CN113341331A - 一种复合电源工作寿命的预测方法以及装置 - Google Patents
一种复合电源工作寿命的预测方法以及装置 Download PDFInfo
- Publication number
- CN113341331A CN113341331A CN202110604833.9A CN202110604833A CN113341331A CN 113341331 A CN113341331 A CN 113341331A CN 202110604833 A CN202110604833 A CN 202110604833A CN 113341331 A CN113341331 A CN 113341331A
- Authority
- CN
- China
- Prior art keywords
- self
- power supply
- composite power
- discharge
- calculating
- 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.)
- Granted
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 39
- SOZVEOGRIFZGRO-UHFFFAOYSA-N [Li].ClS(Cl)=O Chemical compound [Li].ClS(Cl)=O SOZVEOGRIFZGRO-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- FYSNRJHAOHDILO-UHFFFAOYSA-N thionyl chloride Chemical compound ClS(Cl)=O FYSNRJHAOHDILO-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/392—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种复合电源工作寿命的预测方法以及装置,通过模拟复合电源加速工作,并分别计算复合电源的修正系数,结合复合电源在不同温度下的自放电消耗容量,预测复合电源的工作寿命。本发明通过模拟复合电源的加速工作状态,对复合电源在应用场景下进行寿命预测,首先要根据复合电源的功耗模式计算加速测试倍数m,再根据应用场景的应用功耗、截止电压通过加速手段确认修正参数K1和K2,最后根据不同温度下锂亚硫酰氯电池的自放电以及复合电源间的漏电流确认复合电源的自放电容量,预测工作寿命,具有方法简单、预测时间短和结果准确等特点。
Description
技术领域
本发明属于电池技术领域,尤其涉及一种复合电源工作寿命的预测方法以及装置。
背景技术
随着电动汽车和电动自行车等的发展,对电池系统的健康状态及寿命预测变得尤为重要,目前,电池系统寿命预测方法无法消除使用环境的差异对电池系统寿命预测造成的干扰,影响电池系统寿命预测的准确性。
复合电源是由锂亚硫酰氯电池与二次储能器件(电池电容器、超级电容器、锂离子电容等)组合而成,主要在智能表计、智慧交通和智慧家居等智能领域应用,对长期可靠性要求较高,一般需达到10~20年的使用寿命。
目前对复合电源的工作寿命主要有以下几种途径:a、直接通过应用功耗计算理论年消耗容量,根据复合电源的额定容量进行粗略计算,此方法进行工作寿命预测的准确度不高;b、根据实际的功耗模式对复合电源进行放电,此方法虽然比较接近实际应用场景,但是需要的测试时间长达数年,且不符合工作场景下环境温度对工作寿命的影响。
CN112379297A公开了一种电池系统寿命预测方法、装置、设备及存储介质,电池系统寿命预测方法包括:对电池系统中的电池组进行循环寿命测试,得到若干第一数据集;对电池组进行存储寿命测试,得到若干第二数据集;根据若干第一数据集、若干第二数据集以及电池系统寿命预测模型对电池系统进行最终寿命预测,得到电池系统的寿命预测数据;其中,电池系统寿命预测模型包括有电池电模型、电池热模型、电池压力模型以及电池老化模型。该电池系统寿命预测方法能够消除使用环境对预测数据的影响,提高了电池系统寿命预测的准确性。但计算方法复杂,模拟环境要求高。
CN110095731A公开了一种应用于长寿命空间锂离子电池的剩余寿命直接预测方法,该方法采集每节锂离子电池每个周期内的电池容量数据构建数据集,根据设定每节电池寿命最大值和周期数获得不同周期下每节电池的剩余寿命;将数据集作为训练数据输入,将电池剩余寿命作为输出数据,将输入和输出数据带入相关向量机模型得到训练好的容量序列与剩余寿命的映射模型;将各周期下的待预测电池容量输入到映射模型中,得到待预测电池剩余寿命的估计值。依然存在预测方法复杂,测试步骤繁琐等问题。
现有电池的寿命预测方法均存在方法复杂、测试条件苛刻和步骤繁琐等问题,因此,如何在保证预测方法具有方法简单的情况下,应用于复合电源,还能够保证测试方法的条件简易,并且预测时间短和结果准确,成为目前迫切需要解决的问题。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种复合电源工作寿命的预测方法以及装置,通过模拟复合电源的加速工作状态,对复合电源在应用场景下进行寿命预测,首先要根据复合电源的功耗模式计算加速测试倍数,再根据应用场景的应用功耗、截止电压通过加速手段确认修正参数K1和K2,最后根据不同温度下锂亚硫酰氯电池的自放电以及复合电源间的漏电流确认复合电源的自放电容量,预测工作寿命,具有方法简单、预测时间短和结果准确等特点。
