CN113505932A - 一种基于大数据技术评估的动力电池容量算法 - Google Patents
一种基于大数据技术评估的动力电池容量算法 Download PDFInfo
- Publication number
- CN113505932A CN113505932A CN202110814292.2A CN202110814292A CN113505932A CN 113505932 A CN113505932 A CN 113505932A CN 202110814292 A CN202110814292 A CN 202110814292A CN 113505932 A CN113505932 A CN 113505932A
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- battery
- battery capacity
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 4
- 241001544485 Cordulegastridae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于大数据技术评估的动力电池容量算法，基于数据驱动的线上电池容量评估方式，能够实现对动力电池全地域、全工况、全生命周期的容量估计。算法中全面考虑了仅利用安时积分难以获取完整SOC数据的问题，并提供了有效的补偿方法，从而能够提供较为完备精确的累积里程与容量对应关系。基于本发明能够显著提高退役电池筛选的快速性、时效性及鲁棒性。
Description
技术领域
本发明属于动力电池状态监测管理技术领域，具体涉及一种基于大数据技术评估的动力电池容量算法。
背景技术
随着新能源汽车的普及与相关行业的发展，退役电池的数量在近年来已颇具规模，按照目前动力电池平均在8年达到衰减20％的退役水平来看，我国动力电池退役数量已经处于快速增长阶段。预测结果显示，截至2025年，我国退役动力电池数量量将达93GWh，退役电池包数量将超过100万。在动力电池退役以后，如能经过有效筛选处理并在适合的领域实现梯次利用，仍有机会创造巨大的社会经济价值。
现阶段，由于在品牌、型号、参数以及剩余寿命等方面不尽相同，且每年退役的电池数量已超过百万级别，因此如何实现电池包快速分类和检测是能否顺利进行梯次利用的关键。现有技术中对退役电池容量仍主要停留在线下实车检测的方式，检测过程耗时费力，人力、设备、场地等检测投入也随着电池数量增加而陡然激增，投资费用高，回报慢。因此，如何针对现有退役动力电池大批量检测筛选的缺陷，提供一种省时、高效的容量评估方式，是本领域中亟待解决的技术问题。
发明内容
不同于传统燃油车辆，新能源汽车在行车工况、动力电池状态等环节的数据更容易采集整合，从而有助于利用车载大数据解决对较大数量的车辆、电池等部件的监管。有鉴于此，本发明针对上述本领域中存在的技术问题，提供了一种基于大数据技术评估的动力电池容量算法，具体包括以下步骤：
步骤一、利用车载智能终端采集某特定车型的充电习惯相关特征，并上传至新能源汽车大数据监测平台；
步骤二、所述监测平台对接收的充电习惯相关特征数据进行预处理，执行安时积分法计算多个不同充电行为的SOC片段；
步骤三：针对计算出的SOC片段所对应的包括车型相关特征、电池类型相关特征、单次充电相关特征以及车辆所处环境相关特征的4个特征进行爬取，形成包含上述5个特征的该车型的数据条；
步骤四：对所述数据条执行kmeans聚类与线性回归算法训练，得到该车型的累积里程与电池容量的部分对应关系；
针对累积里程与电池容量的完整对应关系中，除所述部分对应关系以外的缺失部分进行补偿，包括：如果聚类后某类内存在所述对应关系的完备数据，则用该类内的完备数据进行补偿；如果不存在类内完备数据但在全局中存在完备数据，则利用类外的全局完备数据进行补偿。
步骤五、对补偿后的各数据条累积里程与电池容量对应关系离散点，基于线性回归拟合完备的累积里程与电池容量对应关系曲线。
步骤六：根据拟合曲线针对相同车型的目标车辆实车数据，输出对目标车辆的退役电池容量评估结果；
步骤七：在线下对相同车型执行实车电池容量测试，与基于前述步骤得到的电池容量评估结果对比，基于对比结果对所拟合的曲线进行反馈调整。
进一步地，所述电池类型相关特征包括：电池材料、容量密度、生产厂家等特征参数；车型相关特征包括但不限于轿车、SUV、卡车等车型分类特征、汽车级别、车重、同车型的不同配置等特征参数；所述单次充电相关特征包括：
当次充电后的行驶里程、充电倍率、充电深度、充电时长、当次充电时的环境温度5个特征参数；充电习惯相关特征包括：电池投入使用所经历的天数、投入使用后车辆的里程差、总充电次数、总充电容量、单次平均充电容量、总充电小时、平均充电倍率、平均充电起始SOC、平均充电结束SOC、平均充电SOC深度、充电起始时SOC中位数、充电结束时SOC中位数、充电SOC深度中位数13个特征参数；所述车辆所处环境相关特征包括：所处环境的年平均温度、年中位温度、年温度方差、年温度极差、有效温度个数5个特征参数。
进一步地，所述步骤二中的预处理以及步骤六，均包括基于车辆识别码VIN、车辆合法状态对车型进行初步剔除和整理。
进一步地，步骤四中进行补偿具体包括：先对聚类后的数据条剔除离群点后取完备数据的均值用于补偿，或先取聚类后的完备数据条均值用于补偿再剔除离群点后。
进一步地，步骤五中基于线性回归拟合完备的累积里程与电池容量对应关系曲线具体采用一元线性模型拟合，以累积里程为自变量，电池容量为因变量，输出电池容量随衰减而变化的规律；和/或兜底利用部分优质车辆样本执行线性拟合。
