CN113759251A - 基于类容量增量曲线的云端电池组容量一致性分析方法 - Google Patents
基于类容量增量曲线的云端电池组容量一致性分析方法 Download PDFInfo
- Publication number
- CN113759251A CN113759251A CN202110943746.6A CN202110943746A CN113759251A CN 113759251 A CN113759251 A CN 113759251A CN 202110943746 A CN202110943746 A CN 202110943746A CN 113759251 A CN113759251 A CN 113759251A
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- curve
- battery pack
- increment
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000007600 charging Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 239000000178 monomer Substances 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000009795 derivation Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000009499 grossing Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010277 constant-current charging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/367—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]
- G01R31/396—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)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于类容量增量曲线的云端电池组容量一致性分析方法，包括以下步骤：步骤一、分析充电片段特性；步骤二、求解类容量增量IC曲线；步骤三、采用类容量增量IC曲线对电池组容量一致性进行分析，对电池组容量一致性进行分析；步骤四、进行单体电池容量分级。有益效果：本发明以类IC曲线特征峰高度作为电池容量的表征点，通过计算特征峰高度标准差实现对电池组容量一致性的评价，并对单体电池容量分级，实现了基于云端数据的电池组容量一致性定量分级评级；类IC曲线的求解方法消除了现有包括多项式滤波平滑、分段拟合求导和傅里叶降噪等方法无法解决云端采集电压因故意降低精度导致电压数据不连续而无法求解IC曲线问题。
Description
技术领域
本发明涉及一种电池组容量一致性的分析方法，特别涉及一种基于类容量增量曲线的云端电池组容量一致性分析方法，属于动力电池技术领域。
背景技术
对于电动汽车而言，电池组由许多单体电池组成，单体电池容量相差过大会严重降低电池组总容量，电池组总容量直接决定了电动汽车的续航里程。电池生产商在电池出厂前会按照国家测试标准对电池进行测试以获取电池的初始容量等参数，并对电池进行筛选。但在实际应用中电池组的使用工况极为复杂，这就造成了电池组容量演化具有较大的不确定性。因此，研究电池时间维度老化规律对准确估计电动汽车剩余行驶里程具有重要意义。另一方面，单体电池容量直接影响到电池组的可用容量，从空间上精确分析电池组不同位置的单体电池容量差异，有效辨识电池容量一致性，对提高电池组容量估计精度具有指导性意义。
近年来随着电动汽车数量的增多及国家监控中心监控数据量的增多，陆续出现针对实车运行状态下电池组容量的研究，主要包括电池组容量估计和电池组容量一致性分析。在电池组容量估计方面，例如，卡尔曼滤波算法、最小二乘法、粒子群算法及神经网络算法等算法被提出。但上述研究更多是是将电池组看成整体或采用“平均+离散”估算电池组容量，并未过多涉及各单体电池容量间一致性分析。在电池组容量一致性研究方面，大部分直接通过单体电池荷电状态(State of charge,SOC)和端电压等参数进行分析；且这些分析只从整体上分析电池组的一致性，不能精确分析电池单体在模组中的离散程度以及一致性随时间的演变规律。除此之外，以往的研究中却很少真正的针对云端电池组容量不一致性进行深入分析。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种基于类容量增量曲线的云端电池组容量一致性分析方法，该方法基于类容量增量(Increment Capacity,IC)曲线的特征峰高度标准差评价电池组容量一致性，并基于3-σ准则对单体电池容量进行分级评价。主要包括：对电池组的充电片段进行初步分析、求解单体电池的类IC曲线、使用类IC曲线评价电池组容量一致性及进行单体电池容量分级。
技术方案：一种基于类容量增量曲线的云端电池组容量一致性分析方法，包括以下步骤：
步骤一、分析充电片段特性，将云端数据中记载的数据字段按照“电池充放电状态”字段进行切割后得到的充电数据片段，所述的特性分析指的是对实车的充电模式、单体电压变化趋势以及充入电量与电池组总电压的关系进行分析；
