CN113740752B - 一种基于电池模型参数的锂电池寿命预测方法 - Google Patents
一种基于电池模型参数的锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN113740752B CN113740752B CN202110994785.9A CN202110994785A CN113740752B CN 113740752 B CN113740752 B CN 113740752B CN 202110994785 A CN202110994785 A CN 202110994785A CN 113740752 B CN113740752 B CN 113740752B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- life
- voltage
- model parameters
- 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 43
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract 1
- 238000004146 energy storage Methods 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000012216 screening Methods 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]
- G01R31/392—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]
- G01R31/3644—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]
- G01R31/367—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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
本发明涉及锂电池退化状态监测技术领域,主要涉及一种基于电池模型参数的锂电池寿命预测方法,包括设定的SoC处以固定的时间间隔采集锂电池数据并测量电池内阻,拟合出指定SoC下电池等效电路模型参数,得到每个电池模型参数的特征。将电池分为训练集和测试集两组;把训练集每个电池的模型参数特征和电池寿命输入预测模型中进行训练;将所训练模型的特征权重和特征偏移取出并预测测试集电池寿命,使用均方根误差与绝对平均误差率验证预测结果精度。本发明探究了电池模型参数与电池寿命之间的联系,深入发掘了电池模型参数中哪一部分对电池寿命的变化更为敏感,拓展了电池寿命相关研究的方向。
Description
技术领域
本发明属于锂电池退化状态监测技术领域,主要涉及一种基于电池模型参数的锂电池寿命预测方法。
背景技术
随着传统能源逐渐被新能源的取代,分布式的并网系统会从各个方面各个层次,进入人们的生活,改变人们的生活方式。与之同时储能系统的也会随着分布式的系统大范围的运用。而在不断的充放电循环下,储能系统的安全性和稳定性成为一个重要的话题,电池寿命的预测也就尤为重要。
在现有技术中,现有技术文件1(李建威;杨青青等人。一种基于智能网联德利电池寿命预测系统[p].中国专利:CN112630665A,2021.04.09)公开了一种基于物联网的电池寿命预测方案。使用锂电池的温度、环境温度还有电池容量参数,通过远端服务器的神经网络模型预测电池寿命,并且模型能够随着时间的推移在线更新。
现有技术文件2(袁烨;马贵君;华丰;丁汉.一种基于特征筛选的锂电池寿命预测方法[P].中国专利:CN111832221A,2020.10.27 )公开了一种基于数据驱动模型的电池寿命预测方法,使用实测电池数据进行数据处理后的数据进行预测。并且在此基础上,提出了带有ARD的高斯回归模型,取得了较好的预测效果,并已申请专利。
现有技术文件3(刘仕强;王芳等人。一种磷酸铁锂电池寿命预测方法[P]中国专利CN1170754A,2020.09.25)公开了一种使用经验模型实现对磷酸铁锂动力电池的寿命预测。通过对充电过程中区间充电容量的分析,实现了以充电过程中区间充电容量进行预测,还包括以充电容量代替放电容量进行预测,极大地提高了磷酸铁锂动力电池寿命预测的便捷性和可推广性。
在实际应用中常见的电池寿命预测的方案有:弹性网络,数据驱动模型,机器学习,神经网络。这些模型都常以电池的电流电压容量等变化曲线入手。并没有探究电池模型参数与电池寿命之间的联系,而随着循环次数的增加,电池等效电路模型中各个参数都有各自的变化趋势。
发明内容
为了探究电池模型参数与电池寿命之间的联系,本发明提供了一种使用拟合出指定SoC下的电池模型参数,并利用基于正则化系数的线性回归模型进行预测,达到了探究电池模型参数与电池寿命之间联系的目的。
一种基于电池模型参数的锂电池寿命预测方法,包括以下步骤:
步骤1. 在设定的SoC处以固定的时间间隔采集锂电池的电池电流、电池端电压数据并测量电池内阻;
步骤2. 对步骤1采集的电池数据进行处理,在指定的SoC点处,分别拟合出电池等效电路模型中的参数;
步骤3. 在所有步骤2拟合出的数据样本中,在前100个充放电循环数据中,对每个参数都挑选不同的两个循环的参数曲线对应相减,将相减得到的结果曲线求平均值,作为每个电池模型参数的特征数据,然后将电池分为训练集和测试集两组;
步骤4. 把训练集每个电池的模型参数特征数据和电池寿命输入到使用L1和L2正则化的线性回归模型中进行模型训练;