上述本发明所提供的基于大数据技术评估的动力电池容量算法，基于数据驱动的线上电池容量评估方式，能够实现对动力电池全地域、全工况、全生命周期的容量估计。算法中全面考虑了仅利用安时积分难以获取完整SOC数据的问题，并提供了有效的补偿方法，从而能够提供较为完备精确的累积里程与容量对应关系。基于本发明能够显著提高退役电池筛选的快速性、时效性及鲁棒性。
附图说明
图1为基于本发明所建立的容量算法流程；
图2电池补偿散点图及拟合曲线作图示例。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的一种基于大数据技术评估的动力电池容量算法，如图1所示，具体包括以下步骤：
步骤一、利用车载智能终端采集某特定车型的充电习惯相关特征，并上传至新能源汽车大数据监测平台；
步骤二、所述监测平台对接收的充电习惯相关特征数据进行预处理，执行安时积分法计算多个不同充电行为的SOC片段；
步骤三：针对计算出的SOC片段所对应的包括车型相关特征、电池类型相关特征、单次充电相关特征以及车辆所处环境相关特征的4个特征进行爬取，形成包含上述5个特征的该车型的数据条；
步骤四：对所述数据条执行kmeans聚类与线性回归算法训练，得到该车型的累积里程与电池容量的部分对应关系；
针对累积里程与电池容量的完整对应关系中，除所述部分对应关系以外的缺失部分进行补偿，包括：如果聚类后某类内存在所述对应关系的完备数据，则用该类内的完备数据进行补偿；如果不存在类内完备数据但在全局中存在完备数据，则利用类外的全局完备数据进行补偿。
步骤五、对补偿后的各数据条累积里程与电池容量对应关系离散点，基于线性回归拟合完备的累积里程与电池容量对应关系曲线。其中纵坐标为电量kwh，横坐标为公里数，初定以车辆公告的标称容量为原始电量。
步骤六：根据拟合曲线针对相同车型的目标车辆实车数据，输出对目标车辆的退役电池容量评估结果；
步骤七：在线下对相同车型执行实车电池容量测试，与基于前述步骤得到的电池容量评估结果对比，基于对比结果对所拟合的曲线进行反馈调整。在本发明的一个优选实施方式中，分别定义充电习惯相关特征Xcharge-related、单次充电相关特征Xbattery-related、所处环境相关特征Xenvironment，充电开始时间tstart、充电结束时间tend、充电即时电压U、充电即时电流I、时间t，执行以下聚类过程：
Group＝arg min∑||x-c||，x∈[xcharge-related，xbattery-related，xenvironment]
y2＝f(y1，K∈Group)
arg min||y2-(w×M±b)||
其中，x表示数据条样本，M为累积里程，c为类中心，w为衰减率，K为聚类类别，f为选定的聚类规则，b为常数。
由于目前市场上广泛存在相同品牌车辆电池因车型、级别、配置等级等原因，实际使用不同类型电池的情况，车辆所处的环境比如常年的气温、交通拥堵状况等都会对电池容量产生不同程度的影响，因而有必要对这些影响因素全面加以考虑，以提高容量估计的精确性。由此在本发明的一个优选实施方式中，采集的所述电池类型相关特征包括：电池材料、容量密度、生产厂家等特征参数；车型相关特征包括但不限于轿车、SUV、卡车等车型分类特征、汽车级别、车重、同车型的不同配置等特征参数；所述单次充电相关特征包括：当次充电后的行驶里程、充电倍率、充电深度、充电时长、当次充电时的环境温度5个特征参数。
充电习惯相关特征包括：电池投入使用所经历的天数、投入使用后车辆的里程差、总充电次数、总充电容量、单次平均充电容量、总充电小时、平均充电倍率、平均充电起始SOC、平均充电结束SOC、平均充电SOC深度、充电起始时SOC中位数、充电结束时SOC中位数、充电SOC深度中位数13个特征参数；所述车辆所处环境相关特征包括：所处环境的年平均温度、年中位温度、年温度方差、年温度极差、有效温度个数5个特征参数。
在本发明的一个优选实施方式中，所述步骤二中的预处理以及步骤六中均包括基于车辆识别码VIN、车辆合法状态对车型进行初步剔除和整理。
在实际操作中由于反应所述对应关系的完备数据条既可能存在于正常的带聚类样本中，也可能在离群值中少量出现，因此为了更灵活地进行补偿，在本发明的一个优选实施方式中，步骤四中进行补偿具体包括：先对聚类后的数据条剔除离群点后取完备数据的均值用于补偿，或先取聚类后的完备数据条均值用于补偿再剔除离群点后。
步骤五中基于线性回归拟合完备的累积里程与电池容量对应关系曲线具体采用一元线性模型拟合，以累积里程为自变量，电池容量为因变量，输出电池容量随衰减而变化的规律；和/或兜底利用部分优质车辆样本执行线性拟合。在某些情况下，如果类内不存在完备数据，还可进一步通过相同电池相关特征的其他车型、相似所处环境的同车型车辆的完备数据来用于补偿。
图2示出了基于本发明实现的基于线性回归拟合完备的累积里程与电池容量对应关系曲线。其中，纵坐标为电量，单位kWh，横坐标为公里数km，初定以车辆公告的标称容量为原始电量。图中三条曲线中的最上和最下方两条限定了图中各离散点可以接受的边界，最终拟合得到中间的曲线。
在基于本发明的实例中，以比亚迪e5-300实车为例，进行线下实车电池容量充电测试，整车电池包线下测试评估容量为40.73kwh，线上容量大数据评估结果为40.9333kwh，满足初定的目标，针对此单车而言线上评估结果准确度高。