步骤二、求解类容量增量IC曲线，通过固定电压间隔区间中采样点数来等效求取类容量增量IC曲线；
步骤三、采用类容量增量IC曲线对电池组容量一致性进行分析，以类容量增量IC曲线的特征峰高度作为电池容量表征点，并通过计算特征峰高度标准差对电池组容量一致性进行分析；
步骤四、进行单体电池容量分级，根据正态分布的特性对单体电池容量的特征峰高度按照3-σ准则进行分级并确定单体电池容量等级。
进一步，所述步骤二中求解类容量增量IC曲线的方法：
式中，n为电压间隔内采样点个数，I是充电电流，f是采样频率，ΔV为电压间隔，ΔQ为电压间隔内充入电量，V是电压，Q是充入电量。
进一步，所述电压间隔ΔV选取采样精度值作为标准电压间隔求取单体电池类容量增量IC曲线。
进一步，所述步骤三电池容量表征点是单体电池的类容量增量IC曲线的第一个特征峰，选取类容量增量IC曲线第一个特征峰对应的峰高度H表征电池容量状态，特征峰对应的实际位置在3.64V～3.66V区间内。
进一步，所述步骤四中所述的单体电池容量分级的3-σ准则为：
电池单体容量总体呈正态分布，在正态分布中，由于概率密度关于x＝μ成轴对称，有以下三个概率成立：
99.7％的样本分布在[μ-3σ,μ+3σ]闭区间之内；
所述的单体电池分级准则为：
表1电池容量分级规则
进一步，所述电池单体容量总体呈正态分布的方法为：
通过计算得到不同充电次数下单体电池容量特征峰高度分布偏度和峰度，将计算结果与正态分布标准参数比较；然后假设H0为容量的特征峰高度整体服从正态分布，对其进行Kolmogorov-Smirnov(K-S)检测，设定显著性水平α为0.05；
在K-S检验中，经验分布函数定义为：
式中，X(1)，X(2)...X(n)为总体中抽取的样本数据，并依照数值大小从小到大排列；
K-S检测统计量定义为：
式中，Fn(x)为样本经验分布函数，其真实分布函数为F0(x)；
表2为单体电池容量特征峰高度正态性分析结果；通过K-S检测分析证明，从第一阶段到第六阶段，电池容量分布与正态分布显著性水平大于0.05，不能拒绝原假设，单体电池容量整体呈正态分布；只有在第753次充电时，显著性水平小于0.05，拒绝假设，容量特征峰高度不呈正态分布；总体而言，除了第753次充电，其余所有充电次数下单体电池容量整体均呈正态分布。
表2单体电池特征峰高度正态性分析
有益效果：本发明提出以类IC曲线特征峰高度作为电池容量的表征点，可通过计算特征峰高度标准差实现对电池组容量一致性的评价，并依据3-σ准则达到对单体电池容量分级的目的，实现了基于云端数据的电池组容量一致性定量分级评级。同时，类IC曲线的求解方法消除了现有包括多项式滤波平滑、分段拟合求导和傅里叶降噪等方法无法解决云端采集电压因故意降低精度导致电压数据不连续而无法求解IC曲线问题。
附图说明
图1为本发明不同充电模式下电流随SOC变化趋势图；
图2为本发明典型充电工况下单体电压变化趋势图；
图3为本发明典型充电工况下电池组充入电量与电压关系图；
图4为本发明不同电压间隔类IC曲线；
图5为本发明单体电池类IC曲线图；
图6为本发明第一阶段单体电池特征峰高度分布雷达图；
图7为本发明第二阶段单体电池特征峰高度分布雷达图；
图8为本发明第三阶段单体电池特征峰高度分布雷达图；
图9为本发明第四阶段单体电池特征峰高度分布雷达图；
图10为本发明第五阶段单体电池特征峰高度分布雷达图；
图11为本发明容量不一致性随充电次数变化图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
一种基于类容量增量曲线的云端电池组容量一致性分析方法，包括以下步骤：
步骤一、分析充电片段特性，所述的充电片段是指将云端数据按照“电池充放电状态”字段进行切割后得到的充电数据片段，所述的“电池充放电状态”是指云端的数据字段，所述的特性分析指的是对实车的充电模式、单体电压变化趋势以及充入电量与电池组总电压的关系进行分析。
如图1所示，在实际的车辆运行过程中，电池充电模式主要包括三种：慢充、快充和分段恒流充电。
如图2所示，在充电过程中，所有的单体电池电压都在稳定上升。与放电片段不同，充电片段电流比较稳定，电压变化较为缓慢，且电压之间差距很小，电压一致性较好。
如图3所示，在电池恒流充电过程中，电池内部不断发生化学反应，当化学反应达到平衡状态，电池充电电压曲线会出现电压平台。该电池电压平台会受老化和温度等因素的影响而出现一定程度的偏移；但由于电压变化比较平缓，无法直接从电池充电曲线描述特性的变化。因此，借助容量增量(IC)曲线，将电压曲线中上升缓慢而电池内部反应剧烈的电压平台区转化成容量增量曲线中易于观察和分析的dQ/dV峰，进而使得电压曲线上不易发现的微小变化可以在IC曲线上反映出来。
步骤二、求解类容量增量IC曲线，通过固定电压间隔区间中采样点数来等效求取类容量增量IC曲线。
在实际数据处理中，为了减少数据的噪声影响得到平滑的IC曲线，许多研究人员尝试了多种方法，包括多项式滤波平滑，分段拟合求导和傅里叶降噪等。但单体电池电压成平台式上升，电压数据不连续，无法通过常规微分求解IC曲线，多项式滤波法是建立在常规求解方法之上，也不能应用于单体电池IC曲线求解。因此，单体电池的IC曲线需要结合实际数据精度，进而通过固定电压间隔区间中采样点数来等效求取。
在电池充电过程中，充电电流过大所引起的极化效应会影响到IC曲线的变化。首先筛选出慢充模式(充电电流约为9A)充电数据进行分析，以减少极化效应影响。
在恒流充电过程中，电池充入电量正比于同等电压间隔间采样点的个数。电压上升速率越快，电池采样点越少；当电压上升越平缓，采样点数越多，该电压平台内充入电量越多。因此，电池IC曲线可以通过下式得到：