为达此目的,本发明采用以下技术方案:
第一方面,本发明提供了一种复合电源工作寿命的预测方法,所述的预测方法包括:
在应用场景下计算加速测试倍数m,并在加速工作状态下计算修正系数K1和K2;测试不同温度下复合电源的自放电消耗容量ΔCself,结合额定电容CN,预测复合电源的工作寿命。
作为本发明的一个优选技术方案,所述的预测方法包括:
在应用场景下,测试复合电源消耗容量ΔC和加速测试倍数m;在加速工作状态下,加速工作状态的工作频率为应用场景下的m倍,测试放电至截止电压时的放电电容为C1,并计算修正系数K1和K2;根据不同温度下,测试计算复合电源的自放电消耗容量ΔCself,结合额定电容CN,预测复合电源的工作寿命tlife=CNK1K2/(ΔCself+ΔC)。
本发明根据应用场景的工作温度、工作电流和截止电压,通过加速工作频率的手段,将应用场景下的实际平均电流提高到与复合电源规格书规定的额定电流水平,获得加速后应用场景的功耗模式,按照加速后的模式进行分别放电至规格书截止电压和场景应用指定电压,放电容量与规格书额定容量对比并进行修正,推导修正参数K1和K2,并进行修正;进一步地,对于场景的应用模式可以根据容量等效方法进行简化,缩短有效容量测试时间;此外,结合应用场景下,在不同温度分布范围进行自放电测定,推导计算自放电容量,从而对复合电源的寿命进行预测,有效缩短预测时间,并提高预测精度,预测过程中数据收集周期短,具有方法简单、预测时间短和结果准确等特点。
作为本发明的一个优选技术方案,所述平均工作电流I=ΔC/24。
需要说明的是,本发明在计算过程中需要统一单位量,例如可以年为单位进行消耗容量计算,具体统一标准本领域技术人员可根据操作需求合理选择。
作为本发明的一个优选技术方案,所述加速测试倍数m结合额定工作电流Id计算,所述m=Id/I。
作为本发明的一个优选技术方案,所述K1和K2通过应用场景下放电至截止电压时的放电电容C、加速工作状态下放电至截止电压时的放电电容为C1和额定电容CN计算得到。
作为本发明的一个优选技术方案,所述K1=C1/CN。
优选地,所述K2=C/C1。
作为本发明的一个优选技术方案,所述复合电源的自放电消耗容量ΔCself包括亚硫酰氯电池的自放电消耗容量ΔCself,1,以及漏电流的自放电消耗容量ΔCself,2。
优选地,所述Cself=ΔCself,1+ΔCself,2。
作为本发明的一个优选技术方案,所述ΔCself的测试计算中,所述ΔCself,1的计算方法包括:对复合电源中的锂亚硫酰氯电池采用加热的方法,测试不同温度下的自放电电流Iself,计算锂亚硫酰氯电池的自放电消耗容量ΔCself,1。
作为本发明的一个优选技术方案,所述ΔCself,2的测试方法包括:复合电源回路中串联阻值为R的电阻,在不同温度下监测定电阻两端的电压降ΔU,当ΔU稳定时,计算复合电源的漏电流Ileakage=ΔU/R,以及漏电流的自放电消耗容量ΔCself,2。
作为本发明的一个优选技术方案,所述的预测方法具体包括以下步骤:
在应用场景下,测试放电至截止电压时的放电电容为C,根据复合电源每天工作的电流Ii、工作时间ti以及工作频率fi计算ΔC,并计算平均工作电流I,I=ΔC/24,结合额定工作电流Id计算加速测试倍数m,m=Id/I;在加速工作状态下,加速工作状态的工作频率为应用场景下的m倍,测试放电至截止电压时的放电电容为C1。
结合额定电容CN,分别计算修正系数K1和K2,K1=C1/CN,K2=C/C1。
复合电源的自放电消耗容量的测试方法包括:
预测复合电源的工作寿命tlife=CNK1K2/(ΔCself,1+ΔCself,2+ΔC)。
第二方面,本发明提供了一种实现第一方面所述复合电源工作寿命的预测方法的装置,所述的装置包括:
输入模块,用于输入测试参数和复合电源的工作参数。
数据处理模块,用于对输入的参数数据进行计算。
输出模块,用于输出工作寿命预测结果。
与现有技术相比,本发明的有益效果为:
本发明根据应用场景的工作温度、工作电流和截止电压,通过加速工作频率的手段,将应用场景下的实际平均电流提高到与复合电源规格书规定的额定电流水平,获得加速后应用场景的功耗模式,按照加速后的模式进行分别放电至规格书截止电压和场景应用指定电压,放电容量与规格书额定容量对比并进行修正,推导修正参数K1和K2,并进行修正;进一步地,对于场景的应用模式可以根据容量等效方法进行简化,缩短有效容量测试时间;此外,结合应用场景下,在不同温度分布范围进行自放电测定,推导计算自放电容量,从而对复合电源的寿命进行预测,有效缩短预测时间,并提高预测精度,预测过程中数据收集周期短,具有方法简单、预测时间短和结果准确等特点。
附图说明
图1为本发明一个具体实施方式中提供的复合电源工作寿命的预测方法的流程图。
具体实施方式
为更好地说明本发明,便于理解本发明的技术方案,下面对本发明进一步详细说明。但下述的实施例仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明保护范围以权利要求书为准。
下面通过具体实施方式来进一步说明本发明的技术方案。
在一个具体实施方式中,本发明提供了复合电源工作寿命的预测方法,如图1所示,所述的预测方法包括:
S100:在应用场景下计算加速测试倍数m;
S200:在加速工作状态下计算修正系数K1和K2;
S300:测试不同温度下复合电源的自放电消耗容量ΔCself;