对于将要退役的大批量动力电池，譬如车型注册时间在2017年1月～2020年12月之间，并且在2019年7月～2020年12月之间单次充电片段SOC在50％～80％范围的车型，将所述电池类型相关特征、车型相关特征输入系统匹配出准确电池信息后，算法基于该车的其他特征即可精确估计出当前电池容量。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于大数据技术评估的动力电池容量算法，其特征在于：具体包括以下步骤：
步骤一、利用车载智能终端采集某特定车型的充电习惯相关特征，并上传至新能源汽车大数据监测平台；
步骤二、所述监测平台对接收的充电习惯相关特征数据进行预处理，执行安时积分法计算多个不同充电行为的SOC片段；
步骤三：针对计算出的SOC片段所对应的包括车型相关特征、电池类型相关特征、单次充电相关特征以及车辆所处环境相关特征的4个特征进行爬取，形成包含上述5个特征的该车型的数据条；
步骤四：对所述数据条执行kmeans聚类与线性回归算法训练，得到该车型的累积里程与电池容量的部分对应关系；所述聚类过程具体包括：分别定义充电习惯相关特征Xcharge-related、单次充电相关特征Xbattery-related、所处环境相关特征Xenvironment，充电开始时间tstart、充电结束时间tend、充电即时电压U、充电即时电流I、时间t，执行以下聚类过程：
Group＝argmin∑||x-c||，x∈[xcharge-related，xbattery-related，xenvironment]
y2＝f(y1，K∈Group)
argmin||y2-(w×M±b)||
其中，x表示数据条样本，M为累积里程，c为类中心，w为衰减率，f为选定的聚类规则，K为聚类类别，b为常数；
针对累积里程与电池容量的完整对应关系中，除所述部分对应关系以外的缺失部分进行补偿，包括：如果聚类后某类内存在所述对应关系的完备数据，则用该类内的完备数据进行补偿；如果不存在类内完备数据但在全局中存在完备数据，则利用类外的全局完备数据进行补偿；
步骤五、对补偿后的各数据条累积里程与电池容量对应关系离散点，基于线性回归拟合完备的累积里程与电池容量对应关系曲线；
步骤六：根据拟合曲线针对相同车型的目标车辆实车数据，输出对目标车辆的退役电池容量评估结果；
步骤七：在线下对相同车型执行实车电池容量测试，与基于前述步骤得到的电池容量评估结果对比，基于对比结果对所拟合的曲线进行反馈调整。
2.如权利要求1所述的算法，其特征在于：所采集的所述电池类型相关特征包括：电池材料、容量密度、生产厂家特征参数；车型相关特征包括但不限于轿车、SUV、卡车车型分类特征、汽车级别、车重、同车型的不同配置特征参数；所述单次充电相关特征包括：当次充电后的行驶里程、充电倍率、充电深度、充电时长、当次充电时的环境温度5个特征参数；充电习惯相关特征包括：电池投入使用所经历的天数、投入使用后车辆的里程差、总充电次数、总充电容量、单次平均充电容量、总充电小时、平均充电倍率、平均充电起始SOC、平均充电结束SOC、平均充电SOC深度、充电起始时SOC中位数、充电结束时SOC中位数、充电SOC深度中位数13个特征参数；所述车辆所处环境相关特征包括：所处环境的年平均温度、年中位温度、年温度方差、年温度极差、有效温度个数5个特征参数。
3.如权利要求1所述的算法，其特征在于：所述步骤二中的预处理以及步骤六中均包括基于车辆识别码VIN、车辆合法状态对车型进行初步剔除和整理。
4.如权利要求1所述的算法，其特征在于：步骤四中进行补偿具体包括：先对聚类后的数据条剔除离群点后取完备数据的均值用于补偿，或先取聚类后的完备数据条均值用于补偿再剔除离群点后。
5.如权利要求1所述的算法，其特征在于：步骤五中基于线性回归拟合完备的累积里程与电池容量对应关系曲线具体采用一元线性模型拟合，以累积里程为自变量，电池容量为因变量，输出电池容量随衰减而变化的规律；和/或兜底利用部分优质车辆样本执行线性拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814292.2A CN113505932A (zh) | 2021-07-19 | 2021-07-19 | 一种基于大数据技术评估的动力电池容量算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814292.2A CN113505932A (zh) | 2021-07-19 | 2021-07-19 | 一种基于大数据技术评估的动力电池容量算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505932A true CN113505932A (zh) | 2021-10-15 |
Family
ID=78013806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814292.2A Pending CN113505932A (zh) | 2021-07-19 | 2021-07-19 | 一种基于大数据技术评估的动力电池容量算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505932A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115129772A (zh) * | 2022-08-31 | 2022-09-30 | 江苏时代新能源科技有限公司 | 一种获取电池参数的方法和装置 |
