸟‑神经网络算法、改进安时积分法、离线‑迭代算法相结合,有效提升了退役电池SOH、SOC估算的快速性与准确性。
Description
技术领域
本发明涉及一种动力电池的淘汰方法,尤其涉及一种用于退役电池的SOC、SOH联合估算方法。
背景技术
动力电池作为新能源汽车的“心脏”,需求量在逐年增大。新能源汽车动力电池的使用寿命一般约为3-5年,当电池容量不足80%时,就要从车上被淘汰。据此推算,新能源汽车动力电池的第一个退役高峰期已经来临。大规模电池的废弃在浪费电池使用价值的同时也对生态环境造成重大威胁,而退役电池在其他地方仍然具有很高的能量价值,其梯次利用兼具环保和经济价值,是实现动力电池全寿命整体应用,令其使用价值和经济效益发挥到最大化的重要手段。
由于退役电池在功率密度、能量密度和容量等方面存在着一定程度的老化现象,因此必须建立准确的电池管理系统来估计电池工作状态。
电池荷电状态(State of Charge,SOC)表征了电池剩余能量的变化,是能量管理和预测电池运行状态的重要依据,电池健康状态(State of Health,SOH)是电池当前可用容量与出厂时额定容量之间的比值,是量化电池老化程度的表示方法。准确估计电池的SOC、SOH对退役电池的梯次利用和提高电池的管理技术具有重要意义
常见的SOC估算方法包括安时积分法、开路电压法等。其中安时积分法原理简单,工程应用较多,但必须提供准确的SOC初值。开路电压法需要静置足够长的时间,使电池达到稳定状态,这显然不适于动态条件。锂电池SOH估算主要包括直接测量法、基于模型的方法和数据驱动方法。直接测量法属于开环方法,鲁棒性较差,基于模型的方法难以同时兼顾顾及精度和计算量,参数识别计算量大难以扩展应用。
发明内容
发明目的:针对以上问题,本发明提出一种用于退役电池的SOC、SOH联合估算方法,有效提升退役电池SOH、SOC状态估算的快速性与准确性。
技术方案:本发明所采用的技术方案是一种用于退役电池的SOC、SOH联合估算方法,包括以下步骤:
步骤S1:建立综合考虑退役电池性能影响因素的电池单体模型,随后利用电池的HPPC测试所得试验数据拟合得到所建电池单体模型的离线模型参数;
步骤S2:根据所述试验数据联合蜂鸟-神经网络算法估算电池的SOH,进而确定电池实际可用容量,以此为依据对安时积分法进行校正,获得改进安时积分法;
步骤S3:基于电池单体离线模型参数和改进安时积分法,采用离线-迭代算法对电池SOC进行估算。
其中,步骤S2中所述的根据所述试验数据联合蜂鸟-神经网络算法估算电池的SOH,包括以下步骤:
(21)神经网络算法的输入层选择试验数据中的开路电压、电流、温度、内阻,输出层选择电池SOH,构建神经网络SOH估算模型;
(22)利用蜂鸟算法对神经网络的权重和阈值进行寻优,并利用所述试验数据进行训练确定权重和阈值的最优解;
所述步骤(22)包括以下步骤:
(1)待优化的神经网络里所有的权重和阈值,共m个参数,将参数依次排列为c1,c2,…,cm,对任一参数设置为N个随机的非零值,形成集合Rci,设蜂鸟的总数为S,每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合Rci中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应ηis(t)的启发式函数。
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照式(1)计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为神经网络参数,对神经网络进行学习训练,得到神经网络的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量,S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度。
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优权重和阈值。
(23)通过优化后得到的蜂鸟-神经网络模型估算退役电池SOH。
进一步的,根据所述试验数据联合蜂鸟-神经网络算法估算的电池SOH,确定电池的实际可用容量。电池实际可用容量计算式为:
CE=SOH·QE
式中:CE为电池实际可用容量,QE为电池额定容量,SOH为根据所述试验数据联合蜂鸟-神经网络算法估算所得的电池SOH。
进一步的,以电池实际可用容量作为依据对安时积分法进行校正,获得改进安时积分法,所述改进安时积分法是指将步骤S2中获得的电池实际可用容量,作为安时积分法的除数项。
进一步的,所述步骤S3包括以下内容:当电池开始工作时,利用改进安时积分法估算电池SOC,当电池SOC的值达到指定数值时,检索步骤S1中获得的电池离线模型参数数据,根据SOC值查找模型参数数据得到电池当前状态的开路电压(Uocv)值;然后,基于SOC对应开路电压,即SOC-Uocv函数曲线关系,得到此时SOC的真实值,最后将此值作为改进安时积分法的初始SOC,再利用改进安时积分法实施SOC估算,直到电池工作状态结束,停止迭代。所述的指定数值包括0.1×h,其中h=1,2,…,9。
有益效果:相比于现有技术,本发明具有以下优点:对现有安时积分法进行了改进,优化了神经网络算法,并将优化的蜂鸟-神经网络算法、改进的安时积分法、离线-迭代算法相结合,有效提升退役电池SOH、SOC状态估算的快速性与准确性。
附图说明
图1是本发明所述的用于退役电池的SOC、SOH联合估算方法流程图;
图2是PNGV电池模型图;
图3是多因素电池单体模型图;
