CN113419188A - 一种电池内部关键电化学老化参数的在线辨识方法及系统 - Google Patents

一种电池内部关键电化学老化参数的在线辨识方法及系统 Download PDF

Info

Publication number
CN113419188A
CN113419188A CN202110654874.9A CN202110654874A CN113419188A CN 113419188 A CN113419188 A CN 113419188A CN 202110654874 A CN202110654874 A CN 202110654874A CN 113419188 A CN113419188 A CN 113419188A
Authority
CN
China
Prior art keywords
battery
electrochemical
aging parameters
negative electrode
key
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
Application number
CN202110654874.9A
Other languages
English (en)
Other versions
CN113419188B (zh
Inventor
张希
高一钊
郭邦军
朱翀
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110654874.9A priority Critical patent/CN113419188B/zh
Publication of CN113419188A publication Critical patent/CN113419188A/zh
Application granted granted Critical
Publication of CN113419188B publication Critical patent/CN113419188B/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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种电池内部关键电化学老化参数的在线辨识方法及系统，包括：步骤S1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；步骤S2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；步骤S3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识。本发明可以在线基于电池的电流，电压等测量信号，对电池内部的电化学关键老化参数进行估计。

Description

一种电池内部关键电化学老化参数的在线辨识方法及系统
技术领域
本发明涉及电动汽车的电池参数在线辨识领域，具体地，涉及一种电池内部关键电化学老化参数的在线辨识方法及系统，更为具体地，涉及一种单体电池电化学参数在线辨识方法。
背景技术
动力电池作为新能源汽车中的核心动力元件，电池健康状态(SOH)的精准估计是电动汽车电池管理系统最重要的功能之一。通过对电池健康状态的精准估计可以防止对电池过充，过放，使得电池状态始终维持在健康合理的运行区间，从而延长电池使用寿命。传统的动力电池健康状态估计是通过算法估计或者测试电池容量或内阻。然而，随着车载动力电池的老化，电池内部某些关键电化学参数会随之变化，比如电池负极活性物质百分比等参数，仅有的容量和内阻信息不能全面反映电池健康状态，此外直接测试实车电池的容量可操作性较差。因此，在线估计关键电池电化学老化参数对于评估电池健康状态具有重要意义。
当前关于锂离子电池内部关键电化学老化参数在线辨识尚无很好的方案。大部分在线电池健康状态估计算法都是基于等效电路模型或者大数据等人工智能算法，这些算法要么忽略了电池的电化学老化机理(基于等效电路电气模型)，要么运算量大，不能在车载环境下在线进行(大数据算法)。如何快速在线估计电池内部关键电化学参数从而得到电池健康状态信息仍未得到妥善解决。
专利文献CN107607880A(申请号：201710852303.X)公开了一种基于阻抗谱的锂离子电池内部健康特征提取方法，涉及新能源研究领域。该发明现有通过EIS分析估算SOH的方法，EIS测量时间较长，无法实现在线测量的问题。建立锂离子电池电化学阻抗谱数学模型；通过对锂离子电池的电化学阻抗谱的快速测量，得到锂离子电池的电化学阻抗谱；分别在高、中、低频段下，用锂离子电池电化学阻抗谱数学模型，对锂离子电池的电化学阻抗谱进行参数辨识，获取锂离子电池的模型参数；周期性测量老化的锂离子电池的电化学阻抗谱，用锂离子电池电化学阻抗谱数学模型对老化的锂离子电池的电化学阻抗谱进行参数辨识，获取锂离子电池老化过程中的模型参数变化规律，作为评价电池健康状态的特征。用于评价电池健康状态。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种电池内部关键电化学老化参数的在线辨识方法及系统。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识方法，包括：
步骤S1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；
步骤S2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
步骤S3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
所述电池电化学模型是用于仿真电池充放电性能。
优选地，所述步骤S1中电池电化学模型包括：
Figure BDA0003112264900000021
其中，
Figure BDA0003112264900000022
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
优选地，所述步骤S2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure BDA0003112264900000023
其中，
Figure BDA0003112264900000031
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure BDA0003112264900000032
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
优选地，所述步骤S3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs,n、电池负极截至电化学当量系数
Figure BDA0003112264900000033
以及电池内阻Rf。
优选地，所述步骤S3包括：在状态观测器中，针对负极固相电势进行闭环估计，实现电池电化学老化参数在线估计。