| CN115825782A (zh) * | 2022-01-24 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180340983A1 (en) * | 2017-05-25 | 2018-11-29 | Bordrin Motor Corporation, Inc. | Battery capacity active estimation method used for electric vehicle |
| CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
| CN111983456A (zh) * | 2020-06-29 | 2020-11-24 | 北京理工新源信息科技有限公司 | 一种动力电池剩余容量预测方法和系统 |
| CN111974709A (zh) * | 2020-06-30 | 2020-11-24 | 南京工程学院 | 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 |
-
2021
- 2021-07-19 CN CN202110814292.2A patent/CN113505932A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180340983A1 (en) * | 2017-05-25 | 2018-11-29 | Bordrin Motor Corporation, Inc. | Battery capacity active estimation method used for electric vehicle |
| CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
| CN111983456A (zh) * | 2020-06-29 | 2020-11-24 | 北京理工新源信息科技有限公司 | 一种动力电池剩余容量预测方法和系统 |
| CN111974709A (zh) * | 2020-06-30 | 2020-11-24 | 南京工程学院 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 刘坚;: "电动汽车退役电池储能应用潜力及成本分析", 储能科学与技术, no. 02, 1 March 2017 (2017-03-01), pages 79 - 85 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115825782A (zh) * | 2022-01-24 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
| CN115825782B (zh) * | 2022-01-24 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
| CN115129772A (zh) * | 2022-08-31 | 2022-09-30 | 江苏时代新能源科技有限公司 | 一种获取电池参数的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951A (zh) | 一种电池组一致性评估方法及系统 | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN111999657A (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
| CN116626505B (zh) | 一种基于车联网大数据的电池组一致性异常检测方法 | |
| CN113064939A (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
| CN111208445A (zh) | 一种动力电池异常单体识别方法及系统 | |
| CN113505932A (zh) | 一种基于大数据技术评估的动力电池容量算法 | |
| CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
| CN107037370A (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
| CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN112380630A (zh) | 基于车联网数据的新能源汽车电池热失控风险的预测方法 | |
| CN110323508B (zh) | 电动汽车中动力电池的回收系统和方法 | |
| CN116720852B (zh) | 一种基于人工智能的新能源汽车维修数据分析管理系统 | |
| DE102022202882A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN109946613A (zh) | 车用动力电池的内阻在线估计与寿命检测方法 | |
| CN111381165A (zh) | 一种车辆动力电池监控方法、装置和平台 | |
| CN115758227A (zh) | 一种高能耗车辆识别和原因诊断方法 |
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 |