图4是本发明所述的蜂鸟算法优化神经网络流程图;
图5是本发明所述的离线-迭代算法SOC估算原理图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的用于退役电池的SOC、SOH联合估算方法,其流程图如图1所示,包括以下步骤:
步骤S1:建立退役电池单体模型。
具体的,针对退役电池的离散、不一致等性能缺陷,在Matlab中建立以PNGV电池模型为基础的考虑电池容量衰变因素、阻抗变化因素、库伦效率变化因素和温度影响因素的退役电池单体模型,如图3所示。如图2所示为PNGV电池模型图,图中R0为电池欧姆内阻,Rg为电池极化内阻,Cg为电池极化电容,Cf为负载电容,If为负载电流,Ig为通过极化内阻的电流,Uocv为电池的开路电压,Uc为工作电压。图3中C表示电池容量,R表示电池阻抗,η表示电池的库伦效率,T表示电池工作温度。如图3所示,热传递模型所得的电池工作温度T、内阻增长模型所得电池阻抗R(包括R0和Rg)、容量衰退模型所得电池容量C(包括Cg和Cf)以及库伦效率衰退模型所得电池的库伦效率η均传递至PNGV电池模型进行计算。其中,热传递模型所得的电池工作温度T还传递到其他三个模型中参与计算,内阻增长模型所得电池阻抗R传递到热传递模型和容量衰退模型进行计算,分别影响这两个模型中电池工作温度T和电容C的计算结果。
为了获取电池的SOC-Uocv函数关系曲线和对电池模型中的各个参数进行识别,需要进行《美国Freedom CAR电池测试手册》中的HPPC特性试验,实验步骤如下:
①在实验室温度(25℃)条件下,采用先恒流后恒压的充电方式对电池进行充电,并在充电完成后静置1h;②将电池1C放电6min,使电池的SOC降0.1;③搁置1h;④将电池1C放电10s,搁置40s,0.75C充电10s;⑤搁置1h;⑥重复步骤②-⑤直至电池的SOC降到0.1为止。
之后根据在Matlab中搭建的退役电池单体模型,将充放电电流作为输入,工作电压作为输出,通过Matlab中的参数估算工具箱和数据拟合工具箱,对该节电池在不同SOC点处依次进行模型参数估算和函数曲线拟合,这里SOC分别取0.1,0.2,…,0.9,最终获得SOC在不同点处与Uocv,Cf,R0,Rg等参数一一对应的离线模型参数表和电池的SOC-Uocv函数关系曲线。
步骤S2:将HPPC特性试验数据中的开路电压、电流、温度、内阻作为神经网络的输入层,输出层选择电池SOH,构建神经网络SOH估算模型,然后利用蜂鸟算法对神经网络的权重和阈值进行寻优,并利用HPPC特性试验中的试验数据对模型进行训练确定权重和阈值的最优解。如图4所示是本发明所述的蜂鸟算法优化神经网络流程图,具体过程如下:
(1)假设待优化的神经网络里共有m个参数,即所有的权重和阈值,将参数按次序排列为c1,c2,…,cm,对任一参数设置为N个随机的非零值,形成集合Rci,设蜂鸟的总数为S。每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合Rci中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应ηis(t)的启发式函数。
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照式(1)计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为神经网络参数,对神经网络进行学习训练,得到神经网络的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度。
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优权重和阈值。
然后,对想要进行SOH估算的退役电池,将开路电压、电流、温度、欧姆内阻输入优化后的蜂鸟-神经网路算法中,即可进行SOH估算。之后根据SOH的定义:
式中:Qmax为电池当前可用最大容量,QE为电池额定容量。
将Qmax看做电池当前的实际可用容量CE,作为安时积分法除数项,对安时积分法进行校正。
改进的安时积分法公式如下:
式中:SOC(t)为t时刻的电池SOC,SOC(t0)为t0时刻的电池初始SOC,CE为电池实际可用容量,i为电池工作电流。
步骤S3:如图5是本发明所述的离线-迭代算法SOC估算原理图。当电池开始工作时,由步骤S2估算得到的电池SOH确定电池当前的实际可用容量CE,对CE进行实时更新,然后,由电池的初始SOC利用改进的安时积分法估算此时刻电池的SOC,当电池SOC的值为0.1或0.1的整数倍(0.1~0.1×h,h=1,2,…,9)时,检索由步骤S1获得的电池离线模型参数表,根据SOC值查找模型数据得到电池当前状态的开路电压(Uocv)值;然后,基于数据拟合得到的SOC-Uocv函数曲线关系,得到此时SOC的真实值,最后将此值作为改进安时积分法的初始SOC,再利用改进安时积分法实施SOC估算,直到电池工作状态结束,停止迭代。
本发明方法,对现有安时积分法进行了改进,优化了神经网络算法,并将优化的蜂鸟-神经网络算法、改进的安时积分法、离线-迭代算法相结合,有效提升了SOH、SOC估算的快速性与准确性。
Claims (5)
1.一种用于退役电池的SOC、SOH联合估算方法,其特征在于,包括以下步骤:
步骤S1:建立综合考虑退役电池性能影响因素的电池单体模型,随后利用电池的HPPC测试所得试验数据拟合得到所建电池单体模型的离线模型参数;
步骤S2:根据所述试验数据联合蜂鸟-神经网络算法估算电池的SOH,进而确定电池实际可用容量,以电池实际可用容量作为依据对安时积分法进行校正,获得改进安时积分法;