式中，n为电压间隔内采样点个数，I是充电电流，f是采样频率，ΔV为电压间隔，ΔQ为电压间隔内充入电量，V是电压，Q是充入电量。
ΔV的选择直接影响到IC曲线，图4为不同电压间隔(10mV,20mV,50mV)求取的IC曲线。由图中可以看出，当电压间隔为10mV时由于电压间隔小于BMS采样精度(20mV)，许多电压点对应IC值为0；当电压间隔过大(50mV)又会导致相邻电压内IC值缺失过多，影响IC曲线特征峰位置，因此，选取20mV作为标准电压间隔求取单体电池类IC曲线。
步骤三、采用类容量增量IC曲线法对电池组容量一致性进行评价，所述的类容量增量IC曲线法是指以类IC曲线的特征峰高度作为电池容量的表征点，并通过计算特征峰高度标准差对电池组容量一致性进行评价，所述的特征峰高度是指类容量增量IC曲线的第一特征峰对应的高度，所述的容量表征点是能够表示电池容量变化的特征点。
步骤三中所述的容量表征点是电池组中单体电池通过类容量增量IC曲线来确定的。如图5所示，单体电池的类IC曲线分别在3.65V、3.78V和4.12V附近有较为明显的特征峰。但通过对比发现，第一个峰横向偏移较小，峰值较大，容易辨识，而其他两个峰波动较大，峰值较小，辨识度不高，因此选取第一个较大的特征峰作为单体电池容量表征点。实际上不同容量的单体电池类IC曲线的特征峰高度以及位置都会有所不同，但横向偏移较小；且通过固定电压间隔区间中采样点数求取的类IC曲线，在统计过程中发现电压间隔区间的选择抑制了特征峰横向位置的移动，即特征峰对应的实际位置应当在3.64V～3.66V区间内。因此，选取类IC曲线第一个特征峰对应的峰高度H表征电池容量状态。
因数据量过多且便于后续分析，因此按照时间顺序将充电片段划分成不同的阶段。如图6-10的雷达图所示，在第一阶段，电池特征峰高度整体较为平均，说明大部分单体电池容量相差不大，一致性较好；在第二阶段，特征峰高度离散度明显增大，说明电池容量不一致性增大；在第三阶段，峰高度又趋于平均，说明单体电池容量不一致性稍微减小；到了第四阶段初期，特征峰高度总体分布于第三阶段相差不大，但第753次充电，高度分布明显离散度增加，说明单体电池容量不一致性再一次增加；第五阶段电池容量一致性较好。
雷达图仅能初步对比在不同阶段单体电池容量不一致性变化情况，为定量描述电池组容量不一致性在不同阶段的变化，提出了通过计算特征峰高度标准差表征电池组容量不一致性，结果如图11所示。
步骤四、进行单体电池容量分级，根据正态分布的特性对单体电池容量的特征峰高度按照3-σ准则进行分级并确定单体电池容量等级。
通过计算得到不同充电次数下单体电池容量特征峰高度分布偏度和峰度，将计算结果与正态分布标准参数比较；然后假设H0为容量的特征峰高度整体服从正态分布，对其进行Kolmogorov-Smirnov(K-S)检测，设定显著性水平α为0.05。
在K-S检验中，经验分布函数定义为：
式中，X(1)，X(2)...X(n)为总体中抽取的样本数据，并依照数值大小从小到大排列。
K-S检测统计量定义为：
式中，Fn(x)为样本经验分布函数，其真实分布函数为F0(x)。
表2为单体电池容量特征峰高度正态性分析结果。通过K-S检测分析证明，从第一阶段到第六阶段，电池容量分布与正态分布显著性水平大于0.05，不能拒绝原假设，单体电池容量整体呈正态分布。只有在第753次充电时，显著性水平小于0.05，拒绝假设，容量特征峰高度不呈正态分布；总体而言，除了第753次充电，其余所有充电次数下单体电池容量整体均呈正态分布。
表2单体电池特征峰高度正态性分析
步骤四中所述的单体电池的3-σ准则为：
电池单体容量总体呈正态分布，在正态分布中，由于概率密度关于x＝μ成轴对称，有以下三个概率成立：
即绝大多数样本分布在[μ-3σ,μ+3σ]闭区间之内，只有极少数的样本可能分布在该区间之外，概率不到0.003，几乎不可能发生，是小概率事件，这即为3-σ准则。
进一步，根据正态分布的特性，对单体电池容量特征峰高度进行分级确定单体电池容量等级。所述的单体电池分级准则为：
表1电池容量分级规则
依照以上规则，对五个阶段每一次充电时电池容量状态进行评级，结果发现51及57号单体电池容量经常处于低和较低水平，表明所提的方法可实现单体电池容量评价与分级。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (6)
1.一种基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于，包括以下步骤：
步骤一、分析充电片段特性，将云端数据中记载的数据字段按照“电池充放电状态”字段进行切割后得到的充电数据片段，所述的特性分析指的是对实车的充电模式、单体电压变化趋势以及充入电量与电池组总电压的关系进行分析；
步骤二、求解类容量增量IC曲线，通过固定电压间隔区间中采样点数来等效求取类容量增量IC曲线；
步骤三、采用类容量增量IC曲线对电池组容量一致性进行分析，以类容量增量IC曲线的特征峰高度作为电池容量表征点，并通过计算特征峰高度标准差对电池组容量一致性进行分析；
步骤四、进行单体电池容量分级，根据正态分布的特性对单体电池容量的特征峰高度按照3-σ准则进行分级并确定单体电池容量等级。
2.根据权利要求1所述的基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于，所述步骤二中求解类容量增量IC曲线的方法：