优选地，所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识系统，包括：
模块M1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；
模块M2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
模块M3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
所述电池电化学模型是用于仿真电池充放电性能。
优选地，所述模块M1中电池电化学模型包括：
Figure BDA0003112264900000034
其中，
Figure BDA0003112264900000035
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
优选地，所述模块M2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure BDA0003112264900000041
其中，
Figure BDA0003112264900000042
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure BDA0003112264900000043
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
优选地，所述模块M3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs,n、电池负极截至电化学当量系数
Figure BDA0003112264900000044
以及电池内阻Rf；
所述模块M3包括：在状态观测器中，针对负极固相电势进行闭环估计，实现电池电化学老化参数在线估计；
所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
与现有技术相比，本发明具有如下的有益效果：
1、本发明可以在线基于电池的电流，电压等测量信号，对电池内部的电化学关键老化参数进行估计；
2、本发明通过电池电化学模型建模技术，结合电池状态观测器设计等数学工具，可以实现对动力锂离子电池内部电化学老化状态的精准检测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为电池电化学参数在线辨识流程图；
图2为电池电化学参数在线辨识观测器示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识方法，如图1至2所示，包括：
步骤S1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；电池电化学模型是仿真电池充放电性能所用；
步骤S2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
步骤S3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
具体地，所述步骤S1中电池电化学模型包括：
Figure BDA0003112264900000051
其中，
Figure BDA0003112264900000052
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
具体地，所述步骤S2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure BDA0003112264900000053
其中，
Figure BDA0003112264900000054
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure BDA0003112264900000061
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
状态观测器是基于电池电化学模型的框架进行建立的，只有基于电池电化学模型才能对电池电化学老化参数进行观测；
将电池老化参数设置为状态观测器中的状态目标变量，将电池电化学模型中的电池老化参数以外的部分作为状态观测器的反馈，结合测量到的电池电压与电池虚拟电压差之间的反馈，对电池状态实施在线辨识；
具体地，所述步骤S3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs,n、电池负极截至电化学当量系数
Figure BDA0003112264900000062
以及电池内阻Rf。
具体地，所述步骤S3包括：在状态观测器中，针对负极固相电势进行闭环估计，即将测量到的电池电压减去电锤正极反馈电压得到电池负极固相电势，实现电池电化学老化参数在线估计。
具体地，所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
本发明的技术方案的顺利实现，得益于对电池电化学机理模型的精准掌控，和对电池老化机理的理解。针对具体的在线估计算法，选用常用的扩展卡尔曼滤波算法。除本技术方案外，还可以采取粒子滤波算法等进行电池电化学参数在线辨识。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识系统，包括：
模块M1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；电池电化学模型是仿真电池充放电性能所用；
模块M2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
模块M3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
具体地，所述模块M1中电池电化学模型包括：
Figure BDA0003112264900000063
其中，
Figure BDA0003112264900000064
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
具体地，所述模块M2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure BDA0003112264900000071
其中，
Figure BDA0003112264900000072
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure BDA0003112264900000073
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
状态观测器是基于电池电化学模型的框架进行建立的，只有基于电池电化学模型才能对电池电化学老化参数进行观测；
将电池老化参数设置为状态观测器中的状态目标变量，将电池电化学模型中的电池老化参数以外的部分作为状态观测器的反馈，结合测量到的电池电压与电池虚拟电压差之间的反馈，对电池状态实施在线辨识；