步骤S3:基于电池单体离线模型参数和改进安时积分法,采用离线-迭代算法对电池SOC进行估算;
步骤S2中所述的根据所述试验数据联合蜂鸟-神经网络算法估算电池的SOH,包括以下步骤:
(21)神经网络算法的输入层选择试验数据中的开路电压、电流、温度、内阻,输出层选择电池SOH,构建神经网络SOH估算模型;
(22)利用蜂鸟算法对神经网络的权重和阈值进行寻优,并利用所述试验数据进行训练确定权重和阈值的最优解;
(23)通过优化后得到的蜂鸟-神经网络模型估算退役电池SOH;
所述步骤(22)包括以下步骤:
(1)待优化的神经网络里所有的权重和阈值,共m个参数,将参数依次排列为c1,c2,…,cm,对任一参数设置为N个随机的非零值,形成集合Rci,设蜂鸟的总数为S,每只蜂鸟从鸟巢出发觅食,即每只蜂鸟根据集合Rci中每个元素的信息素状态,随机的从集合中选择一个元素,每个元素被选概率遵从下式:
式中:表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率,τij(t)表示t时刻元素i与元素j之间的信息量,ηij(t)为对应τij(t)的启发式函数,α为信息素启发因子,β为期望启发因子,cank为蜂鸟k下一步可以选择的元素集合,s表示从集合cank中随机选取的元素,τis(t)表示t时刻元素i与元素s之间的信息量,ηis(t)为对应τis(t)的启发式函数;
(2)初始化,迭代次数Dc=1,设置最大迭代次数为Dmax,每个蜂鸟所携带的初始信息量τ0(0)=0,释放的信息量Δτ0(0)=0,所有蜂鸟位居鸟巢;
(3)蜂鸟出发觅食,觅食搜索过程相互独立,根据元素所含信息量,按照式(1)计算每个元素被选择的概率;
(4)重复步骤3,直到蜂鸟完成全部元素的选择后停止计算;
(5)将蜂鸟所选择的元素,作为神经网络参数,对神经网络进行学习训练,得到神经网络的实际输出,对比期望值ξ,得到对应的网络误差δ,并据此更新集合中元素的信息量,信息量全局更新规则如下:
式中:τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量,S为蜂鸟总数,ρ表示信息量挥发系数,表示蜂鸟k在路径(i,j)上的释放的信息量,即信息素增量,Q表示全局信息量,为一个常数,Lk表示蜂鸟k走过的路径长度;
(6)重复步骤2到5,当蜂鸟收敛到同一路径或迭代达到最大次数时,停止迭代,输出最优权重和阈值。
2.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法,其特征在于:步骤S2中所述的确定电池实际可用容量,计算式为:
CE=SOH·QE
式中:CE为电池实际可用容量,QE为电池额定容量,SOH为根据所述试验数据联合蜂鸟-神经网络算法估算所得的电池SOH。
3.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法,其特征在于:步骤S2中所述改进安时积分法是指将步骤S2中获得的电池实际可用容量,作为安时积分法的除数项。
4.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法,其特征在于:所述步骤S3包括以下内容:当电池开始工作时,利用改进安时积分法估算电池SOC,当电池SOC的值达到指定数值时,检索步骤S1中获得的电池离线模型参数数据,根据SOC值查找模型参数数据得到电池当前状态的开路电压(Uocv)值;然后,基于SOC对应开路电压(Uocv)的函数曲线关系,得到此时SOC的真实值,最后将此值作为改进安时积分法的初始SOC,再利用改进安时积分法实施SOC估算,直到电池工作状态结束,停止迭代。
5.根据权利要求4所述的用于退役电池的SOC、SOH联合估算方法,其特征在于:所述的指定数值包括0.1×h,其中h=1,2,…,9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011392585.8A CN112649736B (zh) | 2020-12-02 | 2020-12-02 | 一种用于退役电池的soc、soh联合估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011392585.8A CN112649736B (zh) | 2020-12-02 | 2020-12-02 | 一种用于退役电池的soc、soh联合估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112649736A CN112649736A (zh) | 2021-04-13 |
CN112649736B true CN112649736B (zh) | 2024-07-23 |
Family
ID=75350363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011392585.8A Active CN112649736B (zh) | 2020-12-02 | 2020-12-02 | 一种用于退役电池的soc、soh联合估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649736B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255214B (zh) * | 2021-05-18 | 2023-08-22 | 南京工程学院 | 一种退役动力电池最大可用容量动态估算方法 |