式中，n为电压间隔内采样点个数，I是充电电流，f是采样频率，ΔV为电压间隔，ΔQ为电压间隔内充入电量，V是电压，Q是充入电量。
3.根据权利要求2所述的基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于：所述电压间隔ΔV选取采样精度值作为标准电压间隔求取单体电池类容量增量IC曲线。
4.根据权利要求1所述的基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于：所述步骤三电池容量表征点是单体电池的类容量增量IC曲线的第一个特征峰，选取类容量增量IC曲线第一个特征峰对应的峰高度H表征电池容量状态，特征峰对应的实际位置在3.64V～3.66V区间内。
5.根据权利要求1所述的基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于：所述步骤四中所述的单体电池容量分级的3-σ准则为：
电池单体容量总体呈正态分布，在正态分布中，由于概率密度关于x＝μ成轴对称，有以下三个概率成立：
99.7％的样本分布在[μ-3σ，μ+3σ]闭区间之内
所述的单体电池分级准则为：
表1电池容量分级规则
6.根据权利要求5所述的基于类容量增量曲线的云端电池组容量一致性分析方法，其特征在于，所述电池单体容量总体呈正态分布的方法为：
通过计算得到不同充电次数下单体电池容量特征峰高度分布偏度和峰度，将计算结果与正态分布标准参数比较；然后假设H0为容量的特征峰高度整体服从正态分布，对其进行Kolmogorov-Smirnov(K-S)检测，设定显著性水平α为0.05；
在K-S检验中，经验分布函数定义为：
式中，X(1)，X(2)...X(n)为总体中抽取的样本数据，并依照数值大小从小到大排列；
K-S检测统计量定义为：
式中，Fn(x)为样本经验分布函数，其真实分布函数为F0(x)；
表2为单体电池容量特征峰高度正态性分析结果；通过K-S检测分析证明，从第一阶段到第六阶段，电池容量分布与正态分布显著性水平大于0.05，不能拒绝原假设，单体电池容量整体呈正态分布。
表2单体电池特征峰高度正态性分析
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943746.6A CN113759251A (zh) | 2021-08-17 | 2021-08-17 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943746.6A CN113759251A (zh) | 2021-08-17 | 2021-08-17 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113759251A true CN113759251A (zh) | 2021-12-07 |
Family
ID=78790161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110943746.6A Pending CN113759251A (zh) | 2021-08-17 | 2021-08-17 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759251A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114371418A (zh) * | 2022-01-07 | 2022-04-19 | 北京理工大学 | 一种基于实车充电数据的增量容量曲线确定方法 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN117214742A (zh) * | 2023-09-15 | 2023-12-12 | 斯润天朗(合肥)科技有限公司 | 一种锂电池的状态分析方法、装置及电子设备 |
| CN117368746A (zh) * | 2023-12-07 | 2024-01-09 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
| CN107132481A (zh) * | 2017-04-20 | 2017-09-05 | 广东硅岳能源科技有限公司 | 一种识别电池组中单体一致的方法及系统 |
| CN110031771A (zh) * | 2019-04-29 | 2019-07-19 | 上海玫克生储能科技有限公司 | 一种描述电池一致性的方法 |
| CN110031770A (zh) * | 2019-04-29 | 2019-07-19 | 上海玫克生储能科技有限公司 | 一种快速得到电池包中所有单体电池容量的方法 |
| CN111142036A (zh) * | 2019-12-18 | 2020-05-12 | 同济大学 | 基于容量增量分析的锂离子电池在线快速容量估计方法 |
| CN111965546A (zh) * | 2020-09-03 | 2020-11-20 | 南京理工大学 | 基于ocv曲线重构的锂电池容量和初始soc估计方法 |
| CN112285573A (zh) * | 2020-10-16 | 2021-01-29 | 东风汽车集团有限公司 | 一种评价动力电池组在动态使用过程中单体一致性的方法 |
-
2021
- 2021-08-17 CN CN202110943746.6A patent/CN113759251A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