S400:结合额定电容CN,预测复合电源的工作寿命。
所述的预测方法具体具体包括以下步骤:
在应用场景下,测试放电至截止电压时的放电电容为C,根据复合电源每天工作的电流Ii、工作时间ti以及工作频率fi计算ΔC,并计算平均工作电流I,I=ΔC/24,结合额定工作电流Id计算加速测试倍数m,m=Id/I;在加速工作状态下,加速工作状态的工作频率为应用场景下的m倍,测试放电至截止电压时的放电电容为C1;结合额定电容CN,分别计算修正系数K1和K2,K1=C1/CN,K2=C/C1。
复合电源的自放电消耗容量的测试方法包括:
预测复合电源的工作寿命tlife=CNK1K2/(ΔCself,1+ΔCself,2+ΔC)。
其中,表1为应用场景下的功耗模式参数情况,表2为加速工作状态下的功耗模式参数情况,表3为复合电源中的锂亚硫酰氯电池不同温度下的自放电电流Iself和漏电流Ileakage数据表。
表1
工作电流I<sub>i</sub>(mA) | 工作时间t<sub>i</sub>(s) | 工作频率f<sub>i</sub>(次/天) | |
1 | I<sub>1</sub> | t<sub>1</sub> | f<sub>1</sub> |
2 | I<sub>2</sub> | t<sub>2</sub> | f<sub>2</sub> |
… | … | … | … |
N | I<sub>n</sub> | t<sub>n</sub> | f<sub>n</sub> |
表2
工作电流I<sub>i</sub>(mA) | 工作时间t<sub>i</sub>(s) | 工作频率f<sub>i</sub>(次/天) | |
1 | I<sub>1</sub> | t<sub>1</sub> | mf<sub>1</sub> |
2 | I<sub>2</sub> | t<sub>2</sub> | mf<sub>2</sub> |
… | … | … | … |
N | I<sub>n</sub> | t<sub>n</sub> | mf<sub>n</sub> |
表3
本发明还提供了一种实现上述复合电源工作寿命的预测方法的装置,所述的装置包括:
输入模块,用于输入测试参数和复合电源的工作参数。
数据处理模块,用于对输入的参数数据进行计算。
输出模块,用于输出工作寿命预测结果。
本发明根据应用场景的工作温度、工作电流和截止电压,通过加速工作频率的手段,将应用场景下的实际平均电流提高到与复合电源规格书规定的额定电流水平,获得加速后应用场景的功耗模式,按照加速后的模式进行分别放电至规格书截止电压和场景应用指定电压,放电容量与规格书额定容量对比并进行修正,推导修正参数K1和K2,并进行修正;进一步地,对于场景的应用模式可以根据容量等效方法进行简化,缩短有效容量测试时间;此外,结合应用场景下,在不同温度分布范围进行自放电测定,推导计算年自放电容量,从而对复合电源的寿命进行预测,有效缩短预测时间,并提高预测精度,预测过程中数据收集周期短,具有方法简单、预测时间短和结果准确等特点。
申请人声明,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,所属技术领域的技术人员应该明了,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种复合电源工作寿命的预测方法,其特征在于,所述的预测方法包括:
在应用场景下计算加速测试倍数m,并在加速工作状态下计算修正系数K1和K2;测试不同温度下复合电源的自放电消耗容量ΔCself,结合额定电容CN,预测复合电源的工作寿命。
2.根据权利要求1所述的预测方法,其特征在于,所述的预测方法包括:
在应用场景下,测试复合电源消耗容量ΔC和加速测试倍数m;
在加速工作状态下,加速工作状态的工作频率为应用场景下的m倍,测试放电至截止电压时的放电电容为C1,并计算修正系数K1和K2;
根据不同温度下,测试计算复合电源的自放电消耗容量ΔCself,结合额定电容CN,预测复合电源的工作寿命tlife=CNK1K2/(ΔCself+ΔC)。
4.根据权利要求2或3所述的预测方法,其特征在于,所述平均工作电流的计算方法为I=ΔC/24;
优选地,所述加速测试倍数m结合额定工作电流Id计算,所述m的计算方法为m=Id/I。
5.根据权利要求1-4任一项所述的预测方法,其特征在于,所述K1和K2通过应用场景下放电至截止电压时的放电电容C、加速工作状态下放电至截止电压时的放电电容为C1和额定电容CN计算得到;
优选地,所述K1的计算方法为K1=C1/CN;
优选地,所述K2的计算方法为K2=C/C1。
6.根据权利要求1-5任一项所述的预测方法,其特征在于,所述复合电源的自放电消耗容量ΔCself包括亚硫酰氯电池的自放电消耗容量ΔCself,1,以及漏电流的自放电消耗容量ΔCself,2;
优选地,所述ΔCself的计算方法为ΔCself=ΔCself,1+ΔCself,2。
9.根据权利要求8所述的预测方法,其特征在于,所述的预测方法具体包括以下步骤:
在应用场景下,测试放电至截止电压时的放电电容为C,根据复合电源每天工作的电流Ii、工作时间ti以及工作频率fi计算ΔC,Iitifi并计算平均工作电流I,I=ΔC/24,结合额定工作电流Id计算加速测试倍数m,m=Id/I;
在加速工作状态下,加速工作状态的工作频率为应用场景下的m倍,测试放电至截止电压时的放电电容为C1;
结合额定电容CN,分别计算修正系数K1和K2,K1=C1/CN,K2=C/C1;