步骤5. 将所训练模型的特征权重和特征偏移取出;
步骤6. 根据测试集中样本数据的特征进行锂电池寿命预测;
步骤7. 使用均方根误差与绝对平均误差率验证预测结果精度。
优选的,步骤1中所述固定的时间间隔为0.1秒,数据维度为1000~2000。
优选的,所述电池内阻的测量方法为直流内阻测试法,直流内阻测试法所使用的脉冲电流时间间隔为10~50毫秒,采用放电和充电两个电流脉冲分别测量电池的放电内阻和充电内阻,计算公式如下:
其中,表示电池放电内阻,/>表示电池充电内阻,/>表示电池放电的脉冲电流,/>表示电池充电的脉冲电流,/>表示电池放电前一时刻的电压,/>表示电池放电后一时刻的电压,/>表示电池充电前一时刻的电压,/>表示充电后一时刻的电压。
优选的,步骤2中,选用的电池等效电路模型为等效电路模型。
优选的,步骤2中,拟合电池模型参数的方法根据电池一阶RC等效电路模型的零状态响应方程,将参数求解问题转化为曲线拟合问题,当电流为零时一阶RC电路的零状态响应方程为:
其中,为电池的输出电压,/>为电压源电压,/>为电池极化电容的初始电压,/>为时间,/>为时间常数,/>为自然常数。
优选的,电池静置一段时间的开路电压认为是电池的电压源电压,则拟合的电池模型参数为电池极化部分初始分压和时间常数/>,为了让拟合结果更为精确,引入电压变化斜率参数,该参数为电池静置最后一段电池电压与时间的斜率U slope ,并将该参数也作为电池模型参数导入到训练模型中,具体如下:
。
优选的,步骤3中特征维度为3个,分别是电池内阻特征,电池极化部分初始分压特征,时间常数特征;训练集中k个训练样本的方差特征和寿命分别表示为,/>,其中第i个训练样本的特征/>表示为:/>。
优选的,步骤4,使用训练样本的电池模型参数方差特征带入L1和L2正则化的线性回归模型中进行训练;
其中是L1正则化,/>是L2正则化,/>为正则化系数,/>表示L1正则化与L2正则化的比重。/>代表正则化的部分,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重,/>代表输入的标签数据即锂电池的寿命。
优选的,步骤6,根据锂电池训练好的权重和偏移,使用测试机的参数特征进行预测,公式如下
其中是预测出的电池寿命,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重。
优选的,所述步骤7利用电池寿命实际值和电池寿命预测值的均方根误差RMSE以及平均绝对百分比误差MAPE来评价训练模型的精度,误差越小精度越高;
其中,代表电池寿命实际值,/>代表电池寿命预测值,/>为样本个数。
相比于现有技术,本发明能够取得以下有益的技术效果:
1.利用电池模型参数随寿命的变化规律,实现电池寿命预诊断;
2.本设计方案对电池进行测试时,能够通过测量数据拟合曲线,不过分强调在规定的SoC处进行测试,极大地提高了测试的便捷性和可实现性;使用电流脉冲进行充放电测试相比其他方法摆脱了使用完整的充放电循环的局限性,并且对储能系统正常工作流程的影响降到了最小。
附图说明
图1为基于电池模型参数的电池寿命预测方法流程图
具体实施方式
为使本发明的目的,技术方案和优点更加清楚,下面将结合本发明实例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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,都属于本发明的保护范围。
本申请公开了一种利用电池模型参数的电池寿命预测方法,其流程步骤如图1所示。
为使本领域普通技术人员能更清楚、方便的理解本发明的技术方案,详细介绍利用电池模型参数的电池寿命预测方法的技术方案,具体包括以下步骤:
步骤1. 在设定的SoC处以固定的时间间隔采集锂电池数据并测量电池内阻;
以0.1秒为时间间隔在0.1,0.2,....,0.9处SoC的情况下,测量1000~2000个数据点方便电池模型参数的拟合,同时在对应的SoC下,使用直流测量内阻法测量电池电阻。
步骤2. 对步骤1采集的电池数据进行处理,拟合出指定SoC下电池等效电路模型参数;
使用电池一阶等效电路的零状态响应拟合电池模型参数,得到电池极化部分初始分压,时间常数随SoC变化曲线。一阶等效电路的零状态响应方程如下:
化简后,方程为:
其中,为电池的输出电压,/>为电压源电压,/>为电流,/>为电池内阻,/>为电池极化电容的初始电压,/>为时间,/>为时间常数,/>为自然常数。
电池静置一段时间的开路电压认为是电池的电压源电压,则拟合的电池模型参数为电池极化部分初始分压和时间常数/>,为了让拟合结果更为精确,引入电压变化斜率参数,该参数为电池静置最后一段电池电压与时间的斜率/>,并将该参数也作为电池模型参数导入到训练模型中,具体如下:
。
步骤3. 在所有步骤2拟合出的数据样本中,前100个充放电循环中对应SoC下电池模型参数挑选两个进行两两不重复相减,将相减结果曲线求平均值,得到每个电池模型参数的特征。将电池分为训练集和测试集两组;
将不同两次循环次数下的SoC与电池模型参数对应相减,将所得电池模型参数差曲线求方差,得到一个电池的输入特征数据向量。然后将电池集分成测试集与训练集两组。
步骤4. 把训练集每个电池的模型参数特征和电池寿命输入到使用L1和L2正则化的线性回归中进行模型训练;
使用训练集电池的输入特征向量,以对应电池的寿命作为标签带入到使用L1与L2正则化约束的线性回归方程中进行训练。得到经过特征选择的各个特征的权重与各个特征的偏移。训练方法如下:
其中是L1正则化,/>是L2正则化,/>为正则化系数,/>表示L1正则化与L2正则化的比重。/>代表正则化的部分,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重,/>代表输入的标签数据即锂电池的寿命。
步骤5. 将所训练模型的特征权重和特征偏移取出
使用步骤4中模型训练后得到的,/>。
步骤6. 根据测试集中样本数据的特征进行锂电池寿命预测
电池寿命预测计算过程如下:
其中是预测出的电池寿命,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重。
步骤7. 使用均方根误差与绝对平均误差率验证预测结果精度
利用均方根误差RMSE和平均绝对百分比误差MAPE来评价训练模型的精度。
其中,代表电池寿命实际值,/>代表电池寿命预测值,/>为样本个数
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于电池模型参数的锂电池寿命预测方法,其特征在于,包括以步骤:
步骤1. 在设定的SoC处以固定的时间间隔采集锂电池的电池电流、电池端电压数据并测量电池内阻;
步骤2. 对步骤1采集的电池数据进行处理,在指定的SoC点处,分别拟合出电池等效电路模型中的参数;
步骤3. 在所有步骤2拟合出的数据样本中,在前100个充放电循环数据中,对每个参数都挑选不同的两个循环的参数曲线对应相减,将相减得到的结果曲线求平均值,作为每个电池模型参数的特征数据,然后将电池分为训练集和测试集两组;
步骤4. 把训练集每个电池的模型参数特征数据和电池寿命输入到使用L1和L2正则化的线性回归模型中进行模型训练;具体如下:
其中是L1正则化,/>是L2正则化,/>为正则化系数,/>表示L1正则化与L2正则化的比重,/>代表正则化的部分,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重,/>代表输入的标签数据即锂电池的寿命;
步骤5. 将所训练模型的特征权重和特征偏移取出;
步骤6. 根据测试集中样本数据的特征进行锂电池寿命预测;
根据锂电池训练好的权重和偏移,使用测试集的参数特征进行预测,公式如下
其中是预测出的电池寿命,/>代表输入的特征向量即电池模型参数特征,/>代表特征的偏移,/>代表每个特征的权重;
步骤7. 使用均方根误差与绝对平均误差率验证预测结果精度。
2.如权利要求1所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述步骤1中所述固定的时间间隔为0.1秒,数据维度为1000~2000。
3.如权利要求1所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述电池内阻的测量方法为直流内阻测试法,直流内阻测试法所使用的脉冲电流时间间隔为10~50毫秒,采用放电和充电两个电流脉冲分别测量电池的放电内阻和充电内阻,计算公式如下:
其中,表示电池放电内阻,/>表示电池充电内阻,/>表示电池放电的脉冲电流,/>表示电池充电的脉冲电流,/>表示电池放电前一时刻的电压,/>表示电池放电后一时刻的电压,表示电池充电前一时刻的电压,/>表示充电后一时刻的电压。
4.如权利要求1所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述步骤2中,选用的电池等效电路模型为等效电路模型。
5.如权利要求4所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述步骤2中,拟合电池模型参数的方法根据电池等效电路模型的零状态响应方程,将参数求解问题转化为曲线拟合问题,当电流为零时一阶RC电路的零状态响应方程为:
其中,为电池的输出电压,/>为电压源电压,/>为电池极化电容的初始电压,/>为时间,/>为时间常数,/>为自然常数。
6.如权利要求5所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,电池静置一段时间的开路电压认为是电池的电压源电压,则拟合的电池模型参数为电池极化部分初始分压和时间常数/>,为了让拟合结果更为精确,引入电压变化斜率参数,该参数为电池静置最后一段电池电压与时间的斜率/>,并将该参数也作为电池模型参数导入到训练模型中,具体如下:
。
7.如权利要求1所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述步骤3中特征维度为3个,分别是电池内阻特征,电池极化部分初始分压特征,时间常数特征;训练集中k个训练样本的方差特征和寿命分别表示为,,其中第i个训练样本的特征/>表示为:/>。
8.如权利要求1所述的基于电池模型参数的锂电池寿命预测方法,其特征在于,所述步骤7利用电池寿命实际值和电池寿命预测值的均方根误差RMSE以及平均绝对百分比误差MAPE来评价模型的精度,误差越小精度越高;
其中,代表电池寿命实际值,/>代表电池寿命预测值,/>为样本个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994785.9A CN113740752B (zh) | 2021-08-27 | 2021-08-27 | 一种基于电池模型参数的锂电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994785.9A CN113740752B (zh) | 2021-08-27 | 2021-08-27 | 一种基于电池模型参数的锂电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113740752A CN113740752A (zh) | 2021-12-03 |