| CN107132481A (zh) * | 2017-04-20 | 2017-09-05 | 广东硅岳能源科技有限公司 | 一种识别电池组中单体一致的方法及系统 |
| CN110031771A (zh) * | 2019-04-29 | 2019-07-19 | 上海玫克生储能科技有限公司 | 一种描述电池一致性的方法 |
| CN110031770A (zh) * | 2019-04-29 | 2019-07-19 | 上海玫克生储能科技有限公司 | 一种快速得到电池包中所有单体电池容量的方法 |
| CN111142036A (zh) * | 2019-12-18 | 2020-05-12 | 同济大学 | 基于容量增量分析的锂离子电池在线快速容量估计方法 |
| CN111965546A (zh) * | 2020-09-03 | 2020-11-20 | 南京理工大学 | 基于ocv曲线重构的锂电池容量和初始soc估计方法 |
| CN112285573A (zh) * | 2020-10-16 | 2021-01-29 | 东风汽车集团有限公司 | 一种评价动力电池组在动态使用过程中单体一致性的方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114371418A (zh) * | 2022-01-07 | 2022-04-19 | 北京理工大学 | 一种基于实车充电数据的增量容量曲线确定方法 |
| CN114371418B (zh) * | 2022-01-07 | 2024-06-07 | 北京理工大学 | 一种基于实车充电数据的增量容量曲线确定方法 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN116626505B (zh) * | 2023-07-21 | 2023-10-13 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN117214742A (zh) * | 2023-09-15 | 2023-12-12 | 斯润天朗(合肥)科技有限公司 | 一种锂电池的状态分析方法、装置及电子设备 |
| CN117368746A (zh) * | 2023-12-07 | 2024-01-09 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
| CN117368746B (zh) * | 2023-12-07 | 2024-03-29 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113759251A (zh) | 基于类容量增量曲线的云端电池组容量一致性分析方法 | |
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
| CN111398837A (zh) | 一种基于数据驱动的车用电池健康状态估计方法 | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
| CN112924885B (zh) | 基于增量容量曲线峰值高度的电池内短路定量诊断方法 | |
| CN110988695A (zh) | 动力电池健康状态评估方法、装置、存储介质及电子设备 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN113765179B (zh) | 基于层次聚类及类中心距的云端电池组一致性分析方法 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
| CN115248393A (zh) | 电池一致性分选方法、装置、设备及存储介质 | |
| CN112485693A (zh) | 一种基于温度概率密度函数的电池健康状态快速评估方法 | |
| JP7313762B2 (ja) | 電池を診断するための装置およびその方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN116413606A (zh) | 动力电池健康状态估计方法、系统及介质 | |
| CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
| CN116699435A (zh) | 基于机器学习方法识别电池组中的临界异常的方法和装置 | |
| CN113740738B (zh) | 一种电芯容量预测方法及其应用 | |
| CN117110923A (zh) | 一种电动叉车用锂电池剩余寿命预测方法 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN115494394A (zh) | 鉴定电池质量的电化学方法 | |
| CN114879043A (zh) | 锂离子电池析锂诊断方法、装置、设备和介质 | |
| CN115552262A (zh) | 电池异常诊断装置和方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211207 |
|
| RJ01 | Rejection of invention patent application after publication |