复合电源的自放电消耗容量的测试方法包括:
预测复合电源的工作寿命tlife=CNK1K2/(ΔCself,1+ΔCself,2+ΔC)。
10.一种实现权利要求1-9任一项所述复合电源工作寿命的预测方法的装置,其特征在于,所述的装置包括:
输入模块,用于输入测试参数和复合电源的工作参数;
数据处理模块,用于对输入的参数数据进行计算;
输出模块,用于输出工作寿命预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604833.9A CN113341331B (zh) | 2021-05-31 | 2021-05-31 | 一种复合电源工作寿命的预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604833.9A CN113341331B (zh) | 2021-05-31 | 2021-05-31 | 一种复合电源工作寿命的预测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341331A true CN113341331A (zh) | 2021-09-03 |
CN113341331B CN113341331B (zh) | 2022-12-13 |
Family
ID=77473583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604833.9A Active CN113341331B (zh) | 2021-05-31 | 2021-05-31 | 一种复合电源工作寿命的预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341331B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4605603A (en) * | 1983-12-26 | 1986-08-12 | Kabushiki Kaisha Toshiba | Hermetically sealed metallic oxide-hydrogen battery using hydrogen storage alloy |
CN1732581A (zh) * | 2002-10-31 | 2006-02-08 | 三菱化学株式会社 | 锂二次电池的正极材料的添加剂、锂二次电池的正极材料以及采用它的正极和锂二次电池 |
US20100250163A1 (en) * | 2009-03-31 | 2010-09-30 | Panasonic Ev Energy Co., Ltd. | Control device of secondary battery and map correction method |
US20130314052A1 (en) * | 2011-03-04 | 2013-11-28 | Furukawa Automotive Systems Inc. | Charging-Control Apparatus and Charging-Control Method |
CN104090241A (zh) * | 2014-07-22 | 2014-10-08 | 合肥国轩高科动力能源股份公司 | 一种锂电池自放电筛选方法 |
CN104502859A (zh) * | 2014-12-31 | 2015-04-08 | 清华大学深圳研究生院 | 电池荷电量及电池健康状态的检测、诊断方法 |
US20150266390A1 (en) * | 2014-03-24 | 2015-09-24 | The Regents Of The University Of Michigan | Prediction of battery power requirements for electric vehicles |
CN105539179A (zh) * | 2015-12-28 | 2016-05-04 | 青岛大学 | 一种田字型电动汽车混合电源装置 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN206135441U (zh) * | 2016-08-15 | 2017-04-26 | 湖南安澜信息系统研究有限公司 | 锂电池快速充电及电量管理系统 |
CN107765190A (zh) * | 2017-12-11 | 2018-03-06 | 太原理工大学 | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 |
CN108667297A (zh) * | 2018-07-17 | 2018-10-16 | 榆林学院 | 一种电动车用复合电源装置及其工作方法 |
CN109581228A (zh) * | 2019-01-04 | 2019-04-05 | 北京嘉捷恒信能源技术有限责任公司 | 电池组绝对容量快速计算方法 |
CN109870659A (zh) * | 2019-03-14 | 2019-06-11 | 燕山大学 | 应用滑窗寻优策略的锂离子电池健康状态估算方法 |
CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