CN113740752B true CN113740752B (zh) | 2023-07-21 |
Family
ID=78733340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110994785.9A Active CN113740752B (zh) | 2021-08-27 | 2021-08-27 | 一种基于电池模型参数的锂电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740752B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10393813B2 (en) * | 2013-08-27 | 2019-08-27 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN108254696B (zh) * | 2017-12-29 | 2020-08-11 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
CN110632528B (zh) * | 2019-11-04 | 2021-08-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
CN110703121A (zh) * | 2019-11-08 | 2020-01-17 | 北京化工大学 | 一种锂离子电池健康状态预测方法 |
CN111090047B (zh) * | 2019-12-09 | 2022-01-28 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111308355A (zh) * | 2020-03-14 | 2020-06-19 | 智洋创新科技股份有限公司 | 基于深度学习的变电站蓄电池状态检测分析方法 |
CN111832221B (zh) * | 2020-06-23 | 2023-09-26 | 华中科技大学无锡研究院 | 基于特征筛选的锂电池寿命预测方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN112986848A (zh) * | 2021-01-27 | 2021-06-18 | 力高(山东)新能源技术有限公司 | 一种估算动力电池soh的方法 |
CN113009349B (zh) * | 2021-04-09 | 2024-01-05 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
CN113075560B (zh) * | 2021-04-19 | 2022-11-18 | 南京邮电大学 | 一种动力锂离子电池健康状态在线预估方法 |
-
2021
- 2021-08-27 CN CN202110994785.9A patent/CN113740752B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113740752A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
He et al. | State-of-health estimation based on real data of electric vehicles concerning user behavior | |
CN109991548A (zh) | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN112881930B (zh) | 一种基于物联网的储能电池健康管理预测方法及系统 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
CN115407211B (zh) | 一种电动汽车锂电池健康状态在线预测方法及系统 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
Wang et al. | Fast modeling of the capacity degradation of lithium-ion batteries via a conditional temporal convolutional encoder–decoder | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN113740752B (zh) | 一种基于电池模型参数的锂电池寿命预测方法 | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
Wang et al. | Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery | |
CN113255205A (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
CN115684943A (zh) | 一种基于多层架构的电池状态预测模型及方法 | |
CN114859252A (zh) | 一种多特征的锂电池健康状态在线估计方法及装置 |
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 |