CN113466710B (zh) * | 2021-08-17 | 2023-01-31 | 南京工程学院 | 含新能源受端电网中储能电池的soc与soh协同估算方法 |
CN114114052A (zh) * | 2021-11-25 | 2022-03-01 | 福州大学 | 基于冲击响应特性的电池soh和soc快速估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102918742A (zh) * | 2010-06-04 | 2013-02-06 | 日产自动车株式会社 | 电池单元控制系统和方法 |
CN103308865A (zh) * | 2013-07-09 | 2013-09-18 | 福州瑞芯微电子有限公司 | 测算二次电池soc及自学习ocv-soc曲线的方法与电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101108125B (zh) * | 2007-08-02 | 2010-06-16 | 无锡微感科技有限公司 | 一种身体体征动态监测系统 |
TWI411796B (zh) * | 2009-12-22 | 2013-10-11 | Ind Tech Res Inst | 電池循環壽命估測裝置 |
CN105548898B (zh) * | 2015-12-25 | 2018-09-14 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
US20180321325A1 (en) * | 2017-05-08 | 2018-11-08 | Aleksandra Fortier | Embedded Sensors for In-Situ Cell Monitoring of Batteries |
CN109856556A (zh) * | 2019-03-21 | 2019-06-07 | 南京工程学院 | 一种动力电池soc估算方法 |
-
2020
- 2020-12-02 CN CN202011392585.8A patent/CN112649736B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102918742A (zh) * | 2010-06-04 | 2013-02-06 | 日产自动车株式会社 | 电池单元控制系统和方法 |
CN103308865A (zh) * | 2013-07-09 | 2013-09-18 | 福州瑞芯微电子有限公司 | 测算二次电池soc及自学习ocv-soc曲线的方法与电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112649736A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112649736B (zh) | 一种用于退役电池的soc、soh联合估算方法 | |
CN112946499B (zh) | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 | |
CN113030764B (zh) | 一种电池组健康状态估计方法及系统 | |
CN110703121A (zh) | 一种锂离子电池健康状态预测方法 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN110554324B (zh) | 一种soc和soh联合估计方法 | |
CN107765190A (zh) | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN110247451B (zh) | 一种锂离子动力电池组全寿命周期均衡控制方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN113128672B (zh) | 一种基于迁移学习算法的锂离子电池组soh估计方法 | |
CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN116930788B (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
CN115469228B (zh) | 可重构网络式储能系统电池荷电状态估计方法 | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN114636948A (zh) | 一种储能系统寿命评估方法、装置、电子设备及存储介质 | |
CN116148670A (zh) | 一种电化学储能电站电池寿命估算方法及装置 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN108398642B (zh) | 一种锂离子动力电池soc在线校准方法 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
CN113495214A (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
CN112462281A (zh) | 一种基于气液动力学模型带参数修正的soc估计方法及系统 |
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 |