JP2019164051A (ja) * | 2018-03-20 | 2019-09-26 | カシオ計算機株式会社 | 電池残量推定装置、電子機器、電池残量推定方法及びプログラム |
CN112122178A (zh) * | 2020-08-27 | 2020-12-25 | 惠州亿纬锂能股份有限公司 | 复合电源筛选装置及筛选方法 |
CN112180264A (zh) * | 2020-09-25 | 2021-01-05 | 惠州亿纬锂能股份有限公司 | 一种复合电池组的电量预警方法 |
CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试系统 |
CN112765794A (zh) * | 2021-01-05 | 2021-05-07 | 国网辽宁省电力有限公司经济技术研究院 | 基于加速寿命试验的磷酸铁锂电池的可靠性分析方法 |
-
2021
- 2021-05-31 CN CN202110604833.9A patent/CN113341331B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4605603A (en) * | 1983-12-26 | 1986-08-12 | Kabushiki Kaisha Toshiba | Hermetically sealed metallic oxide-hydrogen battery using hydrogen storage alloy |
CN1732581A (zh) * | 2002-10-31 | 2006-02-08 | 三菱化学株式会社 | 锂二次电池的正极材料的添加剂、锂二次电池的正极材料以及采用它的正极和锂二次电池 |
US20100250163A1 (en) * | 2009-03-31 | 2010-09-30 | Panasonic Ev Energy Co., Ltd. | Control device of secondary battery and map correction method |
US20130314052A1 (en) * | 2011-03-04 | 2013-11-28 | Furukawa Automotive Systems Inc. | Charging-Control Apparatus and Charging-Control Method |
US20150266390A1 (en) * | 2014-03-24 | 2015-09-24 | The Regents Of The University Of Michigan | Prediction of battery power requirements for electric vehicles |
CN104090241A (zh) * | 2014-07-22 | 2014-10-08 | 合肥国轩高科动力能源股份公司 | 一种锂电池自放电筛选方法 |
CN104502859A (zh) * | 2014-12-31 | 2015-04-08 | 清华大学深圳研究生院 | 电池荷电量及电池健康状态的检测、诊断方法 |
CN105539179A (zh) * | 2015-12-28 | 2016-05-04 | 青岛大学 | 一种田字型电动汽车混合电源装置 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN206135441U (zh) * | 2016-08-15 | 2017-04-26 | 湖南安澜信息系统研究有限公司 | 锂电池快速充电及电量管理系统 |
CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
CN107765190A (zh) * | 2017-12-11 | 2018-03-06 | 太原理工大学 | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 |
JP2019164051A (ja) * | 2018-03-20 | 2019-09-26 | カシオ計算機株式会社 | 電池残量推定装置、電子機器、電池残量推定方法及びプログラム |
CN108667297A (zh) * | 2018-07-17 | 2018-10-16 | 榆林学院 | 一种电动车用复合电源装置及其工作方法 |
CN109581228A (zh) * | 2019-01-04 | 2019-04-05 | 北京嘉捷恒信能源技术有限责任公司 | 电池组绝对容量快速计算方法 |
CN109870659A (zh) * | 2019-03-14 | 2019-06-11 | 燕山大学 | 应用滑窗寻优策略的锂离子电池健康状态估算方法 |
CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试系统 |
CN112122178A (zh) * | 2020-08-27 | 2020-12-25 | 惠州亿纬锂能股份有限公司 | 复合电源筛选装置及筛选方法 |
CN112180264A (zh) * | 2020-09-25 | 2021-01-05 | 惠州亿纬锂能股份有限公司 | 一种复合电池组的电量预警方法 |
CN112765794A (zh) * | 2021-01-05 | 2021-05-07 | 国网辽宁省电力有限公司经济技术研究院 | 基于加速寿命试验的磷酸铁锂电池的可靠性分析方法 |