具体地，所述模块M3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs,n、电池负极截至电化学当量系数
Figure BDA0003112264900000074
以及电池内阻Rf。
具体地，所述模块M3包括：在状态观测器中，针对负极固相电势进行闭环估计，即将测量到的电池电压减去电锤正极反馈电压得到电池负极固相电势，实现电池电化学老化参数在线估计。
具体地，所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
本发明的技术方案的顺利实现，得益于对电池电化学机理模型的精准掌控，和对电池老化机理的理解。针对具体的在线估计算法，选用常用的扩展卡尔曼滤波算法。除本技术方案外，还可以采取粒子滤波算法等进行电池电化学参数在线辨识。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种电池内部关键电化学老化参数的在线辨识方法，其特征在于，包括：
步骤S1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；
步骤S2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
步骤S3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
所述电池电化学模型是用于仿真电池充放电性能。
2.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法，其特征在于，所述步骤S1中电池电化学模型包括：
Figure FDA0003112264890000011
其中，
Figure FDA0003112264890000012
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
3.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法，其特征在于，所述步骤S2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure FDA0003112264890000013
其中，
Figure FDA0003112264890000014
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure FDA0003112264890000015
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
4.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法，其特征在于，所述步骤S3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs,n、电池负极截至电化学当量系数
Figure FDA0003112264890000021
以及电池内阻Rf。
5.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法，其特征在于，所述步骤S3包括：在状态观测器中，针对负极固相电势进行闭环估计，实现电池电化学老化参数在线估计。
6.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法，其特征在于，所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
7.一种电池内部关键电化学老化参数的在线辨识系统，其特征在于，包括：
模块M1：基于电池电化学机理以及多孔电极理论，通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解，建立电池电化学模型；
模块M2：基于电池电化学模型，建立以电池老化参数为状态变量的状态观测器；
模块M3：通过状态观测器，基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识；
所述电池电化学模型是用于仿真电池充放电性能。
8.根据权利要求7所述的电池内部关键电化学老化参数的在线辨识系统，其特征在于，所述模块M1中电池电化学模型包括：
Figure FDA0003112264890000022
其中，
Figure FDA0003112264890000023
分别表示电池正负极固相表面锂离子浓度；Up,Un分别表示电池正负极开路电压；ηp、ηn分别表示电池正负极过电势；i0,p表示电池交换电流密度；ce,p表示电池正极处的电解液浓度；ce,n表示电池负极处的电解液浓度；φe(ce,L)，φe(ce,0)分别表示电池正负极集流体处电解液电势；Rf表示电池内阻；I表示电池输入电流。
9.根据权利要求7所述的电池内部关键电化学老化参数的在线辨识系统，其特征在于，所述模块M2包括：将电池电化学模型进行状态空间转换，得到状态空间表达式，基于状态空间表达式建立状态观测器；
所述状态空间表达式包括：
Figure FDA0003112264890000031
其中，
Figure FDA0003112264890000032
表示xn的导数；xn＝[x1 x2 x3]T，x1表示电池石墨负极锂离子体浓度；x2和x3分别表示电池负极活性物质百分比和电池内阻；T表示转置；F表示电池内阻；A表示电池截面积；δ-表示电池负极板厚度；εs,n表示电池负极活性物质百分比；g(xn,u)表示电池反馈信号；
Figure FDA0003112264890000033
表示负极固相电势；Un表示电池负极开路电势；Rf表示电池接触内阻；I表示电池电流；ηn表示负极过电势。
10.根据权利要求7所述的电池内部关键电化学老化参数的在线辨识系统，其特征在于，所述模块M3中预设可观测的电池关键电化学老化参数包括：负极活性物质百分比εs，n、电池负极截至电化学当量系数
Figure FDA0003112264890000034
以及电池内阻Rf；
所述模块M3包括：在状态观测器中，针对负极固相电势进行闭环估计，实现电池电化学老化参数在线估计；
所述在状态观测器中，针对负极固相电势进行闭环估计包括：在状态观测器中，基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
CN202110654874.9A 2021-06-11 2021-06-11 一种电池内部关键电化学老化参数的在线辨识方法及系统 Active CN113419188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110654874.9A CN113419188B (zh) 2021-06-11 2021-06-11 一种电池内部关键电化学老化参数的在线辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110654874.9A CN113419188B (zh) 2021-06-11 2021-06-11 一种电池内部关键电化学老化参数的在线辨识方法及系统

Publications (2)

Publication Number Publication Date
CN113419188A true CN113419188A (zh) 2021-09-21
CN113419188B CN113419188B (zh) 2022-11-11

Family

ID=77788462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110654874.9A Active CN113419188B (zh) 2021-06-11 2021-06-11 一种电池内部关键电化学老化参数的在线辨识方法及系统

Country Status (1)

Country Link
CN (1) CN113419188B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246445A1 (zh) * 2022-06-24 2023-12-28 上海玫克生储能科技有限公司 用于建立离子电池的电化学模型的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198326A (zh) * 2020-02-19 2020-05-26 北京理工大学 一种具有抗扰动特性的电池单体短路电阻在线检测方法
CN112098851A (zh) * 2020-11-06 2020-12-18 北京理工大学 智能电池与其荷电状态在线估计方法及应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198326A (zh) * 2020-02-19 2020-05-26 北京理工大学 一种具有抗扰动特性的电池单体短路电阻在线检测方法
CN112098851A (zh) * 2020-11-06 2020-12-18 北京理工大学 智能电池与其荷电状态在线估计方法及应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YIZHAO GAO等: ""Global Parameter Sensitivity Analysis of Electrochemical Model for Lithium-Ion Batteries Considering Aging"", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 *
严喜林等: "基于改进的EKF法估计电动汽车电池SOC", 《电源技术》 *
曹铭等: "车用锂离子动力电池自适应状态联合估计研究", 《控制理论与应用》 *
黄凯等: "动力锂离子电池荷电状态估计综述", 《电源技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246445A1 (zh) * 2022-06-24 2023-12-28 上海玫克生储能科技有限公司 用于建立离子电池的电化学模型的方法

Also Published As

Publication number Publication date
CN113419188B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Chen et al. A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity
Lyu et al. A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework
Lyu et al. In situ monitoring of lithium-ion battery degradation using an electrochemical model
Lai et al. Capacity estimation of lithium-ion cells by combining model-based and data-driven methods based on a sequential extended Kalman filter
Kindermann et al. Long-term equalization effects in Li-ion batteries due to local state of charge inhomogeneities and their impact on impedance measurements
CN107607880B (zh) 一种基于阻抗谱的锂离子电池内部健康特征提取方法
Galeotti et al. Performance analysis and SOH (state of health) evaluation of lithium polymer batteries through electrochemical impedance spectroscopy
Eddahech et al. Determination of lithium-ion battery state-of-health based on constant-voltage charge phase
Eddahech et al. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks
Li et al. Aging modes analysis and physical parameter identification based on a simplified electrochemical model for lithium-ion batteries
CN109143083B (zh) 一种数据驱动的电动车辆锂离子电池析锂诊断方法
Blanke et al. Impedance measurements on lead–acid batteries for state-of-charge, state-of-health and cranking capability prognosis in electric and hybrid electric vehicles
CN110888057B (zh) 一种动力锂离子电池电化学参数辨识方法及系统
Liu et al. The remaining useful life prediction by using electrochemical model in the particle filter framework for lithium-ion batteries
Lyu et al. A new method for lithium-ion battery uniformity sorting based on internal criteria
CN111610452B (zh) 一种基于电化学阻抗谱低频区域的锂离子电池端电压估计
CN109239602B (zh) 一种动力电池的欧姆内阻的估算方法
Shi et al. State-of-health estimation for lithium battery in electric vehicles based on improved unscented particle filter
CN110954832A (zh) 一种识别老化模式的锂离子电池健康状态在线诊断方法
Piłatowicz et al. Determination of the lead-acid battery's dynamic response using Butler-Volmer equation for advanced battery management systems in automotive applications
Sadabadi et al. Model-based state of health estimation of a lead-acid battery using step-response and emulated in-situ vehicle data
Chang et al. Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution
CN111999665B (zh) 一种基于微观机理汽车驾驶工况锂离子电池老化试验方法
Guo et al. Parameter identification of fractional‐order model with transfer learning for aging lithium‐ion batteries
CN113933714A (zh) 基于简化电化学模型和灰色预测联合的电池容量预测方法

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