Non-Patent Citations (4)
Title |
---|
A. CAVALLINI等: "Accelerated capacitor degradation due to nonsinusoidal voltage supply and reliability of insulation systems", 《8TH INTERNATIONAL CONFERENCE ON HARMONICS AND QUALITY OF POWER. PROCEEDINGS (CAT. NO.98EX227)》 * |
MAIDER USABIAGA CARRERA等: "OPzV Batteries in a Standalone Solar Hybrid Telecom Application: Key Design and Operation Issues Investigated by Accelerated Lifetime Testing", 《2018 IEEE INTERNATIONAL TELECOMMUNICATIONS ENERGY CONFERENCE (INTELEC)》 * |
谷明等: "EPS电源蓄电池在线健康状态估计", 《建筑电气》 * |
赵永兴等: "开关电源加速贮存寿命方法研究", 《计算机与数字工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113341331B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles | |
Xiong et al. | A novel practical state of charge estimation method: an adaptive improved ampere‐hour method based on composite correction factor | |
Rumpf et al. | Experimental investigation of parametric cell-to-cell variation and correlation based on 1100 commercial lithium-ion cells | |
CN111736085B (zh) | 一种基于电化学阻抗谱的锂离子电池健康状态估计方法 | |
Vasebi et al. | A novel combined battery model for state-of-charge estimation in lead-acid batteries based on extended Kalman filter for hybrid electric vehicle applications | |
Zhang et al. | Fractional calculus based modeling of open circuit voltage of lithium-ion batteries for electric vehicles | |
CN106585422B (zh) | 一种动力电池soh估算方法 | |
CN112147530B (zh) | 一种电池状态评价方法及装置 | |
CN110333463B (zh) | 一种电芯一致性筛选方法及其系统 | |
CN104793144A (zh) | 一种电池寿命快速检测方法 | |
CN104991980A (zh) | 锂离子电池的电化学机理建模方法 | |
KR20180014562A (ko) | Wls 기반 soh 추정 시스템 및 방법 | |
CN106772099A (zh) | 一种动力锂电池劣化程度估算方法 | |
CN116930794A (zh) | 电池容量更新方法、装置、电子设备及存储介质 | |
Wang et al. | Lithium-ion battery security guaranteeing method study based on the state of charge estimation | |
CN105607010A (zh) | 一种估计电动车辆的动力电池的健康状态的方法 | |
CN113466728B (zh) | 一种两阶段电池模型参数在线辨识的方法与系统 | |
Pang et al. | A new method for determining SOH of lithium batteries using the real-part ratio of EIS specific frequency impedance | |
CN113156316B (zh) | 盐水电池soc估算算法 | |
CN104793145A (zh) | 一种电池可用容量快速检测方法 | |
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 | |
CN104977534A (zh) | 电池健康状态的估算方法及其装置 | |
CN107255786B (zh) | 一种磷酸铁锂电池loc模型 | |
CN106126798A (zh) | 磷酸铁锂蓄电池soc算法 | |
CN117849633A (zh) | 一种电池漏电评估方法、装置、介质及bms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 |